Quand l'IA produit plus vite que nous ne pouvons relire

18 octobre 2026 · Aliocha Iordanoff

Je constate aujourd’hui qu’avec la capacité à paralléliser le travail et à faire tourner plusieurs agents dans un contexte bien structuré et bien documenté, l’IA va très loin. Elle est le plus souvent ralentie par 2 types de tâches qui m’incombent, relire et décider.

Pour décider, j’ai réussi à m’organiser et à garder un bon flux, notamment grâce à une fonctionnalité que j’ai créée dans mon ERP, qui tient un registre des décisions demandées, prises, soumises, etc. Chacun peut demander à un rôle de prendre une décision, avec un système de notification et de documentation pour suivre cela. C’est génial !

Mon goulot de traitement, c’est la relecture de ce que l’IA me propose. Des kilomètres de textes à relire, des analyses, des résumés, des comparatifs, des référentiels, des propositions de décisions prémâchées, des publications, des propositions commerciales, des e-mails…

Voici ce que cela change pour une PME qui outille ses équipes avec Claude.

La relecture devient le goulot

Dans mes entreprises, plus Claude produit de livrables, de code, de mails et de propositions, plus le temps de validation est le déterminant du débit de production. Produire davantage n’avance à rien si la relecture ne suit pas le rythme. Anthropic décrit le même phénomène chez lui, dans « When AI builds itself », un texte de juin 2026 signé Marina Favaro et Jack Clark. Claude y rédige plus de 80 % du code fusionné, les ingénieurs relisent le code au lieu de l’écrire, et les auteurs préviennent que la revue humaine risque de devenir le facteur limitant, selon la loi d’Amdahl. Quand on accélère une étape dans un flux de travail, le goulot se déplace vers celles qu’on n’a pas accélérées. Les gens qui conçoivent des chaînes de production industrielles connaissent bien le sujet ! Sur une chaîne de traitement de produits où l’ensachage reste manuel parce que le produit est fragile, c’est la limite de capacité de la chaîne de production.

La réponse systémique à ce problème consiste à outiller la relecture, et c’est ce que nous avons mis en place. Un texte proposé par l’IA arrive dans un document commentable où je corrige, surligne et commente, puis la session reprend mon travail en une seule passe. Des revues adverses et des critiques séparés, qui ne voient que le résultat et le comparent à une référence, jugent à ma place les points vérifiables. Des garde-fous automatiques refusent l’envoi d’un message auquel il manque un lien. Mon attention se concentre sur ce qu’aucun contrôle ne peut décider.

Le métier humain se déplace vers le choix et le jugement

Selon l’article, Claude égale ou dépasse des chercheurs qualifiés pour exécuter une expérience bien définie. L’écart persiste dans le choix des objectifs. Un test le mesure. Sur 129 moments où un chercheur avait pris un détour, le modèle propose une meilleure étape suivante que l’humain dans 51 % des cas en novembre 2025, et dans 64 % des cas en avril 2026. L’avantage humain sur le jugement existe donc encore, même s’il se réduit.

Pour un dirigeant, ce travail revient à choisir le problème à traiter, à fixer le critère de réussite et à décider quand les options se valent. C’est du cadrage et de la décision, et c’est ce que nous accompagnons chez Heterostasia, auprès d’équipes qui automatisent déjà l’exécution.

L’usage de l’IA va conduire les dirigeants, mais aussi les managers et bientôt de plus en plus de personnes au travail, à réaliser un travail de décisions, un travail de leader. C’était déjà un des fondamentaux des approches du self-management depuis 20 ans. Holacracy nous avait mis sur cette voie, mais ici ce sont les outils technologiques qui génèrent la nécessité de cette posture de décideur subsidiaire.

Planifier à court terme, sur un horizon de quelques mois

La durée des tâches qu’un modèle mène à bien seul double environ tous les 4 mois, contre 7 auparavant, d’après les travaux de METR. En mars 2024, Claude Opus 3 menait seul des tâches d’environ 4 minutes. Claude Opus 4.6 en mène aujourd’hui de 12 heures. Les auteurs de l’article prévoient des tâches de plusieurs semaines en 2027.

Dans ces conditions, un système IA d’équipe ou de client se maintient en continu, comme la gouvernance fonctionnelle en Holacracy, avec ses rôles et ses cercles qui se mettent à jour dès que la réalité du travail l’exige, au service du travail à faire. L’architecture visée est un graphe structuré, plus complexe encore que des cercles imbriqués. Les règles de rédaction, de prix, de validation et d’envoi sont inscrites dans des référentiels écrits que n’importe quel associé peut relire et corriger, en fonction de ses autorités, elles-mêmes décrites dans les rôles. Une correction s’écrit une seule fois dans le référentiel du sujet, et toutes les sessions la lisent ensuite. Une instruction n’est jamais écrite deux fois.

Mesurer le gain réel, sans se raconter d’histoires

La mesure utile porte sur le temps de cycle, le taux d’erreurs et le nombre de reprises du travail, relevés avant et après sur un périmètre précis. C’est celle que nous recommandons à nos clients. Le sentiment de gagner du temps est important, mais il trompe facilement nos perceptions. Anthropic donne un exemple. Ses ingénieurs livrent environ 8 fois plus de code qu’avant, un sondage interne estime le gain à 4 fois, et les auteurs jugent eux-mêmes ces deux chiffres supérieurs au gain réel. Dans notre enquête sur les usages de l’IA, plusieurs témoignages parlent de gain de temps, mais dès qu’on demande ce qui est fait du temps gagné, les interlocuteurs sont un peu embarrassés, car ils ont du mal à objectiver la réalité du véritable « temps gagné ».

Décider qui valide quoi, organiser la gouvernance et la supervision

Dans mes entreprises comme chez nos clients, plus l’IA agit seule, plus il devient critique de décider qui valide, qui répond d’un résultat délégué et quelles actions exigent toujours un humain. Ce sont des questions de gouvernance avant d’être des questions d’outils, avec des rôles, des redevabilités et des limites d’autonomie à écrire. Une équipe qui a déjà clarifié qui décide de quoi traverse cette étape plus vite, parce qu’elle sait où placer la validation humaine. Pour les autres, cela devient une étape incontournable pour qu’un travail d’équipe avec des IA ne devienne pas chaotique et risqué pour les données et le savoir-faire de l’entreprise.

Ce que nous faisons chez Heterostasia

Nous accompagnons des dirigeants et leurs équipes qui font entrer l’IA dans leur travail quotidien. Nous organisons avec eux la relecture, la gouvernance et la mesure du gain réel, et nous faisons évoluer ce système au rythme des capacités. Les chiffres d’Anthropic sont internes et aucun tiers ne les a vérifiés. Je les cite comme un appui à ce que je vis, et l’article complet est disponible sur le site d’Anthropic.