Kennisbank

Personnes et compétences : la dimension qui ne se résout pas avec une formation

Pourquoi cette dimension est à part

Parmi les sept dimensions de la mesure de maturité, personnes et compétences est la raison la plus souvent citée pour expliquer pourquoi un pilote IA ne se développe pas davantage. Non pas parce que les personnes ne le veulent pas, mais parce que la compétence est autre chose que la connaissance. Quelqu'un peut savoir ce qu'est un modèle de langage et pourtant ne pas savoir quand faire confiance au résultat. Cet écart entre savoir et savoir appliquer est précisément ce que cette dimension mesure.

Cette dimension est liée à d'autres dimensions fondamentales. Les compétences se développent difficilement si l'organisation elle-même n'est pas structurée pour apprendre avec l'IA, et s'exercer avec des applications d'IA fonctionne mal si l'infrastructure informatique n'offre pas d'environnement pour expérimenter en sécurité. Qui ne pense qu'en termes de budget de formation manque cet ordre.

Ce que les cinq niveaux signifient en pratique

Au niveau baseline, un petit nombre de personnes travaille avec des outils d'IA de leur propre initiative, hors du champ de vision de l'organisation. Il n'existe pas de vision partagée de ce qui fonctionne ou non, et ce qu'une personne apprend reste chez elle. Ce que baseline signifie en pratique n'est donc pas un manque d'intérêt, mais une absence de structure pour exploiter cet intérêt.

Au niveau foundation, il existe une première base partagée : un certain nombre de personnes a développé des compétences comparables, un vocabulaire commun est apparu, et des expériences isolées sont partagées de temps à autre. Ce que foundation signifie en pratique est le passage d'un usage individuel à quelque chose qui commence à ressembler à une équipe partageant une même compréhension.

Au niveau activation, les personnes appliquent l'IA de façon structurelle dans leurs propres tâches et reconnaissent où elle est adaptée ou non. Au niveau insight, le centre de gravité se déplace : les personnes ne se contentent plus d'utiliser l'IA, elles peuvent aussi juger si un résultat est correct et pourquoi. Au niveau intelligence, ce jugement n'est plus une étape séparée, mais fait partie intégrante de la façon normale de travailler, répandue dans toute l'organisation plutôt que limitée à quelques précurseurs.

D'où vient la dispersion dans le tour de vote

C'est sur cette dimension qu'apparaît souvent le plus grand écart entre le score d'un DSI et celui d'un chef d'équipe. Un DSI voit les formations qui ont été organisées et compte cela comme un progrès. Un chef d'équipe constate que cette formation a peu changé la façon dont le travail se fait réellement, et note plus bas. Les deux observations sont justes ; elles mesurent simplement une partie différente de la même dimension. L'offre et l'application ne sont pas la même chose, et le tour de vote met précisément cet écart en évidence au lieu de le lisser par une moyenne.

De quoi dépend un niveau supérieur

Monter d'un niveau en personnes et compétences ne dépend pas d'abord du budget de formation. Cela dépend de la répétition : des personnes qui continuent à appliquer l'IA sur du travail réel, pas sur des exemples entraînés. Cela dépend du temps réellement disponible en plus des tâches habituelles, et non simplement attribué sur papier. Et cela dépend d'un environnement où faire des erreurs en apprenant n'est pas une raison de revenir à l'ancienne façon de travailler.

Par ailleurs, cette étape dépend de la question de savoir si la compétence est rendue visible et partagée. Une personne qui apprend bien à vérifier un résultat d'IA ne fait avancer l'organisation que si cette façon de travailler aboutit quelque part où d'autres peuvent la reprendre. Sans ce mécanisme, tout progrès reste lié à une seule personne, et disparaît dès que cette personne change de fonction.

Cela montre immédiatement pourquoi cette dimension se prête rarement à être réparée isolément. La façon dont on apprend si quelqu'un a bien performé, et si cet apprentissage est reconnu et récompensé, touche directement à la maturité de la gestion des performances. Et les compétences se développent aussi plus lentement si les données avec lesquelles les personnes s'exercent sont peu fiables, ce qui explique pourquoi cette dimension est rarement indépendante de la maturité de la gestion des données.

Ce à quoi ceci ne répond pas

Cette dimension montre si les personnes d'une organisation sont prêtes à travailler avec l'IA à un niveau adapté à l'ambition. Elle ne montre pas quelle part d'une fonction spécifique l'IA peut reprendre, et quelle part doit rester du ressort d'un humain. C'est une autre question, à laquelle on répond par tâche plutôt que par organisation. Le scan de travail de FTE TO AI calcule quelle part du travail d'un rôle est adaptée pour être transférée à l'IA, tâche par tâche. Là où cette page décrit si les personnes sont prêtes à accompagner ce transfert, le scan de travail montre exactement ce qui peut précisément être transféré — et cette question n'a de sens que si le côté porteur, tel que décrit ici, est solide.