Intelligence artificielle et performance: éléments pour une lecture critique

Intelligence artificielle et performance : éléments pour une lecture critique
L'essor de l'intelligence artificielle dans les organisations alimente à la fois promesses et inquiétudes, cristallisées dans une interrogation récurrente : faut-il avoir peur de l'IA ? Cette communication défend l'idée que cette question est en partie mal posée. L'enjeu n'est pas tant de savoir si l'IA constitue une menace ou une opportunité, mais de comprendre dans quelles conditions elle peut devenir capacitante, entendue comme une technologie qui renforce durablement les capacités d'action des individus et des organisations et, partant, leur performance (Nitsch et al., 2024 ; Zheng & Stahl, 2011).
À partir de cette perspective, cette intervention propose d'examiner les transformations induites par l'IA à trois niveaux (individuel, organisationnel et sociétal) afin d'en éclairer les tensions et les arbitrages en matière de performance.
À l'échelle individuelle, l'IA reconfigure en profondeur l'expérience du travail. Si elle promet un allègement de certaines tâches et un gain de performance opérationnelle, elle génère simultanément de nouvelles formes de charge mentale. En effet, le fait de nous débarrasser des tâches chronophages et à faible valeur ajoutée induit que notre travail s’apparente désormais à une suite de situations complexes ou hors normes à gérer, ce qui implique un degré de mobilisation de l’expertise mais aussi concentration beaucoup plus élevé et intense. Par ailleurs, le recours croissant à l’IA interroge l'évolution des métiers : augmentation, substitution, dégradation ou recomposition des compétences ? La qualité de la collaboration homme-machine demeure incertaine (Bingley et al., 2023), tandis que le risque de standardisation des informations produites comme des profils professionnels invite à anticiper dès aujourd'hui les compétences de demain, condition d'une performance individuelle durable.
Ces dynamiques prennent un relief particulier à l'échelle organisationnelle. Les gains de productivité associés à l'IA se révèlent souvent inégalement distribués, fragilisant leur traduction en performance collective. En effet, même s un individu lambda mobilise l’IA pour la réalisation d’une partie de ses tâches, qui sera dès lors plus rapide et efficiente, ce n’est pas pour autant que les collègues en amont ou en aval en font autant (tout le ode ne mobilise pas l’IA partout tout le temps) et les gains de performance individuelle se transforment en goulots d’étranglement au niveau du processus à l’échelle collective. L'implémentation de ces technologies bouscule les modes d'organisation et impose un rythme d'évolution difficile à absorber au niveau de l’organisation prise comme ensemble. Par ailleurs, le phénomène de « shadow AI », ces usages informels qui se développent en marge des stratégies officielles, témoigne d'une tension entre innovation de terrain et pilotage institutionnel, tout en invitant à repenser les dispositifs de mesure et d'évaluation de la performance (Kellogg et al., 2020). Le shadow AI est en effet une réponse individuelle à la quête du toujours plus vite, toujours mieux, qui s’impose aux individus. Cela provoque des dégâts dans la cohésion d’équipe et des disparités dans la performance collective.
Ces dynamiques organisationnelles s'inscrivent elles-mêmes dans des enjeux plus larges, et interrogent directement les conditions d'une performance durable (Jaharri et al., 2021). L'empreinte environnementale des infrastructures numériques questionne la soutenabilité réelle de ces technologies. En effet, les besoins en eau et en énergie sont considérables et il s’agit d’arbitrer le bien-fondé et la pertinence du recours à l’IA pour des requêtes parfois futiles. Les conditions de travail des travailleurs du clic (Gray & Suri, 2019 ; Cassili, 2025), invisibles mais indispensables, rappellent que l'IA repose sur des chaînes humaines souvent précaires, un angle mort de toute évaluation sérieuse de la performance globale. S'y ajoutent toute une série d’autres risques, déjà bien documentés par la littérature, mais auxquels la société peine à apporter des réponses concrètes : risques de biais algorithmiques, de discrimination, de désinformation, ainsi que les enjeux de sécurité et de confidentialité des données. L'IA contribue également à des dynamiques de polarisation des emplois et d'inégalités concurrentielles qui appellent des réponses régulatoires adaptées, sans quoi la performance systémique reste hors de portée.
Dès lors, il ne s'agit plus d'opposer menace et opportunité, mais d'identifier collectivement les conditions qui permettent à l'IA de devenir véritablement capacitante. Cela implique de dépasser une lecture strictement techniciste pour envisager une IA au service d'une performance plurielle, à la fois innovante, soutenable et socialement équitable.