Un tableur de référence. Trois copies dans trois dossiers. Une colonne « devise » vide depuis toujours, parce que tout le monde sait que c’est en euros. Un sigle que personne ne sait plus développer, mais que tout le monde emploie. Et une personne, une seule, qui sait quelle version fait foi.

Le jour où elle part, le fichier reste. Le savoir, non.

Ce n’est pas un problème de données. C’est un problème de savoir.

Ce que le Drive ne dit pas

Nous avons passé vingt ans à numériser. Des millions de lignes, des milliers de dossiers partagés, des tableaux de bord partout.

La donnée dit combien. Le savoir dit ce que cela veut dire, quelle version fait foi, qui tranche quand deux chiffres se contredisent. Le premier a été rangé. Le second est resté dans les couloirs, les messageries et quelques têtes.

Nonaka et Takeuchi le disaient dès 1995 : il y a le savoir explicite, écrit et partageable, et le savoir tacite, porté par les personnes. Nous avons beaucoup écrit. Nous avons peu explicité.

Un Sheet garde les valeurs. Pas le raisonnement qui les a produites. Pas la couleur qui voulait dire « à vérifier ». Pas le filtre oublié qui cache la moitié des lignes.

L’agent lit ce qu’il trouve

Un analyste doute. Il appelle la personne qui sait, il demande quelle version prendre, il flaire le zéro qui n’en est pas un.

Un agent ne doute pas. Il lit ce qui est écrit et comble le reste avec du vraisemblable. Le résultat est propre, structuré, rassurant. Il est faux là où personne ne regarde.

Dans L’IA ne crée pas le vide. Elle le polit., je parlais du workslop. Ce travail produit par un agent qui remplit sans comprendre. Que des collègues valident sans relire. Ici, la boucle est plus longue. Et plus dangereuse.

Le texte produit par l’agent est enregistré dans le Drive. Il devient la source de l’agent suivant. Je n’ai pas encore vu d’étude publiée qui mesure cette boucle en entreprise. Je la vois se dessiner. Et elle ressemble à un problème connu : la boucle d’erreur composée. Même un taux d’erreur de 1 % peut se transformer en échec de mission quand il se répète sur plusieurs itérations d’agents. L’observabilité ne suffit pas si personne ne possède le savoir d’origine.

Et les erreurs qui comptent ne sont pas celles qu’on croit. Dans une expérience publiée en avril 2026 (Bias in the Loop, Harvard Data Science Review, 2 784 participants), les fautes de frappe dans des chiffres présentés comme extraits par IA sont repérées huit fois sur dix. Les erreurs qui exigent de connaître les règles du métier, environ trois fois sur dix.

L’erreur visible se corrige. L’erreur de sens passe. Et elle devient la source.

Le travail produit par ces boucles a un nom. En septembre 2025, Stanford et BetterUp Labs ont étudié le phénomène. Près de 40 % des salariés américains avaient reçu du « workslop » le mois précédent. Du contenu produit par IA qui semble bon, mais manque de substance. Chaque rencontre avec ce travail coûte en moyenne une heure et cinquante-six minutes de reprise. La productivité ne chute pas parce que l’IA est mauvaise. Elle chute parce que le savoir qui devrait filtrer n’est plus là.

Leavitt avait prévenu

En 1965, Harold Leavitt dessinait un losange. Quatre sommets : les tâches, la structure, les personnes, la technologie. Tirez sur l’un, les trois autres bougent.

L’agentique entre par la technologie. Elle déplace tout le reste.

Les tâches glissent de l’analyse vers la vérification. La structure doit dire qui décide, et qui répond quand l’agent s’est trompé. Les personnes ont besoin de compétences nouvelles, et surtout de confiance.

Les chiffres récents racontent la même histoire. Le Work Trend Index publié par Microsoft en mai 2026 le confirme. Les facteurs d’organisation pèsent deux fois plus que ceux liés à l’individu dans l’impact de l’IA. Le MIT estimait en août 2025 que 95 % des pilotes d’IA générative ne produisaient pas d’effet mesurable sur le compte de résultat. Pas par défaut de modèle. Par défaut d’intégration dans le travail réel.

On achète une technologie. On hérite d’une réorganisation.

Le contrat qu’on n’a pas écrit

En fond, il s’agit d’un contrat social à renégocier, pas d’un problème logiciel.

Pour la première fois, on demande aux gens d’installer, de nourrir et d’améliorer un outil qu’ils soupçonnent d’être leur remplaçant. Aucun manuel ne couvre ça.

Le salarié ne défend pas sa corvée. Personne n’aime recopier des lignes sur un tableur chaque vendredi après-midi. Il défend sa place. Et tant que personne ne lui a dit ce qu’il devient après l’automatisation, freiner est sa meilleure option. Psychologiquement, c’est parfaitement humain.

En juillet 2026, un rapport note que près d’un tiers des travailleurs admettent saboter discrètement l’IA de leur entreprise. Et que des salaires plus bas expliquent une partie de cette résistance. Le contrat est la condition, pas une option.

La formule d’engagement est simple. « Je ne touche pas à votre jugement ni à votre contrat. Je vous débarrasse simplement de ce vendredi après-midi à recopier des lignes sur un tableur Excel. » Quand le contrat distinguera la corvée de la personne, la résistance tombera d’elle-même.

Le cas MAIF montre que c’est faisable. Le 11 mai 2026, six organisations syndicales ont signé avec elle un accord qui pose noir sur blanc que le déploiement de l’IA ne conduira à aucun licenciement, et qui crée une commission IA au sein du CSE central. La MAIF n’a pas acheté la technologie. Elle a acheté la sérénité organisationnelle. Le droit de déployer sans guérilla.

Le dilemme est là. Si vous m’automatisez, moi qu’est-ce que je fais ? Et comme personne n’a de réponse, le projet s’arrête là. Même le tableur continue. Huit cents fois par an.

Les chercheurs ont un nom pour le piège : la zone de déformation morale (moral crumple zone, Madeleine Clare Elish, 2019). Un humain garde l’autorité sur le papier, sans contrôle réel. Il est là pour absorber la faute. Une équipe de Google DeepMind y revient début 2026. À propos des chaînes d’agents : la responsabilité doit être proportionnée à l’autorité. Pas distribuée par défaut au premier humain disponible. Le « human-in-the-loop » ne suffit pas si le contrôle n’est pas réel.

La confiance, elle, se construit par l’exemple. Dans une autre étude de Microsoft, sur 1 800 salariés, la confiance dans les agents gagne 30 points quand les managers montrent leur propre usage. Pas une charte. Un geste.

Quand la règle n’est pas écrite, chacun invente la sienne.

Nettoyer, puis recommencer

La tentation sera de lancer un grand chantier de nettoyage. Un projet, un budget, une date de fin.

Le savoir ne se nettoie pas une fois. Il se périme. Une règle change, un référent part, une version en remplace une autre sans prévenir.

Cet été, j’ai construit mon propre cerveau numérique. Ce qui tient, c’est la discipline, pas l’outil : une note, une définition, une source, quelqu’un qui en répond. Et une relecture régulière, même quand rien ne presse.

À l’échelle d’une personne, c’est une habitude. À l’échelle d’une entreprise, c’est une question de gouvernance. Qui possède ce savoir. Qui le tient à jour. Qui a le droit de dire que la version d’hier ne vaut plus.

Ce que nous donnerons à lire

La question n’est pas de savoir si nos agents seront intelligents. Ils le seront.

La question est de savoir ce que nous leur donnerons à lire.

Un savoir dispersé ne devient pas fiable parce qu’une machine le lit. Il devient faux plus vite. Et la boucle le rend indiscutable.

Sources

  • Nonaka et Takeuchi, The Knowledge-Creating Company, Oxford University Press, 1995.
  • Beck, Eckman, Kern et Kreuter, Bias in the Loop: How Humans Evaluate AI-Generated Suggestions, Harvard Data Science Review, avril 2026.
  • Niederhoffer et al., AI-Generated « Workslop » Is Destroying Productivity, Harvard Business Review, septembre 2025.
  • Harold J. Leavitt, Applied Organizational Change in Industry, 1965.
  • Microsoft, 2026 Work Trend Index, mai 2026.
  • MIT NANDA, The GenAI Divide: State of AI in Business 2025, août 2025.
  • Fortune, Nearly a third of workers admit to sabotaging their company’s AI, 30 juillet 2026.
  • Mind RH, Maif pledges to preserve jobs and reinvest AI productivity gains, mai 2026.
  • Madeleine Clare Elish, Moral Crumple Zones, Engaging Science, Technology, and Society, 2019.
  • Google DeepMind, Intelligent AI Delegation, février 2026.