Humain + IA : la complémentarité se construit

Une lecture récente a rencontré une discussion entre amis sur l’IA en médecine. De ce rapprochement est née une question : si la machine répond mieux sur un exercice donné, que doit apporter notre présence pour que le travail commun soit meilleur ?

Cette phrase invite à déplacer le regard. Elle ne démontre pas une incapacité définitive des IA. Elle interroge plutôt les règles du jeu : ce que nous mesurons, les situations que nous représentons et les conséquences que nous acceptons. La complémentarité ne tient pas dans un signe « + ». Elle se construit dans une organisation.

Le binôme humain + IA ne gagne pas automatiquement

Donner accès à une IA performante ne suffit pas à améliorer le travail d’un professionnel. Un essai publié en 2024 dans JAMA Network Open l’illustre : 50 médecins disposaient de soixante minutes pour traiter jusqu’à six vignettes cliniques écrites. Le score médian de raisonnement diagnostique atteignait 74 % avec les ressources habituelles et 76 % avec un accès supplémentaire à GPT-4. L’écart entre ces deux groupes n’était pas statistiquement significatif. GPT-4 seul obtenait 92 % dans une analyse exploratoire secondaire.

Ces chiffres ne sont pas des taux de patients correctement diagnostiqués en consultation. Ils évaluent un raisonnement selon une grille, sur des cas délimités, avec un modèle et un protocole de cette époque. Ils ne prouvent ni une supériorité générale sur la pratique médicale réelle ni la performance des modèles de 2026. Leur intérêt est ailleurs : l’accès à un outil et l’aptitude à en tirer parti sont deux choses distinctes.

La méta-analyse de Vaccaro, Almaatouq et Malone, portant sur 106 expériences, élargit cette interrogation. En moyenne, les combinaisons étudiées faisaient mieux que les humains seuls, mais moins bien que le meilleur de l’humain ou de l’IA pris séparément. Les résultats variaient fortement selon les tâches, avec un bilan plus favorable pour la création que pour la décision. Cette moyenne ne constitue pas une loi universelle.

Le contrepoint vient d’un essai publié en 2025 dans Nature Medicine. Sur cinq situations simulées de prise en charge, 92 médecins ont été répartis entre ressources habituelles et assistance supplémentaire de GPT-4. Le groupe assisté gagnait en moyenne 6,5 points sur un score ramené à 100, mais consacrait environ deux minutes supplémentaires par cas. Aucune différence significative n’était établie entre médecins assistés et GPT-4 seul. La tâche et le processus comptent donc autant que la présence de l’outil.

Qui décide de ce qu’est un bon résultat ?

Une performance n’a de sens qu’au regard du résultat recherché. Répondre juste à une question, accomplir un travail utile et prendre une décision légitime correspondent à trois exigences différentes. Un score mesure ce que le protocole a choisi de mesurer ; il n’épuise pas les raisons pour lesquelles une organisation existe.

Pour un dirigeant, rapidité, exactitude et coût ne résument pas la réussite. La qualité du service, la confiance, les conséquences humaines et la continuité de l’activité peuvent peser davantage qu’un gain immédiat. Ces critères entrent parfois en tension. Leur pondération est déjà une décision, avant même que l’IA produise sa première proposition.

Il serait toutefois commode de déplacer les critères chaque fois qu’une machine progresse. Affirmer que « l’humain apporte autre chose » ne dispense pas de préciser quoi. Si l’intervention humaine prétend améliorer la qualité, il faut l’évaluer. Si elle garantit une responsabilité, une possibilité de recours ou un arbitrage collectif, il faut organiser cette fonction et vérifier qu’elle existe effectivement.

Ce point prolonge la réflexion sur ce que nous voulons faire de la puissance que l’IA nous donne. Choisir la finalité précède le partage des tâches. On ne peut pas juger une coopération sans avoir décidé ce que l’on attend d’elle, pour qui et avec quelles limites.

Une réponse rencontre toujours une situation

La connaissance du terrain apporte des contraintes que la formulation initiale du problème peut avoir oubliées. Une information peut manquer, être périmée, tacite ou contredite par une autre source. Les relations entre équipes, l’histoire des décisions et les conditions matérielles influencent aussi ce qui devient réalisable.

Dans un exemple fictif et uniquement illustratif, une PME utilise une IA pour optimiser son planning de production. La proposition semble excellente, mais les données disponibles n’intègrent pas une maintenance prévue ni l’absence de la seule personne possédant une compétence indispensable. Le planning est cohérent avec sa représentation du problème et inapplicable dans l’atelier.

L’apport humain consiste alors à recueillir ces contraintes, identifier leur source, mettre à jour les données et demander un nouveau calcul. La bonne réponse n’est pas de célébrer une intuition qui aurait mystérieusement vaincu l’algorithme. Il faut rendre l’information manquante disponible, puis vérifier que la proposition corrigée la respecte. Une connaissance qui reste dans la tête d’une personne demeure fragile pour toute l’organisation.

Une IA peut recevoir des documents, interroger des outils et exploiter des capteurs. Son accès au réel peut donc s’enrichir. Mais disposer d’une représentation ne donne pas, à lui seul, mandat pour arbitrer entre des intérêts ou engager les conséquences d’une décision.

La présentation éditoriale du livre de Daniel Andler invite à distinguer résolution de problèmes et intelligence engagée dans une situation humaine. Les limites définitives qu’il défend sont sa thèse philosophique, pas un consensus scientifique établi. Cette distinction reste féconde pour examiner ce que notre modèle de la situation laisse dehors, sans prétendre décrire une frontière technologique immuable.

Superviser exige davantage qu’un bouton « Valider »

Une supervision utile doit pouvoir modifier le cours du travail. Il faut une compétence pertinente, un accès aux éléments de preuve, du temps pour les examiner et le pouvoir de corriger ou d’arrêter le processus. Une signature ajoutée à la fin d’une chaîne n’offre aucune de ces garanties par elle-même.

L’intervenant humain peut manquer une erreur, se laisser convaincre par une réponse bien présentée ou rejeter une proposition correcte. Sa présence ne constitue donc pas une assurance automatique. Il faut regarder ce qu’il contrôle, les informations dont il dispose et les conditions dans lesquelles il exerce son jugement.

L’organisation peut rendre ce contrôle presque impossible : demandes trop nombreuses, sources inaccessibles, objectifs de rapidité incompatibles avec une vérification sérieuse. Le problème ne relève alors pas d’un manque de vigilance individuel. Confier une responsabilité sans les moyens de l’exercer transforme la supervision en formalité.

L’entretien des compétences fait partie de ces moyens. Si l’on délègue durablement la production d’une analyse, il faut conserver des occasions de comprendre sa construction, d’examiner ses erreurs et de discuter ses hypothèses. Ce travail demande du temps prévu dans l’activité. Il rejoint le constat développé dans « Un beau billet une fois ne suffit pas » : la qualité doit tenir dans la durée, au-delà d’une réussite ponctuelle.

Charger le lecteur Spotify

Ouvrir ce lecteur autorise une connexion à Spotify, qui peut recevoir des informations de navigation.

Le format audio est généré avec l’IA en complément de l’article ; il ne constitue pas une transcription des études citées.

Construire la complémentarité suppose de l’évaluer

La complémentarité devient observable quand on compare des processus complets sur des cas représentatifs. Le partage « calcul à la machine, jugement à l’humain » ne suffit pas : l’IA peut contribuer à la critique, et un professionnel peut apporter une précision factuelle décisive. La répartition doit répondre au travail, puis évoluer avec les résultats.

Une démarche courte permet de commencer :

1. Préciser la finalité et les critères de réussite, y compris les conséquences inacceptables.
2. Fournir les connaissances pertinentes et rendre leurs limites visibles.
3. Attribuer les responsabilités et le pouvoir de correction.
4. Placer les contrôles là où les conséquences les justifient.
5. Comparer le processus habituel et le processus assisté sur des cas représentatifs.

Une référence « IA seule » peut éclairer certaines tâches dans un cadre d’évaluation approprié. Elle ne justifie pas de retirer des contrôles nécessaires en production. L’objectif est de comprendre où se crée la valeur, sans exposer les personnes pour obtenir une comparaison plus spectaculaire.

Le bilan doit inclure la qualité, la gravité des erreurs, le temps total avec les vérifications et les reprises, les effets sur les personnes et la capacité de correction. Il faut aussi examiner les désaccords : quand l’humain a-t-il amélioré la proposition, quand l’a-t-il dégradée, et quelles informations ont permis de trancher ? Ce relevé aide à revoir le processus plutôt qu’à attribuer une victoire à un partenaire.

Cette démarche ne réduit pas la valeur humaine à la productivité. Elle demande que la contribution annoncée ait une réalité : une contrainte recueillie, un critère discuté, une erreur interceptée, une conséquence assumée. Elle oblige également à préserver les compétences qui permettent de contester les réponses dont on délègue la production.

Dans notre organisation, où notre intervention améliore-t-elle réellement le résultat, et comment le vérifions-nous ?