OK, d’abord un peu de contexte.
Ma mère utilise Excel depuis qu’elle a commencé son emploi actuel comme commis aux comptes fournisseurs au début des années 2000. J’ai commencé à utiliser Excel dans un emploi coop en 2013. Mais ce n’est que lorsque j’habitais chez mes parents pendant la pandémie que j’ai vu à quel point nous utilisions Excel différemment.
Un jour, j’ai demandé à ma mère si elle voulait aller marcher avec notre chien. Elle m’a répondu qu’elle devait passer le reste de la journée à rapprocher des données et qu’elle n’avait pas le temps. Elle avait 2 500 lignes de factures dans un document et devait rapprocher les données entre l’export de son système interne et un document fourni par le fournisseur.
Je l’ai ensuite regardée appuyer sur « Ctrl + F » et chercher un numéro de facture entre deux feuilles. Quand les montants correspondaient, elle surlignait la ligne en vert et ajoutait le mot « matched » dans une colonne séparée. Quand ils ne correspondaient pas, elle ouvrait l’application Calculatrice sur son portable et entrait manuellement la différence dans une autre colonne.
Ça m’a ouvert les yeux, mais c’est réalistement encore la façon dont une grande partie des travailleurs du savoir utilisent les feuilles de calcul aujourd’hui. Avec quelques minutes passées à écrire une formule, cette tâche de cinq heures aurait pu être réduite à moins de 30 minutes. Peu importe à quel point cette formule aurait été « parfaite » ou « efficace »; elle aurait fait le travail, et ma mère aurait pu passer à une autre tâche, plus productive et plus stimulante mentalement.
Ce que ça veut dire pour les travailleurs du savoir aujourd’hui
C’est de cette façon que je pense à l’impact de l’IA sur notre main-d’œuvre. Il y a des tâches que nous faisons aujourd’hui et qui, dans cinq ans, nous sembleront l’équivalent de regarder ma mère chercher manuellement des enregistrements parmi 2 500 lignes.
Une des façons dont j’ai parlé de l’utilisation de l’IA au travail avec mon équipe est le concept de cas d’utilisation de « logiciel jetable » : utiliser l’IA pour construire quelque chose qui n’a pas besoin d’être évolutif ni conçu selon les standards de sécurité d’une application d’entreprise. C’est plutôt un outil créé pour un cas d’usage très précis, hébergé localement sur un portable, et qu’on peut améliorer par itérations de 15 minutes pour sauver des heures, voire des jours de travail.
Un exemple est arrivé récemment : nous devions consulter le suivi Azure DevOps d’un client, passer en revue près d’un millier de billets et de scripts de test, ainsi que des heures d’enregistrements d’ateliers. Normalement, ce travail aurait nécessité qu’un membre de l’équipe y soit affecté à temps plein pendant une semaine entière. Quand j’entends des choses comme « X heures de travail manuel », mes oreilles se dressent immédiatement. Ma première pensée n’a pas été : « comment peut-on dire au client que ce n’est pas possible? » C’était plutôt : « comment puis-je utiliser l’IA pour régler ça? »
Habituellement, mes premiers réflexes avec l’IA sont NotebookLM ou Gemini. Cependant, compte tenu de la taille et de la portée du livrable, j’ai réalisé qu’il me fallait créer une application personnalisée pour mon cas d’usage exact. J’ai ouvert Cursor (je ne l’ai jamais vraiment fermé) et j’ai commencé à rédiger une invite à partir de la demande directe du client. L’application était une simple page Web que je pouvais ouvrir depuis mon bureau, sans hébergement ni authentification. Elle permettait de téléverser l’export Azure DevOps en CSV, ainsi qu’un fichier ZIP contenant des centaines de feuilles de calcul, de documents Word et de vidéos. J’ai aussi demandé à Cursor d’installer un modèle Gemini localement afin d’utiliser les capacités de l’IA pour traiter les fichiers analysés et générer la sortie dans le format précis demandé par le projet. L’application prenait ensuite les détails mis à jour par Gemini et les exportait dans un format de feuille de calcul.
Tout ce processus a pris 15 minutes du début à la fin. Ajoutez 45 minutes pour que l’analyste d’affaires de l’équipe vérifie ponctuellement cinq (5) éléments pour confirmer l’exactitude, et une tâche qui devait prendre 40 heures a été réalisée en une seule.
La partie la plus difficile de la transition vers l’IA n’est pas d’apprendre à rédiger des invites; c’est de reconnaître nos propres angles morts. Ma mère ne savait pas qu’elle travaillait de façon inefficace. Elle avait plutôt l’impression de simplement travailler fort.
Nous sommes tous actuellement aveugles à nos propres équivalents modernes du rapprochement manuel de lignes.
Le défi que j’ai lancé à tous les membres de mon équipe est de « trouver leurs 2 500 lignes ». Autrement dit, trouvez la tâche répétitive et manuelle qui gruge votre après-midi, et au lieu de simplement pousser au travers, prenez 15 minutes pour demander à un outil d’IA de vous construire une solution jetable. Elle n’a pas besoin d’être jolie. Elle n’a pas besoin d’être évolutive. Elle doit simplement fonctionner une fois.
Parce qu’au bout du compte, l’efficacité ne consiste pas seulement à faire plus de travail. Elle consiste à faire le travail pour pouvoir prendre une pause, s’éloigner de l’écran et aller marcher avec son chien.
