Introduction

L’acte de décider constitue le cœur de la fonction managériale. Or l’environnement dans lequel s’exerce cette prérogative s’est radicalement transformé : dans un contexte volatil et incertain, la marge d’erreur se réduit, tandis que l’intelligence artificielle (IA), qu’elle soit prédictive, générative ou prescriptive, s’invite jusque dans les arbitrages stratégiques. Longtemps cantonnée à l’automatisation de tâches répétitives, l’IA prétend désormais dépasser les limites cognitives du décideur humain et lui promettre une « rationalité augmentée ».

Cette irruption réactive un débat ancien, celui de la rationalité. Si Simon (1955) a montré que le manager, contraint par le temps, l’information et ses capacités cognitives, se contente de solutions satisfaisantes plutôt qu’optimales, l’IA semble offrir le moyen de combler ce déficit. Mais s’agit-il d’une véritable augmentation de la rationalité, ou d’une illusion technologique porteuse de nouveaux biais ?

Ce travail s’inscrit dans cette tension et pose la problématique suivante : dans quelle mesure l’intégration de l’IA reconfigure-t-elle la rationalité du processus décisionnel managérial ? L’intérêt du sujet est double. Théoriquement, il oblige à réinterroger les fondements de la décision à l’aune d’un acteur non humain. Pratiquement, il interroge l’avenir même du manager, partagé entre la crainte d’une obsolescence et l’espoir d’une augmentation libératrice.

L’objectif n’est pas de décrire le fonctionnement technique des algorithmes, mais de comprendre comment les managers vivent, acceptent ou contestent l’IA dans leurs décisions réelles. Il s’agit d’identifier les conditions concrètes dans lesquelles cette reconfiguration opère, et de dépasser l’opposition binaire entre substitution et augmentation. De cette analyse émerge une contribution originale, le concept de « boîte grise », seuil de compréhension partielle à partir duquel les managers calibrent leur confiance envers l’algorithme.

Fondements théoriques

Le cadre mobilisé articule trois niveaux d’analyse.

Le premier porte sur le décideur humain. La théorie de la rationalité limitée (Simon, 1955) établit que la décision managériale ne peut être parfaitement rationnelle : information incomplète, complexité de l’environnement et capacités cognitives bornées contraignent structurellement le jugement. À ces limites quantitatives s’ajoutent des limites qualitatives. Kahneman (2011) distingue un Système 1 intuitif, rapide et automatique, d’un Système 2 analytique, lent et coûteux ; la prédominance du premier engendre des biais systématiques (ancrage, confirmation, excès de confiance). L’intuition n’est toutefois pas réductible à l’erreur : Dane et Pratt (2007) montrent que l’intuition experte, fondée sur la reconnaissance de schémas issus de l’expérience, constitue une ressource décisionnelle précieuse là où les données font défaut.

Le deuxième niveau concerne l’irruption de l’IA. Au-delà des systèmes décisionnels descriptifs, l’IA prédictive et prescriptive modifie le rapport au temps et à l’incertitude (Duan et al., 2019), tout en soulevant des défis de qualité des données, d’interprétabilité et d’intégration organisationnelle. Jarrahi (2018) théorise une « symbiose » Homme-IA fondée sur des intelligences complémentaires et non substituables. Cette vision est néanmoins nuancée : Fügener et al. (2021) alertent sur l’« effet borgs », l’érosion de la singularité cognitive des individus qui s’alignent sur la machine. Jussupow et al. (2021) révèlent une asymétrie d’expertise, par laquelle les novices subissent davantage les conseils erronés de l’IA, tandis que les experts rejettent parfois indûment ses recommandations correctes.

Le troisième niveau traite de la reconfiguration du rôle managérial. Raisch et Krakowski (2021) dépassent l’opposition substitution/augmentation par le « paradoxe automatisation-augmentation » : plus l’IA automatise, plus le jugement humain devient crucial sur les situations inédites. Cette collaboration se heurte à des résistances psychologiques, entre aversion (Dietvorst et al., 2015) et appréciation algorithmiques. Enfin, l’opacité des modèles (« boîte noire ») fait du manager un garde-fou éthique : Burton et al. (2020) insistent sur la littératie des données, tandis que Bauer et al. (2023) et Papenkordt et al. (2025) montrent qu’une explicabilité mal calibrée peut paradoxalement nourrir la surconfiance.

Méthodologie

La recherche s’inscrit dans un paradigme interprétativiste (Dumez, 2016) : il ne s’agit pas de mesurer statistiquement l’effet de l’IA, mais de comprendre le sens que les décideurs donnent à leur interaction avec la machine. La « rationalité augmentée » y est appréhendée comme une construction sociale, vécue différemment selon le contexte, l’expertise et le rapport à la technologie. La démarche est exploratoire : plutôt que de tester des hypothèses (déduction) ou de bâtir une théorie ex nihilo (induction), l’analyse procède par allers-retours entre le cadre conceptuel et le matériau empirique, les catégories étant retravaillées au contact du terrain.

Le choix d’une méthode qualitative (Gavard-Perret et al., 2012) s’impose pour trois raisons : la dimension psychologique du sujet (confiance, aversion, identité professionnelle), la complexité du processus décisionnel, et le caractère émergent des pratiques de collaboration Homme-IA. L’étude adopte une approche multisites, justifiée par la nature transversale du phénomène, qui ne se limite ni à un secteur ni à une fonction.

Les données ont été recueillies par onze entretiens semi-directifs, conduits en mai 2026 auprès de managers et décideurs de dix secteurs distincts (industrie, conseil, technologie, énergies renouvelables, banque, aéronautique et défense, transport aérien), à des niveaux hiérarchiques variés. Huit entretiens se sont déroulés en visioconférence, un en présentiel, deux par réponses écrites détaillées. Le guide, construit en miroir du cadre théorique, s’organisait en trois axes : perception de l’IA et de la rationalité, pratiques de décision en situation réelle, évolution du rôle managérial. L’échantillonnage, raisonné par diversification, ne visait pas la représentativité statistique mais la saturation sémantique, atteinte lorsque les derniers entretiens n’apportaient plus de catégories nouvelles.

L’analyse repose sur une thématisation mixte en deux étapes (Paillé & Mucchielli, 2016) : un codage ouvert, inductif, découpant le discours en unités de sens, puis une catégorisation rattachant ces unités aux trois axes. Une matrice de codage croisant sous-thèmes et répondants a permis de relever, pour chaque idée, le nombre de sources et d’occurrences, afin de hiérarchiser la restitution. Le niveau d’expertise a servi de grille de lecture transversale.

Principaux résultats

L’analyse fait émerger des convergences remarquablement fortes. Sur la perception, les onze répondants reconnaissent unanimement leurs limites cognitives (contrainte temporelle, fatigue, information incomplète, biais d’ancrage explicitement nommé), confirmant empiriquement les cadres de Simon (1955) et Kahneman (2011). Aucun ne juge l’IA fiable de façon absolue : sa fiabilité est conditionnelle, dépendante de la qualité des données et du cadrage de la requête (logique du garbage in, garbage out). L’IA est perçue non comme une source d’information inédite, mais comme un accélérateur d’accès : elle « voit loin et vite », sans saisir la dimension relationnelle et politique.

Le résultat le plus solide concerne les pratiques. Sans exception, les onze décideurs ont déjà pris une décision contraire à la recommandation algorithmique, et le motif est systématiquement identique : un contexte humain, terrain ou relationnel que la machine ne pouvait appréhender (un contrat non encore reflété dans les états financiers, des enjeux de sécurité ou de motivation des équipes…). Cette convergence intégrale, sur dix secteurs, valide empiriquement la complémentarité de Jarrahi (2018) et l’intuition experte de Dane et Pratt (2007). Un critère d’arbitrage unanime se dessine : le quantitatif, le structuré et le faible enjeu humain à la machine ; le qualitatif, le contextuel et le fort enjeu à l’humain. L’opacité est tolérée tant qu’une compréhension partielle demeure, ce qu’un répondant nomme une « boîte grise », état intermédiaire entre transparence et opacité totale, suffisant pour fonder la confiance, mais dont la tolérance décroît avec l’enjeu de la décision.

Sur l’évolution du rôle, le temps managérial se réalloue de la production vers l’interprétation et la relation, illustrant le paradoxe de Raisch et Krakowski (2021). Le sentiment d’augmentation domine (dix répondants sur onze), mais la substitution menace les tâches à fort contenu standardisable : l’arbitrage se joue ainsi au niveau des tâches, non du métier. De nouvelles compétences émergent (prompt engineering, esprit critique) au prix d’une érosion possible de l’analyse autonome, manifestation de l’« effet borgs » (Fügener et al., 2021). La métaphore spontanée du copilote ou de l’assistant traduit une représentation hiérarchiquement subordonnée de l’IA, et le niveau d’expertise pré-IA s’impose comme la variable modératrice la plus discriminante (Jussupow et al., 2021).

Recommandations

Quatre recommandations opérationnelles découlent directement des pratiques observées.

Premièrement, construire une grille de délégation algorithmique au niveau de la tâche, et non du métier. Plutôt que de raisonner globalement, au risque d’un optimisme déconnecté ou d’une crainte indifférenciée, les organisations gagneraient à décomposer chaque rôle en tâches positionnées sur deux axes : la nature de la tâche (structurée/quantifiable ou contextuelle/qualitative) et l’enjeu de la décision (faible ou fort). Les tâches structurées à faible enjeu sont candidates à une délégation forte ; les tâches contextuelles à fort enjeu exigent un encadrement humain renforcé. Cette cartographie devrait être révisée régulièrement, la frontière se déplaçant avec le progrès des modèles.

Deuxièmement, institutionnaliser l’esprit critique algorithmique comme compétence centrale du manager augmenté, via une formation à plusieurs niveaux : savoir détecter les réponses convaincantes mais fausses, maîtriser des protocoles de validation actifs (triangulation entre modèles, vérification des sources, demande du raisonnement), et arbitrer les escalades vers une validation humaine.

Troisièmement, formaliser une politique de gouvernance algorithmique articulée autour de quatre piliers : périmètre d’usage, confidentialité des données, protocoles de validation et responsabilité (accountability). Une charte courte et révisée annuellement permettrait de sortir d’un usage hétérogène et risqué.

Quatrièmement, préserver activement l’apprentissage cognitif des nouvelles générations et la qualité du lien social : périodes ou tâches sans recours à l’IA pour les profils en formation, mentorat inversé associant maîtrise des outils et expertise contextuelle, et valorisation des échanges collégiaux non médiés par la machine. Ces dispositifs préviennent tant l’érosion des compétences analytiques que l’appauvrissement du capital social de l’organisation.

Impact et utilité

Pour les praticiens, ce travail offre des repères directement actionnables. La grille de délégation par tâche fournit un outil concret pour piloter l’intégration de l’IA sans céder ni à l’adoption aveugle ni à la résistance de principe. La distinction entre périmètres de confiance (quantitatif délégable, qualitatif réservé au jugement humain) aide les managers à situer la valeur ajoutée qu’ils conservent, et donc à orienter leur montée en compétences vers l’arbitrage, l’interprétation et la responsabilité. Les recommandations de gouvernance répondent à un besoin réel : plusieurs répondants signalent l’absence de cadre formel comme un risque imminent.

Sur le plan académique, la recherche apporte quatre contributions. Elle fournit une confirmation empirique de la complémentarité Homme-IA (Jarrahi, 2018) et précise, sur la base d’un terrain qualitatif, la frontière de la délégation. Elle invite à relire le paradoxe automatisation-augmentation (Raisch & Krakowski, 2021) au niveau des tâches plutôt que des métiers. Elle étend l’asymétrie d’expertise (Jussupow et al., 2021) à la dimension organisationnelle de la maturité algorithmique. Elle introduit enfin le concept de « boîte grise » et propose une calibration contextuelle de l’explicabilité, prolongeant les travaux de Bauer et al. (2023) et de Papenkordt et al. (2025) en y ajoutant la dimension de l’enjeu décisionnel.

Au croisement de ces apports, l’étude éclaire une transformation que les organisations vivent déjà sans toujours la nommer : le déplacement de la valeur managériale vers ce que la machine ne sait pas faire.

Conclusion

Au terme de cette recherche, la reconfiguration de la rationalité managériale par l’IA peut se résumer en trois mouvements. D’abord, l’IA étend le périmètre cognitif du décideur : elle desserre la contrainte historique de rareté informationnelle au cœur de la rationalité limitée, sans pour autant créer d’information inédite. Ensuite, elle déplace la frontière de la délégation décisionnelle vers une dichotomie nouvelle, entre dimensions quantitatives et automatisables d’une part, dimensions qualitatives, relationnelles et éthiques d’autre part, qui demeurent humaines. Enfin, et plus profondément, elle transforme la nature même de la rationalité : celle-ci n’est plus principalement une rationalité de calcul, déléguée à l’algorithme, mais devient une rationalité d’arbitrage, de jugement contextuel et de garde-fou.

La rationalité limitée de Simon (1955) ne disparaît donc pas : elle se déplace vers un niveau supérieur, celui de la calibration de la confiance, du discernement contextuel et de la responsabilité finale, qui restent l’apanage du décideur humain. La formule d’un répondant en offre la synthèse la plus parlante : l’IA « voit loin et vite, mais elle ne connaît pas la route ». La route, c’est-à-dire le sens et la direction de la décision, reste l’affaire du manager.

Ces enseignements appellent des prolongements : la théorisation du concept de boîte grise, l’étude longitudinale de la fracture générationnelle entre profils experts et débutants, ou encore la comparaison de la gouvernance algorithmique selon la taille des organisations. L’avenir de la décision ne se joue pas dans l’opposition entre humain et machine, mais dans la qualité de leur alliance.