L'ingénierie sociale de l'adoption d'outils

Un whitepaper Bricks

Sur la psychologie comportementale du changement d'outils au travail — pourquoi « dépendance » est le mauvais mot, pourquoi les régressions font plus mal que les améliorations, et pourquoi une plateforme dont l'IA est une interface (et non un runtime) est la seule réponse honnête à l'adoption de l'IA en entreprise.

Juin 2026

Conception et propriété intellectuelle : Simon Mulquin. Rédaction et assistance à la recherche : Claude Opus 4.7 (Anthropic). Publié par Bricks.

Résumé exécutif

Un fil récurrent du commentaire industriel en 2025–26 s'est arrêté sur une lecture particulière des développeurs qui disent « ne plus pouvoir faire leur travail » lorsque leur employeur substitue un assistant IA à un autre — l'exemple canonique étant la migration d'un modèle de frontière vers un assistant interne ou fourni par un vendeur, moins capable. Le registre dominant cadre cela comme un manquement moral — une dépendance honteuse, une génération de praticiens qui n'a jamais appris à coder sans LLM, un savoir-faire perdu.

Ce document soutient que la lecture morale est erronée, et que se tromper à ce sujet a des conséquences organisationnelles. Le développeur n'est pas « dépendant » d'un outil au sens clinique ou pathologique, et le sens systémique qu'implique le cadrage est plus nuancé que ne le suggère le discours. Le modèle lui-même n'est la source d'aucun lock-in significatif — le marché de l'API IA est concurrentiel et substituer l'assistant d'un vendeur à celui d'un autre est un exercice d'ingénierie direct. Ce qui n'est pas gratuit, c'est de faire reculer la pratique du travailleur. Le comportement s'adapte à un outil sur des mois ; faire reculer cette adaptation — vers un assistant moins capable, ou vers aucun — est une adaptation qui prend un temps proportionné et porte un risque d'attrition réel pour toute entreprise qui ne l'a pas budgété. La question du coût total de possession qui en découle n'est donc pas « peut-on changer le modèle » — on peut — mais « peut-on absorber la baisse de productivité, le ralentissement de la cadence opérationnelle, et le coût d'attrition pendant la traversée ». Il y a bien un risque systémique réel dans ce tableau ; ce n'est pas le lock-in vendeur à la couche modèle mais ce qui arrive quand une entreprise a câblé une capacité IA dans le chemin critique d'une fonction et n'a pas payé d'avance la facture du recul de pratique. C'est aussi le mode de défaillance contre lequel Bricks s'est explicitement architecturé : l'IA est offerte comme une capacité de support au-dessus d'un substrat déterministe, jamais comme une fonction runtime de chemin critique sans laquelle les clients de la plateforme seraient incapables d'opérer. Le développeur au centre du narratif dominant manifeste la réponse comportementale entièrement prévisible d'un travailleur humain dont l'outil a été dégradé sans les ingrédients requis pour le changement d'habitude. La littérature de psychologie comportementale sur cette question est profonde de soixante ans et remarquablement cohérente. Cette littérature a des noms ; le discours les utilise rarement.

Deux affirmations structurent le document :

La première affirmation est psychologique. Les transitions d'outillage en entreprise ne sont pas une question de savoir si le nouvel outil peut techniquement faire le travail. Elles sont une question de savoir si l'organisation a fourni les ingrédients requis pour que les personnes faisant le travail changent leurs habitudes. La grille de Knoster (vision / compétences / incitations / ressources / plan d'action), l'analyse des champs de force de Lewin, la formule de Gleicher, l'équation comportementale de Fogg, et l'aversion à la perte de Kahneman-Tversky convergent toutes vers le même point opérationnel : un changement de politique sans ressources, sans incitation et sans chemin n'est pas une transition. C'est une régression imposée par l'attrition. Nous nommons ces cadres pour orienter les lecteurs vers la littérature sous-jacente plutôt que pour la résumer ; nous attendons de toute personne prenant une vraie décision de changement qu'elle lise au-delà de notre glose.

La seconde affirmation est architecturale, et c'est celle sur laquelle Bricks lui-même engage sa position. Une plateforme qui utilise l'IA comme interface vers un substrat déterministe — moteur de workflow, SDK, graphe sémantique, registre de flux de données — est structurellement différente d'un produit dont le runtime dépend d'un appel LLM continu. Le premier peut absorber un changement de modèle sans casser ce qui a déjà été livré ; le second ne peut pas. Bricks est du premier type. La croissance sans IA est linéaire mais assurée ; avec IA elle est exponentielle. Seule la moitié exponentielle est ce qui permet à la plateforme d'atteindre la longue traîne — les petites entreprises, associations, communes et freelances que les logiciels au prix des GAFAM ont structurellement exclus.

Le reste du document développe ces deux affirmations, les ancre dans la littérature de psychologie comportementale par leur nom, et tire les conséquences opérationnelles pour la manière dont Bricks accueille de nouveaux intégrateurs, soutient les migrations d'outils au sein des organisations clientes, et se positionne contre un écosystème IA qui a passé dix-huit mois à confondre « adoption de l'IA » avec « remplacement par l'IA d'un travail que les gens savaient autrefois faire ».

Pilier 1 — La dépendance n'est pas le bon mot

Le cadrage dominant — « un développeur qui dépend de son assistant IA » — confond deux phénomènes distincts : la dépendance runtime (le travail ne peut absolument pas avancer sans l'outil) et l'attachement comportemental (le travail peut avancer, mais le coût de le faire à l'ancienne est désormais bien plus élevé qu'avant). Les deux exigent des interventions différentes et racontent des histoires différentes sur le travailleur. Une précision utile est de noter que même la dépendance qui existe siège à une couche différente de celle qu'implique le cadrage — à la couche pratique, où le recul d'habitude est lent et coûteux, et non à la couche modèle, où les substitutions de vendeurs sont une ingénierie routinière. Confondre les deux est ce qui fait passer la question pour un problème de discipline du travailleur alors qu'il s'agit en réalité d'un problème de budget organisationnel.

Personne ne dépend d'une pelle pour creuser un trou. On peut creuser à mains nues. Mais prenez un opérateur d'excavatrice et demandez-lui de creuser le même trou avec une pelle, la pelle avec une cuillère, la cuillère avec ses mains, et vous obtiendrez exactement la réaction que le commentaire dominant raille — et vous l'obtiendrez d'un travailleur qui n'est ni faible, ni gâté, ni dépourvu des fondamentaux. Il manifeste le coût prévisible d'avoir vu sa surface d'outil contractée sans aucun des ingrédients requis pour que le travail soit réorganisé autour de la surface contractée.

Un métier n'est pas une activité dont on change l'outil. Un métier est une pratique — une organisation apprise de l'attention, de la mémoire, du vocabulaire, des habitudes, de l'identité et de l'image professionnelle de soi autour d'une surface d'outil particulière. Les outils façonnent la pratique ; les pratiques s'accumulent à l'intérieur du travailleur. Le vocabulaire psychologique honnête pour ce que le développeur au centre de ces histoires décrit n'est pas « je ne peux pas travailler sans cet outil » mais « l'énergie requise pour faire ce travail avec le nouvel outil est matériellement plus élevée qu'elle ne l'était, et mon employeur ne m'a pas fourni les ingrédients pour absorber ce coût ».

C'est le vocabulaire que la littérature de psychologie comportementale utilise depuis soixante ans pour décrire les changements d'outils organisationnels, indépendamment du fait que l'outil soit un logiciel, un processus de fabrication, un protocole clinique ou un système de dossiers médicaux. Les deux piliers suivants nomment les cadres pertinents.

Pilier 2 — Les ingrédients du changement : Knoster

Le cadre diagnostique le plus largement utilisé pour les transitions d'outils en entreprise vient du modèle du changement complexe de Timothy Knoster (développé dans les années 1990 avec Villa et Thousand, à partir des Dynamics of Planned Change de Lippitt en 1958, Lippitt étant lui-même issu du groupe de Kurt Lewin au Research Center for Group Dynamics). Il identifie cinq ingrédients qui doivent être présents simultanément pour qu'un changement réussisse : vision, compétences, incitations, ressources et plan d'action. La valeur diagnostique du modèle est son inverse — lorsqu'un ingrédient manque, le mode de défaillance est prévisible et nommé :

La grille est diagnostique précisément parce qu'elle ne se réduit pas à une cause racine unique. La plupart des transitions d'outils en entreprise qui échouent présentent deux ou trois ingrédients manquants à la fois, et le comportement résultant dans la population affectée est un composé des modes de défaillance correspondants — anxiété superposée à la résistance, frustration superposée à la confusion. Le développeur au centre du narratif dominant manifeste la combinaison de manuel scolaire : compétences manquantes (les affordances du nouvel outil non apprises), incitations manquantes (aucun bénéfice personnel à réapprendre), et ressources manquantes (pas de temps de formation, pas de tolérance à la baisse de productivité). La signature que le commentaire raille — anxiété, résistance, frustration — est exactement ce que prédit la grille de Knoster lorsque ces trois éléments sont absents simultanément. Le discours la lit comme un défaut de caractère ; la grille la lit comme trois entrées manquantes.

L'implication opérationnelle est qu'une transition d'outil en entreprise est une question de budget, pas une question de discipline. Les cinq ingrédients de Knoster sont chacun une ligne dans le budget que le programme de changement doit financer : la vision est une ligne de communication, les compétences sont une ligne de formation, les incitations sont une ligne de rémunération, les ressources sont une ligne de baisse de productivité, le plan d'action est une ligne de gestion de projet. Lorsque l'un des cinq n'est pas financé, le mode de défaillance correspondant apparaît dans la population affectée à l'heure prévue. Prétendre le contraire est la posture modale du discours d'adoption de l'IA en 2025–26, et explique une grande partie de l'attrition que ce discours produit.

Des littératures académiques adjacentes parviennent à la même conclusion opérationnelle par des vocabulaires différents. La tradition clinique et du changement comportemental en santé dispose du modèle COM-B et de la Behaviour Change Wheel (Susan Michie, UCL) — utile comme résumé d'altitude supérieure qui capture les mêmes contraintes sous trois rubriques (Capability, Opportunity, Motivation). Nous la mentionnons pour les lecteurs qui veulent entrer dans la littérature académique par ce côté ; nous ne la traitons pas comme le cadre primaire pour les transitions d'outils en entreprise, parce qu'elle abstrait la spécificité diagnostique par ingrédient qui rend la grille de Knoster opérationnellement utile au niveau du budget. Les lecteurs tentés de s'arrêter au résumé COM-B devraient suivre la Behaviour Change Wheel jusqu'au travail d'intervention-mapping sous-jacent, où la spécificité par mécanisme revient.

Pilier 3 — Forces et seuils : Lewin, Gleicher, Fogg

Une seconde tradition dans la même littérature se concentre moins sur les ingrédients et davantage sur les forces et seuils — ce qui doit être ajouté, retiré ou multiplié pour que l'équilibre du comportement se déplace réellement.

L'analyse des champs de force de Kurt Lewin est le cadre fondateur. Développée dans les années 1940 au sein de la théorie du champ plus large de Lewin en psychologie sociale, elle modélise tout état actuel de comportement comme un équilibre quasi-stationnaire maintenu en place par deux ensembles de forces opposés : des forces motrices poussant vers le changement et des forces de retenue maintenant l'état actuel. La tentation en conduite du changement est de se concentrer uniquement sur les forces motrices — « vendre » plus fort le nouvel outil, faire plus retentir l'annonce, marquer le programme. L'observation empirique de Lewin est que cela augmente typiquement la tension sans produire de changement, parce que les forces de retenue s'élèvent en proportion. L'intervention plus efficace est généralement l'inverse : affaiblir les forces de retenue. Identifier ce qui rend le comportement actuel facile et le retirer, avant ou en parallèle de l'ajout d'une pression vers le nouveau comportement. La séquence en trois étapes correspondante — dégel → changement → regel — est largement citée et souvent résumée de manière superficielle. Le vrai point de Lewin était que la phase dégel est celle qui est sous-budgétée : la plupart des programmes de changement dépensent leurs ressources sur la phase de changement, alors que la phase de changement est rarement la contrainte limitante. La plupart des transitions d'entreprise qui ont échoué ont échoué dans le dégel qu'elles n'ont jamais fait.

L'affirmation plus profonde de la théorie du champ — que le comportement est déterminé par le champ total de forces dans lequel la personne se trouve, et non par des traits de caractère, des préférences dispositionnelles ou des « niveaux de compétence » abstraits du contexte — est le même mouvement épistémologique que ce document fait tout du long. Cela déplace la charge explicative de l'intérieur du travailleur vers l'environnement du travailleur, et c'est la base sur laquelle a été construit le reste de la littérature en conduite du changement. La méthodologie de recherche-action que Lewin a introduite parallèlement à la théorie du champ — cycles itératifs diagnostiquer-agir-réfléchir, avec les participants comme co-investigateurs — est l'engagement méthodologique qui en découle, et reste le modèle dominant de la pratique sérieuse du changement.

La formule post-Lewin la plus souvent citée dans la pratique du changement en entreprise est la formule D×V×F>R de Gleicher (David Gleicher, années 1960 ; popularisée par Beckhard et Harris, puis affinée par Dannemiller dans la forme la plus couramment citée) : D × V × F > R. L'insatisfaction (Dissatisfaction) vis-à-vis du statu quo, multipliée par la Vision de l'alternative, multipliée par l'existence de Premiers pas (First steps) concrets, doit excéder la Résistance au changement. La forme multiplicative est la partie porteuse. Deux ingrédients à des valeurs élevées ne peuvent pas compenser un troisième à zéro. Une vision deux fois plus inspirante ne peut pas sauver une transition sans premier pas concret ; des premiers pas deux fois plus concrets ne peuvent pas sauver une population sans insatisfaction ressentie dans l'état actuel.

La formule de Gleicher est ce que la plupart des notes de « stratégie IA » dans les grandes entreprises violent à l'inspection. Elles contiennent un V (une vision d'une main-d'œuvre plus productive) et un F est implicite (quelqu'un mettra en place le nouvel outil). Mais D est typiquement absent — les travailleurs ne sont pas insatisfaits de leur pratique actuelle, ils y sont productifs — et la multiplication produit donc un produit proche de zéro, contre un R indéterminé mais réel. Le programme de changement ne démarre pas. Dire aux travailleurs qu'ils devraient être insatisfaits ne génère pas d'insatisfaction ; au contraire, cela élève R en ajoutant l'insulte à l'inertie.

Le troisième cadre est l'équation comportementale de Fogg : B=MAP de Fogg (Behaviour = Motivation × Ability × Prompt). Développée au Persuasive Technology Lab de Stanford dans les années 2000 et détaillée dans Tiny Habits (2019), c'est l'analogue à l'échelle individuelle des formules ci-dessus à l'échelle de la population. Un comportement se produit quand motivation, capacité (Ability) et déclencheur (Prompt) coïncident tous au même moment. La contribution de Fogg par-delà les traditions behavioristes antérieures — le conditionnement opérant de Skinner en particulier — réside dans l'ingénierie délibérée des termes Ability et Prompt : quand la motivation est peu fiable (comme elle l'est pour presque tout changement qu'un travailleur n'a pas choisi), le levier de conception est de rendre le comportement si facile et si bien sollicité qu'une faible motivation suffit. Le corollaire, sur lequel nous revenons au Pilier 7, est que la conception architecturale peut se substituer à la motivation jusqu'à un certain point — ce qui est exactement le mouvement substrat-comme-application-de-politique que fait Bricks.

La pertinence pour le narratif industriel dominant est directe. « Vous utilisez désormais le nouvel assistant » est un Prompt sans investissement dans Ability (aucun temps de formation n'a été budgété) et sans levier de Motivation (aucun bénéfice personnel n'a été offert). Le comportement que décrit la note de management ne se produit pas. Le comportement qui se produit réellement — irritation visible, débit ralenti, transfert de la charge cognitive sur les soirées et week-ends, attrition à terme — est exactement ce que l'équation prédit.

Les noms de cette section comptent parce qu'ils sont le vocabulaire par lequel la conversation sur les transitions d'outils n'est pas une conversation sur le caractère. C'est une conversation sur quel intrant l'organisation a oublié de fournir, quelle force de retenue elle a oublié de retirer, et quel seuil le produit multiplicatif n'a pas réussi à franchir.

Pilier 4 — L'asymétrie des régressions : aversion à la perte, dotation, et autonomie

Le point le plus fort dans la réaction à ce narratif — et celui qui fait le plus de travail analytique — concerne l'asymétrie entre amélioration et régression. Passer d'une pelle à une excavatrice est aussi une transition d'outil, avec son propre coût de reformation, mais c'en est une que le travailleur est globalement disposé à absorber parce que l'outil lui-même fait une partie du travail de le tirer en avant. Passer d'une excavatrice à une pelle exige un bénéfice plus élevé et davantage de ressources pour atteindre la même conformité, parce qu'il n'y a pas d'attraction vers le haut depuis l'outil — l'outil fait maintenant partie de la résistance.

La littérature comportementale rend compte de cette asymétrie à travers trois effets liés et bien répliqués : l'aversion à la perte, l'effet de dotation et le biais de statu quo. Les noms sont différents ; la régularité empirique sous-jacente est la même.

L'aversion à la perte vient de la Prospect Theory de Daniel Kahneman et Amos Tversky (1979) et a été affinée dans leurs travaux de cumulative prospect theory (1992). Le résultat, répliqué dans des centaines d'études et plusieurs décennies de validation interculturelle : les pertes sont pondérées environ deux fois plus lourdement que les gains équivalents dans la prise de décision humaine. Perdre 100 € fait à peu près deux fois plus mal que gagner 100 € ne fait plaisir. L'asymétrie n'est pas une erreur d'arrondi dans la fonction d'utilité ; c'est une caractéristique structurelle de la manière dont les humains évaluent le changement. Le prix Nobel qui a suivi (Kahneman, 2002) atteste de la durabilité du résultat.

L'effet de dotation de Thaler — formalisé pour la première fois dans l'article de Richard Thaler de 1980 et largement documenté par Kahneman, Knetsch et Thaler — est la conséquence de l'aversion à la perte pour les objets, capacités ou pratiques possédés. Les gens attribuent plus de valeur aux choses qu'ils possèdent actuellement qu'à des choses identiques qu'ils ne possèdent pas. Un praticien qui a bâti son flux quotidien autour d'un outil particulier possède une pratique en ce sens fort — l'outil fait partie d'une surface de travail intégrée dans laquelle il a investi, qu'il a personnalisée et à laquelle il s'est adapté. Retirer l'outil retire une partie de la pratique, pas seulement une partie de la boîte à outils. La compensation requise pour neutraliser la perte est empiriquement d'environ le double de la compensation qui aurait produit le gain correspondant.

Le biais de statu quo de Samuelson-Zeckhauser (Samuelson et Zeckhauser, 1988) généralise le même résultat aux questions d'architecture de choix : les gens manifestent une forte préférence pour le résultat par défaut, même quand le défaut n'est pas meilleur que l'alternative sur les critères explicites du choix. L'inertie n'est pas de la paresse ; c'est un biais cognitif mesurable qui se compose avec l'aversion à la perte et l'effet de dotation pour rendre toute régression forcée à peu près une résistance profonde sur trois plans — le travailleur perd simultanément une capacité (aversion à la perte), défait une pratique qu'il possédait (dotation), et quitte un équilibre familier (statu quo).

Le même mécanisme — défendre un défaut sans avoir vérifié si l'alternative répondait mieux aux critères explicites — éclaire deux statu quo particulièrement durs à l'intérieur de la culture développeur. Le premier est la position selon laquelle la protection des données est une question de cybersécurité, un frein à l'innovation, ou simplement « pas importante » ; lecture qui s'effondre dès qu'on traite le RGPD comme une discipline architecturale plutôt que comme une obligation à cocher (la posture développée dans Security, Governance, and Data-Protection Framework Compatibility, et étendue à l'accessibilité et à l'empreinte écologique dans Inclusion and Ecology, as Architecture). Le second est la position selon laquelle la souveraineté algorithmique se réduit à l'open source, lecture qui rate les trois autres couches de souveraineté que Bricks essaie de restaurer — déléguée, juridictionnelle, opérationnelle — couches développées dans Vers un commun numérique, La théorie du changement de Bricks, et le pilier participation du whitepaper Souveraineté algorithmique par la délibération. Dans les deux cas, ce que le commentaire industriel lit comme du bon sens est en réalité un défaut maintenu en place par l'effet conjugué d'un biais de statu quo et d'une dotation cognitive sur un cadrage hérité.

Le quatrième cadre, et le moins cité dans le discours d'adoption de l'IA, est la Théorie de l'autodétermination de Deci-Ryan (Edward Deci et Richard Ryan, 1985, avec un travail programmatique continu jusque dans les années 2010). La TAD identifie trois besoins psychologiques innés dont la satisfaction soutient la motivation intrinsèque : l'autonomie (le sentiment d'agir volontairement plutôt que d'être contrôlé), la compétence (le sentiment d'être efficace dans ce que l'on fait), et la relation à autrui (le sentiment d'être connecté aux autres). Les transitions d'outils forcées violent fiablement les trois : l'autonomie est réduite (le changement n'a pas été choisi), la compétence est temporairement détruite (le travailleur est brièvement moins bon dans son travail à nouveau), et la relation est déstabilisée (le tissu social de « comment nous faisons les choses ici » est perturbé). La TAD prédit, et la littérature empirique confirme, que la conformité dans de telles conditions est superficielle et régresse dès que la surveillance se relâche. Le comportement visible dans la résistance n'est pas de l'entêtement ; c'est la conséquence prévisible d'une intervention qui a simultanément violé trois des quatre conditions de la motivation intrinsèque.

L'implication pour la conversation sur l'outillage IA, lorsque les quatre cadres sont empilés :

• Une équipe passant d'un IDE moins capable à un IDE augmenté par l'IA plus capable fait une amélioration contre le seul biais de statu quo. L'outil lui-même fournit la force motrice, et le travailleur autofinance souvent le coût de reformation sur ses soirées — l'autonomie est élevée (il a choisi l'outil ou estime l'avoir fait), la compétence monte (le nouvel outil le rend meilleur), et l'effet de dotation ne s'est pas encore attaché.
• Une équipe passant d'un assistant IA de frontière à un remplaçant moins capable — pour des raisons de coût, contractuelles ou de gestion vendeur — fait une régression qui déclenche les quatre effets simultanément : aversion à la perte sur l'écart de capacité, effet de dotation sur la pratique qu'elle avait bâtie autour de l'outil précédent, biais de statu quo sur l'équilibre qu'elle doit quitter, et frustration TAD-autonomie sur le fait que le choix a été fait pour elle. L'investissement compensatoire requis pour maintenir son niveau de production stable n'est empiriquement pas le double de l'investissement d'amélioration ; c'est plusieurs fois cet investissement, parce que les quatre résistances s'empilent.
• Le développeur au centre du narratif dominant décrit le second cas. Le commentaire le lit comme s'il décrivait le premier. Le décalage de cadrage est ce qui fait que le discours se lit comme du mépris et que la plainte du développeur se lit comme de la dépendance.

La littérature de psychologie comportementale n'appelle pas cela de la dépendance. Elle l'appelle le coût prévisible d'un échange inégal, payé par le travailleur, dans un régime où l'employeur n'a pas budgété pour les asymétries structurelles de l'échange. C'est un échec de budget composé d'un échec de cadrage, pas un échec de caractère.

Pilier 5 — Le comportement comme processus et comme population : Prochaska et Rogers

Le cinquième cadre est le TTM de Prochaska et DiClemente (Transtheoretical Model), le modèle dominant des stades du changement dans la littérature de santé comportementale depuis les années 1980. Les cinq stades — précontemplation → contemplation → préparation → action → maintien, avec la rechute comme partie normale du cycle plutôt que comme échec — ont été développés empiriquement à partir d'études longitudinales sur l'arrêt du tabac, puis validés à travers l'addiction, l'adhésion médicamenteuse, l'adoption de l'exercice, et plusieurs décennies de pratique clinique. Depuis les années 1990, le modèle est largement appliqué au changement de comportement au travail, y compris à l'adoption d'outils.

La première contribution du TTM est la plus importante pour notre propos : il nomme un fait que la plupart des programmes de changement en entreprise ignorent structurellement. La plupart des travailleurs ne sont pas au stade « action » le jour où le changement d'outil est annoncé. Ils sont distribués à travers les stades antérieurs — le plus lourdement en précontemplation (inconscients que le changement arrive, ou conscients et désintéressés), contemplation (pesant le changement), ou préparation (rassemblant les ressources pour commencer). Un programme de changement qui ne s'adresse qu'aux travailleurs déjà en « action » — les premiers adoptants, les enthousiastes de l'IA, ceux qui écrivent des posts de thought-leadership sur la facilité de tout cela — et traite tous les autres comme des retardataires confond une distribution de population avec une hiérarchie morale.

La seconde contribution du TTM est le corps de preuves empiriques — les propres méta-analyses de Prochaska et une littérature de suivi substantielle — montrant que les interventions appariées au stade surpassent les interventions agnostiques au stade par de larges marges. Un programme de changement qui utilise la même communication, la même formation, la même structure d'incitation pour chaque travailleur quel que soit le stade délivre de moins bons résultats qu'un programme qui distingue les soutiens requis à chaque stade :

• Les travailleurs en précontemplation ont besoin d'informations qui élèvent la conscience sur pourquoi le changement vient et ce qu'il signifierait pour eux personnellement — pas de formation, qu'ils ne peuvent pas utiliser, et pas d'exhortation, qu'ils rejetteront.
• Les travailleurs en contemplation ont besoin de comparaisons de scénarios claires — coût du statu quo vs. coût de transition vs. coût post-transition — et d'un travail de balance décisionnelle pour faire émerger les arbitrages qu'ils pèsent intérieurement.
• Les travailleurs en préparation ont besoin d'accès à des outils, à des sandboxes, à une pratique à faible enjeu et à du temps engagé — ce que la littérature appelle l'auto-libération, les petits premiers engagements qui rendent le plus grand atteignable.
• Les travailleurs en action ont besoin d'une permission pour une baisse de productivité, d'un renforcement social et de l'absence d'initiatives conflictuelles. Ils font le vrai travail de changement ; empiler des demandes de changement supplémentaires sur eux à ce stade est la manière modale dont les programmes de changement s'effondrent.
• Les travailleurs en maintien ont besoin de reconnaissance et de stabilité. De nouvelles perturbations sur une population en stade de maintien déclenchent une rechute — non comme un échec de volonté mais comme conséquence prévisible de demandes de changement qui se chevauchent.

Une note de management adressée à « tout le monde » ne satisfait aucune de ces populations. Un budget qui ne finance que la formation (soutien de stade action) ne satisfait que la population qui y était déjà.

Le cadre population-niveau complémentaire est la Diffusion des innovations de Rogers (1962, avec cinq éditions d'affinement jusqu'en 2003). Là où Prochaska décrit les stades que traverse un individu, Rogers décrit la structure d'une population adoptante : innovateurs (2,5 %), premiers adoptants (13,5 %), majorité précoce (34 %), majorité tardive (34 %), retardataires (~16 %), avec des taux d'adoption gouvernés par les attributs perçus de l'innovation (avantage relatif, compatibilité, complexité, testabilité, observabilité) et par la structure du réseau social à travers lequel l'information circule. Le modèle a été validé à travers les innovations agricoles, le changement de pratique médicale, l'adoption technologique et les transitions d'outils organisationnelles, et c'est l'un des cadres les plus largement cités dans les sciences sociales.

La pertinence pour l'adoption de l'IA est que les voix les plus fortes dans le discours — le posteur de thought-leadership, l'enthousiaste de l'IA, le blogueur de l'adoption précoce — sont par définition tirées des populations d'innovateurs et de premiers adoptants, qui ensemble représentent environ un sixième de toute population adoptante normale. Lire leur expérience comme représentative de « ce à quoi ressemble l'adoption de l'IA » est une erreur de catégorie : c'est ce à quoi ressemble l'adoption de l'IA pour la population la plus prédisposée à adopter quoi que ce soit. La majorité précoce — la population substantivement importante dont l'adoption détermine si l'innovation atteint l'échelle — a des besoins différents (compatibilité avec la pratique existante, observabilité de l'usage réussi par les pairs, complexité gérable), et un programme de changement optimisé pour la population innovatrice échouera systématiquement à les rencontrer. Le développeur au centre du narratif dominant est, dans le vocabulaire de Rogers, très plausiblement un adoptant de majorité précoce à qui on demande de se comporter comme un innovateur sans aucun soutien pour l'écart. Le mépris dirigé contre lui est le mépris de la population innovatrice pour la population majoritaire, projeté comme un discours sur le caractère.

Ensemble, les cadres nommés jusqu'ici — les ingrédients de Knoster, le champ de force et le dégel-changement-regel de Lewin, le seuil multiplicatif de Gleicher, l'équation comportementale de Fogg, la pile aversion à la perte / dotation / statu quo / TAD, les soutiens appariés au stade de Prochaska, et la structure de population adoptante de Rogers — forment ce qu'une organisation intéressée à réellement changer ce que ses travailleurs font au travail doit commander, budgéter et mesurer. Ils ne sont pas nouveaux ; ils ne sont pas obscurs ; ils ne sont pas optionnels. Le fait que le registre dominant du discours d'adoption de l'IA en 2025–26 soit moral plutôt que comportemental est en soi un signe que le discours est mené par des personnes qui n'ont pas fait de vraie transition d'outil auparavant, ou qui imitent le registre de celles qui n'en ont pas faite.

Pilier 6 — La réponse architecturale de Bricks : l'IA comme interface, pas comme runtime

Le cadrage comportemental ci-dessus nous dit ce qui est psychologiquement vrai des transitions d'outils. Le cadrage architectural nous dit ce que Bricks a choisi d'être structurellement vrai de son propre outil. Les deux sont couplés.

La plupart des produits commercialisés comme « augmentés par IA » en 2025–26 câblent un LLM dans le runtime de l'application orientée client. La requête du client atteint un modèle à chaque appel ; la sortie du modèle est le comportement de l'application ; une panne chez le fournisseur de modèle est une panne du produit du client ; une déprécation de modèle est un projet de réingénierie ; un changement de prix est un événement de marge que le business model du client doit absorber. Beaucoup des « startups IA » les plus bruyamment discutées de la période ont cette forme, et les discussions sur le coût de migration dans notre whitepaper compagnon Opérations IA matures décrivent ce que cette forme coûte en pratique.

Bricks n'a pas cette forme. L'IA dans Bricks est l'interface à travers laquelle un collaborateur humain — l'intégrateur, le propriétaire de petite entreprise, le freelance — décrit son intention. Les artefacts produits par l'IA sont déterministes : une ligne de workflow, un appel SDK, un flux de données déclaré, une CSP signée, une politique RLS, une migration de base de données. Une fois produits, ces artefacts s'exécutent sans LLM sur le chemin. Une application Bricks livrée ne fait aucun appel Anthropic pour servir un client. Un moteur de workflow évalue un DSL d'expression typé ; une requête Postgres renvoie une ligne ; le SDK construit la page à partir des concepts déclarés. L'IA est l'éditeur. Le substrat est le runtime.

La conséquence est la contrepartie architecturale de l'argument psychologique des piliers précédents :

• Si Anthropic double ses prix, chaque app Bricks livrée continue à tourner inchangée. Seul le coût de construire la prochaine app change.
• Si Anthropic retire un modèle, chaque app Bricks livrée continue à tourner inchangée. Seule la stratégie de cache de prompt de l'orchestrateur doit être recalibrée.
• Si Anthropic disparaissait entièrement du jour au lendemain, chaque app Bricks livrée continue à tourner inchangée. Les intégrateurs continuent à construire de nouvelles apps en écrivant des workflows, en déclarant des concepts et en éditant le SDK directement à travers l'éditeur Studio — plus lentement, moins ergonomiquement, mais viablement.

C'est la propriété qu'une plateforme « runtime IA » ne peut pas offrir. C'est la propriété qu'une plateforme substrat-déterministe-avec-IA-comme-interface offre par construction. L'argument de psychologie comportementale de ce document dit que les gens résisteront aux régressions d'outils ; l'argument architectural dit que Bricks a choisi une architecture où le scénario de régression ne casse pas ce qui a déjà été livré, seulement ce qui est livré ensuite — et même là, il dégrade l'expérience de construction plutôt que l'expérience d'exécution.

L'implication macroéconomique est celle sur laquelle Bricks engage son modèle de croissance : sans IA, notre croissance est linéaire mais assurée ; avec IA, elle est exponentielle. La voie linéaire est la voie intégrateur — une équipe d'humains compétents utilisant directement l'éditeur Studio et le SDK de la plateforme, construisant des applications à un rythme borné par la taille de l'équipe. La voie exponentielle est la voie médiatisée par l'IA — toute petite entreprise, association ou freelance décrivant son intention en langage naturel à l'orchestrateur, construisant des applications à un rythme borné par le coût marginal d'un tour d'IA. La première est un business soutenable. La seconde est ce qui permet à la plateforme d'atteindre la longue traîne que les logiciels au prix des GAFAM ont structurellement exclue : les dizaines de milliers de communes, les millions de petites associations, les freelances et entreprises artisanales et infrastructures culturelles que la tarification des logiciels sur mesure n'a jamais accommodés.

Le choix de faire de l'IA une interface plutôt qu'un runtime n'est donc pas seulement une décision technique. C'est le mécanisme par lequel la mission de la plateforme — reprendre la capacité de production logicielle à la concentration GAFAM et la rendre à la longue traîne — survit à tout événement adverse plausible dans l'écosystème IA. Une plateforme qui dépend de l'IA au runtime est à un choc réglementaire de s'effondrer dans la consolidation qu'elle prétend défier. Une plateforme dont l'IA est une interface ne l'est pas.

Pilier 7 — Quand la politique ne suffit pas : la harness comme levier comportemental

Les piliers de psychologie comportementale ci-dessus décrivent ce qu'une organisation doit fournir pour qu'une transition d'outil réussisse : ingrédients (Knoster), capacité et motivation (COM-B), forces motrices supérieures aux forces de retenue (Lewin), seuil multiplicatif (Gleicher), motivation–capacité–déclencheur (Fogg). Chaque cadre nomme quelque chose que le programme de changement doit commander, budgéter et livrer. Chacun présume que l'utilisateur est l'acteur dont le comportement le programme de changement essaie d'altérer.

Bricks emprunte un chemin complémentaire que la littérature de psychologie comportementale discute moins fréquemment mais qui opérationnalise les mêmes contraintes dans la direction opposée. Nous acceptons le constat de la littérature selon lequel la politique seule — une note, une directive, une valeur affichée — ne suffit pas ; nous savons ce qui échoue. Notre réponse principale, cependant, n'est pas de fournir les ingrédients requis pour que la politique fonctionne sur l'utilisateur. C'est d'enchâsser la politique dans l'outil lui-même, de sorte que la politique s'exécute que l'utilisateur l'ait intériorisée ou non, et de sorte que le comportement souhaité soit le chemin de moindre résistance plutôt que le chemin de plus grand effort.

C'est la thèse opérationnelle de l'approche de la plateforme au RGPD, à l'accessibilité, à l'empreinte écologique, aux en-têtes de sécurité et au contrôle d'accès basé sur les rôles. C'est la même approche que nous étendons à l'orchestrateur IA. Le principe a été documenté ailleurs, dans des littératures adjacentes, sous des noms comme conformité architecturale, défauts par conception, fonctions de forçage, et — de manière la plus précise — la revendication de Lessig « Code is Law », selon laquelle le substrat technique d'un système accomplit une fonction régulatrice que quelqu'un ait écrit la régulation ou non.

Le cadre de psychologie comportementale qui s'y applique le plus proprement est celui de Fogg. Dans B = Motivation × Ability × Prompt, une architecture qui maximise Ability (l'outil rend la bonne chose triviale à faire) et Prompt (l'outil fait émerger le bon chemin par défaut) peut réussir même quand la Motivation est basse ou absente. Le changement de comportement se produit non parce que le travailleur a été convaincu, formé et incité à le vouloir, mais parce que le substrat a été conçu pour que le comportement souhaité soit le facile et le comportement non souhaité le difficile ou l'impossible. La grille de Knoster est satisfaite non en fournissant des compétences à chaque utilisateur individuel mais en déplaçant l'exigence de compétences dans la harness, où le travail d'un ingénieur de plateforme se substitue à un programme de formation que chaque client devrait sinon commander indépendamment.

L'affirmation stratégique qui suit est large, et nous voulons l'énoncer clairement :

Une plateforme qui enchâsse ses engagements de politique dans la surface de l'outil délivre ces engagements à chaque client à un coût par client proche de zéro — y compris, surtout, à des clients qui ne sont pas personnellement intéressés par les engagements. La posture de protection des données du client, la posture d'accessibilité, l'empreinte écologique, les en-têtes de sécurité et les contrôles d'accès basés sur les rôles ne dépendent pas du fait que le client se soucie de l'un d'entre eux. Ils dépendent du fait que l'équipe d'ingénierie de la plateforme les a livrés une fois.

Le dossier empirique sur Bricks soutient cela directement. Notre base de clients inclut des propriétaires de petites entreprises, des freelances et des bénévoles d'associations qui n'ont jamais lu le RGPD, n'ont aucune opinion sur l'European Accessibility Act, ne savent pas ce qu'est un score Ecoindex, et ne paieraient pas 500 € de conseil pour un modèle de DPA si on leur demandait. Ils reçoivent toutes ces propriétés comme effet secondaire d'être sur la plateforme. La posture de conformité avec laquelle ils finissent est matériellement plus forte que ce que la plupart des engagements de conseil à 20 000–50 000 € délivrent, et le coût marginal par client pour Bricks de la fournir est proche de zéro, parce que le travail a été fait une fois par un ingénieur de plateforme et se propage à chaque tenant à la prochaine publication.

C'est le modèle socio-techno-économique autour duquel la plateforme est construite. Les clients qui sont intéressés par les engagements sociaux et juridiques encodés dans la plateforme sont les bienvenus et reçoivent le langage pour articuler pourquoi ces engagements comptent. Les clients qui ne sont pas intéressés reçoivent les mêmes engagements de toute manière, sous une forme qu'ils n'ont pas eu à évaluer ou à acheter. La stratégie et les valeurs de la plateforme sont actives à travers l'outil, pas aspirationnelles à travers la politique. L'utilisateur n'a pas besoin d'être convaincu pour que l'app de l'utilisateur soit conforme.

La même logique gouverne la manière dont Bricks aborde son propre orchestrateur IA. Nous investissons comparativement peu d'effort dans le prompt engineering lourd, dans le fine-tuning sur mesure, dans des bibliothèques d'exemples few-shot élaborées, dans des investissements de données d'entraînement spécifiques au vendeur, ou dans tout autre artefact qu'une startup centrée sur le chat IA pourrait considérer comme sa propriété intellectuelle principale. Le substrat déterministe — le moteur de workflow, le SDK, le DSL d'expression typée, le registre de flux de données, le graphe sémantique, l'agencement de cache multi-points d'arrêt, le rafraîchissement de boilerplate à chaque publication — fait le travail qu'un modèle lourdement prompté devrait sinon faire. Le travail de l'orchestrateur est de router l'intention dans le substrat ; le substrat produit les artefacts. Le comportement que Bricks délivre ne dépend pas du fait que le prompt soit une composition longue, soigneuse, spécifique au vendeur ; il dépend du fait que le substrat soit correctement conçu.

La conséquence est une posture de relation vendeur nettement différente de celle des startups IA dont la propriété intellectuelle principale vit dans leur prompt :

• Un changement de modèle au niveau plateforme nous coûte une recalibration de la discipline de cache de l'orchestrateur et une petite recalibration des attentes de longueur de prose. Cela ne met pas en péril la propriété intellectuelle qui pilote notre produit, parce que cette propriété intellectuelle ne vit pas dans le prompt.
• Un retrait de modèle nous coûte une recalibration similaire. Les clients ne la voient pas. Les apps déjà livrées ne la voient pas.
• Un choc réglementaire ou géopolitique au niveau vendeur IA — un régime de contrôle d'export soudain, une fermeture ordonnée par un tribunal, une renégociation de prix, une capacité de fine-tuning qui disparaît — ne fait pas s'effondrer notre offre. Le substrat continue à tourner ; les intégrateurs continuent à construire ; l'expérience de construction médiatisée par l'IA dégrade gracieusement vers l'expérience de construction substrat-direct que les intégrateurs utilisaient déjà.

C'est l'expression architecturale du même constat de psychologie comportementale que les piliers précédents décrivaient du côté du travailleur. La littérature dit que la politique sans ingrédients échoue. Bricks répond en retirant la nécessité que les ingrédients côté utilisateur soient fournis, et en les absorbant côté plateforme, où un tour d'ingénierie de plateforme les fournit pour chaque tenant simultanément. Le résultat est un produit dont les engagements sociaux, juridiques et écologiques sont exécutés au niveau architectural plutôt qu'au niveau politique — et une expérience client dans laquelle le client n'a pas besoin d'être convaincu des engagements pour en bénéficier.

Le lien avec le positionnement stratégique des whitepapers La fin du rôle de développeur et La macroéconomie de Bricks est direct : c'est ce qui rend économiquement possible la voie longue-traîne médiatisée par l'IA. Une plateforme qui exigerait de chaque propriétaire de petite entreprise qu'il intériorise personnellement le RGPD, l'accessibilité, le prompt engineering IA et l'architecture de sécurité avant de pouvoir livrer une application fonctionnelle est une plateforme qui n'atteindrait jamais la longue traîne. Une plateforme qui enchâsse ces engagements dans le substrat et offre l'IA comme interface en langage naturel vers ce substrat est la plateforme qui y arrive. Le cadrage de psychologie comportementale nous dit pourquoi la voie politique-seulement échoue ; le choix architectural nous dit comment la voie substrat-imposée réussit ; la pratique d'ingénierie de plateforme est ce qui tient les deux ensemble.

Pilier 8 — Ce que cela implique pour la manière dont Bricks accueille et soutient

Les cadres de psychologie comportementale ne sont pas une décoration académique ; ils sont le standard opérationnel par lequel Bricks évalue son propre travail d'onboarding, de migration et de support partenaire. Les cinq ingrédients de la grille de Knoster, les trois composantes de COM-B, la forme multiplicative de la formule de Gleicher — ce sont la checklist contre laquelle nous nous demandons si un brief de migration donné va réellement réussir.

Les engagements concrets qui en découlent :

• L'onboarding intégrateur budgète la baisse de productivité. Un développeur passant d'une pratique par-application à une pratique d'ingénierie de plateforme ou d'intégration sera plus lent pendant les trois à six premières semaines. Le programme partenaire a tarifé la baisse explicitement dans ses engagements de soutien plutôt que d'attendre des partenaires qu'ils l'absorbent silencieusement. C'est l'ingrédient ressources de Knoster, nommé.
• Les chemins de migration sont graduels, jamais abrupts. Quand un intégrateur amène sur Bricks un client qui quitte une application sur mesure, le chemin est étagé : cataloguer la fonctionnalité existante, identifier les primitives de la plateforme qui la couvrent, migrer une capacité à la fois, laisser le système legacy tourner en parallèle jusqu'à ce que le nouveau soit stable. C'est la séquence dégel → changement → regel de Lewin appliquée à une relation client de plusieurs mois.
• Les incitations personnelles pour les intégrateurs sont réelles. Un partenaire qui réfère un client gagne une part du revenu wallet pendant toute la durée de la relation du client. Un ingénieur de plateforme qui livre une primitive qui améliore la production à travers tous les tenants est reconnu sur le log d'événements de plateforme qui pilote le dashboard de coûts. C'est l'ingrédient incitations de Knoster, la composante motivation de COM-B, et le terme vision de la formule de Gleicher simultanément adressés.
• Le coaching de transition d'outillage fait partie du brief intégrateur. Quand un intégrateur amène sur Bricks une petite entreprise qui quitte Excel, un abonnement SaaS ou un processus papier manuel, le travail de l'intégrateur n'est pas seulement de livrer l'app — c'est de soutenir les gens dont les habitudes vont être changées par l'app. Le TTM de Prochaska est le vocabulaire que nous utilisons en interne pour cette partie de l'engagement, même si nous n'imposons pas le vocabulaire au client.
• Les scénarios de régression sont dimensionnés à deux fois le coût d'amélioration. Quand un client ou un intégrateur doit adopter une variante moins capable d'un outil — un mode plus strict pour des raisons de conformité, un fallback à modèle plus petit quand le wallet est bas, un workflow manuel quand une automatisation est retirée — le budget de soutien suppose l'asymétrie d'aversion à la perte. L'investissement requis pour rendre la régression stable est à peu près deux fois l'investissement qui a produit l'amélioration. Prétendre le contraire est une recette pour des transitions ratées et une attrition partenaire.

Le contraste avec la posture modale d'onboarding des vendeurs IA en 2025–26 est marqué. La plupart des vendeurs IA traitent la population de travailleurs affectés par le changement d'outil comme un groupe indifférencié unique prêt à être au stade « action » le jour où le contrat est signé. La plupart ne séparent pas dépendance et habitude, ne budgètent pas la baisse de productivité, et ne dimensionnent pas l'asymétrie de régression. L'attrition résultante — le développeur au centre du narratif dominant est un point de donnée parmi beaucoup d'autres — est ensuite lue comme une propriété des travailleurs plutôt que du programme de changement. Les cadres de psychologie comportementale rendent la mauvaise lecture impossible.

Pilier 9 — Pourquoi cela compte au-delà de Bricks

L'argument de ce document a deux parties qui se lisent comme séparées mais ne le sont pas. La première est psychologique : les transitions d'outils en entreprise ont un vocabulaire opérationnel, vieux de soixante ans, que le discours d'adoption de l'IA a renoncé à utiliser. La seconde est architecturale : Bricks a choisi une posture IA-comme-interface qui découple le runtime de sa plateforme de la volatilité de l'écosystème IA, en ne laissant exposée que son expérience de construction.

Les deux parties se rejoignent sur la question que le discours d'adoption de l'IA pose en réalité : quel genre de relation les travailleurs vont-ils avoir avec les outils d'IA qui médient de plus en plus leur travail ?

Une plateforme qui câble l'IA dans le runtime du client offre une relation de dépendance runtime — le produit du client ne peut pas exister sans un fournisseur IA actif, et tout changement chez le fournisseur IA est un changement dans le produit du client. Une plateforme qui câble l'IA dans l'éditeur offre une relation de médiation par interface — le produit du client peut exister sans l'IA, et l'IA est l'outil par lequel l'intention du client atteint le substrat qui construit le produit. La première est la posture GAFAM : un petit nombre de grands vendeurs tenant la pile opérationnelle de chaque entreprise qui achète leurs produits. La seconde est une posture différente, que Bricks partage avec les traditions IA participative et algorithmes inspectables décrites dans nos whitepapers compagnons.

Le cadrage de psychologie comportementale est ce qui rend la différence politiquement lisible. Un travailleur à qui l'on dit qu'il « dépend » d'un outil IA se voit raconter une histoire sur lui-même que la littérature ne soutient pas. Ce qui se passe, c'est que le fournisseur IA a capturé une partie de la pratique du travailleur, et que l'employeur n'a pas budgété les ingrédients requis pour absorber un changement à cette capture. Le cadrage de « dépendance » rend le travailleur responsable de ce qui est, structurellement, une question sur qui contrôle la pile opérationnelle de son travail — et ce cadrage est dans l'intérêt de quiconque contrôle la pile.

Le cadrage opposé — « vos habitudes sont réelles, vos coûts de transition sont réels, et la plateforme doit fournir les ingrédients requis pour que le changement réussisse » — remet la responsabilité là où la littérature dit qu'elle appartient : sur le programme de changement, sur le budget, sur l'ingénieur de plateforme, et sur l'architecture qui décide si l'IA est interface ou runtime. C'est le cadrage auquel Bricks s'engage en interne et celui que nous voulons voir devenir standard en externe.

Le modèle de croissance auquel nous nous sommes engagés en découle directement. Sans IA, nous pouvons servir notre canal intégrateur et partenaire de manière soutenable : linéaire, modeste, mais réel. Avec IA, la même plateforme atteint chaque petite entreprise, association, commune et freelance pour qui le logiciel sur mesure n'a jamais été tarifé : exponentiel, critique pour la mission, et la seule voie par laquelle la longue traîne est ramenée à l'intérieur de l'économie numérique à des conditions qu'elle peut s'offrir. Les deux moitiés sont indépendamment viables ; ensemble, elles sont la manière dont Bricks accomplit sa mission de rendre la capacité de production logicielle à la longue traîne. Aucune des deux moitiés ne dépend du fait que les développeurs du narratif dominant soient honteux de leurs habitudes. Les deux moitiés dépendent du fait que la plateforme fasse le travail de conduite du changement que la littérature documente depuis soixante ans.

Pilier 10 — L'humain dans la boucle, la cellule dev hors du silo

Les deux piliers stratégiques ci-dessus décrivent comment Bricks opérationnalise ses engagements de politique à travers le substrat plutôt qu'à travers la discipline côté utilisateur, et comment ce choix se connecte à la position de la plateforme dans l'écosystème IA. L'implication qui s'accumule, quand on l'énonce clairement, est que la plateforme fait une forme d'ingénierie sociale constructive — non au sens d'attaque de sécurité que le terme porte parfois dans le discours des années 2020, mais au sens lewinien que le mot portait avant que la culture sécurité ne se l'approprie, et au sens où l'urbanisme, la communication en santé publique et le travail d'architecture de choix dans la tradition Thaler-Sunstein sont tous explicitement de l'ingénierie sociale. Bricks façonne le comportement des personnes dans sa boucle — intégrateurs, utilisateurs finaux, clients, régulateurs, et indirectement les fournisseurs IA avec lesquels nous traitons — à travers l'architecture des outils qu'ils touchent, dans la direction des résultats que la plateforme s'est engagée à délivrer.

Nous utilisons le terme ouvertement parce que nous pensons qu'en être explicite fait partie de la version honnête de la relation que la plateforme entretient avec les personnes qu'elle sert. Un outil qui oriente silencieusement chaque app client vers la conformité RGPD, l'accessibilité, une faible empreinte écologique et des pistes d'audit inspectables fait de l'ingénierie de résultats sociaux — et le seul choix sur la table est de savoir si l'ingénierie est reconnue et débattue ou cachée et non redevable. Nous préférons reconnue et débattue.

La conséquence opérationnelle est celle qui explique une caractéristique structurelle de l'équipe Bricks parfois commentée par des observateurs extérieurs : la cellule de développement prête une attention inhabituellement étroite à des sujets non techniques — psychologie comportementale, droit réglementaire, doctrine d'accessibilité, conception écologique, théorie de la démocratie délibérative, conduite du changement organisationnel, économie politique de la concentration des plateformes. Chacun de ces sujets fait l'objet d'un whitepaper séparé dans cette collection, écrit par la même petite équipe qui écrit le code de la plateforme. La collection n'est pas le produit d'un département marketing, d'un brief de conseil externe, ou d'une affiliation académique. C'est le produit de l'équipe d'ingénierie prenant ces littératures suffisamment au sérieux pour les lire et encoder leurs engagements dans le substrat.

La raison n'est pas que l'équipe est composée de généralistes amateurs qui aiment lire largement. La raison est structurelle : une plateforme qui enchâsse ses engagements de politique dans le substrat ne peut pas déléguer la conception de ces engagements au substrat. Quelqu'un doit savoir ce que le RGPD exige réellement avant que le registre de flux de données puisse l'encoder. Quelqu'un doit savoir ce que l'European Accessibility Act impose avant que les défauts d'a11y de la plateforme puissent le satisfaire. Quelqu'un doit savoir ce que la littérature de psychologie comportementale dit des transitions d'outils avant que le budget d'onboarding intégrateur puisse être correctement dimensionné. Quelqu'un doit savoir comment fonctionne l'échelle de participation d'Arnstein avant que le moteur de workflow puisse être conçu comme un artefact inspectable au sens de la délibération démocratique. Les littératures non techniques ne sont pas adjacentes au travail d'ingénierie de la plateforme ; elles sont les spécifications en amont de ce que l'ingénierie doit imposer, et l'équipe est le seul endroit dans l'organisation où la spécification et l'implémentation peuvent être réconciliées de manière cohérente.

Le corollaire, également structurel, est que le succès de la plateforme — en tant que plateforme, en tant que business, et en tant que participante à une société en évolution continue — dépend du fait que la cellule dev maintienne vivante sa surface interdisciplinaire dans le temps. Une équipe qui se referme sur du pur travail de code ne peut pas continuer à encoder les engagements réglementaires, sociaux et écologiques qui justifient l'existence du substrat ; les engagements cessent d'être mis à jour et la plateforme dérive hors de l'alignement avec les littératures qu'elle était censée imposer. Une équipe qui reste ouverte aux littératures continue à livrer une plateforme dont l'ingénierie sociale est dans la direction que l'équipe a examinée et à laquelle elle s'est engagée, plutôt que dérivée par le chemin de moindre effort d'implémentation.

L'humain dans la boucle — l'intégrateur, le propriétaire de petite entreprise, le client utilisateur final, le régulateur lisant nos cadres de conformité, le journaliste écrivant sur notre positionnement, le fournisseur IA dont le modèle route notre intention — est donc une composante active du modèle économique et algorithmique de la plateforme, pas un destinataire de l'un ou de l'autre. Le substrat impose le comportement ; l'équipe spécifie ce que le substrat impose ; les littératures spécifient ce pour quoi l'équipe devrait spécifier. La chaîne doit rester ininterrompue pour que les engagements de la plateforme restent cohérents dans le temps, et l'engagement continu de la cellule dev avec des sujets non techniques est ce qui la maintient ininterrompue.

C'est la troisième affirmation que nous voulons rendre explicite dans ce document, aux côtés des affirmations psychologique et architecturale ci-dessus :

Bricks est, par construction, une plateforme d'ingénierie sociale. La littérature de psychologie comportementale nomme les dynamiques de l'usage humain des outils ; le choix architectural de faire de l'IA une interface plutôt qu'un runtime positionne le substrat pour absorber les dynamiques côté plateforme plutôt que de les renvoyer sur l'utilisateur ; et la pratique interdisciplinaire de la cellule dev est ce qui maintient la spécification du substrat alignée avec les dynamiques dans le temps. Aucune des trois n'est optionnelle. Aucune des trois ne peut être externalisée.

C'est aussi l'affirmation qui explique pourquoi une petite équipe d'ingénierie en Belgique écrit une collection de whitepapers sur le droit réglementaire, la psychologie comportementale, l'accessibilité, la conception écologique, l'architecture financière et la gouvernance démocratique. Le travail que l'équipe fait est le travail de spécifier ce qu'une plateforme qui prend ces littératures au sérieux doit imposer. La collection est la spécification, mise par écrit. La plateforme est la spécification, exécutée.

Conclusion

Le narratif industriel qui a motivé ce document est une expression d'un schéma beaucoup plus large. Le registre qu'il déploie — moral, méprisant, centré sur l'individu — est le registre dominant du discours actuel d'adoption de l'IA. La littérature de psychologie comportementale a eu un vocabulaire différent et plus précis disponible tout du long, et les conséquences opérationnelles d'utiliser ce vocabulaire sont concrètes et mesurables.

Nous avons nommé les cadres — Knoster, Lewin, Gleicher, Fogg, Prochaska, Rogers, Kahneman et Tversky, Deci et Ryan, avec COM-B comme résumé d'altitude supérieure de la tradition clinique que les lecteurs peuvent utiliser comme point d'entrée — parce que nous les voulons en circulation, et parce que nous attendons de toute personne prenant une vraie décision de changement qu'elle lise au-delà de notre glose dans les littératures elles-mêmes. Nous avons ancré le choix architectural de Bricks — l'IA comme interface, pas comme runtime — aux mêmes cadres, parce que les deux sont couplés : une organisation qui prend le cadrage comportemental au sérieux prend aussi le cadrage architectural au sérieux, et vice versa. Nous avons clos en énonçant ouvertement que la plateforme est un projet d'ingénierie sociale, que la pratique interdisciplinaire de la cellule dev est ce qui garde le projet honnête, et qu'aucune des trois affirmations ne peut être externalisée sans rompre la chaîne. Nous ne sommes pas la première plateforme à faire ces choix, mais nous sommes explicites sur le fait de faire les trois, et nous croyons que l'explicitation fait elle-même partie de la mission.

L'observation de clôture est celle que nous voulons laisser aux dirigeants, aux régulateurs et aux partenaires réfléchissant à l'adoption de l'IA :

Vous n'avez pas un problème d'adoption de l'IA. Vous avez un problème de changement d'habitudes avec un catalyseur IA. La littérature sur le changement d'habitudes a soixante ans, elle a des noms, elle a des formules, et elle vous dira pour quoi budgéter. La littérature sur l'adoption de l'IA a deux ans, elle n'a pas ces noms, et elle a été utilisée jusqu'ici pour faire honte aux travailleurs dont la note de management n'avait pas budgété de changer les habitudes. Changez de littérature. La transition ira plus vite.

Bricks est construit par une petite équipe en Belgique. Notre croissance sans IA est linéaire mais assurée ; notre croissance avec IA est ce qui ramène la longue traîne dans l'économie numérique. Si vous souhaitez discuter de ce document, ou des implications en conduite du changement d'une migration d'outil dans votre propre organisation, écrivez-nous à hello@bricks-softwares.com — nous préférons vous entendre plutôt que deviner.