• In our last global DEX survey, 42% of respondents rated digital employee experience either very or extremely important. As the working world has taken a sudden shift to digital and remote practices, this figure is no doubt higher still.
• The huge advantage is that staff are much easier to reach than customers, enabling more insights to be uncovered in less time.
• The best place to start is to dig into the needs of frontline and customer-facing staff. These are the key staff that drive the delivery of the organisation’s product or services
• This stemmed from a significant gap in their digital employee experience: there was no useful, trusted knowledge source they could rely on.
• we identified that there were no management practices in place to identify uncertainties, craft answers and then communicate them to frontline staff.

• we see three elements that need to be put in place to deliver a great DEX:

   
   
  1. a powerful DEX vision and strategy that aligns thinking across the organisation
   
  2. clear DEX guiding principles that inform decisions and designs
   
  3. an ongoing series of DEX initiatives to make a concrete impact on how employees work
• The foundation for any meaningful strategy is a clear vision of where the organisation needs to get to. In the context of DEX, this vision must articulate in concrete terms the desired employee experience, outlining how digital tools and platforms fit together.
• It’s informed by the employee research that uncovered points of pain
• It’s shaped by overall business strategy, and the considerations of key stakeholders; this aligns the DEX strategy to the overall direction of the firm, ensuring that concrete business benefits will be delivered. It’s co-created with key players

• To help shape the holistic experience, what is needed is a set of guiding principles for digital employee experience.

   

• For example:

   
   
  • simplify our employee experiences
   
  • achieve equity of experience
   
  • lead with the experience
   
  • generate delight
• Of course, there’s an extra level of detail that sits below these simple statements, and this must be articulated in a way that is meaningful to a wide internal audience.
• To meaningfully move the dial, there will need to be an ongoing program of DEX projects and initiatives. Operating at both large and small scales, these projects should tackle specific business needs or points of pain for employees, delivering concrete outcomes in terms of functionality or experience.
• Such projects could include straightforward activities such as restructuring the knowledge base for call centre staff, or might be more ambitious, such as creating a new mobility experience that integrates multiple business systems.

• Drawing on the real-world needs of staff, a DEX vision then utilises narrative to outline a future state that is desired by all. Guided by overarching principles, an ongoing series of strategic initiatives then make their mark on the organisation, by providing employees with better services and support, and uncovering ways that the business can work better as an integrated whole.

   
• The unwritten rule behind all of this is: think big, deliver often.

15 more annotations...

• Ultimately, what has really broken me is not any of the above individually but instead the enshittification of everything, everywhere, all at once.

• en·shit·ti·fi·ca·tion (noun) ¹

  /en-ˌshit-ə-fɪ-ˈkā-shən/

  An informal word used to criticize the degradation in the quality and experience of online platforms over time, due to an increase in advertisements, costs, or features. It can also refer more generally to any state of deterioration, especially in politics or society. Similar forms include enshittify and enshittified.

• the enshittification process is as follows:

  1. First, platforms are good to their users.

  2. Then they abuse their users to make things better for their business customers.

  3. Next, they abuse those business customers to claw back all the value for themselves.

  4. Finally, they have become a giant pile of shit.

• Big Tech: You’re not making shit better. You’re making everything worse.

  Sure, the evolution from no internet to the internet was revolutionary and truly changed the world in ways we couldn’t have even imagined back in the 1990’s. But the endless pursuit of optimization over the last 30 years has made the current iteration of the internet all but unusable today.

• Artificial intelligence will make us more productive.

  Bullshit.

  Mark my words, the enshittification of AI is coming, and it’s coming fast.

  AI is undoubtedly going to increase “productivity,” i.e. help employers squeeze more blood from the few overworked employees who are left after all the massive layoffs, but don’t even try to convince me that the pursuit to streamline everything with AI is leading us anywhere other than the further enshittification of everything, everywhere at speeds we can’t even comprehend.
• AI is having the opposite effect it was supposed to, according to recent research at UC Berkeley.

• The work will expand or contract to the time we allow for it.

  As rapid advancements in AI makes us massively more “productive” at work, budgets will continue to shrink, calendars will further contract, and we’ll once again be trapped on the endless hamster wheel where today’s miracle becomes tomorrow’s expectation.
• Unfortunately, every single workflow and productivity tool that has cornered the knowledge worker market in the last five years has become deeply, unequivocally, and utterly enshittified. (Mark my words, the day is coming when you’ll have to pay a fee per Trello card).
• . Outsourcing your creativity to AI is like outsourcing weightlifting to your personal trainer. To see the results, you have to do the hard work.
• “The people selling you the apocalypse and the utopia are often the same people selling you the product.” - David William Silva
• they will enshittify hard, and this enshittification will cost us
• The more we’ve built our digital lives around this technology, the more this pending enshittification will hurt our wallets
• And if you’ve outsourced to AI the most important parts of yourself that make you uniquely human, the pending enshittification may also cost you your creative soul.

11 more annotations...

• It is easy to think of all the ways in which advice advocating for equal treatment of humans and agents is not right: Don’t expect the AI agent embedded in your marketing workflow to buy Girl Scout cookies. They aren’t going to care if you forget their birthday. They aren’t going to bet on the March Madness pool
• Even the analogy is weak, but let’s think if any aspects of it sound right.
• Where AI agents differ from a computer is that it is much simpler to get them to do the one thing you want done.
• The right way to think about AI agents in the workplace is that they make us—the employees who work with them—something like a computer programmer, with the big plus that we don’t need to know any programming skills. Here’s an example.

• The problem is that you might not get a good response at least on the first pass. That is true for virtually any tool. The difference is that with other tools, including software, if our tool wasn’t giving us what we want, we would raise our hand, call the IT department and have someone fix it. That is not what is happening with agents. For most agents, you fix it yourself.

   
• That is where employees have to deal with the agent to figure out what is wrong with the answer it has given you and how to describe it in a clear way
• We hope the employee can change the prompt to get a better answer. Over time, the quality of answers may change because the outside information changes (e.g., what counts as a “truck” now) or what we need changes. The employee has to keep monitoring the output and improving it.
• The agent has to be supervised. But the agent is like an extremely dumb employee that will not know if it is producing something good or bad, or how to make it better, unless the employee takes that task on
• So, in what sense is an AI agent like an employee? Only in the sense that its output needs to be monitored and corrected.
• We aren’t setting “goals” for the agent, but we might be for the employee using it. We aren’t doing performance appraisals on the agent, although we might be for the employee using them. We shouldn’t expect it to get better on its own. We can’t switch it to another task without a ton of work. We shouldn’t get angry at it.

• And we shouldn’t invite it to happy hour.

   

    

9 more annotations...

• He calls it "performative productivity" - that feeling at the end of a busy AI-assisted day where you've shipped a new landing page, rewrote the sales deck, drafted a content calendar, and fixed the email sequence, yet somehow can't name one thing that actually moved you forward.
• it's a problem we dealt with constantly in manufacturing, and we have a name for it.
• In lean thinking, there are seven deadly wastes - muda, in Toyota's terminology. Overproduction, waiting, unnecessary transport, over-processing, excess inventory, unnecessary motion, and defects
• AI is starting to feel like a very fast conveyor belt that doesn't ask where the belt is going.
• The classic lean metaphor is automating a broken process. If you have a defective operation and you automate it, you don't fix the process - you just produce defects and unnecessary work faster
• You've just accelerated the production of waste. The velocity of output goes up; the value doesn't.
• the Jevons Paradox. William Stanley Jevons observed in 1865 that more efficient steam engines didn't reduce coal consumption - they increased it, because efficiency made coal-powered processes cheaper, so people used more of them.
• he same dynamic is playing out with AI. Cheaper cognition means more projects, more experiments, more long-tail ideas that were previously too expensive to pursue.
• The lean antidote to overproduction isn't speed control - it's the discipline of asking "should we be making this at all?"
• downstream demand triggers upstream production
• Applied to AI-assisted knowledge work, pull might mean asking a few questions before firing up the prompt: What decision does this output support? Who actually needs it and by when? What happens if we don't do it?
• The resource dimension makes this more urgent than it might seem. AI inference is not free.
• What this really comes down to is that AI amplifies your prioritization ability - or your lack of it. If you're already good at distinguishing high-value work from low-value work, AI makes you significantly more effective.
• motion is not progress. Looking busy is not the same as adding value. AI doesn't change that distinction. It just makes the illusion easier to sustain.

12 more annotations...

• La France détient un record mondial dont elle se passerait volontiers : près de 4% de son PIB perdu à cause de la complexité administrative
• C’est un système qui s’auto-entretient, se nourrit de ses propres dysfonctionnements et résiste à toute tentative de simplification.
• une administration rationnelle fondée sur des règles écrites, une hiérarchie claire, des agents spécialisés.
• Max Weber théorise cet idéal-type : la bureaucratie repose sur l’impersonnalité des fonctions, la hiérarchie des emplois, les règles formelles appliquées de manière neutre.
• . Cette organisation promet d’éliminer l’arbitraire, de garantir l’égalité de traitement, d’assurer la prévisibilité des décisions.
• À la fin du XIXe siècle, les grandes entreprises industrielles adoptent cette structure. L’objectif est clair : contrôler le travail des ouvriers, garantir les cadences, assurer les profits.
• Sur des marchés relativement stables et homogènes, le modèle fonctionne. La bureaucratie se présente comme l’antidote au chaos, à la corruption, au favoritisme. Elle incarne la modernité organisationnelle.
• La bureaucratie ne dysfonctionne pas malgré ses principes rationnels, elle dysfonctionne à cause d’eux.
• D’abord, on multiplie les règles impersonnelles pour garantir neutralité et prévisibilité. Ensuite, ces règles générales laissent inévitablement des zones d’incertitude que les acteurs exploitent pour affirmer leur pouvoir. Enfin, l’institution répond en créant de nouvelles règles, qui génèrent à leur tour d’autres incertitudes.
• chaque incident technique ne donnait pas lieu à une résolution concrète mais à l’élaboration d’une nouvelle procédure.
• l’introduction de logiciels de gestion, censée rationaliser le travail, a provoqué une explosion des tâches administratives.

• La règle devient une fin en soi, déconnectée de toute efficacité réelle. Chaque dysfonctionnement appelle non pas une correction mais un renforcement du contrôle, une nouvelle couche de process.
• On ne s’attaque jamais au mécanisme lui-même, on ajoute des règles pour corriger les effets des règles précédentes. La bureaucratie se reproduit et s’étend par sa propre logique interne.
• On réclame des garanties, de la traçabilité, des procédures claires. Paradoxalement, on alimente le système qu’on dénonce.
• les entreprises privées, qui dénonçaient la lourdeur administrative publique, ont fini par reproduire et même dépasser le secteur public en absurdité bureaucratique.
• Des emplois entiers consistent à créer des PowerPoint, organiser des réunions de coordination, alimenter des tableaux de bord que personne ne lit vraiment.
• le temps consacré à justifier son travail excède souvent le temps de travail effectif.
• Entre 2005 et 2010, le taux d’encadrement dans certains secteurs a bondi de 7%, créant des strates de managers intermédiaires dont la principale mission est de contrôler d’autres managers.
• Les outils numériques, censés libérer du temps, ont démultiplié les occasions de contrôle
• Crozier identifie quatre traits structurels du système bureaucratique français. Les règles détaillées qui effacent les relations personnelles. La centralisation des décisions loin du terrain. Le cloisonnement des strates hiérarchiques qui communiquent peu entre elles. La forte pression de groupe au sein de chaque strate, l’esprit de corps qui renforce les frontières.
• une peur culturelle de la confrontation directe. Plutôt que de discuter d’un problème en face-à-face, on ajoute une règle qui le contourne.
• Plus de 70% des décisions importantes sont prises à des niveaux éloignés de l’opérationnel, par des gens qui ne connaissent pas les problèmes de terrain mais qui décident des règles censées les résoudre.
• Ceux qui décident sont déconnectés de la réalité quotidienne. Entre les deux, une hiérarchie de relais qui transmet, traduit, déforme. Chaque niveau protège son pré carré, sa zone d’incertitude, sa parcelle de pouvoir.
• On préfère l’autorité abstraite de la règle à l’autorité concrète d’un chef.
• Une étude menée en 2024 par des chercheurs universitaires estime que la France perd près de 4% de son PIB à cause de la complexité administrative.
• la bureaucratie génère un coût humain invisible. La démobilisation face à des systèmes illisibles. Le sentiment d’impuissance quand on sait que proposer une amélioration déclenchera six mois de comités. La résignation qui s’installe chez ceux qui ont tenté de changer les choses et se sont heurtés au mur des procédures
• La bureaucratie n’est pas une fatalité technique. Elle n’est pas le prix inévitable de la modernité ou de la taille des organisations.
• Il ne s’agit pas de dénoncer les « bureaucrates » ou de célébrer les « entrepreneurs ». Il s’agit de voir comment des acteurs rationnels, dans un système donné, produisent collectivement un résultat que personne ne souhaite individuellement.

26 more annotations...

• Kotter’s eight steps being the most recognisable – and it always points inward: you didn’t follow the steps properly.
• Linear change methodologies were designed for a world of bounded, internally-driven organisational shifts: restructuring a division, rolling out a new process, merging two cultures.
• , these methods were conceived for a world of businesses organized as pipelines, not networks of activities and capabilities
• . It is not bounded
• . It is not internally driven
• And it is emphatically not sequential
• They are silent on who governs the transformation; not who sponsors it, but who has legitimate voice in determining its directio
• They are silent on external constraints – planetary boundaries, regulatory tightening, supply chain fragility – that should be shaping what “transformation” even means.
• they are silent on the difference between adopting digital tools and reimagining what the organisation exists to do.
• What works instead is not another branded methodology. It is an approach hardened by complexity: one that treats the organisation as a collective of collectives, maps the actual landscape before prescribing movement, builds system literacy so people can see what they’re navigating.
• The permanence of transformation requires companies and organizations to develop their “change muscle” and implement specific transformation governance alongside their traditional business governance.
• Because integration matters as much as pure capability in this space.
• The question for owner-managed businesses is pointed, because you actually have the decision rights to ask it: is your transformation methodology helping you understand your situation and make choices within it?

11 more annotations...

• All those ambitions were vaporized, however, when the ship suddenly burst into flames as it attempted a landing in New Jersey. The horrific fireball was attributed to a critical flaw: the hundreds of thousands of pounds of hydrogen it was filled with were ignited by an unfortunate spark. 
• You’ve got a technology that’s very, very promising, but not as rigorously tested as you would like it to be, and the commercial pressure behind it is unbearable.”
• Perhaps AI could be responsible for a catastrophic spectacle, such as a deadly software update for self-driving cars, or a bad AI-driven decision collapsing a major company,
• Together, these can encourage a user’s negative thoughts and lead them down mental health spirals fraught with delusions and even full-blown breaks with reality. These episodes of so-called AI psychosis have resulted in stalking, suicide and murder.
• OpenAI alone admitted that ChatGPT that more than half a million people were having conversations that showed signs of psychosis every week.
• We need to understand that these are just glorified spreadsheets, they are tools and nothing more than that.”
• If AI has a place for us in the future, it should be as cold, impartial assistants — not cloying friends that pretend to have all the answers.
• “That’s not what we get. We get an overconfident AI that says: yes, here’s the answer,” he told The Guardian. “Maybe we need AIs to talk to us in the voice of the ‘Star Trek’ computer. You would never believe it was a human being.”

6 more annotations...

• Going by their customer relationship management (CRM) systems, their processes looked indistinguishable.

• they diverged in ways that materially affected revenue, risk, and speed.

   
• The first company serves regulated, mission-critical industries such as utilities, financial institutions, and public infrastructure. Over time, its sales organization has evolved a distinctive way of working.
• The second company serves digitally driven enterprises undergoing rapid transformation, competing on speed of rollout and time to value. Early momentum matters more than perfect certainty.
• In both cases, none of this behavior is captured in the CRM.
• Yet this context, ephemeral as it may be, makes up the fabric of an organization. These patterns of judgment, coordination, and trade-offs shape how work actually unfolds.
• In doing so, we have examined more than 200 distinct work patterns across more than 50 large enterprises, mostly Fortune 500 or European equivalents.
• Context is demonstrated execution: the workflows teams actually follow across systems, the signals they respond to, the order in which roles get involved, the exceptions that trigger action, and the judgment calls that repeat across real work. These patterns are visible only in execution, not in stated process.
• Strategy experts have long argued that sustainable advantage rests on resources that are valuable, rare, difficult to imitate, and non-substitutable. Organizational context meets all four criteria.
• Many companies use the same models and platforms, yet results vary dramatically. The reason is not model quality. It is context.
• AI systems are general by design. They cannot infer which signals matter, which trade-offs take precedence, or how risk and speed are balanced unless those patterns are made explicit.
• This also explains why many AI pilots fail to scale. Early experiments show promise in controlled environments, but when deployed across real workflows, impact plateaus.
• Historically, organizations embedded context by redesigning workflows and systems. Today, that same contextual knowledge can ground models and agents directly. The leverage shifts from redesigning systems to amplifying judgment.
• That distinction does not live in the CRM. It lives in the organization’s accumulated experience across many deals and roles.
• In finance, ERP systems record transactions but not the judgment behind credit decisions or capital allocation trade-offs. Across functions, systems of record capture outcomes. They rarely capture how execution unfolded.
• AI ROI is not determined by model capability alone. It is determined by how precisely intelligence is grounded in the organization’s operating context.
• To convert AI investment into measurable return, leaders must build a context layer that grounds intelligence in operational reality.

• 1. Instrument work to capture context

   

  Invest in technologies that map how work unfolds (the work graph) across systems and collaboration environments, creating a continuously updated view of decision sequences, coordination patterns, and trade-offs.

• 2. Make the context library a runtime layer for AI

   

  Every AI system should connect to the context library. That requires technology capable of inferring user intent and retrieving the precise slice of context relevant to the task.

• 3. Establish governance and trust

   

  Context engineering requires clear privacy, security, and access controls. Sensitive information must be managed or redacted.

• 4. Monitor impact and close the ROI loop

   

  Instrument outcomes alongside AI usage. Where forecasting accuracy improves, deal velocity increases, risk events decline, or cycle times compress, contextual grounding is working.
• In a model-driven enterprise, context becomes infrastructure: a continuously updated representation of how the organization works. Competitive advantage and AI ROI depend on how tightly these two layers are integrated.

20 more annotations...

• Si vous rajoutez à cela les innombrables prophéties de techno-disruptions aussi irrémédiables que subites, vous obtenez un raz-le-bol général, un rejet naturel tant le sujet est dense et omniprésent :
• Cette débauche publicitaire trahit l’empressement des éditeurs de services d’IA de nous faire adopter leurs outils en toute urgence
• . La dernière étude de Microsoft France est ainsi très révélatrice : L’usage de l’IA progresse dans les entreprises françaises, mais se heurte à un manque d’accompagnement.
• la dernière édition du Baromètre du numérique de l’Arcom qui confirme cette dissonance entre adoption et bonne utilisation : si la moitié des Français utilisent désormais l’IA (en progression de 47 % en un an), seul un quart s’en dit satisfait.
• Ceci ne signifie en rien que l’IA est inutile, mais que la majeure partie des utilisateurs n’en ont qu’un usage superficiel :
• les modèles génératifs de dernière génération nous offrent des capacités qui ne sont plus exploitées à travers des outils (que l’on utilise), mais des agents (qui agissent à notre place).
• un système de Plugins et de Skills qui semble devenir la norme et qui facilite considérablement le déploiement et l’utilisation des agents :
• l’approche agentique n’est plus une expérimentation, c’est un standard industriel en cours de déploiement.
• La situation est très préoccupante, car ce que l’on pensait arriver dans 3 à 5 ans, arrivera à coup sûr dans 3 à 5 mois, voire 3 à 5 semaines. Les cols blancs vont connaitre une révolution équivalente à ce qu’ont connu les développeurs, mais ils n’y sont pas préparés
• Mais ces changements sont invisibles pour ceux qui utilisent les versions gratuites des outils d’IA, celles qui sont fortement limitées en puissance et en fonctionnalités.
• D’énormes changements sont à venir pour des salariés qui sont bien souvent réfractaires au changement, contrairement aux populations informatiques qui sont habituées à s’adapter rapidement aux innovations technologiques (quasiment tous les ans).
• , l’adoption forcée de l’IA se fait au pas de charge : les entreprises se précipitent tels des poulets sans têtes qui courent par réflexe sans voir où ils vont
• . Une étude du MIT le confirme sans ambiguïté : l’IA générative ne diminue pas la charge de travail, elle l’augmente
• Nous retrouvons ici une parfaite illustration de l’effet rebond du paradoxe de Jevons : des outils plus efficaces engendrent plus d’usages, donc une plus grande utilisation.
• le travail serait très prochainement accaparé par des salariés séniors qui, assistés par des agents intelligents, pourraient fournir autant de travail que 3 à 4 ETP
• l’adoption de l’IA est une charge que l’on confie de façon implicite aux jeunes, en espérant qu’ils vont participer activement à l’évolution des méthodes de travail et former les plus vieux.
• : 94 % des étudiants français ont déjà utilisé l’IA, entre usage massif et dérives inquiétantes. Autant vous dire que miser sur la génération suivante pour résoudre un problème d’aujourd’hui n’est pas une stratégie, c’est un aveu d’impuissance.

• il y a une nécessité de prendre du recul et de ne pas se précipiter par peur d’être dépassé… par qui et par quoi déjà ?

      
• l’important n’est pas d’accélérer l’adoption, mais de l’améliorer : de savoir quoi faire avec l’IA, et comment bien le faire
• Voilà pourquoi il ne faut pas céder au FOMO (« Fear of missing out« , la peur de manquer) et déployer l’IA de force et en urgence. Car la précipitation n’a jamais produit que de la dette (technique, numérique, organisationnelle, humaine…). Et celle-ci, contrairement aux outils, ne se met pas à jour en un clic.

18 more annotations...

• Développer une littératie en intelligence artificielle, c’est-à-dire une compréhension minimale de son fonctionnement, de ses limites et de ses effets, permet de rester acteur des usages.

• L’IA générative : un système sociotechnique, pas une intelligence autonome

• Or, les sciences sociales nous rappellent que les technologies ne sont jamais neutres. Bruno Latour (1992) explique que les objets techniques cristallisent toujours des choix humains, des priorités, des arbitrages et des valeurs. Une fois intégrés dans la technique, ces choix deviennent moins visibles : ils finissent par apparaître comme allant de soi, alors qu’ils pourraient être discutés ou remis en question.
• L'IA générative s'inscrit ainsi dans des chaînes d'approvisionnement mondialisées, dont les coûts écologiques et humains sont largement externalisés vers les pays du Sud global. Elle est donc profondément matérielle et située.
• À cette matérialité s’ajoute une dimension souvent invisibilisée : le travail humain qui rend ces systèmes possibles
• Ces dynamiques ne produisent pas uniquement de la précarisation, mais également de nouvelles formes d’emploi : métiers hybrides, fonctions d’évaluation de modèles, modération algorithmique, annotation spécialisée ou ingénierie de prompts.
• es formes de travail échappent largement aux cadres classiques du droit du travail, de la protection sociale et de la reconnaissance institutionnelle.
• L’IA générative n’est donc ni autonome ni immatérielle : elle est soutenue par une chaîne mondiale de travail, d’infrastructures et d’organisations. Rendre cette chaîne visible est une condition centrale d’une approche responsable
• Sur le plan technique, les modèles d’IA générative fonctionnent par prédiction statistique. Ils recombinent des formes apprises à partir de vastes corpus de données, sans compréhension du sens.
• Les systèmes produisent de la vraisemblance, non du jugement.
• ces systèmes automatisés intègrent et amplifient des inégalités sociales, raciales et de genre déjà présentes dans leurs données et leurs conditions de conception.
• La question n’est plus seulement ce que l’outil permet de produire, mais si cet usage justifie les ressources mobilisées.
• choisir quand recourir à l’IA générative, pour quels besoins, et quand des solutions plus simples, humaines ou techniques, sont suffisantes

• Face à ces enjeux, la réponse ne peut être uniquement technique. Elle passe par le développement d’une littératie en intelligence artificielle.

• Nous proposons donc de distinguer trois dimensions complémentaires de la littératie IA :

  - La littératie technique : comprendre les principes de fonctionnement, les limites et les capacités des systèmes

  - La littératie critique : interroger les choix incorporés, les biais encodés et les effets sociaux et environnementaux

  - La littératie organisationnelle : savoir négocier les usages, identifier les contextes où l'IA apporte de la valeur, et construire des cadres de décision collectifs
• Le prompt devient ainsi une interaction située, dans laquelle l’humain explicite, ou non, son point de vue, ses attentes et ses contraintes.
• omprendre que le prompt est toujours situé, et que l’esprit critique passe aussi par une attention aux limites et aux biais propres à chaque système.
• la manière dont les utilisateurs interagissent avec l'IA générative détermine significativement leurs performances et leur capacité d'apprentissage
• l'IA générative peut soutenir l'autonomie cognitive, mais uniquement si elle est utilisée de manière critique et réflexive.
• la sobriété suppose surtout une interrogation collective sur la pertinence même du recours à l'IA générative
• L’IA générative continuera de se diffuser dans les organisations. La question centrale n’est donc pas de savoir s’il faut l’utiliser, mais comment en garder la maîtrise.

• identifier quand l’IA apporte de la valeur, quand elle n’en apporte pas, et sous quelles conditions.
• : au niveau individuel, développer une littératie IA et des pratiques de prompting réflexif ; au niveau collectif, construire des cadres de décision partagés et des espaces de délibération sur les usages ; au niveau institutionnel, intégrer les coûts sociaux et environnementaux dans les décisions d'adoption, et développer des métriques alternatives à la productivité brute.

21 more annotations...