L’inquiétude formulée par Hugo Duminil-Copin à propos de l’IA et des mathématiques ne tient pas seulement à la possibilité qu’une machine résolve des problèmes difficiles. Elle touche un point plus profond : que devient une discipline si les réponses arrivent avant que les humains n’aient eu le temps de construire les méthodes, les intuitions, les erreurs et la culture qui permettent de les comprendre ?
Le mathématicien, médaille Fields 2022, insiste depuis plusieurs mois sur cette dimension humaine de la recherche : les mathématiques ne sont pas seulement un stock de résultats, mais une pratique d’exploration, d’appropriation et de transmission (ENS).
Cette inquiétude vaut au-delà des mathématiques, à condition de ne pas forcer l’analogie. En produit et en UX, l’IA ne va pas « résoudre » les problèmes comme on démontre un théorème. Les problèmes y sont situés, instables, dépendants d’un marché, d’une organisation, d’un modèle économique, d’usages réels. Mais le risque pourrait être de même nature : recevoir trop vite une forme de réponse avant d’avoir traversé le cheminement qui forme le jugement.
Un livrable produit ou UX n’est jamais seulement un livrable. Une note de cadrage, une synthèse d’entretiens, un benchmark, une cartographie de parcours, un persona ou une recommandation priorisée valent par ce qu’ils condensent. Ils indiquent ce qui a été observé, ce qui a été écarté, ce qui a résisté, ce qui a été jugé hors périmètre, ce qui mérite d’être testé. Leur valeur ne tient donc pas seulement à leur clarté formelle. Elle tient à la qualité du raisonnement qu’ils transportent.
C’est précisément là que l’IA devient ambiguë. Elle produit vite des formes plausibles du raisonnement : une structure de note, une segmentation d’utilisateurs, une liste d’irritants, une reformulation de verbatims, une matrice de priorisation. Dans beaucoup de cas, ce gain est réel. Une étude de Brynjolfsson, Li et Raymond sur des agents de support client observe une hausse moyenne d’environ 14 % de productivité avec un assistant d’IA, avec un effet plus marqué chez les profils les moins expérimentés (NBER). Une autre expérience, menée avec des consultants du BCG, montre que GPT-4 peut améliorer la vitesse et la qualité de certaines tâches, tout en dégradant la performance lorsque la tâche sort de ce que les chercheurs appellent la « frontière dentelée » de la technologie (Harvard Business School).
Ces résultats disent que l’IA est déjà assez utile dans les métiers intellectuels pour que le risque devienne sérieux. Un outil capable de produire vite des documents corrects conduit à se demander ce qui disparaît lorsque le document arrive sans le même parcours.
Dans les métiers produits et UX
Dans les métiers produit et UX, une partie du métier s’apprend dans des frottements qui ne ressemblent pas toujours à de la productivité. Lire dix verbatims contradictoires avant d’oser formuler une hypothèse. Comprendre qu’un irritant utilisateur visible n’est pas forcément le problème à traiter. Renoncer à un benchmark séduisant parce que le contexte économique n’a rien à voir. Découvrir qu’une segmentation propre sur le papier ne correspond à aucun comportement observable. Hésiter entre deux métriques, puis comprendre que le choix de la métrique oriente déjà la décision.
« Le danger est que l’IA réponde trop vite pour que nous ayons le temps de nous demander comment nous aurions dû chercher. »
Renaud Joly
Ces moments coûtent du temps. Ils sont imparfaits, parfois inefficaces, souvent inconfortables. Mais ils forment le jugement. Ils apprennent au professionnel à reconnaître une preuve faible, une analogie trompeuse, une hypothèse trop générale, une recommandation élégante mais inapplicable. Le danger ne serait donc pas que l’IA supprime de la lenteur administrative. Beaucoup de lenteurs méritent de disparaître. Le danger serait qu’elle supprime aussi les résistances qui forme la lucidité de l’humain.
Le passage de l’individu à l’organisation rend le problème plus discret. Une entreprise voit très bien que les livrables sortent plus vite. Elle voit que les notes sont mieux structurées, que les synthèses sont plus propres, que les présentations arrivent plus tôt. Elle mesure le volume, la vitesse, la qualité apparente. Elle voit beaucoup moins ce qui n’a pas eu lieu : l’enquête trop courte, l’hypothèse non éprouvée, la contradiction aplatie, le désaccord évité, l’apprentissage remplacé par une formulation convaincante.
C’est ici que l’analogie avec Duminil-Copin devient utile. Le problème n’est pas seulement la réponse produite par la machine. Le problème est le rapport entre réponse et formation. Dans une discipline comme dans un métier, une réponse peut être correcte tout en arrivant trop tôt pour produire de la culture. Elle peut résoudre localement une tâche et appauvrir progressivement la capacité collective à comprendre pourquoi cette tâche méritait telle réponse plutôt qu’une autre.
L’IA pourrait ainsi transformer un déficit d’apprentissage individuel en illusion de productivité collective. Le junior produit une meilleure première version, mais apprend peut-être moins à construire le raisonnement. Le product manager obtient plus vite un cadrage, mais s’expose à moins d’objections internes. Le designer synthétise davantage de matériaux, mais risque de moins rencontrer leur résistance. L’organisation, elle, peut conclure que son intelligence collective augmente, alors qu’elle observe surtout l’abondance de ses traces documentaires.
Il faut mentionner une objection évidente : l’IA peut aussi former. Elle peut expliquer, reformuler, simuler un contradicteur, proposer des contre-exemples, aider un junior à entrer dans un problème qu’il n’aurait pas su aborder seul. Mais ce n’est pas le sujet ici. Ces usages méritent un autre article, consacré aux conditions dans lesquelles l’IA augmente réellement l’apprentissage.
La question n’est donc pas de savoir s’il faut utiliser l’IA dans les métiers produit et UX. Ce débat est déjà dépassé. La question est de savoir ce que l’on accepte de ne plus apprendre lorsque l’on gagne du temps. Une équipe peut corriger un mauvais livrable. Elle aura plus de mal à corriger, dans quelques années, une culture professionnelle où l’on saura produire des cadrages sans avoir appris à cadrer, des synthèses sans avoir appris à hiérarchiser, des recommandations sans avoir suffisamment éprouvé ce qu’elles recommandent.
Le signal faible à surveiller
Le signal faible ne serait : des documents plus nets, plus rapides, plus homogènes. La dégradation, si elle advient, sera moins visible. Elle se logera dans la perte des gestes intermédiaires : chercher avant de conclure, douter avant de formuler, échouer avant de stabiliser, reformuler avant de transmettre. L’IA menacerait les conditions silencieuses par lesquelles un métier apprend à juger ses propres livrables.