Diriger avec l’IA : décider sans attendre la certitude

Une PME envisage de lancer une nouvelle offre. Les premiers échanges avec des clients sont encourageants. L’équipe connaît approximativement ses coûts, observe quelques évolutions favorables sur son marché et identifie un besoin qui semble réel.

Mais une information essentielle manque : personne ne sait encore quelle sera la demande effective.

Cet exemple est fictif, mais la situation est ordinaire. Une entreprise doit régulièrement choisir avant de disposer de toutes les données qu’elle souhaiterait avoir. Attendre peut permettre de réduire certaines incertitudes. Attendre davantage peut aussi retarder l’apprentissage, augmenter le coût d’opportunité ou faire disparaître des options.

Le problème stratégique n’est donc pas de supprimer toute incertitude avant d’agir. Il consiste à déterminer ce qu’il faut raisonnablement savoir pour engager une action, ce qui doit impérativement être vérifié et ce que l’on accepte d’apprendre en avançant.

Dans un précédent article consacré à l’appropriation de l’IA par les dirigeants, nous avons vu que la pratique personnelle pouvait aider à mieux apprécier ses contributions, ses limites et les vérifications nécessaires. L’étape suivante est collective : organiser ces contributions autour d’une décision réelle.

Décider dans l’incertitude ne signifie pas décider à l’aveugle

Reprenons notre PME.

Elle pourrait reporter le lancement jusqu’à disposer de davantage d’études, de retours commerciaux et de données concurrentielles. Cette attente peut être parfaitement rationnelle si elle répond à une question précise : quelle information manque réellement ? Qui doit l’obtenir ? À quelle échéance ? Et en quoi sa réponse pourrait-elle modifier la décision ?

À l’inverse, repousser indéfiniment un choix dans l’espoir d’atteindre une certitude inaccessible ne produit pas nécessairement une meilleure décision.

La rigueur ne consiste pas à tout savoir. Elle consiste à distinguer ce qui est connu, ce qui reste hypothétique et ce qui doit être suffisamment fiable avant d’engager l’entreprise.

Cette distinction devient particulièrement importante avec l’IA générative. Sa capacité à produire rapidement une réponse cohérente peut donner une impression de complétude là où subsistent pourtant des hypothèses, des informations manquantes ou des erreurs factuelles.

Une réponse plausible n’est pas une probabilité de vérité.

Une incertitude commerciale légitime ne justifie donc jamais un chiffre inventé, une référence inexistante ou une donnée dont personne ne connaît l’origine.

Incertitude, probabilité et fiabilité ne désignent pas la même chose

Trois notions sont souvent rapprochées alors qu’elles appellent des traitements différents.

Notion	Exemple	Conséquence pratique
Incertitude du monde	Les clients adopteront-ils réellement cette nouvelle offre ?	Explorer plusieurs scénarios et recueillir des observations.
Probabilité estimée	Une prévision fondée sur certaines données et une méthode explicite.	Examiner les hypothèses, la méthode et ses limites.
Fiabilité d’une contribution	Le chiffre, le fait ou la référence fournis par une IA sont-ils exacts ?	Vérifier les éléments déterminants pour la décision.

La météo fournit une analogie utile, à condition de ne pas la pousser trop loin. Les prévisions d’ensemble du Centre européen pour les prévisions météorologiques à moyen terme examinent plusieurs évolutions possibles afin de mieux caractériser l’incertitude. Une dispersion plus importante entre les prévisions indique une incertitude plus forte.

Le principe est intéressant pour le dirigeant : plusieurs futurs peuvent rester possibles sans que toute analyse devienne inutile.

Mais plusieurs réponses produites par un chatbot ne constituent pas pour autant l’équivalent d’un ensemble météorologique validé. Des modèles peuvent s’appuyer sur des informations proches, reproduire les mêmes erreurs ou simplement reformuler une même hypothèse. Leur accord n’est pas une preuve indépendante.

La question utile n’est donc pas : « Combien d’IA sont d’accord ? » Elle est plutôt : sur quelles informations cette conclusion repose-t-elle, et lesquelles avons-nous réellement vérifiées ?

La contradiction doit pouvoir changer la décision

L’IA peut jouer un rôle utile dans cette phase. Elle peut faire apparaître une hypothèse implicite, développer une option négligée, formuler une objection ou rapprocher des informations dispersées.

Mais lui demander simplement de « contredire » une proposition ne suffit pas.

Une contradiction utile doit rencontrer le réel.

Dans notre exemple, l’IA peut suggérer plusieurs modalités de lancement : déploiement complet, offre limitée à quelques clients, test sur un segment particulier ou report. Ces scénarios deviennent réellement intéressants lorsque les personnes proches du terrain les confrontent aux contraintes qu’elles connaissent : capacité de production, disponibilité commerciale, engagements déjà pris, contraintes techniques, réactions de clients ou niveau réel des coûts.

Une recommandation peut être intellectuellement séduisante et opérationnellement mauvaise.

C’est pourquoi la confrontation doit faire une place explicite aux collaborateurs qui disposent d’informations que le système ne possède pas. Leur rôle n’est pas de « valider l’IA », mais d’apporter des faits, une expérience et des objections susceptibles de modifier le raisonnement.

Une question peut alors structurer la discussion :

Quelle observation nous conduirait à changer d’avis ?

Elle oblige à sortir d’une logique de justification. Si aucune information nouvelle ne peut plus modifier la conclusion, le travail collectif risque de ne servir qu’à confirmer une décision déjà prise.

Contribution, autorisation et exécution doivent rester distinctes

L’usage collectif de l’IA devient plus solide lorsque chacun sait où se situe sa responsabilité.

Il n’est pas nécessaire de construire une gouvernance complexe pour chaque décision. Quelques distinctions explicites suffisent souvent.

Contribution	Rôle proposé
Fixer l’objectif et les limites	Le responsable de la décision, avec les personnes concernées
Rassembler et structurer l’information	Les équipes et l’IA, à partir de sources identifiées
Explorer les options et les objections	L’IA et les collaborateurs disposant d’une connaissance du terrain
Vérifier les éléments déterminants	Une personne compétente ou un contrôle adapté à l’information
Arbitrer et autoriser l’action	Un responsable explicitement désigné
Exécuter et suivre	Les personnes et systèmes autorisés, dans un périmètre défini

Cette répartition évite une confusion fréquente : contribuer à une décision, autoriser cette décision et l’exécuter sont trois responsabilités différentes.

L’IA peut participer aux deux premières étapes de l’analyse sans disposer du pouvoir d’engager l’entreprise.

De la même manière, invoquer un « humain dans la boucle » ne constitue pas une garantie suffisante. Une validation humaine n’a de valeur que si la personne dispose du contexte, du temps, des compétences et de l’autorité nécessaires pour refuser, corriger ou interrompre ce qui lui est proposé.

Plus les systèmes deviennent capables d’agir, plus cette distinction entre capacité technique et autorité déléguée devient structurante.

La mémoire de la décision fait partie du travail

Une décision ne commence pas avec l’arbitrage et ne se termine pas lorsque le responsable donne son accord.

Elle s’inscrit dans une chaîne plus longue : un signal apparaît dans la veille ou dans une conversation avec un client ; l’équipe le rapproche de ce qu’elle connaît déjà ; plusieurs interprétations sont discutées ; une décision est prise ; ses conséquences sont ensuite observées.

La connaissance utile se construit aussi dans les liens entre ce qui a été observé, discuté, décidé et appris.

Pour notre PME, une fiche très légère peut suffire à conserver cette continuité.

Cette trace ne vise pas à documenter chaque conversation. Elle doit préserver ce qui permettra demain de comprendre le raisonnement et de le corriger.

Elle doit surtout éviter de mélanger trois niveaux : une suggestion générée par une IA, une information vérifiée et une décision validée.

Lorsqu’un choix évolue, la mémoire doit également conserver la raison du changement sans laisser l’ancienne décision apparaître comme toujours applicable. Et toutes les informations n’ont évidemment pas vocation à être accessibles à tout le monde : les droits d’accès restent liés à leur sensibilité et aux responsabilités de chacun.

Le bon niveau de contrôle dépend de ce que l’on risque

Toutes les contributions de l’IA ne nécessitent pas le même contrôle.

Explorer des idées pour une offre future n’a pas les mêmes conséquences que communiquer un prix à un client, signer un engagement ou déclencher une opération irréversible.

Le niveau de vérification doit donc dépendre des conséquences possibles d’une erreur, de la réversibilité de l’action et de la facilité avec laquelle l’erreur pourra être détectée.

Le cadre de gestion des risques liés à l’IA du NIST va dans ce sens : la fiabilité ne se traite pas par un contrôle unique ajouté à la fin, mais par une attention portée aux risques et aux conditions d’usage tout au long du cycle. Ce cadre est volontaire ; il constitue un repère, pas une obligation générale ni une promesse de performance.

Pour notre PME, cette logique peut conduire à une décision très simple : plutôt que choisir immédiatement entre lancement complet et abandon, l’équipe autorise un essai limité.

Elle précise ce qu’elle veut observer, le périmètre de l’expérimentation, les personnes responsables et les conditions de poursuite, de modification ou d’arrêt.

La décision ne cherche plus à prédire parfaitement le marché. Elle organise un apprentissage suffisamment maîtrisé pour produire de nouvelles informations.

Une bonne décision ne garantit pas un bon résultat

Le retour d’expérience devient alors essentiel.

Après l’essai, l’équipe ne devrait pas seulement demander : « Avons-nous réussi ? »

Elle peut examiner la qualité des informations utilisées, les hypothèses formulées, les objections retenues ou ignorées, la contribution réelle de l’IA et les conditions d’exécution.

Cette distinction évite une erreur fréquente : confondre la qualité d’un raisonnement avec son résultat.

Une décision sérieusement préparée peut produire un résultat défavorable parce qu’un événement imprévisible survient. À l’inverse, une décision mal instruite peut connaître une issue positive par chance.

L’apprentissage collectif commence lorsque l’entreprise est capable d’examiner les deux séparément.

Dans notre exemple fictif, le test de la nouvelle offre n’a donc pas besoin de démontrer que l’entreprise avait « raison ». Il doit lui permettre de mieux comprendre ce qu’elle savait, ce qu’elle supposait et ce que le terrain vient désormais lui apprendre.

De l’assistance à la décision à une capacité collective d’apprentissage

À mesure que l’IA entre dans davantage de processus, son avantage durable pourrait moins dépendre de la qualité d’une réponse isolée que de la manière dont l’organisation sait intégrer cette réponse à son propre système de connaissance et de décision.

Une entreprise qui accumule des synthèses sans conserver les sources, les arbitrages et les enseignements risque de produire davantage d’informations sans apprendre davantage.

À l’inverse, une organisation relativement simple peut progresser si elle sait relier quelques éléments essentiels : ce qu’elle observe, ce qu’elle considère comme fiable, les hypothèses qu’elle accepte, les personnes qui peuvent contredire une proposition, celui qui décide et les circonstances qui imposeront de revoir le choix.

L’IA amplifie alors une capacité déjà fondamentale de l’entreprise : agir avant de tout savoir, apprendre de l’action et rester capable de corriger sa trajectoire.

Le défi n’est pas de remplacer l’incertitude par une certitude artificielle. Il est de construire une organisation suffisamment rigoureuse pour avancer avec elle.

Si une décision importante est actuellement ouverte dans votre entreprise, elle constitue probablement le meilleur point de départ. Apportez cette situation concrète : nous pourrons examiner comment mieux l’instruire, répartir les contributions humaines et celles de l’IA, puis organiser son suivi et son réexamen.