IA et prise de décision : pourquoi une meilleure réponse ne garantit pas une meilleure décision

IA et prise de décision : pourquoi une meilleure réponse ne garantit pas une meilleure décision

"L'IA peut-elle nous aider à prendre de meilleures décisions ?"

Après la question de l'efficacité au travail, celle-ci paraît presque évidente. Si une IA peut lire davantage de documents, comparer plus de variables et produire une recommandation en quelques secondes, elle devrait permettre de décider mieux. Mais ce raisonnement mélange plusieurs choses : disposer de plus d'informations, les traiter plus vite, prévoir un résultat et choisir l'action à engager.

Les recherches disponibles en 2026 donnent une réponse plus précise : l'IA peut améliorer un processus de décision, mais le gain dépend autant du rôle qu'on lui donne que de ses performances propres. Elle peut faire apparaître une information qu'un humain aurait manquée. Elle peut aussi produire une recommandation tellement convaincante qu'elle réduit précisément le doute qui devait sécuriser la décision.

Le même outil peut améliorer dix-huit tâches et dégrader la suivante

L'étude de Fabrizio Dell'Acqua et de ses coauteurs, publiée en 2026 dans Organization Science, fournit l'un des résultats les plus utiles. L'expérience porte sur 758 consultants de Boston Consulting Group répartis entre travail sans IA, accès à GPT-4 et accès à GPT-4 avec une présentation sur son usage.

Sur dix-huit tâches situées dans le périmètre de capacités du modèle, les participants utilisant l'IA terminent 12,2 % de tâches supplémentaires et travaillent en moyenne 25,1 % plus vite, avec une qualité supérieure. Puis les chercheurs introduisent une tâche managériale conçue pour se situer au-delà de cette frontière. Le groupe sans IA trouve la bonne réponse dans environ 84,5 % des cas. Les groupes assistés tombent à 60 % et 70,6 %, soit une baisse moyenne de 19 points de pourcentage.

Le détail le plus gênant est que, même lorsqu'elles sont fausses, les réponses assistées par IA sont jugées plus cohérentes et plus persuasives. L'outil ne fait donc pas seulement courir le risque d'une erreur : il peut mieux présenter cette erreur et la rendre plus difficile à contester.

Cette "frontière dentelée" change la question. Il ne suffit pas de savoir si l'IA est performante. Il faut aussi savoir si l'utilisateur peut reconnaître le moment où la tâche vient de sortir de son domaine de compétence.

Humain plus IA ne signifie pas automatiquement meilleure équipe

Une deuxième intuition mérite d'être démontée : celle selon laquelle un humain assisté d'une IA réunirait mécaniquement le meilleur des deux mondes.

Gagan Bansal et ses coauteurs ont étudié cette complémentarité dans des expériences publiées à CHI en 2021. Ils observent des gains dans certaines configurations, mais montrent surtout que fournir une explication à la recommandation de l'IA n'améliore pas automatiquement le discernement humain. Dans leurs expériences, les explications augmentent la probabilité que les participants suivent la recommandation, qu'elle soit correcte ou non.

Zana Buçinca, Maja Malaya et Krzysztof Gajos ont ensuite testé sur 199 participants des interfaces obligeant l'utilisateur à fournir davantage d'effort avant d'accepter la proposition de l'IA. Ces "cognitive forcing functions" réduisent la surconfiance, avec un paradoxe assez parlant : les participants préfèrent les interfaces qui les font moins réfléchir. Ce qui améliore le contrôle n'est donc pas toujours ce qui produit l'expérience utilisateur la plus confortable.

Cette tension rejoint la question de la fatigue cognitive liée à la supervision des IA. Demander à un salarié de "vérifier" une sortie algorithmique ne suffit pas. Encore faut-il lui laisser le temps, les données et l'interface nécessaires pour réellement la contester.

Une bonne prédiction n'est pas encore une bonne décision

Un exemple plus ancien reste particulièrement utile parce qu'il montre une erreur de raisonnement qui dépasse largement les modèles de langage. En 2015, Rich Caruana et ses coauteurs de Microsoft Research ont publié un travail sur des modèles prédictifs appliqués au risque de mortalité chez des patients atteints de pneumonie.

Les données semblaient montrer que les patients asthmatiques avaient un risque de mortalité plus faible. Le motif statistique était réel, mais son interprétation était trompeuse : ces patients recevaient plus souvent des soins agressifs et étaient admis directement en soins intensifs. C'était précisément cette prise en charge qui améliorait leur issue. Un modèle utilisé naïvement pour décider de l'hospitalisation pouvait donc apprendre qu'un patient asthmatique était moins à risque alors que cette apparente protection provenait du traitement reçu.

Les auteurs ont renoncé à utiliser les réseaux de neurones opaques envisagés pour l'essai clinique, non parce qu'ils étaient moins précis, mais parce qu'il était difficile de savoir quelles autres relations dangereuses ils avaient pu apprendre. Leur exemple rappelle une différence essentielle : prédire ce qui arrive sous une politique existante ne dit pas nécessairement ce qui arrivera si l'on change cette politique.

C'est aussi pourquoi une organisation qui veut utiliser l'IA dans ses arbitrages devrait commencer par qualifier les sources, les hypothèses et ce qui relève réellement d'une relation causale. C'est le principe développé dans le dossier Kachouri consacré au passage du signal à la décision : accumuler davantage d'informations ne suffit pas si l'on ne sait pas lesquelles font autorité et dans quel contexte elles restent valides.

Les meilleurs résultats apparaissent quand le rôle de l'IA est borné

À l'inverse, certaines études montrent qu'une architecture humain-IA bien définie peut améliorer à la fois qualité et charge de travail. L'essai randomisé suédois MASAI sur le dépistage du cancer du sein en donne un exemple solide.

Dans l'analyse publiée en 2025 sur 105 934 participantes, l'IA sert à trier les mammographies entre lecture simple et double lecture, tout en aidant à détecter des zones suspectes. Le protocole assisté par IA augmente de 29 % le taux de cancers détectés, sans hausse statistiquement significative des faux positifs, tout en réduisant de 44,2 % le nombre de lectures réalisées par les radiologues. Le suivi publié en 2026 montre une sensibilité supérieure dans le groupe assisté, avec la même spécificité que le contrôle standard.

Ce résultat ne signifie pas que "l'IA décide mieux que les médecins". Le dispositif fonctionne parce que la tâche est précise, les critères sont mesurables, l'outil intervient dans un protocole clinique et les radiologues restent dans la boucle. Le gain vient d'une répartition explicite des rôles dans une chaîne de décision observable, pas d'une délégation générale du diagnostic.

Le risque commence quand l'aide devient autorité

La distinction entre assistance et décision est aussi juridique. Le règlement européen sur l'IA est largement applicable depuis le 2 août 2026, mais son calendrier a été modifié en juillet par le règlement (UE) 2026/1744. Pour les systèmes classés à haut risque au titre de l'article 6(2) et de l'annexe III, les sections 1, 2 et 3 du chapitre III s'appliqueront désormais à partir du 2 décembre 2027, et non du 2 août 2026 comme le prévoyait le calendrier initial.

Cette correction est importante parce que le rapport de recherche utilisé comme point de départ reprenait encore l'ancien calendrier. Elle ne change pas le mécanisme que l'article 14 cherche à encadrer : pour les systèmes à haut risque concernés, le contrôle humain doit permettre de comprendre les capacités et limites du système, de surveiller son fonctionnement et de rester conscient du risque de confiance excessive dans ses sorties.

Le détail figure dans l'analyse Kachouri de l'AI Act 2026-2028. Le point utile ici est plus général : mettre un humain devant un bouton de validation ne transforme pas automatiquement une décision automatisée en décision humaine. Si la recommandation arrive avant toute réflexion indépendante et qu'il devient plus simple de l'approuver que de la contester, la supervision peut devenir purement formelle.

Une bonne architecture de décision commence avant la recommandation

Les recherches précédentes suggèrent quatre questions avant d'intégrer une IA dans un arbitrage : le problème est-il suffisamment stable pour apprendre du passé ? Le résultat peut-il être vérifié sans refaire tout le travail ? L'humain peut-il former son propre jugement avant de voir la recommandation ? Et pourra-t-on, six mois plus tard, retrouver les données, hypothèses et raisons ayant conduit au choix ?

Cette dernière question est souvent négligée. Une décision doit parfois être comprise, contestée ou révisée après coup. Conserver uniquement la synthèse générée revient alors à perdre une partie de ce qui permettra de savoir pourquoi elle était raisonnable à un instant donné. C'est le même problème que pose MinuteVibe lorsqu'il distingue ce qui mérite une trace de ce qui peut disparaître : tout ne doit pas être archivé, mais une décision importante doit rester explicable dans son contexte.

Ma lecture : l'IA est souvent plus utile avant la décision qu'à sa place

Les preuves disponibles ne justifient ni le rejet de l'IA dans les processus de décision, ni l'idée inverse d'un arbitre algorithmique naturellement supérieur. Elles dessinent quelque chose de plus opérationnel.

L'IA est très forte pour explorer rapidement un corpus, détecter des régularités, comparer des scénarios et produire une première lecture. Elle peut être excellente lorsque le problème est mesurable et répété. Mais dès qu'une décision dépend de causalités mal observées, d'informations tacites ou d'un événement réellement nouveau, sa capacité à produire une réponse propre peut devenir précisément ce qui rend l'erreur dangereuse.

Je retiens donc une règle simple : avant de demander à l'IA "que dois-je décider ?", il est souvent plus utile de lui demander "qu'est-ce que je n'ai pas regardé, quelle hypothèse est fragile et qu'est-ce qui pourrait rendre ma conclusion fausse ?"

Ce changement de rôle ne garantit pas une meilleure décision. Il conserve en revanche une chose essentielle : la possibilité que l'humain construise son jugement avant d'être ancré par celui de la machine.

Ce que l'on ne peut pas conclure

Les études citées portent sur des environnements très différents et ne permettent pas de fixer une règle universelle. Le concept de frontière dentelée repose notamment, dans l'étude Dell'Acqua, sur une seule tâche explicitement conçue hors frontière. Les expériences sur l'explicabilité montrent que certaines justifications peuvent accroître la confiance sans améliorer le discernement, mais l'effet dépend de la tâche, de l'interface et de l'utilisateur. Les résultats de MASAI documentent un protocole clinique précis et ne doivent pas être extrapolés à l'ensemble des décisions médicales.

Le rapport initial contenait également plusieurs affirmations plus catégoriques que les sources primaires ne le permettent, notamment sur l'efficacité générale de l'IA comme "avocat du diable", sur certains taux sectoriels et sur le calendrier de l'AI Act. Pour cette version, j'ai conservé les mécanismes soutenus par des publications identifiables et écarté les chiffres dont la provenance ou la généralisation restaient trop fragiles.

La conclusion est donc plus étroite, mais plus utile : l'IA peut aider à prendre de meilleures décisions lorsqu'elle améliore l'information ou le contrôle sans supprimer l'indépendance du jugement. Elle peut les dégrader lorsque sa recommandation devient une ancre que l'humain n'est plus réellement en mesure de remettre en cause.

La question suivante est presque naturelle : que se passe-t-il lorsque cette même IA n'assiste plus seulement un salarié ou un décideur, mais devient directement visible par le client ?