# mollick-making-ai-work-leadership-lab-crowd-2025-05-22

## Veille

Adoption IA organisationnelle, transformation du travail, stratégie d'innovation, leadership, productivité, oneusefulthing.org

## Titre Article

Making AI Work: Leadership, Lab, and Crowd

## Date

2025-05-22

## URL

https://www.oneusefulthing.org/p/making-ai-work-leadership-lab-and

## Keywords

Adoption IA, transformation organisationnelle, productivité, leadership, innovation ambidextre, expérimentation, collaboration homme-IA, avantage compétitif, apprentissage organisationnel

## Authors

Ethan Mollick

## Ton

**Profil :** Académique-praticien | Première personne, thought leader | Registre analytique-prescriptif | Niveau technique intermédiaire

Mollick adopte une voix de constructeur de framework, synthétisant les enseignements de la recherche en stratégies organisationnelles actionnables. La structure tripartite « Leadership, Lab, Crowd » révèle une pensée systématique typique des frameworks de management. Langage équilibré entre académique (apprentissage organisationnel, innovation ambidextre) et pratique (expérimentation, gains de productivité). Ton encourageant et pragmatique, positionnant la transformation IA comme gérable plutôt qu'écrasante. Le format Substack permet une exploration en profondeur impossible dans des formats plus courts. Typique des académiques-praticiens (style Rita McGrath, Clayton Christensen) traduisant la recherche en conseils exécutifs, visant les dirigeants d'organisations confrontés au changement technologique.

## Pense-betes

- **Paradoxe de l'adoption IA** : gains individuels importants (jusqu'à triplement de productivité) mais amélioration organisationnelle minimale
- **Gains de performance réels** : études au Danemark et aux États-Unis montrent des économies de temps substantielles
- **Adoption large** : 30-40% des travailleurs américains utilisent l'IA professionnellement (vs 20% dans les systèmes officiels)
- **Potentiel inexploité** : outils de recherche profonde, agents IA, et génération de contenu peuvent accomplir des transformations majeures
- **Framework en 3 parties** : Leadership, Lab, Crowd
  - **Leadership** : vision claire, incitations à l'adoption transparente vs usage "shadow"
  - **Lab** : unité d'innovation ambidextre, transforme workflows en solutions scalables, benchmarking IA
  - **Crowd** : travailleurs expérimentés découvrent applications efficaces par essai-erreur
- **Recommandations clés** :
  - Établir des zones d'expérimentation explicites (pas seulement des guidelines éthiques vagues)
  - Formation = expérience pratique (pas juste techniques de prompting)
  - Benchmarks organisationnels sur tâches réelles de l'entreprise
  - Repenser les structures d'incitation qui poussent à cacher l'usage de l'IA
  - Remettre en question le but des tâches quand l'efficacité élimine les goulots d'étranglement
- **Message clé** : "L'avantage compétitif appartient aux organisations qui apprennent le plus vite, pas à celles qui attendent une clarté parfaite"
- **Moment d'action** : maintenant, pendant que tout est encore incertain et désordonné

## RésuméDe400mots

Ethan Mollick identifie un paradoxe majeur dans l'adoption de l'IA en entreprise : alors que les travailleurs individuels rapportent des gains de productivité significatifs (certains affirmant que l'IA "a triplé leur productivité"), les organisations constatent des améliorations globales de performance minimales.

**Quatre observations centrales**

Premièrement, les gains de performance sont réels et documentés. Des études au Danemark et aux États-Unis montrent que les travailleurs obtiennent des économies de temps substantielles dans des domaines variés : développement produit, ventes, conseil et rôles techniques.

Deuxièmement, l'adoption est généralisée. Entre 30 et 40% des travailleurs américains utilisent l'IA professionnellement, bien que les systèmes officiels d'entreprise montrent des taux d'engagement plus faibles (~20%), révélant un usage "shadow" important.

Troisièmement, un potentiel inexploité existe. Les outils de recherche profonde, les agents IA et les systèmes de génération de contenu peuvent accomplir un travail transformationnel bien au-delà des implémentations organisationnelles actuelles.

Quatrièmement, les organisations ne capturent pas cette valeur. Les gains individuels de productivité ne se traduisent pas automatiquement en améliorations organisationnelles sans innovation systémique.

**Le Framework : Leadership, Lab, and Crowd**

Mollick propose un modèle en trois composantes pour résoudre ce paradoxe.

Le **Leadership** doit établir une vision claire sur l'impact futur de l'IA sur le travail et créer des incitations encourageant l'adoption transparente plutôt que l'usage caché motivé par la peur des licenciements ou de la diminution de reconnaissance.

Le **Lab** fonctionne comme une unité d'innovation ambidextre, transformant les workflows découverts par la foule en solutions scalables, établissant des benchmarks de capacités IA sur des tâches réelles de l'organisation, et construisant des prototypes expérimentaux testant les possibilités émergentes.

La **Crowd** représente les travailleurs expérimentés qui découvrent organiquement des applications IA efficaces par essai-erreur, puis partagent les workflows réussis à l'échelle de l'entreprise.

**Recommandations pratiques**

Mollick insiste sur la nécessité de dépasser les directives éthiques vagues pour établir des zones d'expérimentation explicites. La formation doit être recadrée comme une expérience pratique plutôt que l'instruction de techniques de prompting. Les organisations doivent construire des benchmarks mesurant la performance IA sur leurs tâches réelles.

Il souligne également l'importance d'adresser les structures d'incitation qui empêchent les travailleurs de révéler leur productivité assistée par IA, et de fondamentalement repenser le but des tâches quand les gains d'efficacité éliminent les goulots d'étranglement précédents.

**Vision stratégique**

L'insight critique de Mollick : l'avantage compétitif appartient aux organisations qui apprennent le plus rapidement, pas à celles qui attendent une clarté parfaite. "Le moment de commencer n'est pas quand tout devient clair—c'est maintenant, pendant que tout est encore désordonné et incertain."

## GrapheDeConnaissance

- Ethan Mollick —recommande→ framework Leadership-Lab-Crowd (METHODOLOGIE, 0.99)
- Ethan Mollick —publie→ One Useful Thing (ORGANISATION, 0.99)
- Manus —est_basé_sur→ Claude (TECHNOLOGIE, 0.97)
- Ethan Mollick —utilise→ Manus (TECHNOLOGIE, 0.97)
- Shopify —a_créé→ politique IA prioritaire (CONCEPT, 0.95)
- Duolingo —a_créé→ politique IA prioritaire (CONCEPT, 0.95)
- Andrew Carton —soutient→ importance d'une vision concrète du leadership (CONCEPT, 0.9)
- Ethan Mollick —affirme_que→ les gains individuels IA ne se traduisent pas en gains organisationnels (AFFIRMATION, 0.98)
- travailleurs américains —utilise→ IA (TECHNOLOGIE, 0.93)
- Secret Cyborgs —est_basé_sur→ incitations organisationnelles inadaptées (CONCEPT, 0.92)
- Lab —utilise→ innovation ambidextre (CONCEPT, 0.95)
- Wharton —a_créé→ simulation business complexe (METHODOLOGIE, 0.9)
- Google Veo 3 —permet→ génération de vidéos à partir de texte (CONCEPT, 0.95)

---
Canonical: https://www.thekb.eu/en/fiches/mollick-making-ai-work-leadership-lab-crowd-2025-05-22/