Confier la routine à la machine

L’ordinateur est particulièrement utile non pas quand on s’en sert pour faire plus vite un travail habituel, mais quand on cesse d’exécuter à la main la partie répétitive.

Les calculs, le tri, le renommage de fichiers, la vérification du format, le traitement des tableaux, la recherche de doublons et le transfert de données peuvent souvent être automatisés. Une tâche ponctuelle ne justifie pas toujours la fabrication d’un outil. Mais un geste manuel régulier se transforme peu à peu en rituel coûteux.

Autrefois, l’automatisation signifiait surtout une séquence exacte de commandes. Une telle machine ne comprend pas l’intention : elle exécute l’instruction, y compris la partie où l’on a ordonné par mégarde de supprimer les données dont on avait besoin.

L’IA générative fonctionne autrement. Elle ne se contente pas de suivre la commande, elle reconstitue l’intention probable à partir de la formulation et du contexte. Cela la rend plus souple et, en même temps, plus dangereuse : le système peut exécuter de façon convaincante la mauvaise tâche, et l’erreur aura l’air d’un résultat bien rédigé.

La formule est ici particulièrement utile : l’IA n’est pas un résolveur, c’est un amplificateur. Elle augmente la vitesse et l’échelle du travail, mais avec la bonne méthode elle amplifie aussi le mauvais énoncé, l’hypothèse implicite et la vérification bâclée.

Pour une automatisation ordinaire, il faut un jeu de tests, un contrôle des unités et des formats, une sauvegarde, une comparaison avec un calcul manuel, un traitement des exceptions et la possibilité d’annuler l’action.

En déléguant à un système génératif, s’y ajoutent le contexte, les critères d’acceptation, les sources admissibles, des exemples de résultat correct, l’interdiction d’inventer des données absentes et un point où un humain est tenu de vérifier et de valider le résultat.

Savoir programmer un minimum reste utile, même si la machine écrit de plus en plus la syntaxe elle-même. La valeur se déplace ailleurs : décomposer la tâche, définir les données et les interfaces, lire le code obtenu, imaginer des tests et remarquer que le programme résout la tâche d’à côté.

Les recherches sur le travail professionnel montrent une frontière irrégulière des capacités de l’IA : à l’intérieur, les gens accomplissent les tâches plus vite et mieux ; au-delà, la suggestion du système peut dégrader le résultat, parce qu’elle a l’air plus convaincante que sa propre erreur. Et cette frontière bouge en permanence.

Un mauvais processus accéléré par l’ordinateur devient un mauvais processus rapide. Parfois assez rapide pour que l’erreur se propage avant que quelqu’un ait fini son café. Il vaut la peine d’automatiser non seulement l’action, mais aussi son contrôle.

Le travail manuel n’est pas dangereux par sa lenteur, mais par l’invisibilité de l’erreur. Celui qui, chaque mois, monte un rapport en copiant depuis quatre fichiers ne se trompe pas toujours — environ une fois sur dix. Personne ne cherche l’erreur, parce que les neuf rapports précédents étaient justes et que la procédure passe pour fiable. Au même endroit, un script se trompe soit à chaque fois, soit jamais, et la toute première exécution le montre. Une erreur reproductible coûte moins cher qu’une erreur aléatoire.

Il est donc plus raisonnable de commencer l’automatisation par le plus ennuyeux, et non par le plus compliqué. L’ennuyeux, on l’exécute sans regarder, et c’est précisément là que personne ne revérifie ce qu’on fait depuis des années.