Briefer n’est pas discuter

Les études de 2023 ont été claires : l'IA réduit les inégalités. Le moins compétent gagne le plus. Brynjolfsson, Li et Raymond documentaient un gain de productivité de 15 % en moyenne, avec des impacts encore plus importants pour les novices dans les centres de support client — quasi nul pour les experts.[11] Noy et Zhang confirmaient sur l'écriture professionnelle : ChatGPT comprimait la distribution de qualité en relevant le bas de la courbe.[12] La conclusion semblait robuste : l'IA générative diffuse du savoir codifié vers le bas, nivelle les distributions de performance, comprime l'avantage des meilleurs. Ce récit est empiriquement valide — pour une catégorie précise d'outils. Il devient faux, et peut-être dangereux, dès qu'on change de catégorie.

Le passage du chat aux agents ne déplace pas un curseur sur une échelle continue : il inverse une direction. Les compétences qui étaient du côté des moins qualifiés dans le régime chat — suivre des instructions scriptées, injecter du contexte dans un prompt conversationnel — sont précisément ce qui devient insuffisant dans le régime agentique. Ce que le régime agentique récompense s'appelle autrement : décomposition de tâches, spécification explicite de l'intention, évaluation critique des outputs intermédiaires, stratégie d'automatisation. Ce sont des compétences dont la distribution suit celle du capital éducatif, pas celle de la volonté d'adoption.

Ken Liu pousse cette intuition à sa limite dans « La Forme de la pensée ». Deux espèces s'y rencontrent sans langue commune ; se comprendre n'y consiste jamais à traduire mot à mot, mais à apprendre la grammaire qui structure la pensée de l'autre — chez Liu, la langue ne transporte pas le sens, elle le reconfigure. Le briefing agentique relève du même ordre. Maîtriser le registre de l'instruction n'accélère pas une tâche déjà comprise : il installe un autre rapport au problème. La ligne de fracture ne sépare donc pas ceux qui briefent vite de ceux qui briefent lentement, mais ceux qui pensent dans la grammaire de la délégation de ceux qui restent dans la paraphrase conversationnelle.

La compression comme décor

Le résultat de compression n'est ni faux ni anecdotique. Il correspond exactement à ce que la théorie économique prédit pour un régime d'IA non autonome. Dans un modèle d'équilibre général où les individus se distribuent selon leur niveau de savoir, Ide et Talamàs démontrent formellement que les co-pilots IA — outils d'assistance sans capacité d'initiative propre — bénéficient d'abord aux moins qualifiés, parce qu'ils n'entrent pas en concurrence avec leur travail de production et leur fournissent une assistance à la résolution de problèmes à coût d'opportunité quasi nul.[1] C'est précisément ce que les études de 2023 observent : les novices gagnent plus que les experts, la distribution se contracte.

L'étude BCG — 758 consultants, GPT-4, protocole expérimental randomisé — documente cette compression avec une précision inhabituellement fine : sur les tâches situées dans la frontière des capacités actuelles du modèle, les sujets du bas de la distribution de compétences sont « les bénéficiaires les plus importants de l'utilisation de l'IA ».[2] Ce résultat est réel. Il est aussi limité à une configuration précise : tâches bornées, outil en mode co-pilot, utilisateurs opérant dans la zone où le modèle excelle.

La distinction entre régimes — IA non autonome et IA autonome — n'est pas spéculative. Ide et Talamàs la formalisent en termes sans ambiguïté : « L'IA autonome bénéficie principalement aux individus les plus savants ; l'IA non-autonome bénéficie aux moins savants. Cependant, l'output est plus élevé avec l'IA autonome. Ces résultats réconcilent des preuves empiriques contradictoires et révèlent des compromis dans la régulation de l'autonomie de l'IA. »[1] Les études de compression et les études d'amplification ne sont pas contradictoires — elles décrivent deux régimes. Ide et Talamàs l'énoncent eux-mêmes, en nommant Dell'Acqua et Noy & Zhang comme relevant du régime co-pilot, et en anticipant que leurs résultats ne s'étendent pas à « l'IA autonome capable d'effectuer un travail de connaissance indépendant ».[1] Ce que les déploiements organisationnels actuels traitent comme une mise à niveau d'un régime à l'autre pourrait bien être un changement de nature.

Le cadre théorique du capital linguistique — développé dans l'essai précédent à partir des travaux d'Agirdag[3] — prédit que la compétence à formuler des instructions dans un registre élaboré-décontextualisé est inégalement distribuée par classe et scolarisation. Dans le régime agentique, cette inégalité initiale ne disparaît pas : elle se reproduit à chacune des quatre étapes que le briefing impose structurellement.

Ce que briefer un agent exige réellement

La métaphore la plus honnête vient d'un Best Paper CHI 2024. Tankelevitch et al. (2024) écrivent : « Les demandes métacognitives du travail avec les systèmes IA générative sont parallèles à celles d'un manager déléguant des tâches à une équipe. Un manager doit comprendre et formuler clairement ses objectifs, décomposer ces objectifs en tâches communicables, évaluer avec confiance la qualité des outputs de l'équipe, et ajuster les plans en conséquence. De plus, il doit décider si, quand et comment déléguer les tâches. »[4] La métaphore n'est pas rhétorique. Elle est opérationnelle.

Briefer un agent, c'est exercer une compétence managériale. Et les compétences managériales ne sont pas distribuées de manière aléatoire dans la population. Quatre demandes structurelles distinguent le briefing agentique de l'interaction conversationnelle.

La première est la décomposition de tâches. Dans un workflow enchaîné, un problème doit être divisé en sous-tâches autonomes, chacune mappée à une étape distincte avec un prompt correspondant.[6] Wu, Terry et Cai ont comparé en laboratoire une interface de chaînage visible à une interface chat standard, dans un protocole en double condition avec N=20 participants (UX designers, linguistes, data analysts, ingénieurs non-ML).[6] Les évaluateurs aveugles ont préféré les productions de l'interface de chaînage dans 85 % et 80 % des comparaisons appariées selon la tâche — soit environ 82 % en moyenne (mesure de qualité perçue par évaluateurs aveugles).[6] Mais la donnée la plus instructive n'est pas cette préférence — c'est la différence entre types de chaînage : les utilisateurs qui concevaient leurs propres chaînes obtenaient une qualité supérieure à ceux qui utilisaient les chaînes pré-définies. Or concevoir ses propres chaînes requiert précisément la compétence de décomposition que le scaffolding est censé enseigner. La formule d'un participant à l'interface ouverte est lapidaire : « Too much freedom can be a curse. »[6] Neuf participants sur vingt ont signalé une complexité accrue et une courbe d'apprentissage plus raide — sur un échantillon déjà très sélectionné, composé d'employés techniques d'une grande entreprise technologique.

La deuxième demande est la formulation explicite de l'intention. Dans l'exécution manuelle d'une tâche, « de nombreux objectifs et intentions non formulés peuvent rester sous-entendus sans jamais être verbalisés », note Tankelevitch.[4] Un e-mail à un collègue senior implique implicitement un certain ton — l'utilisateur le sait sans l'énoncer. De nombreux systèmes IA générative exigent que cette spécification soit explicite. La capacité à rendre explicite ce qui était implicite est exactement ce que la socialisation institutionnelle distribue inégalement. Zamfirescu-Pereira et al. (2023) l'ont documenté empiriquement dans une étude de conception de prompts avec N=10 non-experts (professeurs, designers, ingénieurs, chercheurs — tous issus de contextes académiques de prestige, Berkeley, Cornell, Georgia Tech).[5] Les participants ont « presque exclusivement adopté une approche opportuniste et ad hoc de l'exploration des prompts ».[5] Zéro sur dix n'ont utilisé spontanément l'interface de test systématique disponible — même après présentation. Les auteurs identifient deux sources fondamentales de difficulté : la sur-généralisation depuis des observations isolées (abandonner après un premier échec, s'arrêter après un premier succès partiel) et l'application d'un prisme social humain-humain aux interactions avec le modèle — au point que certains participants évitaient des conceptions efficaces après que l'intervieweur en avait démontré la supériorité.[5] Ces comportements n'ont pas été observés chez des experts — mais l'échantillon de Zamfirescu-Pereira était déjà sélectionné vers le haut. Dans une population avec un niveau d'études moins élevé, les défaillances seraient probablement plus prononcées, et non moins.

La troisième demande est l'évaluation des outputs sous incertitude. « De nombreux flux de travail ont migré de la génération de contenu à son évaluation », résume Tankelevitch.[4] Cette migration requiert une « confiance bien calibrée » dans sa propre capacité d'évaluation, dont les novices sont structurellement dépourvus : « Si vous ne savez pas ce que vous faites, ça peut vous embrouiller davantage », commente un participant sur de longues suggestions de code.[4] Dell'Acqua ajoute une couche contre-intuitive. Dans son protocole, trois conditions sont comparées : les participants pouvaient utiliser GPT avec une page de présentation des limites du modèle (GPT+overview), GPT seul sans avertissements (GPT-only), ou travailler sans assistance IA (contrôle). Sur les tâches hors-frontière du modèle, les participants GPT+overview produisent 24,5 % de réponses correctes en moins que le groupe contrôle sans IA, tandis que les participants GPT-only en produisent 13,9 % en moins.[2] Pire encore : ces utilisateurs obtiennent simultanément une cohérence subjective supérieure de 25 % sur leurs réponses erronées.[2] Les meilleures compétences de briefing amplifient le gain à l'intérieur de la frontière et amplifient la perte — et la confiance mal calibrée — au-delà. La frontière est structurellement invisible à l'utilisateur : « Parce que les capacités de l'IA évoluent rapidement et sont mal comprises, il peut être difficile, ex ante, pour les travailleurs intellectuels de saisir exactement où se trouve la frontière à un moment donné. »[2]

La quatrième demande est la stratégie d'automatisation. Sharp et al. (2026) nomment la ligne de fracture conceptuelle : « Les agents fonctionnent comme des délégués autonomes plutôt que comme des outils, générant de nouvelles asymétries à travers la délégation d'objectifs à grande échelle. »[7] Décider si, quand et comment déléguer une tâche à un agent n'est pas une décision technique. C'est une décision managériale qui présuppose la capacité à modéliser les compétences du délégué, à anticiper les points de rupture, à concevoir les critères d'évaluation en amont. Sharp et al. le formulent en termes d'actifs complémentaires : même à accès formel identique au même agent, les bénéfices divergent selon les capacités de « supervision managériale, de connaissance du domaine et de déploiement stratégique des agents ».[7] Ce ne sont pas des compétences qui s'acquièrent en une formation d'après-midi.

L'amplification à trois échelles

Trois études de terrain radicalement différentes — Kenya, Harvard, ETH Zurich — convergent vers la même structure de résultats. Sur les tâches à composante de jugement ouvert, l'IA amplifie l'écart de compétences initiales au lieu de le comprimer. Leurs méthodes n'ont rien en commun. Leurs conclusions si.

Au Kenya, Otis et al. (2024) ont conduit une expérience randomisée auprès de 640 entrepreneurs (PME), comparant un accès à GPT-4 via WhatsApp à un groupe contrôle recevant des guides de formation de l'ILO.[8] L'effet moyen est nul — ni gain ni perte sur les revenus et bénéfices (β = 0,04, p = 0,34 — β est le coefficient de régression standardisé, ici quasi nul ; p = 0,34 indique un résultat non significatif).[8] Derrière cette moyenne, deux trajectoires opposées : les low performers ont reculé d'environ 10 % (β = −0,08, p = 0,01), les high performers ont progressé d'environ 18 % — résultat suggestif, non significatif au seuil 5 % (β = 0,16, p = 0,07).[8] La différence entre les deux trajectoires est significative (Δ = 0,23 écart-type, p = 0,01). Ce qui rend ce résultat analytiquement décisif, c'est le mécanisme : les deux groupes posaient des questions similaires, recevaient des conseils similaires, et avaient une probabilité comparable d'agir sur ces conseils. Ce qui différait, c'était quels conseils ils implémentaient. « Les low performers étaient particulièrement enclins à mettre en œuvre des conseils génériques axés sur la baisse des prix et l'investissement dans la publicité. En revanche, les high performers ont travaillé avec l'IA pour découvrir des changements ciblés et spécifiques qui bénéficiaient à leurs entreprises. »[8] L'accès au conseil était symétrique. La capacité à sélectionner ne l'était pas.

À Harvard, Weidmann, Xu et Deming ont assigné aléatoirement les mêmes leaders à des équipes humaines et à des équipes d'agents GPT-4o, dans un protocole en double condition contre-balancé (N=249).[9] Le résultat central est frontal : « Plus de la moitié de la variance de performance du groupe dans les deux tests peut être expliquée uniquement par l'identité du leader. »[9] La corrélation désatténuée entre performance avec les agents et performance avec les équipes humaines est de 0,81.[9] Les prédicteurs communs aux deux conditions — intelligence fluide, perception émotionnelle, gestion des tours conversationnels — ne sont pas des compétences techniques liées à l'IA. Ce sont des compétences cognitives et sociales. Un bon leader (un écart-type au-dessus de la moyenne) résout correctement 53 % des problèmes ; un mauvais leader en résout 10 %.[9] L'IA ne déplace pas cet écart : elle l'applique à une surface d'action plus large.

À ETH Zurich, Thorgeirsson, Weidmann et Su ont mesuré les prédicteurs de la performance en vibe coding agentique sur N=100 étudiants (étude transversale préenregistrée).[10] La réussite en informatique prédit la performance (r = .39, p < .001), corrélation qui survit aux contrôles cognitifs (corrélation partielle = .28, p = .005). Les compétences d'écriture prédisent également la performance (r = .29, p = .003), mais cette corrélation devient non-significative après contrôle des capacités cognitives générales (r partiel = .19, p = .066) — l'effet de l'écriture opère en partie via la cognition générale. La médiation est précisément localisée : la qualité des prompts représente 52 % de l'association entre compétences d'écriture et performance agentique.[10] Traduction opérationnelle : les participants aux meilleures compétences rédactionnelles produisaient des prompts plus clairs et mieux structurés, ce qui en retour prédisait de meilleurs résultats. La compétence d'écriture agit via la capacité à formuler des instructions structurées — un registre, pas une technique. Résultat supplémentaire, contre-intuitif : la fréquence d'utilisation des LLM corrèle négativement avec la performance en vibe coding (r = −.26, p = .010) et avec les compétences d'écriture (r = −.28, p = .005).[10] L'usage fréquent ne compense pas le déficit de capital initial — il en est peut-être l'indice.

Ces trois études n'ont pas été conçues pour se répondre. Elles arrivent au même résultat par des méthodes incomparables, dans trois contextes institutionnels sans rapport direct. Ide et Talamàs formalisent la réconciliation théorique : « Plusieurs études suggèrent que l'IA bénéficie de manière disproportionnée aux individus ayant le moins de connaissances et réduit l'inégalité de performance [...] Cependant, ces études se concentrent sur les co-pilots IA. Notre cadre soutient ces conclusions, mais souligne également qu'elles pourraient ne pas s'étendre à l'IA autonome capable d'effectuer un travail de connaissance indépendant, telle que la conduite de recherches, la rédaction de documents ou l'analyse de données. »[1] Les deux corps d'études décrivent deux régimes. La confusion entre eux n'est pas théorique — elle est organisationnelle.

La condition structurelle

Aucune des études citées ne compare directement l'amplitude de l'effet compétences entre interfaces chat et agentiques sur des tâches appariées avec un échantillon stratifié par niveau de compétence. C'est précisément cette étude manquante qui permettrait de quantifier le passage du régime compression au régime amplification — de mesurer si le gap est deux fois plus large, trois fois, ou d'un ordre de magnitude différent. Son absence révèle la vitesse à laquelle les architectures agentiques ont été déployées avant que les outils d'évaluation des inégalités d'accès aient été construits.

La réponse organisationnelle standard à ce type de disparité prend la forme de bibliothèques de prompts, d'assistants de décomposition et de formations au briefing. L'intention est juste. L'intervention est structurellement insuffisante, et les données le montrent directement. Wu et al. (2022) trouvent que les utilisateurs qui concevaient leurs propres chaînes obtenaient des résultats supérieurs à ceux qui utilisaient les chaînes pré-définies.[6] Or concevoir ses propres chaînes requiert exactement la compétence de décomposition que le scaffolding est censé transmettre — la barrière se déplace, elle ne disparaît pas. Zamfirescu-Pereira documente le même phénomène : les participants ont continué à utiliser l'interface de test opportuniste même après avoir vu l'intervieweur démontrer l'efficacité de l'approche systématique.[5] L'information ne suffit pas à transférer la compétence. Sharp l'anticipe : « À court terme, les utilisateurs auront peut-être besoin de compétences considérables pour spécifier des objectifs complexes et gérer la délégation multi-étapes, ce qui favorisera probablement ceux qui ont des niveaux plus élevés de littératie numérique. »[7] Cette prédiction n'est pas futuriste. Elle décrit l'état actuel du déploiement agentique.

L'IA de type chat a, dans un sens précis, tenu la promesse de démocratisation : elle a distribué du savoir codifié vers le bas, comprimé les distributions de performance sur les tâches bornées, réduit le coût d'accès à des informations jusqu'alors réservées aux mieux formés. Ce résultat est réel. Il est aussi limité à une catégorie d'outils qui devient rapidement minoritaire dans les déploiements d'entreprise, à mesure que les organisations migrent vers des workflows à agents semi-autonomes.

Les agents ne distribuent pas du savoir codifié. Ils démultiplient la capacité de ceux qui savent déjà formuler, décomposer, évaluer et corriger. Ce sont les mêmes compétences que la sociologie de l'éducation identifie depuis quarante ans comme différentiellement distribuées par classe, scolarisation et socialisation professionnelle — pas par accident, mais parce que ce sont les compétences que les institutions de formation professionnelle d'élite ont passé des décennies à produire et à certifier.

La condition que les organisations refusent de nommer est celle-ci : déployer des agents en présupposant une égale capacité à les briefer, c'est déployer un mécanisme de productivité qui amplifie les inégalités de capital humain préexistantes — et les rend plus difficiles à voir parce que tout le monde utilise le même outil, dans la même interface, à la même adresse.

Cette fracture est orthogonale à une autre, que j'ai cartographiée ailleurs : là où la confiance organisationnelle s'épuise collectivement au fil des déploiements ratés, indépendamment des compétences individuelles, l'amplification décrite ici creuse l'écart entre les personnes, indépendamment de l'histoire collective. Les deux dynamiques ne se concurrencent pas — elles se cumulent.

La « brief literacy » n'est pas une compétence optionnelle à acquérir sur le tas — c'est une condition d'accès réelle à la valeur agentique, aussi structurante que la maîtrise de la lecture professionnelle. Ce que ce mécanisme implique pour les organisations : investir explicitement dans la formation au cadrage (non pas « comment utiliser l'outil » mais « comment structurer une délégation »), concevoir des interfaces qui scaffoldent la structure du brief plutôt que d'inciter au chat conversationnel, et reconnaître que l'inégalité d'accès à la valeur IA n'est pas technique — elle est rhétorique et cognitive. Les programmes d'adoption qui sautent cette étape ne déploient pas l'IA agentique : ils déploient le chat avec une interface plus complexe.