3 - LÉvolution Des Compétences Managériales Face À Lessor de Lintelligence Artificielle

L’Évolution des Compétences Managériales face à l’essor
de l’Intelligence Artificielle : Une approche par les

Méthodes Mixtes
Laurent Giraud, Selena Hernandez, David Autissier, Adam McGonigal
Dans Management & Avenir 2021/2 (N° 122), pages 143 à 169
Éditions Management Prospective Editions
ISSN 1768-5958
DOI 10.3917/mav.122.0143
© Management Prospective Editions | Téléchargé le 03/10/2023 sur www.cairn.info via Université du Québec à Chicoutimi (IP: 132.212.11.81)
Article disponible en ligne à l’adresse

https://www.cairn.info/revue-management-et-avenir-2021-2-page-143.htm
Découvrir le sommaire de ce numéro, suivre la revue par email, s’abonner...

Flashez ce QR Code pour accéder à la page de ce numéro sur Cairn.info.
Distribution électronique Cairn.info pour Management Prospective Editions.

La reproduction ou représentation de cet article, notamment par photocopie, n'est autorisée que dans les limites des conditions générales d'utilisation du site ou, le
cas échéant, des conditions générales de la licence souscrite par votre établissement. Toute autre reproduction ou représentation, en tout ou partie, sous quelque
forme et de quelque manière que ce soit, est interdite sauf accord préalable et écrit de l'éditeur, en dehors des cas prévus par la législation en vigueur en France. Il est
précisé que son stockage dans une base de données est également interdit.
L’Évolution des Compétences Managériales
face à l’essor de l’Intelligence Artificielle :
Une approche par les Méthodes Mixtes1
Laurent GIRAUD2
Selena HERNANDEZ3
David AUTISSIER4
Adam MCGONIGAL5
Résumé
Notre article examine l’impact de l’IA sur les compétences
managériales. Nos données ont été récoltées auprès d’experts
de l’IA via une étude qualitative (Étude 1 – 40 répondants)
confirmée par une étude quantitative (Étude 2 – 103 autres
répondants). Nos résultats mettent en lumière les compétences
managériales vouées à être remplacées ou augmentées ainsi
que les compétences techniques et non-techniques dont les
managers ont besoin pour collaborer avec l’IA.
1. Les auteurs remercient Ali Zaher (Doctorant à l’iaelyon – Université Jean Moulin Lyon 3
– Centre de Recherche Magellan) pour sa participation à la collecte de données lors de son
Master of Science à Toulouse School of Management (TSM Research – UMR CNRS 5303).
2. Laurent GIR AUD : Maître de Conférences HDR, Toulouse School of Management
– Université Toulouse 1 Capitole, TSM Research (UMR CNRS 5303), Chercheur associé –
Chaire ESSEC du Changement – laurent.giraud@tsm-education.fr
3. Selena HER NANDEZ : Assistante de Recherche, Toulouse Business School –
selena.hernandez-tienda@tsm-education.fr
4. David AUTISSIER : Maître de conférences HDR, IAE Gustave Eiffel – Université Pa-
ris Est Créteil, Directeur des Chaires ESSEC du changement & IMEO – autissier@u-pec.fr
5. Adam MCGONIGAL : Head of Strategy, Digital and Outreach, Leadership Univer-
sity, Airbus – adam.mcgonigal@airbus.com
143
N°122 - Avril 2021
Abstract
Our article examines the impact of AI on managerial skills.
Our data was collected from AI experts via a qualitative study
(Study 1 – 40 respondents) confirmed by a quantitative study
(Study 2 – 103 other respondents). Our results highlight the
managerial skills that need to be replaced or augmented as
well as the technical and non-technical skills which managers
need in order to work with AI.
Introduction
L’Intelligence Artificielle (IA) est une science informatique qui vise à effectuer
des tâches imitant l’intelligence et les comportements humains ou animaux
(Fiske & Kazdin, 2000). Malgré les risques déontologiques associés (Helbing,
2019), l’IA a été identifiée comme une opportunité pour de nombreuses entre-
prises (Scarcello, 2019) qui peuvent optimiser l’utilisation de leurs données
grâce à elle (Babinet, 2018 ; Lauterbach & Bonime-Blanc, 2018).
Entraîner l’IA aux « soft skills » est, tout comme pour les humains (Botke et al.,
2018), ce qu’il y a de plus problématique quand il s’agit notamment du domaine
de l’intelligence émotionnelle (Mattingly & Kraiger, 2019). Toutefois, « il est tout
à fait plausible qu’elle puisse également prendre en charge bon nombre de nos
capacités telles que l’intuition, l’empathie et la créativité » (OCDE, 2019, p. 31).
Cela dit, anticiper « la vitesse à laquelle ce changement se produira » (Carlos
et al., 2018, p. 497) se révèle délicat. Les compétences de l’IA se développent
rapidement (Lu et al., 2018), comme l’indique l’augmentation annuelle des
brevets liés à l’IA, qui s’élève à 11 % entre 1991 et 2015 (OCDE, 2017).
Cette tendance continue et exponentielle suggère en tout cas que l’IA pourrait
être un jour capable d’imiter les compétences managériales et serait alors
en mesure de planifier, d’organiser, de diriger et de contrôler les activités
de l’entreprise (Fayol, 1916 ; Robbins & Coulter, 2012), du moins en partie.
Théoriquement, l’IA pourrait remplacer, au moins en partie, certaines compé-
tences managériales (Frey & Osborne, 2017 ; Huang & Rust, 2018). En parallèle,
l’essor de l’IA au sein des organisations requiert des managers qu’ils déve-
loppent de nouvelles compétences afin de garantir sa mise en œuvre efficace.
Si les compétences liées à l’IA sont celles qui connaissent la croissance la plus
rapide (Perisic, 2018), la formation dans ce domaine est encore insuffisante.
On observe un déficit critique en personnel technique et managers avec les
compétences permettant d’utiliser l’IA, que ce soit aux États-Unis (Marr, 2018 ;
Saphir, 2018) ou en France (Goya, 2018 ; OPIIEC, 2019 ; Quignon, 2018). Les
taxonomies des compétences managériales (cf. Gentry et al., 2008) doivent
donc être mises à jour car le succès de la mise en œuvre de l’IA semble surtout
144
L’Évolution des Compétences Managériales face à l’essor de
l’Intelligence Artificielle...
dépendre des interactions homme-IA (Khosrow-Pour, 2018 ; Nassiri-Mofakham,

2017).
Dans la mesure où « il est nécessaire de travailler davantage à la mise en pers-

pective des progrès de l’IA par rapport aux métiers et aux compétences » (Felten
et al., 2018, p. 4), nous répondons à l’appel académique lancé en faveur d’une
exploration plus approfondie de l’IA en relation avec les compétences managé-
riales et l’intelligence collective (Dejoux et al., 2019). En effet, l’essor de l’IA est
susceptible d’avoir de fortes implications pour les managers dans la mesure où
la conception du travail est appelée à subir des transformations majeures en
matière de compétences requises et d’ingénierie organisationnelle (Budhwar
et Malik, 2019). Nous proposons ainsi d’investiguer les compétences mana-
gériales vouées à être remplacées ou augmentées ainsi que les compétences
dont les managers ont besoin pour collaborer avec l’IA.
Nous passerons d’abord en revue la littérature relative aux compétences ma-

nagériales en lien avec l’IA. Ensuite, nous détaillerons la méthodologie et les
résultats de notre étude empirique. Enfin, nous discuterons nos résultats avant
de conclure.
1. Revue de littérature
1.1. Compétences managériales

À propos des rôles managériaux, Fayol (1916) évoque la planification, l’orga-
nisation, le commandement, la coordination et le contrôle. Quant à Mintzberg
(1973), il liste des compétences interpersonnelles, informationnelles et déci-
sionnelles. Plus tard, Katz (1974) proposera trois compétences managériales
essentielles : technique, humaine et conceptuelle.
Gentry et al. (2008) ont constaté que les compétences managériales des an-
nées 80 restent pertinentes dans le milieu professionnel des années 2000.
En revanche, la complexité et le niveau d’importance de chaque compétence
pourraient progresser au fil du temps en fonction du contexte. Puisque le
monde connaît une nouvelle révolution industrielle née de l’IA, les compé-
tences managériales devraient évoluer : l’IA serait susceptible de remplacer
certaines de ces compétences (Huang et Rust, 2018) et d’en augmenter d’autres
(Lichtenthaler, 2018).
1.2. Intelligence Artificielle

Si l’IA comprend l’apprentissage automatique, la robotique, la vision par or-
dinateur, le raisonnement automatisé, la perception de la machine et la re-
présentation des connaissances (Marsh, 2013 ; Mehta & Devarakonda, 2018 ;
Tractica, 2017), Rhines (1985, p. 50) recommanderait plutôt « de considérer l’IA
comme la « branche » de l’informatique… [dans la mesure où] il serait judicieux,
145
N°122 - Avril 2021
à ce stade, de ne pas la définir, car la définir, c’est en limiter les possibilités ».

Certains universitaires écrivent que l’IA d’un niveau similaire à l’intelligence
humaine sera développée d’ici 2050 (Müller & Bostrom, 2016) ou 2060 (Grace
et al., 2018). Pour d’autres, « il est probable (75 %) que la Super-intelligence
soit développée dans les 30 ans » (Bostrom et al., 2018). Compte tenu de l’aug-
mentation exponentielle des recherches publiques et privées sur l’IA (OCDE,
2017, 2019), une recherche mise à jour sur les relations entre compétences
managériales et IA semble nécessaire.
1.3. Compétences managériales et IA
L’essor de l’IA modifie la nature du travail et de la collaboration (Budhwar &
Malik, 2019 ; Dejoux et al., 2019), provoquant une évolution des compétences
managériales nécessaires.
1.3.1. Remplacement potentiel des compétences managériales

par l’IA
Dans la mesure où elle peut gérer des tâches cognitives simples et répétitives
(Decker et al., 2017), l’IA pourrait bientôt prendre en charge la plupart des
tâches administratives (Kolbjørnsrud et al., 2016), la gestion des e-mails ou
des ressources, le suivi, le reporting, la lecture des rapports ou l’extraction
des données (Dejoux & Léon, 2018). À court terme, l’IA pourrait soutenir les
humains dans les tâches répétitives et « leur offrir la possibilité de se concen-
trer davantage sur les tâches au cœur de leurs compétences » (Hagemann et
al., 2019).
Les humains semblent toutefois conserver leur supériorité sur les tâches com-
plexes et non-standardisées (Lichtenthaler, 2018). En ce qui concerne l’intel-
ligence adaptative générale, l’IA n’est pas encore en mesure de concurrencer
l’humain car elle est « généralement limitée à un seul cadre ou un seul type de
problème » (Lu et al., 2018). La créativité, l’empathie, le jugement, la narra-
tion, les discours de motivation (Plastino & Purdy, 2018 ; Wilson et al., 2017)
et l’imagination (Rometty, 2016) ne sont pas encore reproductibles via l’IA.
1.3.2. Compétences managériales pour s’adapter à l’essor de l’IA

Si l’IA est en capacité de produire de nombreuses prédictions à faible coût, il
revient sans doute aux managers de décider de quelle manière ces prédictions
peuvent être mises en œuvre. L’IA semble jusqu’ici incapable de faire preuve
d’un niveau avancé de jugement éthique, d’intelligence émotionnelle, de goût
artistique ou de définir les tâches de façon appropriée (Agrawal et al., 2017).
Cette capacité de jugement s’appuie par exemple sur la connaissance de l’his-
toire de l’organisation (Kolbjørnsrud et al., 2016), une dimension que l’IA ne
prend généralement pas en considération et qui doit être vérifiée par les hu-
mains. Pour Dejoux et Léon (2018), l’IA amènerait un manager augmenté doté
146
de cinq compétences principales : compétences numériques, agilité, réflexion

architecturale, collaboration et maîtrise de l’IA.
La littérature suggère enfin que les managers jouent un rôle-clef qui néces-
site d’acquérir de nouvelles compétences afin d’identifier le bien-fondé de l’IA
(Fiore et al., 2018), d’étudier son utilité opérationnelle (Henke et al., 2018)
et d’évaluer le résultat parfois trompeur de son application (Schrage, 2018).
Certains chercheurs suggèrent même que les futurs managers pourraient avoir
besoin de conseils concernant l’intelligence collective : l’IA redéfinit en effet la
façon dont les gens travaillent et collaborent (Budhwar & Malik, 2019 ; Dejoux
et al., 2019).
2. Méthodes mixtes de l’étude empirique
Notre première collecte de données a consisté en des entretiens exploratoires

et semi-structurés (Étude 1). Ces premiers résultats ont ensuite été testés à
l’aide de questionnaires quantitatifs administrés auprès de 103 experts en IA
supplémentaires (Étude 2), comme l’ont fait d’autres chercheurs sur des sujets
connexes (Grace et al., 2018 ; Müller & Bostrom, 2016).
Combiner les données quantitatives des questionnaires avec les éléments qua-
litatifs obtenus lors des entretiens (Eisenhardt & Bourgeois, 1988) garantit une
compréhension plus holistique du phénomène étudié (Baxter & Jack, 2008).
Les méthodes mixtes permettent en effet « une meilleure compréhension des
problèmes de recherche » (Molina-Azorin, 2012, p. 33) et sont jugées néces-
saires dans la recherche organisationnelle (Molina-Azorin et al., 2014 ; Wright
& Sweeney, 2016). C’est pourquoi elles rencontrent une popularité croissante
(Heyvaert et al., 2013 ; Munce & Archibald, 2017).
2.1. Justification de la collecte des données qualitatives

(Étude 1)
2.1.1. Collecte de données

Les entretiens semi-structurés sont les plus courants en recherche qualitative
et s’appuient généralement sur un guide d’entretien (Bryman & Bell, 2016).
Le recours aux répondants est par ailleurs courant lorsqu’il s’agit d’explorer
un sujet (Alvesson & Ashcraft, 2012).
Pour accroître la crédibilité de l’Étude 1, les participants ont pu valider leurs

réponses : une synthèse des résultats leur a été transmise afin qu’ils puissent
corroborer l’interprétation des entretiens (Bryman & Bell, 2016). Afin de garan-
tir la fiabilité de l’Étude 1, nous avons conservé les enregistrements de toutes
les phases du processus de recherche, y compris la sélection des participants,
les notes prises sur le terrain, les transcriptions des entretiens, l’analyse des
147
N°122 - Avril 2021
données et autres, pour procéder à toute vérification ou justification nécessaire,

le cas échéant (Bryman & Bell, 2016).
2.1.2. Échantillon de l’Étude 1

Notre échantillonnage a été réalisé auprès de plusieurs niveaux hiérarchiques,
secteurs et pays ; et devrait permettre d’accroître la transférabilité et la fiabilité
de l’étude (Guba & Lincoln, 1994). Pour l’Étude 1, 40 participants issus de 30
institutions et de 7 secteurs différents ont été interviewés.
2.1.3. Analyse des données qualitatives
L’analyse des données qualitatives a été effectuée à l’aide du logiciel NVivo 12,
une référence dans la recherche en Sciences de Gestion (Bryman & Bell, 2015).
Celui-ci permet de réaliser une analyse thématique de contenu sur une retrans-
cription complète d’entretiens, ce que recommande Roulston (2014, p. 301).
Cette méthode d’analyse est la plus courante dans le domaine de la GRH (Point
& Retour, 2009) et la plus adaptée à ce type de données (Thiétart, 2014).
L’interprétation et l’analyse des données ont été faites de façon parallèle par
chacun des chercheurs et leurs résultats confrontés dans un second temps afin
d’accroître la fiabilité interne de l’étude (Bryman & Bell, 2016).
2.2. Test quantitatif des données qualitatives (Étude 2)
2.2.1. Collecte de données

L’Étude 2 a consisté, en avril 2020, à l’administration en ligne de question-
naires afin de tester les résultats obtenus grâce à l’Étude 1 (Sekaran, 2003).
Nous avons demandé à 103 experts supplémentaires de classer chaque compé-
tence managériale selon qu’elle est susceptible d’être remplacée, augmentée ou
non-affectée par l’IA. Par ailleurs, nous leur avons soumis les propositions de
compétences managériales supposées nécessaires pour optimiser l’utilisation
de l’IA, telles qu’identifiées dans l’Étude 1. Les répondants devaient évaluer
ces propositions et également indiquer le degré de priorité que chaque com-
pétence représente pour grantir le succès de l’IA. À chaque fois, les réponses
étaient renseignées sur une échelle de Likert (1932) allant de 1 à 5. Par souci
de synthèse, les résultats qualitatifs et quantitatifs sont présentés dans une
même Figure 1 à la fin de la partie Résultats (3.).
2.2.2. Échantillon de l’Étude 2

Ci-après, le Tableau 1 détaille la nature de l’échantillon mobilisé pour l’Étude 2.
La difficile mobilisation des experts de l’IA identifiés en ligne pendant la période
de confinement liée au Covid-19 a provoqué un taux de réponse très modeste
de 7 %. Cela dit, nos données reflètent un échantillon d’experts satisfaisant
permettant de répondre à nos questions de recherche.
148
Tableau 1 – Profil des répondants pour l’Étude 2

2.2.3. Analyse des données quantitatives
Le logiciel SPSS 26 est le plus courant pour l’analyse de données quantitatives
(Bryman & Bell, 2016). Il nous a été utile pour confirmer les résultats de l’Étude 1
à l’aide de statistiques descriptives. Notre questionnaire s’est concentré sur
les trois principes-clefs d’un questionnaire destiné à de simples analyses des-
criptives : clarté, simplicité et concision.
Validité
La validité concerne la pertinence de ce qui est mesuré (Burns & Burns, 2008).
Le questionnaire de l’Étude 2 comprend onze compétences dans la première
partie et six compétences dans la deuxième partie (correspond aux résultats
de l’Étude 1, respectivement encadré de gauche et encadré de droite de la
Figure 1). La corrélation entre ces compétences reste modérée (r = 0,01 à 0,58
pour la première partie ; r = 0,21 à 0,51 pour la deuxième partie). En résumé,
on peut remarquer que ces compétences initialement proposées par Gentry
et al. (2008) ne sont pas complètement indépendantes même si elles ont fait
sens auprès des répondants et permis d’obtenir des résultats satisfaisants.
Fiabilité
La fiabilité est le deuxième élément qui détermine la qualité de la recherche

quantitative (Burns & Burns, 2008 ; Muijs, 2004). Elle a été vérifiée à l’aide de
l’alpha de Cronbach pour la probabilité du scénario proposé au répondant (com-
pétence managériale augmentée, remplacée ou non-affectée) et la priorisation
des compétences managériales qui devraient être enseignées pour optimiser
la mise en œuvre de l’IA. Nos résultats montrent une fiabilité acceptable sur
ces deux dimensions (respectivement 0,805 et 0,897).
149
N°122 - Avril 2021
Enfin, il convient d’ajouter que la stabilité améliore également la fiabilité de

nos résultats. La stabilité est présente lorsque les répondants ont les mêmes
conditions lorsqu’ils répondent à notre enquête. Les données ayant été collec-
tées en ligne au mois d’avril 2020 lorsque le monde entier était en confinement
suite à la crise sanitaire du Covid-19, nous pouvons considérer que la stabilité
a été garantie.
3. Résultats
Nous présentons ici nos résultats concernant (3.1.) la manière dont l’IA est
susceptible d’affecter les compétences managériales et (3.2.) les compétences
qui devraient être développées pour s’adapter à la présence toujours plus
forte de l’IA au sein des organisations. Enfin, nous formulons une synthèse
des résultats prenant en compte la confirmation quantitative (Étude 2) des
premiers résultats exploratoires qualitatifs (Étude 1) (3.3.).
Nous structurons les résultats obtenus en fonction des différents types de

compétences managériales ; celles vouées à être remplacées par l’IA (3.1.1.),
augmentées par elle (3.1.2.) ou inchangées (3.1.3.), sur la base des réponses
apportées par les personnes interrogées. Il s’agit des termes employés dans
la littérature pour qualifier l’impact de l’IA sur les compétences.
3.1. Compétences managériales et IA
3.1.1. Compétences managériales vouées à être remplacées par l’IA

• Obtention des informations
Les répondants suggèrent que, face au volume toujours plus important d’in-
formations, les managers pourraient éprouver des difficultés à rechercher,
rassembler et calculer les données dont ils ont besoin. Sa puissance et ses
méthodes de calcul donnent à l’IA un avantage sur les managers en ce qui
concerne ce type de compétences.
« Un homme seul ne peut pas analyser des téraoctets de données, contrairement

à l’IA. » (n°4).
• Actions et prises de décision simples
Nos répondants suggèrent que les processus visant à prendre des décisions
ou effectuer des tâches simples pourraient être pris en charge par l’IA, ce qui
permettrait aux managers de se recentrer sur leur cœur de métier.
« Je pense que dans le futur, les tâches longues, répétitives et automatisables

seront exécutées par l’IA. » (n°10).
150
• Compétences administratives
Nos données indiquent que les tâches administratives simples sont vouées à
être remplacées par l’IA.
« Les formalités administratives peuvent être prises en charge par l’IA, ce qui, je
pense, représente un avantage pour le salarié. » (n° 30).
3.1.2. Compétences managériales susceptibles d’être augmentées par

l’IA
• Actions et prises de décision complexes
Nos répondants soulignent que l’IA peut détecter certains problèmes plus ra-
pidement, analyser les informations recueillies, prédire l’avenir en fonction
du passé, et éventuellement proposer des solutions et des actions à mettre
en œuvre.
« Ainsi, le manager peut consacrer plus de temps à prendre la décision finale

basée sur les preuves apportées par une IA performante. » (n° 37).
• Innovation
Selon nos données, l’IA pourrait aider à découvrir un spectre d’analyse ou des
éléments alternatifs qui n’avaient pas été envisagés ni imaginés auparavant.
« Il y a des domaines spécifiques où l’IA peut nous aider à imaginer de nouvelles

idées et nous faire découvrir de nouvelles façons de résoudre nos problèmes. »
(n° 19).
• Maîtrise du métier et du poste
Selon nos données, l’IA peut également aider les managers et les membres de
leurs équipes à accroître leurs connaissances concernant leur travail et leur
entreprise.
« Je peux donc disposer d’un mécanisme de détection basé sur l’IA […] pour aider
le manager à accumuler davantage de connaissances ciblées liées à son périmètre
professionnel. » (n° 12).
• Sélection des collaborateurs
Selon nos données, l’IA peut aider les managers à mener à bien un processus
de sélection, en identifiant les candidats les plus appropriés à partir de grandes
bases de données.
« Grâce à un système d’algorithme et de comparaison, [l’IA] vous indiquera le

degré de compatibilité entre le profil du candidat et la mission. » (n° 21).
151
N°122 - Avril 2021
• Gestion du temps
Nos répondants soulignent que l’IA peut aider les managers à organiser leurs
calendriers, à avoir la vision de la durée nécessaire pour accomplir certaines
tâches et à optimiser leur temps de travail.
« L’IA peut hiérarchiser mon travail en fonction des objectifs […] » (n° 12).
• Gestion de la pression
Nos répondants suggèrent que l’IA peut fournir aux managers des informations
susceptibles de leur être utiles pour gérer la pression.
« L’IA est une bonne chose, car, parfois, en tant qu’être humain, lorsque vous êtes
sous pression, vous ne voyez pas beaucoup d’options ou vous ne parvenez pas à
réfléchir correctement, mais [l’IA] vous propose des options. » (n° 37).
• Communication
Nos données indiquent que l’IA peut améliorer la communication, mais le doute
demeure quant à sa capacité à communiquer efficacement sans intervention
humaine.
Relations
Nos répondants soulignent que l’IA pourrait éventuellement fournir des infor-
mations de base pour améliorer les compétences en communication.
« Le manager pourra, selon moi, indiquer un sujet ou autre chose et l’IA pourrait
générer une structure, un texte, un discours. » (n° 37).
Traduction
Si nos répondants continuent à avoir des doutes quant à la capacité de l’IA à

traduire des échanges oraux, ils pensent qu’elle s’est considérablement améliorée
en ce qui concerne la traduction écrite (même si des progrès restent à faire).
« [L’IA peut] traduire correctement un texte d’une langue à une autre […] et
favoriser la communication entre les équipes. » (n° 4).
3.1.3. Compétences managériales probablement pas remplacées par

l’IA
• Imagination
Nos répondants s’accordent sur le fait que l’IA n’est pas encore en mesure de
faire preuve d’invention ou d’imagination, ou de sortir du cadre quand il s’agit
de concepts complexes.
« [L’IA] fera ce que nous lui dirons de faire, elle n’inventera rien. » (n° 24).
152
• Leadership
Nos répondants suggèrent que diriger et influencer sont des caractéristiques

propres aux êtres humains qui sont peu susceptibles d’être affectées par l’IA.
« […] Je ne pense pas que l’IA aura une influence directe sur votre leadership. »
(n° 26).
3.2. Compétences managériales à développer pour optimiser

l’utilisation de l’IA
Les participants ont identifié plusieurs compétences managériales devant être

développées afin d’optimiser la mise en œuvre de l’IA. Ces compétences sont
réparties en deux catégories : les compétences techniques (3.2.1.) et les com-
pétences non-techniques (3.2.2.).
3.2.1. Compétences managériales techniques pour collaborer avec

l’IA
• Connaissances de base en IA
Comme le note le répondant n° 18, « les data scientists passent leur temps à
éduquer les managers et n’ont plus assez de temps pour faire leur travail ». Nos
répondants s’accordent d’abord à dire que les managers doivent acquérir avant
tout la maîtrise des bases de l’IA : ses mécanismes, son potentiel et ses limites
afin que les experts en IA puissent se concentrer sur les éléments-clefs qui
constituent leur valeur ajoutée.
« Il est probablement nécessaire de comprendre à partir de quelles données l’IA

a été entraînée, quels biais ont été introduits et quels sont les risques. » (n° 5).
• Définition des besoins et de l’utilité opérationnelle
Une fois les connaissances de base en IA acquises, les managers peuvent avoir
besoin d’identifier les cas dans lesquels l’IA pourrait générer une valeur ajoutée.
« Savoir comment nous pouvons utiliser l’IA afin de répondre à nos besoins […]
et identifier les métiers dans lesquelles nous pouvons l’utiliser. » (n° 22).
• Jugement et éthique
Les personnes interrogées soulignent l’importance du jugement et de l’éthique

dans le cadre de l’utilisation de l’IA. Le jugement humain semble primordial
pour assurer une mise en œuvre pertinente de l’IA, ou lorsqu’interviennent
des problèmes éthiques et dans le cas d’utilisations sensibles de l’IA.
« Nous ne pouvons pas faire confiance à cet outil à 100 %. » (n° 6).
153
N°122 - Avril 2021
3.2.2. Compétences managériales non-techniques pour optimiser

l’utilisation de l’IA
• Prise de risque
Outre les compétences techniques, les managers doivent posséder des com-
pétences pour accompagner le changement et l’accepter afin d’adopter et de
maximiser l’utilisation de l’IA. Les managers doivent être prêts à prendre des
risques, dans la mesure où l’IA, sous toutes ses formes de développement, peut
commettre des erreurs ou peut échouer à produire des résultats.
« [Les managers doivent] prendre plus de risques et en apprendre davantage sur
la technologie. » (n° 36).
• Ouverture d’esprit
Nos données suggèrent que la souplesse et l’ouverture d’esprit semblent égale-

ment nécessaires pour accepter le fait que l’IA puisse augmenter les managers.
« Si vous voulez en faire un bon usage, vous devez […] développer votre souplesse,
votre ouverture d’esprit. » (n° 21).
• Gestion des changements organisationnels
Les répondants soulignent la nécessité de gérer les bases de la gestion du chan-

gement organisationnel afin que l’IA soit correctement implémentée et utilisée.
« Nous devons mettre en place les éléments de la gestion du changement. » (n° 2).
• Compétences en communication et collaboration
Nos répondants insistent sur l’importance d’une collaboration entre les ma-
nagers et les techniciens de l’IA par le biais d’un processus de communication
bidirectionnelle solide.
« Il doit exister un lien solide entre le salarié qui connaît l’entreprise et celui
capable d’appliquer cette technique. » (n° 4).
3.3. Synthèse des résultats (Études 1 et 2)

Ci-après, la Figure 1 présente un résumé de l’ensemble de nos résultats (qua-
litatifs et quantitatifs). Le classement des compétences dans chaque encadré
correspond aux résultats de l’Étude 1 (données qualitatives). Ensuite, l’Étude 2 a
eu pour objectif de tester ce classement à travers des données quantitatives. Ces
données apparaissent à gauche et à droite de chaque compétence managériale.
Le premier encadré présente la manière dont les compétences managériales

seront impactées par l’arrivée de l’IA, selon nos répondants. Ainsi, certaines
compétences seront probablement augmentées, remplacées ou pas du tout
affectées par l’IA.
154
Figure 1 – Synthèse des résultats (%N = Proportion des

répondants ayant confirmé la classification de la compétence
managériale, X̅̅ = Moyennes des scores de probabilité et de
priorité telles que reportées par les répondants)
155
N°122 - Avril 2021
Dans ce premier encadré, nous indiquons dans la colonne de gauche %N la

proportion des répondants ayant indiqué que chaque compétence managériale
appartenait bien à chaque catégorie. Les scores en-dessous de 50 % n’ont pas
été retenus pour l’analyse et ne sont pas affichés. Enfin, la colonne de droite
Probabilité X̅̅ indique la moyenne des scores de probabilité tels que reportés
par les répondants sur une échelle de Likert (1932) allant de 1 à 5. Ce niveau
de probabilité de scénario sert au classement des compétences dans chacune
des cases du premier encadré. En guise d’illustration, il s’agit de lire la pre-
mière ligne en haut à gauche ainsi : « 76 % des répondants ont confirmé que la
communication serait une compétence managériale probablement augmentée
par l’IA et ce, avec une probabilité de 4,3/5 ».
Le deuxième encadré présente enfin les compétences managériales qui semblent

nécessaires pour optimiser l’utilisation de l’IA. Ces compétences sont à la fois
techniques et non-techniques. Là encore, la colonne de gauche %N indique la
proportion de répondants ayant confirmé que chaque compétence managériale
appartenait bien à chaque catégorie. À droite, la colonne Priorité X̅̅ rapporte le
degré de priorité de chaque compétence pour optimiser l’utilisation de l’IA telle
que mesurée sur une échelle de Likert allant de 1 à 5. Ce niveau de priorité sert
au classement des compétences dans chacune des cases du deuxième encadré.
4. Discussion
4.1. Un réagencement des compétences managériales pour

collaborer avec l’IA
4.1.1. Quelques compétences managériales vouées à être remplacées

par l’IA
Nos données mettent d’abord en évidence les quelques compétences mana-
gériales vouées à être remplacées par l’IA : Collecte d’information et Prises
de décision managériales simples. Nos données confirment globalement que
les tâches managériales simples telles que les tâches répétitives, régulières
et de routine devraient être remplacées ou dupliquées par l’IA (Decker et al.,
2017 ; Kolbjørnsrud et al., 2016). Nos résultats suggèrent parallèlement que
peu de tâches managériales sont simples et donc susceptibles d’être entière-
ment remplacées par l’IA. Même si la plupart des répondants considèrent la
collecte d’informations comme une activité qui peut être remplacée par l’IA, un
chercheur (n°14) a exprimé des réserves en faisant valoir que la technologie
n’est peut-être pas prête à produire des informations précises.
4.1.2. De nombreuses compétences managériales susceptibles d’être

augmentées par l’IA
Nos données montrent que de nombreuses compétences managériales sont
susceptibles d’être augmentées par l’IA : Actions et prises de décision complexes,
156
Innovation, Maîtrise du métier/du poste, Sélection des collaborateurs, Gestion du

temps, Gestion de la pression, Communication. Nos résultats confirment que l’IA
devient un levier significatif pour améliorer les performances dans le domaine
de la production et des processus décisionnels (Davenport & Ronanki, 2018).
Une réingénierie du métier de manager (Papacharissi, 2018) et de l’organisa-
tion du travail (Budhwar & Malik, 2019) semble alors incontournable afin de
garantir la pertinence des managers « augmentés » au succès de l’organisation.
Dans nos données, il est ainsi généralement admis que l’IA peut aider les ma-
nagers à prendre des décisions complexes. Néanmoins, certains répondants
ont indiqué que l’IA se tiendrait à fournir des informations et non à prendre
la décision proprement dite (répondants n°10, 29, 32, 19 et 9). Quatre de ces
cinq répondants sont des praticiens, dont trois sont des PDG. Leur prudence
peut être due aux exigences de leur rôle : la prise de décisions complexes re-
présente une partie importante de leur travail quotidien.
Nos résultats confirment l’utilité de l’IA pour accompagner le recrutement et

la sélection des candidats (Wilson & Daugherty, 2018). Les répondants avec
un profil très technique étaient parfois plus ambitieux en ce qui concerne les
impacts potentiels de l’IA sur le développement personnel. L’ancien ingénieur
de Google (n°20) est par exemple le seul à développer des technologies pour
permettre le coaching de dirigeants.
Par ailleurs, nos résultats pourraient ainsi mettre des informations prédigérées
à la disposition des managers (Brynjolfsson et al., 2018) permettant ainsi de
réduire le stress causé par la pression et les situations complexes de gestion
(Javanmardi et al., 2014). Bien que la pression inhérente aux tâches managé-
riales ait fait l’objet de nombreuses études, il serait intéressant d’investiguer
les conditions pour que l’IA permette d’améliorer les conditions de travail
et non pas l’inverse (Braganza et al., à paraître). De plus, si les simulations
basées sur l’IA peuvent servir d’outil de formation pour apprendre à gérer la
pression lorsque celle-ci atteint des niveaux élevés (Tanveer et al., 2015), les
répondants n°11, 19 et 9 sont sceptiques quant à l’utilité de cette technologie
dans les situations de stress. Il est intéressant de noter que les répondants
n°11 et 19 sont tous deux des PDG, une fonction qui est souvent associée à de
hautes responsabilités pouvant souvent conduire à faire face à la pression.
Enfin, si la gestion s’effectue désormais dans un environnement davantage

mondialisé (Robbins & Coulter, 2012), nos données montrent que l’IA pour-
rait permettre de régler d’éventuels problèmes de communication causés par
des différences linguistiques, notamment pour parler en public (Tanveer et
al., 2015). Plus généralement, nos répondants confirment que l’IA peut four-
nir de précieuses informations concernant les antécédents du récepteur et
ce afin de faciliter la communication (Sumi & Nishida, 2003). Là encore se
pose la question de savoir si le recours à des technologies est toujours une
bonne idée, sachant que la communication managériale a souvent intérêt à
157
N°122 - Avril 2021
être emprunte de sincérité et de spontanéité, des concepts auxquels l’IA n’est

pas naturellement associée.
4.1.3. Seules quelques compétences managériales ne devraient pas

être affectées par l’IA
Nos répondants s’accordent sur le fait que seulement quelques compétences
managériales telles que la créativité ou le leadership sont susceptibles de ne
pas être affectées par l’IA (Plastino & Purdy, 2018). Agrawal et al. (2017) rap-
pelaient déjà l’incapacité de l’IA à faire preuve de créativité afin de trouver par
elle-même de nouvelles opportunités. Conformément aux travaux précédents
(Agrawal et al., 2017 ; Manyika & Sneader, 2018), nos répondants suggèrent
que les questions d’influence, de leadership et de pouvoir sont des compétences
managériales-clés qui ne seront probablement pas affectées par l’IA. Seul un
répondant (n°19), dont la fonction est PDG, n’est pas d’accord avec les autres
sur la manière dont l’IA pourrait aider les managers à influencer et à diriger.
4.2. Des compétences managériales à développer pour

collaborer avec l’IA
Nos résultats montrent que certaines compétences managériales devraient être
présentes afin que l’IA permette aux managers de se concentrer davantage sur
leur cœur de métier (Hagemann et al., 2019) afin d’optimiser l’utilisation de
leur intelligence (Budhwar & Malik, 2020) et d’accroître leur valeur ajoutée
(Dejoux & Léon, 2018). Nos données suggèrent ainsi que les référentiels existants
(Bhanugopan et al., 2017 ; Fayol, 1916 ; Gentry et al., 2008 ; Mintzberg, 1973)
devraient être mis à jour pour inclure de nouvelles compétences managériales
telles que les connaissances de base en IA.
4.2.1. Quelques compétences managériales techniques pour

optimiser l’utilisation de l’IA
D’après nos données, seules quelques compétences managériales techniques
semblent nécessaires pour optimiser l’utilisation de l’IA. Nos résultats confir-
ment que les managers jouent un rôle-clé pour identifier comment l’IA pourrait
être utile à l’entreprise (Fiore et al., 2018), analyser sa rentabilité (Henke et
al., 2018) et pondérer ses coûts et avantages et enfin filtrer ses productions
(Schrage, 2018).
À cette fin, et si certains chercheurs suggèrent que les futurs managers pour-
raient avoir besoin d’acquérir des compétences en programmation pour com-
prendre le fonctionnement de l’IA (Dejoux & Léon, 2018 ; Ellenberg, 2017), nos
répondants insistent sur le fait que des connaissances basiques en IA suffiraient.
En effet, les répondants qui sont en charge de l’application business de l’IA (i.e.
n°4, 11, 24, 26, 27 et 38) observent généralement que les managers ont des at-
tentes irréalistes vis-à-vis de cette technologie. Dans tous les scenarii envisagés
par nos répondants, la collaboration entre experts IA et managers est centrale.
158
4.2.2. Une priorité pour optimiser l’utilisation de l’IA : les

compétences managériales non-techniques
Nos résultats confirment que l’arrivée de l’IA en entreprise devrait être princi-
palement associée à un renforcement des compétences managériales non-tech-
niques telles que la jugeote, l’éthique et la capacité à prendre des risques. Cette
observation fait écho au travail de Huang et al. (2019, p. 43) qui indique que les
tendances actuelles donneront naissance à une économie de l’émotion « dans
laquelle l’IA prendrait en charge une grande partie des tâches analytiques et
de réflexion pour permettre aux collaborateurs humains de graviter davantage
autour des tâches interpersonnelles et empathiques ».
Nos données confirment que l’IA manque généralement de capacité de juge-

ment (Agrawal et al., 2017) et qu’il est peu probable que les décisions finales
importantes soient dénuées de toute intervention humaine. Ainsi, les futures
compétences managériales pourraient concerner en priorité la capacité à
déterminer la meilleure façon d’utiliser l’IA compte tenu des possibilités de
prédiction et de ce qui devrait être prédit (Agrawal et al., 2017).
De plus, nos répondants insistent sur la nécessité pour les managers de maintenir
un sens aigu de l’éthique afin d’éviter toute utilisation abusive de l’IA (Barfield
& Pagallo, 2018) et tout résultat biaisé (Delépine, 2019) dû à un algorithme qui
serait lui-même biaisé (Jean, 2020). Puisque la législation est en retard sur le
sujet, c’est effectivement aux entreprises (Commission Européenne, 2019) et
aux managers de s’approprier la question (Bez & Chesbrough, 2019).
Nos données suggèrent par ailleurs que les managers doivent accepter les
risques liés à la mise en place de l’IA car cette technologie innovante ne per-
met pas d’obtenir des résultats immédiats et précis : elle doit au préalable
apprendre et s’adapter. Une période de formation et de transition sera alors
décisive (Dejoux, 2020). Chui et McCarthy (2017) suggéraient déjà que les
salariés et les managers devraient faire preuve d’une forte ouverture d’esprit
pour accepter les risques associés à l’IA.
Nos résultats montrent aussi que des compétences en gestion du changement

sont nécessaires pour favoriser l’engagement en faveur de la mise en œuvre
de l’IA (Adil, 2016) et pour convaincre ceux qui résisteraient face à l’introduc-
tion de nouvelles technologies (Abraham et al., 2019). En effet, l’IA est source
d’inquiétude pour certains (Papacharissi, 2018) ou d’attentes excessives pour
d’autres (The New York Times, 2018). Une piste intéressante pourrait consister
à mettre en place l’IA de manière progressive (Furr & Shipilov, 2019).
159
N°122 - Avril 2021
4.3. L’aspect collaboratif pour une mise en œuvre réussie de

l’IA
Dans leur ensemble, nos données sous-entendent que l’IA est susceptible de
réorganiser les flux habituels de collaboration. Les managers seraient alors
d’abord amenés à innover en termes de descriptions de poste et de structures
organisationnelles (Knickrehm, 2018).
Les conséquences globales d’une telle évolution resteront positives si les efforts
en faveur d’une appropriation de l’IA sont collectifs. En effet, le succès de la
mise en œuvre de l’IA semble subordonné à la collaboration des parties-pre-
nantes dans la mesure où ce succès dépend principalement de la qualité des
interactions humains-IA (Khosrow-Pour, 2018 ; Wilson & Daugherty, 2018) et
de l’évolution de la culture organisationnelle (Fountaine et al., 2019) vers plus
de prise de risques et une collaboration plus transversale. Plusieurs risques
seraient à anticiper comme celui du formatage des processus de rationalisation
et de prise de décision par les algorithmes qui composent l’IA (Lindebaum et
al., 2020).
L’IA est synonyme de transformation organisationnelle importante redistribuant

le pouvoir en faveur des acteurs intermédiaires (managers et data scientists).
Elle peut à ce titre engendrer une certaine résistance (Amarantou et al., 2018),
un phénomène qui se trouve lui aussi être principalement collectif (Shimoni,
2017). Il s’agit donc de tirer le meilleur parti de cette énergie collective avant
qu’elle ne devienne éventuellement négative et qu’elle ne se dresse contre le
changement envisagé (Kotter, 2012). L’intelligence collective peut être une voie
intéressante pour réussir à modifier la structure de leadership (Guillard et al.,
2017). Un autre facteur de réussite de la mise en place de l’IA réside ainsi dans
la possibilité d’une réorganisation en douceur des relations politiques (March
& Simon, 1958) dans le contexte où l’IA réagence les structures de pouvoir
(Crozier & Friedberg, 1977). L’IA est alors susceptible de bien porter son nom
à condition que l’intelligence en présence soit également et préalablement hu-
maine et collective (Woolley et al., 2010). Développement de l’IA semble donc
bien rimer avec développement des soft skills (Theurelle-Stein & Barth, 2017).
Conclusion
Résumé
Nos données mixtes récoltées auprès d’experts de l’IA ont permis d’identifier
les compétences managériales vouées à être remplacées, augmentées ou à
demeurer inchangées ainsi que la manière dont elles le seront. Nos résultats
mettent également en évidence les compétences techniques et non-techniques
spécifiques que les managers devraient développer pour s’adapter efficacement
à la présence toujours plus forte de l’IA.
160
Limites
Une première limite concerne l’échantillon restreint de répondants pour l’étude

quantitative qui ne représente pas forcément toutes les régions du monde. Cela
dit, il a été délicat d’identifier davantage d’experts de l’IA et d’autres études se
sont également satisfaites d’une centaine de répondants (Grace et al., 2018 ;
Müller & Bostrom, 2016). Par ailleurs, notre étude quantitative demeure descrip-
tive. Nous n’avons pas exploré les relations entre variables car nous cherchions
à estimer le potentiel des première pistes identifiées de manière qualitative.
Implications théoriques
Si Huang et Rust (2018) ont suggéré que certains emplois devaient en partie
être remplacés par l’IA, la présente étude apporte une première contribution
théorique en précisant quelles compétences managériales sont susceptibles
d’être affectées par l’IA et de quelle manière elles le seront. Par conséquent,
nous enrichissons les taxonomies existantes des compétences managériales en
y ajoutant de nouvelles compétences techniques et non-techniques nécessaires
pour optimiser l’utilisation de l’IA.
Implications empiriques
Cet article apporte un éclairage empirique significatif grâce à des données

récoltées auprès d’experts de divers horizons (ingénierie, commerce, socio-
logie, etc.) et issus de trois continents. Nous présentons donc leurs points de
vue interculturel et pluridisciplinaire concernant les effets que l’IA peut avoir
sur les rôles et compétences managériaux ainsi que les éventuels ajustements
organisationnels associés.
Implications managériales
Notre étude identifie les compétences managériales qui seront affectées par
l’IA et celles qui devront être développées pour garantir la bonne mise en
œuvre de cette technologie émergente. Outre les discussions relatives aux
éventuelles résistances à venir, nos données permettent d’identifier les défis
liés aux relations technico-managériales actuelles dans le cadre de la mise en
œuvre de l’IA.
Notre article guide également les entreprises en ce qui concerne les inves-
tissements en matière de formation, à un moment historique où l’IA pénètre
de nombreux secteurs et métiers. Nos résultats suggèrent par exemple que
les efforts de formation devraient être axés vers ce qui peut maintenant être
considéré comme des compétences managériales de base. Nous apportons,
d’une certaine manière, des précisions concernant ce que Dejoux et Léon (2018)
appellent la gestion de base de l’IA.
161
N°122 - Avril 2021
Perspectives de recherche
Les futures recherches pourraient approfondir la manière dont certaines com-

pétences managériales seront transformées afin de mieux appréhender la spé-
cificité du processus à l’œuvre. De plus, il semble nécessaire d’identifier des
méthodes de formation efficaces pour collaborer avec cette dernière (Beane,
2019), quitte à ce qu’il s’agisse de méthodes basées sur l’IA elle-même (Alonzo
& Audevart, 2019). En parallèle, il est possible que certains postes managé-
riaux ou secteurs particuliers impliquent d’établir des profils spécifiques de
collaboration entre compétences managériales et IA. Enfin, les travaux ulté-
rieurs devraient explorer la façon dont les organisations seront restructurées
(Knickrehm, 2018) pour accompagner l’évolution des compétences managériales
que l’IA est susceptible de produire.
Bibliographie
ABRAHAM M., NIESSEN C., SCHNABEL C., LOREK K., GRIMM V., MÖSLEIN K.
& WREDE M. (2019), “Electronic monitoring at work : The role of attitudes,
functions, and perceived control for the acceptance of tracking technologies”,
Human Resource Management Journal, 29(4), 657‑675.
ADIL M.S. (2016), “Impact of change readiness on commitment to techno-
logical change, focal, and discretionary behaviors : Evidence from the manu-
facturing sector of Karachi”, Journal of Organizational Change Management,
29(2), 222‑241.
AGRAWAL A., GANS J.S. & GOLDFARB A. (2017), “What to Expect From Artificial
Intelligence”, MIT Sloan Management Review. Consulté à l’adresse : https://
sloanreview.mit.edu/article/what-to-expect-from-artificial-intelligence/
ALONZO M. & AUDEVART A. (2019), Apprendre demain : Quand intelligence
artificielle et neurosciences révolutionnent l’apprentissage, Dunod, Paris.
ALVESSON M. & ASHCRAFT K.L. (2012), “Interviews”. In G. Symon &
C. Cassell (Éd.), Qualitative Organizational Research : Core Methods and Current
Challenges (p. 239‑257). London : SAGE Publications Ltd.
AMARANTOU V., KAZAKOPOULOU S., CHATZOUDES D. & CHATZOGLOU P.
(2018), “Resistance to change : an empirical investigation of its antecedents”,
Journal of Organizational Change Management, 31(2), 426‑450.
BABINET G. (2018, octobre 4), « Data, IA… Pourquoi les entreprises n’ex-
ploitent pas assez leurs données », Harvard Business Review France. Consulté
à l’adresse : https://www.hbrfrance.fr/chroniques-experts/2018/10/22602-
data-ia-pourquoi-les-entreprises-nexploitent-pas-assez-leurs-donnees/
BARFIELD W. & PAGALLO U. (2018), Research Handbook on the Law of
Artificial Intelligence, Cheltenham, UK : Edward Elgar Publishing.
162
BAXTER P. & JACK S. (2008), “Qualitative Case Study Methodology : Study

Design and Implementation for Novice Researchers”, The Qualitative Report,
13(4), 544‑559.
BEANE M. (2019), “Learning to Work with Intelligent Machines”, Harvard
Business Review, 97(5), 140‑148.
BEZ S.M. & CHESBROUGH H. (2019), “Organizing collaboration on artifi-
cial intelligence : Three models for partnership between competitors”, Open
Innovation Seminar (p. 9), University of Berkeley.
BHANUGOPAN R., WANG Y., LOCKHART P. & FARRELL M. (2017), “Managerial
skills shortages and the impending effects of organizational characteristics :
Evidence from China”, Personnel Review, 46(8), 1689‑1716.
BOSTROM N., DAFOE A. & FLYNN C. (2018), “Public Policy and Superintelligent
AI : A Vector Field Approach”. In S.M. Liao (Éd.), Ethics of Artificial Intelligence.
Cambridge, UK : Oxford University Press.
BOTKE J.A., JANSEN P.G.W., KHAPOVA S.N. & TIMS M. (2018), “Work factors
influencing the transfer stages of soft skills training : A literature review”,
Educational Research Review, 24, 130‑147.
BRAGANZA A., CHEN W., CANHOTO A. & SAP S. (à paraître), “Productive
employment and decent work : The impact of AI adoption on psychological
contracts, job engagement and employee trust”, Journal of Business Research.
BRYMAN A. & BELL E. (2015), Business Research Methods (4e éd.), Cambridge,
UK : OUP Oxford.
BRYMAN A. & BELL E.A. (2016), Social Research Methods : Fourth Canadian
Edition (4e éd.), Cambridge, UK : Oxford University Press.
BRYNJOLFSSON E., ROCK D. & SYVERSON C. (2018), “Artificial Intelligence
and the Modern Productivity Paradox : A Clash of Expectations and Statistics”,
The Economics of Artificial Intelligence : An Agenda. Consulté à l’adresse :
https://ide.mit.edu/sites/default/files/publications/IDE%20Research%20
Brief_v0118.pdf
BUDHWAR P.S. & MALIK A. (2019), “Call for papers : Artificial Intelligence
Challenges and Opportunities for International HRM”, The International
Journal of Human Resource Management. Consulté à l’adresse : https://www.
researchgate.net/publication/327435583_CALL_FOR_PAPERS_Special_Issue_
of_The_International_Journal_of_Human_Resource_Management_Digitization_
and_the_Transformation_of_Human_Resource_Management
BUDHWAR P.S. & MALIK A. (2020), “Special Issue : Leveraging Artificial
and Human Intelligence through Human Resource Management” (Call for
paper), Human Resource Management Review. Consulté à l’adresse : https://
www.sciencedirect.com/user/identity/landing?code=Ex1BhtNucBs_rz3Ml-
G7ZX35U387RsZ9kr-ZUMHWT&state=retryCounter%3D0%26csrfToken%
3D45825e06-1e6c-4f56-8af2-25d8a912263c%26idpPolicy%3Durn%253A-
163
N°122 - Avril 2021
com%253Aelsevier%253Aidp%253Apolicy%253Aproduct%253Ainst_as-
soc%26returnUrl%3Dhttps%253A%252F%252Fwww.sciencedirect.
com%252Fjournal%252Fhuman-resource-management-review%26promp-
t%3Dnone%26cid%3Djhp-b34d9fa2-90b5-4e80-a740-b19e3ecf33b9
BURNS R.B. & BURNS R.A. (2008), Business research methods and statistics
using SPSS, Los Angeles ; London : SAGE.
CARLOS R.C., KAHN C.E. & HALABI S. (2018), “Data Science : Big Data,
Machine Learning, and Artificial Intelligence”, Journal of the American College of
Radiology, Data Science : Big Data Machine Learning and Artificial Intelligence,
15(3, Part B), 497‑498.
CHUI M. & MCCARTHY B. (2017), “How AI Could Boost Your Top and
Bottom Line”, Harvard Business Review. Consulté à l’adresse : https://hbr.org/
webinar/2017/11/how-ai-could-boost-your-top-and-bottom-line
CROZIER M. & FRIEDBERG E. (1977), L’Acteur et le Système : les Contraintes
de l’Action Collective, Editions du Seuil, Paris.
DAVENPORT T.H. & RONANKI R. (2018), “Artificial Intelligence for the
Real World”, Harvard Business Review, (January-February 2018).
DECKER M., FISCHER M. & OTT I. (2017), “Service Robotics and Human
Labor : A first technology assessment of substitution and cooperation”, Robotics
and Autonomous Systems, 87, 348‑354.
DEJOUX C. (2020), Ce sera l’IA et moi, Vuibert, Paris.
DEJOUX C., BESSEYRE DES HORTS C.-H. & GRESELLE-ZAÏBET O. (2019),
Appel à communication pour le GRT « GRH, transformations numériques et
Intelligence Artificielle (IA) », Intelligence Artificielle et Intelligence Collective :
Quels nouveaux cadres, défis et pratiques pour la fonction RH et le DRH ?, Présenté
à XXXe Congrès de l’AGRH, Bordeaux.
DEJOUX C. & LÉON E. (2018), Métamorphose des managers… : à l’ère du
numérique et de l’intelligence artificielle. France : Pearson.
DELÉPINE J. (2019), « Pourquoi les algorithmes peuvent être sexistes »,
Alternatives Economiques.
EISENHARDT K.M. & BOURGEOIS L.J. (1988), “Politics of Strategic Decision
Making in High-Velocity Environments : Toward a Midrange Theory”, Academy
of Management Journal, 31(4), 737‑770.
EUROPEAN COMMISSION (2019), Liability for Artificial Intelligence and
other emerging digital technologies (p. 70), European Union.
FAYOL H. (1916), Administration Industrielle et Générale, Dunod, Paris.
FELTEN E.W., RAJ M. & SEAMANS R. (2018), “A Method to Link Advances in
Artificial Intelligence to Occupational Abilities”, AEA Papers and Proceedings,
108, 54‑57.
164
FIORE A.D., SCHNEIDER S. & FARRI E. (2018), “The 5 Things Your AI Unit
Needs to Do”, Harvard Business Review. Consulté à l’adresse : https://hbr.
org/2018/01/the-5-things-your-ai-unit-needs-to-do
FISKE D. & KAZDIN A.E. (2000), “Artificial Intelligence”, Encyclopedia
of Psychology (Vol. 1, p. 248‑255), Washington : American Psychological
Association.
FOUNTAINE T., MCCARTHY B. & SALEH T. (2019), “Building the AI-Powered
Organization”, Harvard Business Review, 97(4), 62‑73.
FREY C.B. & OSBORNE M.A. (2017), “The future of employment : How sus-
ceptible are jobs to computerisation ?”, Technological Forecasting and Social
Change, 114, 254‑280.
FURR N. & SHIPILOV A. (2019), “Digital Doesn’t Have to Be Disruptive”,
Harvard Business Review, 97(4), 94‑103.
GENTRY W.A., HARRIS L.S., BAKER B.A. & BRITTAIN LESLIE J. (2008),
“Managerial skills : what has changed since the late 1980s”, Leadership &
Organization Development Journal, 29(2), 167‑181.
GOYA C. (2018), “Microsoft France va ouvrir 9 écoles dédiées à l’IA dans
toute la France — voici les conditions pour y postuler”, Business Insider France.
GRACE K., SALVATIER J., DAFOE A., ZHANG B. & EVANS O. (2018), “When
will AI exceed human performance ? Evidence from AI experts”, Journal of
Artificial Intelligence Research, 62, 729-754.
GUBA E.G. & LINCOLN Y.S. (1994), “Competing paradigms in qualitative
research”, Handbook of Qualitative Research (Vol. 2, p. 105‑117).
GUILLARD A., LÉVÊQUE B. & GIRAUD L. (2017), « La transformation du
leadership par l’intelligence collective : réflexion à partir du terrain Covéa ».
In S. Frimousse & Y. Le Bihan (Éd.), Réinventer le leadership (p. 527‑534), EMS
Editions, Paris.
HAGEMANN S., SÜNNETCIOGLU A. & STARK R. (2019), “Hybrid Artificial
Intelligence System for the Design of Highly-Automated Production Systems”,
Procedia Manufacturing, 7th International conference on Changeable, Agile,
Reconfigurable and Virtual Production (CARV2018), 28, 160‑166.
HELBING D. (2019), “Societal, Economic, Ethical and Legal Challenges of the
Digital Revolution : From Big Data to Deep Learning, Artificial Intelligence, and
Manipulative Technologies”. In D. Helbing (Éd.), Towards Digital Enlightenment :
Essays on the Dark and Light Sides of the Digital Revolution (p. 47‑72). Switzerland :
Springer International Publishing.
HENKE N., LEVINE J. & MCINERNEY P. (2018), “You Don’t Have to
Be a Data Scientist to Fill This Must-Have Analytics Role”, Harvard
Business Review. Consulté à l’adresse : https://hbr.org/2018/02/
you-dont-have-to-be-a-data-scientist-to-fill-this-must-have-analytics-role
165
N°122 - Avril 2021
HEYVAERT M., MAES B. & ONGHENA P. (2013), “Mixed methods research

synthesis : definition, framework, and potential”, Quality and Quantity, 47(2),
659‑676.
HUANG M.H., RUST R. & MAKSIMOVIC V. (2019), “The Feeling Economy :
Managing in the Next Generation of Artificial Intelligence (AI)”, California
Management Review, 61(4), 43‑65.
HUANG M.H. & RUST R.T. (2018), “Artificial Intelligence in Service”, Journal
of Service Research, 21(2), 155‑172.
JAVANMARDI S., SHOJAFAR M., AMENDOLA D., CORDESCHI N., LIU H. &
ABRAHAM A. (2014), “Hybrid Job Scheduling Algorithm for Cloud Computing
Environment (Vol. 303, p. 43‑53)”, Présenté à Advances in Intelligent Systems
and Computing.
JEAN A. (2020), De l’autre côté de la machine, De Facto, L’Observatoire, Paris.
KATZ R.L. (1974), Skills of an Effective Administrator. Boston, Massachusetts :
Harvard Business Review Press.
KHOSROW-POUR M. (2018), Advanced Methodologies and Technologies in
Artificial Intelligence, Computer Simulation, and Human-Computer Interaction.
Hershey PA, USA : IGI Global.
KNICKREHM M. (2018), “How Will AI Change Work ? Here Are 5 Schools
of Thought”, Harvard Business Review. Consulté à l’adresse : https://hbr.
org/2018/01/how-will-ai-change-work-here-are-5-schools-of-thought
KOLBJØRNSRUD V., AMICO R . & THOMAS R .J. (2016), “How
A r t i f ic ia l Int el ligence Wi l l Redef ine Ma nagement ”, Har vard
Business Review. Consulté à l’adresse : https://hbr.org/2016/11/
how-artificial-intelligence-will-redefine-management
KOTTER J.P. (2012), Leading Change – 1947. Boston : Harvard Business Press.
LAUTERBACH A. & BONIME-BLANC A. (2018), The Artificial Intelligence
Imperative : A Practical Roadmap for Business. Santa Barbara, CA : ABC-CLIO, LLC.
LICHTENTHALER U. (2018), “Substitute or Synthesis : The Interplay
between Human and Artificial Intelligence”, Research-Technology Management,
61(5), 12‑14.
LIKERT R. (1932), “A technique for the measurement of attitudes”, Archives
of Psychology, 22(140), 1‑55.
LINDEBAUM D., VESA M. & DEN HOND F. (2020), “Insights From “The
Machine Stops” to Better Understand Rational Assumptions in Algorithmic
Decision Making and Its Implications for Organizations”, Academy of
Management Review, 45(1), 247‑263.
166
LU H., LI Y., CHEN M., KIM H. & SERIKAWA S. (2018), “Brain intelligence :
go beyond artificial intelligence”, Mobile Networks and Applications, 23(2),
368-375.
MANYIKA J. & SNEADER K. (2018), “AI, automation, and the future of work :
Ten things to solve for (Tech4Good)”, McKinsey. McKinsey Global Institute.
MARCH J.G. & SIMON H.A. (1958), Organizations. New York : Wiley.
MARR B. (2018), “The AI Skills Crisis And How To Close The Gap”, Forbes.
MARSH A. (2013), “Revolution : The First 2,000 Years of Computing : The
Computer History Museum, Mountain View”, California. Technoloy and Culture,
3(54), 640‑649.
MATTINGLY V. & KRAIGER K. (2019), “Can emotional intelligence be
trained ? A meta-analytical investigation”, Human Resource Management
Review, Advancing Training for the 21st Century, 29(2), 140‑155.
MEHTA N. & DEVARAKONDA M.V. (2018), “Machine learning, natural
language programming, and electronic health records : The next step in the
artificial intelligence journey ?”, Journal of Allergy and Clinical Immunology,
141(6), 2019-2021.e1.
MINTZBERG H. (1973), The nature of managerial work. New York : Harper
& Row.
MOLINA-AZORIN J.F. (2012), “Mixed Methods Research in Strategic
Management Impact and Applications”, Organizational Research Methods,
15(1), 33‑56.
MOLINA-AZORIN J.F., BERGH D., CORLEY K. & KETCHEN D. (2014), “Call
for paper : Feature Topic Mixed Methods in the Organizational Sciences”,
Organizational Research Methods, 17(2), 111‑112.
MUIJS D. (2004), Doing quantitative research in education with SPSS. London ;
Thousand Oaks : Sage Publications.
MÜLLER V.C. & BOSTROM N. (2016), “Future progress in artificial intel-
ligence : A survey of expert opinion”. In V.C. Müller (Éd.), Fundamental Issues
of Artificial Intelligence (p. 555–572). Switzerland : Springer.
MUNCE S.E.P. & ARCHIBALD M.M. (2017), “The Future of Mixed Methods :
A Five Year Projection to 2020 : An Early Career Perspective”, Journal of Mixed
Methods Research, 11(1), 11‑14.
NASSIRI-MOFAKHAM F. (2017), Current and Future Developments in Artificial
Intelligence (Vol. 1). Sharjah, UAE : Bentham Science Publishers.
OECD (2017), Science, Technology and Industry Scoreboard 2017 – The di-
gital transformation.
OECD (2019), Trends Shaping Education 2019. Paris : OECD Publishing.
167
N°122 - Avril 2021
OPIIEC (2019), Formations et compétences sur l’Intelligence Artificielle en

France, Fond d’Assurance Formation Ingénierie et Conseil.
PAPACHARISSI Z. (2018), A Networked Self and Human Augmentics, Artificial
Intelligence, Sentience. UK : Routledge.
PERISIC I. (2018), "How Artificial Intelligence is already impacting to-
day’s jobs". Consulté à l’adresse : https://economicgraph.linkedin.com/blog/
how-artificial-intelligence-is-already-impacting-todays-jobs
PLASTINO E. & PURDY M. (2018), “Game changing value from Artificial
Intelligence : eight strategies”, Strategy & Leadership, 46(1), 16‑22.
POINT S. & RETOUR D. (2009), “Méthodes émergentes et thématiques de
Recherche en Gestion des Ressources Humaines : vers une typologie”, XXe
Congrès de l’AGRH, Toulouse.
QUIGNON C. (2018, octobre 12), « Les salariés français mal préparés à l’In-
telligence Artificielle », Le Monde. Consulté à l’adresse : https://www.lemonde.
fr/emploi/article/2018/10/12/les-salaries-francais-mal-prepares-face-a-l-in-
telligence-artificielle_5368673_1698637.html
RHINES W. (1985), “Artificial intelligence : out of the lab and into business”,
Journal of Business Strategy, 6(1), 50‑57.
ROBBINS S.P. & COULTER M.K. (2012), Management (11th ed.). Boston :
Prentice Hall.
ROMETTY G. (2016), “Digital Today, Cognitive Tomorrow”, MIT Sloan
Management Review. Consulté à l’adresse : https://sloanreview.mit.edu/article/
digital-today-cognitive-tomorrow/
ROULSTON K. (2014), “Analysing interviews”. In U. Flick (Éd.), The SAGE
Handbook of Qualitative Data Analysis (p. 297‑312). London : SAGE Publications.
SAPHIR A. (2018), “As companies embrace AI, it’s a job-seeker’s mar-
ket”, Reuters. Consulté à l’adresse : https://www.reuters.com/article/
us-usa-economy-artificialintelligence-idUSKCN1MP10D
SCARCELLO F. (2019), “Artificial Intelligence”. In S. Ranganathan, M.
Gribskov, K. Nakai, & C. Schönbach (Éd.), Encyclopedia of Bioinformatics and
Computational Biology (p. 287‑293). Oxford : Academic Press.
SCHRAGE M. (2018), “Is ‘Murder by Machine Learning’ the New ‘Death by
PowerPoint’ ?”, Harvard Business Review. Consulté à l’adresse : https://hbr.
org/2018/01/is-murder-by-machine-learning-the-new-death-by-powerpoint
SEKARAN U. (2003), Research methods for business : a skill-building approach
(4th ed.). New York : John Wiley & Sons.
SHIMONI B. (2017), “What Is Resistance to Change ? A Habitus-Oriented
Approach”, Academy of Management Perspectives, 31(4), 257‑270.
168
SUMI K. & NISHIDA T. (2003), “Communication support system adapted to

a user’s background knowledge and the topic context”, Systems and Computers
in Japan, 34, 87‑98.
TANVEER M.I., LIN E. & HOQUE M.E. (2015), “Rhema : A Real-Time In-
Situ Intelligent Interface to Help People with Public Speaking” (p. 286‑295).
Présenté à IUI ’15 Proceedings of the 20th International Conference on Intelligent
User Interfaces.
THE NEW YORK TIMES (2018), Looking Forward Artificial Intelligence.
USA : The Rosen Publishing Group, Inc.
THEURELLE-STEIN D. & BARTH I. (2017), « Les soft skills au cœur du
portefeuille de compétences des managers de demain », Management & Avenir,
N° 95(5), 129‑151.
THIÉTART R.-A. (Éd.) (2014), Méthodes de recherche en management (4e
éd.), Dunod, Paris.
TR ACTICA (2017), "Artificial Intelligence Sof t ware Revenue
to Reach $59.8 Billion Worldwide by 2025". Consulté à l’adresse :
ht tps://w w w.businesswire.com/news/home/20170502006394/en/
Artificial-Intelligence-Software-Revenue-Reach-59.8-Billion
WILSON H.J. & DAUGHERTY P.R. (2018), “Collaborative Intelligence : Humans
and AI Are Joining Forces”, Harvard Business Review. Consulté à l’adresse : https://
hbr.org/2018/07/collaborative-intelligence-humans-and-ai-are-joining-forces
WILSON H.J., DAUGHERTY P.R. & MORINI-BIANZINO N. (2017), “The Jobs
That Artificial Intelligence Will Create”, MIT Sloan Management Review, 5.
WOOLLEY A.W., CHABRIS C.F., PENTLAND A., HASHMI N. & MALONE T.W.
(2010), “Evidence for a Collective Intelligence Factor in the Performance of
Human Groups”, Science, 330 (6004), 686‑688.
WRIGHT T.A. & SWEENEY D.A. (2016), “The call for an increased role of
replication, extension, and mixed-methods study designs in organizational
research”, Journal of Organizational Behavior, 37(3), 480‑486.
169

3 - LÉvolution Des Compétences Managériales Face À Lessor de Lintelligence Artificielle

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

3 - LÉvolution Des Compétences Managériales Face À Lessor de Lintelligence Artificielle

Transféré par

Droits d'auteur :

Formats disponibles

L’Évolution des Compétences Managériales face à l’essor

de l’Intelligence Artificielle : Une approche par les

Article disponible en ligne à l’adresse

Découvrir le sommaire de ce numéro, suivre la revue par email, s’abonner...

Distribution électronique Cairn.info pour Management Prospective Editions.

dépendre des interactions homme-IA (Khosrow-Pour, 2018 ; Nassiri-Mofakham,

Dans la mesure où « il est nécessaire de travailler davantage à la mise en pers-

Nous passerons d’abord en revue la littérature relative aux compétences ma-

1.1. Compétences managériales

1.2. Intelligence Artificielle

à ce stade, de ne pas la définir, car la définir, c’est en limiter les possibilités ».

1.3.1. Remplacement potentiel des compétences managériales

1.3.2. Compétences managériales pour s’adapter à l’essor de l’IA

de cinq compétences principales : compétences numériques, agilité, réflexion

2. Méthodes mixtes de l’étude empirique

Notre première collecte de données a consisté en des entretiens exploratoires

2.1. Justification de la collecte des données qualitatives

2.1.1. Collecte de données

Pour accroître la crédibilité de l’Étude 1, les participants ont pu valider leurs

données et autres, pour procéder à toute vérification ou justification nécessaire,

2.1.2. Échantillon de l’Étude 1

2.2. Test quantitatif des données qualitatives (Étude 2)

2.2.1. Collecte de données

2.2.2. Échantillon de l’Étude 2

Tableau 1 – Profil des répondants pour l’Étude 2

La fiabilité est le deuxième élément qui détermine la qualité de la recherche

Enfin, il convient d’ajouter que la stabilité améliore également la fiabilité de

Nous structurons les résultats obtenus en fonction des différents types de

3.1. Compétences managériales et IA

3.1.1. Compétences managériales vouées à être remplacées par l’IA

« Un homme seul ne peut pas analyser des téraoctets de données, contrairement

• Actions et prises de décision simples

« Je pense que dans le futur, les tâches longues, répétitives et automatisables

3.1.2. Compétences managériales susceptibles d’être augmentées par

« Ainsi, le manager peut consacrer plus de temps à prendre la décision finale

« Il y a des domaines spécifiques où l’IA peut nous aider à imaginer de nouvelles

• Maîtrise du métier et du poste

• Sélection des collaborateurs

« Grâce à un système d’algorithme et de comparaison, [l’IA] vous indiquera le

Si nos répondants continuent à avoir des doutes quant à la capacité de l’IA à

3.1.3. Compétences managériales probablement pas remplacées par

Nos répondants suggèrent que diriger et influencer sont des caractéristiques

3.2. Compétences managériales à développer pour optimiser

Les participants ont identifié plusieurs compétences managériales devant être

3.2.1. Compétences managériales techniques pour collaborer avec

« Il est probablement nécessaire de comprendre à partir de quelles données l’IA

• Définition des besoins et de l’utilité opérationnelle

Les personnes interrogées soulignent l’importance du jugement et de l’éthique

3.2.2. Compétences managériales non-techniques pour optimiser

Nos données suggèrent que la souplesse et l’ouverture d’esprit semblent égale-

• Gestion des changements organisationnels

Les répondants soulignent la nécessité de gérer les bases de la gestion du chan-

• Compétences en communication et collaboration

3.3. Synthèse des résultats (Études 1 et 2)

Le premier encadré présente la manière dont les compétences managériales

Figure 1 – Synthèse des résultats (%N = Proportion des

Dans ce premier encadré, nous indiquons dans la colonne de gauche %N la

Le deuxième encadré présente enfin les compétences managériales qui semblent

4.1. Un réagencement des compétences managériales pour

4.1.1. Quelques compétences managériales vouées à être remplacées

4.1.2. De nombreuses compétences managériales susceptibles d’être

Innovation, Maîtrise du métier/du poste, Sélection des collaborateurs, Gestion du

Nos résultats confirment l’utilité de l’IA pour accompagner le recrutement et