L'IA pour les leaders : les questions qui comptent vraiment (et ce ne sont pas des “prompts”)
Par Sophie Makonnen
J’ai récemment écrit sur les limites de l’IA en matière de leadership, mettant en évidence l’importance persistante de votre discernement et de votre expérience professionnelle, alors que l’IA devient un enjeu crucial dans le monde du travail.
Les enjeux sont bien réels. Le PDG américain de PwC a récemment affirmé que ceux qui résistent à l’IA n’ont pas leur place au sein de l’organisation. Selon lui, toute personne qui croit pouvoir s’en soustraire « ne sera pas là très longtemps ». Pourtant, dans la même intervention, il reconnaît que le simple suivi de l’utilisation de l’IA n’est d’aucune utilité. Autrement dit, il ne s’agit pas de simplement utiliser l’IA, mais de bien l’utiliser. L'IA doit créer une réelle valeur ajoutée dans votre travail, au-delà de ce que les indicateurs de performance peuvent mesurer. Une étude récente sur l’usage de l’IA dans des simulations à forts enjeux le formule ainsi: « Les leaders humains agissent avec le poids de la mémoire historique et de la prudence éthique. Les modèles d’IA, eux, sont uniquement orientés vers l’atteinte d’un objectif. » Cette distinction est déterminante, que vous soyez en train de gérer une crise géopolitique ou de préparer un dossier d’affaires.
Une étude menée conjointement par KPMG et l’Université du Texas à Austin , à fait l’analyse de plus de 1,4 million d’interactions avec l’IA auprès de 2 500 employé·e·s. Celle-ci révèle qu’à peine 5 % des personnes utilisant l’IA peuvent être qualifiées d’en faire un usage sophistiqué. Fait étonnant : ce sont les personnes plus expérimentées et non les plus juniors qui se démarquent dans cette catégorie. Être à l’aise avec l’outil n’est pas la même chose que d’en faire un usage sophistiqué.
Qu’est-ce qui distingue ces utilisateurs et utilisatrices ? L’étude met en lumière quatre comportements récurrents. D’abord, considérer l’IA comme un partenaire de raisonnement plutôt que comme une simple machine à réponses. Ensuite, remettre en question les résultats, les affiner, itérer au lieu d’accepter la première proposition. Troisièmement, déléguer des tâches complexes en plusieurs étapes, avec des objectifs et des contraintes clairement définis. Enfin, mobiliser l’IA dans une diversité de contextes de travail, en choisissant délibérément les plateformes les plus adaptées selon la tâche. En somme, ces personnes ne prennent pas le contenu généré pour acquis : elles poursuivent le dialogue et approfondissent l’analyse.
C’est précisément ce que je soulignais dans Leadership et l’IA : ce qui ne change pas non pas en m’appuyant sur une étude (je ne suis pas KPMG 😊), mais sur ma propre expérience d’utilisation. Ce constat s’est accompagné également d’une certaine exaspération. Comme le souligne John Winsor dans la revue HBR, l'IA a engendré une crise de faux·fausse expert·e·s. Du contenu soigné, de la pensée creuse. Pouvoir générer un rapport bien tourné ne fait pas de vous un·e expert·e dans un domaine que vous ne connaissez pas. Voila le piège, avoir l’air compétent·e dans un domaine que vous connaissez peu. Par contre pour ceux et celles d’entre vous qui maitrisez le sujet, l’IA est un outil puissant pour appuyer et approfondir l’application de vos connaissances.
Alors, concrètement, à quoi cela ressemble un usage sophistiqué ? Que vous soyez en phase d’exploration ou déjà dans des usages plus avancés, les six catégories de questions qui suivent, inspirées de travaux publiés dans Harvard Business Review, peuvent enrichir votre pratique et faire de l’IA un véritable levier pour votre réflexion et non pas un outil de remplacement. On a dépassé l’art de maitriser les requêtes.
1. Exploratoire : que savons-nous ?
Dans cette catégorie, l’IA sert à clarifier la situation avant de se faire une idée. Que dit la recherche ? Quelles sont les positions reconnues sur le sujet ? Qu’est-ce qui a déjà été essayé ?
Questions à explorer :
Quels sont les principaux arguments pour et contre cette approche ?
Que disent les données probantes sur cet enjeu ?
Qu’est-ce que je pourrais négliger dans ma façon de poser le problème ?
-
Une propriétaire de petite entreprise doit rédiger une politique de confidentialité pour son site Web. Avant de consulter un·e conseiller·ère juridique, elle utilise l’IA pour faire le point : quelles sont les règles applicables, que doit contenir une politique adaptée à une entreprise de sa taille, et quelles pratiques sont en place dans son secteur. Elle obtient rapidement une vue d’ensemble et une première version solide. Lorsqu’elle fait appel à un·e conseiller·ère juridique pour la révision, elle arrive préparée, avec des questions précises plutôt qu’une page blanche. L’échange est plus court, plus ciblé et beaucoup plus efficace.
2. Pistes alternatives : comment pourrait-on y arriver autrement ?
Ici, l’IA sert à remettre en question vos hypothèses et à envisager des avenues que vous n’auriez pas spontanément considérées. L’objectif n’est pas d’accumuler des options dans le cadre actuel, mais bien de questionner ce cadre lui-même.
Questions à explorer
Quelle serait une manière complètement différente d’aborder ce problème ?
Quelles hypothèses suis-je en train de tenir pour acquises sans les remettre en question ?
À quoi ressemblerait une solution vraiment non conventionnelle dans ce contexte ?
-
Une gestionnaire de programme apprend qu’une réduction budgétaire importante touchera un projet en cours de réalisation. Un usage classique de l’IA consisterait à lui demander d’identifier où réduire les coûts en limitant les impacts, ce qui constitue un point de départ utile et légitime. Mais elle va plus loin. Elle demande à l’IA de proposer des réponses moins conventionnelles à ce type de situation, en s’inspirant de ce que d’autres organisations ont mis en place dans des contextes comparables. L’IA fait émerger un modèle de réalisation conjointe avec un organisme partenaire auquel elle n’avait pas pensé, une approche par phases permettant de débloquer du financement additionnel à partir de résultats initiaux, ainsi qu’une redéfinition de la portée du projet qui préserve les résultats essentiels à moindre coût. Aucune de ces pistes ne figurait dans sa réflexion de départ. Elle ne les adopte pas telles quelles, mais deux d’entre elles ouvrent des voies qu’elle décide d’explorer. L’exercice ne lui fournit pas une réponse toute faite : il transforme la question.
3. Passage à l’action : que faut-il pour concrétiser ?
Une fois une orientation choisie, la question devient la suivante : est-ce réalisable ? L’IA peut alors vous aider à structurer la mise en œuvre : les étapes à franchir, les personnes à mobiliser, l’enchaînement des actions et les obstacles possibles, avant qu’ils ne deviennent des imprévus.
Questions à explorer
Quelles actions concrètes doivent être posées pour mettre cela en œuvre ?
Qui doit être impliqué·e, et à quel moment ?
Quels sont les obstacles les plus probables, et comment ont-ils été gérés ailleurs ?
-
Une cheffe d’équipe perd deux membres clés en peu de temps. Elle a déjà arrêté une approche de réorganisation. Reste à la mettre en œuvre. Elle utilise l’IA pour structurer les étapes concrètes : quoi communiquer, à qui et dans quel ordre, quel échéancier est réaliste, où se situent les principaux risques de perturbation et comment d’autres responsables ont mené des transitions similaires sans perdre leur élan. L’IA l’aide à bâtir un plan d’action séquencé. Mais elle connaît son équipe, les sensibilités, les dynamiques implicites et le bon moment pour certaines conversations. Aucun plan ne peut saisir cela. Elle passe à l’action avec une feuille de route claire, sans renoncer à son jugement.
4. Réflexion : qu’avons-nous appris et comment s’améliorer ?
Ici, il s’agit de prendre du recul et de donner du sens à ce que l’IA a produit. Avoir de l’information ne suffit pas. La véritable question est la suivante : qu’est-ce que cela signifie dans votre contexte précis ?
Questions à explorer :
Qu’est-ce que cela m’apprend que je ne savais pas déjà ?
En quoi cela confirme ou remet en question ma manière de voir les choses ?
Quel est l’élément le plus important à retenir pour ma situation ?
-
Une coordonnatrice de programme a soumis une proposition à deux reprises et a reçu des commentaires vagues chaque fois. Elle demande à l’IA d’analyser son document afin d’identifier les points faibles, les failles dans le raisonnement ou les préoccupations légitimes que la direction pourrait avoir. L’IA met en lumière trois angles qu’elle n’avait pas envisagés, dont une faiblesse dans la présentation de la justification budgétaire. Elle ne retient pas tout ce qui est proposé, mais cela transforme sa façon de relire son propre travail. Et cela suffit pour aborder la suite autrement.
5. Subjectif : qu’est-ce qui n’est pas dit ?
Cette catégorie vise à faire émerger ce que l’IA ne peut pas voir : les dynamiques humaines, les réalités politiques, les tensions implicites qui influencent concrètement la réussite d’une initiative. L’IA n’y a pas accès. Vous, oui.
Questions à explorer:
Qui risque de s’y opposer, et pour quelles raisons ?
Qu’est-ce qui n’est pas exprimé ouvertement et pourrait faire dérailler l’initiative ?
Quels intérêts sont en jeu sans apparaître clairement dans le document ?
-
une cheffe d’équipe doit mettre en place un nouveau processus de reddition de comptes imposé par la haute direction. Sur le papier, tout semble simple. En pratique, elle sait que son équipe est déjà sous pression, qu’un·e membre s’est montré·e sensible aux enjeux de microgestion et qu’une partie prenante clé, à l’extérieur de son équipe, risque de résister à la charge administrative supplémentaire. Elle demande à l’IA de l’aider à structurer un plan de communication et de mise en œuvre. La proposition générée est claire et logique. Mais aucune de ces dynamiques n’y apparaît, parce qu’elle ne les a pas formulées. L’intérêt de cette démarche est précisément là : se rappeler de les intégrer. Les questions que l’IA ne pose pas sont souvent celles qui déterminent si une initiative prend réellement forme.
6. Évaluation : quelle est la valeur de ce qui a été produit ?
Ici, il s’agit de prendre du recul pour juger de la qualité et de la pertinence de ce que l’IA a généré, avant d’en faire quoi que ce soit. C’est la catégorie la plus directement liée à l’idée du mur de l’IA.
Questions à explorer:
Est-ce que cela reflète la réalité de mon contexte ou est-ce trop générique ?
Qu’est-ce qui manque, semble simplifié à l’excès ou pourrait être inexact ?
Une personne experte du sujet jugerait-elle cela crédible ?
-
une gestionnaire prépare un rapport à partir de données accessibles au public. Elle utilise l’IA pour rassembler l’information, dégager des tendances et structurer son analyse. Une première version en main, elle ne s’arrête pas là. Elle la soumet à une autre plateforme d’IA en lui demandant de remettre en question l’analyse, de relever les arguments fragiles, de signaler les conclusions non étayées et d’identifier tout élément qui ne tient pas la route. Elle partage aussi le document avec un·e collègue de confiance qui connaît bien le sujet. L’objectif n’est pas d’obtenir une version parfaite, mais de la mettre à l’épreuve avant qu’elle ne soit présentée à un public exigeant. Évaluer ce que produit l’IA n’est pas une étape finale. C’est un réflexe à développer.
L’IA évolue rapidement. Notre façon de travailler avec elle doit évoluer tout aussi vite. Et pour toute personne qui prend sa carrière et son travail au sérieux, cette évolution ne concerne pas uniquement la technologie. Elle touche aussi la pensée critique et la curiosité.
Je vais admettre quelque chose. Il m’arrive d’avoir l’impression de tricher en utilisant l’IA. Comme si le travail n’était pas vraiment le mien. Comme si cela me rendait, d’une certaine manière, moins légitime.
Puis je repense à un projet récent où j’ai largement utilisé l’IA pour rassembler des données provenant de sources multiples, les analyser et les structurer. Cela m’a permis de dégager une vue d’ensemble, de repérer des tendances et de rédiger certaines sections du document. Un travail qui m’aurait pris plusieurs jours seul·e. Ce que l’IA ne pouvait pas faire, en revanche, c’était déterminer ce qui importait vraiment, remettre en question ce qui ne tenait pas, approfondir le raisonnement ou s’assurer que le résultat final reflétait la réalité telle que je la comprends par expérience.
L’IA n’a pas remplacé ma réflexion. Elle l’a libérée. Lorsque la collecte, la mise en forme et l’organisation sont prises en charge, votre énergie se déplace ailleurs. Vers les idées elles-mêmes. Vers le fil de pensée. Vers le fait de s’arrêter, relire, questionner, affiner. C’est là que se fait le véritable travail. Et cela vous appartient entièrement.
Vous avez aimé cet article? Partagez-le avec quelqu’un·e à qui cela pourrait être utile.