Nous avons toutes les réponses. Mais savons-nous encore quelque chose ?
L’intelligence artificielle produit en quelques secondes une réponse structurée, argumentée et convaincante. Cette facilité masque une rupture plus profonde : obtenir une réponse n’est pas acquérir une connaissance. À mesure que l’IA entre dans les processus de décision, les entreprises doivent distinguer ce qui semble vrai de ce qu’elles sont capables de comprendre, justifier et transmettre.
Observatoire Digital & IA Une lecture libre. Un média à faire vivre. Tous les articles restent gratuits. Soutenir l’Observatoire
Quelques secondes suffisent pour obtenir une note qui aurait autrefois demandé une matinée : contexte, arguments, objections, conclusion. On la lit, on reconnaît le vocabulaire du métier, on trouve l’ensemble cohérent. La sensation est familière : le sujet paraît désormais maîtrisé. Mais avons-nous appris quelque chose, ou avons-nous seulement obtenu une réponse ?
La différence dépasse le problème des erreurs de l’IA. Une réponse peut être exacte et laisser son destinataire incapable de dire pourquoi elle l’est. Lorsque ce document entre dans une réunion de direction, la question devient collective : qui décide qu’une proposition est assez solide pour servir de connaissance dans l’entreprise ?
Obtenir une réponse n’a jamais signifié savoir
Une information peut éclairer une question ; une réponse peut la clore trop vite. La compréhension suppose de saisir des relations, des causes ou des conditions. La connaissance exige davantage qu’une formulation disponible : des raisons de tenir une proposition pour valable. La décision ajoute encore un autre travail, celui de choisir une action, avec ses conséquences. Passer de l’un à l’autre ne se fait pas automatiquement.
La distinction platonicienne entre doxa, opinion ou croyance, et épistémè, connaissance, offre une entrée utile. Elle ne se résume pourtant pas à opposer erreur et vérité. Dans le Ménon, 97a–98a, une opinion vraie peut guider correctement l’action. Ce qui lui manque, par rapport au savoir, tient à sa stabilité et au lien avec une explication. Ce passage ne règle pas toute la philosophie de la connaissance ; il permet de poser notre problème sans confondre résultat juste et savoir fondé.
Recevoir une recommandation correcte ne donne donc pas nécessairement les moyens de la défendre. Dans une entreprise, chacun n’a évidemment pas à refaire toutes les démonstrations. Nous travaillons grâce à la compétence d’autrui. Mais cette confiance doit pouvoir conduire quelque part : vers une personne compétente, une source examinable, une justification dont les limites sont connues. Sinon, la circulation des réponses peut masquer une absence de prise sur ce qui les rend crédibles.
L’IA rend l’apparence de connaissance moins coûteuse
Dans The Appearance of Knowing, Joel A. C. Baum propose un déplacement : l’IA abaisse le coût de l’apparence de connaissance, en produisant des propositions plausibles qui peuvent circuler comme si elles étaient déjà fondées. Son texte de 2026 est un essai théorique en sciences des organisations, pas une expérience prouvant une destruction du savoir.
Il interroge l’autorité épistémique : les relations de confiance par lesquelles une organisation accepte une proposition comme suffisamment établie. Structure, assurance et vocabulaire expert peuvent être reproduits sans fournir les garanties qu’on leur associait. Le problème apparaît lorsqu’une contribution générée obtient cette autorité avant que soit définie la responsabilité de sa validation.
Pour un dirigeant, une conséquence mérite examen : une présentation impeccable devrait faciliter la lecture, sans dispenser d’examiner les appuis. La qualité rédactionnelle reste précieuse. Elle ne constitue simplement pas une pièce du dossier au même titre qu’une enquête, un contrat ou un résultat vérifié.
Reconnaître ce que l’on ignore fait partie du travail
Dire « je ne sais pas » permet de délimiter une enquête. Dans l’Apologie, 21d, le Socrate de Platon ne revendique pas une ignorance universelle : il souligne qu’il ne croit pas savoir ce qu’il ne sait pas. Nous pouvons reprendre cette exigence sans lui attribuer la formule devenue célèbre comme une citation exacte.
Une réponse immédiate peut nous faire sauter cette étape. Avant même d’identifier ce qui manque, nous disposons d’un récit qui semble combler les vides. Une pratique utile consiste alors à formuler d’abord la difficulté : quelle inconnue nous empêche vraiment de décider ? Le prix acceptable, la demande réelle, notre capacité à livrer ? Ce cadrage appartient au travail de jugement, même si l’IA peut aider à le préciser.
Les recherches sur la délégation cognitive apportent une nuance. Zhu et ses coauteurs distinguent un usage dépendant, qui délègue davantage le travail intellectuel, et un usage autonome, qui utilise les propositions de l’IA comme appui. Leur enquête de 2026 suit 589 participants en trois vagues espacées de deux semaines, principalement des étudiants et quelques jeunes actifs.
L’usage dépendant est associé à davantage de transfert de maîtrise cognitive et à une motivation moindre ; l’usage autonome à une motivation mieux préservée. Mais les résultats reposent sur des déclarations, non sur des tests de capacités. Ils ne démontrent ni causalité ni déclin intellectuel, et ne se transposent pas directement aux dirigeants. L’intérêt est d’examiner la manière de déléguer, au-delà de la fréquence d’utilisation.
Dans l’entreprise, qui sait pourquoi ?
Imaginons une PME qui envisage d’entrer sur un marché voisin. C’est un cas hypothétique, pas un retour d’expérience. Son dirigeant obtient d’une IA une analyse concurrentielle, des scénarios commerciaux et une recommandation favorable. L’équipe dispose maintenant d’une proposition à instruire. Elle ne dispose pas encore nécessairement des éléments qui autorisent un engagement.
Le responsable commercial doit pouvoir préciser à quels clients correspond la demande supposée. La finance doit retrouver les hypothèses qui rendent le scénario soutenable. Les opérations doivent confronter la promesse aux capacités de livraison. Une objection sérieuse peut venir d’une personne qui connaît une exception absente des documents. Le rôle de la direction consiste à arbitrer entre ces contributions, y compris lorsqu’elles ne convergent pas.
La responsabilité de savoir ne signifie pas qu’une personne doit tout savoir. Elle signifie que l’entreprise organise l’accès aux compétences, la qualification des propositions et la possibilité de les contester. L’auteur de la note, celui qui vérifie une source et celui qui décide peuvent être différents. Ce qui compte est de rendre leurs responsabilités compréhensibles, pour éviter que chacun suppose le contrôle effectué par un autre.
Dans notre exemple, la décision pourrait devenir : ouvrir un pilote limité, parce que les entretiens clients soutiennent l’existence d’un besoin, tout en suspendant l’extension tant que la capacité de service reste incertaine. Ce n’est plus seulement un « oui » produit par une synthèse. C’est un choix dont on peut expliquer les appuis et les réserves, puis réexaminer la pertinence sans attendre une certitude totale.
Une décision sans mémoire devient difficile à transmettre
Six mois plus tard, un nouveau responsable reprend ce pilote. Le document final indique « marché prioritaire ». Mais parle-t-il du marché entier ou d’un segment ? L’équipe avait-elle validé une rentabilité, ou accepté une expérimentation pour apprendre ? Sans les raisons du choix, une précaution initiale peut devenir une règle permanente. L’organisation a conservé la réponse et perdu la possibilité de la comprendre.
La mémoire utile doit donc permettre de reconstruire une décision à la bonne profondeur. Pour le pilote, conserver la date de l’analyse, les sources effectivement consultées, l’hypothèse commerciale, l’objection des opérations et le critère de réexamen apporte davantage qu’une conclusion isolée. Un responsable doit pouvoir préciser ce qui reste valide. Ce travail rejoint le patrimoine contextuel que l’entreprise transmet à ses collaborateurs et à ses assistants.
Archiver tous les prompts ne remplit pas cette fonction. Une conversation mélange des essais, des suggestions abandonnées et des formulations non vérifiées. Elle n’indique pas toujours ce qui a réellement pesé dans l’arbitrage. Demander au modèle de raconter son raisonnement ne révèle pas non plus fidèlement son mécanisme interne. Il faut conserver les éléments vérifiables retenus par l’équipe, ainsi que les incertitudes qu’elle a choisi d’accepter.
Voici un test que nous proposons au dirigeant : confier le dossier à un collègue qui n’a pas participé à la décision et lui demander dans quelles circonstances il faudrait la rouvrir. S’il retrouve seulement la conclusion, la transmission reste incomplète. S’il identifie l’hypothèse décisive et l’événement qui l’invaliderait, l’entreprise possède un point d’appui pour continuer à apprendre. Ce test est une proposition de méthode, pas un instrument scientifiquement validé.
L’IA déplace le travail de connaissance
L’IA peut enrichir ce travail : faire émerger une alternative, chercher une objection, rapprocher des documents ou aider à formuler ce qui reste inconnu. Encore faut-il donner une place à ces contributions. Une objection générée ne devient utile que si quelqu’un l’examine ; une référence proposée, que si elle est retrouvée et lue. L’abondance d’analyses augmente les possibilités d’enquête autant qu’elle demande des choix sur ce qui mérite attention.
Ce déplacement appelle une gouvernance proportionnée. Pour reformuler un message courant, la relecture de son auteur peut suffire. Pour engager durablement l’entreprise, il faut des appuis plus solides, une contradiction organisée et une responsabilité explicite. Entre ces situations, le contrôle dépend des conséquences possibles et de la facilité de revenir en arrière. Organiser la responsabilité de savoir ne signifie pas installer un comité devant chaque réponse.
Le temps gagné à produire une note peut servir à rencontrer un client, éprouver une hypothèse ou préparer la transmission du dossier. C’est là que notre thèse prend un sens opérationnel : l’IA ne supprime pas le travail de connaissance, elle le déplace. L’enjeu est de décider où investir l’attention rendue disponible, au lieu de mesurer le progrès au seul volume de réponses obtenues.
Internet a élargi l’accès à l’information. L’IA générative rend les réponses plus accessibles encore. Reste à construire la capacité de reconnaître celles que nous pouvons expliquer, utiliser et transmettre. À l’ère des machines qui savent répondre, savoir que l’on ne sait pas pourrait redevenir une compétence stratégique.
Ressources complémentaires
- Joel A. C. Baum — The Appearance of Knowing, 2026
Essai théorique dans Journal of Management Inquiry, publié en ligne le 24 juin 2026. Il interroge l’autorité accordée aux propositions générées, sans constituer une mesure expérimentale de leurs effets.
- Zhu et al. — Not all cognitive offloading is equal, 2026
Frontiers in Psychology, 16 juillet 2026. Enquête en trois vagues auprès de 589 participants, principalement étudiants : perceptions déclarées et associations, sans preuve causale.
- Platon — Ménon, 97a–98a
Texte primaire, traduction anglaise de Benjamin Jowett, Internet Classics Archive du MIT. Le passage distingue l’opinion vraie de la connaissance ; il est paraphrasé, sans citation française attribuée.
- Platon — Apologie de Socrate, 21d
Texte primaire, traduction de Benjamin Jowett, MIT. Socrate distingue l’ignorance de la prétention à savoir. La formule courante « je sais que je ne sais rien » n’est pas utilisée comme citation littérale.
FAQ
Quelle différence entre une information, une réponse et une connaissance avec une IA ?
Une information apporte un élément de sens ; une réponse formule une proposition à une question. Pour l’utiliser comme connaissance dans une décision, l’entreprise doit pouvoir en établir les appuis, le contexte et les limites. La compréhension permet d’expliquer ces relations ; la décision engage ensuite un choix dont quelqu’un assume la responsabilité.
Pourquoi une réponse correcte d’une IA n’est-elle pas forcément une connaissance ?
L’exactitude du résultat ne garantit pas que son destinataire comprenne pourquoi il est valable. Il peut répéter une conclusion juste sans pouvoir l’expliquer, la contester ou reconnaître quand elle cesse de s’appliquer. La connaissance peut aussi être collective, à condition que les compétences et les justifications restent accessibles.
Qu’est-ce que le cognitive offloading avec une IA générative ?
C’est la délégation d’une partie du travail cognitif à un outil. Zhu et ses coauteurs distinguent en 2026 un usage dépendant et un usage autonome. Leur enquête observe des associations entre déclarations, sans démontrer un changement des capacités réelles.
Comment éviter une dépendance excessive aux réponses d’une IA en entreprise ?
Pour les décisions importantes, attribuer la vérification des appuis, organiser une contradiction réelle et préciser qui valide l’usage de la proposition. Le contrôle doit dépendre des conséquences d’une erreur et de la réversibilité du choix. Une reformulation courante ne justifie pas le même dispositif qu’un engagement stratégique.
Pourquoi conserver les raisons d’une décision assistée par IA ?
Elles permettent à une autre personne de reprendre le dossier et d’examiner si le choix reste pertinent. La mémoire utile conserve le contexte daté, les sources, les hypothèses, les objections, les arbitrages et les conditions de réexamen. Un historique de prompts ne suffit pas à rendre ces éléments fiables et transmissibles.
Pour prolonger la réflexion
Décider mieux,
ensemble.
Vous allez commettre une terrible erreur !
Flammarion · 2019 · Français
Nos décisions peuvent nous sembler rationnelles tout en étant biaisées. Olivier Sibony examine ces erreurs prévisibles et les façons d’organiser le travail collectif pour améliorer les arbitrages.
Le lien avec cet article
Sibony aide à penser la qualité d’une décision comme un travail collectif de confrontation et de méthode. Ce prolongement est pertinent pour organiser la responsabilité de savoir ; cet ouvrage de 2019 ne constitue ni une étude de l’IA générative ni une théorie philosophique de la connaissance.
Lien affilié · Sans coût supplémentaire pour vous
En tant que Partenaire Amazon, l’Observatoire peut percevoir une commission sur les achats éligibles, sans coût supplémentaire pour vous.