Construire des équipes hybrides en préservant le jugement humain
Concevoir une mise en œuvre de l'IA qui renforce la performance, l'expertise et la responsabilité
Lors de HUMANE.S. 2026, à Montréal le 18 septembre, la Prof. Katharina Hölzle, directrice de l’Institut d'ergonomie et de gestion de la technologie à l’Université de Stuttgart et directrice générale du Fraunhofer IAO (Institut pour l'économie du travail et l'organisation), a exploré comment les organisations peuvent constituer des équipes hybrides associant humains et IA, tout en préservant le jugement humain, l’expertise et la responsabilité.
Cet article s’appuie sur sa présentation intitulée « The Future of Work: Where is the Human in the Loop? ».
Construire une organisation hybride consiste à répartir le travail entre les êtres humains et les systèmes d’IA, tout en préservant la capacité humaine à comprendre, évaluer et décider. L’enjeu est de choisir (1) ce que l’IA peut prendre en charge, (2) le degré d’autonomie qui lui est accordé et (3) les compétences que les équipes doivent continuer à exercer.
La Prof. Katharina Hölzle, directrice de l’IAT (Institut d'ergonomie et de gestion de la technologie) à l’Université de Stuttgart et directrice générale du Fraunhofer IAO (Institut pour l'économie du travail et l'organisation), relie ces choix à la conception du travail elle-même au sein de l’organisation.
Sa conférence montre pourquoi l’efficacité d’un outil ne suffit pas à garantir l’efficacité de l’équipe qui utilisera l’outil. Elle propose des leviers pour mieux organiser la collaboration entre humains et IA.
Le jugement humain en est le point d’appui : il permet de reconnaître les limites de l’IA, d’apprécier la qualité de ses propositions et de décider de la suite à leur donner. Il doit donc être organisé explicitement dans les activités professionnelles et être entretenu par la pratique régulière. Pour les dirigeants d’entreprise comme pour les administrateurs universitaires, la question devient : comment bénéficier des atouts de l’IA sans affaiblir l’expertise humaine nécessaire pour superviser cette technologie inédite ?
1. Partir des tâches pour construire les équipes hybrides
Les travaux présentés montrent certes des gains de productivité, mais ils révèlent aussi les limites d’une lecture qui serait fondée uniquement sur la vitesse ou sur le volume de production. Par exemple, dans les expériences menées auprès de développeurs informatiques et citées par Katharina Hölzle, davantage de tâches ont été achevées, mais le taux de réussite des compilations a diminué. Produire davantage ne signifie donc pas systématiquement produire mieux.
Pour comprendre cette diversité, la Prof. Hölzle mobilise la notion de « frontière irrégulière » des capacités de l’IA. Certaines tâches sont bien maîtrisées ; d’autres, parfois apparemment proches, restent au-delà de ses capacités. Entre les deux se trouvent des espaces de collaboration où humains et IA construisent ensemble un résultat. [1]
La conséquence est concrète : la répartition doit se faire tâche par tâche, selon la fiabilité de l’IA, les capacités des personnes et les risques encourus. Une équipe hybride réunit ainsi :
des activités confiées à l’IA,
des activités réalisées ensemble
et des activités dont la maîtrise reste uniquement humaine.
Le périmètre de délégation doit dépendre de la tâche et du risque, plutôt que d’un objectif général d’automatisation. [1]
Pour un dirigeant, cela implique de commencer par un processus précis et d’identifier les endroits où l’IA produit, ceux où une personne vérifie, puis ceux où quelqu’un décide.
2. Clarifier les règles avant de généraliser les usages
La Prof. Hölzle met en évidence un décalage entre la diffusion des usages individuels et la transformation des organisations. Les salariés s’emparent des outils, tandis que l’adaptation des rôles, des processus et des règles prend davantage de temps.
Ce décalage devient problématique lorsque les rôles, les processus, les règles et les compétences restent inchangés. Les outils se diffusent, mais les conditions permettant d’en tirer une valeur collective ne suivent pas nécessairement et cela se traduit alors par :
des responsabilités peu claires,
des limites d’autonomie indéfinies,
des procédures d’escalade insuffisantes
et des niveaux de maîtrise très inégaux au sein d’une même équipe.
L’enquête AI@PRO, conduite auprès de 9 589 répondants de Fraunhofer et de la Max Planck Society, rend ce problème tangible dans un écosystème de recherche. Parmi les chercheurs interrogés, 42 % déclarent connaître les outils d’IA et 26 % les utiliser quotidiennement ou davantage. Pourtant, seuls 21 % réussissent un test de formulation de requêtes, sur environ 5 000 réponses analysées. [2]
La familiarité déclarée ne suffit donc pas à établir la compétence. Les obstacles recensés — incertitudes juridiques, manque de connaissances et absence d’outils adaptés — montrent aussi que la formation ne peut pas, seule, résoudre tous les problèmes. Elle doit s’accompagner d’un cadre d’usage et de moyens appropriés. [1, 2]
3. Choisir le degré de délégation et organiser le jugement humain
La Prof. Hölzle distingue trois configurations :
l’IA assiste une personne,
l’IA augmente les capacités de la personne,
l’IA orchestre des activités à travers des agents et des processus plus autonomes.
Ces 3 modes d’organisation permettent de poser la question « jusqu’où aller ? » sans faire de l’autonomie maximale un objectif systématique.
Lorsque l’IA assiste, elle apporte une aide sur une tâche : recherche, traduction ou programmation, par exemple. La personne utilise cette contribution dans son travail. Le point de vigilance est sa capacité à en apprécier la pertinence.
Lorsque l’IA augmente les capacités, elle contribue plus étroitement à l’analyse ou à la production de solutions. Il devient nécessaire de distinguer ce qu’elle propose de ce que les personnes retiennent, valident et mettent en œuvre.
Lorsque l’IA orchestre des activités, les agents interviennent dans des chaînes de tâches plus autonomes. Les limites de leur action, les responsabilités et les situations nécessitant une intervention humaine doivent alors être explicites. Cette exigence rejoint les lacunes de gouvernance identifiées par la Prof. Hölzle : autonomie, documentation et procédures d’escalade.
La limite à fixer dépend donc de la capacité de l’organisation à évaluer les résultats et à conserver la maîtrise du processus. Un résultat convaincant ne dispense pas d’un jugement compétent sur sa qualité et ses conséquences. La Prof. Hölzle invite à séparer la génération des propositions de leur évaluation et à décider explicitement de ce qui doit rester humain. [1]
Cette approche ouvre aussi une question de stratégie : que permet l’IA que l’équipe ne pouvait pas réaliser auparavant ? La Prof. Hölzle recommande d’examiner les nouvelles possibilités de création de valeur, tout en considérant les effets de l’automatisation sur l’expertise et sur la formation des futurs professionnels. [3]
Les résultats sur l’IA comme « coéquipier » illustrent ce potentiel. Dans l’étude présentée, une personne assistée par l’IA peut atteindre ou dépasser la qualité obtenue par un binôme sans IA. L’outil favorise aussi des solutions plus équilibrées entre domaines d’expertise. Les équipes assistées par l’IA atteignent les 10 % de meilleurs résultats presque trois fois plus souvent que les personnes travaillant seules sans IA. [4]
Mais la performance collective doit être suivie au-delà de la production immédiate. La Prof. Hölzle cite des travaux faisant état d’une moindre recherche de conseils sous management algorithmique, d’une tendance à reprendre les réponses de l’IA même lorsque des erreurs sont introduites dans l’expérience, et d’une intensification du travail. La qualité de l’équipe hybride se juge aussi à la coopération entre collègues, à la charge de travail et à la capacité à remettre en question les réponses de l’IA. [1, 5]
4. Former les équipes à exercer leur rôle dans l’organisation
La Prof. Hölzle propose un modèle de développement qui articule (1) les outils, (2) les compétences et (3) les dispositions à agir. Trois niveaux complémentaires permettent de préparer les personnes aux rôles attendus dans une organisation hybride. [1]
Niveau 1 - Une maîtrise de base donne un langage commun : comprendre l’IA, l’intégrer au travail et connaître les repères juridiques et éthiques qui encadrent son usage.
Niveau 2 - Une maîtrise avancée permet de concevoir des cas d’usage, de formuler des requêtes adaptées et de répartir les tâches dans une chaîne de travail associant humains et IA.
Niveau 3 - Une maîtrise stratégique porte sur la conception des processus, des rôles et des responsabilités. Elle inclut les choix normatifs et le risque de perte de compétences lorsque certaines activités sont progressivement déléguées.
Cette progression associe des ressources modulaires, des tâches choisies par les participants, des bibliothèques de requêtes et des apprentissages entre pairs. Les dirigeants ont eux aussi besoin d’un parcours : leurs décisions portent sur le contrôle de la qualité, la conformité, l’évolution du management et les compétences à préserver ou développer. [1]
5. Expérimenter sur le travail réel et apprendre ensemble
La Prof. Hölzle présente plusieurs dispositifs de collaborations réelles qui illustrent ce qui est mis en œuvre aujourd’hui dans différentes organisations.
Les “AI Studios” permettent aux salariés et aux représentants du personnel d’expérimenter l’IA dans des conditions réalistes et de contribuer à son déploiement. Des unités mobiles en Allemagne ont participé à plus de 250 événements et touché plus de 5 000 personnes. [1]
Les promptathons partent des cas d’usage et des requêtes qui échouent. Les participants analysent ensemble les difficultés pour progresser. La Prof. Hölzle mentionne environ 25 ateliers réunissant quelque 400 personnes sur deux ans et demi. Leur intérêt est de faire de l’expérience de travail une matière d’apprentissage partagée. [1]
L’Academy for Leaders applique cette logique aux responsabilités des dirigeants, avec des cas issus de leur activité et des séquences de mise en pratique. Lors de la conférence, la première édition d’une telle academie était prévue d’octobre 2026 à février 2027 : aucun résultat n’était encore disponible.
Enfin, l’AI Buddy, développé sous forme de prototype avec plusieurs organisations, explore la transmission des connaissances d’expérience lorsque des collègues expérimentés quittent l’organisation. [1]
La Prof. Hölzle souligne aussi l’importance de l’apprentissage entre pairs, tout en rappelant qu’un protocole trop prescriptif peut être moins efficace qu’un travail en binôme laissant davantage de latitude. [6]
6. Préserver les compétences qui permettent de juger et de décider
Une organisation ne peut pas compter durablement sur le jugement humain si elle retire aux personnes les occasions de le développer. La Prof. Hölzle cite une étude de trois mois auprès de 133 professionnels du droit des brevets : la qualité des productions assistées progresse, mais, lors des évaluations sans IA, seuls les plus expérimentés conservent un avantage ; les juniors ne présentent pas de gain moyen. La performance avec l’IA et l’acquisition d’une expertise autonome sont donc deux résultats distincts. [7]
Ce constat est déterminant pour les entreprises qui préparent leurs futurs experts et pour les universités qui forment les professionnels de demain. La délégation d’une tâche doit aussi être examinée sous l’angle de l’apprentissage : quelles occasions de comprendre, de pratiquer et de confronter son raisonnement subsistent pour les moins expérimentés ?
Les quatre orientations finales de la Prof. Hölzle peuvent ainsi guider la mise en place d’équipes hybrides. [1]
Faire apprendre sur des tâches réelles.
Associer le déploiement de l’IA à des situations de travail et à des échanges entre pairs, pour que les équipes apprennent à l’utiliser et à reconnaître ses limites. [8]
Évaluer la compétence indépendamment du résultat assisté
Examiner ce que les personnes comprennent et savent réaliser sans l’outil, en complément de la qualité des productions obtenues avec lui. [9]
Distinguer la génération des propositions de l’évaluation des propositions
Identifier qui apprécie leur pertinence, qui décide de poursuivre et sur quelles compétences repose cette appréciation. Le jugement humain devient ainsi une responsabilité concrète dans le processus. [4]
Décider ce qui doit rester humain
Définir les activités, les compétences et les décisions à préserver, puis maintenir les conditions qui permettent aux personnes de les exercer. [10]
Pour rendre ces orientations opérationnelles, un comité de direction ou un conseil peut demander, pour chaque processus transformé, une réponse à quatre questions :
Que délègue-t-on à l’IA ?
Qui juge le résultat?
Qui porte la décision ?
Comment entretient-on l’expertise nécessaire ?
Elles permettent d’apprécier jusqu’où l’organisation est prête à aller, au-delà du seul potentiel technique des outils.
Sources et bibliographie
[1] Prof. Dr. Katharina Hölzle. The Future of Work: Where is the Human in the Loop? Support de conférence, HUMANE.S. - HUMAN Education Summit, Montréal, 18 septembre 2026, Corporate Learning. IAT, Université de Stuttgart / Fraunhofer IAO. Référence utilisée pour les analyses, les modèles et les dispositifs présentés par la conférencière, ainsi que les résultats dont la référence complète ne figure pas dans sa bibliographie finale.
[2] Chugunova, M., Harhoff, D., Hölzle, K., Kaschub, V., Malagimani, S., Morgalla, U., & Rose, R. (2026). Who uses AI in research, and for what? Large-scale survey evidence from Germany. Research Policy, 55(2), Article 105381.
[3] Brynjolfsson, E. (2022). The Turing trap: The promise & peril of human-like artificial intelligence. Daedalus, 151(2), 272–287.
[4] Dell’Acqua, F., Ayoubi, C., Lifshitz, H., Sadun, R., Mollick, E., Mollick, L., Han, Y., Goldman, J., Nair, H., Taub, S., & Lakhani, K. R. (2026). The cybernetic teammate: A field experiment on generative AI and teamwork. Organization Science, 37(4), 1217–1242.
[5] Ranganathan, A., & Ye, X. M. (2026, February 9). AI doesn’t reduce work—It intensifies it. Harvard Business Review.
[6] Farach, A., Cambon, A., Tankelevitch, L., Hsueh, C., & Janssen, R. (2026). Scaffolding human-AI collaboration: A field experiment on behavioral protocols and cognitive reframing. arXiv.
[7] Autor, D., Rodchenko, T., Martin, J., Iscenko, Z., Strand, S., Pearl, D., & Ferere, M. (2026). Does AI assistance enhance or erode expertise? Evidence from a three-month field experiment in patent drafting (NBER Working Paper No. 35720).
[8] Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889–942.
[9] Shen, J. H., & Tamkin, A. (2026). How AI impacts skill formation. arXiv.
[10] Microsoft WorkLab. (2026). Work Trend Index annual report 2026: Agents, human agency, and the opportunity for every organization. Microsoft.
Commentaires