L’entreprise est déterministe, l’IA générative ne l’est pas et c’est un vrai problème

Dans leur grande majorité, les entreprises abordent l’IA générative comme un nouvel outil de performance. Elles veulent des réponses plus rapides, des synthèses automatisées, des contenus plus qualitatifs, justes et rapidement produits. En somme, elles sont sans une logique de renforcement de leur efficacité. Mais ce qu’elles découvrent souvent à leurs dépens, c’est que cette technologie ne se laisse pas dompter aussi facilement. Non à cause de sa complexité technique, mais parce qu’elle obéit à une logique fondamentalement différente de la leur. En effet, là où l’entreprise raisonne en termes de processus, de prévisibilité et de conformité, l’IA générative fonctionne sur un mode probabiliste, itératif, ce qui s’avère le plus souvent déroutant.

Ces différences d’approche ne sont pas sans conséquence et elles expliquent en grande partie pourquoi les promesses de productivité tardent à se concrétiser.

En bref :

Les entreprises abordent l’IA générative comme un outil d’efficacité, mais découvrent qu’elle fonctionne selon une logique probabiliste et non déterministe, en décalage avec leur culture de prévisibilité.
L’organisation traditionnelle repose sur des processus stables et répétables, hérités du taylorisme, alors que l’IA générative génère des résultats variables, non standardisés.
Les usages de l’IA en entreprise, comme en RH ou marketing, montrent des limites liées à cette variabilité : incohérences, erreurs, besoin de validation humaine, perte de confiance.
Deux réactions principales émergent : soit un encadrement strict qui bride le potentiel, soit une délégation aveugle qui expose à des erreurs, révélant une incompréhension des spécificités de l’outil.
Pour intégrer l’IA générative, les entreprises doivent adapter leur fonctionnement : créer des espaces d’usage exploratoires, former au discernement, valoriser l’itération et revoir leur rapport à l’erreur.

L’entreprise a un ADN déterministe par nature

Les organisations contemporaines sont le produit d’une longue histoire d’optimisation. Elles ont été conçue pour fiabiliser, contrôler, répéter et je regrette d’ailleurs souvent que la logique de nombreuses entreprises soit de répéter la perfection à l’infini, un héritage de l’ère taylorienne qui ne correspond plus trop au monde d’aujourd’hui.

Dans cette perspective, le travail est divisé, les rôles sont définis, les processus sont documentés et les attentes en termes de production, de livrables, très précises. Chaque tâche s’inscrit dans une chaîne dont l’objectif est de produire un résultat prédictible et conforme. Le management mesure l’écart à la norme, sanctionne les déviances, corrige les anomalies.

Ce modèle a fait ses preuves dans l’industrie et dans les services structurés et repose sur l’idée que l’environnement peut être stabilisé, que les règles permettent d’anticiper, et que les performances dépendent d’une bonne exécution. C’est un système conçu pour fonctionner dans un monde relativement stable où les mêmes causes, les mêmes actions, doivent toujours mener aux mêmes résultats.

L’IA générative : un fonctionnement probabiliste et exploratoire

L’IA générative, elle, ne fonctionne pas ainsi. Un modèle comme GPT ne raisonne pas, ne calcule pas une vérité, ne suit pas un protocole. Au contraire il anticipe la suite la plus probable d’un énoncé, en fonction d’un contexte et d’un historique. A chaque requête, il génère une réponse parmi des milliards de possibilités, selon une distribution de probabilités qui varie en fonction de la température, du prompt, du contexte, des biais d’entraînement.

Ici la même cause ne donne jamais le même résultat, le même prompt essayé dix fois vous donnera dix résultats différents et de qualité parfois inégale.

Dit autrement : l’IA générative n’est pas conçue pour fournir des résultats constants et déterministes. Elle est conçue pour produire des réponses plausibles, souvent utiles mais quasiment jamais identiques. Son pouvoir tient à sa capacité de variation, pas à sa répétabilité.

Les organisations sont inconfortables face à l’aléatoire

Ce fonctionnement heurte de plein fouet les attentes des entreprises. Je l’avais d’ailleurs identifié comme un frein au déploiement de l’IA générative en entreprise : on parle d’un contexte ou la conformité prime et le droit à l’erreur n’existe pas (Pourquoi l’IA d’entreprise ne peut pas suivre la vitesse de l’IA grand public : au-delà de ChatGPT, une réalité plus complexe). Ce que les décideurs demandent, ce sont des outils fiables, auditables, intégrables à des processus métier et ce qu’ils obtiennent, ce sont des réponses parfois pertinentes, parfois absurdes, mais dans tous les cas difficiles à tracer et à stabiliser.

Face à cela, deux réactions sont possibles manifestent :

La première consiste à restreindre l’usage : on encadre, on filtre, on contrôle, jusqu’à étouffer le potentiel exploratoire du modèle.
La seconde consiste à déléguer sans comprendre, espérant que la technologie fasse « magiquement » mieux, au risque d’erreurs non détectées ou de biais amplifiés.

Deux cas très concrets pour comprendre de quoi on parle.

Commençons par un cas d’usage RH.

Plusieurs entreprises ont déployé des assistants RH basés sur des LLM pour automatiser les réponses aux questions fréquentes des collaborateurs (congés, formation, mobilité…). L’objectif était simple : désengorger les équipes RH et améliorer la réactivité.

Mais très vite, les limites du modèles sont apparus

L’assistant donnait parfois des réponses incohérentes ou incomplètes, générées à partir de documents obsolètes.
La formulation des prompts par les collaborateurs variait énormément, introduisant une variabilité source de confusion.
Les RH se sont retrouvés à devoir relire et valider manuellement les réponses, transformant un gain de productivité en charge supplémentaire.
Et surtout, les directions se sont inquiétées de la non-conformité des réponses avec la législation ou les accords d’entreprise.

Résultat : l’usage a été suspendu ou cantonné à des cas très simples, encadré par des gardes fous stricts. On a tenté de faire rentrer l’aléatoire dans un moule déterministe et sans surprise on a échoué.

Maintenant un autre exemple dans la relation client.

Des équipes marketing ont utilisé des modèles génératifs pour produire à la volée des emails commerciaux ou des réponses aux prospects. Sur le papier, c’est un gain de temps mais dans les faits la réalité était moins emballante :

Le ton varie d’un message à l’autre.
Des arguments erronés apparaissent.
Des erreurs apparaissent dans les noms de produits, les offres, les conditions.

Dans une entreprise B2B du secteur logiciel, certains commerciaux ont même commencé à copier-coller les réponses IA sans relecture, persuadés de gagner du temps et les résultats ne se sont pas fait attendre : des tensions avec les clients, des incohérences dans la communication, et une perte de confiance dans l’outil.

Là encore, ça n’est pas l’IA qui est en faute mais c’est le cadre l’organisation qui projette des attentes de stabilité sur une technologie qui produit des variations par nature.

Transformer l’organisation pour intégrer l’IA générative

Plutôt que d’essayer de plier l’IA aux règles de l’entreprise, il faut s’interroger sur ce que l’organisation peut faire évoluer pour accueillir cette technologie avec toutes ses spécificités.

Cela suppose plusieurs changements structurants :

Accepter que certains usages doivent rester exploratoires, comme la génération d’idées, le prototypage de contenus ou la reformulation.
Définir des espaces d’usage non critiques, où l’imprécision n’est pas un risque mais une opportunité.
Mettre en place des boucles d’apprentissage, où les utilisateurs affinent, corrigent, itèrent avec le modèle au lieu d’attendre une réponse parfaite.
Former au jugement plutôt qu’aux outils : le vrai levier de performance n’est pas l’IA elle-même, mais la capacité à interpréter, filtrer et réutiliser intelligemment ses propositions.

Cela implique aussi une évolution culturelle : cesser de considérer l’erreur comme un dysfonctionnement, pour la reconnaître comme un matériau d’apprentissage et admettre que dans certains domaines il n’y a pas de réponse parfaite.

Intégrer l’IA c’est d’une certaine manière apprendre à gérer l’incertitude et donc revoir nombre de nos réflexes.

Conclusion

L’IA générative ne rentrera jamais parfaitement dans les cases d’une organisation conçue pour la perfection et la répétabilité. Elle n’est ni fiable comme une base de données, ni stable comme un processus industriel mais c’est justement ce qui fait son intérêt.

Pour en tirer pleinement parti, il faut accepter de changer de logiciel mental : passer d’un management du contrôle à un management du sens, d’un pilotage par les règles à un pilotage par les marges de manœuvre. Ce n’est pas une révolution technologique mais une révolution cognitive qui, logiquement, commence par de l’inconfort.

Crédit visuel : Image générée par intelligence artificielle via ChatGPT (OpenAI)