Comment l'IA peut façonner l'avenir du management autonome : enseignements de la littérature académique

Dans cet article, je souhaite partager quelques enseignements de la littérature académique sur les façons dont l'intelligence artificielle (IA) peut façonner l'avenir du management autonome. L'IA est un ensemble de technologies émergentes fondées sur des algorithmes d'apprentissage, computational power and statistical techniques that can approximate the output of knowledge workers[1]. 

Les technologies utilisant l'IA évoluent actuellement à une vitesse vertigineuse. À mesure que les organisations continuent de les expérimenter de manière inattendue, de nouvelles formes d'organisation émergent, comme en témoignent l'ubérisation et l'économie des plateformes[2]. Et alors que le débat public et politique sur la régulation de ces technologies se poursuit, de nombreux scénarios restent possibles pour l'avenir du travail, certains plus souhaitables que d'autres[3]. 

Dans cet article, je synthétise la littérature pour proposer les principales opportunités ainsi que les risques que l'IA présente pour les managers cherchant à mettre en œuvre des pratiques de management autonome. Je diviserai mon analyse en trois dimensions essentielles de l'organisation : la prise de décision, la coordination et le contrôle[4]. Ce faisant, j'expliquerai brièvement comment chaque dimension peut être affectée par l'IA dans le contexte du management autonome.

[💡à lire aussi] Qu'est-ce que la gouvernance partagée ?

Prise de décision : accroître l'autonomie des collaborateurs en éclairant leurs choix d'action

Le management autonome exige que les équipes travaillent avec un haut niveau d'autonomie. When AI tools are successfully integrated, ils peuvent considérablement améliorer la base sur laquelle les équipes prennent leurs décisions, notamment en intégrant des sources de données riches et diversifiées[4]. Cela permet aux collaborateurs de puiser dans l'ensemble du capital de connaissances de leur organisation pour prendre des décisions mieux informées. En retour, cette capacité accrue renforce l'autonomie des équipes et réduit le besoin de supervision managériale.

Comme cela a été révélé ces derniers mois, l'IA générative fondée sur les grands modèles de langage (LLM) peut être particulièrement puissante pour assister les collaborateurs. Si la recherche en management sur les LLM en est encore à ses débuts, de nombreuses études montrent que l'utilisation de l'IA générative au travail (comme ChatGPT) tend à agir comme un niveleur de compétences[5][6]. Hausser les performances des collaborateurs moins qualifiés pour les mettre au niveau des plus performants peut aplatir les hiérarchies d'expertise et encourager chaque employé à créer de la valeur.

Par ailleurs, utiliser l'IA générative pour démocratiser la connaissance organisationnelle peut également accroître la transparence des processus clés[7], ce qui a été établi comme une condition nécessaire au management autonome[8].

While tools such as Holaspirit favorise la transparence des rôles, son association à des logiciels LLM peut encore faciliter le management autonome, notamment en suggérant aux collaborateurs des pistes d'action recommandées. En offrant une assistance personnalisée aux collaborateurs, la barrière psychologique à l'adoption du management autonome s'abaisse, rendant cette pratique accessible à un plus grand nombre de collaborateurs aux profils variés[9].

Pour aider les collaborateurs à gagner du temps, nous avons récemment intégré un assistant IA sur notre plateforme. Au lieu de créer des rôles de zéro, les membres peuvent désormais générer le contenu d'un rôle ou d'un cercle grâce à l'IA. Ils cartographient ainsi leur organisation deux fois plus vite qu'auparavant ! Envie d'en savoir plus ? Cliquez ici pour découvrir notre nouvel organigramme propulsé par l'IA.

[💡à lire aussi] How Does AI Impact Employees Within an Organization?

Coordination : améliorer l'intégration des tâches à grande échelle sans hiérarchies managériales

Comme on le sait, il est souvent plus facile pour les petites organisations de rester pleinement autonomes dans le temps que pour les grandes[10]. L'une des raisons est que l'autorité managériale demeure un moyen très efficace d'intégrer des tâches interdépendantes complexes entre des unités organisationnelles éloignées, en particulier dans les périodes de forte incertitude où de nombreux ajustements mutuels sont nécessaires. Dans ces situations, l'IA peut jouer un rôle clé en repensant les flux de travail pour réduire les conflits inter-équipes, permettant ainsi une collaboration à grande échelle sans recours à l'autorité managériale[11].

Par exemple, Amazon Mechanical Turk (MTurk), une place de marché de crowdsourcing pour recruter des ressources, utilise l'IA pour réduire les coûts de coordination en allouant les tâches, en contrôlant la qualité et en agrégeant des résultats disparates en un ensemble cohérent[12]. Bien que MTurk fonctionne via un système de gouvernance centralisé, les mécanismes par lesquels il permet la collaboration à grande échelle peuvent être très utiles pour les organisations à management autonome[13].

En période de crise, il peut être particulièrement difficile pour les organizations to maintain management autonome , car les vieux réflexes d'autorité centralisée tendent souvent à revenir[14]. Et si les hiérarchies traditionnelles restent un outil efficace pour résoudre les conflits intra-organisationnels, le besoin de résolution de conflits en temps de crise peut être atténué par une intégration plus fluide et plus intelligente des tâches, que l'IA peut contribuer à réaliser.

Il est important de noter, cependant, que les technologies IA tendent à fonctionner particulièrement mal en période de crise. En effet, les algorithmes d'apprentissage ne peuvent être entraînés que sur des données issues d'occurrences passées, qui ne reflètent souvent que des schémas d'action normaux. Ainsi, lorsque des événements nouveaux et inattendus surviennent, comme la pandémie de COVID-19, les modèles IA s'avèrent particulièrement sujets aux erreurs[15]. L'intelligence humaine reste donc centrale pour coordonner en période de crise. En matière de management autonome, il est important de rappeler que la division et l'intégration des tâches au sein des organisations restent souvent un processus informel qui requiert proximité et compréhension mutuelle. Si l'IA peut aider, elle n'est pas une panacée.  

Contrôle : fournir un retour en temps réel aux collaborateurs sur leurs performances

Le contrôle organisationnel est essentiel pour s'assurer que le travail des départements, des équipes et des individus reste aligné avec les objectifs de l'organisation. Dans les organisations traditionnelles, cela est souvent réalisé par des mécanismes de contrôle hiérarchiques et descendants.

Parce que l'IA peut surveiller en continu et de manière cohérente les écarts par rapport aux indicateurs clés, elle peut être (et a déjà été) utilisée pour fournir aux collaborateurs et aux équipes un retour sur leurs performances et les aider à atteindre leurs objectifs. Cela permet aux collaborateurs et aux équipes de s'auto-ajuster et d'apporter les changements nécessaires.

Si cela peut permettre la mise en œuvre de mécanismes de contrôle moins hiérarchiques grâce à des formes d'auto-surveillance et de surveillance par les pairs, d'importantes préoccupations en matière de vie privée doivent être prises en compte. Par exemple, l'IA est de plus en plus utilisée dans les organisations pour élargir le périmètre de surveillance[16], créant ce que les chercheurs ont appelé des « cages algorithmiques »[17]. Uber en est un exemple : les chauffeurs sont poussés à se conformer par des systèmes rigides de punition et de récompense activés par des algorithmes IA[18]. Ces exemples ne sont pas propres à l'économie des plateformes, comme en témoigne la popularité croissante des technologies de surveillance au bureau[19]. Ces nouvelles tendances sur le marché du travail constituent une menace sérieuse pour la growth of management autonome, car il est facile d'imaginer comment une surveillance algorithmique constante est incompatible avec le développement d'un sentiment de sécurité psychologique.

Dès lors, la question de savoir si l'IA peut être utilisée pour promouvoir la croissance de communautés locales de management autonome plutôt que de mener à l'autoritarisme numérique dépendra en fin de compte de la possibilité de l'utiliser de manière à préserver la vie privée des travailleurs. Cela dépend non seulement des choix d'outils effectués par les managers, mais aussi de la façon dont ces technologies sont réglementées dans la sphère politique[20]. Si le développement ultérieur des technologies IA peut créer des conditions favorables à l'épanouissement des collaborateurs, il est important de rappeler que la façon dont elles façonneront l'avenir du travail repose sur les décisions des managers et des décideurs politiques à travers le monde. L'histoire est encore en train de s'écrire, et les managers en sont les premiers acteurs.

‍

Références :

[1] Faraj, S., Pachidi, S., & Sayegh, K. (2018). Working and organizing in the age of the learning algorithm. Information and Organization, 28(1), 62-70.

[2] Faraj, S., & Pachidi, S. (2021). Beyond Uberization: The co-constitution of technology and organizing. Organization Theory, 2(1), 2631787721995205.

[3] Bodrožić, Z., & S. Adler, P. (2022). Alternative futures for the digital transformation: A macro-level Schumpeterian perspective. Organization Science, 33(1), 105-125.

[4] Faraj, S., Renno, W., & Bhardwaj, A. (2022). AI and Uncertainty in Organizing.

[5] Noy, Shakked and Whitney Zhang, “Experimental evidence on the productivity effects of generative artificial intelligence,” 2023. Available at SSRN: https: // ssrn. com/ abstract= 4375283 .

[6] Dell'Acqua, F., McFowland, E., Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., ... & Lakhani, K. R. (2023). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality. Harvard Business School Technology & Operations Mgt. Unit Working Paper, (24-013).

[7] Schildt, H. (2017). Big data and organizational design–the brave new world of algorithmic management and computer augmented transparency. Innovation, 19(1), 23–30.

[8] Martela, F. (2019). What makes organisations à management autonome novel? Comparing how Weberian bureaucracy, Mintzberg’s adhocracy, and self-organizing solve six fundamental problems of organizing. Journal of Organization Design, 8(1), 1-23.

[9] Reitzig, M. (2022). How to get better at flatter designs: considerations for shaping and leading organizations with less hierarchy. Journal of Organization Design, 11(1), 5-10.

[10] Foss, Nicolai J., and Peter G. Klein. Why managers matter: the perils of the bossless company. PublicAffairs, 2022.

[11] Puranam, P. (2022). Deflating the rhetoric around “flat firms”. Journal of Organization Design, 11(1), 15-17.

[12] Schwartz, O. (2019). Untold history of AI: How Amazon’s mechanical turkers got squeezed inside the machine. IEEE Spectrum. Institute of Electrical and Electronics Engineers, New York.

[13] Lee, M. Y., & Edmondson, A. C. (2017). Self-managing organizations: Exploring the limits of less-hierarchical organizing. Research in organizational behavior, 37, 35-58.

[14] Lee, M. Y., & Green, P. (2022). Is Flat for Everyone? Investigating Who Thrives and Who Struggles in Decentralized Structures.

[15] Faraj, S., Renno, W., & Bhardwaj, A. (2021). Unto the breach: What the COVID-19 pandemic exposes about digitalization. Information and Organization, 31(1), 100337.

[16] Kellogg, K. C., Valentine, M. A., & Christin, A. (2020). Algorithms at work: The new contested terrain of control. Academy of Management Annals, 14(1), 366-410.

[17] Faraj, S., Pachidi, S., & Sayegh, K. (2018). Working and organizing in the age of the learning algorithm. Information and Organization, 28(1), 62-70.

[18] Cameron, L. D., & Rahman, H. (2022). Expanding the locus of resistance: Understanding the co-constitution of control and resistance in the gig economy. Organization Science, 33(1), 38-58.

[19] de Vaujany, F.-X., Leclercq-Vandelannoitte, A., Munro, I., Nama, Y., & Holt, R. (2021). Control and Surveillance in Work Practice: Cultivating Paradox in ‘New’ Modes of Organizing.

[20] Bodrožić, Z., & S. Adler, P. (2022). Alternative futures for the digital transformation: A macro-level Schumpeterian perspective. Organization Science, 33(1), 105-125.

‍