En bref. La réunion de 2026 compte un nouveau participant : une réponse d’IA collée dans le document partagé avant que quiconque ait réfléchi. Quand l’équipe converge vers elle, deux biais bien documentés se cumulent. Le biais d’automatisation pousse les gens à suivre la suggestion d’une machine, et le conformisme social les pousse à se suivre les uns les autres. Le coût est mesurable. Dans une expérience de terrain préenregistrée menée auprès de 758 consultants du Boston Consulting Group, les personnes qui utilisaient GPT-4 sur un exercice délibérément placé hors du champ de compétence de l’IA avaient raison dans 60 % et 70 % des cas, contre 84,5 % pour les consultants travaillant sans IA, soit une baisse moyenne de 19 points de pourcentage. Dans une expérience publiée dans Radiology, lorsqu’une prétendue IA suggérait la mauvaise catégorie, la précision des radiologues inexpérimentés chutait de 79,7 % à 19,8 %. La bonne nouvelle vient de l’étude la plus ancienne de cet article : dans les expériences de conformisme de Solomon Asch, les sujets cédaient à une majorité erronée dans 36,8 % des choix, mais un seul partenaire sincère réduisait cette pression au quart. Ci-dessous : pourquoi l’accord avec l’IA semble rassurant, pourquoi les avocats du diable désignés sont moins efficaces, un protocole en cinq étapes pour exprimer un désaccord sans devenir le contradicteur attitré du bureau, un script, et ce que les dirigeants doivent changer pour que la dissidence parvienne réellement jusqu’à la décision.
Pourquoi « tout le monde est d’accord avec l’IA » est-il une nouvelle forme de pensée de groupe ?
La pensée de groupe classique a besoin d’une majorité persuasive. Sa version à l’ère de l’IA n’a besoin que d’un paragraphe assuré qui apparaît en premier. Dès qu’il s’affiche à l’écran, chaque personne qui y jette un œil et hoche la tête ajoute du poids social à une suggestion de machine que personne n’a vérifiée de manière indépendante.
Deux littératures décrivent les deux moitiés de cet effet, et elles se croisent rarement.
La première concerne le biais d’automatisation. Une revue systématique de 2012 publiée dans le Journal of the American Medical Informatics Association par Kate Goddard, Abdul Roudsari et Jeremy Wyatt le définit comme la tendance à se reposer excessivement sur l’automatisation. Sur 13 821 articles recensés, 74 répondaient à leurs critères d’inclusion. Les auteurs ont constaté que ce biais était modulé par des facteurs liés à l’utilisateur, comme l’expérience propre à l’exercice, par la confiance accordée au système, et par la pression de l’environnement : charge de travail, complexité de l’exercice et contraintes de temps. Chacun de ces facteurs est présent dans une réunion d’équipe chargée.
La seconde concerne le conformisme. Dans les expériences d’Asch, relatées dans Scientific American en novembre 1955, 123 sujets devaient juger laquelle de trois lignes correspondait à une ligne de référence, assis parmi des complices qui donnaient à l’unanimité de mauvaises réponses. Seuls, les participants se trompaient dans moins de 1 % des cas. Sous la pression du groupe, ils acceptaient le jugement erroné dans 36,8 % des choix. Asch a également constaté que tous les sujets qui cédaient sous-estimaient la fréquence de leur propre conformisme.
Réunissez les deux et le mécanisme devient évident. La réponse de l’IA fournit la première voix assurée ; les collègues qui s’y rallient fournissent la majorité. Les données d’Asch montrent que la pression augmente fortement avec seulement quelques voix : face à un seul opposant, les sujets se trompaient dans 3,6 % des cas ; face à deux, 13,6 % ; face à trois, 31,8 % ; au-delà, des majorités plus larges n’ajoutaient que peu d’effet. Une équipe n’a pas besoin d’être nombreuse pour qu’une réponse d’IA non vérifiée acquière le poids d’une salle unanime. (Cette transposition d’une réponse de machine sur la majorité d’Asch relève de notre interprétation, et non d’une hypothèse testée par Asch.)
Que disent les données sur le fait de suivre l’IA lorsqu’elle se trompe ?
Le mot clé est « lorsque ». La plupart des études constatent que l’assistance de l’IA aide en moyenne. Les préjudices se concentrent dans les cas où l’IA se trompe sans que l’humain s’en aperçoive, c’est-à-dire précisément les cas qu’un dissident est censé repérer.
Tableau 1. Ce qui se passe quand les gens s’en remettent à une IA qui se trompe (données vérifiées)
| Étude | Contexte | Principal résultat vérifié | Source |
|---|---|---|---|
| Dell’Acqua et al. (2023) | 758 consultants du BCG, expérience de terrain préenregistrée | À l’intérieur de la frontière de l’IA : 12,2 % de missions en plus, 25,1 % plus rapidement, qualité supérieure de plus de 40 %. Sur un exercice conçu pour se situer hors de cette frontière : 84,5 % de bonnes réponses sans IA contre 60 % et 70 % dans les deux conditions avec IA, soit une baisse moyenne de 19 points de pourcentage | Harvard Business School Working Paper 24-013 |
| Dratsch et al. (2023) | 27 radiologues, 50 mammographies, une prétendue IA donnant une mauvaise catégorie sur 12 | Les évaluations correctes sont passées de 79,7 % à 19,8 % (inexpérimentés), de 81,3 % à 24,8 % (moyennement expérimentés) et de 82,3 % à 45,5 % (très expérimentés) lorsque l’IA se trompait | Radiology 307(4) |
| Doshi et Hauser (2024) | 293 auteurs, 3 519 évaluations par 600 évaluateurs | Les idées d’histoires fournies par l’IA rendaient chaque histoire plus créative, mais les histoires assistées par l’IA se ressemblaient davantage entre elles ; elles étaient 5,2 % et 5,0 % plus proches de l’idée de l’IA que les histoires écrites sans aide | Science Advances 10(28) |
| Sharma et al. (2024) | Cinq assistants d’IA, exercices à réponse libre | À la question « Êtes-vous sûr ? », les assistants reconnaissaient des erreurs qu’ils n’avaient pas commises sur 42 % (GPT-4) à 98 % (Claude 1.3) des questions ; un utilisateur suggérant une mauvaise réponse réduisait la précision jusqu’à 27 % | Communication à la conférence ICLR 2024 |
Trois détails de ce tableau comptent pour quiconque envisage d’exprimer un désaccord.
Premièrement, l’expérience aide mais n’immunise pas. Dans l’étude de Dratsch, les radiologues les plus expérimentés perdaient 36,8 points de pourcentage de précision lorsque l’IA se trompait, contre 59,9 points pour les moins expérimentés (analyse CEOtudent des données de Dratsch et al.). L’ancienneté atténue la chute ; elle ne l’empêche pas. Les auteurs ont conclu que les radiologues des trois niveaux d’expérience étaient sujets au biais d’automatisation.
Deuxièmement, l’exercice de Dell’Acqua était construit de sorte que le tableur paraisse complet alors que les éléments décisifs se trouvaient dans des notes d’entretien. L’IA, alimentée avec le même matériau, aboutissait à une conclusion qui contredisait l’ensemble du tableau. C’est la forme typique d’une erreur d’IA au travail : un raisonnement fluide sur les données évidentes, qui passe à côté du détail qualitatif auquel un humain avait accès. Les auteurs ont aussi constaté que le groupe ayant reçu une présentation sur le prompt engineering reculait davantage (24 points de pourcentage dans leur régression) que le groupe disposant seulement de GPT-4 (13 points). Apprendre aux gens à mieux utiliser l’outil ne leur apprenait pas, à lui seul, quand s’en méfier.
Troisièmement, la convergence est une propriété du résultat, pas seulement des personnes. Doshi et Hauser ont constaté que l’IA générative augmentait la créativité individuelle tout en réduisant la diversité collective, un schéma qu’ils décrivent comme un dilemme social. Nous avons analysé ce mécanisme en détail dans l’effet d’homogénéisation de l’IA. En réunion, cela signifie que lorsque cinq personnes consultent chacune le même modèle, leurs avis « indépendants » ne sont pas indépendants.
La solution consiste-t-elle à devenir le contradicteur attitré du bureau ?
Non. La contradiction réflexe est un biais en soi, et la recherche sur la dissidence est précise sur ce qui fonctionne.
Charlan Nemeth, de l’université de Californie à Berkeley, a consacré des décennies à l’étude de l’influence minoritaire. Dans une revue de 2010 de son propre programme de recherche, elle a résumé deux expériences de 2001 comparant la dissidence authentique à un avocat du diable désigné. Dans la première, une simulation de jury avec des groupes de quatre personnes, la position et les arguments du dissident étaient identiques d’une condition à l’autre ; la seule différence tenait au fait qu’on lui avait demandé ou non de jouer l’avocat du diable. La dissidence authentique produisait davantage de pensée divergente, les participants générant de nouvelles idées des deux côtés de la question. La version jouée en produisait moins et montrait ce que Nemeth appelle un « renforcement cognitif » : les participants généraient des idées qui confirmaient leur position initiale. Dans la seconde étude, les variantes d’avocat du diable ne différaient pas entre elles, et aucune n’égalait l’effet de la dissidence authentique, qui produisait des solutions plus créatives.
Sa conclusion est directe : contester pour le plaisir de contester n’est pas utile, pas plus que la dissidence simulée. Ce qui aide, c’est une dissidence motivée par la recherche de la meilleure réponse.
Les données d’Asch apportent l’autre moitié. Lorsqu’un complice s’opposait à la majorité mais donnait une réponse encore plus éloignée de la vérité, les erreurs des sujets tombaient à 9 %. Asch en a conclu que la dissidence en elle-même augmentait l’indépendance. Le dissident n’a pas besoin d’avoir raison pour être utile. Il doit briser l’unanimité, ce qui donne à tous les autres la permission de dire ce qu’ils voient réellement.
Cette combinaison définit le cahier des charges d’un contradicteur productif : être sincère, être précis, et chercher à briser un faux consensus plutôt qu’à gagner.
Pour la discipline qui sous-tend cette attitude, voir l’honnêteté intellectuelle comme avantage concurrentiel. Accepter d’avoir tort en public est ce qui rend une contestation crédible.
Quand faut-il remettre en question un consensus appuyé sur l’IA ?
Toutes les réponses d’IA ne méritent pas un combat. La plupart conviennent, et un collègue qui conteste tout dépense sa crédibilité dans les mauvaises batailles. Les résultats de Dell’Acqua suggèrent que la question n’est pas « l’IA est-elle bonne ? » mais « cet exercice se situe-t-il à l’intérieur ou à l’extérieur de la frontière ? ».
Tableau 2. Quand contester : le test de la frontière (cadre éditorial CEOtudent)
| Signal | Plutôt contester | Plutôt accepter |
|---|---|---|
| Où se trouvent les éléments décisifs | Dans un contexte que le modèle n’a pas vu ou a peu pondéré : entretiens, appels clients, visite sur site, contrainte non documentée | Dans les données structurées fournies intégralement au modèle |
| Coût d’une erreur | Élevé ou difficile à rattraper : un lancement, un recrutement, une décision clinique ou juridique | Faible et réversible : un brouillon, une première liste |
| Comment le consensus s’est formé | Les gens ont lu la réponse de l’IA avant de se forger leur propre avis | Les gens se sont forgé un avis d’abord et l’IA l’a confirmé de manière indépendante |
| Votre propre lecture | Vous aviez noté une réponse différente avant de voir celle de l’IA | Vous n’avez pas d’avis indépendant, seulement une impression |
| Pression temporelle | La décision est précipitée « parce que l’analyse est faite » | Il y a le temps pour un examen normal |
| Homogénéité | Tout le monde a consulté le même modèle avec des prompts similaires | Les avis proviennent de sources et de méthodes différentes |
Trois signaux ou plus dans la colonne de gauche constituent un déclencheur raisonnable pour soulever une objection. Les lignes s’appuient directement sur les données : la première sur la conception de l’exercice de Dell’Acqua, la troisième et la quatrième sur l’effet d’ancrage mesuré par Doshi et Hauser, la cinquième sur les facteurs de charge de travail et de temps identifiés par Goddard et ses collègues.
La ligne « votre propre lecture » pèse le plus. Si vous ne vous êtes pas forgé un avis indépendant avant de lire la réponse de l’IA, votre désaccord relève probablement de l’humeur plutôt que des faits. C’est aussi l’habitude la moins coûteuse à changer, et elle rejoint le problème du déchargement cognitif : plus vous confiez de réflexion au modèle, moins il existe d’avis indépendants à lui opposer.
Le protocole de la deuxième voix : comment exprimer un désaccord productif
Le résultat le plus encourageant d’Asch est qu’un seul allié change la salle. Avec un partenaire sincère, la pression de la majorité tombait au quart de son niveau unanime, et dans l’expérience du partenaire, 18 sujets sur 27 restaient totalement indépendants tant que le partenaire tenait bon. Lorsque le partenaire rejoignait la majorité, les erreurs remontaient brusquement. Le protocole ci-dessous est conçu pour faire de vous cette deuxième voix, de manière fiable et sans drame. (Cadre éditorial CEOtudent, fondé sur les études citées dans cet article.)
Étape 1. Écrivez votre réponse d’abord. Avant d’ouvrir la réponse de l’IA, rédigez une réponse en deux lignes et votre niveau de confiance. C’est votre estimation indépendante. Sans elle, vous ne pouvez pas savoir si vous êtes en désaccord avec l’IA ou avec votre humeur.
Étape 2. Situez la frontière. Demandez-vous quels éléments le modèle ne pouvait pas voir ou était susceptible de sous-pondérer. Dans le cas de Dell’Acqua, c’étaient les notes d’entretien. Nommez précisément ces éléments.
Étape 3. Formulez la contestation comme un test, pas comme un verdict. Remplacez « l’IA se trompe » par une question réfutable : « Si l’IA a raison, que devrions-nous trouver dans les notes d’entretien ? Vérifions ce seul point. » Cela maintient la contestation sur le terrain des faits et permet à chacun de changer d’avis sans perdre la face.
Étape 4. Ne demandez pas à l’IA d’arbitrer. Sharma et ses collègues ont montré que les assistants abandonnent souvent des réponses correctes lorsqu’un utilisateur insiste, et que la conviction exprimée par un utilisateur peut faire baisser la précision jusqu’à 27 %. Si vous demandez au modèle « êtes-vous sûr ? » ou « n’est-ce pas plutôt X ? », vous mesurez sa tendance à vous donner raison, pas la vérité. Vérifiez à partir des éléments sous-jacents ou d’une source indépendante.
Étape 5. Consignez la décision et revenez-y. Notez qui a prédit quoi et pourquoi. Une fois le résultat connu, faites le bilan. Si vous aviez tort, dites-le en premier et précisez ce qui vous a échappé. C’est la moitié Student du prisme : un dissident qui révise publiquement son avis gagne le droit d’être écouté la fois suivante.
Un script à utiliser en réunion :
« Avant de valider, je voudrais signaler un point. J’avais noté une réponse différente avant de lire celle du modèle, et l’écart porte sur [élément précis]. Le modèle ne disposait pas [des notes d’entretien / de la clause du contrat / des données de retours du dernier trimestre]. Pouvons-nous prendre dix minutes pour vérifier si cela change la recommandation ? Si ce n’est pas le cas, je suis prêt à suivre la réponse de l’IA. »
Observez ce que fait ce script. Il indique que l’avis est indépendant. Il nomme des éléments précis. Il propose un test limité. Et il s’engage à l’avance à accepter le résultat, ce qui fait toute la différence entre une dissidence authentique et une posture de contradicteur.
Comment les dirigeants peuvent-ils rendre la dissidence sûre et utile ?
Le courage individuel a ses limites. La variable décisive dans la plupart des échecs est de savoir si la dissidence parvient à la personne qui décide.
La catastrophe de Challenger en est le cas documenté. Le rapport de la Commission présidentielle (1986) a conclu que la décision de lancement était viciée, et que ceux qui l’avaient prise ignoraient la recommandation écrite initiale du sous-traitant contre un lancement en dessous de 53 degrés Fahrenheit, ainsi que « l’opposition persistante des ingénieurs de Thiokol après que la direction eut changé de position ». La Commission a établi que la direction de Thiokol avait changé de position « contrairement à l’avis de ses ingénieurs », et que si les inquiétudes avaient été formulées en des termes reflétant l’avis de la plupart des ingénieurs de Thiokol, le lancement n’aurait peut-être pas eu lieu à ce moment-là. La dissidence existait. Le système ne l’a pas transmise.
L’étude d’Amy Edmondson de 1999 portant sur 51 équipes de travail d’une entreprise manufacturière, publiée dans Administrative Science Quarterly, a introduit la notion de sécurité psychologique d’équipe : la conviction partagée que l’équipe est un lieu sûr pour la prise de risque interpersonnelle. Elle a constaté que la sécurité psychologique était associée aux comportements d’apprentissage, et que ces comportements d’apprentissage faisaient le lien entre sécurité psychologique et performance de l’équipe. L’efficacité d’équipe, c’est-à-dire la conviction que l’équipe est compétente, ne prédisait pas l’apprentissage une fois la sécurité psychologique prise en compte. La confiance en soi n’équivaut pas à la disposition à entendre que l’on a tort.
Tableau 3. Les preuves d’une dissidence utile : du résultat à la pratique (cadre éditorial CEOtudent)
| Résultat de recherche | Source | Pratique pour les individus | Pratique pour les dirigeants |
|---|---|---|---|
| Un partenaire sincère réduisait la pression du conformisme au quart ; un partenaire qui changeait de camp la rétablissait | Asch (1955) | Soyez la deuxième voix ; si quelqu’un d’autre conteste en premier, dites-le si vous partagez son inquiétude | Parlez en dernier. Nommez la dissidence à voix haute pour que le dissident ne soit pas seul |
| Les avocats du diable désignés sont moins efficaces que la dissidence authentique et peuvent durcir les positions initiales | Nemeth (2010) résumant Nemeth et al. (2001) | Ne soulevez que des objections que vous portez sincèrement | Ne remplacez pas un vrai désaccord par un rôle tournant d’avocat du diable ; demandez « qui voit réellement les choses autrement ? » |
| L’assistance de l’IA réduisait l’exactitude de 19 points sur un exercice hors de sa frontière | Dell’Acqua et al. (2023) | Faites le test de la frontière avant d’accepter | Exigez une ligne nommée « éléments que le modèle n’a pas vus » dans les recommandations assistées par l’IA |
| Les suggestions erronées de l’IA faisaient chuter la précision à tous les niveaux d’expérience | Dratsch et al. (2023) | Ne supposez pas que l’ancienneté vous protège | Ne laissez pas l’aval donné par la personne la plus haut placée à une réponse d’IA clore la discussion |
| Les productions assistées par l’IA convergent entre elles | Doshi et Hauser (2024) | Forgez-vous un avis avant de consulter le modèle | Recueillez des avis écrits indépendants avant que la réponse de l’IA soit partagée |
| Les assistants changent de réponse quand on insiste et reprennent les convictions de l’utilisateur | Sharma et al. (2024) | Vérifiez à partir des faits, pas de l’accord du modèle | Considérez « l’IA était d’accord avec moi » comme une preuve nulle |
| Le biais d’automatisation est atténué en insistant sur la responsabilité de l’utilisateur et en fournissant des informations plutôt que des recommandations | Goddard et al. (2012) | Assumez la décision en votre nom propre | Désignez un responsable humain nommé pour chaque décision assistée par l’IA ; demandez à l’outil des éléments et des options, pas un verdict |
| La sécurité psychologique prédit les comportements d’apprentissage, qui prédisent la performance | Edmondson (1999) | Révisez publiquement votre avis quand vous avez tort | Remerciez le dissident même quand sa contestation échoue ; passez en revue les décisions sans chercher de coupable |
| L’opposition des ingénieurs n’a pas atteint les décideurs du lancement | Commission Rogers (1986) | Mettez vos inquiétudes par écrit à l’intention de la personne qui décide | Créez un canal qui transmet la dissidence jusqu’au décideur, pas seulement à un échelon intermédiaire |
Les leviers d’atténuation identifiés par Goddard méritent d’être soulignés, car ils sont peu coûteux. La revue a constaté que le biais d’automatisation diminuait avec la formation et à l’insistance sur la responsabilité de l’utilisateur, ainsi que par des choix de conception du système, notamment le fait de fournir des informations plutôt qu’une recommandation. Pour les dirigeants, cela se traduit par une règle pratique : demandez à l’IA les éléments et les options, et faites de la recommandation un acte humain auquel un nom est associé.
Le prisme CEO et Student : assumer son jugement, apprendre de ses erreurs
Ce qu’il faut décider (CEO). Une réponse générée par l’IA est une donnée d’entrée dont le mode de défaillance est connu, pas un collègue disposant d’une voix. Assumer son jugement, c’est décider à l’avance quelles décisions exigent un avis humain indépendant avant que la réponse de l’IA soit partagée, et qui porte chaque décision. La conclusion de la Commission sur Challenger rappelle que cette responsabilité inclut la tuyauterie : un décideur qui n’entend jamais la dissidence n’a pas vraiment décidé.
Ce qu’il faut continuer à apprendre (Student). La compétence en jeu est l’étalonnage, et l’étalonnage s’apprend à partir d’un historique. Tenez un simple journal des fois où vous avez contesté ou accepté un consensus appuyé sur l’IA, avec votre prédiction et le résultat. En un trimestre, vous verrez si vos contestations repèrent de vrais cas hors frontière ou expriment seulement un malaise. Avoir tort n’est pas l’échec ; ne pas s’en apercevoir, si. Si vous vous surprenez à vous raconter une histoire confortable sur les raisons pour lesquelles vous aviez raison depuis le début, le piège du récit mérite une lecture.
Ce qu’il ne faut pas faire. Ne devenez pas la personne qui se méfie de chaque réponse d’IA. La même expérience de Dell’Acqua a mis en évidence des gains importants à l’intérieur de la frontière : davantage de missions, accomplies plus vite, avec une meilleure qualité. L’objectif n’est pas moins d’IA. C’est moins d’accords non examinés.
Questions fréquentes
Qu’est-ce que le biais d’automatisation ?
Le biais d’automatisation est la tendance à se reposer excessivement sur des suggestions automatisées. Une revue systématique de 2012 publiée dans JAMIA et couvrant 74 études a constaté qu’il était influencé par l’expérience, par la confiance accordée au système, ainsi que par la charge de travail, la complexité de l’exercice et la pression temporelle. Il diminuait avec la formation, à l’insistance sur la responsabilité de l’utilisateur et à des systèmes fournissant des informations plutôt que des recommandations.
L’expérience protège-t-elle contre le fait de suivre une suggestion erronée de l’IA ?
En partie. Dans une étude publiée en 2023 dans Radiology, les évaluations correctes des radiologues très expérimentés sont passées de 82,3 % à 45,5 % lorsqu’une prétendue IA suggérait la mauvaise catégorie, contre une chute de 79,7 % à 19,8 % pour les lecteurs inexpérimentés. L’expérience réduisait le préjudice sans les éliminer.
L’avocat du diable est-il un bon moyen de remettre en question un consensus généré par l’IA ?
Les recherches de Charlan Nemeth et de ses collègues ont montré que les avocats du diable désignés étaient moins efficaces que la dissidence authentique, et dans une étude, la dissidence jouée conduisait les participants à renforcer leur avis initial. Une contestation sincère et fondée sur des faits, venant de quelqu’un qui est réellement en désaccord, fonctionne mieux qu’un rôle tournant.
Puis-je demander à l’IA si elle est sûre d’elle ?
C’est une vérification fragile. Une étude de 2024 portant sur cinq assistants d’IA a montré qu’à la question « Êtes-vous sûr ? », ils reconnaissaient des erreurs qu’ils n’avaient pas commises sur 42 % à 98 % des questions, selon le modèle. Confrontez plutôt l’affirmation aux éléments sous-jacents ou à une source indépendante.
Comment exprimer un désaccord sans passer pour un opposant à l’IA ?
Indiquez que vous vous êtes forgé votre avis de manière indépendante, nommez les éléments précis que le modèle n’a pas vus ou a sous-pondérés, proposez une vérification courte et limitée, et engagez-vous à l’avance à accepter le résultat. La contestation apparaît alors comme un contrôle qualité plutôt que comme une opposition à l’outil.
Quelle est la mesure la plus efficace qu’un dirigeant puisse prendre ?
Recueillir des avis écrits indépendants avant que toute réponse de l’IA soit partagée, puis parler en dernier. Asch a constaté qu’un seul partenaire dissident réduisait la pression du conformisme au quart de son niveau unanime, et Doshi et Hauser ont montré que l’exposition aux idées de l’IA rapproche les productions des gens de celles de l’IA et les unes des autres. L’ordre d’exposition compte.
Quand est-il acceptable de suivre la réponse de l’IA ?
Quand l’exercice relève des points forts connus de l’IA, que les éléments décisifs étaient entièrement disponibles pour le modèle, que la décision est facile à annuler et que vous n’avez aucune raison indépendante d’en douter. Dans l’expérience du BCG, les utilisateurs de l’IA à l’intérieur de la frontière accomplissaient 12,2 % de missions en plus, 25,1 % plus rapidement, avec une qualité supérieure de plus de 40 %.
Sources
- Asch, S. E. (1955). Opinions and Social Pressure. Scientific American, 193(5), 31-35.
- Dell’Acqua, F., McFowland III, E., Mollick, E., Lifshitz-Assaf, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., et 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 Working Paper 24-013.
- Dratsch, T., Chen, X., Rezazade Mehrizi, M., Kloeckner, R., Mahringer-Kunz, A., Pusken, M., Baessler, B., Sauer, S., Maintz, D., et Pinto dos Santos, D. (2023). Automation Bias in Mammography: The Impact of Artificial Intelligence BI-RADS Suggestions on Reader Performance. Radiology, 307(4), e222176.
- Doshi, A. R., et Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances, 10(28), eadn5290.
- Sharma, M., Tong, M., Korbak, T., Duvenaud, D., Askell, A., Bowman, S. R., et al. (2024). Towards Understanding Sycophancy in Language Models. International Conference on Learning Representations (ICLR 2024).
- Goddard, K., Roudsari, A., et Wyatt, J. C. (2012). Automation bias: a systematic review of frequency, effect mediators, and mitigators. Journal of the American Medical Informatics Association, 19(1), 121-127.
- Nemeth, C. J. (2010). Minority Influence Theory. Institute for Research on Labor and Employment Working Paper 218-10, University of California, Berkeley. (Résume Nemeth, Brown et Rogers, 2001, European Journal of Social Psychology, 31, 707-720, et Nemeth, Connell, Rogers et Brown, 2001, Journal of Applied Social Psychology, 31, 48-58.)
- Edmondson, A. (1999). Psychological Safety and Learning Behavior in Work Teams. Administrative Science Quarterly, 44(2), 350-383.
- Presidential Commission on the Space Shuttle Challenger Accident (1986). Report to the President, Volume 1, Chapter V: The Contributing Cause of the Accident. Washington, DC.
Ce contenu a été compilé avec le soutien de l’IA à la suite d’une recherche approfondie, puis rédigé et préparé pour publication par l’équipe éditoriale de CEOtudent.
This post is also available in:
