L’IA centrée sur l’humain améliore la performance grâce à des interactions personnalisées

Le professeur de la GSEM Sebastian Raisch, ainsi que Sebastian Krakowski, Darek Haftor, Johannes Luger et Natallia Pashkevich, ont co-écrit un article publié dans la revue de premier plan Management Science. L’étude analyse la collaboration entre humains et IA dans des tâches managériales non structurées au sein d’une entreprise pharmaceutique multinationale. Les chercheurs/euses ont adapté le déploiement de l’IA — procédures de travail, autorité décisionnelle, formation et incitations — aux styles cognitifs des employé-es, classés en « adaptateurs » ou « innovateurs ».

Les résultats montrent que l’ajustement de l’interaction avec l’IA aux styles cognitifs améliore significativement la performance commerciale, tandis qu’une interaction non adaptée peut la réduire en raison de perturbations dans les flux de travail et de conflits de rôle. L’interaction personnalisée favorise également l’utilisation du système d’IA, ce qui contribue aux gains de performance observés. Ces résultats soulignent que la collaboration efficace entre humains et IA nécessite d’aligner les systèmes d’IA avec les besoins cognitifs des personnes et le contexte de travail.

Les auteurs/trices ont bénéficié du soutien du Fonds national suisse de la recherche scientifique, de la Fondation familiale Erling Persson et de la Fondation Marianne et Marcus Wallenberg.

ABSTRACT

Humans and artificial intelligence (AI) algorithms increasingly interact on unstructured managerial tasks. We propose that tailoring this human-AI interaction to align with individuals’ cognitive preferences is essential for enhancing performance. This hypothesis is examined through a field experiment in a multinational pharmaceutical firm. In the experiment, we manipulated four contextual parameters of human-AI interaction—work procedures, decision-making authority, training, and incentives—to align with sales experts’ cognitive styles, categorized as either adaptors or innovators. Our results show that tailored interaction significantly improves sales performance, whereas untailored interaction results in negative treatment effects compared with both the tailored and control conditions. Qualitative evidence suggests that this negative outcome arises from role conflicts and ambiguities in untailored interaction. Exploring the mechanisms underlying these outcomes further, a mediation analysis of AI login data reveals that human-AI interaction tailoring leads sales experts to adjust their AI utilization, which contributes to the observed performance outcomes. These findings support a human-centered approach to AI that prioritizes individuals’ information-processing needs and tailors their interaction with AI accordingly.

Accédez à l'étude : Human-Centered Artificial Intelligence: A Field Experiment (en anglais)

> Cliquez ici pour voir les publications du corps professoral de la GSEM dans des revues de premier plan.