L'IA manque de contexte, et comment les entreprises risquent de perdre le leur

20 octobre 2026 · @Thibault GOURDIN-SERVENIERE

Quand Shengxing Yang entame sa thèse, en 2 021, ChatGPT n’existe pas encore ; il sera lancé un an plus tard. Le sujet qu’on lui propose, la manière dont les entreprises européennes peuvent se préparer à la transformation par l’IA, porte sur un objet que personne ne sait décrire. On parle alors d’apprentissage automatique, de systèmes spécialisés, et l’on imagine ce que les machines pourraient faire. « Chacun disait quelque chose, il n’y avait ni vision partagée ni accord commun. Je me suis dit : je suis vraiment libre de parler », se souvient-il.

Sa revue de la littérature, des sciences sociales aux textes de futurologues inquiets pour l’emploi, ne livre aucune définition commune. Aujourd’hui encore, observe-t-il, le mot désigne surtout l’IA générative, celle des grands modèles de langage. De ce flou, il a tiré l’idée qui traverse ses travaux : « Sans contexte concret, on ne voit pas vraiment quel bénéfice ces outils peuvent vous apporter. »

Ce que les modèles ignorent

Le chercheur n’a rien d’un sceptique. Il a récemment payé 200 euros pour un mois d’abonnement à ChatGPT, et dit avoir construit en une journée un logiciel en ligne, ce qu’il n’aurait pas imaginé possible sans ces outils. Des grands concepteurs de modèles, il dit : « Ils disposent des ressources de calcul, de lourds investissements dans les données et les infrastructures. […] Mais ce qui leur échappe, c’est le contexte. »

Leur succès, explique-t-il, repose sur un investissement antérieur : Internet et son immense réserve de données publiques. Le reste leur demeure inaccessible. En médecine, par exemple, des chercheurs qui ne partagent pas leurs données spécifiques empêchent ces acteurs de s’attaquer sérieusement à une tâche précise.

Il en a fait l’épreuve sur son propre terrain. Après avoir intégré sa grille d’analyse dans l’outil qu’il a développé, il a d’abord cru le métier de consultant condamné : il suffirait de placer le cadre dans la situation d’un client pour obtenir un rapport. Il s’est ravisé, car le résultat, faute de personnalisation, se réduit à une discussion bien structurée. Ce qui reste à l’humain tient selon lui au goût, c’est-à-dire à l’expérience personnelle, à ce qu’une vie et un parcours ont de singulier.

Sa situation illustre la thèse. Installé à Paris sans parler français, il juge le conseil en France presque fermé pour lui, car la langue porte le contexte. La machine n’y échappe pas : une terminologie inexacte dans une requête, et la réponse dévie.

Six lentilles pour un diagnostic

Avant de parler de compétences, Shengxing Yang pose la question que se pose toute organisation : si la situation actuelle me convient, pourquoi changer ? Sa thèse part donc de ce qui pousse au changement. Il décrit un « espace des enjeux de l’IA », l’ensemble des risques que l’automatisation ou l’augmentation des tâches (l’IA qui assiste l’humain sans le remplacer) font peser sur une activité, et range ces enjeux selon six lentilles.

La première, le domaine, désigne le métier et ses problèmes réels, que seuls connaissent ceux qui l’exercent. La deuxième est technique : des systèmes tournent déjà, et il faut choisir entre acheter du neuf et tirer parti des investissements passés. La troisième, cognitive, mesure la disposition de l’entreprise à changer, ce qu’il appelle son ADN. La quatrième, interactionnelle, couvre les relations internes et externes, jusqu’aux plateformes des fournisseurs. La cinquième est éthique, notamment l’usage loyal des données, plus discuté en Europe qu’aux États-Unis ou en Chine. La sixième est managériale : la transformation a besoin du soutien de la direction.

Pour faire travailler ces lentilles, il propose une démarche baptisée PTSD (acronyme anglais), dont il précise qu’elle n’a rien d’une maladie. Après la priorisation [À VÉRIFIER] viennent les arbitrages : négliger l’éthique semble sans conséquence au début, mais peut poser problème dans le cadre européen. Puis la construction de sens, car des métiers différents n’accordent pas la même importance à une même fonction. Le marketing y voit un gain, les ressources humaines une charge : un recrutement sur un poste lié à l’IA peut attirer cent à deux cents CV par jour. « On ne me paie pas plus, mais j’ai plus de travail. Ce n’est pas juste », dit-il à la place du recruteur, qui finit par refuser. Enfin, la dynamique : les six lentilles évoluent ensemble, et les priorités d’une semaine ne sont pas forcément celles de la suivante. Le diagnostic devient une boucle.

Le cadre ne livre pas de recette : il n’y a, dit-il, ni bonne ni mauvaise réponse. Interrogé sur ce qu’en feraient des responsables de formation, il place en premier la prise de conscience, et une question que l’engouement fait oublier : l’entreprise a-t-elle besoin de cette transformation ? L’IA, juge-t-il, est une bonne réponse, mais pas toujours celle qu’il faut ; bien des entreprises l’adoptent sous la pression.

Ce que la répétition enseigne

Où s’arrête la délégation ? Shengxing Yang répond par des cas. Les industries qui exigent qu’une même entrée produise toujours le même résultat tiennent les grands modèles de langage, trop peu prévisibles, à l’écart de la production. Le service client se prête mieux au partage : un agent conversationnel traite les questions simples jour et nuit et transmet les autres à un humain.

Certains dirigeants vont plus loin, observe-t-il : plus besoin de juniors, quelques cadres seniors entourés d’agents suffiront. Il l’admet pour les activités réglées par des procédures standardisées, où les modèles font mieux. Mais il défend ce que ce raisonnement efface. Il dit avoir lui-même appris de tâches répétitives, et y trouver un repos après un travail complexe. « Si l’on pousse les gens à réfléchir à la tâche la plus difficile, jour après jour, heure après heure, ce n’est pas possible. Nous ne sommes pas des machines. »

Les salariés, pourtant, cherchent à se défaire de ces tâches, quitte à le cacher. C’est l’IA fantôme (shadow AI), l’usage d’outils sans l’aval de l’employeur, qu’il juge très difficile à contrôler. Il en formule le calcul à la première personne : « Du point de vue des indicateurs, j’ai fait un travail parfait. On me paie des milliers d’euros, et j’ai payé 20 euros. »

Encore faut-il donner envie d’apprendre, ce qui n’a selon lui rien de naturel : faire défiler des vidéos récompense immédiatement, apprendre un outil non. D’où la nécessité de mécanismes en entreprise : promotion, salaire, reconnaissance.

Le savoir qui ne se code pas

Licencier pour automatiser, puis réembaucher faute d’expérience : quand on évoque ce cas, Shengxing Yang rappelle que le scénario s’est déjà produit à plusieurs reprises. Il le juge discutable sur le plan éthique et risqué en pratique, car une part du savoir, faite de conventions implicites, n’est inscrite dans aucun système. « Une part de la culture reste inscrite dans le corps humain. C’est une intelligence incarnée, pas artificielle. »

Le risque se prolonge. Fermer la porte aux juniors épuise le vivier de talents et crée, à moyen ou long terme, un effet de verrouillage : une dépendance aux agents dont il devient difficile de sortir. S’y ajoutent des coûts cachés, des systèmes existants à intégrer, un fournisseur dont le service peut tomber. D’où son conseil pour les projets pilotes : échouer vite, itérer vite, car les modèles évoluent plus vite qu’un plan à deux ans.

En 2 021, rappelle-t-il, la recherche opposait automatisation et augmentation. Le débat penche aujourd’hui vers la seconde, parce que les modèles commettent des erreurs récurrentes tout en élargissant ce qu’un humain peut accomplir. Shengxing Yang déplace la question vers ce que l’organisation sait d’elle-même. Beaucoup de dirigeants, observe-t-il, négligent la lisibilité et la réutilisation de leurs données. Or ce qui compte, selon lui, est la consignation de l’activité, codifiée ou non : un contexte qu’un assistant comme ChatGPT ne peut capter de lui-même.

Reste un chantier qu’il aimerait approfondir : le pouvoir discrétionnaire, cette latitude qu’un poste confère à son titulaire, libre d’user ou non de ses prérogatives, et qui fait, dit-il, qu’on aime son métier. Il la voit en cours de réallocation, et prévient que certains le vivront mal. « Avec l’IA, une partie de cette latitude est déléguée aux outils. On se dit alors : je perds mon pouvoir. »

Repères

Shengxing Yang est docteur en sciences de gestion. Sa thèse, commencée en 2 021 à l’université Paris-Saclay, examine comment les organisations peuvent se préparer à la transformation par l’IA à l’horizon 2 035, à partir d’un exercice de prospective (la construction de scénarios d’avenir). Il y définit un espace des enjeux de l’IA lu selon six lentilles (domaine, technique, cognitive, interactionnelle, éthique, managériale) et une démarche de diagnostic, PTSD, qu’il a présentée dans une publication en ligne. Il est titulaire d’une licence en administration et d’un master en management international [À VÉRIFIER].

Cet article est tiré de l’entretien avec Shengxing Yang dans le podcast Valeur humaine à l’ère de l’IA (ISSEO), épisode [numéro ou titre à compléter]. Entretien conduit en anglais, propos traduits.