Algorithmic isomorphism and the barrier cascade: Evaluating human and organizational obstacles to artificial- intelligence adoption in workforce systems

Dans le monde du travail moderne, l'arrivée de l'intelligence artificielle est souvent traitée comme une simple mise à niveau, comme le remplacement d'un vieil ordinateur par un plus rapide. Pourtant, pour de nombreuses organisations, cette transition ressemble moins à une mise à niveau fluide qu'à un trébuchement. Le problème fondamental n'est pas que la technologie ne fonctionne pas, mais que les systèmes humains et organisationnels qui l'entourent ne savent pas comment l'utiliser. Cette tension se situe à l'intersection des sciences de la gestion et de la psychologie, des domaines qui étudient la manière dont les personnes travaillent ensemble et la façon dont les dirigeants les guident. Lorsqu'une entreprise tente d'adopter de nouveaux outils d'IA, elle est confrontée à un réseau complexe d'obstacles : les employés peuvent ressentir du stress ou de la méfiance envers les nouveaux systèmes, les managers peuvent manquer de compétences pour interpréter les données, et la culture de l'entreprise peut résister au changement. Pendant des années, les chercheurs ont listé ces problèmes un par un, en les traitant comme des problèmes distincts à résoudre individuellement. Mais une nouvelle étude suggère que ces obstacles ne sont pas isolés ; ils sont profondément connectés, formant une réaction en chaîne où certains problèmes en causent d'autres.

Une équipe de chercheurs de l'Université Medipol d'Istanbul s'est donné pour mission de cartographier cette architecture cachée. Ils ont commencé par examiner les vingt-cinq dernières années de recherche en libre accès sur la manière dont les organisations adoptent les outils numériques et l'intelligence artificielle. Ils ont rassemblé 336 articles scientifiques publiés entre 2000 et 2025, une période qui a vu l'internet mûrir, l'essor du Big Data et l'explosion récente de l'IA générative. En analysant les mots-clés et les thèmes de ces articles, ils ont identifié cinq barrières chroniques qui ont persisté à travers toutes ces ères technologiques. Ces barrières sont : un décalage entre la technologie et les talents disponibles pour l'utiliser ; une inertie structurelle et culturelle qui maintient les organisations figées dans leurs anciennes méthodes ; une résistance psychologique et éthique des employés ; une déficience dans la prise de décision analytique ; et un manque de leadership stratégique et de vision.

Au lieu de traiter ces cinq barrières comme une liste plate de plaintes sans rapport, les chercheurs voulaient comprendre comment elles s'influencent mutuellement. Pour ce faire, ils ont réuni un panel de cinq experts, chacun titulaire d'un doctorat et possédant au moins quinze années d'expérience dans des domaines allant de l'ingénierie informatique à la gestion de la santé et l'économie. Ces experts ont été invités à juger dans quelle mesure chaque barrière influence les autres. Par exemple, ils ont examiné si un manque de vision de leadership cause un décalage de compétences, ou si le stress des employés cause un manque d'outils analytiques. En utilisant une méthode conçue pour transformer ces jugements d'experts en une carte claire de cause à effet, l'équipe a calculé quels obstacles étaient les moteurs et lesquels étaient les résultats.

Les conclusions ont révélé une hiérarchie distincte, ou une cascade, de problèmes. Au sommet de cette chaîne se trouve le manque de leadership et de vision. Les experts ont jugé cela comme étant le moteur primaire, la cause racine qui met l'ensemble du système en mouvement. Lorsque les dirigeants ne parviennent pas à fournir une vision claire ou la direction stratégique nécessaire, ils autorisent par inadvertance une forme d'adoption qui semble bonne sur le papier mais qui manque de substance. Le second moteur majeur est l'inertie structurelle et culturelle. Il s'agit de la résistance ancrée dans les habitudes existantes et les structures physiques de l'organisation, ce qui maintient le décalage entre ce que l'entreprise prétend faire et ce qu'elle est réellement capable de faire.

Les trois autres barrières ont été identifiées comme les conséquences, ou les symptômes, de ces deux causes racines. Le décalage entre la technologie et les talents, le manque de prise de décision analytique et le stress psychologique ou la méfiance éthique ressentis par les employés ne sont pas des problèmes indépendants. Au contraire, ils sont les résultats prévisibles d'un système où le leadership a échoué à guider la transformation et où la structure de l'organisation ne s'est pas adaptée. L'étude a révélé que les barrières psychologiques et éthiques, telles que la peur des employés ou la méfiance envers la gestion algorithmique, sont les symptômes les plus graves, situés tout à la fin de la chaîne. Le décalage technologie-talent se situe plus près du milieu, agissant comme un point de transition entre les causes et les effets.

Cette découverte remet en question la manière courante dont les entreprises tentent de résoudre l'adoption de l'IA. Typiquement, lorsqu'une entreprise constate que ses employés résistent aux nouveaux outils ou peinent avec les données, elle réagit en proposant davantage de formations, en achetant de meilleurs logiciels ou en essayant de réduire le stress. Les chercheurs soutiennent que ces efforts sont souvent vains car ils traitent les symptômes plutôt que la maladie. Si la vision du leadership fait défaut et que la structure organisationnelle est rigide, corriger les compétences ou les outils ne fournira qu'une amélioration temporaire. Les causes sous-jacentes finiront par générer à nouveau les mêmes problèmes. L'étude suggère que le chemin le plus efficace consiste à s'attaquer d'abord aux couches génératives et structurelles : les dirigeants doivent définir une vision claire, et l'organisation doit briser son inertie pour soutenir cette vision. Ce n'est qu'alors que les problèmes en aval, tels que les lacunes de compétences, les échecs analytiques et la résistance des employés, commenceront à se résoudre d'eux-mêmes.

Les chercheurs ont également exploré un phénomène qu'ils appellent « l'isomorphisme algorithmique ». Cela décrit une situation où les organisations ressentent une pression intense pour paraître comme si elles utilisaient l'intelligence artificielle, non pas parce qu'elles la maîtrisent, mais parce que c'est la norme attendue. Comme les outils d'IA sont faciles à signaler — par des tableaux de bord, des badges ou des comptes de licences — mais que la capacité réelle à les utiliser est difficile à vérifier, les entreprises peuvent facilement créer un écart entre leur image publique et leur capacité réelle. Cela leur permet de maintenir un état d'« adoption sans capacité », où elles semblent se transformer alors que leur main-d'œuvre reste impréparée. L'étude suggère que cet écart est plus large et plus persistant à l'ère de l'IA qu'avec les tendances de gestion précédentes, car les signaux sont moins coûteux à simuler et les compétences réelles sont plus difficiles à auditer.

En fin de compte, ce travail offre une feuille de route aussi sombre que claire pour l'avenir du travail. Elle indique que les barrières les plus bruyantes et les plus visibles, telles que le stress des employés ou le manque de compétences en données, sont en réalité les endroits les moins efficaces pour concentrer les efforts d'intervention. Le véritable levier se situe en amont, chez les responsables et dans les structures qu'ils maintiennent. En déplaçant l'attention de la résolution des symptômes vers la transformation du leadership et de la culture organisationnelle, les entreprises peuvent passer d'un état passif de consommation de technologie à un état actif d'ingénierie de leurs talents. Cette approche ne promet pas de solution magique, mais elle offre un moyen de comprendre pourquoi tant de transformations échouent et comment construire un système où la technologie et les personnes peuvent véritablement travailler ensemble.