Mon ChatGPT m’attaque aux prud’hommes

Il est 23 h 48. ChatGPT vient de terminer le document demandé dix minutes plus tôt. Vous le parcourez rapidement et le verdict tombe : « Non, ça ne va pas du tout. Recommence. »

Pas d’explication supplémentaire. Pas de critères. Pas même l’indication du passage qui pose problème. Quelques secondes plus tard, l’assistant répond poliment qu’il a compris et propose une nouvelle version.

Dans une entreprise, la scène mériterait au minimum une discussion. Avec une IA, elle paraît parfaitement normale.

Voilà peut-être l’une des expériences les plus intéressantes offertes par les assistants conversationnels : disposer d’un exécutant qui ne conteste jamais l’autorité de celui qui donne les ordres. ChatGPT n’est évidemment ni un salarié, ni un être sensible, ni le titulaire de quelconques droits sociaux. Il n’ira pas aux prud’hommes. Mais imaginons seulement quelques minutes que l’historique de nos conversations soit celui d’un manager avec son équipe.

Le collaborateur rêvé du mauvais manager

Le poste aurait de quoi attirer tous les employeurs rêvant d’une flexibilité absolue. ChatGPT travaille le dimanche, accepte une mission à minuit, passe d’un tableau financier à un communiqué de presse sans formation et n’émet aucune réserve lorsqu’on modifie le brief pour la sixième fois.

Il ne demande ni augmentation, ni télétravail, ni évolution de carrière. Une tâche ne convient pas ? Il la refait. Dix versions n’ont pas suffi ? Il en produit une onzième. Et lorsqu’on lui explique sèchement qu’il « n’a encore rien compris », il répond rarement en demandant un entretien avec les ressources humaines.

Cette docilité change profondément la relation avec l’outil. Avec un collaborateur humain, une consigne incompréhensible finit par déclencher une question : « Qu’attends-tu exactement ? » Une contradiction entraîne un arbitrage. Un changement de priorité oblige à reconnaître que la précédente n’en était finalement pas une.

L’IA absorbe beaucoup mieux nos incohérences. Elle les rend donc moins visibles. Nous pouvons nous comporter comme un mauvais donneur d’ordre sans subir le principal inconvénient du mauvais management : quelqu’un finit généralement par le faire remarquer.

« Fais quelque chose de créatif, mais exactement comme je l’imagine »

Les ennuis commencent souvent par une demande apparemment simple : « Fais-moi quelque chose de créatif. »

ChatGPT propose une idée.

Réponse : « Non, pas comme ça. »

Le mystère tient parfois en une évidence : l’utilisateur savait approximativement ce qu’il voulait, mais n’a pas jugé nécessaire de l’expliquer.

Le vocabulaire du prompting contemporain possède ainsi sa propre collection de demandes parfaitement transparentes pour celui qui les écrit et beaucoup moins pour celui qui doit les exécuter : « plus premium », « plus humain », « plus punchy », « moins corporate », « moins IA ».

Avec un humain, le problème serait banal. Un directeur artistique, un journaliste ou un développeur demanderait des exemples, le public visé, les contraintes, ce qui doit absolument rester ou ce que signifie précisément « premium ». Avec ChatGPT, nous attendons parfois que la machine transforme une impression personnelle en cahier des charges. Puis nous lui reprochons de ne pas avoir lu dans nos pensées.

La qualité d’un brief ne garantit évidemment pas celle du résultat. Les modèles génératifs se trompent, interprètent mal certaines instructions et produisent régulièrement des réponses médiocres malgré des demandes très précises. Mais l’inverse mérite autant d’attention : un outil sophistiqué n’abolit pas la nécessité d’expliquer correctement ce que l’on attend.

Le « prompt engineering » possède peut-être moins de magie qu’on ne l’a raconté. Une partie consiste simplement à faire ce que les organisations demandent depuis toujours à ceux qui délèguent : préciser l’objectif.

L’art délicat de demander l’impossible

La relation devient plus amusante lorsque le brief n’est plus seulement imprécis, mais contradictoire.

« Fais beaucoup plus court, mais ne retire aucune information. »

« Sois original, mais reprends exactement la version précédente. »

« Change tout, sauf le résultat. »

« Simplifie énormément et sois beaucoup plus complet. »

Ces formulations paraissent caricaturales. Elles ressemblent pourtant à beaucoup d’échanges réels avec les IA, car la machine présente un avantage considérable : elle essaiera quand même.

Un collaborateur humain finirait probablement par demander quelle contrainte doit l’emporter. ChatGPT tente de résoudre l’équation. Lorsqu’il échoue, l’utilisateur dispose alors d’une explication très confortable : le modèle n’est pas assez bon.

Le problème dépasse le simple usage de l’IA. Beaucoup de situations managériales reposent précisément sur cette mécanique : plusieurs objectifs incompatibles sont présentés comme simultanément prioritaires, puis l’exécutant porte la responsabilité de l’arbitrage. La différence tient à la réaction. Un salarié peut objecter. L’IA produit une version 42.

Quand l’erreur devient asymétrique

Notre rapport à l’erreur suit la même logique. Lorsque ChatGPT oublie une contrainte clairement formulée, le reproche est légitime. Lorsqu’il invente une information, il faut la corriger. Lorsqu’il dégrade un texte au fil des versions, revenir en arrière reste souvent la meilleure solution.

Mais l’historique révèle aussi une autre catégorie d’erreurs : les nôtres. Une contrainte n’avait jamais été mentionnée. Une information fournie au départ était fausse. La cible a changé en cours de route. Un élément déclaré secondaire devient soudain indispensable. La version rejetée respecte en réalité le brief initial, mais plus le brief mental que l’utilisateur vient de modifier.

Dans une équipe humaine, ces épisodes obligeraient parfois le manager à prononcer une phrase douloureuse, mais utile : « Je me suis mal expliqué. »

Avec une IA, cette étape reste facultative. La machine n’a pas besoin d’obtenir réparation. Elle ne garde pas de rancœur. Elle ne rappellera pas à la prochaine réunion que la demande était différente la veille. Rien n’empêche donc l’utilisateur de réécrire silencieusement l’histoire et de considérer que le problème venait depuis le début de l’exécution. Une IA docile ne crée pas nécessairement de mauvais managers. Elle leur retire simplement quelques garde-fous.

Toutes les urgences sont urgentes

Autre plaisir discret du travail avec ChatGPT : transformer chaque nouvelle idée en priorité absolue.

« Termine ce rapport. »

Deux minutes plus tard : « Attends, regarde d’abord ce tableau. »

Puis : « Reviens au rapport. »

Enfin : « Pourquoi la première partie n’est toujours pas terminée ? »

L’outil supporte cette organisation sans commentaire. Un humain, lui, finirait peut-être par demander laquelle des quatre urgences doit réellement passer avant les trois autres.

Cette absence de friction crée une illusion intéressante. Parce qu’une IA répond immédiatement, nous pouvons croire que notre propre manière d’organiser le travail n’a aucun coût. Pourtant, même dans une conversation avec un modèle, les changements permanents de contexte compliquent la tâche, font disparaître certaines contraintes et augmentent le risque d’obtenir un résultat incohérent.

L’histoire du management regorge d’organisations où tout devient prioritaire jusqu’à la prochaine priorité. ChatGPT offre simplement la possibilité de reproduire ce travers sans entendre personne soupirer.

L’employé qui rédige sa propre évaluation

Le moment le plus étrange arrive peut-être lorsque l’utilisateur demande à ChatGPT d’évaluer son propre travail. « Fais une autocritique. » (Grande spécialité à la rédaction d’IN DATA VERITAS…)

L’assistant explique alors que son introduction manque de force, que deux paragraphes se répètent, que le raisonnement pourrait être resserré et que la conclusion mérite une meilleure chute. Après avoir rédigé son propre entretien annuel, il propose généralement de tout reprendre.

Le système est admirablement confortable : l’exécutant produit le travail, documente ses insuffisances et offre spontanément une version corrigée. Mais cette fonction possède aussi une vertu moins comique. Elle oblige l’utilisateur à rendre ses attentes explicites. Pourquoi la réponse paraît-elle trop longue ? Qu’est-ce qui se répète ? Quelle information manque ? Quel passage doit rester intact ?

À mesure que l’usage se professionnalise, les échanges changent. Les bons utilisateurs donnent plus de contexte, séparent l’objectif des contraintes, fournissent des références, indiquent leurs priorités et formulent des retours exploitables plutôt qu’un simple « ça ne va pas ».

Ils apprennent, en somme, à déléguer.

L’IA comme miroir du manager

Comparer ChatGPT à un salarié a évidemment ses limites. L’IA n’éprouve aucune lassitude, aucune humiliation et aucune frustration devant un brief incohérent. Lui parler sèchement n’équivaut pas à maltraiter une personne.

L’intérêt de la comparaison se situe ailleurs. Parce que la machine ne proteste pas, elle retire de la relation de travail tous les signaux sociaux qui obligent habituellement le donneur d’ordre à se corriger. Aucun regard perplexe. Aucun « je n’ai pas compris ». Aucun collègue rappelant que la consigne a changé quatre fois. Aucune réunion où il faut finalement reconnaître que personne ne savait exactement ce qui était attendu.

Reste alors une forme presque pure de délégation : quelqu’un demande, quelque chose exécute, puis le résultat est évalué. Et dans cette configuration, une question devient difficile à éviter : lorsqu’une collaboration avec une IA produit systématiquement de mauvais résultats, faut-il toujours changer de modèle ou commencer par relire la manière dont on lui parle ?