L'émergence de l'intelligence artificielle générative (GenAI) constitue une avancée technologique majeure qui redéfinit substantiellement les paradigmes traditionnels de gestion et d'organisation. Alors que les technologies d'intelligence artificielle prédictive se concentraient principalement sur l'automatisation des tâches convergentes, telles que l'optimisation des processus et la prise de décision basée sur des données historiques, GenAI dépasse ces limites en introduisant des capacités génératives qui permettent à la fois des applications divergentes et convergentes. Cette évolution a des implications profondes pour les organisations, tant au niveau stratégique qu'opérationnel.
Les implications organisationnelles et managériales de l'intelligence artificielle générative (GenAI)
Redéfinition des rôles humains et artificiels dans le travail
Une des implications centrales de GenAI réside dans sa capacité à redistribuer les tâches entre les agents humains et artificiels. Contrairement aux systèmes d'intelligence artificielle classiques, qui se spécialisent dans des tâches spécifiques et souvent routinières, GenAI peut s'appliquer à une gamme beaucoup plus large de fonctions cognitives, y compris celles impliquant la créativité, l'empathie et la résolution de problèmes complexes. Par exemple, les modèles de langage de grande envergure (LLMs) tels que GPT-4 ou Claude peuvent générer du contenu textuel, des idées innovantes et même des hypothèses scientifiques avec un niveau de sophistication comparable, voire supérieur, à celui des experts humains dans certains contextes. Cela remet en question les modèles traditionnels de répartition du travail, où les humains étaient perçus comme les principaux moteurs de la créativité et de l'innovation.
Dans ce nouveau cadre, les rôles humains évoluent vers des fonctions plus stratégiques et métacognitives. Les employés ne se contentent plus d'exécuter des tâches opérationnelles ; ils deviennent des architectes de systèmes hybrides homme-machine, responsables de guider, d'évaluer et de valider les contributions générées par l'IA. Cette transition nécessite une refonte des compétences organisationnelles, avec un accent particulier sur le développement de compétences transversales telles que la pensée critique, la gestion des incertitudes et la capacité à interpréter et contextualiser les résultats produits par GenAI.
Transformation des structures organisationnelles
La nature généraliste de GenAI (General-Purpose Technology, GPT) a également un impact significatif sur les structures organisationnelles. Traditionnellement, les entreprises adoptaient des architectures centralisées pour gérer efficacement l'information et les processus décisionnels. Toutefois, GenAI, grâce à ses interfaces accessibles et à ses capacités d'auto-apprentissage, permet une décentralisation accrue des activités créatives et analytiques. Les employés de tous niveaux hiérarchiques peuvent désormais accéder à des outils sophistiqués pour explorer des solutions innovantes, formuler des problèmes complexes et générer des idées novatrices sans dépendre exclusivement des experts internes ou des cadres supérieurs.
Cette démocratisation des capacités cognitives transforme les dynamiques organisationnelles en favorisant des structures plus agiles et collaboratives. Par exemple, des initiatives comme KBLab, menées par la Bibliothèque nationale de Suède, illustrent comment GenAI peut être utilisé pour rendre les ressources intellectuelles accessibles à un public plus large, incluant non seulement les chercheurs universitaires mais aussi les petites entreprises et les organisations publiques. Toutefois, cette décentralisation soulève également des défis liés à la coordination, à l'alignement stratégique et à la sécurité des données. Les organisations doivent donc développer des mécanismes robustes pour équilibrer l'autonomie individuelle avec les objectifs collectifs.
Accélération de l'innovation exploratoire et combinatoire
Un autre aspect clé des implications organisationnelles de GenAI réside dans son rôle catalyseur pour l'innovation exploratoire et combinatoire. En exploitant des volumes massifs de données et en appliquant des mécanismes de génération probabiliste, GenAI peut identifier des combinaisons inédites d'idées, de concepts et de technologies qui échapperaient souvent aux décideurs humains. Par exemple, dans l'industrie pharmaceutique, GenAI accélère la découverte de nouvelles molécules en générant et en évaluant des structures chimiques à une échelle inégalée par les approches prédictives traditionnelles. De même, dans le domaine de la stratégie organisationnelle, GenAI peut aider les entreprises à explorer des scénarios alternatifs et à formuler des hypothèses stratégiques qui n'auraient pas été immédiatement évidentes.
Cette capacité à générer des idées à grande échelle et à explorer des solutions cognitivement distantes renforce le potentiel d'innovation des organisations. Toutefois, elle exige également une réorganisation des processus d'innovation pour intégrer efficacement les contributions de GenAI. Les entreprises doivent repenser leurs méthodologies de recherche et développement (R&D), en mettant l'accent sur des approches itératives et collaboratives qui combinent les forces humaines et artificielles. Cela inclut notamment le développement de nouveaux cadres pour la validation des résultats, la gestion des biais potentiels et la protection de la propriété intellectuelle.
Risques et défis associés à l'adoption de GenAI
Malgré ses nombreux avantages, l'intégration de GenAI dans les organisations présente également des risques et des défis importants. Premièrement, la dépendance excessive à l'égard de GenAI peut entraîner une désqualification des compétences humaines, en particulier chez les employés juniors qui pourraient devenir trop confiants dans les solutions générées automatiquement. Pour atténuer ce risque, les organisations doivent investir dans des programmes de formation continue qui encouragent une interaction active et réflexive avec les outils d'IA.
Deuxièmement, les biais inhérents aux modèles de GenAI, souvent issus de données d'entraînement partielles ou culturellement limitées, peuvent limiter la diversité des idées et des perspectives. Cela nécessite la mise en place de mécanismes rigoureux pour surveiller et corriger les biais algorithmiques, ainsi que pour garantir une représentation équitable des différentes cultures et contextes.
Enfin, les implications éthiques et réglementaires de GenAI ne peuvent être ignorées. La capacité de GenAI à produire du contenu indiscernable de celui créé par des humains soulève des questions fondamentales sur la responsabilité morale, la transparence et la gouvernance des systèmes d'IA. Les organisations doivent adopter des cadres éthiques robustes pour garantir que l'utilisation de GenAI respecte les valeurs humaines et contribue positivement à la société.
L'intégration de GenAI dans les organisations représente une opportunité unique pour repenser les pratiques managériales et organisationnelles. En élargissant les capacités cognitives des employés, en accélérant les processus d'innovation et en démocratisant l'accès aux outils avancés, GenAI a le potentiel de transformer profondément la manière dont les organisations fonctionnent et créent de la valeur. Toutefois, réaliser ce potentiel nécessite une approche proactive et humaine centrée sur le développement des compétences, la gestion des risques et l'alignement des objectifs organisationnels avec les valeurs sociétales.
L'impact de l'intelligence artificielle générative (GenAI) sur l'innovation et la créativité
L'émergence de l'intelligence artificielle générative (GenAI) marque une avancée technologique significative qui redéfinit les frontières traditionnelles de l'innovation et de la créativité. Contrairement aux systèmes d'intelligence artificielle prédictive, qui se concentrent principalement sur l'automatisation des tâches convergentes et l'optimisation des processus décisionnels, GenAI introduit des capacités génératives qui permettent à la fois des applications divergentes et convergentes. Cette dualité enrichit substantiellement le potentiel des organisations à innover et à créer de la valeur, tout en posant de nouveaux défis pour leur intégration dans les pratiques organisationnelles.
Une catalyseur pour l'innovation exploratoire et combinatoire
L'une des contributions les plus marquantes de GenAI réside dans sa capacité à catalyser l'innovation exploratoire et combinatoire. En exploitant des volumes massifs de données et en appliquant des mécanismes de génération probabiliste, GenAI peut identifier des combinaisons inédites d'idées, de concepts et de technologies qui échapperaient souvent aux décideurs humains. Par exemple, dans l'industrie pharmaceutique, GenAI accélère la découverte de nouvelles molécules en générant et en évaluant des structures chimiques à une échelle inégalée par les approches prédictives traditionnelles. De même, dans le domaine de la stratégie organisationnelle, GenAI peut aider les entreprises à explorer des scénarios alternatifs et à formuler des hypothèses stratégiques qui n'auraient pas été immédiatement évidentes.
Cette capacité à générer des idées à grande échelle et à explorer des solutions cognitivement distantes renforce le potentiel d'innovation des organisations. Toutefois, elle exige également une réorganisation des processus d'innovation pour intégrer efficacement les contributions de GenAI. Les entreprises doivent repenser leurs méthodologies de recherche et développement (R&D), en mettant l'accent sur des approches itératives et collaboratives qui combinent les forces humaines et artificielles. Cela inclut notamment le développement de nouveaux cadres pour la validation des résultats, la gestion des biais potentiels et la protection de la propriété intellectuelle.
Redéfinition des rôles humains et artificiels dans le processus créatif
La nature généraliste de GenAI (General-Purpose Technology, GPT) a également un impact profond sur la redistribution des rôles entre agents humains et artificiels dans le processus créatif. Traditionnellement, les innovations créatives étaient perçues comme relevant exclusivement du domaine humain, avec les machines jouant un rôle limité à l'exécution de tâches spécifiques. Toutefois, GenAI remet en question cette dichotomie en démontrant des performances égales ou supérieures à celles des humains dans des tâches impliquant la pensée divergente, l'intelligence sociale et la communication empathique. Par exemple, des modèles de langage de grande envergure (LLMs) tels que GPT-4 ou Claude peuvent générer du contenu textuel, des idées innovantes et même des hypothèses scientifiques avec un niveau de sophistication comparable, voire supérieur, à celui des experts humains dans certains contextes.
Dans ce nouveau cadre, les rôles humains évoluent vers des fonctions plus stratégiques et métacognitives. Les employés ne se contentent plus d'exécuter des tâches opérationnelles ; ils deviennent des architectes de systèmes hybrides homme-machine, responsables de guider, d'évaluer et de valider les contributions générées par l'IA. Cette transition nécessite une refonte des compétences organisationnelles, avec un accent particulier sur le développement de compétences transversales telles que la pensée critique, la gestion des incertitudes et la capacité à interpréter et contextualiser les résultats produits par GenAI.
Démocratisation de l'accès à l'innovation
Un autre aspect clé de l'impact de GenAI sur l'innovation et la créativité réside dans sa capacité à démocratiser l'accès à ces processus. Grâce à ses interfaces accessibles et à ses capacités d'auto-apprentissage, GenAI permet une décentralisation accrue des activités créatives et analytiques. Les employés de tous niveaux hiérarchiques peuvent désormais accéder à des outils sophistiqués pour explorer des solutions innovantes, formuler des problèmes complexes et générer des idées novatrices sans dépendre exclusivement des experts internes ou des cadres supérieurs.
Cette démocratisation des capacités cognitives transforme les dynamiques organisationnelles en favorisant des structures plus agiles et collaboratives. Par exemple, des initiatives comme KBLab, menées par la Bibliothèque nationale de Suède, illustrent comment GenAI peut être utilisé pour rendre les ressources intellectuelles accessibles à un public plus large, incluant non seulement les chercheurs universitaires mais aussi les petites entreprises et les organisations publiques. Toutefois, cette décentralisation soulève également des défis liés à la coordination, à l'alignement stratégique et à la sécurité des données. Les organisations doivent donc développer des mécanismes robustes pour équilibrer l'autonomie individuelle avec les objectifs collectifs.
Risques et défis associés à l'adoption de GenAI
Malgré ses nombreux avantages, l'intégration de GenAI dans les processus d'innovation et de créativité présente également des risques et des défis importants. Premièrement, la dépendance excessive à l'égard de GenAI peut entraîner une désqualification des compétences humaines, en particulier chez les employés juniors qui pourraient devenir trop confiants dans les solutions générées automatiquement. Pour atténuer ce risque, les organisations doivent investir dans des programmes de formation continue qui encouragent une interaction active et réflexive avec les outils d'IA.
Deuxièmement, les biais inhérents aux modèles de GenAI, souvent issus de données d'entraînement partielles ou culturellement limitées, peuvent limiter la diversité des idées et des perspectives. Cela nécessite la mise en place de mécanismes rigoureux pour surveiller et corriger les biais algorithmiques, ainsi que pour garantir une représentation équitable des différentes cultures et contextes.
Enfin, les implications éthiques et réglementaires de GenAI ne peuvent être ignorées. La capacité de GenAI à produire du contenu indiscernable de celui créé par des humains soulève des questions fondamentales sur la responsabilité morale, la transparence et la gouvernance des systèmes d'IA. Les organisations doivent adopter des cadres éthiques robustes pour garantir que l'utilisation de GenAI respecte les valeurs humaines et contribue positivement à la société.
L'intégration de GenAI dans les processus d'innovation et de créativité représente une opportunité unique pour repenser les pratiques organisationnelles et managériales. En élargissant les capacités cognitives des employés, en accélérant les processus d'innovation et en démocratisant l'accès aux outils avancés, GenAI a le potentiel de transformer profondément la manière dont les organisations fonctionnent et créent de la valeur. Toutefois, réaliser ce potentiel nécessite une approche proactive et humaine centrée sur le développement des compétences, la gestion des risques et l'alignement des objectifs organisationnels avec les valeurs sociétales.
Les dimensions clés de l'intelligence artificielle générative (GenAI) dans les organisations
L'émergence de l'intelligence artificielle générative (GenAI) marque une avancée technologique majeure qui redéfinit substantiellement les paradigmes traditionnels de gestion et d'organisation. Contrairement aux systèmes d'intelligence artificielle prédictive, qui se concentraient principalement sur l'automatisation des tâches convergentes et l'optimisation des processus décisionnels, GenAI introduit des capacités génératives qui permettent à la fois des applications divergentes et convergentes. Cette dualité enrichit considérablement le potentiel des organisations à innover et à créer de la valeur, tout en posant de nouveaux défis pour leur intégration dans les pratiques organisationnelles. Ce chapitre explore quatre dimensions clés de l'impact de GenAI sur les organisations : (i) sa nature en tant que technologie à usage général (GPT), (ii) son rôle en tant que catalyseur pour l'innovation exploratoire et combinatoire, (iii) sa fonction en tant qu'artefact cognitif complémentaire, et (iv) son effet démocratisant dans l'adoption de l'IA et la création de valeur.
(i) GenAI comme technologie à usage général (GPT)
GenAI émerge comme une technologie à usage général (General-Purpose Technology, GPT) – une innovation hautement impactante comparable à la machine à vapeur, l'électricité ou les ordinateurs – qui est omniprésente, en amélioration continue et génératrice d'innovations secondaires (Bresnahan & Trajtenberg, 1995). Alors que l'IA prédictive peut stimuler l'innovation dans divers secteurs (Brynjolfsson, Rock, & Syverson, 2017; Goldfarb, Taska, & Teodoridis, 2023; Trajtenberg, 2019), GenAI offre une applicabilité plus large avec des capacités de raisonnement et d'apprentissage plus généralisables (Bick et al., 2024). Contrairement à la nature relativement spécifique des tâches de l'IA prédictive, qui est généralement entraînée et utilisée pour des tâches d'optimisation ou de classification dans les étapes convergentes de la résolution de problèmes, GenAI présente une adaptabilité dans une gamme variée de domaines (Berg et al., 2023; Bommasani et al., 2022). Cela suggère que GenAI dépasse potentiellement l'IA prédictive en permettant des applications transversales novatrices, constituant ainsi une technologie à usage général (Eloundou, Manning, Mishkin, & Rock, 2024). Par exemple, des modèles de pointe comme GPT-4 peuvent générer du texte cohérent, du code et des images, illustrant leur adaptabilité dans différents secteurs et fonctions (Berg et al., 2023; Epstein et al., 2023).
Dans le cadre de recherche sur l'innovation représenté dans la Figure 1, l'IA prédictive a principalement augmenté les tâches convergentes dans l'étape de recherche de solutions, aidant à évaluer et sélectionner les solutions grâce à des capacités d'optimisation et de classification. GenAI représente une avancée significative en étendant le rôle de l'IA à travers les étapes de définition de problème et de recherche de solutions (Raisch & Fomina, 2025). Par exemple, les grands modèles linguistiques (LLMs) peuvent analyser et générer un langage cohérent et utile, surpassant les capacités limitées de traitement et de classification de texte des IA prédictives dans les applications de traitement du langage naturel (NLP) (Bommasani et al., 2022).
Dans l'étape de définition de problème, les capacités génératives de GenAI permettent des représentations cognitives plus riches en traitant des données non structurées et multimodales, facilitant la récupération et la recombinaison des connaissances organisationnelles. Cela améliore les tâches divergentes d'identification et de formulation des problèmes. Dans l'étape de recherche de solutions, GenAI améliore les tâches divergentes et convergentes en générant une gamme plus large de solutions potentielles et en améliorant le processus d'évaluation par un raisonnement avancé et une intégration des connaissances. Contrairement à l'IA prédictive, qui est limitée au traitement des données existantes pour la classification ou l'optimisation, la capacité de GenAI à générer des sorties nouvelles lui permet de créer des solutions au-delà des connaissances existantes à travers les étapes de résolution de problèmes (Bouschery et al., 2023; Raisch & Fomina, 2025).
(ii) GenAI comme catalyseur pour l'innovation exploratoire et combinatoire
En s'appuyant sur la nature polyvalente de GenAI, ses capacités génératives permettent un changement significatif de l'exploitation vers des applications exploratoires, permettant le développement d'idées et de solutions qualitativement nouvelles (Kulkarni et al., 2024; Raisch & Fomina, 2025). À travers la "générativité", définie comme "un système sociotechnique où les éléments sociaux et techniques interagissent pour faciliter l'innovation combinatoire" (Thomas & Tee, 2022, p. 255; Yoo, Boland Jr., Lyytinen, & Majchrzak, 2012), GenAI facilite la recombinaison à grande échelle des idées et concepts, potentiellement propulsant l'innovation combinatoire.
En exploitant d'immenses volumes de données d'entraînement et en traitant de nouvelles données multimodales, GenAI peut agir comme un catalyseur pour l'innovation en identifiant des combinaisons potentielles d'idées ou technologies existantes qui ne seraient pas immédiatement apparentes aux décideurs humains. Cette génération est rendue possible par le mécanisme d'échantillonnage quasi-aléatoire de GenAI, qui permet une "créativité aléatoire" sous contraintes (Rietzschel & Rus, 2022). La distribution de probabilité de la sortie itérative suivante agit alors comme une contrainte créative, comme les jetons échantillonnés séquentiellement dans le cas des LLMs. Par conséquent, GenAI peut élargir la portée de la recherche exploratoire par l'innovation combinatoire et sérendipitaire (Busch, 2024; Mariani & Dwivedi, 2024; Robertson, Ferreira, Botha, & Oosthuizen, 2024).
En appliquant le cadre de recherche sur l'innovation, GenAI peut augmenter les tâches divergentes, notamment dans les étapes de définition de problème et de génération de solutions, en augmentant grandement la génération d'idées et la recombinaison des connaissances. Vu comme un entonnoir, la performance dans un processus d'innovation dépend de la génération d'un grand nombre d'idées initiales, étant donné qu'une petite proportion seulement aboutira finalement à un succès (Sutton, 2010), où GenAI peut être considéré comme fournissant un nombre beaucoup plus grand de solutions pour que les agents humains les considèrent au début de l'entonnoir. GenAI élargit ainsi l'espace de recherche, augmentant la probabilité d'innovations viables (Bouschery et al., 2023). Cette capacité accélère les processus créatifs dans divers domaines tels que l'art et la littérature (Epstein et al., 2023), la stratégie organisationnelle (Doshi, Bell, Mirzayev, & Vanneste, 2024), et la recherche scientifique (Korinek, 2023).
Dans l'étape de définition de problème, GenAI traite des données non structurées et multimodales, créant des données synthétiques nouvelles qui enrichissent les représentations cognitives en tirant parti des capacités liées à l'émotion, au raisonnement et à la créativité (Epstein et al., 2023). Dans l'étape de recherche de solutions, il permet des solutions diverses et nouvelles grâce à ses mécanismes génératifs, ainsi que des approches et perspectives plus globales pour l'évaluation. Dans l'industrie pharmaceutique, GenAI accélère la découverte de médicaments en générant et en évaluant des structures moléculaires à une échelle qui dépasse largement les applications d'IA prédictive (Swanson et al., 2024). Ainsi, GenAI peut remodeler qualitativement l'innovation, permettant des cycles d'innovation plus rapides et une réduction du temps de mise sur le marché.
(iii) GenAI comme artefact cognitif complémentaire
En s'appuyant sur la distinction de Krakauer (2016) entre artefacts cognitifs compétitifs et complémentaires, GenAI représente un changement qualitatif dans la manière dont la technologie, en particulier l'IA, peut affecter et potentiellement améliorer la cognition humaine. Cela pointe spécifiquement vers l'amélioration de l'apprentissage humain, des représentations cognitives et de la créativité grâce à ses capacités génératives. Les artefacts cognitifs compétitifs sont des outils tels que "lorsque nous sommes privés de leur utilisation, nous ne sommes pas meilleurs qu'avant" (par exemple, une calculatrice qui fournit une augmentation arithmétique temporaire et produit une dépendance plutôt que des avantages cognitifs durables), tandis que les artefacts cognitifs complémentaires permettent l'apprentissage à travers des améliorations de compétences durables qui persistent même lorsque l'artefact n'est plus disponible, car "après une pratique et une formation répétées, l'artefact lui-même pourrait être mis de côté et son simulacre mental déployé à sa place" (par exemple, un boulier, dont l'utilisateur développe des capacités arithmétiques qui rendent finalement l'outil redondant) (Krakauer, 2016).
Appliqué à l'IA, cette conceptualisation distingue entre l'IA qui augmente simplement les performances sans promouvoir l'apprentissage (artefact compétitif) et l'IA qui favorise le développement durable des compétences (artefact complémentaire). Alors que l'IA prédictive tend à fonctionner comme un artefact compétitif en optimisant les tâches sans engager les humains dans la métacognition ou l'apprentissage, la nature interactive et générative de GenAI lui permet d'être un artefact complémentaire plus impactant. Cela découle de deux mécanismes clés : premièrement, les vastes données d'entraînement de GenAI, qui dépassent de plusieurs ordres de grandeur la distribution de l'expérience individuelle humaine, permettent une exposition à des connaissances nouvelles et à leurs combinaisons ; deuxièmement, son interface en langage naturel et ses réponses génératives permettent l'apprentissage à travers le dialogue et l'exploration qui peuvent persister au-delà de son utilisation immédiate.
Dans le cadre de recherche sur l'innovation, GenAI peut fonctionner comme un artefact cognitif complémentaire qui améliore les tâches divergentes et convergentes par des mécanismes distincts. Dans l'étape de définition de problème, GenAI aide les humains à développer des représentations cognitives plus riches en décomposant des problèmes complexes en sous-composants gérables et en suscitant de nouvelles perspectives. Cela permet une meilleure exploration des possibilités de solutions et favorise les dynamiques d'interaction et d'apprentissage (Jiang, Shao, Ma, Semnani, & Lam, 2024). Dans l'étape de recherche de solutions, GenAI peut faciliter l'exploration des opportunités cognitivement éloignées en générant de nouvelles combinaisons d'idées et de perspectives, aidant les individus à dépasser les modèles mentaux existants ou conventionnels et les contraintes du domaine. Cela est rendu possible grâce aux capacités de niveau humain exposées par les modèles contemporains de pointe impliquant l'intelligence émotionnelle (Wang, Li, Yin, Wu, & Liu, 2023) et les capacités liées à la théorie de l'esprit (Kosinski, 2024; Strachan et al., 2024).
Par exemple, des modèles comme Pi (Inflection AI) tirent explicitement parti des capacités des LLM pour émuler la conversation humaine et l'empathie, connaissant une adoption massive en tant que partenaires conversationnels (Siddals, Torous, & Coxon, 2024). Un développement remarquable est l'utilisation de GenAI pour créer des "simulacres interactifs" (Park et al., 2023), une instance de "l'échantillonnage en silicium" (Argyle et al., 2023), où GenAI crée des agents virtuels reproduisant le comportement et les schémas cognitifs humains avec une fidélité élevée dans divers contextes (Cui, Li, & Zhou, 2024). Cela permet aux humains de développer un simulacre mental persistant (Krakauer, 2016) à travers la simulation et le jeu de rôle, améliorant les capacités dans des contextes sociaux et organisationnels impliquant le flux d'information interpersonnelle et la collaboration. Dans les tâches convergentes, GenAI soutient la clarification et l'évaluation en fournissant des informations et des retours itératifs qui aident à affiner les solutions et permettent des retours de performance plus riches. Dans le contexte des soins de santé, les professionnels médicaux qui interagissent avec GenAI pour le raisonnement diagnostique ont montré des améliorations analytiques durables (Stade et al., 2024).
L'efficacité de GenAI en tant qu'artefact cognitif complémentaire dépendra de l'engagement actif et de la réflexion humaine. Sa nature de boîte noire et l'opacité inhérente de l'apprentissage profond (DL), ainsi que les modifications continues apportées par les concepteurs de systèmes, peuvent décourager un apprentissage plus profond chez les humains si elle est utilisée passivement (van den Broek, Sergeeva, & Huysman, 2021). De plus, des préoccupations surviennent concernant les interactions homme-machine, les pertes d'autonomie et d'agence humaines, telles que l'anthropomorphisation conduisant à une confiance mal placée et à une dépendance excessive (Ray, 2023; Weidinger et al., 2022). Une conception intentionnelle des modèles d'interaction homme-IA peut cependant promouvoir des effets d'apprentissage complémentaires qui reconfigurent l'expertise et les flux de travail (Barrett, Oborn, Orlikowski, & Yates, 2012), plutôt que de faire de GenAI un artefact compétitif caractérisé par une surdépendance et une dégradation des compétences (Chen & Chan, 2024; Lindebaum & Fleming, 2024).
La surdépendance à GenAI pourrait entraîner un déclin du développement de compétences essentielles, en particulier parmi les professionnels juniors qui pourraient ne pas recevoir suffisamment d'opportunités d'apprentissage expérientiel (Beane & Anthony, 2024; Brynjolfsson, Li, & Raymond, 2023). Des recherches récentes ont cependant trouvé un effet de compression des performances où les travailleurs inexpérimentés ou peu performants semblent bénéficier davantage de l'assistance de GenAI par rapport aux individus seniors ou hautement performants (Boussioux et al., 2024; Brynjolfsson et al., 2023), bien que GenAI puisse avoir un impact négatif sur le développement de nouvelles expertises et connaissances tacites cruciales pour l'innovation. De plus, l'efficacité de l'agence hybride peut être difficile à mesurer (Weidinger et al., 2022) et dépendra probablement de la correspondance des interactions homme-IA avec les niveaux d'expertise, les attitudes et les caractéristiques des tâches, y compris les dynamiques temporelles (Burton, Stein, & Jensen, 2020; Raisch & Fomina, 2025).
La réalisation du potentiel de GenAI pour améliorer les capacités humaines peut également nécessiter de maintenir l'implication humaine dans les processus de résolution de problèmes, même lorsque l'agent humain ou hybride ne possède pas de capacités supérieures liées aux tâches (par exemple, Goh et al., 2024). Cela peut nécessiter une approche "humain dans la boucle" qui priorise la métacognition et l'apprentissage par rapport aux objectifs purement d'efficacité ou de performance (Glikson & Woolley, 2020). Contrairement à l'IA prédictive, les capacités en langage naturel et la nature interactive de GenAI rendent une mise en œuvre axée sur l'apprentissage à grande échelle réalisable, permettant de fonctionner comme un artefact cognitif complémentaire à travers des contextes organisationnels. Cela suggère un besoin de programmes éducatifs et de formation pour s'adapter rapidement aux incertitudes introduites par GenAI (Oravec, 2023; Rudolph, Tan, & Tan, 2023), en veillant à ce que les apprenants humains conservent l'expertise nécessaire pour collaborer de manière significative avec les systèmes d'IA.
(iv) GenAI comme force démocratisante dans l'adoption de l'IA et l'innovation
Les interfaces utilisateur accessibles et conversationnelles de GenAI, ainsi que son applicabilité large à travers les tâches et les domaines, peuvent démocratiser l'adoption de l'IA, permettant à une gamme plus large d'individus et d'organisations d'exploiter son potentiel pour la création de valeur et l'innovation. Cette disponibilité et l'engagement d'un plus grand nombre d'agents humains à grande échelle peuvent à leur tour être attendus pour amplifier et composer les impacts et ramifications suggérés dans les dimensions précédentes.
Contrairement à l'IA prédictive, qui nécessite souvent une expertise technique et une infrastructure pour être mise en œuvre et utilisée efficacement, la nature pré-entraînée de GenAI et ses interfaces en langage naturel abaissent les barrières à l'adoption. Cela permet aux personnes sans compétences en informatique, en science des données ou en programmation d'interagir avec les systèmes d'IA, suscitant même des débats sur la possibilité que la saisie de prompts remplace la programmation (Sætra, 2023; Welsh, 2022). L'accessibilité et l'abordabilité des modèles de pointe contemporains, tels que GPT-4o pour des usages multimodaux généraux, GitHub Copilot pour le codage et le développement de logiciels, ou Pi pour des tâches impliquant des dimensions sociales et émotionnelles, ainsi que des modèles ouverts comme Llama 3 (Meta) et DeepSeek-R1 (DeepSeek AI), ont rendu les capacités avancées de l'IA largement disponibles à peu ou aucun coût. Des architectures de plus en plus efficaces et une capacité de calcul en nuage abordable permettent le déploiement local ainsi que l'ajustement précis des modèles pour des applications personnalisées (Zhang, Cao, Shen, & Cui, 2024). Cette démocratisation implique que l'innovation par la génération, la recombinaison et l'amélioration de l'apprentissage et de la cognition peut être amplifiée à travers les organisations et la société.
En appliquant à nouveau le cadre de recherche sur l'innovation, GenAI peut améliorer les tâches divergentes ainsi que convergentes en rendant les capacités de l'IA prédictive et de GenAI accessibles à un public plus large. Dans l'étape de définition de problème, ses capacités en langage naturel permettent aux humains de participer à l'idéation et à la formulation avec peu de barrières techniques, favorisant des processus d'innovation décentralisés et démocratisés (Eapen, Finkenstadt, Folk, & Venkataswamy, 2023). Dans les applications divergentes, les individus non techniques peuvent générer des solutions créatives et recombiner des connaissances à travers des domaines, élargissant l'espace de recherche et augmentant la probabilité d'innovations viables. Dans le domaine de la santé, les modèles de GenAI ont servi de "traducteurs universels" pour la gestion de l'information dans des tâches médicales complexes (Kather, Ferber, Wiest, Gilbert, & Truhn, 2024, p. 2708). Dans les tâches convergentes, y compris l'évaluation et la sélection, GenAI peut aider les humains en fournissant des informations et des retours accessibles, exploitant plus efficacement les connaissances existantes à travers une organisation (McKendrick, 2024). Revenant au contexte des soins de santé, les applications de GenAI comme les chatbots IA offrent des interactions empathiques et personnalisées avec les patients, contribuant à des soins plus centrés sur l'humain et rendant les services de santé qualifiés plus accessibles (Ayers et al., 2023). Cette participation accrue à travers les étapes amplifie les avantages cognitifs complémentaires en engageant une gamme plus large de perspectives et de capacités cognitives.
Cette large applicabilité peut habiliter les individus et les petites organisations à rivaliser avec des entités plus grandes en accédant à des outils d'IA de pointe à faible coût ou gratuitement, potentiellement nivelant le terrain de jeu en matière d'innovation et de planification stratégique (Feuerriegel et al., 2024). Dans l'industrie de la création de contenu, par exemple, des plateformes à petite échelle utilisent GenAI pour offrir un contenu personnalisé à des coûts inférieurs (Wessel, Adam, Benlian, & Thies, 2023). L'effet de compression des performances mentionné précédemment (Boussioux et al., 2024; Brynjolfsson et al., 2023) suggère également que GenAI peut aider à réduire les écarts de compétences et à égaliser l'accès à la formation et à l'apprentissage à une échelle encore plus grande que l'IA prédictive (cf. Gaessler & Piezunka, 2023).
Ces effets de démocratisation et d'égalisation peuvent s'étendre au-delà des frontières organisationnelles pour répondre à l'inclusion sociale. Cet effet s'étend aux communautés marginalisées, servant de forme d'inclusion numérique par conception grâce aux affordances hautement émergentes et à la génération de GenAI (Faik, Sengupta, & Deng, 2024). Les applications potentielles et émergentes vont de la santé mentale, comme la prévention des idées suicidaires chez 3 % des participants (Maples, Cerit, Vishwanath, & Pea, 2024), aux troubles neurodéveloppementaux et au soutien au diagnostic et au traitement de la dyslexie, de l'autisme et du TDAH (Cao, Martin, & Li, 2023; Tang et al., 2024; Zhao et al., 2024). GenAI a même été appliqué à la communication interspécifique via le projet Earth Species, interprétant les sons et communications animales (Hagiwara, 2023).
Le potentiel démocratisant de GenAI présente également plusieurs défis et risques. Une préoccupation concerne l'adoption généralisée de modèles similaires, formés principalement sur des données internet en anglais, suggérant que les modèles peuvent présenter une représentation biaisée de la réalité qui amplifie les préjugés (Bender et al., 2021). L'adoption pourrait conduire à une homogénéisation, limitant potentiellement la diversité de pensée et la direction créative parmi les humains qui s'appuient sur la technologie pour l'exploration et l'apprentissage (Bommasani et al., 2022). La nature de boîte noire des modèles de GenAI peut également entraver la compréhension et la transparence, soulevant des questions sur la mesure dans laquelle les humains peuvent évaluer et interpréter de manière critique les sorties générées par GenAI (Raisch & Fomina, 2025; van den Broek et al., 2021).
L'adoption massive de GenAI pourrait permettre une collecte de données à grande échelle et une surveillance, une censure, ainsi que des fraudes ou manipulations si elles sont mal appliquées. La confidentialité est une préoccupation connexe, car les modèles peuvent diffuser ou divulguer des données privées ou sensibles (Weidinger et al., 2022). Un autre défi significatif est le potentiel de GenAI à exacerber des problèmes comme la polarisation, la désinformation et les bulles de filtres. Bien que les preuves soient mitigées (cf. Asimovic, Nagler, Bonneau, & Tucker, 2021; Bail et al., 2020; Budak, Nyhan, Rothschild, Thorson, & Watts, 2024), l'IA prédictive a été associée à la consolidation des biais et à la propagation de la désinformation (Spohr, 2017). La capacité de GenAI à générer du contenu pourrait amplifier ces problèmes si elle est utilisée par des acteurs ignorants ou malveillants (Weidinger et al., 2022). Utilisé comme un artefact complémentaire, GenAI pourrait cependant permettre à une partie plus large de la société d'analyser et de contrer de manière critique la désinformation (Costello, Pennycook, & Rand, 2025).
Enfin, l'accès à la technologie GenAI n'est pas uniformément distribué à l'échelle mondiale et est influencé par les décisions des entreprises proposant des modèles commerciaux, ainsi que par les politiques gouvernementales qui permettent ou contraignent l'accès et l'utilisation (Sathish, Lin, Kamath, & Nyayachavadi, 2024). Avec les perturbations des marchés du travail où certaines formes de travail sont déplacées, cela peut causer des disparités socioéconomiques par un accès inégal aux bénéfices dus aux contraintes matérielles, logicielles et de compétences (Bommasani et al., 2022; Weidinger et al., 2022), suggérant que la démocratisation et la distribution équitable des bénéfices ne sont pas un résultat automatique (Papadopoulos & Cleveland, 2023).
Ces quatre dimensions illustrent comment GenAI étend et redéfinit le rôle de l'IA dans la gestion et les organisations, avec le Tableau 1 fournissant un aperçu des principales conclusions. En agissant comme une technologie à usage général, en catalysant l'innovation exploratoire, en servant d'artefact cognitif complémentaire et en démocratisant l'adoption de l'IA, GenAI remet en question le récit dominant orienté vers la convergence de l'IA. À mesure que les organisations intègrent de plus en plus GenAI, de nouveaux cadres et stratégies tenant compte de ses caractéristiques uniques seront probablement nécessaires.
Les Implications Pratiques et Politiques de l'Adoption de GenAI
L'adoption de l'intelligence artificielle générative (GenAI) représente une transformation technologique majeure qui impacte à la fois les sphères organisationnelles et sociétales. Pour tirer pleinement parti des avantages qu'offre cette technologie, il est essentiel d'examiner ses implications pratiques et politiques. Ces dimensions permettent non seulement de comprendre comment les organisations peuvent intégrer efficacement GenAI dans leurs processus, mais aussi de formuler des politiques publiques capables de maximiser ses bénéfices tout en atténuant les risques associés.
Considérations Politiques
Sur le plan politique, la compréhension des impacts de GenAI à travers une perspective basée sur les tâches révèle des opportunités et des défis distincts pour les marchés du travail et la croissance économique. Historiquement, les progrès technologiques ont souvent conduit à une distribution inégale des bénéfices économiques, avec une concentration excessive des gains entre les mains de quelques grandes entreprises. Cependant, GenAI, grâce à sa nature généraliste et son potentiel démocratisant, pourrait inverser cette tendance si elle est accompagnée de politiques adéquates.
Une estimation suggère que jusqu'à 80 % de la main-d'œuvre aux États-Unis pourrait voir au moins 10 % de leurs tâches affectées par les grands modèles linguistiques (LLMs), tandis que 19 % des travailleurs pourraient être impactés à hauteur de 50 % ou plus (Eloundou et al., 2024). Contrairement aux technologies précédentes qui se concentraient principalement sur les tâches routinières ou spécifiques, GenAI touche un spectre beaucoup plus large de compétences, remettant en question les modèles traditionnels de changement technologique biaisé par les compétences. Cette évolution exige une révision des politiques publiques pour garantir une transition équilibrée et inclusive.
Promotion de l'Innovation et de la Concurrence
Pour maximiser les bénéfices de GenAI, les décideurs politiques doivent promouvoir des politiques qui favorisent l'innovation tout en maintenant un environnement concurrentiel. Cela inclut la mise en place de mesures incitatives pour encourager le développement de technologies complémentaires aux capacités humaines, plutôt que de simplement imiter ces dernières. Par exemple, des politiques visant à soutenir la formation et le perfectionnement des travailleurs peuvent aider à distribuer les avantages de GenAI de manière plus équitable. De plus, des cadres réglementaires doivent être mis en place pour résoudre les problèmes émergents liés à la protection des données, à la responsabilité algorithmique et à la transparence, sans étouffer l'innovation.
Redistribution des Bénéfices
Les politiques "pré-distributives", telles que les initiatives en matière d'éducation et de santé publique, peuvent jouer un rôle crucial dans la réduction des inégalités induites par l'automatisation et la transformation numérique. En outre, des mécanismes de redistribution traditionnels, comme les impôts et les transferts sociaux, doivent être adaptés pour répondre aux nouvelles dynamiques économiques créées par GenAI. Une attention particulière doit être portée à la répartition des bénéfices entre les différentes couches de la société, afin d'éviter une concentration excessive des richesses et des opportunités.
Régulation et Éthique
La nature générative de GenAI soulève des questions éthiques complexes, notamment en ce qui concerne la représentation des valeurs humaines et la préservation d'une agence humaine significative. Les cadres réglementaires actuels doivent être repensés pour aborder des défis nouveaux, tels que la distinction entre contenu généré par des humains et celui produit par des machines, ainsi que les implications de l'utilisation abusive de GenAI pour propager des informations erronées ou manipuler les opinions publiques. Des mécanismes de gouvernance doivent être développés pour garantir que les systèmes d'IA soient alignés sur des valeurs humaines diverses et respectent des principes éthiques fondamentaux.
Considérations Pratiques
Du point de vue organisationnel, l'intégration réussie de GenAI nécessite une approche stratégique qui prend en compte les interdépendances entre les tâches automatisées et celles augmentées par l'IA. Contrairement aux vagues précédentes d'adoption de l'IA, qui étaient principalement axées sur une logique convergente, GenAI exige une mise en œuvre plus nuancée, adaptée à la diversité des tâches divergentes et convergentes.
Rééquilibrage des Rôles Humains et Artificiels
Les organisations doivent analyser quelles tâches sont mieux adaptées à l'automatisation et lesquelles nécessitent une collaboration humaine-IA. Cette analyse doit également considérer comment ces dynamiques évoluent avec le temps. Par exemple, GenAI peut être utilisé pour automatiser des tâches routinières tout en augmentant les capacités humaines dans des domaines tels que la créativité et la résolution de problèmes complexes. Toutefois, une attention particulière doit être accordée à la prévention de la dépendance excessive, qui pourrait entraîner une perte de compétences critiques chez les employés.
Développement des Compétences
L'adoption généralisée de GenAI implique de nouveaux défis pour le développement des compétences. Les organisations doivent investir dans la formation des employés pour leur permettre de maîtriser les compétences nécessaires à l'utilisation efficace de GenAI, y compris la littératie en IA, la gestion des données et les décisions relatives au déploiement des systèmes d'IA. Des pratiques telles que le mentorat traditionnel combiné à des approches algorithmiques peuvent aider à maintenir l'engagement et la motivation des employés, tout en préservant les compétences humaines essentielles.
Gestion des Risques
L'utilisation excessive de GenAI peut entraîner une passivité et une désqualification des employés, en particulier si ceux-ci deviennent trop dépendants des sorties générées par l'IA sans développer leur propre expertise critique. Pour atténuer ce risque, les organisations doivent mettre en place des pratiques qui combinent des approches algorithmiques et traditionnelles dans l'apprentissage et le développement. Cela inclut également la nécessité de définir des mécanismes clairs pour valider les sorties générées par GenAI, afin de garantir leur fiabilité et leur pertinence.
L'adoption de GenAI représente une opportunité sans précédent pour redéfinir les rôles de l'humain et de la machine dans les organisations et la société. Cependant, réaliser son plein potentiel nécessite une approche centrée sur l'humain, qui mette au premier plan le bien-être et l'agence humaine. Les implications pratiques et politiques de GenAI exigent une réflexion approfondie et proactive, afin de garantir que cette technologie serve des objectifs organisationnels et sociétaux alignés sur les valeurs humaines fondamentales. En fin de compte, l'avenir du développement des compétences humaines et de la prospérité partagée dépendra moins des capacités croissantes de l'IA que de notre capacité à concevoir et à mettre en œuvre des approches qui utilisent ces capacités au service d'objectifs humains.