Une équipe produit ses comptes rendus plus vite. Un manager prépare ses décisions avec un assistant. Un collaborateur sollicite une IA avant de demander conseil à un collègue. Pris séparément, ces changements semblent pratiques. Ensemble, ils invitent à une question : que deviennent nos manières de penser, de décider et de travailler ensemble ?
Chez AKCELI, nous considérons que l’intégration de l’intelligence artificielle appelle un travail sur l’organisation et sa culture. Les gains attendus méritent d’être examinés avec les conditions qui permettent de les rendre utiles et durables.
Technologie et organisation : une question étudiée depuis longtemps
Dès 1951, Eric Trist et Ken Bamforth étudient les conséquences sociales et psychologiques d’une méthode mécanisée d’extraction du charbon. Leur recherche examine ensemble le contenu technique du travail et la structure du collectif. Ce jalon historique rappelle que les transformations techniques ont aussi une dimension humaine et organisationnelle.[1]
Avec l’informatisation, Shoshana Zuboff distingue deux orientations : automatiser pour substituer des opérations et réduire les coûts, ou utiliser l’information produite pour développer la compréhension et créer de la valeur. Cette distinction, associée à son ouvrage de 1988, éclaire encore les choix de déploiement actuels.[2]
En 1992, Wanda Orlikowski propose de dépasser l’opposition entre une technologie qui imposerait ses effets et une technologie qui serait seulement le résultat de choix humains. Son analyse invite à étudier leur interaction : les usages se construisent dans l’organisation et participent à son évolution.[3]
Interroger ce que la technologie change dans le travail repose donc sur un champ de recherche ancien. L’IA renouvelle les possibilités et les questions ; ses effets particuliers demandent encore à être étudiés.
Ce que l’IA remet aujourd’hui en discussion
L’IA générative intervient dans la production de textes, l’analyse et la formulation de propositions. Elle invite à examiner plusieurs dimensions du fonctionnement collectif :
- Les compétences : qu’apprend-on en produisant, en vérifiant ou en corrigeant une réponse ?
- Le pouvoir de décider : qui définit les critères et peut contester une recommandation ?
- La coopération : quels échanges disparaissent, apparaissent ou deviennent plus utiles ?
- Les normes de travail : qu’attend-on désormais en matière de rapidité, de qualité et de disponibilité ?
- La reconnaissance : comment apprécier une contribution lorsque sa production est assistée ?
- Le contrôle : quelles informations deviennent visibles, pour qui et dans quel but ?
Cette grille constitue notre proposition d’analyse. Elle prolonge les questions posées par les transformations technologiques sans supposer que toutes les organisations évolueront de la même façon.
Une étude publiée à CHI en 2025, menée auprès de 319 travailleurs du savoir, examine leurs expériences déclarées d’usage de l’IA générative. Une confiance plus élevée dans l’IA y est associée à un moindre exercice de la pensée critique. Les auteurs décrivent aussi un déplacement de cette activité vers la vérification et l’intégration des réponses.[4]
Il s’agit de déclarations d’usage et d’associations observées : cette étude ne démontre pas que l’IA provoque une perte générale des compétences. Elle justifie en revanche de regarder comment le travail intellectuel se transforme.
Produire mieux signifie-t-il comprendre mieux ?
Prenons une situation fictive : un chargé d’études remet une analyse particulièrement convaincante, préparée avec une IA. Lorsqu’un client interroge une hypothèse, il peine à expliquer le raisonnement ou à retrouver la source.
Le document est abouti. La capacité à défendre une décision demande encore du travail.
La question utile devient alors : comment l’usage de l’IA contribue-t-il à l’apprentissage ? Une équipe peut demander à chacun de vérifier les informations importantes, d’expliciter ses hypothèses et de présenter les limites de son analyse. Elle peut aussi réserver des temps de confrontation des raisonnements.
Ce qui compte pour l’organisation, c’est de pouvoir mobiliser une compréhension solide lorsque la situation change ou que l’outil se trompe.
Peut-on dire ouvertement comment on travaille ?
Dans certaines situations, utiliser une IA peut être perçu comme un manque de compétence. Dans d’autres, ne pas l’utiliser peut sembler archaïque. Ces deux attentes méritent d’être discutées avant qu’elles deviennent des règles implicites.
Un cadre partagé peut préciser les usages possibles, les informations à protéger, les vérifications attendues et les situations où signaler l’intervention de l’IA. Mais il demande aussi une posture managériale : peut-on parler d’un essai infructueux ? D’un doute ? D’un résultat séduisant qu’on ne comprend pas ?
Cette transparence aide à traiter les difficultés concrètes. Elle permet de distinguer une initiative utile, une erreur de bonne foi et un usage qui engage des risques non maîtrisés.
Que devient la coopération lorsque l’assistant répond avant le collègue ?
La réponse rapide peut libérer du temps. Nous proposons aussi de regarder ce que les échanges remplacés apportaient : transmission d’un savoir métier, découverte d’un autre point de vue, compréhension d’une contrainte ou entretien d’une relation de confiance.
L’enjeu consiste à choisir les échanges à préserver. Une équipe peut automatiser la préparation d’une réunion et conserver la discussion des désaccords. Elle peut accélérer une recherche tout en organisant un retour d’expérience collectif.
Quel usage de l’IA rend notre coopération plus féconde ? Cette question mérite une place dans le choix des outils et dans la conception des processus.
Quelle culture voulons-nous renforcer ?
Le modèle de Cameron et Quinn permet d’explorer quatre orientations : coopération, innovation, structuration et recherche de résultats. Appliqué à l’intégration de l’IA, il fournit des questions de travail. Les propositions suivantes constituent notre lecture appliquée à l’IA ; elles ne sont pas des résultats d’une étude du modèle CVF sur l’IA.
- Coopération : comment partager les apprentissages et maintenir l’entraide ?
- Innovation : quels essais autoriser, avec quelles limites et quels critères d’arrêt ?
- Structuration : quelles règles de validation sécurisent le travail sans le bloquer ?
- Résultats : comment évaluer l’utilité réelle plutôt que le nombre d’usages ?
Ces orientations peuvent coexister. Leur équilibre dépend du métier, des contraintes et du projet de l’entreprise. Un diagnostic culturel aide à rendre ces arbitrages explicites.
Qui conserve la responsabilité de décider ?
Une recommandation automatisée peut devenir une habitude, puis une réponse que personne ne questionne. Il faut donc préciser qui formule le problème, qui valide les hypothèses et qui assume la décision.
Les repères de Conscious Business de Fred Kofman — responsabilité, intégrité, humilité, communication et engagements — nourrissent cette réflexion. Fabien Sallé est formé au coaching Conscious Business. Chez AKCELI, cette approche peut enrichir le dialogue sur les comportements attendus et leur cohérence avec les valeurs annoncées.
Une question permet de tester cette cohérence : sommes-nous encore capables d’expliquer pourquoi nous décidons, y compris lorsque nous suivons une proposition de l’IA ?
Intégrer l’IA avec un cap organisationnel
Nous proposons de partir d’un problème de travail clairement défini, puis d’observer le fonctionnement actuel : responsabilités, compétences, coopération et règles implicites. Un périmètre d’expérimentation peut ensuite être choisi avec les équipes concernées.
L’évaluation devrait suivre plusieurs dimensions : qualité du service, temps consacré aux vérifications, apprentissage, charge de travail, coopération et capacité à décider. Les effets constatés permettent d’ajuster l’usage, son cadre ou son périmètre.
Notre choix de soutenabilité forte conduit également à questionner la nécessité de l’usage et ses conséquences sociales et environnementales. La pertinence d’une solution se construit avec ses bénéfices, ses coûts et ses limites.
Une transformation à accompagner
L’IA peut ouvrir des possibilités. Leur appropriation demande de relier outils, organisation et culture : écouter les inquiétudes, clarifier les engagements, travailler les règles et suivre les effets dans la durée.
AKCELI accompagne cette articulation à travers le conseil en organisation et l’analyse de la culture d’entreprise. Notre manifeste pour un usage responsable de l’IA précise notre orientation.
Avant votre prochain déploiement, quelle évolution souhaitez-vous vraiment : de vos outils, de vos pratiques, de votre culture ?
---
Sources et repères :
[1] Trist et Bamforth (1951), Some Social and Psychological Consequences of the Longwall Method of Coal-Getting, Human Relations. Article original.
[2] Zuboff, In the Age of the Smart Machine (1988). La distinction entre automatisation et développement par l’information est expliquée par l’autrice dans cet entretien publié par Harvard Business School.
[3] Orlikowski (1992), The Duality of Technology: Rethinking the Concept of Technology in Organizations, Organization Science. Article original.
[4] Lee et al. (2025), The Impact of Generative AI on Critical Thinking, CHI. Publication et accès au texte.
Repères complémentaires : modèle CVF de Cameron et Quinn ; Conscious Business de Fred Kofman. Les exemples et les questions d’accompagnement constituent des propositions AKCELI ; les situations illustratives sont fictives.
Une équipe produit ses comptes rendus plus vite. Un manager prépare ses décisions avec un assistant. Un collaborateur sollicite une IA avant de demander conseil à un collègue. Pris séparément, ces changements semblent pratiques. Ensemble, ils invitent à une question : que deviennent nos manières de penser, de décider et de travailler ensemble ?
Chez AKCELI, nous considérons que l’intégration de l’intelligence artificielle appelle un travail sur l’organisation et sa culture. Les gains attendus méritent d’être examinés avec les conditions qui permettent de les rendre utiles et durables.
Technologie et organisation : une question étudiée depuis longtemps
Dès 1951, Eric Trist et Ken Bamforth étudient les conséquences sociales et psychologiques d’une méthode mécanisée d’extraction du charbon. Leur recherche examine ensemble le contenu technique du travail et la structure du collectif. Ce jalon historique rappelle que les transformations techniques ont aussi une dimension humaine et organisationnelle.[1]
Avec l’informatisation, Shoshana Zuboff distingue deux orientations : automatiser pour substituer des opérations et réduire les coûts, ou utiliser l’information produite pour développer la compréhension et créer de la valeur. Cette distinction, associée à son ouvrage de 1988, éclaire encore les choix de déploiement actuels.[2]
En 1992, Wanda Orlikowski propose de dépasser l’opposition entre une technologie qui imposerait ses effets et une technologie qui serait seulement le résultat de choix humains. Son analyse invite à étudier leur interaction : les usages se construisent dans l’organisation et participent à son évolution.[3]
Interroger ce que la technologie change dans le travail repose donc sur un champ de recherche ancien. L’IA renouvelle les possibilités et les questions ; ses effets particuliers demandent encore à être étudiés.
Ce que l’IA remet aujourd’hui en discussion
L’IA générative intervient dans la production de textes, l’analyse et la formulation de propositions. Elle invite à examiner plusieurs dimensions du fonctionnement collectif :
- Les compétences : qu’apprend-on en produisant, en vérifiant ou en corrigeant une réponse ?
- Le pouvoir de décider : qui définit les critères et peut contester une recommandation ?
- La coopération : quels échanges disparaissent, apparaissent ou deviennent plus utiles ?
- Les normes de travail : qu’attend-on désormais en matière de rapidité, de qualité et de disponibilité ?
- La reconnaissance : comment apprécier une contribution lorsque sa production est assistée ?
- Le contrôle : quelles informations deviennent visibles, pour qui et dans quel but ?
Cette grille constitue notre proposition d’analyse. Elle prolonge les questions posées par les transformations technologiques sans supposer que toutes les organisations évolueront de la même façon.
Une étude publiée à CHI en 2025, menée auprès de 319 travailleurs du savoir, examine leurs expériences déclarées d’usage de l’IA générative. Une confiance plus élevée dans l’IA y est associée à un moindre exercice de la pensée critique. Les auteurs décrivent aussi un déplacement de cette activité vers la vérification et l’intégration des réponses.[4]
Il s’agit de déclarations d’usage et d’associations observées : cette étude ne démontre pas que l’IA provoque une perte générale des compétences. Elle justifie en revanche de regarder comment le travail intellectuel se transforme.
Produire mieux signifie-t-il comprendre mieux ?
Prenons une situation fictive : un chargé d’études remet une analyse particulièrement convaincante, préparée avec une IA. Lorsqu’un client interroge une hypothèse, il peine à expliquer le raisonnement ou à retrouver la source.
Le document est abouti. La capacité à défendre une décision demande encore du travail.
La question utile devient alors : comment l’usage de l’IA contribue-t-il à l’apprentissage ? Une équipe peut demander à chacun de vérifier les informations importantes, d’expliciter ses hypothèses et de présenter les limites de son analyse. Elle peut aussi réserver des temps de confrontation des raisonnements.
Ce qui compte pour l’organisation, c’est de pouvoir mobiliser une compréhension solide lorsque la situation change ou que l’outil se trompe.
Peut-on dire ouvertement comment on travaille ?
Dans certaines situations, utiliser une IA peut être perçu comme un manque de compétence. Dans d’autres, ne pas l’utiliser peut sembler archaïque. Ces deux attentes méritent d’être discutées avant qu’elles deviennent des règles implicites.
Un cadre partagé peut préciser les usages possibles, les informations à protéger, les vérifications attendues et les situations où signaler l’intervention de l’IA. Mais il demande aussi une posture managériale : peut-on parler d’un essai infructueux ? D’un doute ? D’un résultat séduisant qu’on ne comprend pas ?
Cette transparence aide à traiter les difficultés concrètes. Elle permet de distinguer une initiative utile, une erreur de bonne foi et un usage qui engage des risques non maîtrisés.
Que devient la coopération lorsque l’assistant répond avant le collègue ?
La réponse rapide peut libérer du temps. Nous proposons aussi de regarder ce que les échanges remplacés apportaient : transmission d’un savoir métier, découverte d’un autre point de vue, compréhension d’une contrainte ou entretien d’une relation de confiance.
L’enjeu consiste à choisir les échanges à préserver. Une équipe peut automatiser la préparation d’une réunion et conserver la discussion des désaccords. Elle peut accélérer une recherche tout en organisant un retour d’expérience collectif.
Quel usage de l’IA rend notre coopération plus féconde ? Cette question mérite une place dans le choix des outils et dans la conception des processus.
Quelle culture voulons-nous renforcer ?
Le modèle de Cameron et Quinn permet d’explorer quatre orientations : coopération, innovation, structuration et recherche de résultats. Appliqué à l’intégration de l’IA, il fournit des questions de travail. Les propositions suivantes constituent notre lecture appliquée à l’IA ; elles ne sont pas des résultats d’une étude du modèle CVF sur l’IA.
- Coopération : comment partager les apprentissages et maintenir l’entraide ?
- Innovation : quels essais autoriser, avec quelles limites et quels critères d’arrêt ?
- Structuration : quelles règles de validation sécurisent le travail sans le bloquer ?
- Résultats : comment évaluer l’utilité réelle plutôt que le nombre d’usages ?
Ces orientations peuvent coexister. Leur équilibre dépend du métier, des contraintes et du projet de l’entreprise. Un diagnostic culturel aide à rendre ces arbitrages explicites.
Qui conserve la responsabilité de décider ?
Une recommandation automatisée peut devenir une habitude, puis une réponse que personne ne questionne. Il faut donc préciser qui formule le problème, qui valide les hypothèses et qui assume la décision.
Les repères de Conscious Business de Fred Kofman — responsabilité, intégrité, humilité, communication et engagements — nourrissent cette réflexion. Fabien Sallé est formé au coaching Conscious Business. Chez AKCELI, cette approche peut enrichir le dialogue sur les comportements attendus et leur cohérence avec les valeurs annoncées.
Une question permet de tester cette cohérence : sommes-nous encore capables d’expliquer pourquoi nous décidons, y compris lorsque nous suivons une proposition de l’IA ?
Intégrer l’IA avec un cap organisationnel
Nous proposons de partir d’un problème de travail clairement défini, puis d’observer le fonctionnement actuel : responsabilités, compétences, coopération et règles implicites. Un périmètre d’expérimentation peut ensuite être choisi avec les équipes concernées.
L’évaluation devrait suivre plusieurs dimensions : qualité du service, temps consacré aux vérifications, apprentissage, charge de travail, coopération et capacité à décider. Les effets constatés permettent d’ajuster l’usage, son cadre ou son périmètre.
Notre choix de soutenabilité forte conduit également à questionner la nécessité de l’usage et ses conséquences sociales et environnementales. La pertinence d’une solution se construit avec ses bénéfices, ses coûts et ses limites.
Une transformation à accompagner
L’IA peut ouvrir des possibilités. Leur appropriation demande de relier outils, organisation et culture : écouter les inquiétudes, clarifier les engagements, travailler les règles et suivre les effets dans la durée.
AKCELI accompagne cette articulation à travers le conseil en organisation et l’analyse de la culture d’entreprise. Notre manifeste pour un usage responsable de l’IA précise notre orientation.
Avant votre prochain déploiement, quelle évolution souhaitez-vous vraiment : de vos outils, de vos pratiques, de votre culture ?
---
Sources et repères :
[1] Trist et Bamforth (1951), Some Social and Psychological Consequences of the Longwall Method of Coal-Getting, Human Relations. Article original.
[2] Zuboff, In the Age of the Smart Machine (1988). La distinction entre automatisation et développement par l’information est expliquée par l’autrice dans cet entretien publié par Harvard Business School.
[3] Orlikowski (1992), The Duality of Technology: Rethinking the Concept of Technology in Organizations, Organization Science. Article original.
[4] Lee et al. (2025), The Impact of Generative AI on Critical Thinking, CHI. Publication et accès au texte.
Repères complémentaires : modèle CVF de Cameron et Quinn ; Conscious Business de Fred Kofman. Les exemples et les questions d’accompagnement constituent des propositions AKCELI ; les situations illustratives sont fictives.
Commencez à écrire ici ...