Sur un projet informatique classique, la répartition des rôles se discute rarement.

Face à un risque métier, le senior est le référent : il connaît le périmètre fonctionnel depuis dix ans. Face à un choix technique pointu, c’est plutôt le collaborateur au contact quotidien de l’outil qui a l’œil. Chacun son terrain, chacun sa légitimité. Cette évidence structure silencieusement la composition des équipes projet depuis des décennies. 

Avec l’IA générative, cette règle est à nuancer largement. Sur le terrain, des collaborateurs très expérimentés proposent, pour intégrer l’IA aux processus en place, des solutions aussi peu satisfaisantes que celles de leurs plus jeunes collègues. Une série de recherches récentes permet de comprendre pourquoi, et ce que cela change pour la gouvernance des projets d’entreprise. 

Le réflexe : quand les outils déterministes stabilisent l’expertise 

L’histoire de l’adoption des technologies en entreprise se répète : une nouvelle machine arrive, les juniors s’en emparent en premier, puis forment leurs aînés. Le sociologue Stephen Barley l’a documenté dès 1986 avec l’arrivée des scanners CT en radiologie : les jeunes techniciens, plus proches de la machine, ont durablement modifié l’équilibre des rôles avec les radiologues seniors. 

Ce compagnonnage inversé a fonctionné pour une raison simple : les outils étaient déterministes. Sur SAP ou Excel, à une entrée donnée correspond toujours la même sortie, documentée et reproductible. Une fois acquise, l’expertise reste valable des années. 

Ce qui change : du déterministe au probabiliste 

Un grand modèle de langage ne fonctionne pas sur des règles codées en dur, mais sur des calculs probabilistes. L’étude menée avec le Boston Consulting Group par des chercheurs de Harvard, du MIT et de Wharton (Dell’Acqua, Mollick, Lakhani et al., republiée en 2026 dans Organization Science) l’a montré : des tâches de difficulté comparable sont, de façon imprévisible, soit parfaitement exécutées, soit manquées par le modèle. C’est la « frontière technologique dentelée » (jagged frontier). 

Cette frontière ne se stabilise jamais : elle se redessine à chaque mise à jour de modèle, à chaque formulation de consigne.

Conséquence directe : utiliser un ERP tous les jours pendant des mois suffit à en cartographier les limites. Utiliser un modèle d’IA tous les jours sur la même durée ne garantit pas la même maîtrise, parce que la carte bouge en permanence. La fréquence d’usage, longtemps corrélée à l’expertise, perd sa valeur prédictive. Et c’est bien plus qu’un sujet de confort d’usage : la plupart des réflexes de maîtrise du risque en entreprise, s’appuyer sur les plus expérimentés, faire relire par les managers, diffuser des consignes, reposent précisément sur cette expertise supposée. Si le repère s’efface, c’est l’architecture même de la gestion du risque IA qu’il faut repenser. 

Pour mieux comprendre : il ne faut pas confondre l’aléa de formulation d’une part, un modèle ne répond jamais deux fois exactement pareil, un phénomène désormais techniquement réductible, comme l’ont montré les travaux du laboratoire Thinking Machines en 2025. D’autre part, la frontière dentelée, qui porte sur la compétence réelle du modèle. Une IA capable de redire deux fois la même chose à l’identique ne dit pas pour autant une chose juste. 

Ce que révèle la recherche sur la gestion du risque 

La gouvernance de l’IA ne se réduit pas à la gestion du risque, elle englobe aussi le pilotage de la valeur, l’organisation des compétences et la conformité réglementaire. Mais c’est sur le volet risque que le réflexe générationnel échoue de la façon la plus visible, et la mieux documentée. 

Une étude publiée en 2025 dans Information and Organization (Kellogg, Lifshitz-Assaf, McFowland et al.) a observé, dans une grande entreprise technologique, comment juniors et seniors encadraient l’usage de l’IA générative. Interrogés sur la mitigation des risques (hallucinations, biais, manque de contexte), les 21 professionnels juniors de l’étude ont proposé des solutions concentrées presque exclusivement sur l’individu : sensibiliser les utilisateurs, multiplier les consignes de vérification, faire relire chaque livrable par un manager. Les chercheurs parlent de « travail de risque novice ». Évaluées par 26 experts de l’IA, ces propositions ont été jugées structurellement insuffisantes pour une organisation. 

Plus troublant : lorsque ces juniors forment leurs aînés, le fameux compagnonnage inversé, ce sont ces méthodes insuffisantes qu’ils transmettent. Le coaching junior → senior, qui avait si bien fonctionné pour les outils déterministes, propage l’insuffisance au lieu de la compenser. 

Le danger n’est donc pas qu’un junior propose de relire les documents : à son niveau, c’est logique. Le danger survient lorsque les comités de direction adoptent cette même logique pour gouverner l’IA à l’échelle de l’entreprise. Traiter le risque par la seule vigilance humaine revient à faire reposer la sécurité de l’entreprise sur la concentration individuelle de ses salariés. Les meilleures pratiques du marché, et l’expérience de nos missions, convergent : la maîtrise du risque se joue au niveau du système. Structuration des bases documentaires sources et exigences d’évaluation métier, d’un côté, et dispositifs de gouvernance et de conformité, de l’autre. 

Et ce phénomène dépasse la question du grade : un senior qui découvre l’IA sans comprendre son fonctionnement probabiliste commet exactement la même erreur qu’un junior, il cherche à encadrer l’humain plutôt qu’à outiller le système. 

Le paradoxe de la confiance 

Une étude publiée dans Computers in Human Behavior (Fernandes et al., 2026 ; deux expériences d’environ 250 à 300 participants chacune) apporte un éclairage décisif : avec l’IA générative, l’effet Dunning-Kruger classique disparaît. Tous les utilisateurs surestiment leur performance, mais ce sont les plus à l’aise avec l’IA qui sont les moins bien calibrés. L’aisance technique crée une illusion de maîtrise qui émousse la vigilance critique. 

À l’inverse, un collaborateur qui aborde l’IA avec retenue arrive naturellement armé du scepticisme nécessaire. Et ce déficit d’aisance se résorbe vite : dans une étude de terrain auprès de plus de 5 000 agents de support client, Brynjolfsson, Li et Raymond ont mesuré des gains de productivité de 15 % en moyenne et jusqu’à 30 % et plus chez les moins expérimentés. L’IA réduit l’écart de performance technique, elle ne réduit pas l’écart de jugement métier. 

Attention au raccourci inverse : si la prudence individuelle est une vertu, l’attentisme organisationnel est une impasse. Selon BCG, les organisations les plus avancées enregistrent jusqu’à 1,5 fois plus de croissance de chiffre d’affaires que les suiveurs ; McKinsey montre que ces « AI High Performers » captent l’essentiel de la valeur.  

Ce que cela change pour la gouvernance des projets IA 

Composer un comité de pilotage IA en s’appuyant sur l’agilité des juniors sur les outils et l’autorité des seniors ne fonctionne plus. Les organisations doivent identifier des profils combinant trois piliers : 

• Une vision systémique : comprendre que le risque IA se traite par la donnée, les garde-fous et l’évaluation continue, non par la consigne de faire attention. 

• Une expertise métier profonde : indispensable pour concevoir les scénarios de test et juger la pertinence réelle des sorties. 

• Un scepticisme instruit : explorer les modèles activement, sans jamais succomber à l’illusion de leur infaillibilité. 

Cette gouvernance n’est d’ailleurs plus seulement une bonne pratique : avec l’entrée en application progressive de l’AI Act européen (obligations de gouvernance depuis août 2025, régime des systèmes « haut risque » à partir de 2026-2027), supervision humaine, gestion des risques documentée et qualité des données deviennent des exigences légales. Les organisations qui auront bâti une gouvernance systémique disposeront d’une longueur d’avance réglementaire autant qu’opérationnelle. 

Découvrez comment Axys peut vous accompagner 

C’est cette articulation exigeante que nous mettons en œuvre chez Axys Consultants dans nos missions de stratégie et de gouvernance Data et IA : 

• Cadrage stratégique et cas d’usage : prioriser les projets où l’IA générative apporte un levier de productivité réel sans exposer l’entreprise à des risques non maîtrisés. 

• Gouvernance et architecture de confiance : qualifier les bases de connaissances, définir le cahier des charges des garde-fous et des métriques d’évaluation métier, et coordonner leur mise en œuvre avec nos partenaires spécialisés en sécurité IA. 

• Conformité et anticipation réglementaire : aligner les dispositifs de gouvernance sur l’AI Act européen, le RGPD et les cadres sectoriels applicables. 

• Accompagnement et montée en compétences : former comités de pilotage et équipes métiers à un regard critique outillé, qui garde la pleine maîtrise des décisions. 

Une adoption réussie ne se décrète ni par une distribution massive de licences, ni par une formation superficielle aux invites de commande. Elle se construit : sur les bons profils, les bons dispositifs et la bonne gouvernance. 

Marc Mironneau, Directeur BU Data Digital

Références principales : Barley S. (1986), Administrative Science Quarterly ; Dell’Acqua F., Mollick E. et al., Organization Science (2026) ; Kellogg K. et al., Information and Organization (2025) ; Fernandes D. et al., Computers in Human Behavior (2026) ; Brynjolfsson E., Li D., Raymond L., Quarterly Journal of Economics (2025) ; Thinking Machines Lab (2025) ; BCG, Where’s the Value in AI? ; McKinsey, The State of AI ; Lichtinger & Hosseini Maasoum (2025) ; Règlement (UE) 2024/1689 (AI Act).Retrouvez-nous lors de la 19ème édition de l’événement de référence