L’opportunité de l’IA en entreprise est l’augmentation, pas le remplacement

L’intelligence artificielle générative peut produire une vision plausible du futur en quelques secondes. Cela ne signifie pas que les entreprises doivent bâtir leurs stratégies autour de celle‑ci.

Une étude récemment publiée comparant les scénarios de main‑d’œuvre générés par l’IA à la prospective dirigée par des experts a révélé une nette division des points forts.¹ ChatGPT 4.5, Gemini Advanced 2.5 Pro et DeepSeek R1 ont généré des scénarios structurés rapidement, efficacement et sur un large éventail de thèmes. Les experts humains, en revanche, ont produit des futurs avec une plus grande profondeur contextuelle, une sensibilité éthique et une utilité stratégique.

La recherche s’est concentrée sur la gestion des talents dans le tourisme et l’hôtellerie, mais ses implications vont bien au-delà des hôtels et des voyages. Chaque entreprise qui envisage aujourd’hui l’IA pour la planification, le recrutement, l’analyse des risques ou le soutien aux décisions exécutives se pose la même question : le système produit‑il des éclairages, ou se contente‑t‑il d’assembler des idées familières en un récit convaincant ?

La réponse n’est pas que l’IA manque de valeur. Au contraire, sa valeur est maximale lorsqu’elle élargit le champ des possibilités avant que des personnes expérimentées ne décident de ce qui mérite d’être pris au sérieux.

Comment les chercheurs ont testé la GenAI comme outil de prospective stratégique

Les chercheurs ont demandé aux trois plateformes d’IA de développer des scénarios de main‑d’œuvre pour 2035 en utilisant le cadre des Quatre Futurs de Dator. Cette méthode explore quatre grandes orientations : la continuité, l’effondrement, la discipline et la transformation.

Chaque modèle a reçu des consignes standardisées couvrant les conditions de travail, l’usage de l’IA dans les ressources humaines, les perceptions des employés, les compétences émergentes, l’éthique, la politique et l’éducation. Les récits ainsi produits ont été comparés aux scénarios précédemment élaborés à partir d’entretiens avec 30 experts internationaux du tourisme et de l’hôtellerie, dont des dirigeants, des professionnels des RH, des spécialistes technologiques et des universitaires.

Les quatre scénarios allaient d’un lieu de travail piloté par l’IA où l’automatisation améliorait le recrutement et la formation à un futur sur‑automatisé marqué par la surveillance, la dépersonnalisation et le mécontentement des employés. Les modèles ont également envisagé un environnement de travail équilibré entre humains et IA ainsi qu’un futur où l’industrie restreindrait délibérément l’automatisation afin de préserver le service personnalisé.

L’expérience a été intentionnellement restreinte. Les modèles ont reçu des consignes en une seule passe, sans questions de suivi, validation externe, retour des parties prenantes ou raffinement itératif. En conséquence, l’article évalue des futurs générés par l’IA à leur niveau de base plutôt que le meilleur résultat possible issu d’un flux de travail humain‑IA sophistiqué.

Où l’IA a surpassé et où les experts ont conservé l’avantage

Les résultats comparatifs de l’étude montrent pourquoi l’IA générative séduit les entreprises. Elle peut rapidement remplir une page blanche avec des rôles possibles, des risques, des politiques et des réponses organisationnelles. Cette rapidité pourrait rendre la planification formelle de scénarios accessible aux petites entreprises qui ne peuvent pas engager une grande équipe de consultants pour chaque question stratégique.

La faiblesse est apparue lorsque l’ampleur devait se transformer en jugement. Les modèles ont identifié des enjeux tels que les biais, la confidentialité, le déplacement et la surveillance, mais les ont généralement traités comme de simples catégories à mentionner. Les experts ont examiné comment ces enjeux affecteraient le moral, la culture de service, la voix des employés, les contraintes organisationnelles et le travail émotionnel central à l’hôtellerie.

Cette distinction est importante. Un modèle linguistique peut identifier que l’automatisation pourrait réduire le contact humain. Un opérateur expérimenté est plus susceptible de comprendre quelles interactions les clients apprécient, quelles décisions les travailleurs résisteront, et où un processus apparemment efficace pourrait nuire à la confiance ou à la fidélisation.

La véritable opportunité pour les entreprises est une exploration stratégique plus rapide

L’interprétation la plus utile n’est pas que les humains ont vaincu l’IA. C’est que chaque partie a opéré à un niveau différent du problème.

La GenAI était efficace pour la génération de possibilités. Les experts étaient meilleurs pour l’évaluation de ces possibilités. Combiner ces fonctions peut créer un processus plus robuste que de compter entièrement sur l’une ou l’autre.

Une organisation pourrait utiliser l’IA pour créer des dizaines de scénarios de référence, faire varier les hypothèses critiques, identifier les signaux faibles et révéler les contradictions. Les participants humains pourraient alors rejeter les récits génériques, ajouter des preuves locales, introduire les points de vue des parties prenantes et décider quelles évolutions justifient un investissement ou une planification de contingence.

Cette approche ressemble à la transition plus large des modèles autonomes vers des systèmes d’entreprise complets. Comme Securities.io l’a déjà examiné, la plupart des déploiements autonomes manquent de couches essentielles autour de l’intelligence sous-jacente. Un modèle performant n’est qu’un composant. L’accès aux données, l’orchestration, la gouvernance, la sécurité, la responsabilité et l’intégration déterminent s’il crée une valeur durable.

Pour une utilisation pratique, les entreprises devraient considérer les scénarios générés par l’IA comme des hypothèses devant passer plusieurs vérifications :

• Quelles hypothèses sont non étayées ou trop génériques ?
• Quels intérêts et quelles expériences sont absents ?
• Quelles preuves confirmeraient ou affaibliraient le scénario ?
• Quelles décisions restent réversibles si la prévision s’avère erronée ?

Cela transforme l’IA d’une autorité en un partenaire de réflexion intellectuel. Son objectif est d’élargir la réflexion, pas de clore le débat.

Pourquoi la supervision humaine devient une exigence économique

La révision humaine est souvent présentée comme une protection éthique ajoutée après la construction d’un système d’IA. Dans les applications stratégiques, elle fait partie intégrante du produit.

Une prévision qui néglige la réglementation, la résistance du personnel ou le comportement des clients peut orienter les capitaux vers le mauvais projet. Un système de recrutement qui optimise l’efficacité mesurable tout en affaiblissant la confiance peut augmenter le turnover et l’exposition juridique. Un outil de planification de scénarios qui répète les hypothèses dominantes peut rendre les dirigeants plus confiants sans les rendre mieux informés.

La réglementation renforce ce besoin. Le AI Act de l’Union européenne classe certaines applications d’emploi et de gestion du personnel comme à haut risque et impose des mesures telles que la documentation, la traçabilité, la précision et la supervision humaine. Ces exigences rendent les capacités de gouvernance commercialement pertinentes plutôt que simplement réputationnelles.

L’avantage concurrentiel émergent pourrait donc être l’intelligence contextuelle : la capacité de relier les sorties du modèle à des données propriétaires, à la connaissance sectorielle, à la réglementation, à l’historique organisationnel et à l’expérience vécue des personnes concernées. Les modèles de fondation continueront de s’améliorer, mais l’accès à un modèle performant devient moins différenciant. L’actif le plus difficile à reproduire est le système qui l’entoure.

Cela aide également à expliquer pourquoi l’intelligence est de plus en plus considérée comme une infrastructure. Une infrastructure devient économiquement utile lorsqu’elle est fiable, gouvernée et connectée aux opérations réelles. La génération brute n’est que le début de cette chaîne de valeur.

Une limitation critique modifie la façon dont les résultats doivent être interprétés

L’étude présente une asymétrie importante. Les scénarios d’IA étaient des sorties brutes de première passe, tandis que la comparaison humaine provenait d’interviews qui ont été synthétisées, éditées et publiées après évaluation par les pairs. Une partie de l’avantage des experts peut refléter un processus de production plus riche plutôt qu’une différence inhérente entre le raisonnement humain et celui de la machine.

Les versions de modèles sélectionnées reflètent également une période de collecte de données de février à mars 2025. compte tenu du rythme du développement de l’IA, la recherche ne doit pas être interprétée comme un classement permanent de ChatGPT, Gemini, DeepSeek ou des experts humains.

Ces limites n’invalident pas la conclusion principale. Elles orientent plutôt vers la prochaine expérience : comparer des équipes d’experts à d’autres équipes d’experts utilisant l’IA, les deux parties disposant d’un accès égal aux preuves, à l’itération et à la révision éditoriale. Cela permettrait de mesurer si la GenAI comble le fossé contextuel lorsqu’elle est intégrée à un processus rigoureux.

Investir dans la couche d’intégration Humain‑IA

Les résultats constituent un argument d’investissement naturel pour Accenture. L’entreprise se situe entre des modèles de fondation de plus en plus performants et les entreprises qui ont besoin que ces modèles soient transformés en flux de travail sécurisés et spécifiques à chaque secteur.

La pertinence d’Accenture ne repose pas sur la possession d’un modèle de fondation de premier plan. Elle provient de la combinaison de la mise en œuvre technologique avec la connaissance des processus, la transformation de la main‑d’œuvre, la gouvernance et l’expertise sectorielle. Cette position correspond étroitement à la conclusion de l’étude selon laquelle l’IA devient plus utile lorsque ses sorties sont interprétées et contextualisées par des humains.

L’entreprise a récemment créé un Accenture Gemini Enterprise Business Group avec Google Cloud. L’initiative combine des professionnels certifiés, une expertise sectorielle, des cadres de mise en œuvre et une équipe d’ingénieurs déployés en avant‑première prévue à 1 000 personnes. Son objectif déclaré est de faire passer les clients d’expérimentations limitées d’IA à des résultats d’entreprise mesurables.

Cette stratégie comporte également des risques. Les projets d’IA menés par des cabinets de conseil peuvent être coûteux, les bénéfices difficiles à quantifier, et les logiciels en évolution rapide peuvent automatiser certaines parties du travail de mise en œuvre. Accenture doit démontrer que son expertise génère des améliorations opérationnelles durables plutôt que de simples programmes pilotes prolongés. Néanmoins, la recherche confirme l’hypothèse de base selon laquelle les entreprises auront besoin de plus que l’accès à des modèles. Elles auront besoin d’aide pour repenser les décisions, les responsabilités et les flux de travail qui les entourent.

L’IA façonnera la stratégie sans en devenir le stratège

L’IA générative permet déjà d’accélérer et de réduire le coût de l’exploration stratégique. Elle peut proposer des alternatives, organiser l’incertitude et offrir aux décideurs des éléments concrets à remettre en question. Ce sont des avantages significatifs.

Ce qu’elle ne peut pas encore fournir d’elle‑seule, c’est la responsabilité quant aux hypothèses contenues dans ses récits. Elle ne supporte pas le coût lorsqu’une recommandation générique entre en conflit avec la culture d’entreprise, la réglementation ou le comportement humain.

Le modèle d’entreprise le plus solide n’est donc ni une automatisation totale ni un rejet de l’IA. Il repose sur une division du travail disciplinée : les machines génèrent et font varier les possibilités, tandis que les humains apportent les preuves, le contexte, le jugement éthique et la responsabilité. Pour les investisseurs, cela déplace l’attention des seuls modèles vers les sociétés qui construisent les couches d’intégration, de gouvernance et d’expertise qui rendent l’IA exploitable dans l’économie réelle.

Références :

¹ El Hajal, G., & Ivanov, S. (2026). Machines, esprits et l’avenir du travail : GenAI et les imaginaires du travail futur. Futures, 184, 103934. https://doi.org/10.1016/j.futures.2026.103934