Les conseils de Roxane Gay sur l’écriture avec l’IA révèlent un problème de confiance managériale

Le 13 septembre, Roxane Gay s’est penchée sur un conflit professionnel très actuel : un manager estime que presque chaque mot écrit par un employé semble avoir été généré par une intelligence artificielle. Les conseils de Roxane Gay sur l’écriture avec l’IA interviennent alors que les outils génératifs ont rendu une prose soignée facile à produire et exceptionnellement difficile à attribuer. Le manager perçoit une voix synthétique, mais le soupçon seul ne permet pas d’établir qui a rédigé le travail.

Le dilemme, présenté dans la chronique Work Friend de Gay consacrée aux conseils au travail, dépasse une seule relation hiérarchique tendue. Les managers rencontrent désormais des phrases qui paraissent compétentes mais génériques, complètes mais étrangement détachées du travail qui les sous-tend. Cette impression peut révéler un véritable problème de qualité. Elle ne permet pas d’en identifier la cause de manière fiable.

Le conflit central n’oppose donc pas l’écriture humaine à l’écriture mécanique. Il oppose l’intuition managériale à un travail vérifiable. Les employeurs ont toujours besoin de résultats exacts, originaux, sûrs et utiles. Les employés ont toujours besoin de règles claires, d’une évaluation équitable et de la possibilité d’expliquer leur processus avant qu’une impression stylistique ne se transforme en accusation.

La question de l’écriture avec l’IA du New York Times porte en réalité sur les preuves

Le malaise d’un manager peut déclencher un examen, mais il ne peut pas constituer le verdict.

Le titre de la chronique de Gay résume une réaction familière face à une prose assistée par l’IA. Certaines formulations paraissent désormais suspectes parce que les chatbots les répètent dans les e-mails, rapports, propositions et publications sur les réseaux sociaux. Transitions fluides, listes équilibrées, résumés bien ordonnés et enthousiasme impersonnel peuvent tous susciter la même pensée : ce texte n’a pas été écrit par une personne.

Cette déduction paraît plus solide qu’elle ne l’est. Les grands modèles de langage ont appris à partir du langage humain ; leur production ressemble donc naturellement à des schémas que les personnes utilisent déjà. Les rédacteurs humains absorbent également des conventions provenant des écoles, employeurs, modèles, guides de style et de leurs pairs. La ressemblance avec une prose de chatbot ne prouve pas l’utilisation d’un chatbot.

Un manager devrait d’abord distinguer trois questions souvent confondues. Le travail est-il mauvais ? Viole-t-il une règle établie ? L’employé déforme-t-il la manière dont il a été produit ? Chaque question exige des preuves différentes et une réponse différente.

Un travail insuffisant peut être traité directement. Un rapport peut contenir des affirmations non étayées, des recommandations vagues, un langage répétitif, des citations inventées ou un ton inadapté à son public. Aucun de ces défauts n’oblige le manager à prouver l’utilisation de l’IA. Il peut identifier le défaut, en expliquer les conséquences et exiger une révision.

Une violation de politique exige une véritable politique. L’organisation doit définir quels outils sont autorisés, quelles informations peuvent y être saisies, quand une divulgation est requise et qui reste responsable. Un manager ne peut pas imposer équitablement une attente personnelle dont les employés n’ont jamais été informés.

La fausse déclaration est plus grave, mais elle nécessite aussi des preuves plus solides. Un employé qui nie avoir utilisé un outil malgré des journaux fiables ou un aveu documenté crée un problème d’honnêteté. Un employé dont les phrases paraissent simplement automatisées n’a pas fourni une preuve comparable.

Cette distinction est importante, car l’attribution n’est plus binaire. Un salarié peut demander à un chatbot un plan, rédiger personnellement chaque paragraphe, puis utiliser un correcteur grammatical. Un autre peut générer un brouillon complet, en vérifier les affirmations, en remplacer la majeure partie du langage et conserver deux phrases. Un troisième peut soumettre une production intacte sans la relire.

Qualifier ces trois pratiques d’« écriture avec l’IA » masque précisément les différences qu’un manager doit évaluer. Les questions pertinentes concernent notamment le jugement, la divulgation, le traitement des données, la vérification des faits et l’appropriation du résultat final.

Les preuves liées au processus peuvent clarifier ces questions. L’historique des versions peut montrer comment un document s’est développé. Les notes de sources peuvent établir l’origine des affirmations. Une courte discussion peut révéler si l’employé comprend l’argumentation et peut défendre les recommandations. Des travaux antérieurs peuvent fournir un point de comparaison, sans prétendre que le style d’une personne ne change jamais.

Aucun de ces signaux n’est parfait. Ensemble, toutefois, ils permettent une évaluation plus défendable que la réaction d’un manager à une prose. C’est la première leçon des conseils de Roxane Gay sur l’écriture avec l’IA : considérer le résultat comme un travail à examiner, et non comme un test de personnalité déguisé en analyse médico-légale.

La détection de l’IA ne peut pas porter le poids d’une accusation au travail

La détection automatisée transforme un jugement stylistique incertain en un score d’apparence précise, sans supprimer l’incertitude.

Les managers à la recherche d’une confirmation trouveront rapidement des produits prétendant distinguer l’écriture humaine du texte généré. Ces systèmes analysent généralement des caractéristiques statistiques plutôt que de révéler une trace cachée de l’attribution. Ils estiment si un passage ressemble à des modèles associés à la production d’un modèle.

Cette distinction est essentielle. Un détecteur d’IA n’équivaut pas à une base de données de plagiat qui compare des phrases copiées à une source connue. Il produit une classification probabiliste. La révision, la traduction, les passages courts, le langage technique et l’évolution du comportement des modèles peuvent tous influer sur le résultat.

Des recherches ont également documenté un grave problème d’équité. Une étude menée sous la direction de Stanford a révélé que les détecteurs attribuaient fréquemment à l’IA des textes rédigés par des personnes dont l’anglais n’était pas la langue maternelle. Lors du test des chercheurs, les systèmes ont classé 61,22 % des essais TOEFL examinés comme générés par l’IA.

Au moins un détecteur a signalé 89 des 91 essais. Les sept détecteurs étaient d’accord sur 18 d’entre eux. L’analyse de Stanford sur le biais des détecteurs a averti que ces outils étaient peu fiables, faciles à contourner et particulièrement risqués dans les contextes d’évaluation.

Cette conclusion devrait modifier la manière dont les employeurs gèrent l’écriture avec l’IA des employés. Un document soigné mais linguistiquement conventionnel peut susciter des soupçons en raison du style d’anglais appris par son auteur. Un rapport technique concis peut recevoir un score différent d’une note narrative. Aucun résultat ne prouve une faute.

Le problème devient plus grave lorsqu’un détecteur influe sur les évaluations de performance, les promotions, les mesures disciplinaires ou les licenciements. À ce stade, une classification fragile n’est plus une simple aide à la révision. Elle devient une preuve en matière d’emploi, avec des conséquences sur les revenus et la réputation d’une personne.

Les protections fédérales en matière d’emploi continuent de s’appliquer lorsque les organisations utilisent l’intelligence artificielle dans les décisions au travail. Les orientations destinées aux travailleurs de l’Equal Employment Opportunity Commission indiquent que les lois antidiscrimination couvrent les systèmes d’IA utilisés notamment pour les décisions d’embauche, de promotion et de rémunération. Un employeur ne peut pas déléguer sa responsabilité à un logiciel.

Même un détecteur affichant de meilleures performances moyennes ne répondrait pas à toutes les questions pertinentes. Il ne pourrait pas dire à un manager si un employé a utilisé un outil autorisé. Il ne pourrait pas déterminer si des informations confidentielles ont été exposées. Il ne pourrait pas établir si l’employé a vérifié les faits ou apporté l’analyse sous-jacente.

Un score ne peut pas non plus mesurer l’utilité du travail produit. Une personne peut rédiger une note inexacte sans assistance. Un salarié peut utiliser l’IA pour réorganiser un brouillon soigneusement documenté tout en conservant l’entière propriété intellectuelle de son travail. La méthode de production influe sur le risque, mais elle ne remplace pas l’évaluation du résultat.

Les managers devraient donc considérer le résultat d’un détecteur, s’ils l’utilisent, comme un signal faible nécessitant corroboration. Il ne devrait jamais constituer le seul fondement d’une accusation. Les employés devraient savoir quand ces outils sont employés, ce qu’ils mesurent et comment contester un résultat erroné.

C’est là que le différend devient une question de gouvernance. Les organisations ont besoin de normes documentées pour recueillir des preuves, examiner les conclusions contestées et préserver la vie privée des employés. Dès lors qu’un détecteur devient un élément de la gestion du personnel, ses limites doivent figurer dans la politique, et non dans les petites lignes.

Le conflit principal oppose l’intuition managériale à un travail vérifiable

La réponse la plus solide à une utilisation présumée de l’IA est un examen ciblé du travail, et non une confrontation sur le fait qu’une prose « sente » la machine.

Un manager peut commencer par identifier le problème observable. « Cette section formule trois recommandations sans preuves à l’appui » constitue un retour utile. « Cela ressemble à ChatGPT » est une accusation qui donne peu d’indications à l’employé sur ce qui doit être amélioré.

Un retour précis change la conversation. Il invite l’employé à expliquer les sources, hypothèses, décisions et compromis. Ces questions évaluent sa maîtrise du travail sans obliger l’une ou l’autre partie à débattre du style de chaque phrase.

Prenons le cas d’une proposition destinée à un client qui contient de larges affirmations mais peu de détails. Le manager peut demander pourquoi une option a été retenue, quelle exigence du client a façonné la recommandation et quelles preuves étayent le résultat projeté. Un employé ayant réalisé l’analyse devrait pouvoir y répondre, quels que soient les outils d’écriture ayant aidé à formuler la version finale.

La même approche fonctionne pour les rapports internes. Un manager peut demander des liens vers les sources, des notes de calcul, des comptes rendus d’entretien ou une brève présentation orale. Ces éléments révèlent plus sûrement un travail superficiel que des expressions fétiches. Ils permettent également d’identifier des besoins de formation sans rapport avec l’IA.

L’historique des versions est utile lorsque l’attribution compte réellement. Une succession de notes, plans, brouillons et révisions fournit des preuves du processus. Un unique collage massif ne prouve pas une assistance interdite, mais il peut justifier une question neutre. Les employés rédigent parfois dans une autre application, travaillent hors ligne ou collent du contenu fourni par un collègue.

La discussion devrait rester proportionnée. Un manager peut indiquer que le document diffère des soumissions précédentes et demander comment il a été préparé. L’employé peut alors décrire son flux de travail, y compris les outils autorisés éventuellement utilisés. Cela permet une correction sans présumer d’emblée d’une malhonnêteté.

Des règles de divulgation claires facilitent cet échange. Une organisation peut autoriser le brainstorming et la révision tout en exigeant une divulgation pour les passages générés. Elle peut interdire la saisie de données clients dans des modèles publics. Elle peut exiger une vérification humaine pour les affirmations juridiques, financières, médicales ou destinées au public.

Ces contrôles devraient suivre le risque plutôt que les préférences personnelles. Une annonce interne de routine ne présente pas les mêmes enjeux qu’un dépôt réglementaire. Un plan marketing ne soulève pas les mêmes préoccupations de confidentialité qu’un document contenant des informations médicales sur les employés.

Le cadre de gestion des risques liés à l’IA du NIST offre une structure utile pour cette réflexion. Ses fonctions fondamentales sont gouverner, cartographier, mesurer et gérer. Appliquées à l’écriture au travail, elles impliquent de définir les responsabilités, cartographier les cas d’utilisation, évaluer les risques réels et réagir avec des contrôles appropriés.

Le cadre ne réduit pas la gouvernance à une interdiction. Il demande aux organisations de relier l’usage technique au contexte, aux effets et à la responsabilité. Une entreprise peut autoriser les outils génératifs tout en exigeant la divulgation, la vérification des sources, un traitement sécurisé des données et un véritable examen humain.

Les managers doivent aussi examiner leur propre contribution. Si chaque mission est vague, précipitée et répétitive, les employés chercheront naturellement des raccourcis. Si la direction célèbre la productivité de l’IA mais sanctionne tout signe visible de son utilisation, les salariés reçoivent des consignes contradictoires.

Le dilemme de l’écriture assistée par IA au New York Times met cette contradiction en lumière. De nombreuses organisations encouragent l’expérimentation sans définir quelle aide est acceptable. Les managers improvisent ensuite des normes lorsqu’un document les met mal à l’aise. Les employés apprennent que l’usage des outils est encouragé en théorie, mais dangereux à reconnaître en pratique.

Un système équitable résout cette contradiction avant qu’une mesure disciplinaire ne devienne nécessaire. L’organisation désigne les outils approuvés et les données soumises à restriction. Elle définit les cas où une divulgation est requise. Elle précise que l’employé reste responsable de l’exactitude, de l’originalité, du jugement et de la conformité.

Cette structure protège aussi les managers. Ils n’ont plus besoin de jouer aux détectives linguistiques amateurs. Ils peuvent évaluer le travail selon des exigences convenues et n’escalader la situation que lorsque des éléments étayent une préoccupation liée aux règles.

L’écriture par IA au travail transforme la voix, la responsabilité et la confiance

Le véritable coût d’un usage indiscriminé de l’IA n’est pas une formulation maladroite ; c’est la séparation progressive entre un langage soigné et une pensée responsable.

L’écriture remplit bien plus qu’une fonction de présentation au sein d’une organisation. Une note de cadrage consigne des décisions. Un e-mail client engage l’entreprise sur une position. Une note stratégique révèle ce que son auteur a remarqué, ignoré et priorisé.

Lorsqu’un employé délègue une trop grande part de ce travail, le texte peut devenir plus fluide tout en révélant moins de compréhension. Le manager peut percevoir ce décalage sans savoir comment le nommer. La prose paraît générique parce qu’elle ne contient ni les contraintes, ni l’historique, ni les désaccords, ni les choix non résolus de l’organisation.

Cela ne fait pas d’un style générique une preuve d’automatisation. Cela explique toutefois pourquoi les managers y réagissent fortement. Ils détectent souvent une perte de contexte plutôt qu’un outil précis.

La solution consiste à exiger des livrables qui portent leur propre raisonnement. Une recommandation doit présenter les éléments qui la fondent. Un résumé doit distinguer les faits issus des sources de leur interprétation. Un plan doit identifier les dépendances, les responsables et les questions ouvertes.

Les employés ont besoin d’accéder aux connaissances nécessaires pour y parvenir. Un environnement de travail fragmenté oblige les personnes à reconstituer le contexte à partir de fils de discussion, de réunions, de documents et de souvenirs. Les outils génératifs peuvent alors produire des brouillons fluides à partir d’informations incomplètes, en masquant les lacunes au lieu de les combler.

Une base de connaissances personnelle bien entretenue peut aider un salarié à conserver les sources et à retrouver le raisonnement à l’origine de décisions antérieures. Sa valeur vient de la traçabilité, non de la prose automatique. Un document crédible doit ramener à des éléments qu’un relecteur peut examiner.

C’est aussi pourquoi la capacité d’un employé à discuter de son travail est importante. Un rédacteur n’a pas besoin de réciter chaque phrase. Il doit comprendre pourquoi le document défend cette position, d’où proviennent ses informations et quelles incertitudes subsistent.

La responsabilité ne peut pas incomber à l’outil, car l’outil n’occupe pas le poste. Il n’a pas d’obligations envers le client, ne respecte pas les politiques internes et ne subit pas les conséquences d’un fait inventé. L’employé et le manager chargé de la relecture restent responsables.

De récentes recherches sur le lieu de travail suggèrent que présenter un système d’IA comme un « employé » peut compliquer cette responsabilité. Boston University a résumé une étude selon laquelle les managers négligeaient davantage d’erreurs lorsque le travail était attribué à un employé IA plutôt qu’à un humain ou à un outil. Les chercheurs ont associé cette formulation à une perception affaiblie de la responsabilité managériale.

Ce résultat ne permet pas d’établir le comportement de chaque équipe. Il met toutefois en évidence un raccourci linguistique dangereux. Appeler un logiciel un collègue peut donner l’impression que ses résultats relèvent de la responsabilité de quelqu’un d’autre, alors qu’aucun professionnel indépendant ne les garantit.

Le même déficit de responsabilité peut apparaître lorsque les managers exigent l’usage de l’IA. Si la direction impose une production plus rapide, les employés peuvent supposer qu’elle accepte les risques qui en résultent. Les managers peuvent supposer que les salariés détecteront chaque erreur. Les deux parties pensent alors que l’autre est responsable de la vérification.

Une politique utile sur l’écriture par IA doit attribuer chaque contrôle à une personne. L’employé vérifie les faits et les citations. Le manager examine les conclusions à fort impact. Les équipes de sécurité définissent les règles de traitement des données autorisées. Les équipes juridiques ou de conformité examinent les affirmations réglementées.

La politique doit aussi protéger la voix sans idéaliser l’inefficacité. Les employés ne devraient pas être obligés de conserver des phrases maladroites uniquement pour prouver qu’ils sont humains. Ils devraient pouvoir utiliser des outils d’orthographe, de grammaire, de transcription, de recherche et de rédaction dans des limites claires.

Ce qui importe, c’est que le travail reflète encore un jugement humain. Le document final doit intégrer la connaissance qu’a l’auteur de son public, des contraintes opérationnelles et des conséquences. Il ne doit pas seulement paraître soigné.

Les managers peuvent renforcer cette norme par leurs missions. Demandez une courte note de décision incluant les sources et les solutions écartées. Demandez les hypothèses qui sous-tendent une prévision. Ajoutez une section consacrée aux incertitudes ou aux informations manquantes.

Ces formats rendent le raisonnement visible. Ils réduisent aussi la valeur d’une génération non relue, car une réponse générique ne peut pas satisfaire la mission. Les employés restent libres d’utiliser l’assistance autorisée, mais ils doivent fournir le contexte et le jugement qui rendent le résultat utile.

La confiance grandit lorsque cette attente s’applique de manière cohérente. Elle s’effondre lorsqu’un manager soupçonne un employé tout en ignorant un travail tout aussi faible chez des collègues favorisés. Elle s’effondre également lorsque les salariés cachent une assistance courante parce que la divulgation semble fatalement nuire à leur carrière.

Les conseils de Roxane Gay sur l’écriture par IA indiquent une position médiane difficile. Les managers ne doivent ni ignorer les changements évidents de qualité ni transformer leur malaise en certitude. Ils ont besoin d’un processus capable d’examiner à la fois le travail et sa production sans traiter chaque phrase inhabituelle comme une preuve de tromperie.

Ce que le soupçon ne prouve toujours pas

Un changement de style d’écriture peut justifier une question, mais plusieurs explications plausibles restent possibles tant que l’employé n’y a pas répondu.

L’employé utilise peut-être largement l’IA générative. Cette possibilité ne doit pas être minimisée. Si la personne soumet des résultats non vérifiés, dissimule un usage interdit ou transmet des informations confidentielles à un service non approuvé, l’employeur a des préoccupations légitimes.

L’employé utilise peut-être aussi un outil d’édition approuvé. De nombreuses applications proposent désormais des fonctions de réécriture, d’ajustement du ton, de synthèse et de complétion sans se présenter comme des chatbots autonomes. Les salariés peuvent ne pas savoir quelles fonctions leur employeur considère comme relevant de l’IA générative.

Une troisième possibilité est l’adaptation délibérée. Les employés modifient souvent leur écriture après des critiques, une formation, une promotion ou l’exposition au format préféré d’un manager. La prose qui en résulte peut devenir plus formelle et moins distinctive.

Une quatrième explication concerne le parcours linguistique ou l’accessibilité. Un salarié qui écrit dans une langue supplémentaire peut s’appuyer sur une aide à la traduction ou à la grammaire. Un employé en situation de handicap peut utiliser des outils comme mesure d’adaptation. Traiter un ton standardisé comme une faute peut soulever à la fois des préoccupations d’équité et des enjeux juridiques.

Le manager doit donc demander ce qui a changé. Y a-t-il eu un nouveau modèle de mission, un cours d’écriture, une fonctionnalité logicielle ou un cycle de retours ? L’organisation a-t-elle récemment encouragé les employés à utiliser l’IA ? Le salarié tentait-il de corriger des remarques antérieures sur sa grammaire ou son ton ?

La réponse de l’employé doit ensuite être évaluée à la lumière des éléments disponibles. Si un outil a été utilisé, les questions suivantes portent sur son périmètre et sur la politique applicable. Quelles informations ont été saisies dans le système ? Quelles parties ont été générées ? Comment les affirmations ont-elles été vérifiées ? Le salarié comprenait-il le document final ?

Le manager doit éviter d’exiger des aveux pour une infraction non définie. Une conversation productive distingue la curiosité de l’accusation. Elle donne aussi au salarié la possibilité de fournir des éléments, d’expliquer son processus de travail ou de signaler une politique ambiguë.

Cette retenue n’exige pas la passivité managériale. Si un document contient des citations fabriquées, le manager peut exiger une correction immédiate. Si des informations protégées ont été transmises à un service non autorisé, les procédures de sécurité doivent être enclenchées. Si l’employé ne peut pas expliquer des recommandations essentielles, le travail peut nécessiter une réattribution ou une supervision plus étroite.

La réponse doit correspondre au problème démontré. Une erreur factuelle exige un contrôle qualité. Un partage de données non autorisé exige une réponse de sécurité. La malhonnêteté exige une procédure d’emploi. Une prose générique exige un retour éditorial.

Confondre ces catégories conduit à de mauvaises décisions. Cela apprend aussi aux employés à dissimuler leurs méthodes plutôt qu’à en parler. L’entreprise perd alors toute visibilité sur la manière dont l’IA est réellement utilisée.

Les dirigeants doivent se montrer tout aussi prudents lorsqu’ils exagèrent les bénéfices de l’écriture par IA. Des premiers brouillons plus rapides ne garantissent pas un travail finalisé plus rapidement. Le temps gagné lors de la génération peut réapparaître sous forme de vérification des sources, de réécriture, de correction et de relecture managériale.

L’affirmation inverse mérite également du scepticisme. L’assistance par IA n’efface pas automatiquement l’expertise ni l’originalité. Un expert du domaine peut utiliser un modèle pour réorganiser des informations tout en gardant le contrôle de chaque décision de fond.

La variable non résolue est le processus de travail. Qui a fourni les connaissances, qui a évalué le résultat et qui en a accepté la responsabilité ? Ces questions révèlent davantage que des suppositions stylistiques sur l’implication éventuelle d’une machine.

Trois signaux montreront si les règles de l’IA au travail gagnent en maturité

La prochaine étape de l’écriture par IA au travail se mesurera à travers des processus divulgués, la qualité de la relecture et des procédures équitables de règlement des litiges.

Le premier signal sera de savoir si les employeurs remplacent les interdictions générales par des règles propres à chaque tâche. Une politique mature distinguera le brainstorming, l’édition, la traduction, la synthèse, la génération et l’action autonome. Elle identifiera aussi les informations soumises à restriction et les services approuvés.

Si ce changement se produit, l’argument central présenté ici s’en trouvera renforcé. Les employés et les managers disposeront d’une base commune pour discuter des comportements. Si les employeurs continuent de donner des consignes vagues telles que « utilisez l’IA de manière responsable », les litiges continueront de dépendre d’interprétations personnelles.

Le deuxième signal sera de savoir si les entreprises mesurent le travail de correction en aval. Les dirigeants suivent souvent la rapidité avec laquelle un brouillon apparaît, mais pas le temps consacré à vérifier les sources, à réparer le ton ou à corriger des erreurs formulées avec assurance. Cela produit une vision incomplète de la productivité.

Les équipes devraient comparer le travail achevé et accepté plutôt que la vitesse brute de génération. Elles peuvent examiner les cycles de révision, les taux d’erreurs factuelles, le temps des relecteurs, les plaintes des clients et les reprises de travail. Ces mesures révèlent si l’assistance par IA réduit l’effort total ou le transfère simplement à quelqu’un d’autre.

La preuve d’un temps total de relecture réduit sans baisse de qualité renforcerait l’argument en faveur d’une écriture par IA encadrée. Une hausse des coûts de correction affaiblirait l’idée qu’une adoption large améliore automatiquement la productivité.

Le troisième signal sera de savoir si les employés disposent d’un moyen équitable de contester les accusations liées à l’IA. Ce processus doit communiquer les éléments retenus, permettre une réponse et éviter de traiter les scores des détecteurs comme définitifs. Les décisions à fort impact doivent faire intervenir une relecture humaine qualifiée.

Un processus crédible examinera également si une règle était claire au moment où le travail a été produit. Une application rétroactive des règles nuit à la confiance et encourage le silence. Les employés doivent savoir quels éléments sont conservés et si les données d’utilisation de l’IA influencent l’évaluation de leurs performances.

Ces signaux comptent au-delà d’une simple chronique de conseils. L’écriture par IA est passée d’un choix de productivité individuel à un enjeu dans la relation entre les salariés et les managers. Elle affecte désormais la paternité des contenus, la confidentialité, l’évaluation, la sécurité et l’identité professionnelle.

Les organisations devraient se poser une question concrète avant l’arrivée du prochain mémo suspect : un manager pourrait-il expliquer la règle de l’entreprise sans se référer à l’impression que donne le texte ? Si la réponse est non, la politique n’est pas prête.

Les conseils de Roxane Gay sur l’écriture par IA mettent finalement en lumière un problème de management que les logiciels ne peuvent pas résoudre. Un manager doit évaluer le travail, formuler sa préoccupation, écouter le salarié et relier toute réponse aux éléments de preuve. Aucun détecteur ne peut assumer cette responsabilité à la place du manager.

Commencez par les faiblesses concrètes du document. Demandez au salarié d’expliquer son processus. Vérifiez les sources, les brouillons et la politique pertinente. Décidez ensuite si le problème relève de la qualité, de la sécurité, de la divulgation ou de l’honnêteté.

Cette séquence laisse place à la fois à la responsabilité et à l’équité. Elle donne également aux organisations quelque chose de plus précieux qu’une supposition sur la paternité d’un texte : une méthode reproductible pour déterminer si un travail assisté par IA mérite leur confiance.