L’illusion d’une optimisation locale

Le plus souvent, les projets d’intelligence artificielle sont déployés pour résoudre des problèmes très ciblés (automatiser une tâche, améliorer une prévision ou accélérer une prise de décision). Si certains projets d’IA se diffusent rapidement, c’est aussi parce qu’ils s’intègrent particulièrement bien dans des activités très structurées, où les données et les indicateurs sont déjà largement standardisés.

Les résultats peuvent alors sembler impressionnants. Un algorithme réduit les délais de traitement. Un système prédictif anticipe plus finement les variations de la demande et optimise les stocks. Des assistants automatisés accélèrent la production de contenus ou simplifient certaines tâches administratives. L’entreprise paraît plus rapide et mieux pilotée par les données. Mais ces gains locaux peuvent masquer des transformations plus profondes.

Dans une grande entreprise de distribution, par exemple, un système d’IA a été déployé pour optimiser automatiquement les prévisions de ventes et les commandes de stock. Les résultats se sont révélés très performants. Mais rapidement, les équipes terrain ont signalé que certaines recommandations entraient en tension avec leur connaissance locale des marchés. Dans certains cas, les ajustements manuels sont devenus quasi systématiques, mobilisant jusqu’à 20 à 30 % du temps des managers opérationnels. Autrement dit, une partie des gains initiaux a été compensée par un travail invisible de régulation.

Derrière ces ajustements opérationnels se joue souvent quelque chose de plus profond. Une technologie ne transforme jamais uniquement la tâche qu’elle automatise. Lorsqu’un algorithme prend en charge une partie de l’analyse, il modifie aussi la manière dont les équipes produisent et interprètent l’information.

Les routines de travail évoluent, certains collaborateurs consacrent moins de temps à l’exécution et davantage à la supervision ou à la validation des résultats. Les circuits décisionnels se déplacent également : des décisions autrefois fondées sur l’expérience ou l’intuition s’appuient désormais sur des recommandations algorithmiques, ce qui peut transférer une partie de l’autorité vers ceux qui conçoivent ou maîtrisent ces systèmes.

Enfin, les relations entre métiers se recomposent. Les équipes opérationnelles, les analystes de données et les fonctions techniques doivent apprendre à coopérer différemment autour de nouveaux outils et de nouvelles logiques de travail.

Les coûts cachés de l’organisation

Cette dynamique n’est pas nouvelle. Elle a été largement étudiée dans les travaux consacrés aux coûts cachés et aux dysfonctionnements organisationnels. L’approche socio-économique développée notamment par Henri Savall et Véronique Zardet montre que de nombreuses organisations supportent des coûts bien réels qui restent pourtant invisibles dans les systèmes comptables traditionnels.

Les coûts cachés désignent ces phénomènes qui n’apparaissent pas dans les indicateurs financiers immédiats, mais qui finissent par dégrader la performance.

Ils prennent des formes très concrètes : perte de coordination entre équipes, surcharge cognitive pour les collaborateurs, dégradation progressive de la coopération ou démotivation pouvant conduire au turnover.

Dans certaines organisations, ces phénomènes se traduisent par :

• la multiplication des réunions de validation autour des résultats algorithmiques
• la double vérification systématique de décisions automatisées
• ou encore la création de rôles informels chargés de corriger les outputs des systèmes

Autant d’activités rarement tracées… mais bien réelles.

Lorsque les dispositifs formels ne suffisent plus à maintenir la cohérence du système, les acteurs multiplient les ajustements informels (échanges rapides entre collègues, vérifications manuelles ou contournement ponctuel de procédures trop rigides). Ces ajustements permettent simplement de continuer à faire fonctionner l’organisation au quotidien.

Autrement dit, une organisation peut sembler performante tout en accumulant des tensions latentes. Les économistes parlent d’externalités négatives pour désigner ces effets indirects qui débordent du périmètre initial d’une décision.

Pourquoi l’IA amplifie ces coûts cachés

Les coûts cachés ne sont évidemment pas propres à l’intelligence artificielle. Toute transformation organisationnelle peut induire des effets difficiles à anticiper. Mais l’IA possède plusieurs caractéristiques qui tendent à amplifier ces dynamiques.

D’abord, parce qu’elle intervient directement dans les processus de décision et redistribue les équilibres organisationnels. L’accès aux données, la conception des modèles ou la maîtrise des outils deviennent de nouvelles sources d’influence dans l’entreprise.

Ensuite, parce qu’elle modifie la nature des savoirs organisationnels. Les systèmes automatisés conservent les procédures, mais rarement les raisonnements qui les ont fait naître. Dans plusieurs entreprises, cela se traduit par une situation paradoxale : les systèmes continuent de produire des résultats… mais de moins en moins de personnes sont capables d’en expliquer la logique.

Enfin, parce que son adoption est rarement homogène. Certains services avancent rapidement, tandis que d’autres progressent plus lentement. Cette hétérogénéité peut produire des désynchronisations opérationnelles et fragiliser la cohérence organisationnelle.

L’intelligence artificielle ne crée donc pas les coûts cachés. Mais elle tend à les accélérer et à en révéler l’ampleur.

Cinq coûts cachés des projets d’IA

Plusieurs dynamiques apparaissent aujourd’hui de manière récurrente dans les organisations qui déploient massivement ces technologies.

L’entropie organisationnelle

L’automatisation est souvent perçue comme une simplification. Pourtant, chaque système algorithmique introduit de nouvelles contraintes : maintenance, supervision, ajustements permanents. L’organisation finit parfois par consacrer une part croissante de son énergie à maintenir les systèmes qu’elle a elle-même mis en place.

L’érosion de la compréhension collective

Lorsque les concepteurs quittent l’entreprise ou que les modèles évoluent, il devient difficile d’expliquer les paramètres qui guident les décisions. Les systèmes continuent de fonctionner, mais leur logique devient progressivement opaque.

La fragmentation des pratiques

L’IA est souvent introduite au fil d’initiatives locales. Sans coordination, chaque équipe développe ses propres outils. L’organisation se retrouve avec une mosaïque de solutions qui communiquent mal entre elles.

Les recompositions de pouvoir

L’accès aux données et aux modèles peut déplacer les centres d’influence. Certaines expertises gagnent en importance, tandis que d’autres voient leur légitimité remise en question.

L’accélération des rythmes organisationnels

Les technologies d’IA accélèrent les flux d’information et les décisions. Mais cette accélération ne se diffuse pas uniformément, créant des décalages et des tensions entre départements.

Cinq questions pour anticiper ces coûts

Face à ces enjeux, les managers peuvent intégrer une analyse simple des effets organisationnels d’un projet d’IA.

• Quels changements indirects ce projet va-t-il produire dans le travail ?
• Quelles dépendances techniques ou humaines ce système crée-t-il ?
• Comment ce projet modifie-t-il les équilibres organisationnels ?
• Quels effets systémiques peut-il produire dans l’organisation ?
• Comment l’organisation apprendra-t-elle à comprendre et faire évoluer ce système dans le temps ?

Ces questions ne visent pas à ralentir l’innovation. Elles permettent simplement d’élargir le regard porté sur ces transformations.

L’IA comme amplificateur des dynamiques et tensions organisationnelles

L’intelligence artificielle agit souvent comme un amplificateur. Elle ne met pas seulement en lumière de nouvelles capacités technologiques, elle expose aussi des fragilités organisationnelles déjà présentes (coordination imparfaite, dépendances implicites ou mémoire collective fragile).

Autrement dit, les difficultés rencontrées dans les projets d’IA ne sont pas uniquement liées à la technologie. Elles révèlent souvent des tensions préexistantes que l’organisation n’avait pas encore pleinement identifiées.

La performance ne dépend donc pas uniquement de la puissance des technologies adoptées. Elle tient aussi à la capacité à comprendre les transformations qu’elles introduisent dans le travail, les savoirs et les équilibres internes.

L’enjeu pour les managers est alors de repérer et piloter ces effets organisationnels souvent diffus, mais déterminants, qui se forment en dehors des indicateurs habituels.