Si quelqu'un relit derrière l'IA, vous n'avez rien gagné

Le couple « l'IA fait, une personne relit » a été mesuré sur cent six expériences. Il perd. Ce qui gagne est une ligne, écrite avant de construire, avec ceux qui savent.

La promesse qu'on vous fait

Quand on vous propose de l'IA sur un travail qui compte, la même phrase arrive vite : « une personne relira derrière ». Elle rassure tout le monde. Celui qui vend, parce qu'elle couvre les erreurs de son outil. Vous, parce que rien ne partira sans qu'un œil humain l'ait vu. C'est le dispositif le plus répandu, et pour la plupart des projets c'est le seul qui existe.

Il a un défaut, et une dirigeante l'a dit mieux que nous. Time to Fly, vingt-cinq salariés, conseil en réglementation aérienne, a construit un prototype qui vérifie la documentation de ses clients contre la réglementation européenne. Il trouve les passages qui comptent huit fois sur dix. Le projet est à l'arrêt : ses salariés craignent « de devoir vérifier son travail, ce qui annulerait les gains d'efficacité escomptés » (Bpifrance Le Lab).

Huit fois sur dix, c'est un bon chiffre pour une démonstration. C'est un mauvais chiffre pour un dossier qui part chez un client, parce que personne ne sait lesquels des dix sont les deux faux. Alors on relit les dix, et le temps qu'on espérait gagner repart dans la relecture.

Ce que cent expériences ont mesuré

Ce n'est pas une impression. En 2024, trois chercheurs du MIT ont réuni toutes les expériences publiées où une personne et une IA travaillent ensemble sur une même tâche : soixante-quatorze études, cent six expériences (Vaccaro, Almaatouq et Malone, Nature Human Behaviour). Leur question était simple. Le couple fait-il mieux que le meilleur des deux seul ?

En moyenne, il fait moins bien. Et les auteurs disent pourquoi. Dans plus de 95 % des dispositifs étudiés, l'IA proposait et la personne décidait à la fin. C'est exactement « une personne relit derrière ». Ils écrivent qu'on aurait sans doute obtenu de meilleurs résultats en concevant des dispositifs où l'IA ne fait que les parties où elle est clairement meilleure, et que trois expériences sur plus de cent l'ont essayé.

La raison est connue depuis longtemps dans l'aviation et la médecine, sous le nom de biais d'automatisation. Quand une machine propose une réponse, la personne qui relit cesse de chercher par elle-même. Elle vérifie ce que la machine a vu, et rate ce qu'elle n'a pas vu. Prévenir ne suffit pas : le biais persiste chez des gens avertis que l'aide peut se tromper. Former ne suffit pas non plus. Quarante-quatre médecins formés vingt heures à l'IA ont perdu quatorze points d'exactitude quand on a glissé des erreurs dans ses conseils (NEJM AI, 2025).

La relecture ne rattrape donc pas la machine. Et elle coûte ce qu'on voulait gagner.

Ce qui gagne : décider à l'avance ce que la machine ne décide pas

Le dispositif qui marche est l'inverse. On ne met pas une personne derrière la machine. On écrit, avant de construire, ce que la machine prend seule et ce qu'elle ne prend jamais.

Dans chaque dossier, certaines questions relèvent du constat : tout le monde trouverait la même réponse en regardant le dossier. « Le client a-t-il fourni les cinq pièces demandées ? » D'autres demandent un jugement : deux personnes compétentes pourraient répondre différemment, et quelqu'un doit trancher. « Ce prix est-il défendable sur cette affaire-là ? »

Les constats vont au logiciel, et personne ne repasse derrière. À la place, le logiciel donne son taux d'erreur, mesuré sur vos dossiers, et un échantillon tiré au hasard pour le vérifier. Vous contrôlez un chiffre, pas chaque dossier. Les jugements restent à ceux qui savent, et aucun progrès de l'IA ne les leur reprend. Quand le logiciel ne sait pas, il ne devine pas : il passe la main.

Ce dispositif aussi a été mesuré, à grande échelle, dans le domaine qui s'y est pris le plus tôt. En Suède, sur 105 934 femmes, un dépistage où l'IA tranche seule les mammographies qu'elle sait lire et renvoie les autres aux radiologues détecte plus, se trompe autant, et supprime 44 % de la lecture (The Lancet, 2026, financé par la Société suédoise du cancer). Le point à retenir n'est pas médical. L'IA y remplace le second lecteur sur les cas faciles. Elle n'ajoute pas un vérificateur.

Ce que cela demande

Écrire cette ligne est le travail. Personne ne sait où elle passe chez lui, parce que ceux qui savent appliquent le critère sans le voir. Ils relisent tout, et leur procédure dit quoi faire, pas quels dossiers demandent un jugement. L'écrire, sur vos propres dossiers et avec eux, c'est faire dire à votre maison ce qu'elle regarde sans le savoir. Ce qui en sort sert deux fois : au logiciel, et à former le prochain arrivé.

Et s'il n'existe pas de critère qu'un programme peut appliquer, cette part du travail n'existe pas. Il vaut mieux le savoir avant de construire, et nous le disons avant.

Le test tient en une question

Prenez le dernier dossier parti, avec la personne qui l'a relu. Demandez-lui ce qu'elle a vérifié et, pour chaque point, si n'importe qui aurait trouvé la même chose en regardant le dossier. Ce qui répond oui est un constat, et un logiciel peut le prendre, à condition que la règle soit écrite. Ce qui répond non demande un jugement, et il reste chez vous. Si la première colonne est longue, la relecture d'aujourd'hui ne trouvait presque rien, et c'est là que le projet rapporte.

Ce que nous ne savons pas

La preuve du dispositif qui gagne vient de l'imagerie médicale, pas d'une PME française. Sur cent six expériences, trois seulement ont testé le partage décidé à l'avance, et leur résultat, favorable, n'est pas significatif : c'est la voie que les chercheurs désignent, pas une voie démontrée. Le biais d'automatisation a été mesuré sur des aides à la décision d'avant les modèles de langage, et son application à ces modèles est une analogie forte, pas une mesure. Le chiffre de Time to Fly est celui d'une entreprise, rapporté par sa dirigeante. Chez vous, nous mesurons avant de construire. Sur vos vingt derniers dossiers, en trois semaines, à prix fixe : la mesure.

Les sources

• Bpifrance Le Lab, L'IA dans les PME et ETI françaises : une révolution tranquille, janvier 2026. Entretiens qualitatifs ; le cas Time to Fly (Julie Audouit, directrice générale, 25 salariés) y est cité avec les deux phrases reprises ici.
• Vaccaro, Almaatouq et Malone, When combinations of humans and AI are useful: a systematic review and meta-analysis, Nature Human Behaviour, 2024, vol. 8, p. 2293-2303. 74 études, 106 expériences, protocole pré-enregistré. Effet global g = −0,23 ; plus de 95 % des dispositifs laissaient la décision finale à l'humain après l'avis de l'IA ; 3 expériences sur plus de 100 testaient un partage conçu à l'avance.
• Qazi et al., NEJM AI, 2025 (DOI 10.1056/AIoa2501001). 44 médecins formés 20 h à l'IA, 6 vignettes dont 3 avec des erreurs semées : exactitude de 84,9 % à 73,3 %.
• Skitka, Mosier et Burdick, Does automation bias decision-making?, 1999 : le biais d'automatisation persiste chez des participants informés que l'aide est faillible.
• MASAI, The Lancet, 2026, vol. 407, p. 505-514. 105 934 femmes, essai randomisé : sensibilité 80,5 % contre 73,8 %, spécificité identique (98,5 %), charge de lecture réduite de 44 %. Financement : Société suédoise du cancer.

Pour voir la ligne sur votre propre dossier, en dix minutes : cas d'usage IA en PME.