Une revue systématique et méta-analyse de juin 2026, portant sur 19 études et 61 tailles d'effet, met un chiffre sur ce que la plupart des directeurs des opérations pressentent sans l'avoir mesuré : lorsque les gens créent avec l'IA générative, leurs productions convergent. L'effet d'homogénéisation agrégé est de d = 0,334 — faible, robuste et non explicable par le biais de publication (de Rooij & Biskjaer, 2026).
« Faible » est le mot qui fait classer et oublier ce résultat. À tort.
Individuellement, le travail s'améliore le plus souvent. Collectivement, il se ressemble davantage. Ces deux faits ne s'opposent pas : c'est le même mécanisme vu depuis deux altitudes. Un seul des deux apparaît sur votre tableau de bord de productivité.
Pour une direction des opérations qui a standardisé l'an dernier sur un déploiement d'IA mono-fournisseur — c'est-à-dire la plupart des entreprises de 50 à 500 personnes — la question pratique n'est pas de savoir s'il faut continuer. C'est de savoir si quelqu'un a vérifié ce qu'est devenue la dispersion.
Ce que d = 0,334 signifie réellement à l'échelle d'une équipe
Un d de Cohen de 0,33 est un décalage modeste entre deux distributions. Sur un document isolé, il est invisible. Vous ne le repéreriez pas en comparant deux propositions côte à côte, et aucun relecteur de votre entreprise ne le signalera jamais.
C'est le cadrage méta-analytique qui le rend pertinent sur le plan opérationnel. Les auteurs décrivent le résultat non comme une baisse de qualité mais comme une réorganisation de la diversité créative — subtile isolément, lourde de conséquences à grande échelle (de Rooij & Biskjaer, 2026). C'est un résultat sur la variance, pas sur la qualité. La distinction compte, car tout système de mesure dans une direction des opérations mid-market est construit pour suivre des moyennes, et presque aucun ne suit la dispersion.
Une revue d'opinion de mars 2026 dans Trends in Cognitive Sciences remonte à la source du même schéma. Sourati et Dehghani soutiennent qu'à mesure que des milliards de personnes font passer leur écriture et leur pensée par la même poignée de grands modèles de langage, ces modèles standardisent la manière dont on exprime et structure les idées : les productions des LLM sont mesurablement moins variées que l'écriture humaine et penchent vers des normes WEIRD (occidentales, éduquées, industrialisées, riches, démocratiques) (Sourati & Dehghani, 202600003-3)). Leur inquiétude porte sur l'érosion de la diversité cognitive, matière première de la créativité comme de la résolution de problèmes.
Reformulons en termes opérationnels. La diversité cognitive n'est pas une déclaration de valeurs. C'est la variance en entrée qui rend pertinent le fait de générer un portefeuille d'options.
Le mécanisme est l'ancrage, pas la paresse
Le réflexe de la plupart des comités de direction est de lire la convergence comme un effondrement de l'effort : les gens prennent le premier jet et l'expédient. Les données expérimentales pointent vers quelque chose de moins flatteur pour nos contrôles.
Dans une expérience en ligne contrôlée sur la production de nouvelles, les auteurs qui recevaient des idées de récit d'un LLM ont produit des textes jugés plus créatifs, mieux écrits et plus plaisants — les gains les plus forts revenant aux auteurs les moins créatifs. Et pourtant, les récits assistés par l'IA se ressemblaient davantage entre eux que ceux écrits par des humains seuls (Doshi & Hauser, 2024). Les deux effets proviennent de la même intervention.
Les auteurs nomment explicitement la structure : elle ressemble à un dilemme social. Avec l'IA générative, les auteurs sont individuellement gagnants, mais collectivement l'éventail de contenus nouveaux produits se rétrécit.
Une autre étude sur l'idéation humaine parvient à une conclusion compatible du côté des intrants. Les sessions où les participants brainstormaient avec un LLM ont produit des ensembles d'idées significativement moins diversifiés sémantiquement que les sessions sans — les idées prises isolément étaient bonnes, c'est l'ensemble qui était plus étroit (Anderson, Shah & Kreminski, 2024).
C'est de l'ancrage, et cela opère avant même que quiconque ait décidé de l'effort à fournir. Le modèle fournit un point de départ ; l'humain élabore à partir de là. L'élaboration préserve la qualité et détruit l'indépendance.
Pourquoi personne dans votre entreprise ne s'arrêtera
Lisez le dilemme social comme une carte des incitations, car c'est exactement cela.
Le gain du brouillon assisté par l'IA est capté par l'individu : délais raccourcis, prose plus nette, meilleur entretien de performance. La perte est imputée au collectif : un portefeuille de propositions qui ressemble à celui de chaque concurrent, une grille de recrutement indiscernable du modèle sectoriel. Aucun contributeur ne subit la perte individuellement, et aucun n'a de raison de s'arrêter.
Ce n'est donc pas un problème de comportement. C'est un problème d'organisation et de portefeuille d'outils, et une note interne sur « l'usage réfléchi de l'IA » ne le résoudra pas.
Où l'IA mono-fournisseur coûte vraiment de l'argent à une entreprise de 50 à 500 ETP
L'homogénéisation coûte cher précisément là où la différenciation est le produit.
Propositions et appels d'offres. Votre taux de succès sur un appel d'offres concurrentiel dépend de ce que l'acheteur ne peut pas obtenir des trois autres soumissions. Si votre équipe et celles de vos concurrents font passer la rédaction par le même assistant, à partir des mêmes conventions issues du web public, la différence résiduelle se réduit au prix. Vous l'observerez comme une pression sur les marges et l'attribuerez au marché.
Grilles de recrutement et architecture des postes. Scorecards, définitions de compétences et guides d'entretien générés par un modèle partagé convergent vers une idée partagée du bon candidat. Des critères convergents appliqués par de nombreux employeurs produisent des rejets corrélés : les mêmes personnes écartées partout, pour les mêmes raisons, sans que personne n'ait pris cette décision.
Positionnement et communication client. La voix de marque est un écart par rapport à une norme de catégorie. La régression vers cette norme n'est pas une question de style ; c'est l'effacement lent de ce que votre budget marketing achetait.
Stratégie et génération d'options. C'est le pire endroit. Dans l'étape de génération d'options, la variance est le livrable. Un éventail d'options plus étroit n'est pas un coût moindre : c'est une décision prise avant que quiconque dans la pièce ait compris qu'une décision se prenait.
Notez la propriété commune : dans chaque cas, les indicateurs de productivité individuelle s'améliorent pendant que l'actif organisationnel se dégrade. Les tableaux de bord resteront excellents tout du long.
La structure de la perte cachée, en une arithmétique
Supposons que le temps de rédaction d'une proposition baisse de 30 % et que votre équipe soumette quatre offres de plus par trimestre. Ce gain est lisible, attribuable et célébré en revue trimestrielle.
Supposons maintenant que le taux de succès sur les appels d'offres glisse de 24 % à 21 % en trois trimestres. Personne ne l'attribuera à l'outil de rédaction, car aucun récit causal plausible n'est disponible dans la pièce : les propositions sont mieux écrites que l'an dernier, et tout le monde le voit. La baisse sera imputée à la pression tarifaire, au nouveau modèle de prix d'un concurrent, à un marché mou. Chacune de ces explications est disponible, défendable et infalsifiable avec vos données.
Cette asymétrie constitue tout le risque. Le gain arrive avec une chaîne d'attribution propre. La perte arrive sans.
En quoi cet argument pourrait être faux
Trois limites, énoncées avant que vous n'agissiez.
La base de preuves penche vers les tâches créatives et d'idéation : écriture de fiction, brainstorming, design. C'est là que l'homogénéisation est la plus facile à mesurer, pas nécessairement là où elle est la plus forte. Rien ne dit que le même effet vaille pour une checklist de clôture trimestrielle ou une macro de support, et je m'attendrais à ce qu'il soit plus faible et moins important là où la standardisation est l'objectif.
Un d agrégé de 0,334 masque aussi l'hétérogénéité entre 61 tailles d'effet. L'estimation agrégée vous dit que la direction est fiable. Elle ne vous dit pas quel est le chiffre de votre équipe.
Surtout, le cadrage mono-fournisseur est mon extension des données, pas un résultat contenu dans celles-ci. Ces études comparent du travail assisté et non assisté par l'IA ; elles ne confrontent pas directement des organisations mono-modèle et multi-modèles. L'inférence — que la concentration amplifie la convergence — découle du mécanisme d'ancrage et de l'argument de Sourati et Dehghani sur les modèles partagés, mais elle reste une inférence. Traitez-la comme une hypothèse testable sur votre propre production, pas comme un résultat acquis.
Rien de tout cela ne change la conclusion. La convergence est réelle, elle est invisible à votre instrumentation actuelle, et elle est mesurable chez vous pour à peu près le coût d'un après-midi.
La décision de portefeuille : ce qu'il faut auditer avant le prochain renouvellement
Quatre étapes. Aucune n'exige de budget, aucune n'exige d'utiliser moins l'IA.
1. Mesurez votre concentration. Quelle part de la rédaction tournée vers l'extérieur — propositions, fiches de poste, communications clients, notes stratégiques — passe par un seul assistant ? La plupart des directeurs des opérations mid-market ne se sont jamais posé la question, et la réponse dépasse généralement 80 % parce que les achats ont standardisé sur une seule licence. Ce chiffre est votre exposition.
2. Corrigez l'ordre des opérations, pas l'outil. L'ancrage fonctionne sur la séquence. Pour toute tâche où la variance est l'objectif, exigez une génération humaine indépendante d'abord, puis l'extension et la critique par l'IA. C'est une modification de deux lignes dans un document de processus, et elle neutralise l'essentiel du mécanisme, car le modèle ne peut plus fournir le point de départ.
3. Diversifiez délibérément les intrants. Des modèles différents et — bien moins cher — des prompts différents. Un « master prompt » partagé et diffusé comme bonne pratique de productivité est une machine à homogénéiser déguisée en aide. Si votre équipe en a un, c'est l'élément à plus fort levier de cette liste à retirer.
4. Instrumentez la dispersion, pas seulement le volume. Prenez 20 productions récentes du même type. Évaluez la similarité deux à deux — par embeddings si vous en avez la capacité, par revue humaine structurée sinon — et comparez à un échantillon 2024 du même processus. Vous avez désormais une référence. Répétez chaque trimestre. C'est la seule étape qui transforme l'argument en preuve sur votre entreprise.
La version inconfortable
Si votre plan IA 2026 mesure l'adoption, le taux d'utilisation des licences et les heures gagnées, il est instrumenté entièrement du côté du bilan où se trouvent les gains. Personne ne relèvera cet angle mort, parce que les pertes n'ont aucun indicateur attaché et ne génèrent jamais de réclamation.
Une décision pour ce trimestre
Prenez le seul type de document où votre différenciation compte le plus — pour la plupart des directeurs des opérations, c'est la proposition. Sortez les vingt dernières. Lisez-les pour voir à quel point elles se ressemblent, pas pour juger la qualité de chacune.
Si elles ont convergé, vous n'avez pas perdu en qualité. Vous avez perdu en singularité, et c'est la singularité que vous payiez.
L'IA mono-fournisseur rend chacun de vos collaborateurs mesurablement plus affûté. La question à laquelle aucun tableau de bord de votre entreprise n'est aujourd'hui conçu pour répondre est de savoir si elle les rend aussi interchangeables — entre eux, et avec les collaborateurs de vos concurrents. Répondez-y avec vos propres documents avant le prochain renouvellement, car le fournisseur n'a aucune raison de la poser et vos indicateurs de productivité ne la poseront jamais.
