Pendant mes formations, je retrouve souvent le même décalage. Nous parlons d’assistants IA, mais nous continuons à décrire le travail comme nous le faisions il y a quinze ans : ouvrir Outlook, chercher un document, remplir un tableau, préparer une présentation.
Nous décrivons nos manipulations. Beaucoup moins ce que nous cherchons à accomplir.
Pourtant, l’arrivée d’un assistant disponible au fil du travail oblige à reposer une question fondamentale : qu’est-ce qui fait qu’une tâche commence, avance et se termine ?
2027 sert ici d’horizon de réflexion. Ce qui suit s’appuie sur des recherches existantes, sans prétendre annoncer une transformation déjà universelle.
Une tâche commence par un écart à combler
Prenons une situation banale. Un collègue demande des renseignements sur une formation avant de s’y inscrire.
Ma tâche pourrait s’appeler « répondre au courriel ». Mais son résultat attendu est plus précis : permettre à ce collègue de décider, à partir d’informations fiables sur le contenu, les préalables et les modalités.
Je dois comprendre sa demande, consulter les sources, repérer les informations manquantes, éventuellement interroger quelqu’un, puis formuler et transmettre ma réponse.
Le courriel déclenche le travail. Outlook en accueille une partie. Aucun des deux ne définit à lui seul la tâche.
Je propose donc cette définition pratique :
Une tâche est un engagement à faire passer une situation d’un état initial à un résultat vérifiable, avec un responsable, un contexte et une condition de fin.
C’est une proposition d’organisation du travail, pas une définition scientifique universelle. Elle aide à relier ce que la personne doit comprendre à ce qu’elle doit effectivement produire.
Chez l’humain, cela demande de maintenir un objectif, de sélectionner les informations pertinentes et d’ajuster ses actions. Dans un assistant, nous cherchons à organiser des fonctions comparables : expliciter le résultat, fournir le contexte utile, choisir des outils et contrôler ce qui a été obtenu.
La question utile devient : « Qu’est-ce qui doit avoir changé lorsque j’aurai terminé ? »
Pourquoi retrouve-t-on la cognition humaine dans les assistants ?
Ce rapprochement a des fondements réels. En 2025, Taylor Webb, Shanka Subhra Mondal et Ida Momennejad présentent une architecture de planification explicitement inspirée du cerveau humain : le Modular Agentic Planner. Elle répartit le travail entre des fonctions comme la décomposition des tâches, la prédiction des états, leur évaluation et la coordination.
La cognition humaine constitue donc bien une référence de conception pour certaines architectures d’IA.
Il faut cependant être précis : tous les assistants ne sont pas des reproductions du cerveau. Un modèle de langage et un assistant complet ne sont pas non plus la même chose. Le second associe au modèle des instructions, des outils, des mécanismes de conservation du contexte et parfois une orchestration.
Les parallèles sont fonctionnels. Le contexte disponible joue un rôle comparable à celui des informations mobilisées pendant le travail. Les documents persistants aident à retrouver des éléments au-delà de l’échange immédiat. Les outils permettent d’agir sur l’environnement. Ces fonctions ne constituent pas des équivalences biologiques.
Dans ReAct, les chercheurs organisent ainsi une alternance entre raisonnement formulé, actions et observations. Le système peut rechercher une information, examiner le résultat et adapter la suite.
On reconnaît une logique familière : réfléchir, agir, constater, corriger. Cela éclaire la conception du système sans prouver qu’il pense comme nous.
Nous disposons d’un nouvel appui cognitif
Nous avons toujours utilisé des supports pour travailler : carnets, agendas, listes, collègues et documents. Risko et Gilbert parlent de décharge cognitive pour décrire le recours à des actions et à l’environnement afin de réduire les exigences cognitives d’une tâche.
L’assistant prolonge cette possibilité. Il peut contribuer à structurer une demande confuse, comparer des sources ou préparer une première version.
Mon hypothèse pour 2027 est simple : pour une part croissante des travailleurs du savoir, travailler avec un assistant disponible deviendra une situation ordinaire.
Cela transforme la manière d’aborder une difficulté. Je peux commencer par lui exposer ce que je comprends, ce qui me manque et ce que je cherche à obtenir, plutôt que d’attendre de savoir exactement quelle commande formuler.
Dans notre exemple, je peux demander : « Voici le message de mon collègue et le plan de cours officiel. Quelles informations permettent de répondre ? Lesquelles faut-il encore vérifier ? »
L’assistant devient un appui à l’accomplissement de la tâche. Sa disponibilité ne garantit toutefois ni son accès aux bonnes données ni la justesse de ses propositions.
Une tâche peut durer trois jours sans occuper trois jours de travail
Lundi, je comprends la demande. Mardi, j’attends une confirmation. Mercredi, je rédige et j’envoie la réponse.
La tâche est restée ouverte. Mon attention, elle, est passée à autre chose.
Cette différence compte. Les travaux de Sophie Leroy sur le résidu attentionnel montrent qu’une partie de notre activité cognitive peut rester attachée à une tâche précédente lorsque nous passons à la suivante.
Un assistant peut contribuer à rendre les reprises plus explicites. Encore faut-il conserver un état exploitable : résultat attendu, sources retenues, décisions prises, information manquante et prochaine action.
Un historique de conversation n’est pas automatiquement un état de tâche fiable.
Chez l’humain, nous cherchons des indices pour nous rappeler où nous en étions. Dans le système, il faut organiser ces indices et les rendre accessibles au moment de reprendre.
flowchart TD
A["Tâche ouverte"] --> B["Travail en cours"]
B --> C{"Information suffisante ?"}
C -->|Non| D["Attente et état conservé"]
D -->|Nouvel élément| B
C -->|Oui| E["Résultat à valider"]
E -->|À corriger| B
E -->|Critères satisfaits| F["Livraison et clôture"]Ce schéma décrit un mode d’organisation proposé. Sa mise en œuvre dépend des fonctions et des accès disponibles dans l’assistant utilisé.
La conversation accompagne la tâche
Une conversation permet de clarifier, d’explorer, de rapprocher des informations et de produire. Elle peut être très utile sans constituer l’unité complète du travail.
Une même tâche peut traverser plusieurs conversations : une première pour analyser la demande, une autre pour travailler sur un document, puis une reprise après validation d’un collègue.
Inversement, une seule conversation peut suffire à plusieurs opérations cohérentes.
La conversation transporte le contexte ; la tâche organise l’exécution.
Que l’on utilise Copilot, ChatGPT, Claude ou un environnement comme Mistral Vibe, cette distinction reste utile. Les capacités concrètes diffèrent. Le besoin de savoir ce qui reste à accomplir demeure.
Chez l’humain, changer de bureau ne change pas nécessairement l’objectif. Dans l’assistant, changer de conversation ne devrait pas nous obliger à perdre l’état du travail. C’est une exigence à organiser, pas une continuité à supposer acquise.
La voix accélère l’expression, pas automatiquement l’accomplissement
Je crois que la voix prendra une place importante dans cette évolution. Elle permet d’exposer une situation avec ses hésitations, ses nuances et ses contraintes, sans devoir d’abord la condenser en une requête parfaitement écrite.
Une étude menée à Stanford en 2016 a observé une saisie vocale environ trois fois plus rapide que la frappe sur un clavier de téléphone pour l’anglais, dans les conditions de l’expérience.
Ce résultat ne signifie pas que parler rend tout travail trois fois plus rapide. Il concerne la saisie mobile, dans un cadre expérimental précis.
Son intérêt est ailleurs : le coût d’expression peut diminuer. Je peux expliquer mon problème, demander à l’assistant de le reformuler, puis vérifier qu’il a compris le résultat attendu.
Le passage essentiel se situe entre la parole et la représentation du travail. Une intention exprimée doit devenir une tâche explicite.
La voix restera complémentaire de l’écrit : nous avons aussi besoin de lire, comparer, corriger précisément et travailler dans des environnements où parler est peu pratique.
Le collectif commence par un état du travail partageable
Edwin Hutchins a montré, à travers l’étude d’un cockpit, que certaines performances cognitives s’expliquent à l’échelle d’un ensemble associant plusieurs personnes et des dispositifs techniques.
L’organisation connaît déjà cette réalité. Une personne détient une information, une autre un pouvoir de validation, un document conserve une décision.
L’assistant ajoute un participant technique à cet ensemble. Mais sa présence ne suffit pas à rendre le travail collectif intelligible.
Si j’attends une confirmation pour répondre à mon collègue, ma tâche reste sous ma responsabilité. La personne sollicitée peut avoir sa propre tâche : vérifier puis transmettre l’information. Le processus organisationnel coordonne ces engagements et leurs dépendances.
Pour coopérer, nous devons rendre visibles le résultat attendu, le responsable, les décisions, les attentes et la prochaine action. Le collectif a besoin d’un état partagé et vérifiable, pas de l’intégralité de mes échanges avec l’IA.
L’assistant peut aider à préparer cette transmission. L’organisation doit définir où elle fait foi et qui peut la modifier.
En 2027, apprendre à travailler avec l’IA, c’est apprendre à conduire une tâche
La compétence dépasse largement la rédaction de prompts. Elle consiste à définir un résultat, réunir des sources, ordonnancer les actions, préserver un état de reprise et juger si le travail est réellement terminé.
Ce dernier point reste central. Une enquête publiée à CHI 2025 auprès de 319 travailleurs du savoir relève une association entre confiance élevée dans l’IA et moindre exercice déclaré de pensée critique. Elle décrit aussi un déplacement vers la vérification, l’intégration des réponses et la conduite du travail. Il s’agit de déclarations recueillies par enquête, sans démonstration causale d’une perte de capacités.
L’assistant peut donc prendre davantage de place dans l’exécution pendant que notre responsabilité se concentre sur le sens, les critères et la validation.
Voilà pourquoi je place la tâche au centre. Elle donne une direction à la conversation, une utilité aux outils et une condition de fin au travail.
En 2027, une tâche pourrait se définir comme une continuité d’intention, de contexte et de responsabilité, menée jusqu’à un résultat vérifié avec l’appui d’humains et d’assistants.
Notre enjeu sera de préserver cette continuité, même lorsque le travail change de jour, d’interlocuteur ou d’interface.
Références
– Webb, T., Mondal, S. S. et Momennejad, I. (2025). [A brain-inspired agentic architecture to improve planning with LLMs](https://doi.org/10.1038/s41467-025-63804-5). *Nature Communications*, 16, 8633. Inspiration cognitive explicite, évaluée sur des tâches expérimentales.
– Yao, S. et coll. (2023). [ReAct: Synergizing Reasoning and Acting in Language Models](https://arxiv.org/abs/2210.03629). ICLR. Articulation entre raisonnement formulé, actions et observations.
– Anthropic (2024). [Building effective agents](https://www.anthropic.com/research/building-effective-agents). Référence d’ingénierie sur les modèles augmentés d’outils et les architectures agentiques.
– Risko, E. F. et Gilbert, S. J. (2016). [Cognitive Offloading](https://discovery.ucl.ac.uk/id/eprint/1508770/). *Trends in Cognitive Sciences*, 20(9), 676–688. Synthèse sur la décharge cognitive.
– Leroy, S. (2009). [Why is it so hard to do my work? The challenge of attention residue when switching between work tasks](https://doi.org/10.1016/j.obhdp.2009.04.002). *Organizational Behavior and Human Decision Processes*, 109(2), 168–181.
– Ruan, S. et coll. (2016). [Speech Is 3x Faster than Typing for English and Mandarin Text Entry on Mobile Devices](https://hci.stanford.edu/research/speech/paper.html). Étude expérimentale sur la saisie mobile.
– Hutchins, E. (1995). [How a Cockpit Remembers Its Speeds](https://doi.org/10.1207/s15516709cog1903_1). *Cognitive Science*, 19(3), 265–288. Référence fondatrice sur la cognition distribuée.
– Lee, H.-P. et coll. (2025). [The Impact of Generative AI on Critical Thinking](https://doi.org/10.1145/3706598.3713778). CHI 2025. Enquête sur l’effort cognitif et les pratiques déclarées de travailleurs du savoir.
