Quand le travail se complique avant de s’améliorer : comprendre la phase d’adaptation
La réalité humaine de la courbe en J dans l’adoption de l’IA
Le travail devient souvent plus difficile avant de s’améliorer, même quand on introduit de meilleurs outils. Ce schéma est bien documenté en finance et en économie, notamment dans les travaux portant sur les grandes transitions technologiques. Mais cette logique n’est pas toujours visible pour ceux qui font le travail au quotidien. Quand une baisse temporaire de performance, de clarté ou de confiance n’est ni expliquée ni reconnue, elle peut sembler déroutante, décourageante. Dans ces conditions, le stress augmente tandis que la motivation et l’engagement s’effritent progressivement⁷.
À l’image d’une colonie d’abeilles qui doit se réorganiser temporairement pour croître, les organisations traversent parfois une phase de vulnérabilité structurelle avant que leur nouvelle capacité collective n’apparaisse.
Cette courbe en J, le schéma observé à chaque fois que des technologies d’usage général (celles qui transforment de nombreuses activités à la fois) sont déployées à grande échelle , a été documentée pour l’électrification, l’informatique, et maintenant l’IA.²³ Les économistes ont maintes fois observé que les grandes technologies ne génèrent pas nécessairement de gains de productivité immédiats.²³
C’est une évidence quand on prend du recul : introduire une nouvelle technologie implique de réorganiser beaucoup de choses. Mais quand on est dans le feu de l’action, on oublie souvent d’intégrer ce paramètre. Travailler ensemble et s’assurer que les collaborateurs à tous les niveaux sont impliqués et soutenus permet de maintenir la motivation, même en période de changement.
Les recherches que j’ai passées en revue pour cet article montrent qu’il existe des approches qui ont fait leurs preuves, en matière d’organisation du travail pour réduire les tensions inutiles et soutenir l’apprentissage, la coordination et l’engagement en période de transition⁴.
Dans mes articles précédents, j’ai exploré le rôle de la conception du travail dans les périodes de transformation. Ici, je voulais poursuivre cette réflexion. J’ai cherché à comprendre pourquoi la phase initiale d’adoption de l’IA est souvent vécue comme particulièrement exigeante par les entreprises. Je me suis appuyée sur les recherches existantes pour analyser comment elles expliquent cette expérience et identifier, sur la base des données probantes, ce qui permet de mieux traverser cette période.
Mais je veux aller plus loin que la littérature managériale ne le fait habituellement. Mon argument central est le suivant : la courbe en J n’est pas simplement le prix à payer pour la transformation, un coût transitoire à minimiser sur le chemin des gains de productivité. C’est le mécanisme par lequel les organisations et leurs collaborateurs grandissent réellement.
La difficulté et la croissance ne sont pas deux événements distincts. C’est le même phénomène, vécu différemment selon que les conditions d’accompagnement sont réunies ou non.
On grandit en relevant des défis. Les équipes grandissent en traversant des difficultés ensemble. Et, selon les données disponibles sur la conception du travail et la conduite du changement, les organisations qui émergent renforcées de cette phase tendent à être celles dont les collaborateurs ont été à la fois mis à l’épreuve et soutenus, et ont appris à se soutenir mutuellement²²⁻²³.
Autrement dit, la difficulté initiale n’est pas seulement un passage obligé. Elle peut devenir un véritable processus de développement, à condition d’être reconnue et accompagnée.
Quand de meilleurs outils rendent le travail plus difficile
Beaucoup d’organisations qui investissent dans l’IA font face à un paradoxe. Malgré des outils de plus en plus performants, le travail réel peut initialement devenir plus difficile. Dans les grandes transformations, les collaborateurs font état de surcharge cognitive, de fatigue, de confusion⁵. Les recherches en psychologie organisationnelle, en santé au travail et en sécurité montrent qu’il s’agit d’une période de transition humaine exigeante, moins liée à la technologie elle-même qu’à la façon dont le travail est, ou n’est pas, conçu autour d’elle⁶.
Le point central est donc le suivant : si le travail devient plus difficile, ce n’est pas seulement parce que les outils changent, mais parce que l’organisation du travail n’a pas encore été redessinée autour d’eux.
Une création de valeur invisible
Quiconque a vécu une grande transformation en reconnaît la dynamique. Le temps est absorbé par les réunions, la préparation des données, les tests, les itérations et la coordination. Les routines installées, les raccourcis et les astuces acquises ne fonctionnent plus vraiment, les résultats deviennent moins prévisibles, et la productivité peut stagner, ajoutant encore de la pression. Parfois on court dans tous les sens sans vraiment avancer.
Erik Brynjolfsson et ses collègues expliquent ce phénomène par la notion d’« investissements immatériels complémentaires ». Des gains de productivité durables exigent d’investir dans des activités invisibles dans les bilans. L’apprentissage, la refonte des processus, la préparation des données, l’expérimentation, la coordination et l’adaptation managériale.²
Quand ces activités sont traitées comme des investissements plutôt que comme des coûts, la croissance de la productivité mesurée apparaît nettement supérieure à ce que suggèrent les statistiques officielles.
D’un point de vue économique, la transition n’est donc pas du temps perdu. C’est une période pendant laquelle des actifs immatériels se construisent : des capacités organisationnelles, de nouvelles routines, un apprentissage collectif.
Mais du point de vue des personnes qui font le travail, l’expérience peut être loin d’être positive. Et c’est la façon dont nous traversons ces périodes ensemble qui détermine le succès réel et durable de toute transformation.
En somme, ce qui apparaît comme un investissement immatériel au niveau de l’organisation se traduit, au niveau humain, par une charge concrète d’apprentissage, d’adaptation et de coordination.
Des actifs invisibles aux conditions de travail difficiles
Si vous travaillez au sein d’une organisation dans la phase descendante de la courbe en J, vous pouvez ressentir de l’instabilité, de l’ambiguïté, un effort soutenu et parfois même de la peur. Ce n’est pas une période de tout repos.
Les recherches sur le changement organisationnel montrent que l’exposition à des restructurations à grande échelle prédit des niveaux plus élevés de détresse psychologique et un moral en baisse, indépendamment des compétences ou de la motivation individuelles⁷. Une grande étude européenne publiée en 2024 a montré que les grandes transformations organisationnelles modifient systématiquement les conditions de travail quotidiennes. Durant ces périodes, les collaborateurs déclarent travailler plus dur, manquer de clarté sur leur rôle et se sentir moins soutenus⁶.
D’où la nécessité de présence managériale tant en écoute, ou qualité d’écoute, que de présence, pour créer un espace de sécurité.
Si la technologie peut promettre des gains futurs, une grande partie de l’effort nécessaire pour les produire s’investit dans le travail quotidien d’apprentissage, d’adaptation et de réorganisation des tâches. C’est un effort que les collaborateurs ressentent directement. Ils doivent maintenir leur attention dans l’incertitude et résoudre des problèmes sans réponses toutes faites. Ils apprennent à utiliser des systèmes inconnus, supervisent des automatisations parfois imparfaites et reconstruisent leurs rôles en temps réel. Bien sûr, ils apprennent aussi sur le terrain, développent leur résilience et acquièrent des métacompétences¹⁸.
À ce stade, il est essentiel de reconnaître cet effort et de prendre le temps d’écouter ce que vivent les collaborateurs. C’est une étape clé du changement et de l’adoption. Car tant que cet effort reste invisible ou mal interprété, le risque est de traiter comme une résistance, ce qui est en réalité une charge de transition.
Les recherches en conception du travail et en santé au travail montrent cependant que la capacité à apprendre, s’adapter et donner du sens au changement est limitée. Durant le creux de productivité lié à l’IA, les collaborateurs ne font pas que s’ajuster à de nouveaux outils. Ils font le travail qui permet à ces outils d’avoir une chance de devenir productifs. Quand cet effort est poussé trop loin par la surcharge ou une incertitude prolongée, les organisations risquent d’affaiblir les capacités mêmes dont elles ont besoin pour se redresser et améliorer leurs performances. Le pouvoir réel est dans les mains de ceux qui font le travail. En tant que leaders RH, nous devons être très attentifs à ce qui se passe dans ces situations. Et nous devons mobiliser certains leviers et méthodes pour en atténuer les effets.
‘Technostress’ et déséquilibre de ressources
Les chercheurs en systèmes d’information utilisent le terme ‘technostress’ pour décrire les situations où les exigences liées à la technologie dépassent les ressources disponibles pour les gérer⁹.
Au début du déploiement de l’IA, les collaborateurs doivent maintenir leurs responsabilités habituelles tout en apprenant de nouveaux systèmes et en surveillant des résultats parfois peu fiables. Ils participent aussi à des réunions de réorganisation et redéfinissent leurs processus de travail. Dans certains cas, ils deviennent même de facto les superviseurs d’outils qui ne seraient pas encore totalement fiables en plus de leur travail ordinaire.
Le technostress est associé à une moindre satisfaction au travail, un affaiblissement de l’engagement organisationnel et une dégradation du bien-être¹⁰. Ces effets peuvent être considérablement aggravés par l’ambiguïté des rôles, un manque de clarté sur les responsabilités, les priorités et les critères de réussite¹¹.
Pendant le creux de la courbe en J, les collaborateurs ne font pas qu’adopter un outil. Ils accomplissent le travail qui rendra l’outil productif. C’est précisément ce décalage qui rend cette période si exigeante : les attentes de performance restent élevées, alors même qu’une partie importante du travail consiste désormais à rendre le système lui-même opérant.
Le risque de désengagement
Deux cadres de recherche bien établis permettent d’expliquer pourquoi cette période est si exigeante.
Le modèle ‘Exigences-Ressources au travail’ (Job Demands–Resources, JD–R), développé par des psychologues du travail qui étudiaient l’épuisement professionnel et l’engagement, montre que la tension devient plus probable quand les exigences du travail augmentent plus vite que les ressources disponibles pour y faire face¹⁻⁸. Les exigences comprennent la charge de travail, la pression temporelle et l’effort mental. Les ressources incluent l’autonomie, la clarté sur ce qui compte, le feedback et le soutien des managers et des collègues. Dans les transitions IA, les exigences augmentent souvent rapidement tandis que les ressources habituelles restent en retrait ou disparaissent temporairement.
La théorie de ‘la conservation des ressources’ ajoute une dimension importante. Elle montre que la prévisibilité et la clarté des rôles sont elles-mêmes des ressources psychologiques¹¹. Quand ces ressources s’amenuisent parce que les attentes sont floues ou que les rôles évoluent, les collaborateurs préservent leur énergie en réduisant leur engagement. De ce point de vue, le désengagement n’est pas un manque d’implication. C’est une réponse protectrice à une incertitude prolongée.
La question de la sécurité
Les coûts de la courbe en J ne se limitent pas au stress ou à la fatigue. Les recherches montrent que lors des grandes restructurations, les accidents du travail et les blessures tendent à augmenter¹². Ce risque est particulièrement pertinent dans les environnements où des collaborateurs supervisent des outils automatisés : la surcharge cognitive propre à la période de transition réduit l’attention disponible pour détecter les erreurs et les anomalies¹³⁻¹⁵. Les organisations dont les collaborateurs travaillent dans des contextes à risque physique doivent intégrer cette dimension dès la conception du déploiement.
La construction de sens face à une incertitude croissante
Le théoricien des organisations Karl Weick décrit l’adaptation dans l’incertitude comme un processus de ‘sensemaking’, construction de sens collective : le processus par lequel les collaborateurs élaborent ensemble une compréhension partagée de ce qui se passe et de la manière d’agir¹⁶. Le « sens » est une ressource.
Dans la courbe en J, si les outils sont introduits sans un récit qui aide les collaborateurs à interpréter leur expérience, la motivation peut s’effriter. On peut leur dire que le travail sera plus facile avec les nouveaux outils, alors qu’ils vivent exactement le contraire. Weick désigne cette situation par le terme d’équivocité : un état dans lequel trop d’interprétations concurrentes empêchent d’agir avec assurance.
Les recherches montrent que l’équivocité ne peut pas être résolue par l’information seule. Elle exige une interprétation collective, par le dialogue et la réflexion¹⁷. Sans cela, l’incertitude persiste. En pratique, cela signifie que l’information ne suffit pas. Les équipes ont besoin d’espaces pour interpréter ensemble ce qu’elles vivent, relier leur expérience à un cadre plus large et retrouver une direction commune.
Le conseil le plus durable sur la compréhension collective est peut-être le plus simple : les gens apprennent et s’impliquent davantage quand ils sont activement associés à la construction du sens, pas seulement informés. Nous devons impérativement créer des espaces sûrs et encourageants pour cela. Ensemble, nous sommes plus forts, et nous avons plus que jamais besoin du soutien mutuel en période de changement.
Soutenir l’engagement par la conception du travail
Des décennies de recherche sur la conception du travail montrent que les collaborateurs sont plus engagés, plus motivés et plus performants lorsque quelques conditions fondamentales sont réunies : disposer d’une certaine autonomie, pouvoir mener une tâche de bout en bout, recevoir du feedback et comprendre en quoi leur travail est utile¹⁹⁻²⁰.
Rien ne prouve que ces conditions perdent de leur importance à mesure que le travail se numérise. Au contraire : plus les tâches deviennent abstraites et médiatisées par la technologie, plus la perte d’autonomie et de contrôle est étroitement liée au stress et au désengagement²¹.
Les études montrent aussi que tenter de s’extraire du creux en accélérant le déploiement ou en imposant une standardisation plus stricte produit souvent l’effet inverse. La performance se stabilise plus rapidement quand on laisse les collaborateurs exercer leur jugement, résoudre les problèmes là où ils se posent et se coordonner directement entre eux²²⁻²³.
Interventions pratiques : rendre l’apprentissage et l’adaptation visibles
Les recherches aident à comprendre pourquoi la courbe d’apprentissage est particulièrement raide dans le contexte de l’IA et identifient plusieurs mécanismes pour faciliter la transition.
Un concept important mis en avant dans les recherches récentes en management est ce que l’on appelle la « frontière irrégulière » (jagged frontier) de l’IA générative²⁵. Contrairement aux technologies précédentes qui améliorent les tâches de manière assez prévisible, les systèmes d’IA générative excellent dans certaines activités et sont très peu performants dans d’autres. La frontière entre ce que l’IA sait bien faire et ce qu’elle fait mal est irrégulière. Résultat : les collaborateurs tentent d’appliquer l’outil à des tâches où il n’apporte que peu de valeur ou introduit des erreurs, puis passent un temps considérable à corriger, vérifier et recommencer.
Les chercheurs parlent d’efforts gâchés et de chasse aux erreurs : un travail qui semble intense et exigeant mais qui ne fait pas vraiment avancer. Les organisations réduisent ces efforts inutiles en procédant rapidement à une reconfiguration des tâches : un examen explicite des activités pour clarifier quelles tâches l’IA peut appuyer de façon fiable, lesquelles requièrent une supervision humaine rapprochée, et lesquelles doivent rester entièrement humaines. Cet inventaire des tâches n’a de valeur que s’il est construit de manière collaborative, de sorte que ceux qui sont au plus près du travail contribuent à définir les catégories.
Quand les collaborateurs ne comprennent pas pourquoi le travail semble plus difficile, ou pourquoi les gains de productivité promis ne se concrétisent pas, les explications émergent de manière informelle. En l’absence d’un récit partagé, ces explications prennent souvent des formes régressives. Les recherches sur la construction de sens montrent que les leaders jouent un rôle déterminant, non seulement en fournissant de l’information, mais en donnant du sens : en aidant activement leurs équipes à interpréter ce qu’elles vivent et pourquoi¹⁶.
Des réunions courtes et régulières peuvent répondre directement à ce besoin. Elles offrent des espaces où les équipes réfléchissent à ce qu’elles vivent, à ce que l’IA aide réellement et à ce qui reste difficile. Leur fonction est l’interprétation partagée, pas la mise à jour de statut. Les recherches montrent que ces espaces réduisent l’incertitude et évitent que la frustration ne se transforme en désengagement.
Au niveau individuel, le job crafting constitue un levier puissant contre l’épuisement professionnel, notamment quand les collaborateurs vivent une perte de contrôle en période de changement²¹. Les données suggèrent qu’il est le plus efficace quand il est accompagné et structuré, plutôt que laissé au hasard. [lien vers article]
L’apprentissage s’accélère quand les enseignements circulent rapidement. Des retours d’expérience courts, menés après des erreurs de l’IA, des reprises ou des résultats inattendus, et centrés sur ce qui était attendu, ce qui s’est réellement passé et ce qu’il faudrait ajuster, évitent que les mêmes erreurs se reproduisent et soutiennent une stabilisation plus rapide.
Un risque récurrent est l’émergence d’utilisateurs avancés isolés : quand seuls quelques collaborateurs maîtrisent les nouveaux outils, les gains de productivité restent locaux et le ressentiment peut s’installer ailleurs. Le coaching entre pairs, les guides partagés et les bibliothèques de prompts garantissent que l’expertise se diffuse plutôt qu’elle ne se concentre.
Enfin, la gouvernance joue un rôle facilitateur. Des cadres comme le ‘NIST AI Risk Management Framework’ agissent comme des garde-fous plutôt que comme des freins. Une gouvernance claire réduit la crainte d’un mauvais usage ou d’un échec, et permet aux équipes d’expérimenter et d’apprendre sans exposer l’organisation à des risques inutiles²⁴.
Ensemble, ces modes de travail permettent aux organisations de traiter l’apprentissage et l’adaptation comme le travail qui rend possible la performance future. Autrement dit, il ne s’agit pas de traverser plus vite le creux de la courbe en J à n’importe quel prix. Il s’agit de l’organiser de façon à ce qu’il produise réellement de l’apprentissage, de la confiance et des capacités collectives durables.
Plus qu’une phase : l’équipe que l’on devient
Les recherches passées en revue ici suggèrent que l’actif le plus précieux construit pendant la courbe en J est la capacité collective à s’adapter ensemble. Quand cette capacité est soutenue par une conception délibérée du travail, les organisations sont mieux armées pour convertir le potentiel technologique en performance durable.
Mais je pense que la littérature académique sous-estime ce qui se passe réellement. Les organisations ne font pas que survivre au creux pour ensuite atteindre un niveau de production plus élevé. Quand les conditions sont réunies, quand les collaborateurs sont véritablement accompagnés, quand l’incertitude est reconnue plutôt que masquée, quand les équipes sont invitées à construire du sens ensemble, quelque chose de plus durable se construit.
Les collaborateurs découvrent ce dont ils sont capables sous pression. Les équipes apprennent à apprendre ensemble. Des collègues qui ont traversé l’ambiguïté côte à côte développent une forme de confiance et de compréhension mutuelle qu’aucun programme d’intégration ne produit.
C’est ce que j’entends quand je dis que la difficulté et la croissance sont un seul et même phénomène. L’inconfort de la courbe en J, bien accompagné, n’est pas un détour sur le chemin du développement. C’est le développement lui-même. Les organisations qui sortent renforcées de cette période ne seront pas celles qui ont connu le plus petit creux. Ce seront celles dont les collaborateurs ont été à la fois mis à l’épreuve et soutenus, suffisamment tirés vers le haut pour grandir, suffisamment tenus pour ne pas céder.
Rien de tout cela n’arrive spontanément. Cela exige des opérationnels, des professionnels RH et des leaders qui sont à l’écoute, qui résistent à la tentation de tout lisser avec des messages rassurants, et qui comprennent que leur rôle dans la transformation n’est pas d’éliminer l’inconfort mais de le rendre productif. C’est un métier plus difficile et plus humain qu’aucune IA ne remplacera.
La transformation aura bien lieu. La vraie question n’est pas de savoir si les organisations adoptent ces technologies, mais à quel point elles façonnent consciemment le travail pendant qu’elles le font, et si elles comprennent que ce qu’elles construisent vraiment, sous les processus et les bibliothèques de prompts et les cadres de gouvernance, c’est une équipe. Une équipe qui sait grandir ensemble.
Références
¹ Bakker, A. B., & Demerouti, E. (2017). Job demands–resources theory: Taking stock and looking forward. Journal of Organisational Behaviour, 38(3), 273–285. https://doi.org/10.1002/job.2196
² Brynjolfsson, E., Rock, D., & Syverson, C. (2021). The productivity J-curve: How intangibles complement general purpose technologies. American Economic Journal: Macroeconomics (NBER Working Paper No. 25148). https://www.nber.org/papers/w25148
³ David, P. A. (1990). The dynamo and the computer: An historical perspective on the modern productivity paradox. American Economic Review, 80(2), 355–361.
⁴ OECD. (2023). OECD Digital Economy Outlook. Éditions OCDE. https://www.oecd.org/en/topics/artificial-intelligence.html
⁵ Flach, P., et al. (2019). Exposure to organisational change and subsequent mental distress. Journal of Affective Disorders, 256, 487–494.
⁶ Backhaus, K., et al. (2024). Psychosocial working conditions during organisational transformation. European Journal of Work and Organisational Psychology.
⁷ Kahn, R. L., et al. (1964). Organisational Stress. Wiley.
⁸ Demerouti, E., et al. (2001). The job demands–resources model of burnout. Journal of Applied Psychology, 86(3), 499–512.
⁹ Tarafdar, M., et al. (2007). The impact of technostress on role stress and productivity. MIS Quarterly, 31(2), 301–328.
¹⁰ Ragu-Nathan, T. S., et al. (2008). Consequences of technostress for end users. Information Systems Research, 19(4), 417–433.
¹¹ Hobfoll, S. E. (1989). Conservation of resources. American Psychologist, 44(3), 513–524.
¹² Matheson, C., et al. (2006). Downsizing and workplace injury risk. Journal of Epidemiology & Community Health, 60(9), 806–810.
¹³ Endsley, M. R., & Kiris, E. (1995). The out-of-the-loop performance problem in automation. Human Factors, 37(2), 381–394.
¹⁴ Parasuraman, R., & Riley, V. (1997). Humans and automation. Human Factors, 39(2), 230–253.
¹⁵ Carayon, P., et al. (2015). Sociotechnical systems analysis in patient safety. Applied Ergonomics, 45, 14–25.
¹⁶ Weick, K. E. (1995). Sensemaking in Organizations. Sage.
¹⁷ Maitlis, S., & Christianson, M. (2014). Sensemaking in organisations. Academy of Management Annals, 8(1), 57–125.
¹⁸ Billett, S. (2001). Learning through work. Studies in the Education of Adults, 33(2), 209–214.
¹⁹ Hackman, J. R., & Oldham, G. R. (1976). Motivation through the design of work. Organizational Behavior and Human Performance, 16(2), 250–279.
²⁰ Humphrey, S. E., et al. (2007). Integrating work design features. Journal of Applied Psychology, 92(5), 1332–1356.
²¹ Rudolph, C. W., et al. (2017). Job crafting meta-analysis. Journal of Vocational Behaviour, 102, 112–138.
²² Parker, S. K., et al. (2017). Work design influences adaptation. Journal of Vocational Behaviour, 100, 1–11.
²³ Nielsen, K., & Randall, R. (2012). The importance of employee participation. Work & Stress, 26(3), 272–288.
²⁴ NIST. (2023). AI Risk Management Framework. https://www.nist.gov/itl/ai-risk-management-framework
²⁵ Dell’Acqua, F., et al. (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.
