Partir vérifié, sans tout relire

Chacun a déjà son IA et va plus vite sur sa part. Le dossier, lui, ne part pas plus vite, parce que tout le monde relit l'IA des autres. Un test de vingt minutes dit ce que cette relecture attrape vraiment, et cinq questions à poser avant de signer avec qui que ce soit.

Chacun va plus vite. Le dossier, non.

L'IA est entrée chez vous par chaque bureau, pas par le vôtre. Celle qui monte les devis s'en sert, celui qui chiffre aussi, le nouveau surtout. Chacun va plus vite sur sa part, et ce gain-là est réel.

Le dossier, lui, ne part pas plus vite. Ce que l'IA rate, personne ne le compte, alors celui qui reçoit la part d'un autre la relit en entier, parce qu'il ne sait pas où l'erreur se loge. Tout le monde relit l'IA des autres. Sur 1 150 salariés de bureau américains, quatre sur dix avaient reçu le mois précédent un travail fait avec l'IA qu'il a fallu refaire, et chacun leur avait coûté près de deux heures. En France, le laboratoire du ministère du Travail observe la même chose dans les entreprises qu'il suit : celui d'aval doit lire, contrôler, certifier, et le dossier fait la queue devant lui.

Vous payez donc l'outil, et la relecture en plus. Elle ne disparaîtra pas avec un meilleur modèle, parce qu'elle ne vient pas de l'IA : elle vient de ce que personne n'a écrit ce qui, dans un dossier, demande encore un regard.

Deux erreurs, une seule relecture

Une demande arrive par e-mail, avec un plan en pièce jointe. Quelqu'un lit, chiffre, monte le devis. Avant qu'il parte, quelqu'un le relit, ou celui qui l'a monté le relit lui-même.

Deux erreurs peuvent s'y glisser. Une pièce manque, et personne ne l'a vue. Le prix ne tient pas sur cette affaire-là, et personne ne l'a senti. La première, tout le monde la verrait en regardant le dossier : il existe une règle, et un programme l'applique, à chaque fois pareil. La seconde, deux personnes compétentes peuvent en juger différemment, et quelqu'un doit en répondre. Aucun programme ne l'attrapera jamais, aussi bonne que devienne l'IA.

Aujourd'hui, la même relecture cherche les deux, dans le même geste, sur chaque dossier. Elle passe autant de temps sur la pièce qu'un programme aurait trouvée que sur le prix que personne d'autre ne peut juger. Relire tout derrière l'IA, c'est traiter les deux erreurs pareil.

L'IA générative n'est pas faite pour être exacte

On voudrait lui confier d'abord le plus répétitif : vérifier les pièces, recopier les références, refaire les totaux. C'est justement ce qu'elle fait le moins bien. Yann Ferguson, directeur scientifique de LaborIA, le laboratoire du ministère du Travail et d'Inria, le dit sans détour : « une tâche répétitive dont le résultat doit être systématiquement exact peut lui poser davantage de difficultés ». En 2025, avec la procédure écrite sous les yeux, la meilleure IA testée réussissait 72 tâches sur 100.

Et sur un dossier, les erreurs s'additionnent. Si chaque vérification est juste 95 fois sur 100, un dossier qui en compte vingt sort sans aucune erreur un peu plus d'une fois sur trois. Vous ne saurez pas lequel. Alors vous relirez les trois.

Un programme qui applique une règle écrite ne se trompe pas la vingtième fois. Il répond pareil à chaque fois, et il ne coûte rien à faire tourner. L'IA garde ce qu'elle seule sait faire : lire ce qui n'a pas de forme fixe, retrouver ce qui ressemble, écrire une première version. Elle propose, un programme vérifie ce qui a une règle, vos équipes jugent.

Le test des trois colonnes

Vous pouvez savoir cet après-midi ce que votre relecture attrape vraiment. Prenez le dernier dossier parti, avec la personne qui l'a relu. Listez chaque question qu'il a fallu trancher pour qu'il parte, puis rangez chacune dans une colonne.

Première colonne : tout le monde chez vous aurait répondu pareil en regardant les pièces. Les cinq pièces sont-elles là, le texte cité est-il encore en vigueur, le total correspond-il au détail. Il existe une règle. Un programme l'applique.

Deuxième colonne : il fallait lire, chercher ou écrire, et plusieurs versions auraient été bonnes. Comprendre ce que le client demande vraiment, retrouver l'affaire qui ressemble, rédiger le courrier. L'IA propose.

Troisième colonne : deux personnes compétentes auraient pu répondre différemment, et quelqu'un en répond. Ce prix, ce délai, cette réserve. Vos équipes tranchent, et rien ne le leur reprend.

Lisez ensuite les longueurs. Si la première colonne est longue, votre relecture d'aujourd'hui attrapait surtout ce qu'un programme attraperait, et c'est là que vous gagnez le plus. Si la deuxième est longue, l'IA a une vraie place chez vous, à condition qu'un programme vérifie derrière elle ce qui a une règle. Si la troisième est longue, personne ne vous fera gagner grand-chose avec de l'IA sur ce dossier-là, et il vaut mieux le savoir avant d'acheter quoi que ce soit.

Celle qui relit passe aujourd'hui le même temps sur chaque ligne, parce que personne ne lui a dit lesquelles sont dans la troisième colonne. La première n'avait pas besoin d'elle. La troisième n'a besoin que d'elle.

Ce que vous y gagnez

Le dossier part vérifié sur tout ce qui a une règle. Le dixième dossier de la journée l'est autant que le premier, parce qu'un programme ne fatigue pas et ne saute pas une ligne. Vous n'avez plus à croire la relecture sur parole : vous avez son résultat.

Chacun ne reçoit que ce qui demande son regard. Celle qui sait passe son temps sur la question qui décide de l'affaire, et elle y met le temps qu'elle passait à chercher des pièces. Là où les dossiers attendaient son passage, ils partent plus tôt. Et un client qui vous consulte pour la première fois compare le prix et le délai ; la qualité, il la découvre après.

Ce qui est écrit reste à vous. La règle s'écrit dans vos mots, avec vos pièces et vos seuils, pas dans du code que seul l'informaticien lit. Vos équipes la relisent comme un texte, chaque dossier qu'elles tranchent la précise, et c'est vous qui validez chaque changement. Dans trois ans, vos concurrents auront les mêmes modèles que vous. Ils n'auront pas votre savoir-faire.

Pour des juristes, nous avons construit leurs modèles de contrat dans leur traitement de texte. Un modèle de contrat est une règle écrite dans leurs mots : telle clause si telle condition, tel article de loi cité à tel endroit. Le programme assemble le contrat et vérifie que chaque article cité est encore en vigueur à la date de la signature. On ne l'attrapait pas en relisant, parce qu'on relit le sens d'une clause, pas la date du texte qu'elle cite. Aucune IA là-dedans : une règle, une source publique, un programme. Et si la clause convenait à ce client-là, le juriste seul en décidait.

Chacun répond de ce qui lui revient

Le logiciel travaille, il ne répond de rien. Chez vous, des personnes répondent de chaque dossier qui part, ceux que le logiciel a traités seul comme les autres. Relire tout ne leur servirait pas : à relire une machine qui a raison neuf fois sur dix, on cesse de voir la dixième, et c'est mesuré (nous l'avons raconté ici). Elles en répondent par des gestes écrits d'avance, chacun pour ce qui lui revient. Ce sont aussi les cinq questions à poser à qui vous propose de l'IA sur un travail qui compte, nous compris.

1. Qui a écrit la règle, et qui valide chaque changement ? Si la réponse est « le logiciel apprend tout seul », personne ne répond de rien.
2. Qui fixe le taux d'erreur acceptable, et sur quels dossiers est-il mesuré ? Un taux fixé selon ce qu'une erreur coûte chez vous, pas selon ce que l'outil sait faire, et mesuré sur vos dossiers, pas sur une démonstration.
3. Qui reprend chaque mois des dossiers tirés au hasard, en cherchant ce que le logiciel a raté ? Celui qui cherche la faute garde l'œil ; celui qui valide ce qu'on lui montre le perd.
4. Qui peut l'arrêter, et sur quel chiffre ? Si personne ne peut l'arrêter, personne ne le contrôle.
5. Quand il ne sait pas, à qui renvoie-t-il, et qui l'a décidé ? Le renvoi est écrit d'avance, jamais laissé à l'appréciation du logiciel.

Le temps de ces cinq gestes est écrit dans le plan, pas ajouté à la journée de ceux qui les font. LaborIA l'a relevé dans les entreprises : quand ce travail n'est reconnu ni en temps ni en compétences, les salariés se désengagent et le déploiement échoue.

La part de chacun dépend aussi de qui

Une question que le programme sait vérifier peut rester à la main de celui qui entre dans le métier, le temps qu'il l'apprenne, et passer au programme pour celle qui la connaît depuis dix ans. Aller vite et apprendre ne sont pas le même usage. Un essai publié par Anthropic sur 52 ingénieurs débutants en donne une idée : après le même exercice, ceux qui l'avaient fait avec l'IA ont répondu juste à 50 % des questions de compréhension, ceux qui l'avaient fait sans, à 67 %.

Le plan dit donc qui prend chaque question, et pour qui, et c'est vous qui le fixez. Le nouveau apprend là où ça s'apprend, sans ralentir les dossiers qui comptent. Et ce qui est écrit sert à le former : il apprend dessus, et vous le voyez traiter un dossier sans le logiciel pour savoir s'il a appris.

Le même partage, en mathématiques

Le 8 septembre, OpenAI a annoncé qu'une de ses IA avait résolu un problème de mathématiques ouvert depuis quatre-vingt-dix ans, sur l'écoulement des fluides. Les trois colonnes y sont. L'IA a proposé la démonstration, et une autre IA l'a traduite dans un langage où une étape fausse ne passe pas. Un programme en a vérifié chaque étape. Et ce que le résultat vaut, s'il répond à la bonne question, les mathématiciens le gardent : l'institut qui tient la liste de ces problèmes l'examine sans se presser, et vingt-cinq médaillés Fields ont rappelé que résoudre n'est qu'un moyen, et que le but est de comprendre.

Par où commencer

Vos équipes utilisent déjà l'IA ? Copilot, ChatGPT ou le module de votre éditeur refait vos vingt derniers dossiers, pas les plus beaux, et nous comparons avec ce qui est parti, question par question. Vous recevez un tableau, où il a raison, où il se trompe, combien de fois, et une page : ce qu'on peut lui confier, ce qu'il ne faut jamais lui laisser, et qui chez vous peut s'en servir pour quoi. Vous décidez de le garder, de le cadrer ou de l'arrêter. Trois semaines, 3 000 € HT, non dus si le résultat ne permet pas de décider.

Pas encore d'IA chez vous ? Dites-nous quel document revient le plus souvent et reste à la main parce qu'une erreur y coûte cher : réponse écrite sous 48 heures ouvrées, gratuite, avec le travail par lequel commencer et ce qu'il vous coûte aujourd'hui, estimé avec vos chiffres. Puis, en six semaines, ceux qui savent reprennent avec nous trois de vos dossiers. Vous repartez avec vos trois dossiers annotés, trois chiffres que vous n'avez pas aujourd'hui, et le plan : qui prend chaque question, et pour qui, le temps de ceux qui répondent des dossiers, et dans quel ordre construire. Ce qui est écrit vous reste si vous vous arrêtez là. 4 500 € HT, le premier versement du projet, déduit du logiciel si vous continuez.

Quel travail revient le plus souvent chez vous, et coûte le plus cher quand il rate ?

Décrire ce travail → · Vingt minutes au téléphone si vous êtes déjà sûr du travail.

Ce que nous ne savons pas

L'institut qui tient la liste des problèmes n'a pas accepté le résultat de septembre, et nous ne disons pas qu'il est juste. Un programme vérifie que chaque étape tient ; il ne garantit pas que l'énoncé vérifié est la question posée, et c'est la part qui reste aux mathématiciens.

Les quatre sur dix et les deux heures sont déclarés par des salariés américains, pas mesurés sur des dossiers. Ferguson rapporte des observations de terrain, pas des mesures, et rien de tout cela n'a été mesuré dans une PME française. Les 72 tâches sur 100 ont été mesurées en 2025, sur les IA de l'époque. Les vingt vérifications à 95 % sont un calcul, pas une mesure. L'essai d'Anthropic est petit, mesure ce que des débutants savaient juste après l'exercice, et il est publié par l'éditeur de l'outil testé.

« Les dossiers partent plus tôt » suppose qu'ils attendaient la relecture. Là où chacun envoie ses devis seul, le gain est ailleurs : le dossier part vérifié sur ce qui a une règle. Et le devis du début est un exemple composé pour être lu ; chez vous, les questions sont autres, et c'est ce que les trois colonnes vous diront.

Les sources

• Niederhoffer, Rosen Kellerman, Lee, Liebscher, Rapuano et Hancock, « AI-Generated "Workslop" Is Destroying Productivity », Harvard Business Review, septembre 2025 (BetterUp Labs et Stanford Social Media Lab, 1 150 salariés de bureau américains, déclaratif) : 40 % ont reçu le mois précédent un travail fait avec l'IA à refaire, environ 1 h 56 chacun.
• Yann Ferguson, directeur scientifique de LaborIA (ministère du Travail et Inria), « Pour bien maîtriser l'IA, il faut un ingénieur qui maîtrise les causalités », Techniques de l'Ingénieur, 22 septembre 2026. LaborIA Explorer, synthèse 2022-2024 et recommandations, 10 février 2025.
• Nandi et al. (Amazon), SOP-Bench, arXiv:2506.08119, 2025 : plus de 2 000 tâches tirées de procédures écrites par des spécialistes ; meilleur résultat 72,4 % (Claude 4 Opus), de 57 à 100 % selon le domaine.
• Anthropic, How AI assistance impacts the formation of coding skills, 29 janvier 2026 : essai randomisé, 52 ingénieurs surtout débutants, quiz de compréhension à 50 % avec l'IA contre 67 % sans.
• Le résultat Navier-Stokes : OpenAI, « À propos du problème du prix du millénaire de Navier–Stokes », 8 septembre 2026, qui publie la démonstration et sa formalisation dans Lean ; sur la position de l'institut Clay, le compte rendu d'Implicator (septembre 2026).
• La déclaration « A Severe Misalignment of AI in Mathematics », 25 médaillés Fields, 11 septembre 2026 (mathandai.org, et le billet de Terence Tao du même jour) : « résoudre des problèmes n'est qu'un outil et un substitut au but premier, la compréhension ».
• Le déclencheur de ce billet : Michel Schellekens, professeur d'informatique à l'University College Cork, « On our existential crisis and trustworthy AI », Proofs and Prompts, 11 octobre 2026. Il y renvoie à Moshe Y. Vardi, « The Sweeter Lesson », Communications of the ACM, 14 août 2026 : dans le raisonnement automatique, ce sont les trouvailles des chercheurs qui ont fait le progrès, et la puissance des machines y a très peu compté ; à matériel égal, les solveurs ont gagné un facteur proche de mille dans les années 2000. Richard S. Sutton, « The Bitter Lesson », 2019, est la thèse à laquelle Vardi répond.

Sur le même sujet : si quelqu'un relit derrière l'IA, vous n'avez rien gagné, et ce que vos dossiers deviennent quand ils passent dans ChatGPT.