Le sludge, angle mort du déploiement de l’IA en entreprise

Avant de parler de déploiement de l’IA en entreprise, je voudrais parler de boue. Les économistes comportementaux lui ont donné un nom, le sludge. Je crois qu’il éclaire une étape que beaucoup de projets d’IA sautent un peu vite : la discovery.

Commençons par un chiffre. Selon une étude de la Drees publiée en mai 2026, plus d’un tiers des foyers éligibles au RSA ne le percevaient pas fin 2021, soit environ 560 000 foyers. Les causes sont multiples. Parmi elles, la Drees évoque la difficulté des démarches, en particulier pour les plus âgés depuis leur dématérialisation.

Autre registre, même mécanique. Depuis le 1er juin 2023, une entreprise qui vend un abonnement en ligne doit permettre de le résilier « en trois clics ». Il a donc fallu une loi pour que quitter un service devienne aussi simple que d’y souscrire.

Dans les deux cas, les gens savent à peu près ce qu’ils veulent. Le chemin pour y arriver est simplement encombré. Et cet encombrement a un coût, pour eux comme pour l’organisation qui l’a laissé s’installer.

Le sludge, ou la friction qui joue contre nous

En 2018, l’économiste Richard Thaler signe dans la revue Science un court éditorial au titre malicieux : « Nudge, not sludge ». Dix ans plus tôt, avec le juriste Cass Sunstein, il avait popularisé le nudge, ce coup de pouce qui rend un bon choix plus facile. Cette fois, il nomme l’inverse.

Ses exemples sont d’une banalité presque comique. Le remboursement qu’il faut réclamer par courrier. L’abonnement qu’on ne peut quitter qu’en appelant, ou pire, en écrivant une lettre. Personne n’interdit rien, mais chaque détour fait abandonner une partie des gens en route.

Sunstein en a ensuite tiré un livre, Sludge, publié en 2021 aux MIT Press. Il y élargit le terme à toutes les frictions qui séparent les gens de ce qu’ils veulent ou de ce dont ils ont besoin. On y croise des formulaires interminables, des temps d’attente, des pièces justificatives, des rendez-vous obligatoires. Là où Thaler insistait sur l’intention de nuire, Sunstein regarde surtout l’excès, voulu ou non.

Il serait pourtant trop simple de déclarer la guerre à toute friction. Sunstein le reconnaît lui-même : certaines frictions protègent. Un délai de rétractation évite un achat impulsif. Une double validation sur un virement important évite une fraude. La question devient donc celle de la proportion : ce que la friction coûte, en temps et parfois en dignité, est-il justifié par ce qu’elle protège ?

Ce qui me frappe le plus, c’est que le sludge est rarement le fruit d’une intention. Bien sûr, certains parcours de résiliation sont tortueux à dessein. Mais la plupart du temps, la boue se dépose couche après couche. Chaque étape a eu une bonne raison, un jour, dans un contexte précis. Puis le contexte a changé, l’étape est restée, et plus personne ne sait vraiment à quoi elle sert. C’est cette sédimentation qui m’intéresse quand on parle de déploiement de l’IA.

Le sludge a aussi ses bureaux

On parle surtout du sludge que subissent les usagers et les clients. Pourtant, une entreprise en fabrique aussi pour ses propres équipes, et souvent en quantité.

Pensez à la note de frais qui passe entre plusieurs mains avant d’être remboursée. À l’information saisie dans le CRM, puis recopiée dans un tableur, puis résumée dans un mail de reporting. Ou encore à la demande d’accès à un outil qui exige un ticket, une validation du manager et deux relances.

Les chercheurs de Stanford Robert Sutton et Huggy Rao ont un nom pour la mécanique qui produit tout cela. Dans The Friction Project (2024), ils parlent de « maladie de l’addition ». Face à un problème, les organisations ajoutent volontiers une règle, un outil ou une réunion. Elles retirent beaucoup plus rarement, et récompensent d’ailleurs davantage ceux qui ajoutent.

Ce sludge interne a une particularité gênante : il se voit mal. Personne ne s’en plaint officiellement. En effet, les équipes développent des contournements, comme le fichier Excel parallèle ou le raccourci que tout le monde connaît sans l’avoir écrit nulle part. Vu d’en haut, le processus officiel semble donc fonctionner.

Or c’est précisément sur ce terrain qu’arrive aujourd’hui le déploiement de l’IA.

Quand le déploiement de l’IA accélère la boue

En 1990, bien avant l’IA générative, Michael Hammer publiait dans la Harvard Business Review un article resté célèbre : « Reengineering Work: Don’t Automate, Obliterate ». Son constat était simple. Les entreprises investissaient massivement dans l’informatique pour accélérer des processus conçus avant l’ordinateur, sans se demander s’ils avaient encore lieu d’être. Il proposait plutôt de supprimer le travail qui n’apporte aucune valeur.

Trente-six ans plus tard, la tentation est la même. Elle dispose simplement d’outils beaucoup plus puissants.

Prenons un agent IA qui remplit automatiquement un formulaire inutile. Il rend ce formulaire indolore. Il le rend aussi invisible, et donc durable. Car le jour où plus personne ne souffre d’une étape, plus personne ne se demande pourquoi elle existe. Le déploiement de l’IA peut ainsi figer le sludge au lieu de le dissoudre.

L’IA peut aussi en fabriquer du neuf. Côté clients, le Consumer Financial Protection Bureau américain s’est penché dès 2023 sur les chatbots bancaires. Son rapport décrit des « doom loops », ces boucles de réponses répétitives d’où l’on ne peut pas sortir pour parler à un humain. L’entreprise gagne du temps, le client en perd. Autrement dit, la friction a simplement changé de camp.

Côté équipes, le phénomène porte désormais un nom : le workslop. En septembre 2025, des chercheurs de BetterUp Labs et de Stanford l’ont décrit dans la Harvard Business Review. Il désigne des contenus générés par IA qui ont l’air d’un travail abouti, sans en avoir la substance. Dans leur enquête, 41 % des salariés interrogés disaient en avoir reçu, avec près de deux heures de reprise à chaque fois. Parmi les causes, les auteurs pointent les injonctions générales à utiliser l’IA partout, sans cadre ni critère de qualité.

C’est du sludge à l’état pur : un effort déplacé vers quelqu’un d’autre, sous une apparence de productivité.

Je ne dis pas pour autant que l’IA est condamnée à produire de la boue. Bien utilisée, elle peut en retirer beaucoup, par exemple en pré-remplissant ce qu’on sait déjà ou en traduisant un jargon administratif. Mais elle amplifie ce qu’on lui confie. Posée sur un processus encombré, elle livre un processus encombré qui tourne plus vite.

La discovery, première étape du déploiement de l’IA

En design produit, la discovery désigne la phase où l’on cherche à comprendre un problème avant de choisir une solution. Le double diamant, popularisé par le Design Council britannique en 2005, la représente bien. Le premier losange sert à explorer puis à cadrer le problème. Le second seulement sert à imaginer et livrer des solutions.

Beaucoup de projets d’IA démarrent pourtant directement dans le second losange. La question de départ devient alors : « on a un outil, où peut-on le mettre ? » Elle paraît pragmatique. En réalité, elle inverse l’ordre des choses.

De son côté, Sunstein a proposé que les organisations conduisent des « sludge audits » : mesurer les frictions qu’elles imposent, puis décider lesquelles garder. Une bonne discovery fait exactement cela, sans forcément employer le mot. Elle regarde le chemin avant de proposer un véhicule.

Pour y parvenir, il faut observer le travail tel qu’il se fait. Les ergonomes français parlent depuis longtemps de l’écart entre travail prescrit et travail réel. La procédure dit une chose, les gens en font une autre, et souvent pour de bonnes raisons. Or le sludge se loge précisément dans cet écart, dans les contournements dont je parlais plus haut. J’avais abordé une question voisine en me demandant ce qu’est le « vrai » travail d’une entreprise.

C’est pourquoi un entretien avec un responsable ne suffit pas. Il décrit le processus prescrit, celui du schéma. Il faut s’asseoir à côté des personnes, suivre un dossier du début à la fin, compter les ressaisies et les attentes. C’est souvent à ce stade que les surprises arrivent.

Pour chaque étape repérée, quelques questions simples font le tri. À qui sert-elle vraiment ? Que se passerait-il si on la supprimait demain ? Qui paie son coût en temps, et qui en tire le bénéfice ? Ces questions sont banales. Elles sont pourtant rarement posées avant le déploiement de l’IA, parce que l’outil est déjà choisi et que l’enthousiasme presse.

Supprimer, simplifier, puis automatiser

Une fois le sludge cartographié, l’ordre des opérations compte. Hammer l’avait déjà formulé à sa manière : on ne met pas de technologie sur un processus qu’on n’a pas d’abord interrogé.

La première question est donc celle de la suppression. Certaines étapes n’existent plus que par habitude, comme une validation que personne ne lit ou un reporting hebdomadaire que personne n’ouvre. Les retirer ne coûte presque rien, et aucune IA n’est nécessaire pour cela. C’est parfois le gain le plus net d’un projet de déploiement de l’IA, avant même la première ligne de code.

Cette étape est pourtant la plus souvent oubliée. Une étude publiée dans Nature en 2021 l’a montré à travers huit expériences : face à un problème, nous cherchons spontanément ce qu’on pourrait ajouter. Nous passons à côté des solutions par retrait, surtout sous pression ou quand rien ne nous invite à y penser. Les auteurs y voient d’ailleurs l’une des raisons pour lesquelles la paperasserie institutionnelle résiste si bien. Avec un outil d’IA tout neuf entre les mains, ce réflexe d’addition devient encore plus fort.

Vient ensuite la simplification. Ce qui reste peut souvent être allégé : moins de champs à remplir, une information saisie une seule fois. L’administration française s’est d’ailleurs donné ce principe il y a plus de dix ans, sous le nom « Dites-le-nous une fois ».

Le déploiement de l’IA arrive alors en dernier, sur un terrain dégagé. L’IA peut y faire ce qu’elle fait bien, comme pré-remplir, résumer, orienter une demande ou repérer une anomalie. Surtout, son effet devient mesurable. Grâce à la discovery, on sait combien de temps prenait chaque étape et combien de ressaisies elle imposait. On dispose donc d’un point de départ honnête pour juger du résultat.

C’est aussi pour cette raison que je préfère commencer un accompagnement par un temps de cadrage plutôt que par le choix d’un outil. L’outil viendra. Encore faut-il savoir sur quoi on le pose.

Retirer avant d’ajouter

Je repense aux abonnements impossibles à quitter. La réponse est venue d’une loi qui retire des étapes. Pour le RSA, plusieurs pistes discutées vont dans le même sens, comme le pré-remplissage des déclarations trimestrielles. L’automatisation y sert à retirer de la friction aux personnes concernées.

C’est peut-être la vraie bonne nouvelle. Bien orientée, l’IA peut devenir un très bon outil anti-sludge, capable d’absorber de la complexité pour que les gens n’aient plus à le faire. Elle ne choisit simplement pas seule de quel côté elle retire la friction.

Le déploiement de l’IA en entreprise pose donc une question qui le dépasse largement. Qui, chez nous, se sent responsable de la boue ? Sutton et Rao invitent les managers à se voir comme les dépositaires du temps des autres. J’aime cette idée, parce qu’elle déplace la question de la technologie vers celle de l’attention.

Alors, avant de chercher où mettre de l’IA, on pourrait commencer par une question plus inconfortable : qu’est-ce qu’on accepterait de ne plus faire du tout ?