Matthieu Biava

L’intelligence collective est partout : dans les réunions projet, les ateliers métiers, les irritants remontés par le terrain, les désaccords entre directions, les intuitions des experts, les signaux faibles captés par les managers. Le problème n’est donc pas de “créer” de l’intelligence collective. Le problème est de réussir à l’écouter, à la structurer, à la discuter et à la transformer en décisions utiles.

—

Pendant longtemps, l’intelligence collective a été abordée d’abord comme une affaire de méthode : ateliers de coconstruction, design thinking, séminaires, post-it, world cafés, communautés apprenantes. Ces démarches restent utiles. Mais elles ont une limite très opérationnelle : une grande partie de ce qui se dit disparaît. Les objections fines sont rarement reprises. Les désaccords sont souvent lissés. Les formulations les plus structurantes ne sont pas toujours celles qui survivent dans le compte rendu final. Et, entre l’énergie de l’atelier et la formalisation du livrable, la matière collective perd souvent en précision.

L’IA peut changer cette mécanique. Non pas en remplaçant le collectif, mais en lui donnant une capacité nouvelle : écouter en continu, capter les signaux faibles, modéliser en direct, restituer une représentation provisoire du débat, rendre visibles les angles morts. C’est ce que nous faisons avec l’app Stellar IA.

Dans un atelier de transformation, cela devient concret. Une IA peut analyser la discussion en temps réel et produire une première cartographie des impacts humains : populations concernées, irritants, risques d’adoption, compétences à renforcer, zones de flou, points de désaccord. Elle peut formaliser un narratif de transformation à partir des mots réellement utilisés par les participants. Elle peut distinguer ce qui relève d’un problème d’usage, d’un problème de confiance, d’un problème de charge ou d’un problème managérial. Elle peut, surtout, remettre cette matière au groupe immédiatement, pour que le collectif la corrige, la conteste et l’enrichisse.

L’IA a de la valeur parce qu’elle fabrique un objet de discussion. Un tableau d’impacts, une carte des perceptions, une liste d’hypothèses ou un scénario d’adoption deviennent des supports de controverse productive.

Les travaux académiques sur l’intelligence collective éclairent bien cet enjeu. Anita Woolley et ses coauteurs ont montré, dans deux études portant sur 699 personnes réparties en groupes de deux à cinq, qu’il existe un facteur d’intelligence collective. Ce facteur n’est pas fortement corrélé au QI moyen ou maximal des membres du groupe. Il est davantage lié à la sensibilité sociale, à la qualité des interactions et à une répartition équilibrée de la parole. Dit autrement : un collectif n’est pas intelligent parce qu’il additionne des expertises, mais parce qu’il sait les faire circuler.

L’IA peut précisément aider cette circulation, à condition d’être conçue comme une infrastructure de collaboration.

Une première expérience intéressante est celle du “Collaborative Canvas” étudié par He, Houde, Gonzalez et Zhang. Les chercheurs ont testé un canevas virtuel intégrant un grand modèle de langage auprès de 17 professionnels habitués aux ateliers d’idéation à distance. Les participants ont vu dans l’IA un appui à la facilitation, à l’augmentation des perspectives et à la relance des idées. Le cas est parlant : dans un atelier classique, le facilitateur doit écouter, relancer, synthétiser, gérer le temps et maintenir l’énergie du groupe. Avec une IA bien intégrée, une partie de cette charge cognitive peut être prise en charge par le dispositif, permettant au facilitateur de se concentrer sur la dynamique humaine du collectif.

Une deuxième expérience, menée par Zhang, Sun et An, a étudié l’usage de ChatGPT dans des débats en classe. Sur quatre semaines, 22 étudiants ont participé à trois cycles de débat avec l’appui de l’IA. Les chercheurs observent que l’outil peut réduire l’anxiété sociale, aider les novices à formuler des arguments et soutenir la division du travail dans les équipes. Pour l’entreprise, l’enseignement est immédiat : dans un groupe où certains parlent trop vite, trop fort ou trop souvent, l’IA peut fournir des points d’appui à ceux qui interviennent moins facilement. Elle ne garantit pas l’équilibre de la parole, mais elle peut le soutenir.

Une troisième expérience, conduite par Wei, Wang, Lee et Liu, porte sur 60 étudiants engagés pendant 20 semaines dans des projets de narration digitale. Les étudiants utilisant des outils d’IA générative  (ChatGPT, Midjourney, Runway) ont obtenu de meilleurs résultats en résolution collaborative de problèmes et en créativité d’équipe, notamment sur les dimensions de nouveauté et d’expérience utilisateur. Le résultat montre que l’IA peut jouer un rôle dans les boucles d’itération : produire une option, recevoir un feedback, reformuler, comparer, décider. C’est exactement ce dont les collectifs ont besoin dans les projets complexes.

Nous avons travaillé cette question dans un autre article consacré au rôle de l’IA dans les processus de décision collaborative, à partir de projets de transformation menés dans un grand groupe. Nous avons comparé 8 projets de transformation, avec des ateliers chacun traité avec et sans IA, soit 16 ateliers au total. Dans 5 projets sur 8, le groupe avec IA produit un meilleur livrable ; dans 2 cas, le résultat est équivalent ; dans 1 cas, le groupe sans IA fait mieux.

Mais le résultat le plus intéressant n’est pas seulement là. Nous pouvions craindre que l’IA produise une forme de convergence artificielle : une synthèse propre, consensuelle, trop lisse. Or l’étude indique autre chose. Le niveau d’alignement déclaré par les participants est plus élevé sans IA (88 % en moyenne) qu’avec IA, où il atteint 69 % à la première itération puis 73 % à la seconde (ce qui traduit un moindre alignement lors de la première étape et une progression lors de la deuxième étape). Autrement dit, l’IA ne réduit pas nécessairement le débat : elle peut même le stimuler.

Pourquoi ? Parce qu’elle externalise une première formulation. Le groupe peut alors réagir à un objet commun plutôt qu’à l’opinion d’un collègue. C’est plus facile de dire “cette synthèse ne reflète pas notre désaccord” que de contredire frontalement une personne. L’IA devient alors un tiers cognitif : imparfait, discutable, mais utile parce qu’il rend le débat visible.

La condition est évidemment de ne pas demander à l’IA de lisser le réel. Une IA configurée pour produire une synthèse élégante produira souvent du consensus de surface. Une IA configurée pour faire apparaître les tensions, les alternatives, les objections et les risques d’adoption peut, au contraire, renforcer la qualité de la décision collective.

C’est probablement l’un des grands usages de l’IA à explorer dans les organisations : non pas seulement automatiser des tâches individuelles, mais augmenter les situations collectives.

Ateliers de transformation, comités projet, séminaires managers, communautés métiers, démarches d’écoute terrain, diagnostics d’adoption : toutes ces situations produisent une matière riche, mais sous-exploitée.

L’IA permet de passer d’une intelligence collective événementielle à une intelligence collective instrumentée. Elle donne au collectif une mémoire, un miroir et parfois un contradicteur. Elle permet de mieux écouter, de mieux structurer et de mieux décider.

L’enjeu est de concevoir des dispositifs où l’IA donne enfin toute sa valeur à ce que les collectifs savent déjà produire : des expériences, des désaccords, des intuitions, des arbitrages, des signaux faibles, bref, de l’intelligence en mouvement.

Bibliographie

Biava, M., & Vanhée, L. (2025). Au cœur des transformations : Cultiver un équilibre dynamique pour générer des impacts positifs. EMS Éditions, coll. Questions de société. ISBN 978-2-38630-089-9.

Biava, M., & Plancade, V. A. (2025). Role of AI in collaborative decision process in the context of change management projects.

He, J., Houde, S., Gonzalez, G., & Zhang, Y. (2024). AI and the Future of Collaborative Work: Group Ideationwith an LLM in a Virtual Canvas. CHIWORK 2024.

Postmes, T., Spears, R., & Cihangir, S. (2001). Quality of DecisionMaking and Group Norms. Journal of Personality and Social Psychology, 80(6), 918–930.

Wei, X., Wang, L., Lee, L.-K., & Liu, R. (2025). The effects of generative AI on collaborative problem-solving and teamcreativity performance in digital story creation: an experimentalstudy. International Journal of Educational Technology in Higher Education, 22, 23.

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.

Zhang, Z., Sun, B., & An, P. (2025). Breaking Barriers or Building Dependency?Exploring Team-LLM Collaboration in AI-Infused Classroom Debate. arXiv:2501.09165.