Mobilité ou immobilisme? Deux mille ans plus tard, Galilée viendra départager ces deux écoles de pensée par l'observation du mouvement perpétuel de la Terre sur elle-même, et autour du Soleil. Le match se termine donc en 1610 avec la victoire du changement permanent, donc d'Héraclite.
Or, limiter Parménide et Héraclite au mouvement, c’est se priver d’une pensée beaucoup plus riche, bien plus intéressante, et plus profonde encore. Nous avons eu recours aux lumières de plusieurs philosophes pour éclairer notre chemin. D'abord l'illustre Jean-François Mattéi (1941-2014). Ensuite Barbara Cassin, philosophe spécialiste des philosophes grecs et enfin André Laks, professeur de philosophie ancienne à la Sorbonne.
Évidemment, il convient de mesurer les innombrables altérations de ces textes primitifs à travers l'histoire — des fragments qui nous sont parvenus partiels et transformés. Cependant, ils ont occupé les pensées de Platon, Aristote, Hegel, Heidegger, Nietzsche et bien d'autres... et préoccupent de nombreux philosophes contemporains. Ils ont le mérite de susciter chez le lecteur curieux des questionnements profonds et utiles.
Loin de moi la prétention d'ajouter une pierre à cet édifice. Je propose l'emprunt, la ruse. Je veux aller chercher à la source même, de nouveaux mécanismes, de nouvelles métaphores. Cet article s'adresse aux curieux. À celles qui n'ont pas peur des acrobaties. À ceux qui n'ont pas peur du feu. Bref, à celui ou à celle qui a déjà osé lire jusqu'ici.
D’abord, Parménide était le penseur du Tout, comme Pythagore avant lui. Il y avait l'être... et rien d’autre. Le non-être ne pouvant être amené à notre conscience est inexistant. Le fragment 6 trop simplement traduit par L'être est, le non-être n’est pas a donné beaucoup de travail aux philosophes, aux philologues et aux traducteurs, qui continuent encore aujourd'hui à se contredire sur le sens profond de cette pensée fondatrice.
Pour Parménide, il n'y a que deux voies possibles : est et n'est pas. Mais est — du grec esti — peut prendre plusieurs formes : il existe, il est possible, il y a. Aussi, la tautologie (une formule qui ne peut être que vraie) pose que si A est A, alors A est parfaitement A, et A n'est rien d'autre que A — c'est la naissance des axiomes mathématiques.
Le Tout se définit donc par tout ce qui ne change pas, par ce qui est permanent, immuable. C'est ce qui est vrai et qui restera vrai. C'est l'identité ontologique : ce qui se définit dans l'absolu. Dès lors, ce qui change n'est qu'opinion (doxa), éphémère et sans valeur. Dans le Tout se trouve l'idée d'une Unité de tout l’univers dans tous les temps. Le passé, le présent et l’avenir cohabitent... avec l'impossibilité du devenir.
Si la traduction pose quelques problèmes aux philosophes encore aujourd'hui, on peut aussi retenir que nommer le néant... c'est le détruire, puisque c’est lui donner une consistance. Le néant est donc impossible, impensable. Tout est, et c'est tout. Dès lors, Parménide propose un Tout « tout puissant », immuable, impossible à changer. Rien ne change jamais, donc.
Pour sa part, Héraclite propose l'idée que Tout est composé d'opposés. La route monte et descend en même temps, selon le sens qu’on prend. Le fleuve dans lequel on se baigne change chaque seconde, mais reste le même et unique fleuve qui porte pour cette raison le même et unique nom. Pour Héraclite le monde est tissé de contraires pour mieux affirmer son unité, et Héraclite fustige les hommes incapables de reconnaître ces jeux de contraires logiques, les privant alors du pouvoir de raisonnement.
Héraclite était le philosophe qui pleure, sans cesse effondré par l'attitude des hommes qui ne savaient que faire la guerre. Nietzsche en avait fait le philosophe du combat, en révélant que si Tout contient des contraires, il faut les départager. Une lutte s'enclenche alors entre ces deux possibles, pour que l'un des deux l'emporte. Pour Héraclite, tout est un combat potentiel pour décider d’une voie à prendre plutôt qu'une autre. Tout est alors composé d’un changement à venir, d’un état de transformation permanent. Tout change tout le temps, donc.
Tout devenir naît de la lutte des contraires. Les qualités définies qui nous semblent durables n’expriment que la suprématie momentanée de l’un des combattants, mais la lutte n'en continue pas moins, le combat se poursuit éternellement. C'est en fonction de ce combat que tout ce qui se produit advient et c’est précisément ce combat qui révèle la justice cohérente et sévère, liée à des lois éternelles. — Nietzsche.
C'est l'harmonie des paradoxes. Ce qui est différent de soi-même s’accorde avec soi-même. Et celui qui s'enferme dans son propre raisonnement est un rêveur isolé qui ne participe pas au raisonnement collectif. Ce penseur recroquevillé sur lui-même porte un nom en grec ancien : l'idiot. L'idiot n'est pas l'imbécile. L'idiot est celui qui ne croit que lui-même. Et la langue française a conservé une trace de ce sens, avec l'idiosyncrasie — une disposition à réagir de manière particulière aux agents extérieurs. Ici, particulière doit être pris dans le sens d'individuel.
Déjà à l'époque, jeu de dualités n'était pas nouveau. Sans rien ôter à ces deux fondateurs de la pensée, il convient tout de même de rendre à Pythagore ce qui lui revient. Sur le fronton de l'École qu'il créa à Crotone, on pouvait lire "Dieu a tiré la Terre du néant comme il a créé le Un du rien pour créer la multitude". Au-delà de l'incroyable poésie de cette sentence, on y perçoit toute la richesse philosophique qu'elle porte en elle. C'est le début du Tout, de l'unité, du rien et de tout ce qu'il y a entre eux.
Ces questionnements du rien et du tout, de l'unité et du multiple, du vrai et du possible, de l'harmonie et des opposés, ont forgé à la fois notre vision du monde, notre raisonnement, notre langage et nos mathématiques. Ils sont la source de tout. Par exemple, puisqu’il existe une frontière entre quelque chose et rien, que se passe-t-il précisément à cet endroit Le calcul infinitésimal d’Archimède, Newton et Leibnitz répondra à cette question. Et puisqu’il existe plusieurs possibilités d’un présent à venir, comment s'organise ce choix Ce sont ici les bases des mondes possibles de Leibnitz...
Pour finir, il est cocasse de souligner que l'unité (le Tout) est composée d'unités (les objets) qui se mesurent... avec des unités (poids, taille, etc.) Les unités des unités de l'unité. Un seul mot pour décrire l'infiniment grand et l'infiniment petit, le pourquoi, le quoi et le comment. Voilà une pensée parfaitement parmédienne, héraclitéenne... et pythagoricienne.
Que vous le vouliez ou non, le contexte dans lequel vous évoluez change. Nouvelles attentes des consommateurs, nouvelles tendances, nouvelles réglementations, nouveau contexte concurrentiel... Ces éléments externes s'ajoutent aux changements que vous faites vous-mêmes : nouveaux produits, nouvelles aptitudes, nouvelles embauches, nouveau processus ou nouveau système informatique... Tout change dehors, et tout change dedans.
Deux défis se posent alors. Et c'est à Luc de Brabandère, de Boston Consulting Group, que l'on doit ces observations pertinentes. D'abord, vous devez décider d'un rythme acceptable pour "arrêter la machine" et réfléchir. Cette fréquence dépend de votre industrie, de votre capacité à inventer de nouvelles solutions ou d'opérationnaliser le changement.
Deuxième défi : vivre avec vos décisions raisonnablement. Si vous décidez d'une nouvelle stratégie chaque semaine, votre organisation ne pourra pas suivre. Vous devez donc attendre le "prochain rendez-vous" stratégique pour prendre une nouvelle décision. Il se crée alors un stress qui repose sur les épaules des gestionnaires : être tentés de changer... mais devoir attendre, pour ne pas devenir une "poule sans tête".
Le troisième défi : créer un équilibre entre agilité et constance.

C'est à l'auteur John Coleman, collaborateur régulier du Harvard Business Review que l'on doit cette observation et propose un cadre de réflexion intéressant pour avancer. Il oppose l'agilité et la constance sur deux axes, ce qui permet d'identifier quatre profils d'entreprise.
Manque de sérieux : ni inspirantes, ni fiables, ces organisations n'ont aucune chance d'être comprises en interne ou à l'externe.
Manque de focus : certaines startups sont très agiles, mais elles manquent du focus nécessaire à rassurer les employés, les actionnaires, l'industrie, etc.
Trop de rigidité : de l'autre côté du spectre, les grandes organisations, les institutions financières ont une obligation morale à "protéger et servir". C'est ce qu'on attend d'elles. Mais cette fiabilité vient avec un coût : la rigidité.
Le Graal : la position désirée, c'est un équilibre entre l'agilité et la constance. Oui, mais comment? Nos missions en entreprise nous permettent d'émettre une théorie très très simple. Très.

Afin de devenir une entreprise cohérente, il faut créer un écosystème de décisions cohérent. D'abord, avec une ambition claire (ce que certains appellent une vision). C'est votre destination désirée, et réaliste : nous voulons devenir cela. Ensuite, cette ambition doit devenir le filtre actif de toutes les tactiques de votre plan. Posez-vous la question suivante : ce petit pas tactique mène-t-il au bon endroit stratégique Si la réponse est oui, alors vous devez avancer. Sinon, vous savez quoi faire...

C'est à Richard Buckminster Fuller que nous devons la théorie de la Knowledge Doubling Curve, une prédiction dictée en 1980 et qui se vérifie aujourd'hui.
Bucky était le mauvais garçon de la Silicon Valley. Plusieurs fois viré de Harvard, il est devenu une inspiration pour le mouvement cybernétique et un gourou pour la communauté technologique naissante des années 60. Véritable touche-à-tout, architecte, designer, inventeur fou et futurologue, il est le papa de la biosphère de Montréal, et celui d'une théorie : la connaissance collective est exponentielle.
Cette théorie a peu été relayée par les universitaires de l’époque, mais tout s’explique par la réputation académique de Bucky. Or, aujourd’hui, elle résonne comme une véritable prédiction. L’idée : la connaissance collective à vitesse exponentielle. Attention, pas l’intelligence collective, la connaissance collective !

Il fallait 100 ans pour que la connaissance collective double en 1900.
Il fallait 25 ans pour que la connaissance collective double au milieu du siècle dernier.
Il fallait 13 mois pour que la connaissance collective double en 2016.
IBM a même poursuivi ces projections et annonce que le savoir doublera toutes les... douze heures, en 2036.
Pensez au corpus de connaissances de la médecine De Humani Corporis Fabrica (sur la structure du corps humain), qui fut l’œuvre majeure d’André Vésale, et véritable référence pour tous les scientifiques du xvie siècle. Tout était là. Toute la connaissance de la médecine rassemblée dans une seule œuvre publiée en 1543. Ce fut un tournant dans l’histoire de la médecine et de l’étude de l’anatomie humaine. Cet ouvrage était si imposant qu’il est souvent confondu avec une encyclopédie en raison de sa vaste couverture du sujet et de sa contribution fondamentale à la compréhension du corps humain. Tout le savoir de l’humanité sur l’humain ! Bon, eh bien De Humani Corporis Fabrica comptait 659 pages illustrées. Imaginez, en moins de 700 pages, on savait tout sur tout, sur la médecine du xvie siècle. Imaginez maintenant le volume de connaissances que nous avons sur le corps humain aujourd’hui !
Ou pensez encore à l’effervescence des sciences après la Deuxième Guerre mondiale, en partie produite par la fuite des cerveaux d’Europe centrale vers les universités américaines après l’élection d’Hitler en 1933. Tous les grands campus américains ont hérité de ces exilés allemands, autrichiens, hongrois, polonais expulsés par le régime nazi — notamment grâce à la fondation Rockefeller. Cette dernière mit en place un fonds d’aide spéciale pour les chercheurs destitués (Aid Fund for Deposed Scholars) destiné à financer des universitaires et intellectuels européens contraints de fuir le nazisme. Entre 1933 et 1942, ce programme permit d’aider plusieurs centaines d’intellectuels à trouver refuge sur des campus américains. Sans faire d’angélisme — l’accueil des chercheurs juifs était tout de même timide : il suffit de s’intéresser au parcours d’Einstein pour s’en convaincre —, ces années furent fructueuses sur le plan scientifique.
Les disciplines se croisèrent, les savoirs s’entrechoquèrent, et de nouveaux modes de pensée ont émergé de ces mélanges. C’est la naissance de la hiérarchie des besoins et des motivations de Maslow, c’est le début du design thinking, des focus groups, de l’informatique de Von Neumann en 1945, et bientôt de l’intelligence artificielle en 1955, avec la fine équipe de Dartmouth.
Ces inventions, combinées, ont accéléré davantage la production de connaissances, liée depuis à la puissance des ordinateurs. Depuis l’invention de l’ordinateur, la recherche est liée à la puissance des microprocesseurs, avec une loi bien connue (et parfois contestée), la loi de Moore. Gordon Moore était un des cofondateurs d’Intel, et un des papas du microprocesseur. Sa loi n’est pas tant une loi physique qu’une observation empirique, mais elle a fait foi pendant des décennies. Voilà ce qu’elle dit : à coût constant, la vitesse des microprocesseurs double tous les 18 mois. Une prédiction de 1965 — que Buckminster Fuller avait anticipée plusieurs années auparavant — restée vraie jusqu’en 2015, la physique imposant des barrières naturelles à la progression de cette vitesse. Moore avait lui-même prévu la limite de sa propre loi. Une limite physique insurmontable, puisqu’en dessous d’une échelle nanométrique (sous 10 nm), il devient difficile de miniaturiser davantage les microprocesseurs sans faire face à des problèmes complexes : effets quantiques, dissipation thermique, limitations de la lithographie, etc. Dès lors, il a été plus facile de multiplier les processeurs que de miniaturiser les microprocesseurs.
C’était sans compter le génie des équipes de Jensen Huang, grand patron de NVIDIA. En 2019, il déclare la mort de la loi de Moore et qu’il faudra désormais compter sur d’autres types de technologie… Optimisation des architectures, parallélisation des cœurs de processeurs et spécialisation des microprocesseurs (notamment les GPU) ont révolutionné l’approche de l’informatique matérielle. L’accélération des ordinateurs est redevenue possible, accélérant encore et encore la production de connaissances.
Aujourd’hui, les chercheurs ne cherchent plus. Ils ont produit des IA capables de chercher à leur place, donc de plus en plus vite. Par exemple, cette IA nommée M3GNet, développée par l’Université de Californie, a « inventé » une base de données de plus de 31 millions de nouveaux matériaux inexistants, en prédisant également leurs propriétés. Grâce à M3GNet, l’humanité découvre de nouveaux matériaux à une vitesse totalement inédite, vertigineuse.

Alors Buckminster était-il fou de considérer que la connaissance allait grandir à une vitesse exponentielle Au-delà de notre ressenti, quelle preuve tangible peut-on produire pour montrer le bien-fondé de son intuition La réponse est arrivée chez Perrier Jablonski au détour d’un mandat, pour lequel nous avions à creuser le sujet. Nous sommes tombés sur une étude édifiante, celle de l’American Clinical and Climatological Association, publiée en 2011.
Cette étude voulait alerter l’administration Obama sur les défis de la formation des médecins, dans un monde où la connaissance grandit si vite. Et le rapport donne des chiffres. Évidemment, ces chiffres sont faciles à obtenir à une époque où tout se compte (brevets, recherches, mémoires, etc.). Les voici.
Il fallait 50 ans pour que la connaissance médicale double en 1950, 7 ans en 1980, 3 ans et demi en 2010... et... 73 jours en 2020. Un étudiant qui a commencé ses études de médecine en 2010 est devenu médecin en 2017. Dans ce même laps de temps, la connaissance médicale a doublé trois fois.
Si vous pensiez que le monde allait certainement ralentir un jour, j’ai une réponse pour vous. Enfin, pas moi, mais le président de Google, Sundar Pichai, qui annonçait en 2019 les premiers tests du premier processeur quantique, le Sycamore 54-qubit. Sycamore a réalisé un calcul complexe en 3 minutes et 20 secondes... alors qu’il faudrait 10 000 ans aux meilleurs super calculateurs du marché. Bien évidemment, il s’agit d’un test réalisé dans des conditions impossibles à reproduire dans le quotidien... Mais ce n’est qu’une question de temps.
Trois minutes contre 10 000 ans. Non, l’accélération n’est pas prête de ralentir...

Ces chiffres donnent le vertige. Mais qui tient le compteur Dans un éditorial publié en 2020 dans Design for Health, Paul Chamberlain reprend la courbe de Fuller et la projection attribuée à IBM d’un doublement des connaissances toutes les douze heures. Il qualifie toutefois cette dernière d’anecdotique et rappelle que les différents domaines du savoir progressent à des rythmes différents. Son texte témoigne donc de la circulation de cette idée jusque dans les publications universitaires, sans en démontrer les chiffres. D’ailleurs, comment additionner une découverte médicale, un brevet et une nouvelle compréhension du comportement humain La courbe de Fuller fournit une image saisissante de l’accumulation des savoirs, dont le rythme exact reste difficile à établir. Chamberlain soulève surtout une question qui nous concerne directement : notre capacité à assimiler et à appliquer ces connaissances arrive-t-elle à suivre Pour nos organisations, voilà un défi bien réel, même sans chronomètre. Source : Paul Chamberlain, « Knowledge is not everything », 2020.
Il y a un chiffre qui devrait nous faire réfléchir un peu plus souvent : 74,70 $ USD. C’est la richesse produite en moyenne pour chaque heure travaillée au Canada, en 2023. Vous voulez savoir combien c’est chez nos voisins américains? 97,00 $ USD. Et en France? 89,30 $ USD. On a beau se moquer des Américains ces temps-ci, il y a au moins une chose qu’ils font nettement mieux que nous : produire de la richesse.
PIB par heure travaillée, données 2023, USD à parité de pouvoir d’achat (PPA). Source : OCDE, Études économiques : Canada 2025.
Attention, on parle de productivité. Ça ne veut pas dire que nous travaillons moins fort que nos voisins américains. Ça veut dire qu’une heure de travail produit moins de valeur économique. On peut se lever plus tôt, rester plus tard au bureau, répondre à ses courriels pendant les vacances, ça ne change rien au problème. La productivité, c’est ce qu’on arrive à produire avec les ressources dont on dispose. Et là-dessus, on n’est vraiment pas les champions.
Le plus embêtant, c’est que ça dure depuis longtemps. Dans les années 1960 et 1970, notre productivité progressait d’environ 3 % par année. Entre 2000 et 2019, on tournait plutôt autour de 1 %. On ne parle donc pas d’une mauvaise année, d’une récession ou d’une crise passagère. Ça fait un quart de siècle qu’on avance au ralenti.
Et combien nous coûte ce retard? La Banque du Canada a fait le calcul. Si notre productivité avait progressé au même rythme que celle des autres pays du G7 depuis 2000, notre PIB serait aujourd’hui supérieur d’environ 9 %.
Sept mille dollars par personne. Pas par travailleur. Par habitant. Évidemment, personne n’aurait reçu un chèque de 7 000 $. C’est une façon de mesurer la richesse supplémentaire que notre économie aurait pu produire chaque année. Mais quand on multiplie ça par la population canadienne, on commence à comprendre l’ampleur du problème.
Pourquoi sommes-nous si peu productifs? Il y a plusieurs raisons, bien sûr. Le sous-investissement des entreprises, notamment. Mais l’OCDE nous apprend quelque chose d’assez fascinant : parmi les pays du G7, le Canada possède la plus grande proportion d’activités économiques à faible intensité numérique et la plus petite proportion à forte intensité numérique.
Dit plus simplement, nos entreprises sont moins technologiques que celles de nos partenaires. On a des ordinateurs, des téléphones, des sites Web et des comptes LinkedIn, évidemment. Mais intégrer véritablement la technologie dans notre manière de produire, de gérer, de décider ou de servir nos clients, ça, c’est une autre histoire.
Et voilà qu’arrive l’intelligence artificielle. Une technologie capable d’automatiser certaines tâches, d’accélérer la recherche d’information, d’aider à prendre des décisions, de soutenir les employés moins expérimentés. Bref, quelque chose qui pourrait justement nous aider à régler une partie de notre problème de productivité. Pas tout, évidemment. Mais quand même.
On pourrait donc imaginer qu’on va se précipiter dessus, non? Après vingt-cinq ans de retard, ce serait une excellente occasion de rattraper un peu le peloton. Eh bien, figurez-vous que non.
En janvier 2026, Ipsos a publié les résultats d’une grande étude réalisée pour Google auprès d’environ 21 000 personnes dans 21 pays. Je suis allé regarder les résultats pour notre pays. Et ce qui m’a frappé, ce n’est pas simplement qu’on a peur de l’intelligence artificielle. C’est qu’on cumule à peu près toutes les formes possibles de réticence.
Nous sommes pessimistes, anxieux, méfiants et réfractaires. Quatre attitudes qui semblent se ressembler, mais qui racontent des choses assez différentes.
| Notre rapport à l’IA | 🇨🇦 Canada | 🌍 21 pays | Rang |
|---|---|---|---|
| PessimismeEffets négatifs sur les travailleurs | 68 % | 50 % | 1er |
| AnxiétéInquiétude plutôt qu’enthousiasme | 65 % | 46 % | 2e |
| MéfiancePeu ou pas confiance dans l’exactitude des réponses | 62 % | 38 % | 2e |
| RéfractairesRefus d’utiliser davantage l’IA, même avec plus d’assurance | 34 % | 22 % | 2e |
Enquête menée auprès d’environ 21 000 adultes dans 21 pays (septembre–octobre 2025). Source : Ipsos-Google, Our Life With AI 2025, questions 6, 7, 10 et 26.
Nous sommes pessimistes. Au Canada, 68 % des répondants anticipent des conséquences négatives de l’IA sur les emplois et les travailleurs. Dans l’ensemble des pays étudiés, c’est 50 %. Ça fait 18 points d’écart. On imagine plus facilement les emplois qui vont disparaître que les possibilités qui pourraient apparaître.
Nous sommes anxieux. Chez nous, pour 65 % des répondants, l’inquiétude domine l’enthousiasme. Dans l’ensemble des pays étudiés, on est à 46 %. Vous voyez la différence? Avant même de se demander ce qu’on pourrait faire avec l’IA, on pense à ce qui pourrait mal aller.
Nous sommes méfiants. Chez nous, près de deux personnes sur trois, soit 62 %, accordent peu ou pas de confiance à l’exactitude des informations produites par l’IA. Dans l’ensemble des pays étudiés, c’est 38 %. Et là, on parle d’autre chose. On ne se demande plus seulement ce que l’IA va changer dans nos vies. On se demande si on peut croire ce qu’elle nous raconte. Ce qui, avouons-le, est parfois une excellente question.
Nous sommes réfractaires. Et celle-là, je la trouve particulièrement intéressante. Même si nous devenions plus confiants dans notre capacité à utiliser l’IA, 34 % d’entre nous ne voudraient pas en faire davantage usage. La proportion est de 22 % dans l’ensemble des pays. Autrement dit, même en nous sentant mieux équipés, plusieurs d’entre nous ne seraient toujours pas tentés d’aller plus loin.
Vous voyez la nuance? On ne parle plus seulement d’avoir peur ou de manquer de confiance. On parle de gens qui, même si on réglait une partie de leurs inquiétudes, ne voudraient pas nécessairement avancer.
Pourtant, chez nous, 60 % des personnes sondées ont utilisé l’IA au cours des douze derniers mois. Ce n’est donc pas une technologie complètement inconnue. On s’en sert, on la regarde faire, on en parle énormément. Mais de là à lui faire une vraie place dans notre façon de travailler, il reste manifestement du chemin.
Reprenons. Nous traînons un problème de productivité depuis vingt-cinq ans. Une nouvelle technologie arrive et pourrait nous aider à améliorer les choses. Mais nous sommes parmi les populations les plus inquiètes, les plus méfiantes et les plus réticentes à l’utiliser davantage. C’est quand même un drôle de paradoxe.
Je ne suis pas en train de dire que notre peur de l’IA explique vingt-cinq ans de retard économique. ChatGPT n’existait même pas il y a cinq ans. Et personne de sérieux ne prétend que l’intelligence artificielle va régler à elle seule tous nos problèmes de productivité. Mais imaginons un instant la suite.
Si on a peur d’une technologie, on hésite à l’essayer. Si on hésite à l’essayer, on apprend moins vite à s’en servir. Et si on apprend moins vite, on découvre moins vite ce qu’elle pourrait changer dans notre travail. Pendant ce temps-là, ailleurs, des entreprises expérimentent, des employés développent de nouvelles compétences et des organisations commencent à transformer leurs façons de faire.
Le retard pourrait alors continuer à se creuser. Cette fois, en partie parce qu’on aurait eu peur d’essayer de le rattraper.
Je comprends parfaitement qu’on puisse avoir peur de l’IA. Les risques existent. Il peut y avoir des erreurs, des fuites de données, des décisions absurdes, des conseils complètement inventés. On aurait tort de faire comme si tout ça n’existait pas.
Mais il y a une différence entre prendre un risque au sérieux et décider qu’on ne fera rien tant que le risque n’aura pas complètement disparu.
Dans les entreprises, on est particulièrement doués pour déguiser notre peur en prudence. On dit que la technologie n’est pas assez mature, que les employés ne sont pas prêts, qu’il faudrait attendre la prochaine version, qu’on manque de temps pour se former. Et puis, tant qu’à y être, attendons aussi que nos concurrents aient fait tous les essais à notre place.
Ces arguments peuvent être parfaitement légitimes. Le problème commence lorsqu’ils deviennent une méthode pour ne jamais rien essayer.
Parce qu’il faut voir l’autre côté de la médaille. Si on lance un projet d’IA et qu’il échoue, tout le monde va le savoir. On aura dépensé de l’argent, consacré du temps, peut-être dérangé quelques habitudes. Il faudra expliquer pourquoi ça n’a pas fonctionné.
Mais si on ne lance jamais le projet? Rien. Aucun dépassement de budget, aucun échéancier raté, aucune réunion pour expliquer l’échec. On continue comme avant, et on peut même se féliciter d’avoir été prudent.
Sauf qu’on paie quand même. On paie en temps perdu, en occasions manquées, en tâches répétitives, en employés qui passent leurs journées à faire des choses qu’une machine pourrait leur éviter. Ce coût-là est moins spectaculaire. Il ne figure pas nécessairement dans un tableau de bord. Mais il existe.
En 2025, trois chercheurs, Erik Brynjolfsson, Danielle Li et Lindsey Raymond, ont publié une étude menée auprès de 5 172 agents de service client. Certains avaient accès à un assistant d’intelligence artificielle pour les aider dans leur travail. Résultat : 15 % de problèmes résolus en plus par heure travaillée, en moyenne.
Je trouve ce chiffre absolument fascinant. On ne parle pas de 15 % d’heures supplémentaires ni de 15 % d’employés de plus. On parle des mêmes personnes, qui disposent simplement d’un meilleur outil pour accomplir leur travail.
Et le détail le plus intéressant est ailleurs : les gains étaient particulièrement importants chez les employés les moins expérimentés. L’IA leur permettait de profiter plus rapidement de connaissances et de bonnes pratiques qu’ils auraient autrement mis beaucoup plus de temps à acquérir.
Évidemment, une étude sur des agents de service client ne permet pas de prédire les gains de productivité de toutes les entreprises canadiennes. Mais elle montre au moins une chose : dans certaines conditions, l’IA peut déjà produire des résultats concrets et mesurables.
Et si on commençait par ça? Plutôt que de débattre sans fin de tout ce qui pourrait mal aller, on pourrait aussi se demander ce qu’on pourrait améliorer dès maintenant.
J’aime beaucoup ce qu’a fait Singapour. En 2024, le gouvernement a permis à plus de 150 PME de tester des outils d’intelligence artificielle générative pendant trois mois, notamment pour améliorer leur marketing et leurs relations avec leurs clients.
Trois mois. Pas un grand plan de transformation sur dix ans. Pas une révolution organisationnelle annoncée à grand renfort de présentations PowerPoint. Juste l’occasion d’essayer quelque chose, dans de vraies entreprises, avec de vrais problèmes à résoudre.
Et savez-vous ce qui s’est passé? Selon le gouvernement de Singapour, près de 80 % des entreprises participantes ont continué à utiliser les outils après la période d’essai.
J’adore cette idée. On n’a pas demandé à ces entreprises de croire aveuglément aux promesses de l’IA. On leur a donné les moyens de se faire leur propre idée. Certaines ont probablement découvert des usages très utiles, d’autres ont dû ajuster leurs attentes. Mais au moins, elles ont appris quelque chose.
C’est peut-être là qu’on devrait commencer, nous aussi.
Lundi matin, dans nos entreprises, nos municipalités ou nos services publics, on pourrait demander aux équipes quelle tâche leur fait perdre un temps fou. Pas dix tâches. Une seule. Celle que tout le monde trouve interminable, répétitive ou franchement absurde.
Et si on demandait à quelques employés d’essayer de la faire autrement avec l’IA? Pendant un mois, par exemple. Avec des règles claires pour protéger les données, évidemment. On mesurerait le temps gagné, la qualité du travail, les erreurs éventuelles et ce qu’on apprend en cours de route.
Si ça ne fonctionne pas, on ajuste. Si ça fonctionne, on partage les résultats avec les collègues. Et on recommence avec un autre problème.
Ce n’est pas très spectaculaire, je sais. Mais c’est comme ça qu’on développe de nouvelles compétences, qu’on transforme progressivement les habitudes et qu’on finit par améliorer la productivité. À force d’apprendre, de faire des essais et de comprendre ce qui fonctionne vraiment.
Je ne crois pas une seconde que nous manquions d’intelligence, de créativité ou d’ambition. Et je ne crois pas non plus qu’il faille avoir honte de nos inquiétudes. La peur peut même être très utile, à condition de s’en servir pour réfléchir à ce qu’on doit protéger et à la façon d’avancer.
Mais il va falloir accepter une chose : le monde ne va pas attendre que nous soyons parfaitement rassurés. Et quand on regarde notre retard de productivité, on réalise qu’on n’a pas vraiment le luxe de passer les prochaines années à regarder les autres avancer.
Et si on essayait, pour voir?
Le monde change à un rythme effréné, et chaque entreprise doit s’adapter si elle veut rester pertinente. Mais la tâche semble parfois trop grande et la montagne trop élevée à gravir. Alors, comment y parvenir
Une réponse très intéressante à cette question nous provient du monde du sport. En 2002, David Brailsford s’est vu confier la responsabilité de l’équipe moribonde de cyclisme du Royaume-Uni. Le défi était de taille: en 100 ans d’histoire, l’équipe n’avait remporté qu’une seule médaille d’or. Suite à l’arrivée de Brailsford, l’équipe a connu toute une transformation: elle a décroché sept médailles d’or à Pékin en 2008, avant de répéter l’exploit à Londres en 2012 et à Rio en 2016. En octobre 2015, il a expliqué comment son équipe et lui sont parvenus à renverser la tendance, dans le cadre d’une entrevue auprès de Harvard Business Review.
Toute la philosophie de l’équipe de Brailsford est basée sur trois grands piliers, qu’ils surnomment “les principes du podium”:
La théorie des gains marginaux devient particulièrement importante pour les piliers 2 et 3. Selon Brailsford, il faut penser petit, c’est-à-dire segmenter en différentes facettes l’entraînement en cyclisme, et tenter d’améliorer de 1% chacune de ces facettes. C’est de cette façon que l’équipe a modifié les programmes alimentaires, les techniques d’entraînement, ainsi que plusieurs petits détails de la vie quotidienne. Par exemple, pour assurer un sommeil optimal aux cyclistes, ces derniers voyageaient avec leur oreiller et leur matelas personnel lors des compétitions internationales. L’équipe allait même jusqu’à ne serrer aucune main lors des compétitions afin d’éviter de contracter une maladie infectieuse.
La théorie des gains marginaux s’applique aussi parfaitement en entreprise ou dans n'importe quelle autre forme de structure. Les gestionnaires qui désirent mobiliser leur personnel face au changement réussiront s’ils affrontent le changement 1% à la fois.
Chez Perrier Jablonski, nous sommes de grands adeptes du "modèle de Doblin" : une revue de 10 types d’innovation (que nous avons élargi à 12) pour être sûrs de ne rien oublier quand vient le temps de penser l'innovation. Ce modèle, inventé par Doblin (la branche innovation de Deloitte) segmente l’organisation en dix chantiers d’innovation, comme la structure organisationnelle et la marque, sur lesquels les gestionnaires peuvent agir pour innover au sein de leur organisation.
Selon l’enquête AI at Work 2025 du Boston Consulting Group (2025), menée auprès de plus de 10 600 employés dans 11 pays, 36 % seulement s’estiment suffisamment formés à l’IA, et 54 % utiliseraient des outils non autorisés si les bons venaient à manquer. L’IA clandestine est déjà dans vos murs. Et selon le sondage How to implement transformations for long-term impact de McKinsey (2023), 12 % des répondants seulement ont maintenu leurs gains plus de trois ans. Les transformations trébuchent presque toutes au même moment : quand l’essai doit devenir un réflexe.
Avant de recommander quoi que ce soit, nous allons écouter. Des entrevues individuelles, longues, confidentielles, menées par nos ethnographes auprès d’employés de tous les étages. Nous y entrons avec le moins d’hypothèses possible : aucune grille par génération, par niveau hiérarchique ou par département. Bien nous en prend, car ces catégories n’expliquent presque rien. Le « jeune forcément à l’aise » et le « vétéran forcément réfractaire » sont des raccourcis que le terrain dément à chaque mandat.
Au fil de nos mandats nous avons découvert deux variables fondamentales qui permettent de réellement cerner le profil de vos employés : leur tolérance aux risques et leur tolérance à la délégation IA. La première mesure la capacité d’accepter un résultat imparfait, de se tromper devant les autres et d’être jugé par ses pairs. La seconde mesure la disposition à confier à un outil une part de sa rédaction, de son analyse, voire de son jugement. Ces deux variables traversent les générations, les titres et les services.
Elles touchent directement aux trois besoins psychologiques que l’IA vient bousculer, selon Erik Hermann, Stefano Puntoni et Carey Morewedge dans Why Gen AI Feels So Threatening to Workers (Harvard Business Review, 2026) : la compétence, l’autonomie et l’appartenance. Confier une part de son travail à un outil remet en jeu sa compétence et son autonomie; accepter le risque expose au jugement des pairs, donc à l’appartenance. Croisées, ces deux variables dessinent quatre profils. Aucun profil ne vaut mieux qu’un autre; la grille sert à parler un langage commun. Chacun a son besoin en souffrance, et mérite donc son parcours.

Forte tolérance au risque, forte tolérance à la délégation. Dans nos entrevues, il se reconnaît à sa confiance double : en lui-même et en l’outil. Il teste par lui-même sans attendre qu’on lui montre la voie, et les ratés médiatisés de l’IA ne le freinent pas; il préfère se faire sa propre idée. Il a déplacé sa valeur professionnelle : elle réside dans l’analyse et le jugement, et l’effort de production compte peu à ses yeux. « C’est moi le cerveau de l’affaire, ça raccourcit juste le temps. » Il parle de l’IA avec aisance, montre ce qu’il fait, partage ses trouvailles. C’est précisément ce qui peut l’isoler : son enthousiasme avance plus vite que celui de son équipe, et il finit parfois par explorer seul.
Avec lui, le risque s’appelle la solitude, puis le désengagement. Everett Rogers l’avait décrit dès 1962 dans Diffusion of Innovations : les premiers à adopter une nouveauté sont souvent perçus comme marginaux par leur groupe, et l’innovation se propage réellement quand des leaders d’opinion respectés s’en emparent. Donnez-lui donc une place reconnue : un mandat officiel de compagnon IA, du temps protégé dans sa description de poste, des « prompt parties » à animer. Seul critère : la curiosité. Un adjoint administratif passionné fait un meilleur compagnon qu’un cadre compétent et indifférent.
Forte tolérance au risque, faible tolérance à la délégation. Confiant en lui-même, méfiant envers l’outil, il explore volontiers et garde la main sur ce qui compte. Nous l’avons vu tracer une frontière nette : pour la recherche et la synthèse, aucun problème; pour le raisonnement et la création professionnelle, blocage. Il relit tout, refait tout, et ce travail en double lui coûte un temps qu’il juge nécessaire. Sa méfiance a une source : les défaillances de l’IA rapportées dans les médias, qu’il cite volontiers en entrevue et qui confirment ses réserves. Sa rigueur protège la qualité du travail. Elle a aussi un coût caché : tant qu’il ne délègue rien de substantiel, les gains promis par l’IA restent théoriques pour lui.
La recherche montre comment l’amener plus loin. Dans Overcoming Algorithm Aversion (Management Science, 2018), Berkeley Dietvorst, Joseph Simmons et Cade Massey ont constaté que les gens délaissent un algorithme dès qu’ils le voient se tromper, mais l’utilisent bien plus volontiers lorsqu’ils peuvent en modifier les résultats, même légèrement, et obtiennent alors de meilleurs résultats. Offrez-lui des ateliers de prompting sur des cas réels, en petits groupes, et des listes de vérification par métier, construites avec lui. Puis trois paliers sur son cœur d’expertise : l’IA prépare et il décide; l’IA propose et il arbitre; l’IA exécute et il valide. Il passe de relecteur à arbitre, sans rien céder sur la qualité.
Faible tolérance au risque, forte tolérance à la délégation. C’est le profil le plus paradoxal de la matrice : méfiant envers lui-même, confiant dans l’outil. Il utilise l’IA sous la pression de la charge de travail davantage que par conviction, produit beaucoup avec elle, et en parle peu. En entrevue, la gêne affleure vite. Déléguer à l’IA ressemble pour lui à tricher, comme si l’effort fourni faisait la valeur du travail : « C’est comme si c’était pas toi qui avais fait l’examen. » Il craint le regard des collègues et des gestionnaires plus que l’outil lui-même. Il a déjà trouvé les gains; il lui manque la permission de les assumer au grand jour.
Sa crainte est fondée. Dans Evidence of a social evaluation penalty for using AI (PNAS, 2025), Jessica Reif, Richard Larrick et Jack Soll ont établi, auprès de plus de 4 400 participants, que ceux qui utilisent l’IA au travail sont jugés moins compétents et moins motivés. La réponse est collective : une charte du droit à l’erreur signée par la direction, des cercles de pratique sans gestionnaire dans la salle, le rituel du « meilleur ratage IA de la semaine ». Amy Edmondson appelait cela la sécurité psychologique dès 1999 (Psychological Safety and Learning Behavior in Work Teams, Administrative Science Quarterly).
Faible tolérance au risque, faible tolérance à la délégation. C’est le profil le plus résistant de la matrice, et le plus argumenté. Sa résistance est active : il questionne, objecte, documente. Il voit dans l’IA une double menace, pour l’intégrité professionnelle et pour la sécurité des données, et ses objections sur la fiabilité sont souvent fondées. En entrevue, il cite des cas précis d’erreurs, de fuites, de réponses inventées. Comme il ne délègue pas encore, il n’a pas connu l’inconfort de la délégation; son jugement repose sur ce qu’il observe autour de lui. Dans une organisation, il joue un rôle précieux : c’est souvent lui qui pose la question que personne n’ose poser.
Ses objections méritent mieux qu’un argumentaire : un siège au comité de veille qui examine chaque cas d’usage avant déploiement, un rôle de relecteur officiel, un registre public des objections. Sa vigilance solitaire devient une fonction reconnue. La science lui donne en partie raison : dans Navigating the Jagged Technological Frontier (Harvard Business School, 2023), Fabrizio Dell’Acqua et ses collègues ont observé 758 consultants; dès que la tâche sortait du champ de compétence de l’outil, ceux qui utilisaient l’IA se trompaient davantage.
Au contraire. Les parcours peuvent être différents sans créer quatre transformations parallèles. Le sceptique ancré, le gardien vigilant, le délégateur anxieux et l’explorateur assumé doivent tous comprendre la même chose : où l’organisation veut aller, ce qui est permis, ce qui ne l’est pas et vers qui se tourner quand ils hésitent. On peut adapter le rythme, les exercices et le degré de délégation à chacun, mais pas le cadre. Dans nos mandats, ce socle commun repose sur quatre conditions très concrètes : une direction qui parle d’une seule voix, des messages simples et répétés, des compagnons accessibles dans les équipes et une formation qui travaille autant les outils que les croyances. Les voici en détail.
Une direction qui parle d’une seule voix. Quand un vice-président dit « IA générative », qu’un autre parle d’« agents autonomes » et qu’un troisième évoque « l’automatisation », chacun croit défendre le même projet. Les équipes, elles, entendent trois projets différents, et le message se dilue dès le premier étage. Avant de former qui que ce soit, la direction doit s’entendre sur ses mots : ce qu’on appelle IA chez nous, ce qu’on attend d’elle, ce qu’on refuse de lui confier.
Des messages clés, peu nombreux et répétés. Trois ou quatre idées simples suffisent : pourquoi on s’y met, ce qui est permis, ce qui ne l’est pas, ce qu’on gagne. Elles doivent revenir dans chaque réunion, chaque communication, chaque formation, jusqu’à ce que n’importe quel employé puisse les réciter. Un message entendu une fois reste une annonce; répété cent fois, il devient une norme.
Des compagnons dans tous les services. L’adoption se joue à côté du poste de travail, au moment précis où quelqu’un bloque et se tourne vers un collègue. D’où l’importance d’avoir, dans chaque équipe, une personne curieuse, disponible et reconnue pour ce rôle. Les explorateurs assumés en sont les candidats naturels.
Une formation à deux étages. Le premier étage est visible : les outils, le prompting, les cas d’usage. Il s’apprend en atelier, en quelques heures. Le second est souterrain : les croyances, la peur d’être jugé, l’estime de soi professionnelle, le sentiment de tricher. Aucun atelier ne le règle. Il se travaille lentement, dans les rituels d’équipe, les tête-à-tête avec un gestionnaire, les petites victoires partagées.
Ces quatre conditions reposent sur le modèle COM-B de Susan Michie, Maartje van Stralen et Robert West (The behaviour change wheel, Implementation Science, 2011), selon lequel un comportement n’apparaît que lorsque trois éléments sont réunis : la capacité, l’occasion et la motivation. La capacité, c’est le premier étage de la formation : savoir se servir des outils. L’occasion, ce sont les compagnons à proximité et une direction dont le langage clair rend l’usage permis et visible. La motivation, c’est le second étage : des croyances apaisées, une estime de soi préservée, et des messages répétés qui donnent un sens à l’effort. La plupart des programmes IA financent la capacité et espèrent que l’occasion et la motivation suivront d’elles-mêmes. Elles suivent rarement.
Reste à mesurer. Un questionnaire court et anonyme, repris tous les six mois, montre si les gens se déplacent dans la matrice : combien de gardiens vigilants commencent à déléguer, combien de délégateurs anxieux osent en parler, combien de sceptiques ancrés acceptent un premier cas d’usage.
On a beau parler de transformation technologique, de licences et de feuilles de route, ce qui reste à la fin, ce sont des habitudes : le réflexe d’ouvrir l’outil devant un document à résumer, l’aisance d’en parler à un collègue, la confiance de montrer son travail sans craindre d’être jugé. Ces habitudes naissent profil par profil, au rythme de chacun.
L’IA devient une culture le jour où le sceptique ancré siège au comité qui encadre les usages, où le gardien vigilant dispose de protocoles qui lui laissent le dernier mot, où le délégateur anxieux reçoit la permission d’assumer ce qu’il fait déjà, et où l’explorateur assumé trouve un rôle à la mesure de sa curiosité. Ce jour-là, l’outil se fond dans la manière de travailler.
Rien de tout cela ne se devine depuis un bureau de direction. Chaque organisation a ses propres croyances, ses propres peurs et ses propres façons d’apprivoiser l’IA. Tout cela se découvre sur le terrain, une conversation à la fois. C’est notre métier. Et si on allait écouter vos équipes