L'adoption massive de l'IA provoque une dégradation des connaissances en entreprise

Dans le monde des affaires moderne, l'adoption massive d'outils d'IA générative provoque de graves problèmes systémiques au lieu de l'efficacité attendue. Une étude menée par la Harvard Business Review montre que les entreprises, en tentant de réduire la dépendance au travail humain, font face à des obstacles imprévus tels que la perte de connaissances et le ralentissement des processus de travail. C'est ce qu'indique une information de Ixbt.com.

En analysant cette situation, les experts utilisent le nouveau terme « workslop » dans le lexique des affaires. Ce concept désigne un flux de contenu de faible qualité, non vérifié et perturbateur créé par l'IA. Parce que les entreprises appliquent l'IA à tous les niveaux pour ne pas être distancées dans la course technologique, la qualité globale des données d'entreprise diminue et les employés commencent à perdre leurs compétences.

Dégradation des connaissances et crise de confiance

Selon la Harvard Business Review, le problème repose sur une réaction en chaîne : les employés utilisent des modèles comme ChatGPT pour préparer des documents de travail, mais ce contenu est souvent rempli d'erreurs ou d'« hallucinations ». En conséquence, les collègues sont obligés de consacrer du temps supplémentaire à vérifier ces documents. Cela conduit à une baisse de confiance dans les données internes et à une dévaluation de l'expérience d'entreprise accumulée pendant des années.

Aujourd'hui, dans de nombreuses organisations, des unités de personnel distinctes apparaissent uniquement pour corriger les erreurs commises par l'IA. Cela annule le gain économique escompté grâce à l'automatisation. Les employés commencent à douter non seulement de la technologie, mais de tout le flux de travail, ce qui impacte négativement l'environnement d'équipe.

Marché du travail et recrutement

L'impact de l'IA n'épargne pas non plus le marché du travail. La communication entre les candidats et les employeurs devient artificielle en raison des étapes automatisées, ce qui fausse les attentes des deux parties. En conséquence, le processus de sélection de spécialistes qualifiés devient plus complexe et le risque d'erreurs augmente.

Les chercheurs proposent les recommandations suivantes pour sortir de cette crise :

• Utiliser l'IA générative non pas à toutes les étapes, mais uniquement pour des tâches spécifiques apportant une valeur réelle ;
• Privilégier des systèmes spécialisés entraînés sur les données internes de l'entreprise plutôt que des modèles publics et ouverts ;
• Mettre en place un système de vérification obligatoire pour chaque donnée générée par l'IA ;
• Soutenir les méthodes traditionnelles de partage des connaissances pour préserver la capacité de pensée critique des employés.

En conclusion, les visions initiales d'une augmentation infinie de l'efficacité via l'IA se sont heurtées à la réalité. En déployant l'IA sans contrôle, les entreprises constatent qu'au lieu de réduire la charge, elles ont besoin de travail manuel supplémentaire pour corriger les erreurs. Cela exige une approche plus prudente et systémique de la technologie.