L'IA a réduit le problème d'information des achats. Elle rend le jugement plus important.

Préparer une revue fournisseur pouvait demander des heures : contrats, anciennes offres, mouvements de marché, comptes rendus, facteurs de coûts et contraintes internes étaient dispersés dans plusieurs sources. L'IA peut aujourd'hui condenser une grande partie de ce travail en quelques minutes. Le gain est réel, mais il déplace la difficulté.

Lorsque produire de l'information devient rapide et peu coûteux, la compétence rare n'est plus d'obtenir une réponse. Elle consiste à décider si une réponse convaincante mérite suffisamment de confiance pour peser sur une décision commerciale.

Une étude publiée en 2026 sur la calibration de la confiance dans les décisions humain-IA fournit un cadre utile. Igbodor et ses collègues ont combiné les résultats de 68 études primaires avec une enquête menée auprès de 200 professionnels et 30 entretiens dans plusieurs domaines. Ces chiffres ne sont pas des références propres aux achats, mais l'idée centrale reste pertinente : une bonne collaboration ne repose pas sur un maximum de confiance, mais sur une confiance ajustée à la qualité de l'évidence.

Le risque se cache souvent dans une réponse plausible

Les hallucinations sont le problème le plus visible, mais pas le seul. Un système peut produire des phrases toutes défendables en apparence et conduire malgré tout à une recommandation commerciale faible parce que le cadre est incomplet.

Il peut constater correctement qu'un indice de matière première a augmenté de six pour cent et mal évaluer la demande du fournisseur parce que son exposition réelle diffère, que la productivité a changé, que la période de référence est mauvaise ou que le contrat attribue déjà ce risque. Il peut résumer parfaitement une clause de résiliation tout en ignorant qu'un changement de fournisseur exige neuf mois de qualification.

Ces erreurs sont difficiles à repérer précisément parce que le résultat paraît professionnel. L'incertitude n'a pas disparu ; elle a été transformée en texte cohérent.

Un utilisateur compétent demande de quoi la réponse est faite

Il ne suffit donc pas de décider si une réponse “semble juste”. Quelles affirmations viennent des faits fournis, lesquelles viennent de sources, lesquelles sont des inférences et quelles hypothèses ont été ajoutées faute d'information ? Quelle hypothèse, si elle était fausse, modifierait le plus la recommandation ?

Dans les achats, cette discipline est essentielle parce que la connaissance est répartie. L'ingénierie connaît le risque de qualification, la finance la contrainte budgétaire, les opérations les problèmes de service et les achats l'historique fournisseur. L'IA ne voit que ce qui lui parvient. Notre article sur les requêtes d'IA pour préparer une négociation en tire une règle pratique : avant de demander une stratégie, il faut faire émerger les informations manquantes capables de la changer.

L'objectif n'est pas de tout soupçonner. La confiance doit être proportionnelle à l'évidence, à l'incertitude et aux conséquences d'une erreur.

Le rôle de l'acheteur peut s'élargir plus vite que son expertise

Un acheteur peut aujourd'hui demander à l'IA d'interpréter une clause de responsabilité, de vérifier un modèle de coût cible, d'analyser des données fournisseur ou de construire un raisonnement financier sans transmettre chaque sujet au service juridique, à l'analyse de données ou à la finance. C'est utile. Cela signifie aussi que le périmètre du poste peut évoluer plus vite que la profondeur d'expertise de la personne.

OpenAI Economic Research a publié en septembre 2026 un signal intéressant. Les chercheurs ont analysé plus de 1,5 million de messages ChatGPT liés au travail entre avril et juillet et observé l'usage de l'IA pour des tâches traditionnellement associées à d'autres professions. Parmi environ 6 200 travailleurs suivis de manière régulière, les tâches interprofessionnelles déjà utilisées sont passées de 13,1 % de l'activité IA spécifique au métier en avril à 25,9 % en juillet. Dans une analyse appariée distincte, les utilisateurs revenaient le mois suivant à une tâche interprofessionnelle déjà utilisée dans 23,6 % des cas, contre 8,4 % chez des travailleurs comparables sans utilisation antérieure observée.

Cela ne prouve ni que les fiches de poste ont officiellement changé ni que le travail a été bien réalisé. L'échantillon porte sur des utilisateurs sélectionnés de ChatGPT et mesure l'usage, pas la qualité du résultat. Il montre cependant qu'une partie du travail situé au-delà des frontières traditionnelles du métier devient récurrente.

La manière de solliciter l'IA est elle aussi révélatrice. Hors de leur champ professionnel habituel, les utilisateurs demandaient moins souvent des explications ou des instructions pas à pas et fournissaient plus souvent du contexte, des exemples ou des demandes de vérification. Une interprétation proposée par les chercheurs est qu'ils empruntent une expertise plutôt qu'ils ne cherchent à devenir experts du domaine voisin.

Pour les achats, cela ouvre une question délicate de responsabilité décisionnelle. Si un acheteur commence à réaliser des tâches comportant une dimension juridique, financière ou analytique, qui porte le jugement lorsque la réponse est plausible mais erronée ? L'IA peut élargir le rayon d'action de l'acheteur sans transférer avec lui la responsabilité, le contexte et la profondeur professionnelle du spécialiste.

L'écart de jugement apparaît maintenant dans les données sur le travail

Une étude mondiale de l'IBM Institute for Business Value publiée le 21 septembre 2026 rend le problème plus concret. IBM et Oxford Economics ont interrogé 1 500 CHRO et responsables équivalents de la stratégie du travail dans 21 zones géographiques et 23 secteurs, ainsi que 8 800 salariés à temps plein dans 28 pays.

71 % des CHRO considèrent la capacité à superviser, valider et, si nécessaire, outrepasser les résultats de l'IA comme la compétence la plus importante de la main-d'œuvre. Seuls 29 % des salariés classent le jugement parmi les compétences importantes. 60 % craignent que l'IA érode leurs compétences, tandis que 41 % des CHRO pensent que les salariés peuvent ne pas se sentir en sécurité lorsqu'il faut contester ou outrepasser une recommandation d'IA.

Ce sont des données déclaratives, pas des tests mesurés du jugement. Elles ne prouvent pas que l'IA a déjà réduit la pensée critique d'une quantité précise. Le signal utile est le décalage : les organisations déclarent que le jugement face à l'IA devient essentiel, mais les personnes chargées de l'exercer ne semblent pas lui accorder la même priorité.

IBM rapporte également que 80 % des CHRO voient l'IA créer du travail invisible : valider des recommandations, corriger des erreurs, apporter du contexte et gérer les exceptions. Pour les achats, c'est central. Être humain dans la boucle ne signifie pas cliquer sur approuver. Quelqu'un doit reconnaître qu'un fait commercial manque, qu'une hypothèse est obsolète ou qu'une réponse plausible ne correspond pas au dossier réel.

Dans les achats, l'explication modifie la confiance accordée à l'algorithme

Une expérience publiée en septembre 2026 dans l'International Journal of Industrial Ergonomics apporte un mécanisme propre à un contexte achats. Yining Ye et ses collègues ont comparé cinq types d'explication dans une tâche simulée de décision achats avec 40 participants.

Les participants préféraient les explications informatives, techniquement précises et logiquement cohérentes. Le type d'explication influençait à la fois la confiance subjective et l'acceptation de la recommandation algorithmique.

L'étude est exploratoire et de petite taille. Les participants avaient entre 20 et 34 ans, avec une moyenne de 24,5 ans, et la tâche utilisait un ensemble fini et prédéfini d'informations pertinentes. Une décision achats réelle est souvent plus désordonnée, avec un contexte réparti entre ingénierie, finance, opérations, contrats et historique fournisseur.

Cette limite est justement importante.

Si la manière d'expliquer modifie la confiance même dans une tâche bornée, un professionnel a besoin de plus qu'une recommandation. Il doit voir suffisamment le raisonnement, les hypothèses et les limites d'information pour décider quelle autorité accorder au résultat.

Cela explique aussi pourquoi la transcription d'une négociation réelle ne suffit pas toujours à conseiller correctement l'acheteur. Elle montre le mouvement dans la conversation, mais peut omettre le mandat, le coût de changement, le risque de qualification ou l'échange global qui détermine si ce mouvement était commercialement défendable.

Une recommandation d'IA peut devenir une ancre interne

Les achats connaissent l'effet d'ancrage dans les négociations. Le premier chiffre ou cadre crédible influence ce qui suit, et une recommandation générée par IA peut produire le même effet à l'intérieur de l'entreprise.

Imaginons une revue de catégorie concluant qu'une hausse fournisseur de huit pour cent devrait probablement être ramenée à trois. Le chiffre peut reposer sur des données de marché incomplètes et des hypothèses sur le rapport de force. Une fois présenté dans une note très propre, il commence pourtant à organiser le débat : la finance demande pourquoi les achats n'atteindraient pas trois pour cent et le plan de négociation traite peu à peu une estimation du modèle comme une référence de l'organisation.

La décision reste officiellement humaine. Dans les faits, contester coûte davantage qu'accepter, car il faut désormais expliquer pourquoi la recommandation du système n'est pas suivie. Laisser le dernier bouton d'approbation à une personne ne suffit pas à corriger ce déplacement d'autorité.

La supervision humaine n'a de sens que si le désaccord reste possible

Un article conceptuel publié en 2026 dans AI & Society pose une question voisine à travers l'idée de “bien-être épistémique” au travail : les professionnels conservent-ils réellement la capacité de juger, contester et assumer la responsabilité lorsque les recommandations algorithmiques acquièrent une autorité organisationnelle ? Ce travail ne mesure pas un effet propre aux achats, mais la question qu'il soulève est utile.

Si une recommandation d'approvisionnement suit par défaut un score produit par IA et qu'une dérogation exige une note spéciale ou une validation hiérarchique, l'acheteur peut rester responsable tout en perdant une partie de son autorité pratique. Une personne peut rester formellement dans la boucle et devenir malgré tout un simple validateur.

Une supervision réelle demande donc de la compréhension, un accès à l'évidence et la possibilité organisationnelle de dire qu'une recommandation est plausible mais pas encore assez solide pour la décision en question.

Les achats peuvent mieux former à l'usage de l'IA qu'à sa contestation

L'analyse sur cinq ans du Procurement Imperative publiée par SAP le 17 septembre 2026 apporte un signal directement lié aux achats.

La dernière étude porte sur 2 648 dirigeants de niveau C dans 23 pays. Dans l'édition 2025 de la série, 68,2 % citaient la maîtrise de l'IA et l'éthique comme priorité principale en matière de compétences, contre 34,1 % pour les compétences achats traditionnelles. La curiosité n'était priorisée que par 10 % des répondants.

La même série montre qu'en 2026, les insights fondés sur l'IA et la prédiction sont devenus la première priorité du category management, citée par 66,6 % des répondants.

Ces chiffres ne prouvent pas que les équipes achats perdent leur curiosité ou leur jugement. Ils montrent en revanche où se concentre l'attention formelle.

Cela crée un paradoxe possible. Les achats peuvent devenir très compétents dans l'utilisation de l'IA tout en sous-investissant dans la capacité à la contester.

La compétence pratique n'est pas une curiosité abstraite comme trait de personnalité. Elle se voit dans le comportement : demander quelles preuves soutiennent une recommandation, tester les hypothèses, rechercher le contexte fournisseur absent, contester une réponse confortable et savoir quand un résultat de modèle ne doit pas devenir une ancre interne.

Un acheteur qui accepte sans examen un argument de coût plausible produit par l'IA rencontre au fond le même problème qu'un acheteur qui accepte sans examen un argument plausible du fournisseur.

Plus le système devient bon, plus la calibration compte

Un mauvais outil garde les utilisateurs vigilants parce que chaque réponse paraît douteuse. Un très bon outil crée le risque inverse : il a raison assez souvent pour que la vérification commence à sembler inutile. La compétence ne consiste donc pas à résister à l'IA, mais à savoir quand la confiance est justifiée et quand une décision à fort impact mérite une vérification supplémentaire.

Un professionnel expérimenté peut utiliser un résultat lorsque les sources sont à jour, les hypothèses correspondent au cas et le coût de l'erreur reste limité. La même personne s'arrête si la recommandation dépend d'un coût de changement non vérifié et doit influencer une décision fournisseur critique.

Les deux comportements sont compétents. La défiance totale gaspille l'outil ; la confiance totale abandonne le jugement.

La négociation rend la frontière visible

La négociation expose ce problème parce que le plan préparé rencontre de nouvelles informations en temps réel. Le fournisseur rejette le modèle de coûts, l'ingénierie révèle une qualification plus longue, une concession de prix arrive liée à un engagement de volume imprévu ou la contrepartie escalade. L'acheteur doit alors décider ce que cette information change réellement.

Voice2Evolve travaille sur cette frontière d'exécution. Le participant peut arriver avec un plan préparé avec l'aide de l'IA, rencontrer de la résistance dans une conversation simulée puis examiner pourquoi il a conservé, modifié ou abandonné ce plan. L'enjeu n'est pas d'obéir à la préparation, mais de pouvoir défendre commercialement la décision prise.

L'IA rend les achats beaucoup plus rapides pour produire de l'information. C'est précisément pourquoi la capacité à décider quelle autorité accorder à cette information devient plus importante.

Sources

• IBM Institute for Business Value (21 septembre 2026). New IBM CHRO Study: AI Puts Critical Thinking at the Center of Workforce Priorities.

• Ye, Y., Zheng, J., & Ma, L. (septembre 2026). Decoding user preferences: A study of explanations for algorithmic decision support in procurement. International Journal of Industrial Ergonomics, 115, 104029.

• OpenAI Economic Research (16 septembre 2026). How workers are unlocking new ways of working, Work at the Frontier.

• Igbodor, E. et al. (2026). Trust calibration in human-AI collaborative decision-making: a cross-domain investigation of climate intelligence and organisational governance systems. Human-Intelligent Systems Integration.

• Salazar-Altamirano, M. A., & Ravina-Ripoll, R. (2026). Beyond efficiency: epistemic well-being at work under algorithmic governance. AI & Society.

• Borisov, I. G. (2026). From Outputs to Warranted Claims: Reframing AI Literacy as Culturally Mediated Quality Judgement for HRD. Human Resource Development Review.