IA et compétences : élargir les responsabilités sans fabriquer de faux experts

Un collaborateur peut désormais produire une analyse commerciale, une note financière ou un prototype sans avoir exercé le métier correspondant. Le document arrive vite. Il est structuré. Son vocabulaire paraît juste.

Pour une direction, la tentation est immédiate : supprimer une dépendance, élargir un poste, raccourcir un circuit. C’est parfois une excellente décision. Mais la qualité apparente du livrable ne permet pas, à elle seule, de savoir si son auteur maîtrise le travail.

La question n’est donc pas seulement de savoir ce que l’IA peut générer. Elle est de déterminer quelles responsabilités une personne peut réellement prendre avec son aide.

La proximité avec le métier reste déterminante

Une recherche présentée par Harvard Business School le 16 mars 2026 éclaire cette distinction. Dans une étude menée auprès de 78 salariés d’IG Group, des spécialistes du marketing et de la technologie ont utilisé l’IA pour préparer et rédiger des articles habituellement produits par des analystes web.

Pour organiser les idées, les groupes obtenaient des résultats comparables. Pour rédiger, les spécialistes du marketing se rapprochaient des analystes, tandis que les profils techniques restaient en retrait. Les chercheurs mettent en avant la distance entre les compétences initiales et celles nécessaires à la tâche. Ces résultats portent sur ce travail de rédaction, pas sur tous les métiers. [1]

L’enseignement pour le dirigeant est une hypothèse à tester dans son organisation : l’IA peut faciliter une extension vers un domaine voisin sans rendre toutes les expertises interchangeables.

Distinguer production et responsabilité

Un résultat peut être bien présenté tout en reposant sur une hypothèse inadaptée. Savoir produire une synthèse ne signifie pas savoir reconnaître l’information qui manque. Savoir demander une comparaison ne signifie pas savoir choisir les critères décisifs.

Prenons un scénario illustratif. Un responsable commercial utilise l’IA pour analyser les remises accordées et proposer une nouvelle politique tarifaire. Sa connaissance des clients et des négociations lui permet de repérer des incohérences que le modèle ne verra pas nécessairement. Son périmètre peut utilement s’élargir.

Mais une recommandation de prix touche aussi la marge, la capacité de livraison et les engagements déjà pris. Le passage à l’action nécessite de confronter son analyse aux personnes qui maîtrisent ces contraintes. L’IA a accéléré une contribution ; elle n’a pas supprimé les interfaces entre métiers.

La bonne organisation distingue donc celui qui prépare, celui qui vérifie les points critiques et celui qui décide. Ces rôles peuvent être réunis lorsque la compétence est démontrée. Ils ne devraient pas l’être simplement parce que le livrable semble professionnel.

Redessiner les postes à partir des tâches voisines

Plutôt que demander quels postes remplacer, commencer par les extensions de compétences plausibles.

Un responsable des opérations peut formaliser les règles d’un outil interne parce qu’il connaît les exceptions du processus. Un professionnel du marketing peut approfondir une analyse de clientèle parce qu’il comprend déjà la segmentation. Un dirigeant peut explorer plusieurs scénarios économiques parce qu’il sait quels arbitrages comptent pour son entreprise.

Ces exemples ne prouvent pas une autonomie complète. Ils donnent des points de départ pour des essais encadrés : une tâche précise, des données autorisées, un résultat attendu et une personne capable d’en apprécier la qualité.

À l’inverse, confier immédiatement un domaine éloigné à quelqu’un qui ne peut pas détecter les erreurs crée une dépendance invisible. Le travail paraît internalisé, mais l’entreprise ne possède pas encore la compétence nécessaire pour le contrôler.

Évaluer le raisonnement autant que le livrable

Un test utile ne consiste pas seulement à noter le document final. Il doit aussi montrer comment son auteur réagit lorsque le dossier change.

Peut-il expliquer ses hypothèses ? Identifier un cas où sa méthode ne convient plus ? Justifier une correction sans simplement demander une nouvelle réponse au modèle ? Reconnaître le moment où un expert doit intervenir ?

Sur un cas représentatif, faire varier une contrainte importante permet de distinguer une compréhension réelle d’une reproduction convaincante. Une remise exceptionnelle, une donnée contradictoire ou une capacité indisponible peuvent suffire à révéler la différence.

Cette évaluation n’a pas pour objectif de réserver le travail aux spécialistes historiques. Elle sert à élargir les responsabilités sur des preuves, puis à réduire progressivement les contrôles devenus inutiles.

Construire une progression plutôt qu’une autonomie de façade

Le premier palier peut être la préparation d’un dossier sous revue. Le suivant, la prise en charge de cas courants avec des critères d’escalade explicites. L’autonomie plus large vient ensuite, lorsque la personne sait traiter les variations et reconnaître ses limites.

Cette progression réclame des retours sur des situations réelles. Une démonstration réussie ou une formation aux fonctionnalités ne remplace pas l’apprentissage des exceptions, des conséquences et des arbitrages propres à l’entreprise. C’est notamment un enjeu du coaching IA pour dirigeants : travailler l’usage dans son périmètre de responsabilité.

Le bénéfice économique doit lui aussi rester concret : moins d’attente entre services, davantage de dossiers correctement traités, moins de reprises. Un volume de documents accru ne suffit pas à démontrer un progrès, comme le rappelle la distinction entre temps gagné et économies réalisées.

L’IA peut déplacer les frontières d’un poste. La responsabilité du dirigeant est de décider jusqu’où, sur quelles preuves et avec quels appuis.