Jumeaux numériques, IA et travail cognitif : ce que l’on modélise vraiment

Les premiers articles de cette série sur les jumeaux numériques ont commencé à poser un cadre sur un sujet qui m’intéresse au plus haut point, à savoir l’utilisation de l’IA et des jumeaux numériques non pas dans le cadre industriel qui est leur terrain de jeu de prédilection mais dans le cadre du travail du savoir, des activités dites cognitives.

Le premier a permis de clarifier ce que recouvre réellement la notion de jumeau numérique, en la distinguant d’une simple simulation ou d’un tableau de bord enrichi (Les jumeaux numériques : de quoi parle-t-on vraiment ?). Le second a montré que la rencontre entre jumeaux numériques et intelligence artificielle repose sur une logique héritée de l’industrie, fondée sur des flux observables, des états mesurables et une certaine forme de déterminisme des systèmes modélisés (Le jumeau numérique à l’ère de l’IA : progrès ou illusion de progrès ?) et qu’on parle plus ici de faire coopérer les deux que les intégrer. Le troisième s’est intéressé au travail cognitif lui-même en rappelant qu’il repose moins sur l’application de règles que par une succession d’ajustements entre personnes au fil des actes de collaboration et de décisions prises pour gérer des exceptions (Et si le vrai défi des jumeaux numériques était le travail cognitif ?).

Si les jumeaux numériques ne peuvent donc modéliser le travail cognitif que jusqu’à un certain point et que l’IA complète davantage les jumeaux qu’elle ne s’intègre à eux en contexte industriel on peut se demander si, par contre, l’IA ne peut pas les aider à repousser leurs limites dans un cadre cognitif. Il ne s’agit donc plus de discuter séparément des jumeaux numériques ou du travail cognitif, mais d’analyser ce que produit concrètement leur rencontre lorsqu’elle est facilitée par l’IA. L’hypothèse est que la puissance des modèles permettrait de dépasser les limites jusque-là rencontrées et de rendre enfin le travail du savoir modélisable.

En bref :

La rencontre entre jumeaux numériques et intelligence artificielle (IA) dans le travail cognitif vise à explorer leur capacité à modéliser des activités moins déterministes que les processus industriels, en misant sur la puissance des modèles statistiques pour détecter des régularités dans les données.
Les retours d’expérience récents sur l’IA au travail montrent des effets mesurables, mais circonscrits à des tâches répétitives et bien formalisées, sans impact profond sur les dynamiques organisationnelles ni sur les activités plus complexes.
Les jumeaux numériques ne capturent qu’une partie du travail cognitif, car une grande part de ce dernier repose sur des ajustements informels, non documentés et situés en dehors des processus observables.
L’IA peut améliorer la compréhension de certaines dimensions du travail formalisé en repérant des motifs récurrents, mais elle reste inopérante face aux éléments contextuels, exceptionnels ou continuellement redéfinis par les acteurs.
Le principal obstacle à une modélisation complète du travail cognitif n’est pas technologique, mais tient à une mauvaise compréhension de la nature du travail : vouloir l’assimiler à un système stable revient à négliger sa complexité réelle et les limites structurelles des outils de modélisation.

L’IA comme solution au problème de modélisation

L’IA est souvent présentée comme l’élément manquant qui permettrait enfin de rendre le travail cognitif modélisable. Là où les approches précédentes échouaient par manque de données ou de capacité de calcul, les modèles actuels seraient en mesure d’identifier des régularités suffisantes pour produire des représentations exploitables.

Cette idée repose sur une hypothèse de déterminisme statistique, à savoir qu’à partir d’un volume suffisant de données passées il deviendrait possible d’inférer des schémas récurrents et d’anticiper des comportements futurs. Cette logique est cohérente avec ce qui a été décrit dans mon second article : un jumeau fonctionne d’autant mieux que le système qu’il représente est stable et que ses flux sont bien définis.

Le problème n’est donc pas la technologie en elle-même, mais la nature du système auquel on applique cette logique.

Ce que les études montrent réellement sur l’IA au travail

Pendant longtemps ce type de réflexion n’est resté que théorique faute de terrain de jeu pour expérimenter et observer mais depuis l’irruption de l’IA générative la donne a changé et on ne manque pas de retours d’expérience.

Les travaux récents confirment donc que l’IA produit des effets mesurables mais sur des périmètres précis. Un rapport de McKinsey sur le potentiel économique de l’IA générative montre que les gains concernent principalement des tâches bien cadrées, répétables et déjà structurées, comme la rédaction de documents standardisés ou le traitement de requêtes simples (The economic potential of generative AI: The next productivity frontier).

Les enquêtes BCG sur l’IA au travail vont dans le même sens : l’adoption progresse, mais les écarts restent importants entre usages individuels et effets organisationnels, ce qui renvoie moins à la puissance des outils qu’à la façon dont le travail est conçu et coordonné (AI at Work 2024: Friend and Foe et AI at Work: Momentum Builds, but Gaps Remain).

Ces résultats ne contredisent en rien les promesses de l’IA mais ils en précisent un périmètre cohérent avec ce qui a été établi sur les jumeaux numériques industriels.

Une représentation partielle des flux de travail

L’un des apports majeurs des jumeaux industriels réside dans leur capacité à représenter des flux continus et traçables qui constituent la base du pilotage. Dans le travail cognitif, une partie seulement de l’activité se présente sous cette forme : documents produits, décisions formalisées ou échanges enregistrés dans les outils.

Le reste de l’activité repose sur des mécanismes moins visibles tels que des interprétations, des compromis ou des ajustements qui se passent totalement hors process et le plus souvent sans laisser de trace documentée. Et plus on accepte que, dans ce type d’activité, la performance ne réside pas dans le processus lui-même mais dans la capacité des processus et des individus à s’influencer mutuellement, plus une partie du travail bascule dans une zone grise difficilement instrumentable. (People Centric Operations : adapter travail et opérations aux travailleurs du savoir).

Ces dimensions sont largement documentées par la recherche en sciences des organisations. Les travaux de Wanda Orlikowski au MIT Sloan (Knowing in Practice: Enacting a Collective Capability in Distributed Organizing) montrent que l’activité ne réside moins dans le fait que les acteurs suivent les processus que dans celui que les acteurs compensent en permanence ce que ces processus ne prévoient pas, ce qui nous ramène au « Work about work » qui absorberait jusqu’à 60% de leur temps (Le « work about work » : quand la réalité du travail consiste à faire fonctionner ce qui ne marche pas).

Un jumeau du travail cognitif fondé uniquement sur les traces numériques ne capture donc qu’une partie de la réalité du travail. L’ajout de l’IA ne modifie pas ce constat car elle opère sur les données disponibles et pas sur ce qui se situe en zone grise et échappe à l’instrumentation.

Ce que l’IA permet de formaliser et ce qui lui échappe

Croiser intelligence artificielle et jumeaux cognitifs ne rend pas le travail intégralement pilotable mais modifie la manière dont certaines dimensions peuvent être observées et décrites. L’IA améliore la capacité à repérer des régularités dans des traces d’activité, à identifier des enchaînements récurrents, à mettre en évidence des dépendances entre tâches, décisions et délais. A ce titre, elle peut contribuer à une meilleure compréhension de certaines composantes du travail en particulier là où celui-ci est déjà partiellement formalisé.

Mais cette capacité reste limitée par ce qui est observable. L’IA formalise ce qui se répète, ce qui laisse des traces et ce qui peut être ramené à des relations suffisamment constantes pour être considérées comme des « patterns », des motifs réguliers. Elle ne formalise par contre pas ce qui relève du ponctuel, du contextuel ou de la manière dont les acteurs redéfinissent en permanence ce qu’il est pertinent de faire à un moment donné. Autrement dit, elle aide à comprendre le travail là où celui-ci ressemble déjà à un système, mais elle n’en fait pas un système lorsqu’il ne l’est pas. Une limite forte quand on sait qu’on parle de métiers où la gestion des exceptions est la norme.

Dans un jumeau cognitif, l’IA agit donc moins comme un moyen de capturer le travail dans son ensemble que comme un filtre qui rend certaines dimensions plus visibles tout en laissant hors modèle ce qui permet précisément au travail de se faire. Lorsque la représentation produite apparaît incomplète ou erronée ce n’est pas une limite de l’IA mais le signe que le travail mobilise des formes de raisonnement, de coordination et d’ajustement qui ne se prêtent pas à une formalisation algorithmique sans déformation.

Conclusion

Croiser intelligence artificielle et jumeaux du travail cognitif ne met pas en évidence une limite technologique mais un malentendu sur la nature du travail que l’on cherche à représenter. Les recherches empiriques convergent : l’IA produit des gains là où le travail est déjà structuré et outillé mais elle ne transforme pas fondamentalement une activité fondée sur l’ajustement, le jugement et la coordination. Tant que l’on continuera à projeter sur le travail du savoir une logique issue de l’industrie les jumeaux resteront incomplets et l’IA apparaîtra comme une promesse décevante. A l’inverse, accepter que des choses échappent au modèle permet de repositionner ces technologies comme des instruments partiels, utiles à condition d’être conçus à partir du travail tel qu’il se pratique et non tel qu’on aimerait que les systèmes le pilotent.

Pour répondre à vos question…

Les jumeaux numériques peuvent-ils modéliser le travail cognitif ?

Les jumeaux numériques peuvent représenter une partie du travail cognitif, mais pas sa totalité. Ils fonctionnent bien sur des éléments formalisés et traçables comme des documents, des décisions explicites ou des flux d’activité structurés. En revanche, ils peinent à intégrer les ajustements informels, les interprétations et les compromis qui font une large part du travail du savoir. Le modèle obtenu reste donc partiel et ne reflète qu’une vision incomplète de la réalité du travail.

L’IA permet-elle de dépasser les limites des jumeaux numériques ?

L’IA améliore la capacité des jumeaux à analyser les données disponibles en identifiant des régularités et des enchaînements récurrents. Elle enrichit ainsi la compréhension des activités déjà partiellement formalisées. En revanche, elle ne supprime pas la limite centrale liée à l’observabilité : ce qui n’est pas tracé ou instrumenté reste hors modèle. L’IA étend donc les possibilités d’analyse sans transformer fondamentalement la nature du travail modélisable.

Pourquoi le déterminisme fonctionne-t-il mal pour le travail du savoir ?

Le déterminisme suppose que des comportements futurs puissent être anticipés à partir de régularités passées. Cette logique est adaptée à des systèmes stables, mais le travail cognitif repose sur l’incertitude, la gestion d’exceptions et des décisions fortement contextuelles. Les acteurs ajustent en permanence leurs actions en fonction de situations imprévues. Cette variabilité limite la pertinence de modèles prédictifs fondés uniquement sur des données historiques.

Que disent les études sur l’impact réel de l’IA au travail ?

Les études montrent que l’IA produit des gains surtout sur des tâches bien cadrées, répétables et standardisées. Les bénéfices sont nets à l’échelle individuelle, mais plus limités au niveau organisationnel. Cela tient moins à la puissance des outils qu’à la nature du travail concerné. Là où l’activité repose sur la coordination et le jugement, l’IA reste un soutien ponctuel plutôt qu’un levier de transformation structurelle.

Comment positionner l’IA et les jumeaux dans le travail cognitif ?

L’IA et les jumeaux cognitifs doivent être envisagés comme des outils partiels d’aide à la compréhension et à la décision. Ils sont utiles pour éclairer certaines dimensions du travail formalisé, mais ne peuvent en rendre compte intégralement. Accepter leurs limites permet d’éviter les attentes irréalistes et de les concevoir à partir du travail réel, tel qu’il se pratique, plutôt que selon une logique industrielle inadaptée.

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