Donnez le même assistant IA à votre opérateur le plus solide et au plus fragile : vous n'obtiendrez pas deux versions réduites du même gain. Vous obtiendrez des signes opposés. Dans une expérience de terrain randomisée de cinq mois menée auprès de 640 dirigeants de petites entreprises, ceux qui performaient déjà bien et ont reçu un conseiller d'affaires fondé sur GPT-4 ont vu leur chiffre d'affaires et leur profit progresser d'environ 15 %, tandis que les dirigeants déjà en difficulté ont terminé près de 10 % en dessous du groupe témoin (MIT Sloan Management Review, 2026). Même outil. Même fenêtre d'accès. Même volume de conseils. L'écart de performance IA ne s'est pas resserré : il s'est creusé, et une partie de ce creusement était un dommage net.
Ce résultat devrait modifier une décision de séquençage que presque tout responsable des opérations prend en ce moment même : qui reçoit le copilote en premier.
Pourquoi l'écart de performance IA s'est creusé au lieu de se refermer
Nicholas Otis, Rowan Clarke, Solène Delecourt, David Holtz et Rembrand Koning ont randomisé l'accès à un assistant GPT-4, configuré pour agir en conseiller d'affaires, auprès de 640 entrepreneurs kényans exploitant des points de restauration rapide, des élevages de volailles, des cybershops et des activités comparables. La distribution était volontairement sans friction : un contact WhatsApp, sur la plateforme qu'environ 90 % des Kényans utilisent déjà, suivi pendant cinq mois (Berkeley Haas, 2026). L'étude a été publiée sous le titre The Uneven Impact of Generative Artificial Intelligence on Entrepreneurial Performance (Management Science, 2026).
Le protocole compte davantage que le terrain. L'accès était randomisé : l'écart ne raconte donc pas qui a choisi de participer. L'outil était identique dans les deux bras. Le volume d'usage n'explique pas la divergence. Ce qui séparait les deux groupes, c'est ce qu'ils apportaient à l'assistant et ce qu'ils faisaient de ce qui revenait.
Lisez cela comme une condition opérationnelle, pas comme une curiosité nairobienne. La variable testée — une IA de conseil généraliste aide-t-elle quelqu'un dont le jugement est déjà fragile ? — est exactement celle qui est en jeu lorsque vous confiez un copilote au quartile inférieur d'une équipe opérations de 200 personnes et que vous appelez cela de l'accompagnement.
La preuve que « l'IA comble l'écart de compétences » est réelle — et plus étroite qu'on ne le croit
Le récit du nivellement n'est pas un mythe. C'est un résultat qui porte sur une classe de travail précise.
Brynjolfsson, Li et Raymond ont étudié 5 179 agents de support client lors du déploiement échelonné d'un assistant d'IA générative. La productivité a augmenté de 14 % en moyenne, avec une amélioration de 34 % chez les agents débutants et peu qualifiés, et un effet minime sur les plus expérimentés (Quarterly Journal of Economics, 2025). Le mécanisme : le modèle diffusait les pratiques des meilleurs agents et faisait descendre plus vite la courbe d'expérience aux nouveaux.
Regardez la nature de cette tâche. Périmètre borné. Une bonne réponse qui existe déjà quelque part dans l'entreprise. Retour immédiat du client. Qualité contrôlée par les superviseurs en quelques heures. Dans ces conditions, une IA qui encode les bonnes pratiques tacites comprime la distribution : les plus faibles gagnent le plus, parce que l'écart entre leur comportement et le standard encodé est le plus grand.
Changez maintenant une variable : supprimez la bonne réponse connue. Posez au modèle une question ouverte sur les prix, les recrutements ou l'affectation des mille prochains euros. Il n'y a plus de cible vérifiée vers laquelle converger, plus de superviseur pour boucler la boucle, plus de signal immédiat indiquant que le conseil était mauvais. La compression cesse d'être le comportement par défaut. L'amplification prend le relais.
Le résultat de nivellement est une propriété des tâches vérifiables, pas de la technologie.
Le modérateur, c'est le jugement — pas l'accès ni la maîtrise du prompt
Les auteurs de l'étude kényane sont explicites sur le mécanisme : ce qui a déterminé le signe de l'effet, c'est « le fait que l'entrepreneur ait ou non le jugement nécessaire pour distinguer un bon conseil d'IA d'un mauvais ». Les performeurs les plus faibles ont suivi des conseils génériques ou trompeurs parce qu'il leur manquait le filtre pour les rejeter (MIT Sloan Management Review, 2026).
Le détail comportemental sous-jacent est plus net encore. Les bons performeurs apportaient à l'assistant des problèmes traitables — des questions structurées, dont la sortie du modèle pouvait être confrontée à ce qu'ils savaient déjà. Les dirigeants en difficulté lui apportaient les problèmes les plus durs et les plus ambigus qu'ils avaient : un concurrent qui cassait les prix, une sécheresse, l'absence de fonds de roulement. Ce sont des questions auxquelles ni une IA ni un consultant ne peuvent bien répondre depuis l'extérieur de l'entreprise (Berkeley Haas, 2026). Le modèle répondait quand même. Il répond toujours. Le conseil générique — baissez les prix, dépensez plus en publicité — est fluide, plausible et destructeur de marge lorsqu'il est appliqué sans jugement situationnel.
La chaîne causale est donc : jugement plus faible → questions plus difficiles et plus floues → réponses plus génériques → taux de mise en œuvre plus élevé de mauvais conseils → dommage mesurable.
Notez ce qui ne figure pas dans cette chaîne. Ni l'accès. Ni le volume d'usage. Ni la compétence en prompt engineering. L'intervention que la plupart des programmes d'accompagnement achètent — plus de licences, plus de formation au prompt — n'agit sur aucune des étapes qui ont produit la perte.
C'est la même forme que le résultat de Dell'Acqua et ses collègues auprès de 758 consultants BCG : sur 18 tâches situées à l'intérieur de la frontière de capacité de l'IA, les consultants qui l'utilisaient ont accompli 12,2 % de tâches en plus, 25,1 % plus vite et avec une qualité nettement supérieure ; sur une tâche managériale complexe délibérément placée hors de cette frontière, les consultants assistés par l'IA avaient 19 % de chances en moins d'atteindre une solution correcte que ceux travaillant sans IA (Harvard Business School, 2023). Deux études, deux populations, une même structure : le dommage survient quand une sortie assurée rencontre un utilisateur incapable de l'évaluer.
Pourquoi l'instinct de remédiation est inversé
Voici la décision que tout cela reformule.
Le geste intuitif — celui qu'on retrouve dans la plupart des plans d'accompagnement — consiste à donner les outils d'IA d'abord à ceux qui sont en difficulté. Cela paraît juste, cela paraît efficace, et cela emprunte sa crédibilité au résultat des centres d'appels. Relever le bas, refermer l'écart, encaisser la moyenne.
Sur du travail de conseil ouvert, ce séquençage est inversé. Vous confiez un moteur de conseils non filtrés précisément à la population la moins équipée pour les filtrer, et les données de terrain disent que l'espérance est négative, pas seulement faible.
Le coût se paie deux fois. D'abord en dommage direct : des décisions moins bonnes qu'elles ne l'auraient été sans assistance. Ensuite en attribution. Quand le pilote affiche un agrégat plat ou négatif, la conclusion tirée est généralement « l'outil ne marche pas chez nous », et le programme meurt. L'outil a très bien fonctionné pour la cohorte capable de s'en servir. C'est la conception du déploiement qui a échoué, et personne n'a mesuré au niveau qui l'aurait montré.
Les moyennes masquent les inversions de signe. Si votre pilote ne rapporte qu'un chiffre agrégé, il ne peut pas vous dire si vous avez aidé qui que ce soit.
Ce qu'il faut changer dans votre déploiement ce trimestre
Réservez l'usage de conseil ouvert à un jugement métier démontré
L'usage de conseil ouvert — questions de stratégie, décisions de prix, priorisation, tout ce dont la réponse du modèle ne peut être confrontée à une cible connue — doit être réservé à ceux qui possèdent déjà le jugement métier permettant de rejeter une mauvaise réponse. C'est une porte de compétence, pas d'ancienneté : le salarié de dix ans qui n'a jamais porté de compte de résultat ne la franchit pas automatiquement ; l'analyste de deux ans dont les prévisions tombent juste, si.
Donnez au quartile en difficulté un travail étroit et vérifiable derrière une revue
Les personnes que l'usage de conseil ouvert pénalise sont celles qui gagnent le plus sur des tâches bornées à sorties contrôlables — les conditions qui ont produit les +34 % des débutants dans l'étude sur le support client. Rédaction sur gabarit, synthèse d'un document connu, classification de premier niveau, extraction structurée de données. Ajoutez une revue humaine ayant l'autorité de rejeter, pas seulement d'entériner. C'est la configuration dans laquelle l'IA nivelle réellement.
Mesurez l'effet par quartile de performance, pas en agrégat
Instrumentez votre pilote de sorte que la métrique de résultat soit ventilée par quartile de performance antérieure, avant le début du déploiement. Si vous ne regardez que la moyenne agrégée, un +15 % sur le quartile haut et un −10 % sur le quartile bas s'annulent en un chiffre assez proche de zéro pour vous faire conclure qu'il ne s'est rien passé — et vous aurez payé le dommage sans le voir.
Changez l'objet de la formation
La formation au prompt apprend à obtenir des sorties plus fluides. Elle n'apprend pas à rejeter une sortie fluide mais fausse. Ce que les données appellent, c'est une formation à l'évaluation : à quoi ressemble une bonne réponse dans ce domaine, quels sont les modes de défaillance connus du modèle et — le plus utile et le moins enseigné — quelles questions apporter au modèle et lesquelles apporter à une personne.
L'objection qui mérite d'être prise au sérieux
L'objection honnête : des micro-entrepreneurs kényans ne sont pas des équipes opérations de PME/ETI, et un bot de conseil sur WhatsApp n'est pas un déploiement d'entreprise avec recherche documentaire sur vos propres contenus, workflows définis et traçabilité. Les deux points sont exacts. La taille d'effet ne se transfère pas.
Mais le mécanisme ne tient pas au terrain. Il tient à l'interaction entre questions ouvertes, sortie assurée et évaluateur incapable de vérifier. Tout déploiement d'entreprise qui place un assistant généraliste devant un salarié et l'invite à lui demander n'importe quoi reproduit ces trois conditions. Ancrer le modèle sur vos propres données réduit la surface d'erreur ; cela ne la supprime pas, et cela fait sonner les mauvaises réponses comme institutionnellement plus autorisées lorsqu'elles arrivent.
La position défendable n'est pas « cela nous arrivera avec la même ampleur ». C'est « nous n'avons pas mesuré si cela nous arrive du tout » — ce qui, pour la plupart des pilotes de taille intermédiaire ne rapportant qu'un seul chiffre agrégé de productivité, est simplement exact.
La décision sur votre bureau
L'écart de performance IA n'est pas un problème d'équité à traiter plus tard. C'est un paramètre de conception que vous fixez maintenant, par défaut, chaque fois que vous décidez qui obtient l'accès suivant.
Avant que ne parte votre prochaine tranche de licences, scindez le déploiement : usage de conseil ouvert pour ceux dont vous feriez déjà confiance au jugement dans une pièce sans l'outil, tâches étroites et vérifiables derrière une revue pour tous les autres — et une seule métrique, restituée par quartile de performance, afin de découvrir sur quelle moitié vous aviez raison.
