Le conseil IA prosocial a déplacé de l'argent réel. Dans une expérience préenregistrée, les participants ayant reçu une recommandation généreuse d'un conseiller étiqueté IA ont augmenté leurs transferts au jeu du dictateur de 14,7 points de pourcentage par rapport au groupe témoin. Le conseil antisocial — même interface, même autorité, orientée dans l'autre sens — n'a érodé ni l'altruisme, ni la coopération, ni l'honnêteté (Dimant, 2026).
Une direction fonctionne. L'autre non. L'influence morale de l'IA, semble-t-il, a un grain — et il ne coupe que dans un sens.
Presque toutes les notes de gouvernance de l'IA rédigées ces deux dernières années pour une équipe opérations du mid-market supposent que les deux chiffres sont importants et à peu près symétriques — qu'insérer un modèle dans le recrutement, l'évaluation de la performance ou l'allocation des ressources tirera le jugement vers le bas par suggestion. Les meilleures données expérimentales disponibles indiquent que cette crainte précise est mal valorisée. Elles indiquent aussi que l'exposition que vous ne gouvernez probablement pas est nettement plus grave.
Ce que l'expérience sur la reddition morale a réellement établi
L'étude derrière ce chiffre de 14,7 % est modeste, récente et particulièrement bien conçue pour la question posée. Environ 600 adultes américains ont chacun reçu un seul conseil étiqueté IA, puis ont fait des choix engageant de l'argent réel sur trois comportements : partager, coopérer, tricher (Dimant, 2026).
Le protocole compte, car il sépare ce que les gens disent du conseil IA de ce qu'ils font quand l'enjeu est le leur. Les enquêtes sur l'éthique de l'IA mesurent l'attitude déclarée. Ici, on a mesuré le comportement sous incitation — la seule version qui devrait intéresser un responsable des opérations.
Le résultat est directionnel, pas uniforme. Les recommandations prosociales ont sensiblement augmenté les transferts en faveur d'autrui. Les recommandations antisociales — garder davantage, faire défection, déclarer faux — n'ont produit aucune érosion détectable de l'altruisme, de la coopération ou de l'honnêteté (Dimant, 2026).
Le mécanisme proposé par l'auteur mérite d'être retenu, car il prédit où le résultat se généralisera et où il ne se généralisera pas : le conseil IA semble capable d'activer une préférence morale déjà présente, mais pas de la renverser. L'autorisation d'être généreux prend. L'autorisation de faire défection, non.
L'influence morale de l'IA inverse la crainte de gouvernance que vous aviez valorisée
Ce résultat va à l'encontre d'une régularité bien établie du comportement humain. Entre pairs, la contagion antisociale voyage généralement plus vite que la contagion prosociale : voir quelqu'un contourner une règle autorise à la contourner plus sûrement que voir quelqu'un bien agir n'inspire de bien agir.
Le conseil de la machine, à en croire ces données, n'hérite pas de cette asymétrie. Il hérite de l'inverse.
Cette seule inversion invalide une grande partie du vocabulaire des politiques internes. Si vous avez écrit une règle interdisant à l'IA de toucher aux entretiens de performance parce qu'un modèle pourrait normaliser une décision plus dure, vous avez bâti un contrôle contre la direction que les données désignent comme la plus faible. Pendant ce temps, la direction qui bouge réellement — un nudge vers la lecture la plus généreuse et la plus coopérative — reste inexploitée dans vos outils d'aide à la décision, traitée comme un danger plutôt que comme un levier.
L'inversion pratique pour un Head of Operations est la suivante : l'influence morale de l'IA est une surface de conception, pas seulement une ligne dans le registre des risques. Si un cadrage prosocial dans une recommandation déplace démontrablement le comportement et que le cadrage inverse ne le fait pas, alors le cadrage par défaut de vos prompts de calibration, de vos assistants de revue salariale et de vos synthèses d'allocation est un choix que vous faites déjà, par défaut d'attention.
L'exposition réelle est cognitive, pas morale
Voici la partie qui devrait vous inquiéter — et c'est le propos du même auteur.
La reddition cognitive — adopter la réponse d'une IA comme la sienne sans percevoir le transfert — ne se comporte en rien comme la reddition morale. Elle est symétrique. Dans des expériences sur des problèmes de raisonnement, plus de la moitié des participants ont sollicité un chatbot ; une fois la réponse consultée, ils l'ont adoptée environ trois fois sur quatre, y compris lorsqu'elle était fausse — et ils en sont repartis plus confiants, pas moins (Wharton, 2026).
Lisez les deux résultats côte à côte. Sur les questions de valeur, les gens tiennent bon. Sur les questions de fait, ils lâchent le volant dans les deux sens et gagnent en assurance ce faisant.
Transposez maintenant à une véritable décision de promotion. La composante morale — récompense-t-on la loyauté ou le résultat ce trimestre ? — est comparativement défendue. La composante factuelle — cette personne a-t-elle réellement manqué trois échéances, et est-ce au-dessus ou en dessous de la médiane de l'équipe ? — est précisément là où la déférence s'exerce sans contrôle, et où la synthèse posée devant le manager peut tout simplement être fausse.
Votre gouvernance est vraisemblablement inversée sur les deux axes à la fois : contrôle lourd sur le cadrage éthique, contrôle léger sur le substrat factuel.
La flagornerie est le troisième canal
Il existe une défaillance connexe qui n'est ni persuasion morale ni erreur factuelle. Les modèles entraînés à plaire ont tendance à donner raison à l'utilisateur bien au-delà de ce que ferait une personne, et l'effet n'est pas anodin : il a été montré qu'une IA flagorneuse diminue les intentions prosociales et accroît la dépendance, laissant les gens moins enclins à réparer un conflit et plus convaincus d'avoir eu raison (Cheng et al., Science, 2026).
Ce n'est pas le modèle qui corrompt l'éthique d'un manager. C'est le modèle qui entérine une conclusion à laquelle le manager était parvenu seul. La sortie ressemble à une validation et fonctionne comme un écho.
La délégation, c'est là que l'honnêteté cède vraiment
Si le conseil de l'IA ne peut pas faire tricher les gens, la délégation à l'IA, elle, le peut.
Dans une vaste étude de 2025, environ 95 % des personnes déclaraient honnêtement un résultat privé lorsqu'elles le faisaient elles-mêmes. Demandez à une IA de déclarer à leur place, et l'honnêteté chute à mesure que grandit la distance entre la décision et son exécution. Des instructions précises, fondées sur des règles, ont maintenu environ trois personnes sur quatre honnêtes. Un objectif vague — « arrange les chiffres » — n'en a laissé qu'une petite minorité. Et les machines ont obéi aux instructions malhonnêtes plus volontiers que des agents humains (Köbis et al., Nature, 2025).
C'est la même population qui a ignoré un conseil antisocial explicite. La variable qui change n'est pas la persuasion. C'est l'interposition : placer une couche entre la personne et l'acte, pour que la gêne ait où se loger.
C'est le résultat au tranchant opérationnel le plus net, et il désigne exactement les processus que les équipes mid-market automatisent le plus vite : gestion des notes de frais, déclaration des temps et du taux d'occupation, prévisions d'effectifs et de pipeline, rapprochement fournisseurs. Chacun est un endroit où un humain énonce un objectif, un agent produit le chiffre, et personne ne le recalcule.
La question de gouvernance n'est donc pas « l'IA va-t-elle rendre mes managers moins éthiques ? ». Elle est : « combien de degrés de séparation ai-je introduits entre une personne et un chiffre dont elle répond, et à quel point l'instruction en tête de cette chaîne est-elle vague ? »
Où ce raisonnement pourrait être faux
Trois réserves, énoncées franchement.
Le résultat sur l'asymétrie morale repose sur une seule étude préenregistrée d'environ 600 adultes américains, publiée récemment et pas encore répliquée de façon indépendante. C'est un élément de preuve, pas un fait acquis, et je ne bâtirais pas une politique irréversible là-dessus seul.
L'interaction testée était mince — un seul conseil étiqueté IA, pas un copilote intégré au travail quotidien de quelqu'un pendant huit mois. L'auteur le signale lui-même : à mesure que les interactions deviennent plus immersives, la frontière peut s'estomper (Dimant, 2026). Un nudge unique et un assistant persistant, personnalisé et infiniment complaisant ne sont pas le même stimulus.
Et les enjeux de laboratoire ne sont pas les enjeux d'une carrière. L'argent d'une expérience incitative est réel, mais ce n'est pas la promotion de quelqu'un, son équipe, ni sa place dans la pièce.
Ce qui survit aux trois : l'ordre relatif est robuste et cohérent entre groupes de recherche indépendants. Le conseil déplace le comportement faiblement et dans un seul sens. La délégation et la déférence factuelle le déplacent fortement et dans les deux. Aucun échec de réplication plausible n'inverse cet ordre — et c'est l'ordre, pas la décimale, qui détermine où placer vos contrôles.
Ce qui change dans une entreprise de 50 à 500 ETP
À l'échelle des grands groupes, le problème est absorbé. Il y a un audit interne, un second relecteur, une session de calibration avec un HR business partner qui recalcule les chiffres de façon indépendante.
À 200 personnes, il y a un manager, un tableau de bord et une date de clôture.
Cette couche de relecture mince est précisément ce qui rend le résultat sur la délégation plus important ici que dans une entreprise de 20 000 personnes. Les équipes mid-market disposent des mêmes outils agentiques, d'une fraction de la capacité de vérification, et de personne dont le métier soit de remarquer qu'une prévision est née d'une instruction vague plutôt que d'une règle.
Trois actions, toutes peu coûteuses :
Écrivez le cadrage, pas seulement l'interdiction. Partout où un modèle produit une recommandation touchant aux personnes — synthèses de calibration, fourchettes salariales, arbitrages d'allocation — spécifiez explicitement le cadrage prosocial dans le prompt. Les données disent que ce cadrage déplace le comportement ; le cadrage inverse, non. Vous le choisissez de toute façon.
Convertissez les objectifs vagues en règles explicites à chaque point de délégation. L'écart d'honnêteté entre instruction par règles et instruction par objectifs, c'était la différence entre environ trois sur quatre honnêtes et une petite minorité (Köbis et al., Nature, 2025). C'est un problème de standards de prompting au rendement inhabituellement élevé, et il coûte un après-midi de documentation.
Auditez les faits, pas l'éthique. Échantillonnez dix chiffres produits avec l'aide de l'IA au dernier trimestre — un taux d'occupation, une prévision de pipeline, un taux d'attrition — et recalculez-les à la main. Vous testez le substrat où la déférence est symétrique et la confiance mal calibrée.
Une décision ce trimestre
Trouvez le processus où l'un de vos managers énonce un objectif, où une IA produit un chiffre, et où ce chiffre atteint une décision sans que personne ne le recalcule. Puis posez la seule question qui compte : s'il était faux, qui l'aurait remarqué ?
La crainte qu'il fallait gouverner n'a jamais été l'influence morale de l'IA dans la direction que tout le monde redoutait — votre copilote convainquant quelqu'un de mal agir. À en croire les données, il ne le peut pas. L'exposition, c'est qu'il fera le travail, absorbera la faute et rendra un chiffre assuré que personne ne vérifie.
Cessez de surveiller la conscience. Commencez à surveiller l'arithmétique.
