En 5 secondes
Plus l’IA sait fabriquer, moins votre valeur tient au fait de tout faire vous-même.
Ce qui compte davantage, c’est de sentir vite que quelque chose cloche (« c’est ennuyeux », « personne ne va cliquer là », « ça marche, mais on n’a pas envie de s’en servir »), d’expliquer pourquoi, de donner à l’IA le but et les limites, puis de juger à nouveau le résultat réel.
Autrement dit, au lieu d’écrire tout le code vous-même, vous faites tourner cette boucle :
sentir que quelque chose cloche → en parler avec l’IA → repenser de 0 à 1 → construire → regarder le vrai résultat → sentir le prochain truc qui cloche
Vu de l’extérieur, on dirait un patron qui ne fait que râler.
Mais tant que vous ne dictez pas chaque pixel, ce n’est pas du flicage. Vous gardez le but et le niveau d’exigence. L’IA se charge de chercher les solutions et de les construire.
1. Tout est parti d’une page d’accueil bien rangée et franchement ennuyeuse
La page d’accueil d’un site affichait ses catégories et son nombre d’articles en rangées bien nettes.
L’info était claire. Rien n’était cassé. Chaque choix se justifiait.
Et pourtant, la première réaction a été :
« Bon, c’est vraiment ennuyeux. »
Ce genre de sensation est pénible à gérer.
Ce n’est pas un bug évident, comme un bouton qui ne marche pas. Les tests passent. Aucune règle n’est enfreinte. Simplement, on n’a pas envie d’y toucher.
En discutant avec une IA conversationnelle, cette impression a fini par trouver ses mots.
Le propriétaire du site exposait son stock : « Relations : 98 articles », « Décisions et comparatifs : 78 articles ». Sauf que quelqu’un qui arrive pour la première fois se moque du stock. Ce qu’il se demande, c’est :
« Il y a un truc sympa pour moi, là ? » « J’ai ce problème, je clique où ? » « Je ne cherche rien de précis, j’ai juste envie de tomber sur quelque chose. »
Le problème entier a alors été confié à nouveau à une IA de conception faite pour repartir de zéro. La page d’accueil est passée d’un entrepôt de catégories à des cartes façon message, où l’on entre selon son humeur ou son besoin.
Ce n’était pas un petit coup de peinture sur la mise en page (le CSS).
C’était repenser à quoi sert la page d’accueil.
2. Votre travail commence à ressembler à celui d’un client pénible
Quand l’IA construit aussi, le travail humain prend une drôle d’allure.
« Là, ça fait cheap. » « C’est juste, mais on n’a pas envie de cliquer. » « La fonction existe, mais à l’usage c’est nul. » « On ne peut pas rendre ça plus fun ? »
Lues comme ça, ces phrases sonnent comme le client cauchemar.
Mais le vrai flicage, c’est autre chose :
« Mets la marge à 12 px. » « Toujours 3 colonnes de cartes. » « Place cette phrase exactement ici. »
Là, c’est l’humain qui verrouille la solution.
Ici, c’était l’inverse.
L’humain gardait le jugement : est-ce que c’est bien ? Est-ce que ça sert le but ? Qu’est-ce qui gêne ?
Comment corriger, ça revenait en grande partie à l’IA de conception et à l’IA qui code.
Ce « client pénible » est donc en réalité à la fois responsable produit, rédacteur en chef, directeur artistique et contrôleur qualité.
Le clavier s’est tu. Le titre, lui, s’est alourdi.
3. L’intuition est une excellente alarme, mais pas une commande prête à exécuter
« J’aime pas » compte.
Mais l’envoyer tel quel à une IA qui code, c’est risqué.
Ce n’est peut-être qu’un goût personnel. Ou l’effet secondaire d’une modif faite ailleurs. L’IA peut appliquer votre plainte à la lettre et casser tout le reste.
D’où l’intérêt d’en parler d’abord avec une IA conversationnelle.
Au minimum, transformez la sensation en ceci :
- Symptôme : qu’avez-vous vu exactement pour vous dire « bof » ?
- Cause possible : pourquoi ça fait cet effet ?
- Lecteur : à qui ça pose vraiment problème ?
- But : que doivent pouvoir faire les gens ?
- Limites : qu’est-ce qui ne doit pas casser ?
- C’est fini quand : qu’est-ce qui montrerait que c’est mieux ?
« La page d’accueil est ennuyeuse » devient :
« Les catégories du site prennent trop de place, donc un nouveau lecteur a du mal à chercher à partir de ce qu’il veut. On veut une entrée par humeur ou par besoin, pas par nombre d’articles. »
La plainte devient alors une matière pour concevoir.
4. En parler transforme « mon goût » en quelque chose qu’on peut vérifier
L’essentiel : ne pas prendre son intuition pour parole d’évangile.
« Je n’aime pas » et « c’est mauvais pour les utilisateurs » ne veulent pas dire la même chose.
On confronte donc la sensation aux études, aux règles de design existantes, aux contre-exemples et aux vraies données d’usage.
Par exemple, on la découpe comme ça :
« Ça gêne parce qu’il y a trop d’infos ? » « Ça gêne parce que c’est rangé selon la logique du site et pas celle du lecteur ? » « Ça gêne parce que ceux qui ne cherchent rien n’ont pas de porte d’entrée ? » « Les habitués, eux, ne trouveraient-ils pas plus vite avec la liste ? »
Avec cette étape, votre instinct reste vivant, mais il ne s’emballe pas.
L’intuition, c’est l’alarme.
En parler, c’est le diagnostic.
Construire, c’est le traitement.
On ne file pas au bloc opératoire dès que l’alarme sonne.
5. « Fais comme chez IKEA ou Costco », ce n’est pas flou : ça resserre la recherche
Les exemples concrets ont beaucoup de force.
Avec juste « rends ça plus fun », l’IA a un terrain beaucoup trop vaste à explorer.
Mais si vous dites :
« Comme quand on se balade dans un grand magasin et qu’on tombe sur des choses qu’on n’était pas venu acheter. » « Pas une liste de catégories, mais un endroit où l’on découvre des trucs au fil de la visite. »
l’expérience voulue devient bien plus claire.
L’important n’est pas de copier l’apparence de ce magasin.
Il ne s’agit pas d’imiter les couleurs, les espacements ou la forme des cartes, mais de monter d’un cran :
« trouver ce qu’on ne cherchait pas » « flâner » « avoir envie de voir la suite » « montrer une expérience, pas un entrepôt »
Les exemples servent à fixer la direction, pas la réponse.
Comme ça, l’IA garde de la marge pour réfléchir.
6. Séparer l’IA qui conçoit de zéro et l’IA qui construit marche mieux
Pour corriger un bug connu, pas besoin d’une grosse réunion de conception à chaque fois.
On trouve la cause, on corrige, on teste.
Mais pour un travail plus proche du passage de 0 à 1, comme « rendre la page d’accueil vraiment fun », ça vaut le coup de passer une fois par une IA de conception solide avant de construire.
Chacun son rôle :
L’IA conversationnelle décortique la sensation et clarifie le besoin.
L’IA de conception de zéro explore les options, la structure et l’expérience à créer.
L’IA qui code s’occupe du code, des tests et de vérifier que rien d’autre n’a cassé.
L’humain tient le but, les limites, les priorités et le oui ou non final.
Inutile de tourner en rond dans des réunions d’IA qui ne produisent que des plans.
Un plan ne vaut quelque chose que lorsqu’il devient réel.
7. Les études le disent : humain + IA, ce n’est pas automatiquement la meilleure équipe
C’est un point important.
Une méta-analyse de 2024 publiée dans Nature Human Behaviour a rassemblé 106 expériences et 370 tailles d’effet comparant directement des humains seuls, des IA seules et des humains travaillant avec une IA.[1]
En moyenne, humain + IA faisait mieux que l’humain seul.
Mais comparé au meilleur des deux pris séparément, humain ou IA, le duo faisait moins bien en moyenne.
Ajouter un humain à la fin ne garantit pas d’être plus fort.
En plus, sur les tâches de prise de décision, le duo avait tendance à décrocher, alors que sur les tâches créatives il était relativement plus prometteur.
La vraie question n’est donc pas « on utilise l’IA ou pas ? »
C’est :
Qui fait quoi ?
Ni un humain qui valide tout à la fin, ni tout balancer à l’IA.
C’est la façon de découper le travail qui fait la différence.
8. Ce que l’IA sait bien faire a une frontière en dents de scie
Une expérience publiée en 2026 dans Organization Science a suivi 758 salariés aux métiers intellectuels. Sur 18 tâches dans le périmètre où l’IA est à l’aise, ceux qui l’utilisaient ont terminé en moyenne 12,2 % de tâches en plus, travaillé 25,1 % plus vite et rendu un travail de meilleure qualité.[2]
Mais sur un problème de gestion complexe, juste hors de ce périmètre, les utilisateurs d’IA avaient 19 % de chances en moins de trouver la bonne réponse.
Deux tâches peuvent sembler tout aussi « intellectuelles », et pourtant l’IA aide sur l’une et nuit sur l’autre.
C’est ce qu’on appelle la « frontière en dents de scie ».
Donc, au lieu de dire
« L’IA est maligne, laissons-la faire »,
on dit
« Ce type de travail va à l’IA ; ici, c’est un humain qui tranche ».
Humains : repérer ce qui cloche, fixer les objectifs, les grands arbitrages, la cohérence de l’ensemble.
IA : chercher à grande échelle, proposer des alternatives, rédiger, construire et faire les vérifications mécaniques.
Pour l’instant du moins, c’est la répartition la plus naturelle.
9. Les études confirment le passage du premier jet à la relecture
Dans une expérience de 2023 publiée dans Science, 453 professionnels ont fait des tâches d’écriture. Ceux qui utilisaient une IA générative ont mis en moyenne 40 % de temps en moins, et leur travail a reçu une note de qualité 18 % plus élevée.[3]
Une étude de 2025 dans le Quarterly Journal of Economics a analysé les données réelles de 5 172 conseillers du service client. Avec l’aide de l’IA, le nombre de demandes réglées par heure a augmenté de 15 % en moyenne, surtout chez les moins expérimentés.[4]
Attention : rien de tout ça ne prouve qu’une entreprise tourne toute seule si le patron se contente de dire « ça cloche ».
Mais ça va dans le sens d’une idée plus simple : quand les premiers jets, les tâches répétitives, les propositions et la rédaction coûtent moins cher, on peut passer plus de temps sur « qu’est-ce qu’on fait », « qu’est-ce qu’on garde » et « qu’est-ce qui ne va pas ».
Savoir mettre les mains dans le cambouis ne devient pas inutile.
Ça cesse simplement d’être la seule chose qui vous freine.
10. Le grand piège : corriger chaque plainte jusqu’à ce que plus rien ne colle
On corrige les cartes.
On corrige les pubs.
On corrige les articles liés.
On corrige la recherche.
Chaque élément s’est amélioré.
Et pourtant, le site dans son ensemble est devenu fouillis.
Ça arrive tout le temps.
Éliminer les gênes une par une peut améliorer chaque morceau et dégrader l’ensemble.
Il faut donc régulièrement prendre du recul et regarder d’en haut :
« Qui vient ici ? » « Pour faire quoi ? » « Quelle doit être la première action ? » « Où veut-on qu’ils se baladent ? » « Avec quoi doivent-ils repartir ? » « Y a-t-il une fonction qu’il vaudrait mieux supprimer ? »
Améliorer les pièces et vérifier le cap global sont deux métiers différents.
Et puis les humains aussi se laissent entraîner par les suggestions de l’IA. Une expérience a montré une boucle où les jugements humains et ceux de l’IA se renforcent mutuellement et où le biais grossit.[5]
Donc « l’IA est d’accord avec moi » n’est pas une preuve.
Revenez aux études, à l’usage réel, aux contre-exemples et au monde extérieur.
11. « Fais au mieux » ne marche qu’une fois qu’on se comprend vraiment
« Fais au mieux », honnêtement, c’est une consigne risquée.
Sans contexte, c’est un ticket à gratter.
Mais le sens change quand tout ceci est déjà partagé :
Le but Qu’est-ce qu’on veut améliorer ?
Ce qu’on refuse Qu’est-ce qu’on ne veut surtout pas ?
Les limites Quelles règles, quels coûts, quelle sécurité, quelles contraintes du quotidien ne doivent pas sauter ?
La référence Quel genre d’expérience vise-t-on ?
C’est fini quand Qu’est-ce qui montrerait que c’est réussi ?
Quand tout ça s’accumule, « fais au mieux » devient un raccourci.
Ce n’est pas se débarrasser du travail.
C’est rappeler tout un contexte commun en deux mots.
Comme dans une bonne équipe, où « comme d’habitude » suffit pour que tout le monde comprenne.
Avec l’IA, ça commence enfin à fonctionner aussi.
12. Si l’IA qui code tombe en panne, ne laissez pas tout le projet s’arrêter
L’appli de l’IA qui code a planté.
Juste avant la remise à zéro du quota d’utilisation.
« Je voulais tout envoyer pendant que je pouvais encore. »
Ce genre de panne fait mal, même si ça ne se voit pas.
Mais elle donne aussi une réponse pratique :
Séparez la file « réfléchir » de la file « faire ».
Même quand l’agent qui code est indisponible, vous pouvez encore :
recenser ce qui cloche, en discuter, formuler des hypothèses sur la cause, les vérifier avec des études, fixer les priorités, écrire ce que « fini » veut dire.
Jusque-là, on avance.
Dès qu’elle revient, l’IA qui code ne commence pas à réfléchir de zéro : elle traite simplement, de haut en bas, les tâches déjà prêtes.
Une panne de service ne devrait pas mettre en pause le cerveau de toute l’équipe.
On économise de l’argent, oui, mais surtout on continue d’avancer quand quelque chose lâche.
13. Le patron à l’ère de l’IA n’a pas besoin de connaître toutes les réponses
Après un tour complet de cette boucle, le rôle humain paraît très différent.
Pas besoin de savoir écrire tout le code.
Pas besoin de dessiner l’écran parfait du premier coup.
Pas besoin de connaître la solution.
Mais il faut garder la main sur :
« Ce n’est pas ça. » « Voilà pourquoi. » « Qui doit y gagner, et en quoi ? » « Qu’est-ce qui ne doit pas casser ? » « Est-ce qu’on peut retenir cette proposition ? »
L’IA peut sortir des solutions à la pelle.
Elle peut les construire.
Elle peut aussi en vérifier pas mal.
Mais si vous lui confiez aussi la décision de ce qui compte comme « bien » pour votre produit, il ne reste plus rien à viser.
Le travail humain ne disparaît donc pas : il remonte en amont et se concentre.
Pour le dire comme un patron à l’ancienne, ce n’est pas
« Je fais tout moi-même. »
C’est
« Ce n’est pas ça. Voilà pourquoi. On va par là. Pour le reste, fais de la meilleure façon possible. »
« Fais au mieux » est enfin en train de devenir un vrai savoir-faire.
Références (5)
[1] Vaccaro, M., Almaatouq, A., & Malone, T. (2024). When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, 8, 2293–2303. https://doi.org/10.1038/s41562-024-02024-1
[2] Dell’Acqua, F., et al. (2026). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science, 37(2), 403–423. https://doi.org/10.1287/orsc.2025.21838
[3] Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. https://doi.org/10.1126/science.adh2586
[4] Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae044
[5] Glickman, M., & Sharot, T. (2025). How human–AI feedback loops alter human perceptual, emotional and social judgements. Nature Human Behaviour, 9, 345–359. https://doi.org/10.1038/s41562-024-02077-2
