L'IA dans le quotidien du cadre

Deux traditions convergentes

• Le principe de la pyramide. Barbara Minto l'a formalisé chez McKinsey dans les années 1960-1970, puis dans son livre The Pyramid Principle. Règles centrales : énoncer d'abord l'idée principale, regrouper les idées qui la soutiennent, et s'assurer que ces groupes ne se recouvrent pas et ne laissent rien de côté (principe « MECE »).
• Le « BLUF ». Le règlement de l'armée américaine sur la correspondance (AR 25-50) demande de placer l'essentiel en tête du document : Bottom Line Up Front.

Le gabarit applique la pyramide de l'épisode 1 (décision → arguments → manques) et le premier geste de vérification : les chiffres viennent du document fourni, pas de la mémoire du modèle (C1-E6). La consigne interdit d'inventer les causes : c'est là qu'une IA serait tentée de « compléter » de façon plausible (C1-E5).

• Anthropic recommande, pour les tâches sur de longs documents, de demander au modèle de citer d'abord les passages pertinents avant de réaliser la tâche : cela l'aide à se concentrer sur le contenu utile. Pour plusieurs documents, il conseille de les séparer clairement (balises avec le nom de la source).
• Le même guide indique que placer les longs documents en haut et la question à la fin a amélioré la qualité des réponses « jusqu'à 30 % » dans les tests de l'éditeur, en particulier avec plusieurs documents. Ce chiffre vient de l'éditeur, sans détail de méthode publié : retenez la pratique (déjà vue en C1-E4), pas le pourcentage.

Le corrigé ne vient pas d'une meilleure IA : il vient de vos données (volume prévu, taux de retard actuel) croisées avec des critères que vous avez choisis. Les calculs simples doivent toujours être refaits par vous ou exécutés par l'outil (l'épisode 25 explique pourquoi l'IA calcule mieux en exécutant du code qu'« de tête »).

• Un format de sortie imposé réduit l'espace des réponses possibles (C1-E9) : l'IA ne peut plus « raconter », elle doit classer.
• La colonne citation source applique la recommandation de faire citer les passages (épisode 3) : chaque ligne est vérifiable en quelques secondes.
• Le « ? » pour l'information absente évite que l'IA complète un responsable ou une date plausible (C1-E5).

La frontière de l'IA est irrégulière (C1-E23) : la seule façon de savoir si l'extraction est fiable pour vos documents est de la mesurer sur un cas dont vous connaissez la réponse. Si l'outil oublie ou invente sur ce test, vous saurez quel niveau de relecture prévoir.

• Magesh et al. (Stanford, 2024 ; publié en 2025) ont évalué des outils de recherche juridique dotés d'IA, conçus spécialement pour les professionnels du droit (Lexis+ AI, Westlaw AI-Assisted Research, Ask Practical Law AI). Chacun produisait une information fausse ou trompeuse dans 17 % à 33 % des cas testés, moins souvent toutefois que des assistants généralistes comme GPT-4.
• Leçon pour un cadre : même un outil spécialisé, entraîné pour le droit, se trompe régulièrement. Un assistant généraliste ne peut donc pas tenir lieu d'avis juridique — la responsabilité reste humaine (C1-E5, affaire Mata).

• Noy et Zhang (Science, juillet 2023) : 453 professionnels diplômés (marketing, conseil, RH, management…) ont réalisé des tâches d'écriture professionnelle, dont des e-mails annonçant une réorganisation. Avec ChatGPT, le temps passé a baissé d'environ 40 % et la qualité évaluée a augmenté d'environ 18 % ; les participants les moins performants au départ ont le plus progressé.
• Ayers et al. (JAMA Internal Medicine, 2023) : sur 195 questions de patients posées sur un forum, des évaluateurs ont préféré les réponses d'un assistant IA à celles de médecins dans 78,6 % des cas, et les ont jugées plus empathiques. Les auteurs soulignent eux-mêmes les limites : réponses de l'IA nettement plus longues, contexte de forum sans relation suivie, exactitude non évaluée spécifiquement.

Comparer plusieurs versions vous fait choisir plutôt que subir. La simulation du destinataire inverse la perspective ; elle reste une hypothèse générée par un modèle, pas la réaction réelle de votre client. Et comme l'IA tend à vous donner raison (C1-E19), demandez explicitement ce qui agace, pas si le message est bon.

• Amazon et les mémos narratifs. Dans sa lettre aux actionnaires publiée en avril 2018, Jeff Bezos explique qu'Amazon n'utilise pas de présentations sous forme de diapositives en réunion de direction, mais des mémos narratifs de six pages, lus en silence par les participants au début de la réunion.
• Vitesse de lecture. La méta-analyse de Brysbaert (2019) estime la lecture silencieuse d'adultes à environ 238 mots par minute pour des textes non romanesques en anglais : une note de 1 000 mots demande environ quatre minutes d'attention continue.

L'exemple d'Amazon illustre une pratique d'entreprise, pas une règle universelle : la longueur d'une note dépend de votre culture d'entreprise et de l'enjeu.

Valider le plan avant la rédaction applique la logique des boucles « fond puis forme » (C1-E14). Les intertitres-messages rendent la note lisible en survol (épisode 11). Mentionner ce qui n'est pas connu, comme l'avis des représentants du personnel, protège votre crédibilité : le comité ne découvrira pas l'inconnue après coup.

• Doshi et Hauser (Science Advances, 2024) — 300 participants ont écrit de courtes histoires, évaluées par 600 personnes. Avec des idées proposées par l'IA, les histoires ont été jugées plus originales (jusqu'à +8,1 %) et plus utiles (jusqu'à +9 %), surtout chez les participants les moins créatifs au départ. Mais les histoires écrites avec l'IA se ressemblaient davantage entre elles (+10,7 % de similarité avec une seule idée de l'IA) : un bénéfice individuel, une perte de diversité collective.
• Kobak et al. (Science Advances, 2025) — en analysant plus de 15 millions de résumés d'articles biomédicaux (PubMed, 2010-2024), les auteurs repèrent une hausse soudaine de « mots de style » typiques des modèles (en anglais : delves, underscores, showcasing, intricate…) et estiment qu'au moins 13,5 % des résumés de 2024 ont été retravaillés avec un LLM.

Des exemples réels et des règles explicites remplacent le style « moyen » par le vôtre (C1-E11). Formuler ce que vous n'écrivez jamais en positif quand c'est possible (« j'entre directement dans le sujet ») suit la recommandation d'Anthropic de dire quoi faire plutôt que quoi éviter (C1-E9). La réécriture des phrases-clés garantit que les choix qui comptent restent les vôtres — et limite l'effet d'uniformisation observé par Doshi et Hauser (épisode 13).

• Garner et Alley (International Journal of Engineering Education, 2013) ont comparé deux versions d'une même présentation sur un sujet technique inconnu des participants (étudiants en ingénierie) : l'une avec des titres-sujets et des puces, l'autre avec des titres-phrases (assertions) appuyés par des visuels. Le groupe « assertion-évidence » a mieux restitué le contenu, et le surpassait une semaine plus tard sur l'ensemble des types de questions.
• Les trois assistants peuvent aujourd'hui produire des plans de présentation, et certains outils génèrent directement des fichiers de diapositives. L'ordre recommandé ici reste valable quel que soit l'outil : histoire d'abord, mise en page ensuite.

L'étude porte sur un public étudiant et un sujet technique : un résultat robuste dans son contexte, à transposer avec prudence.

• Perlow, Hadley et Eun (Harvard Business Review, juillet-août 2017), « Stop the Meeting Madness » : les auteurs rapportent des travaux selon lesquels les dirigeants passent en moyenne près de 23 heures par semaine en réunion, contre moins de 10 heures dans les années 1960. Ils plaident pour que les équipes examinent collectivement leurs habitudes de réunion plutôt que de les subir.

Rendre le coût visible change la discussion : on ne demande plus « faut-il cette réunion ? » mais « vaut-elle ce prix ? ». Le kit applique des techniques déjà vues : la consigne orientée résultat (C1-E9), la note qui commence par la question (épisode 1), et l'anticipation des objections — une variante de la demande de contradiction (C1-E20), appliquée à chaque participant.

• Les principales suites de visioconférence intègrent désormais une prise de notes par IA. Exemple documenté : dans Google Meet, la fonction « Take notes for me » de Gemini produit un résumé avec les actions clés, l'enregistre dans un document Google Docs et l'envoie par e-mail après la réunion ; les participants sont avertis lorsqu'elle est activée. Microsoft Teams et Zoom proposent des fonctions comparables, selon les licences.
• Rappel des épisodes 5 et 6 : un modèle peut compléter de façon plausible une information absente (C1-E5). Dans un résumé de réunion, cela prend la forme d'une suggestion transformée en décision, ou d'un responsable attribué « logiquement ».

Les fonctions et leurs conditions d'accès évoluent souvent : vérifiez ce qui est autorisé et activé dans votre entreprise (C1-E28).

La consigne combine l'extraction structurée (épisode 5), la citation de chaque ligne (épisode 3) et l'interdiction explicite de transformer une suggestion en décision. Les désaccords sont la première chose que les résumés lissent : leur rubrique dédiée les rend visibles. La relecture finale reste humaine et rapide, car chaque ligne pointe vers sa phrase source.

• Doran G. T. (1981), « There's a S.M.A.R.T. way to write management's goals and objectives », Management Review, 70(11), p. 35-36. Doran précise lui-même que tous les objectifs n'ont pas à remplir les cinq critères : c'est une grille d'aide, pas une règle absolue.
• Les variantes répandues (« Atteignable », « Pertinent »…) sont postérieures. Retenez surtout le A d'origine — « attribuable » : une action sans responsable nommé est celle qui ne sera pas faite (épisodes 5 et 6).

La consigne applique SMART (épisode 21), l'extraction avec « ? » (épisode 5) et la distinction décision / suggestion (épisode 19). La dernière demande — les questions à poser — transforme les trous du plan en conversation de management : c'est elle qui rendra le plan réellement SMART.

• Eisenhower (1954). Le 19 août 1954, lors d'un discours devant l'assemblée du Conseil œcuménique des Églises à Evanston (Illinois), Dwight D. Eisenhower déclare : « J'ai deux types de problèmes, les urgents et les importants. Les urgents ne sont pas importants, et les importants ne sont jamais urgents. » Il attribue la formule à un ancien président d'université. La matrice qui porte son nom a été popularisée bien plus tard, notamment par Stephen Covey (Les 7 habitudes de ceux qui réalisent tout ce qu'ils entreprennent, 1989).
• Zhu, Yang et Hsee (Journal of Consumer Research, 2018) ont mis en évidence l'« effet de simple urgence » : dans plusieurs expériences, des participants choisissaient une tâche présentée comme urgente (délai court) plutôt qu'une tâche plus importante et mieux récompensée — même quand ce choix leur faisait perdre une partie de la récompense. Les personnes se sentant les plus occupées y étaient plus sensibles.

• L'aide d'OpenAI sur l'analyse de données précise que ChatGPT peut écrire et exécuter du code Python dans un environnement de type notebook, que l'environnement d'exécution ne peut pas accéder à Internet, et que ChatGPT peut choisir une méthode ou un type de graphique différent de celui que vous attendiez : d'où le conseil de relire code, sorties et hypothèses.
• La même aide signale des limites : tableaux sous forme d'image ou documents scannés peu fiables pour des valeurs exactes, fichiers très volumineux ou très chargés en formules parfois analysés partiellement.

L'étape « décrire » fait apparaître les extrêmes ; c'est là que se cachent les erreurs de saisie. Le calcul par exécution de code garantit que l'opération est réellement faite (épisode 25). Le contrôle d'un chiffre clé, par vous ou dans votre tableur, répond au geste « contre-vérifier hors de l'outil » (C1-E6). Notez aussi la différence entre une moyenne des taux mensuels et un taux calculé sur les totaux : demandez toujours à l'IA laquelle elle a utilisée.

• Cleveland et McGill (Journal of the American Statistical Association, 1984) ont classé, par expériences, la précision avec laquelle nous lisons différents codages visuels. Les plus précis : la position sur une échelle commune (barres alignées, points), puis la longueur ; viennent ensuite les angles et les pentes, puis les surfaces ; les volumes et les nuances de couleur sont les moins précis. C'est la raison pour laquelle un graphique en barres se lit plus justement qu'un camembert.
• Pour un graphique en barres, la longueur de la barre code la valeur : si l'axe ne part pas de zéro, les longueurs ne sont plus proportionnelles aux valeurs, et les écarts paraissent plus grands qu'ils ne sont.

La consigne fixe à l'avance ce que l'IA aurait choisi à votre place : type de graphique, échelle, mise en évidence, titre. La grille reprend les principes de l'épisode 27 et la règle du titre-message (épisode 15). Faire expliquer la méthode en français permet de vérifier le calcul sans lire le code.

• L'erreur de planification — Buehler, Griffin et Ross (Journal of Personality and Social Psychology, 1994) ont demandé à 37 étudiants quand ils termineraient leur mémoire. Ils prévoyaient en moyenne 33,9 jours ; il leur en a fallu 55,5. Environ 30 % seulement ont fini dans le délai prévu — et la moyenne réelle dépassait même leur estimation « si tout va mal » (48,6 jours).
• Rappel : un modèle de langage produit volontiers une réponse chiffrée et assurée (C1-E5). Face à une hypothèse absente, il peut la compléter par un chiffre plausible, comme les 150 € du scénario. D'où la règle : aucune hypothèse non sourcée dans un scénario de décision.

Trois scénarios rendent l'incertitude visible et obligent à écrire « ce qu'il faudrait croire » pour chacun. Le délai de mise en œuvre est intégré parce que nous le sous-estimons (Buehler et al., épisode 29). Faire exécuter les calculs par du code et afficher la formule applique la méthode de l'épisode 25.

• Klein (Harvard Business Review, septembre 2007), « Performing a Project Premortem » : les membres de l'équipe partent de l'hypothèse que le projet a échoué, puis écrivent chacun les raisons plausibles de cet échec. La méthode permet aux personnes qui ont des réserves de s'exprimer au début du projet, quand on peut encore l'améliorer.
• Klein s'appuie sur les travaux de Mitchell, Russo et Pennington (1989) sur la « rétrospection prospective » : imaginer qu'un événement s'est déjà produit augmenterait d'environ 30 % la capacité à identifier correctement les raisons d'un résultat futur.