L’efficacité fondée sur l’IA permet de récupérer du temps. Si la recherche, l’organisation, la comparaison ou la rédaction demandent moins de temps, une partie du temps auparavant mobilisé par ces activités devient disponible. Cette évolution est généralement comprise comme une hausse de la productivité, puisqu’il devient possible de produire davantage dans le même temps ou d’obtenir le même résultat en moins de temps. Mais il existe un problème que les seuls indicateurs d’efficacité ne permettent pas de trancher : qui utilise le temps créé par cette réduction, et à quelles fins ? Si le temps récupéré est automatiquement consacré au processus suivant, l’efficacité accroît la capacité de traitement, sans nécessairement augmenter la marge permettant aux humains de modifier leur jugement.
Pour examiner ce problème, il faut distinguer la marge du simple « temps inutilisé ». Le travail comporte des éléments qui ne peuvent pas être entièrement prévus au départ. Une mauvaise compréhension des spécifications, des informations manquantes, l’évolution des conditions extérieures, des erreurs découvertes lors de la vérification et des différences de compréhension entre les parties prenantes ne peuvent pas toujours être toutes énumérées au moment de la planification. Si le temps prévu est entièrement occupé par les tâches actuellement connues, aucune ressource n’est disponible lorsqu’un événement inattendu survient. La marge peut donc être comprise non comme du temps restant parce qu’il n’a pas d’usage actuel, mais comme du temps préservé dont l’usage reste ouvert à l’incertitude future.
Le fait de donner rapidement une forme aux éléments importants a pour effet de créer cette marge. Le but n’est pas simplement de terminer avant l’échéance. En abordant d’abord les parties difficiles, on peut vérifier rapidement si l’estimation initiale était raisonnable. Si l’on découvre que le travail ne peut pas avancer comme prévu, plusieurs options restent ouvertes : modifier les spécifications, demander des informations supplémentaires, changer de méthode ou renégocier le délai avec les parties concernées. L’avancement précoce doit être compris moins comme une amélioration de notre capacité à prévoir précisément l’avenir que comme une structure permettant de découvrir plus tôt que notre prévision était erronée.
Lorsque cette structure est reliée à l’IA, le sens de la rapidité change également. La valeur d’une IA capable de produire rapidement une première proposition ne se limite pas à augmenter le nombre de résultats par unité de temps. Si les éléments importants sont concrétisés tôt, les humains peuvent observer des problèmes qui étaient invisibles au stade de la planification abstraite. Une prémisse erronée, une condition manquante, un conflit entre plusieurs valeurs ou un écart entre le livrable attendu et la sortie réelle peuvent apparaître tôt. La rapidité de l’IA sert alors à découvrir l’incertitude en amont. Si le temps restant peut être conservé, les humains gardent des possibilités d’action face à ce qui a été découvert.
Cependant, cet effet disparaît lorsque le temps créé par l’efficacité est automatiquement réaffecté à une production supplémentaire. Une première version arrive un jour plus tôt, alors plusieurs versions supplémentaires sont produites. La recherche se termine plus tôt, alors le périmètre est élargi. La vérification est raccourcie, alors un autre projet est ajouté dans le même délai. De telles réaffectations peuvent être rationnelles lorsque la valeur de la production supplémentaire est élevée. Mais lorsqu’elles deviennent habituelles, la marge créée par l’IA est consommée dès qu’elle apparaît, et le temps consacré à modifier le plan ou à le reconsidérer redevient rare. L’efficacité locale efface alors précisément la capacité de révision que le gain d’efficacité aurait pu rendre possible.
Cela montre que la marge est une question d’allocation. Dans une organisation, le temps créé par l’efficacité peut être réorienté vers des objectifs de production supplémentaires. Une personne peut commencer un nouveau travail, vérifier le travail en cours ou consacrer ce temps au repos. Dans la collaboration avec l’IA, cependant, plus le coût de la génération et de l’exploration continues diminue, plus le fait que « l’on peut encore traiter davantage » se transforme facilement en norme selon laquelle « il faut encore traiter davantage ». La capacité restante et l’obligation de l’utiliser maintenant ne sont pas la même chose. Si l’autorité de décider de l’usage de la marge est elle aussi abandonnée à la logique de l’automatisation, les humains peuvent bénéficier de l’efficacité tout en perdant la capacité de choisir comment ses bénéfices sont utilisés.
La marge dans la collaboration entre humains et IA peut donc être comprise comme une partie de la capacité de décision. Modifier un jugement demande du temps. Examiner une objection, effectuer une vérification supplémentaire ou revenir sur une orientation déjà choisie demande également du temps. Si tout le temps est entièrement affecté, les humains peuvent conserver formellement le pouvoir de décision final tout en ayant, en pratique, peu d’options autres que d’approuver la trajectoire établie. S’il reste du temps non consommé, ils peuvent encore formuler une objection, revenir à la question et modifier les conditions après avoir reçu le résultat de l’IA. La marge soutient non seulement la liberté avant une décision, mais aussi la liberté de refaire une décision.
Cette perspective exige également de modifier la manière dont l’efficacité est évaluée. La réduction du temps de traitement, la baisse des coûts et l’augmentation du nombre de résultats restent importantes, mais elles ne permettent pas de mesurer à quel point un système de collaboration est devenu plus résilient au changement. Supposons que deux systèmes produisent le même livrable avec deux jours d’avance. L’un remplit immédiatement ces deux jours par un autre travail ; l’autre en conserve une partie comme temps de réserve jusqu’à la fin d’une vérification critique. Dans des conditions ordinaires, le premier peut sembler produire davantage. Mais si une erreur majeure dans une prémisse est découverte plus tard, le second dispose encore de possibilités de correction. Le choix dépend de la nature du travail et de son degré d’incertitude.
La marge n’est pas toujours préférable simplement parce qu’elle est plus importante. Un temps de réserve excessif peut retarder un travail nécessaire. Dans des processus stables et peu sujets au changement, un taux d’utilisation élevé peut être plus rationnel que le maintien d’une grande marge. La question n’est donc pas de savoir s’il faut maximiser l’efficacité ou la marge. Il s’agit de déterminer quelle quantité de marge préserver compte tenu de l’incertitude, des conséquences d’un échec, du temps nécessaire au changement et de la nécessité de rendre le jugement aux humains. La marge n’est pas un bien inconditionnel ; c’est une ressource dont la valeur apparaît lorsque la possibilité de changer est nécessaire.
Appliquée à la conception de Sai＊aus, cette perspective rend important le fait de ne pas réinjecter nécessairement tout le gain obtenu grâce à l’accélération de l’IA dans une génération supplémentaire. L’IA peut montrer rapidement une structure, permettant aux humains de découvrir rapidement les problèmes. S’il n’y a pas de problème, le traitement peut continuer ; si un écart apparaît, le temps restant peut servir à vérifier les prémisses, changer de direction et, si nécessaire, contester la proposition de l’IA elle-même. Ici, la rapidité de l’IA n’est pas utilisée pour remplacer le jugement humain, mais pour prolonger vers l’avant la période pendant laquelle les humains peuvent modifier ce jugement. C’est une conception qui transforme la rapidité non seulement en traitement supplémentaire, mais aussi en capacité de révision.
Cette différence ne peut pas s’expliquer seulement par la présence ou l’absence de certaines fonctions d’une IA. La génération rapide, l’organisation de l’information, la comparaison et l’aide à la reconsidération peuvent être réalisées par de nombreux types d’IA. La différence apparaît dans ce que l’on conçoit que le temps créé par ces capacités doit servir. Une conception peut réinjecter tout surplus dans une optimisation supplémentaire ; une autre peut en réserver une partie à la vérification humaine, à l’objection, au report et au retrait. Sai＊aus insiste sur le fait de ne pas faire de la capacité de l’IA à traiter davantage une fin en soi, mais d’organiser à la fois les capacités utilisées et non utilisées afin que les humains restent les sujets de la compréhension et du jugement.
À qui revient la marge créée par l’efficacité ? Il n’existe pas de ratio universel unique d’allocation. Mais le simple fait que l’IA ait raccourci une tâche n’implique pas que le temps économisé doive être réinvesti dans l’IA ou dans des tâches supplémentaires. Le temps non consommé est aussi une capacité à répondre à des possibilités qui ne se sont pas encore produites : échec, changement, objection et retrait. Réfléchir à l’efficacité à l’ère de l’IA exige donc de considérer non seulement les ressources utilisées, mais aussi celles qui sont délibérément laissées disponibles pour le moment où elles seront nécessaires. Demander qui répartit cette marge et pour la capacité de jugement de qui elle est préservée fait passer la collaboration humain-IA de la simple accélération à une question de conception.
Pas des réponses. De la compréhension.