Tous les processus non écrits

Un bon jour pour les robots de l'aéroport régional du Rust Belt : 25 % du parcours sans intervention humaine. Les 75 % restants — pannes, recalibrations, reconfigurations matérielles, surveillance périphérique à haute intensité — ne figurent dans aucune fiche de poste, aucun indicateur de performance, aucun argumentaire commercial. Les travailleurs appellent downtime ces moments saturés de labeur invisible. Dans l'installation de recyclage de la même étude ethnographique, un mauvais jour pour les robots de tri IA signifie 50 % de taux de succès de préhension ; mais ce chiffre ne capture pas le travail parallèle des trieuses qui compensent, recalibrent, restructurent les flux pour que le système reste fonctionnel. Fox et al. (2023) ont observé ces deux sites pendant plusieurs mois et leur ont donné un nom : le patchwork. Ils le définissent comme « le travail humain qui se loge dans l'espace entre ce que l'IA prétend faire et ce qu'elle accomplit réellement ».[1]

Ce papier porte sur des robots industriels. Mais le concept de patchwork ne s'arrête pas aux convoyeurs. Il désigne un mécanisme structurel qui traverse toute organisation ayant déployé un système algorithmique : le labeur de surveillance, de compensation et d'adaptation continue qui rend le système fonctionnel, sans lequel il s'effondrerait, et qui disparaît systématiquement des comptes rendus que les organisations font de leur propre fonctionnement. À l'ère agentique, ce mécanisme acquiert une dimension supplémentaire : avant même que le patchwork d'usage puisse commencer, les organisations doivent produire un investissement préalable massif en articulation, documentation et formalisation — pour rendre leurs flux de travail lisibles à des agents qui ne peuvent opérer que sur ce qui leur a été dit. Cette dette préalable n'est pas moins invisible que le patchwork. Elle est simplement encore plus rarement nommée.

Ce travail porte un nom précis, que les feuilles de route de déploiement évitent d'employer : la mise à plat des processus. Non pas la mise au propre de ce qui est déjà couché par écrit, mais la transcription de ce qui n'a jamais eu besoin de l'être — les procédures implicites, les heuristiques de contexte, les décisions tacites qui font que les bons résultats se reproduisent. Un agent IA suppose que ce travail a été fait avant son arrivée. Cette supposition est presque toujours infirmée par les faits. Et c'est rarement l'agent qui paie la différence.

Le plancher structurel — ce que les agents ne peuvent pas absorber

Michael Polanyi l'a formulé en 1966 dans une phrase qui n'a pas vieilli : « We can know more than we can tell. »[7] (The Tacit Dimension, p. 4) Cette formule contient, à l'état de germe, le problème central du déploiement agentique. Un agent IA ne peut opérer que sur ce qui lui a été transmis sous forme d'artefacts numériques — documentation, procédures, données structurées, historiques de décision. Or une organisation professionnelle sait considérablement plus que ce qu'elle a jamais couché par écrit. La question pratique est : où s'arrête ce qui peut être dit, et où commence ce qui ne peut pas l'être ?

Harry Collins (2010) a proposé la taxonomie la plus rigoureuse de cette ligne de démarcation.[6] Il distingue trois formes de connaissance tacite : la connaissance relationnelle (non encore articulée, mais articulable en principe — elle peut être mise en protocole si on s'y donne la peine) ; la connaissance somatique (incorporée dans le corps, transmissible par pratique et imitation) ; et la connaissance collective (irréductiblement sociale, acquise par socialisation dans une communauté de pratique, non transmissible à une entité qui n'est pas membre de cette communauté). C'est ce troisième type qui fixe le plancher structurel : aucun effort de codification, aussi minutieux soit-il, ne peut rendre une organisation entièrement lisible à un agent, parce que la partie la plus précieuse de son savoir n'existe pas sous forme d'artefacts. Elle existe dans les pratiques partagées, les jugements implicites, les micro-décisions collectives qui font qu'un cabinet de conseil est ce cabinet de conseil et pas un autre, qu'un service de radiologie sait ce qu'il sait.

Böhm et Durst (2026) ont formalisé cette limite dans le cadre qu'ils appellent GRAI (Generative, Receptive Artificial Intelligence).[3] En décomposant le modèle classique de Nonaka et Takeuchi sur la création organisationnelle de la connaissance en huit champs d'interaction entre humains et machines, ils montrent que la GenAI peut désormais participer activement à sept d'entre eux — combinant, externalisant, internalisant, mémorisant, transmettant des connaissances partiellement ou totalement formalisées. Un seul champ leur résiste structurellement : la socialisation, entendue comme transmission tacite-vers-tacite par co-présence et co-pratique. Quand un agent interagit avec un humain pour comprendre une situation complexe, il opère, selon leurs termes, sur une « reconstruction indirecte de la réalité à partir des artefacts du domaine numérique ».[3] Il ne reçoit pas la connaissance — il reçoit sa trace numérique, qui est toujours partielle.

La preuve empirique de ce plancher est dans la radiologie. Lebovitz, Lifshitz-Assaf et Levina (2022) ont observé pendant dix mois trois départements d'un grand hôpital américain, tous équipés du même outil d'IA diagnostique, avec des attitudes comparables envers la technologie.[4] Dans un seul département — imagerie thoracique pour le cancer du poumon — les radiologues intégraient régulièrement les résultats de l'IA dans leurs diagnostics finaux, atteignant ce que les auteurs appellent l'augmentation engagée. Dans les deux autres, les radiologues ignoraient les outputs IA ou les acceptaient sans examen critique. La différence tenait à un ensemble de pratiques tacites d'interrogation que les radiologues du premier département avaient développé — un savoir sur quand et comment sonder un résultat IA divergent, sur quelles dimensions de l'image scruter, sur comment réconcilier deux points de vue incommensurables. Ces pratiques ne figuraient dans aucun protocole écrit. Elles ne pouvaient pas l'être : « les pratiques d'interrogation de l'IA — pratiques mises en œuvre par des experts humains pour relier leurs propres affirmations de connaissance à celles de l'IA »[4] — sont précisément ce que la socialisation transmet et que la documentation ne peut pas capturer.

Le plancher n'est pas transitoire. Il ne disparaît pas avec de meilleures SOPs ou de meilleurs modèles. Il est constitutif de la nature de l'expertise professionnelle dans les domaines où le jugement contextuel est irréductible.

Le patchwork — le travail que les feuilles de route n'inscrivent jamais

Ce plancher structurel a une conséquence immédiate : tout déploiement agentique génère, dès son lancement, un écart entre ce que l'agent peut faire et ce qu'il y aurait à faire. Fox et al. (2023) nomment patchwork le labeur qui comble cet écart.[1] Ils le décomposent en trois formes : la compensation manuelle (faire à la main ce que l'agent n'a pas réussi à faire), la surveillance périphérique (maintenir une attention omnisciente sur un système censé fonctionner de façon autonome), et la reconfiguration matérielle (adapter en permanence l'environnement physique ou informationnel pour que l'agent puisse accomplir ce qu'il est supposé accomplir). Les patchworkeuses de Reciclo — quasi exclusivement des femmes hispanophones, travailleurs précaires sans droits syndicaux solides — incarnent le profil type de qui absorbe ce coût. Chez Fox, ce n'est pas un résultat marginal : c'est le résultat central.

Ce que Fox observe dans le waste labor, Kellogg, Valentine et Christin (2020) le documentent dans la littérature organisationnelle sous le nom de travail d'articulation algorithmique.[2] Leur revue systématique de plusieurs centaines d'études sur les algorithmes au travail produit un résultat constant : « la plupart des outils computationnels ne sont pas des technologies "clé en main" ou "prêtes à l'emploi", malgré le discours dominant — elles requièrent un travail considérable pour être développées, affinées, mises en œuvre, maintenues et modifiées au fil du temps ».[2] Le travail d'articulation est défini dans toute sa précision par leur recours à Star et Strauss : c'est « non pas le travail de conception d'un système ou de production d'un produit, mais le travail périphérique qui le rend possible — planification et coordination sur qui fera quoi, quand, où et comment, ainsi que gestion des responsabilités non assumées et des travaux inachevés, pour que les projets ne s'effondrent pas ».[2]

Ce travail a toujours existé. Sa nouveauté dans les contextes agentiques tient à deux facteurs. D'abord, l'imprévisibilité des défaillances : « les technologies précédentes avaient tendance à échouer de façon relativement prévisible, mais les algorithmes d'apprentissage automatique échouent souvent d'une façon difficile, voire impossible, à anticiper ».[2] Les robots de Fox tombent en panne ; les agents LLM hallucinent, généralisent à faux, produisent des outputs plausibles mais incorrects dans des cas que leur documentation de déploiement n'avait pas anticipés. Dans les deux situations, le travail d'articulation ne peut pas être planifié à l'avance — il doit être improvisé en continu par ceux qui sont à l'interface. Ensuite, l'ampleur de la demande : McKinsey Global Institute, cité par Kellogg et al. (p. 779), estimait qu'aux seuls États-Unis, la demande en « traducteurs algorithmiques » — terme commode pour le travail d'articulation renommé en compétence — atteindrait 2 à 4 millions de postes d'ici 2026.[2] Ce chiffre décrit une demande de marché. Il ne décrit pas une rémunération.

Ce qui permet à ces deux corps de recherche — patchwork et travail d'articulation — de décrire la même réalité sous deux angles est une caractéristique partagée : l'invisibilité structurelle. Le patchwork n'est pas reconnu dans les argumentaires commerciaux des vendeurs de robots, pas plus que le travail d'articulation ne figure dans les présentations de lancement d'agents. Fox et al. observent que le « downtime » machine — moment où les robots sont arrêtés — est organisationnellement désigné comme perte de productivité, alors qu'il est en réalité « saturé de multiples formes de travail humain à haute intensité, accompli dans les interstices spatiaux quand les machines tombent en panne ».[1] Cette désignation n'est pas un oubli. Elle est fonctionnelle : nommer le patchwork comme travail exigerait de le valoriser, de le rémunérer, de l'inscrire dans les budgets de déploiement. La feuille de route qui comptabiliserait ce coût serait moins attractive. Donc la feuille de route ne le comptabilise pas.

La boucle qui se referme — la dette s'aggrave d'elle-même

Le déploiement agentique sans investissement préalable dans la lisibilité ne produit pas seulement du patchwork en surface. Il érode les structures mêmes qui permettraient de produire la lisibilité par la suite. Baygi et Huysman (2025) décrivent ce mécanisme comme le recâblage du tissu social organisationnel.[5] Ils définissent ce tissu comme « la façon dont les parcours des membres d'une organisation s'entrelacent continuellement au fil de leur travail quotidien » — qui croise qui, quand, pour quoi, avec quels échanges d'expertise, de confiance, de collégialité. Un GenAI non gouverné recâble ces intersections : il « ne se contente pas d'améliorer la productivité des employés — il recanalise les parcours le long desquels les ressources circulent au sein des organisations ».[5]

Laissé sans gouvernance, ce recâblage produit trois archétypes perturbateurs : le polymathe (le généraliste AI-augmenté qui by-passe les experts dans des domaines hors de sa compétence réelle, réduisant les occasions d'échange qui affûtent l'expertise des spécialistes) ; l'oracle (le diffuseur d'informations plausibles mais invérifiées, qui circulent dans l'organisation sans que personne ne prenne en charge la vérification) ; et la sirène (l'employé isolé dans son assistant IA personnalisé, coupé des interactions collatérales qui transmettent la connaissance tacite collective).[5] Ces trois archétypes convergent vers le même résultat : une organisation qui accélère sa consommation de connaissance tacite collective sans reconstruire le tissu social par lequel cette connaissance est normalement transmise et renouvelée.

Les hommes-livres de Fahrenheit 451 constituent, en fiction, la réponse symétrique au problème central de cet essai. Dans un monde où les livres sont brûlés, Ray Bradbury imagine des individus qui mémorisent les œuvres pour les sauver de l'incendie — non pas parce que les textes ne pourraient pas être récopiés ou imprimés ailleurs, mais parce que la connaissance doit être portée, incarnée, vivante dans une mémoire humaine pour rester disponible. La formule de Polanyi — we can know more than we can tell — est la version théorique de ce que Bradbury formalise en parabole : certaines connaissances ne s'archivent pas. Elles se portent. Ce que les hommes-livres de Bradbury sauvegardent ne peut pas être confié à un support externe sans perte : c'est la transmission vivante, sociale, entre porteurs qui lui donne sa valeur. Les agents IA, qui ne peuvent opérer que sur des artefacts numériques, ne peuvent pas être des hommes-livres.

Le lien avec Collins est direct. La connaissance tacite collective — le plancher que les agents ne peuvent pas absorber — ne vit pas dans les têtes individuelles. Elle vit dans les pratiques partagées que les intersections organisationnelles permettent de maintenir vivantes. Réduire ces intersections, c'est appauvrir progressivement le matériau même que les agents devraient apprendre à lire. La boucle vicieuse est la suivante : déploiement agentique sans lisibilité → tissu social recâblé → expertise tacite collective qui s'érode → lisibilité encore plus difficile à produire → besoin de patchwork encore plus intense → coûts encore plus lourds pour les travailleurs périphériques. Chaque tour de boucle rend la situation du suivant plus difficile, sans que ce renchérissement soit visible dans les métriques de performance à court terme.

Lebovitz et al. (2022) fournissent la formule la plus concise de ce que cette boucle produit en pratique : « ce qui ressemble à de l'augmentation sur le papier est beaucoup plus proche de l'automatisation ».[4] Dans les deux départements de radiologie sans pratiques d'interrogation tacites, les radiologues ne vérifiaient pas les outputs IA — ils les acceptaient ou les rejetaient sans engagement réel. Cette non-intégration était invisible aux métriques d'adoption (les radiologues « utilisaient » bien l'outil) tout en étant fonctionnellement équivalente à une automatisation sans contrôle humain. Les organisations qui déploient des agents sans investir dans les conditions de l'engagement cognitif réel produisent exactement cela : un théâtre de l'augmentation dont le découplage avec la réalité opérationnelle ne devient visible qu'aux moments d'échec — trop tardivement, trop coûteusement.

Böhm et Durst (2026) notent eux-mêmes — avec une franchise qu'on n'attend pas toujours dans des papiers pro-adoption — que « le domaine évolue à une cadence élevée, laissant peu de temps pour étudier les effets, notamment du point de vue des activités à forte intensité de connaissances avec l'humain dans la boucle ».[3] Cette observation sur la cadence est l'aveu d'une impasse : le déploiement agentique se produit dans des délais qui structurellement interdisent l'accumulation de la compétence d'usage et la production de la lisibilité nécessaires à son efficacité réelle.

La dépense que les feuilles de route n'inscrivent pas

Les organisations qui déploient des agents sans comptabiliser la dette de lisibilité ne font pas une erreur d'estimation corrigible. Elles font un choix structurel sur qui absorbera cette dette. La même redistribution frappe les travailleurs juniors. Alavi, Leidner et Mousavi (2024) notent que le déploiement de la GenAI tend à court-circuiter les professionnels juniors — traditionnellement chargés de collecter l'information et de rédiger les synthèses, ces travailleurs sont désormais contournés lorsque leurs superviseurs s'adressent directement à l'IA : « this shift denies junior staff the chance to expand their knowledge and skills ».[8] Sambasivan et al. (2021) documentent le même phénomène sous le nom de data cascades dans les contextes de préparation de données d'entraînement : « everyone wants to do the model work, not the data work »[9] — 53 praticiens IA en environnements à forts enjeux rapportant que le travail de préparation est structurellement invisible, sous-rémunéré, concentré sur des travailleurs périphériques. La convergence de Fox (waste labor), Kellogg et al. (gig et knowledge work) et Sambasivan (préparation de données IA) sur ce même résultat distributionnel ne doit rien au hasard. Ce n'est pas une caractéristique accidentelle de certains déploiements — c'est une caractéristique structurelle du mode d'attribution de valeur dans les organisations qui intègrent des systèmes algorithmiques.

La recodification de cette dette comme « compétences » est le dernier mouvement de ce processus. Quand l'OCDE (2024) observe que la formalisation IA accroît la demande de travailleurs capables de spécifier, documenter et auditer les comportements IA, la formulation est techniquement correcte : la demande augmente bien. Ce qu'elle ne dit pas — ce que le vocabulaire de la compétence ne peut pas dire — c'est que cette demande est une demande sur les travailleurs les moins bien positionnés pour la négocier. Elle ne dit pas non plus que les gains de productivité que les agents rendent possibles reviennent aux orchestrateurs, pendant que les coûts de lisibilité tombent sur les articulateurs.

Il n'existe, à ce jour, aucune étude qui ait directement mesuré le coût de lisibilité — en heures-personnes, répartition par niveau hiérarchique, coût financier — de la mise en lisibilité agentique d'un flux de travail professionnel. Le plus proche est Sambasivan et al. (2021) sur la préparation des données d'entraînement dans des contextes à forts enjeux. Ce gap de mesure n'est pas une lacune de recherche qui attend d'être comblée. C'est un indice que la question n'est pas posée par ceux qui auraient les ressources pour la financer. Comme le patchwork lui-même, la dette est plus facile à ignorer qu'à mesurer.

Il faut nommer la limite centrale de cet essai : le mécanisme du cumul — lisibilité structurellement insuffisante et tissu social qui s'érode simultanément — est l'argument de synthèse de cet essai. Chaque composante est documentée séparément (plancher Collins/Böhm-Durst ; patchwork Fox/Kellogg ; recâblage Baygi) ; l'articulation des deux dynamiques en une boucle de dégradation mutuelle est une inférence analytique, non une mesure directe.

Ce que les agents supposent avant de commencer, c'est que quelqu'un a déjà fait le travail de les rendre lisibles dans le flux qu'ils vont traverser. Cette supposition est rarement inscrite dans les feuilles de route comme prérequis — et plus rarement encore comme coût. Elle est simplement là, dans les fondations, invisible et structurellement assurée de rester visible uniquement aux personnes dont le travail est de la satisfaire.

L'implication n'est pas de renoncer à la codification. C'est de la traiter pour ce qu'elle est : un travail qualifié, réel, inégalement distribué, qui mérite d'être nommé, compensé et borné. Un déploiement agentique compétent cartographie explicitement la frontière entre ce qui peut être codifié et ce qui ne peut pas l'être avant de promettre une délégation ; rend visible le coût d'articulation que les travailleurs de terrain absorbent ; et traite le plancher Polanyi non comme un obstacle technique à résoudre mais comme une contrainte structurelle à respecter dans l'architecture même du workflow délégué. Les organisations qui ignorent ce coût ne l'éliminent pas — elles le déplacent vers l'aval, où il se manifestera sous forme de défaillances que personne ne pourra expliquer.