Le déploiement des outils d’IA de l’OPM offre six assistants à chaque employé, mais l’accès ne fait pas l’impact

L’OPM a donné à chaque employé accès à six plateformes d’IA approuvées, créant l’un des déploiements multi-fournisseurs les plus étendus du gouvernement fédéral dans l’environnement de travail. Le déploiement des outils d’IA de l’OPM couvre ChatGPT, Claude, Gemini, Microsoft Copilot, Grok et Perplexity. Plus de 70 % des effectifs de l’agence utilisent activement au moins une plateforme.

Cette adoption fait de l’OPM un test important de la stratégie d’achat OneGov du gouvernement. Des accords centralisés ont aidé une agence relativement petite à acquérir des produits de six fournisseurs concurrents sans négocier six contrats d’entreprise distincts.

Toutefois, les propres données de l’OPM révèlent une réalité plus complexe. L’accès et l’usage ont progressé plus vite que les améliorations mesurables dans tous les types de travail. Les employés chargés de rédaction et d’analyse ouvertes rapportent des résultats nettement plus solides que les équipes qui gèrent des processus structurés liés aux retraites, au droit et aux finances.

Cet écart définit le véritable enjeu. L’OPM ne compare pas simplement ChatGPT à Claude, ou Gemini à Grok. L’agence teste la capacité d’un accès étendu à améliorer les opérations avant que les outils individuels ne soient profondément intégrés aux flux de travail de l’agence.

Le déploiement des outils d’IA de l’OPM transforme les achats en stratégie produit

L’OPM a utilisé les achats centralisés pour préserver le choix, et pas seulement pour réduire les efforts d’acquisition.

Le directeur des systèmes d’information de l’OPM, Adam Starr, a décrit le déploiement lors du GovExec Government and AI Summit à Washington le 15 septembre. Un rapport ultérieur sur le déploiement de six outils a détaillé les plateformes et le taux d’adoption de l’agence.

Les six produits approuvés proviennent de Google, Microsoft, xAI, OpenAI, Anthropic et Perplexity. Les employés peuvent choisir entre des assistants généralistes, des systèmes orientés recherche et des outils intégrés aux logiciels de travail.

Cette approche diffère d’un projet classique de standardisation d’entreprise. Les agences sélectionnent souvent une seule plateforme, forment les employés autour de celle-ci et acceptent la dépendance envers un fournisseur qui en résulte. L’OPM a plutôt créé un marché interne où plusieurs plateformes restent disponibles simultanément.

Starr a indiqué que les fournisseurs se dépassent régulièrement les uns les autres à mesure que leurs modèles évoluent. Le maintien de plusieurs outils permet aux employés de se tourner vers le produit le mieux adapté à une tâche. Il permet aussi à l’OPM de réévaluer les fournisseurs à mesure que leurs capacités et leurs conditions commerciales évoluent.

OneGov a rendu cette stratégie réalisable. La General Services Administration négocie des conditions communes et des voies d’achat que les agences admissibles peuvent utiliser. Les agences continuent d’effectuer les démarches requises de commande et d’approbation, mais elles partent d’un cadre commercial partagé.

Les orientations actuelles de la GSA sur les achats d’IA répertorient des offres gouvernementales d’Anthropic, Google, OpenAI, Perplexity et xAI. Les produits Microsoft sont également couverts par des accords OneGov plus larges.

Le cadre d’achat est important, car évaluer six produits imposerait autrement des coûts d’acquisition considérables. Chaque contrat pourrait exiger des examens de sécurité distincts, des discussions sur les licences, des contrôles d’utilisation et des décisions de renouvellement.

L’OPM ne dispose pas non plus du pouvoir de négociation des plus grands départements fédéraux. Starr a déclaré que OneGov avait donné à l’agence accès à des conditions qu’il aurait été difficile d’obtenir de manière indépendante.

Il en résulte un modèle de déploiement inhabituel. L’OPM a standardisé la couche d’achat tout en évitant la standardisation au niveau des utilisateurs. Les employés reçoivent des options approuvées, tandis que les fournisseurs continuent de se concurrencer après la signature des contrats.

Cela modifie la relation de l’agence avec ses fournisseurs. Remporter un accord ne garantit plus que les employés choisiront un produit pour leur travail quotidien. L’usage peut évoluer à mesure que les modèles s’améliorent, que les intégrations s’étendent ou que la confiance s’érode.

L’organisation à six outils produit également des éléments de comparaison. L’OPM peut observer quels produits attirent les utilisateurs et quelles tâches génèrent une activité répétée. Elle peut ensuite distinguer la demande réelle d’une adoption stimulée par des campagnes de formation ou l’attention des dirigeants.

Pourtant, la disponibilité ne suffit pas à établir l’adéquation. Les différents systèmes impliquent des contrôles, interfaces, comportements de modèles et limites de traitement des données distincts. L’OPM doit rendre ces différences compréhensibles sans submerger les employés.

La réussite immédiate est donc plus limitée qu’une transformation du travail. L’OPM a supprimé l’obstacle de l’acquisition et donné aux employés un moyen légal d’expérimenter plusieurs plateformes de premier plan.

C’est un changement significatif. Il met aussi davantage en évidence l’obstacle suivant : transformer l’expérimentation en amélioration opérationnelle fiable.

Pourquoi OneGov rend l’IA multi-modèles possible

OneGov fait passer les achats fédéraux d’IA de négociations isolées entre agences à des conditions communes, un levier partagé et un accès plus rapide.

La GSA a lancé OneGov pour consolider les achats entre les agences qui acquéraient auparavant des technologies similaires dans des conditions différentes. La stratégie couvre les logiciels, les services cloud, les produits de sécurité et les systèmes d’IA.

Le modèle ne crée pas une installation logicielle unique à l’échelle de l’ensemble du gouvernement. La GSA établit plutôt des accords que les agences participantes peuvent utiliser via des véhicules contractuels et des circuits de commande reconnus.

Cette distinction est importante. Les agences restent responsables de l’adéquation à leur mission, de la sécurité, de la confidentialité, de la gestion des dossiers et de l’autorisation interne. OneGov réduit les frictions commerciales, mais ne transfère pas la responsabilité opérationnelle des dirigeants d’agence.

La GSA indique que les fournisseurs de cloud doivent disposer d’une autorisation FedRAMP appropriée ou être en cours de certification. FedRAMP fournit un processus standardisé d’évaluation des contrôles de sécurité des services cloud utilisés par les agences fédérales.

Une autorisation ne signifie toujours pas que les employés peuvent saisir n’importe quelle information gouvernementale dans un assistant d’IA. Les agences doivent définir les types de données acceptables, les comptes approuvés, les règles de conservation et les usages interdits.

Le plan de conformité de l’OPM en matière d’IA identifie les achats fragmentés comme un obstacle à l’adoption. Il cite également l’accès incohérent à des environnements de développement sécurisés et une visibilité limitée sur l’activité liée à l’IA.

Le plan décrit un environnement cloud doté de points de terminaison privés, de réseaux segmentés et de contrôles d’accès fondés sur les rôles. Il présente également des étapes pour les tests en sandbox, le développement, les pilotes, la production et la mise hors service éventuelle.

Ces contrôles montrent qu’un accord d’achat n’est qu’un début. Un produit d’IA peut être disponible commercialement via OneGov alors qu’un cas d’usage particulier exige encore un examen supplémentaire.

La GSA elle-même conseille aux agences de commencer par des problèmes de mission définis. Ses orientations recommandent de tester les produits auprès de groupes limités, d’examiner les flux de données, de coordonner les rôles de supervision et de surveiller la consommation.

L’OPM a choisi un modèle d’accès plus large pour les assistants généralistes. Cette décision donne aux employés la possibilité d’identifier des tâches utiles avant que chaque flux de travail ne dispose d’une application dédiée.

Cette exploration ascendante présente des avantages. Les employés les plus proches d’un processus repèrent souvent des tâches répétitives que les équipes technologiques centrales négligent. Ils peuvent tester la rédaction, la synthèse, la recherche, le codage et l’analyse de documents sans attendre un système sur mesure.

Cette approche crée également une pression de gouvernance. Six outils suscitent davantage de questions de politique qu’un seul. Les employés doivent savoir si le même document est acceptable dans chaque plateforme et quels résultats exigent un examen supplémentaire.

Les administrateurs ont également besoin d’une télémétrie comparable. Les comptes d’utilisateurs actifs entre différents produits ne reposent pas forcément sur des définitions identiques. Une connexion, une requête et une utilisation hebdomadaire soutenue représentent des niveaux d’adoption différents.

L’économie des renouvellements deviendra aussi plus complexe. Les accords initiaux peuvent faciliter une expérimentation large, tandis que les conditions ultérieures fondées sur la consommation révèlent les écarts d’usage et de valeur.

Cette transition a déjà commencé. Le nouvel accord ChatGPT de la GSA doit entrer en vigueur le 1er octobre 2026. Il remplace l’offre d’accès initiale par une utilisation à prix réduit fondée sur la consommation, sans frais d’accès à la plateforme.

L’accord court sur 27 mois et couvre les modèles ChatGPT admissibles, y compris des services dans des environnements fédéraux autorisés. Il élargit également les options de commande à plusieurs niveaux de gouvernement.

Pour l’OPM, cela crée un test direct. L’agence doit déterminer si l’utilisation justifie une consommation continue lorsque l’accès dépasse la période initiale.

Les six fournisseurs font face au même défi fondamental. La facilité d’achat a ouvert la porte, mais une participation durable dépendra de la demande des employés, de l’adéquation aux flux de travail, de la sécurité et de résultats démontrables pour la mission.

Six assistants d’IA créent une concurrence quotidienne pour le travail fédéral

La stratégie multi-modèles de l’OPM fait des employés les arbitres pratiques des systèmes d’IA concurrents.

Chaque plateforme approuvée arrive dans l’environnement de travail avec un positionnement produit différent. Microsoft Copilot peut bénéficier de sa proximité avec les applications de productivité familières. ChatGPT et Claude répondent à de vastes besoins de rédaction, d’analyse et de codage.

Gemini est relié au portefeuille de modèles et à l’offre gouvernementale de Google. Perplexity met l’accent sur la découverte de réponses et la recherche. Grok introduit dans la comparaison les modèles de xAI et des fonctions orientées recherche.

Ces descriptions ne doivent pas être considérées comme des frontières figées. Les fournisseurs ajoutent régulièrement des modes de recherche, des connecteurs, des fonctions de codage, d’analyse de documents et des actions de type agent. Le chevauchement des produits augmente à chaque version.

Ce chevauchement étaye l’argument de Starr en faveur du maintien de plusieurs options. Une plateforme qui excelle pour une tâche aujourd’hui peut perdre son avantage après qu’un autre fournisseur a mis à jour ses modèles.

Le choix des employés fournit également un signal que les équipes d’achat reçoivent rarement d’un contrat à fournisseur unique. Une utilisation volontaire et répétée suggère qu’un produit correspond au travail réel, même si elle ne prouve pas que ce travail s’est amélioré.

La distinction entre préférence et performance est importante. Les employés peuvent privilégier une plateforme parce que son interface leur semble familière. Ils peuvent en éviter une autre parce que les exigences de connexion ou les restrictions sur les données créent des frictions.

L’usage peut aussi suivre les habitudes organisationnelles. Microsoft Copilot peut apparaître là où les employés travaillent déjà, tandis qu’un assistant distinct accessible dans un navigateur exige un changement de contexte délibéré.

À l’inverse, un système autonome peut offrir des capacités qu’un assistant intégré ne possède pas. Certains employés peuvent garder plusieurs onglets ouverts et orienter différentes tâches vers différents produits.

Ce comportement ressemble davantage à l’usage grand public de l’IA qu’au déploiement traditionnel de logiciels fédéraux. Il offre de la flexibilité aux employés, mais peut fragmenter les requêtes, le travail sauvegardé et les connaissances organisationnelles entre les fournisseurs.

Une réponse utile générée dans un assistant peut rester invisible pour les collègues. Le contexte justificatif peut se trouver dans un dépôt de documents distinct, un fil d’e-mails ou le carnet d’un employé.

Cette fragmentation fait de la gestion des connaissances une composante du problème d’adoption. Davantage d’assistants ne créent pas automatiquement une mémoire partagée pour une organisation.

L’OPM doit donc évaluer plus que la qualité des modèles. Elle doit comprendre comment les employés récupèrent les documents sources, valident les résultats, préservent les décisions et transfèrent les résultats utiles vers les systèmes d’archivage officiels.

Un assistant de recherche peut produire une réponse concise, mais un employé a toujours besoin de preuves faisant autorité. Un assistant de rédaction peut réorganiser une note, mais le document final doit respecter les exigences de l’agence.

Les assistants de programmation constituent une autre variante. Ils peuvent aider les technologues à comprendre des systèmes anciens ou à générer des modifications proposées. Les examinateurs humains restent responsables des décisions de sécurité, de test et de déploiement.

La pression concurrentielle s’étend au-delà des six fournisseurs. D’autres agences fédérales observent si l’approche multimodèle de l’OPM reste gérable une fois les premières incitations à l’achat arrivées à expiration.

Un résultat positif affaiblirait l’hypothèse selon laquelle une agence a besoin d’un seul assistant par défaut. Il soutiendrait un modèle de portefeuille dans lequel des produits approuvés se disputent les tâches et les budgets.

Un résultat négatif renforcerait l’argument en faveur de la consolidation. Les agences pourraient conclure que la duplication des formations, de la gouvernance, des intégrations et du suivi de l’utilisation l’emporte sur les avantages du choix offert aux employés.

Les fournisseurs ne se disputent donc pas uniquement des scores de référence. Ils doivent réduire le travail administratif, s’intégrer aux environnements approuvés, soutenir des flux de travail spécifiques et produire des résultats qui résistent à l’examen humain.

Le déploiement de six outils rend cette concurrence visible. Il ne désigne pas de gagnant, et l’OPM n’a pas publié de résultats d’utilisation ou de performance plateforme par plateforme.

Sans ces chiffres, aucun fournisseur ne peut prétendre que la disponibilité à l’échelle de l’agence équivaut à une préférence. Les éléments disponibles soutiennent la stratégie de portefeuille, et non un classement des outils qui la composent.

Une forte adoption n’a pas produit un impact égal

Les preuves les plus solides de l’OPM montrent que la structure du travail, plutôt que l’enthousiasme général, détermine si un assistant IA paraît utile.

L’OPM a interrogé les employés en juin et reçu plus de 1 100 réponses, soit un taux de réponse de 56 %. Ses résultats du baromètre auprès des effectifs offrent davantage de détails que le chiffre phare de l’adoption.

Parmi les répondants, 81,4 % ont déclaré utiliser des outils d’IA approuvés. Les données de télémétrie situaient l’utilisation réelle globale plus près de 70 %, ce qui illustre pourquoi l’adoption autodéclarée ne devrait pas être considérée isolément.

L’utilisation déclarée augmentait avec le niveau hiérarchique. L’enquête a constaté une utilisation chez 77,4 % des non-superviseurs, 93,5 % des superviseurs et 97,3 % des cadres dirigeants.

Le Net Promoter Score à l’échelle de l’agence pour les outils d’IA approuvés était positif, à 17,9. Les résultats variaient toutefois fortement selon les unités organisationnelles.

Le bureau du directeur a enregistré un score de 95,7. L’organisation technologique de l’OPM a obtenu 65, tandis que son bureau du capital humain a également affiché un résultat fortement positif.

Les opérations juridiques ont enregistré un score négatif. Retirement Services a atteint moins 38,1, près de six répondants sur dix étant classés comme détracteurs.

Au sein de l’activité de retraite de l’agence à Boyers, les employés ont attribué une note de 4,6 sur 10 à l’affirmation selon laquelle l’IA améliorait les performances de leur unité.

Cette différence ne constitue pas simplement une division entre des dirigeants enthousiastes et des employés opérationnels réticents. Elle reflète la nature du travail sous-jacent.

Les assistants généralistes conviennent relativement bien aux tâches de connaissance non structurées. La rédaction, la synthèse, le brainstorming, la recherche et l’analyse initiale peuvent commencer dans une interface de chat ordinaire.

Les opérations structurées suivent un autre modèle. Le traitement des retraites dépend de flux de dossiers établis, de registres, de calculs, de politiques et de systèmes que les employés ne peuvent pas remplacer par une fenêtre de conversation isolée.

L’OPM a décrit un employé chargé de la conception organisationnelle qui passait auparavant des heures ou des jours à coder les retours de groupes de discussion dans une feuille de calcul. Un processus assisté par IA produit désormais des catégories et thèmes initiaux en quelques minutes.

La responsabilité de l’employé n’a pas disparu. Le travail s’est déplacé vers la validation du résultat et l’exploitation des conclusions.

Un autre exemple vient des opérations de retraite. Un employé a créé un outil pour un calcul de déficit de prime effectué environ 11 000 fois par an.

Le calcul manuel prenait auparavant de cinq à dix minutes pour chaque dossier. Le nouveau processus produit une feuille de calcul vérifiable en quelques secondes, selon l’OPM.

Cet exemple pèse davantage qu’une statistique d’utilisation générique. Il relie une tâche définie, un résultat reproductible et un artefact révisable.

Il montre également pourquoi les six assistants généralistes ne constituent qu’une couche de la stratégie. Les gains opérationnels les plus importants exigent que l’IA entre dans le flux de travail existant, plutôt que de contraindre les employés à déplacer leur travail vers un chat distinct.

Les obstacles recensés par l’OPM renforcent ce point. Près de la moitié des employés interrogés ont cité un manque de temps pour apprendre ou expérimenter. Plus d’un tiers ont soulevé des préoccupations concernant l’exactitude et la fiabilité.

Près d’un quart ont cité des préoccupations de sécurité ou de sensibilité des données. Seuls 1,4 % ont déclaré qu’un superviseur décourageait l’utilisation de l’IA.

Ces conclusions remettent en cause un récit courant sur l’adoption. Le principal problème n’est pas nécessairement l’opposition culturelle des managers. Les employés ont besoin de temps, de résultats fiables, de règles claires et d’une meilleure intégration.

L’OPM a également indiqué que l’élément d’enquête le moins bien noté concernait la question de savoir si les outils d’IA approuvés amélioraient les performances de l’unité. Le score à l’échelle de l’agence était de 7,3 sur 10.

Ce score n’est pas un échec, mais il laisse apparaître un écart visible entre l’utilisation et l’impact organisationnel. Un utilisateur actif peut gagner du temps sur des tâches isolées sans modifier les performances globales d’une unité.

Le déploiement des outils d’IA de l’OPM a donc passé un test d’accès et un premier test d’adoption. Il n’a pas encore passé un test d’impact uniforme.

Le compromis oppose le choix au contrôle opérationnel

Offrir six options aux employés encourage l’expérimentation, mais multiplie le travail nécessaire pour gouverner les données, la qualité, les dépenses et les connaissances institutionnelles.

Une stratégie à plateforme unique offre une simplicité administrative. La formation peut se concentrer sur une interface, les politiques peuvent faire référence à un environnement et les équipes de support peuvent élaborer des réponses reproductibles.

Cette simplicité s’accompagne d’une dépendance. Si le fournisseur choisi prend du retard, modifie ses conditions ou échoue sur une tâche particulière, les employés disposent de peu d’alternatives.

L’OPM accepte davantage de complexité afin de préserver la pression concurrentielle. L’agence peut comparer les produits et éviter de supposer qu’un modèle restera le meilleur dans chaque catégorie.

Le risque central est que le choix du modèle se transforme en comportements fragmentés plutôt qu’en portefeuille éclairé. Les employés ont besoin de conseils pratiques sur l’outil qui convient à chaque tâche approuvée.

Sans ces conseils, six assistants peuvent produire six réponses différentes, six habitudes de documentation et six emplacements pour le travail. Les employés peuvent répéter leurs requêtes sur plusieurs plateformes sans comprendre quelles différences comptent.

L’exactitude reste une autre contrainte. Les systèmes génératifs produisent des résultats probabilistes, c’est-à-dire des réponses vraisemblables plutôt que des faits garantis récupérés. Un langage fluide peut masquer des détails non étayés ou un contexte manquant.

Le travail fédéral lié aux ressources humaines augmente les enjeux. L’OPM influence le recrutement, les avantages sociaux, les services de retraite, les politiques relatives aux effectifs et les systèmes de capital humain dans l’ensemble du gouvernement.

Un brouillon incorrect peut être corrigé par une révision. Une valeur incorrecte insérée dans un processus d’avantages sociaux peut avoir des conséquences pour une personne et générer du travail supplémentaire pour l’agence.

Les politiques de sécurité doivent également rester précises. Un accord d’entreprise peut offrir des contrôles plus robustes qu’un compte grand public, mais il ne rend pas chaque jeu de données approprié à chaque utilisation.

Les obligations d’archivage ajoutent une autre couche. Les agences ont besoin de règles pour conserver les requêtes, les résultats, les décisions et les preuves à l’appui lorsque l’IA contribue à un travail officiel.

Les biais et l’équité exigent une attention lorsque les systèmes influencent des activités liées à l’emploi. Le cadre de conformité de l’OPM appelle à des évaluations d’impact examinant la qualité, l’origine des données et les biais potentiels.

Ces exigences n’interdisent pas l’adoption. Elles expliquent pourquoi l’intégration opérationnelle doit progresser plus prudemment que l’accès à un assistant généraliste.

Le contrôle des coûts deviendra de plus en plus important à mesure que les accords arriveront à maturité. Les modèles fondés sur la consommation relient les dépenses à l’activité, créant des incitations à distinguer les usages utiles de l’expérimentation occasionnelle.

Le nombre brut de requêtes ne répondra pas à cette question. Une interaction courte pourrait éviter des heures de travail manuel, tandis qu’une longue session pourrait ne rien produire d’utilisable.

Le cadre de mesure proposé par l’OPM offre une meilleure direction. Il sépare l’utilisation, le ressenti et l’impact plutôt que de les traiter comme interchangeables.

L’utilisation révèle si les employés essaient les produits. Le ressenti aide à identifier les frictions et la confiance. L’impact doit relier les outils aux mesures existantes telles que le temps de traitement, la qualité de service ou la rapidité de recrutement.

Cette dernière catégorie reste la plus difficile. Les agences peuvent rapidement compter les utilisateurs actifs, mais les résultats de mission dépendent souvent de plusieurs systèmes et changements de politique.

La conception à six plateformes peut aider si l’OPM compare les résultats de tâches comparables. Elle peut entraver l’évaluation si chaque unité adopte des produits différents sans mesure cohérente.

L’agence doit également éviter de transformer la concurrence entre fournisseurs en confusion pour les employés. Un portefeuille a besoin de normes partagées, de limites claires entre les tâches et d’un moyen de préserver le travail utile en dehors d’un assistant unique.

Le compromis essentiel est gérable, mais il n’est pas temporaire. Chaque nouvelle capacité de modèle, connecteur ou structure d’achat modifie l’équilibre entre flexibilité et contrôle.

Trois signaux montreront si le large accès fonctionne réellement

La prochaine étape sera jugée à l’aune des choix de renouvellement, des résultats au niveau des flux de travail et des preuves que les unités opérationnelles les plus faibles comblent leur écart d’adoption.

Le premier signal est la réponse de l’OPM à l’évolution des conditions de OneGov. Le prochain accord de ChatGPT commence le 1er octobre, tandis que d’autres offres initiales approchent également de leurs échéances prévues.

Les décisions d’achat de l’OPM montreront si l’agence maintient les six plateformes après la période d’accès introductif. Une disponibilité continue soutiendrait la stratégie de portefeuille de Starr.

Une consolidation suggérerait que la demande réelle ou les coûts administratifs favorisent un nombre plus limité de fournisseurs. L’un ou l’autre résultat apporterait davantage d’éléments que l’annonce initiale de l’acquisition.

Les détails compteront. L’OPM pourrait préserver l’accès à plusieurs outils tout en attribuant des produits privilégiés à certaines tâches. L’agence pourrait également séparer les assistants largement destinés aux employés des services spécialisés de développement ou de recherche.

Le deuxième signal est de savoir si l’OPM publie des mesures de performance au niveau de la mission. Les pourcentages d’utilisateurs actifs établissent la portée, mais ils ne démontrent pas un traitement des retraites plus rapide ou de meilleurs résultats de recrutement.

Le calculateur de déficit de prime fournit un modèle utile. Il identifie une tâche répétée, l’exigence de temps précédente, un flux de travail plus rapide et un résultat vérifiable.

Les preuves futures devraient suivre cette structure. L’OPM devrait relier les processus soutenus par l’IA au temps de cycle, aux taux d’erreur, aux reprises, à la qualité de service ou à une autre mesure opérationnelle établie.

Ces preuves renforceraient l’argument en faveur d’une adoption à l’échelle du gouvernement. Une attention continue portée aux connexions et au ressenti des enquêtes affaiblirait les affirmations selon lesquelles un large accès modifie les performances des agences.

Le troisième signal est de savoir si les unités aux faibles scores s’améliorent après l’entrée de l’IA dans leurs systèmes existants. Retirement Services offre le test le plus clair, car son travail est structuré et son ressenti est faible.

Si des outils intégrés améliorent le traitement des dossiers tout en préservant la révision et la vérifiabilité, l’OPM démontrera que l’IA peut aller au-delà de la rédaction et de l’analyse.

Si l’écart persiste, le large accès restera surtout utile aux managers, aux technologues et aux autres employés traitant des informations non structurées.

Ce résultat ne rendrait pas le programme inutile. Il établirait une limite plus restreinte pour les assistants généralistes et orienterait les investissements vers une ingénierie spécifique aux flux de travail.

Les autres agences devraient observer ces signaux avant de copier la partie visible de la stratégie de l’OPM. Acquérir plusieurs assistants est plus facile que maintenir un portefeuille gouverné produisant des résultats mesurables.

La leçon la plus importante à ce stade n’est pas que chaque employé a besoin de six produits. C’est que les achats centralisés peuvent créer du choix, tandis que les preuves internes déterminent où ce choix mérite un investissement continu.

Pour les travailleurs du savoir, la question pratique est tout aussi directe. Un assistant se contente-t-il de rendre une tâche isolée plus rapide, ou améliore-t-il le processus dont dépendent les collègues et les clients ?

Suivez les prochaines données de déploiement des outils d’IA de l’OPM en gardant cette distinction à l’esprit. Recherchez les résultats sur les flux de travail, les décisions de renouvellement et les gains au sein d’opérations structurées. Ces indicateurs révéleront si OneGov a créé une capacité durable ou s’il a simplement facilité l’expérimentation.