AI Decision Matrix

Ina Sebastian, Peter Weill, Thomas Haskamp et Jan vom Brocke ont construit l'AI Decision Matrix au MIT CISR à partir d'entretiens avec 30 dirigeants, sur le postulat que les décisions diffèrent par nature. Elle croise l'ambiguïté (dans quelle mesure les données déterminent la réponse, et dans quelle mesure les gens sont d'accord sur celle-ci) avec le risque (les conséquences d'une erreur et la difficulté à la corriger). Chaque décision se décompose en cadrage, action et apprentissage, et chaque composante peut être confiée à un humain ou à l'IA.

Les quatre quadrants attribuent à l'IA des rôles différents, sous supervision humaine de bout en bout. Chez One New Zealand, un agent transforme les demandes des marketeurs en requêtes SQL pour construire des segments ; le temps passé a chuté de 60%, et un humain relit avant la mise en ligne. Les décisions à forte conséquence gardent une personne dans la boucle partout où le prix est en jeu, car une erreur de tarification est jugée inacceptable. Le travail exploratoire, comme le contenu marketing, laisse le cadrage circuler entre humains et IA pendant que la gouvernance est surveillée. Les décisions stratégiques restent du ressort de la direction humaine : quinze agents analysent les données du réseau et des agents d'orchestration les coordonnent, mais les compromis entre fiabilité, expérience client et coût ne sont pas délégués.

Nicolas Suchaud de WEnvision mobilise la matrice pour une autre raison : Value × Feasibility et ses variantes ont cessé de trier quoi que ce soit dès qu'un prototype d'agent prend des semaines à construire. Sa réponse consiste à prioriser les décisions plutôt que les cas d'usage, et il place la réversibilité en premier critère. Beth Stackpole relève le recadrage opéré par les auteurs eux-mêmes : la question se déplace de où utiliser l'IA vers comment gérer les décisions qu'elle façonne.