IA au travail : pourquoi gagner du temps ne suffit pas à travailler plus efficacement

IA au travail : pourquoi gagner du temps ne suffit pas à travailler plus efficacement

"Comment l'IA peut-elle aider nos employés à travailler plus efficacement ?"

La question paraît simple. Elle l'est beaucoup moins dès que l'on demande ce que signifie réellement "plus efficacement". Écrire un texte en dix minutes au lieu de vingt est un gain de vitesse. Résoudre davantage de demandes clients avec une qualité stable ressemble davantage à un gain de productivité. Générer plus de code puis passer davantage de temps à le corriger peut, au contraire, donner l'impression d'aller plus vite tout en ralentissant le travail réel.

J'ai donc repris la question à partir des études qui mesurent effectivement le travail réalisé. Leur réponse est plus intéressante qu'un simple "oui" : l'IA peut produire des gains importants, mais ces gains appartiennent d'abord à certaines tâches, dans certaines conditions. Ils ne se transfèrent pas automatiquement à l'ensemble d'un métier ni à toute l'organisation.

Les gains les mieux établis concernent des tâches bornées

Dans une étude publiée dans Science en 2023, Shakked Noy et Whitney Zhang ont fait réaliser à 453 professionnels diplômés des tâches d'écriture correspondant à leur métier. Les participants disposant de ChatGPT ont terminé en moyenne 40 % plus vite, avec une qualité évaluée en hausse de 18 %. Le résultat est important, mais son périmètre l'est tout autant : il s'agit de tâches rédactionnelles relativement courtes, définies à l'avance et faciles à évaluer. L'étude ne démontre pas qu'un salarié devient globalement 40 % plus productif pendant toute sa journée.

Le même mécanisme apparaît dans le support client. Erik Brynjolfsson, Danielle Li et Lindsey Raymond ont étudié l'introduction progressive d'un assistant génératif auprès de 5 172 agents. Dans la version publiée en 2025 dans The Quarterly Journal of Economics, l'accès à l'assistant augmente de 15 % en moyenne le nombre de problèmes résolus par heure. Les salariés les moins expérimentés progressent davantage que les plus chevronnés.

Une étude publiée en 2026 dans Management Science retrouve ce phénomène auprès de 4 867 développeurs chez Microsoft, Accenture et une entreprise du Fortune 100. Dans l'analyse combinée, l'accès à un assistant de code est associé à une hausse de 26,08 % des tâches terminées, avec des bénéfices plus importants chez les développeurs les moins expérimentés.

L'IA ne semble donc pas seulement accélérer. Dans certains contextes, elle réduit le coût de l'expérience manquante en rendant disponibles des formulations, exemples ou solutions probables qu'un professionnel aurait autrement appris à produire avec le temps.

Le même outil peut aider sur dix-huit tâches et faire chuter la dix-neuvième

Cette lecture optimiste rencontre une limite nette dans l'étude de Fabrizio Dell'Acqua et de ses coauteurs, publiée en 2026 dans Organization Science. L'expérience porte sur 758 consultants. Sur dix-huit tâches conçues pour rester dans les capacités du modèle utilisé, les participants équipés de GPT-4 terminent 12,2 % de tâches supplémentaires, environ 25 % plus rapidement, avec de meilleurs résultats.

Les chercheurs proposent ensuite une tâche d'apparence comparable, mais située au-delà des capacités du modèle. Le résultat s'inverse : le groupe sans IA fournit la bonne réponse dans environ 84,5 % des cas, contre 60 % et 70,6 % dans les deux conditions avec IA. En moyenne, les utilisateurs de l'IA sont 19 points de pourcentage moins susceptibles de produire la bonne solution.

La difficulté n'est donc pas seulement qu'une IA puisse se tromper. Elle peut être très utile sur une série de tâches voisines puis devenir contre-productive sur une autre, sans signal évident permettant à l'utilisateur de comprendre que la frontière vient d'être franchie. L'efficacité dépend autant de notre capacité à reconnaître cette frontière que de la qualité du modèle lui-même.

Le temps gagné peut simplement déplacer le goulot d'étranglement

Le développement logiciel montre bien ce déplacement. Une expérience menée par METR en 2025 sur des développeurs expérimentés travaillant sur leurs propres dépôts open source a produit un résultat contre-intuitif. Seize développeurs ont réalisé 246 tâches réelles avec ou sans outils d'IA. Ils pensaient avant l'expérience que l'IA les ferait gagner 24 % de temps. La mesure réelle montre pourtant qu'ils avaient mis 19 % de temps supplémentaire lorsque les outils d'IA étaient autorisés.

L'échantillon est petit et le résultat ne doit pas être généralisé à tous les développeurs. Mais il rappelle que l'impression de productivité n'est pas une mesure de productivité. Sur un système complexe que l'on connaît déjà très bien, lire une suggestion, vérifier ses hypothèses puis la corriger peut coûter davantage que résoudre directement le problème.

Une expérience de terrain publiée par le NBER en 2025, portant sur 7 137 travailleurs dans 66 entreprises, éclaire la même distinction dans le travail de bureau. Parmi les salariés ayant effectivement utilisé l'outil, l'IA intégrée aux applications réduit notamment d'environ deux heures par semaine le temps consacré aux emails dans la seconde moitié de l'expérience. Pourtant, les chercheurs ne détectent pas de changement significatif dans la quantité ou la composition globale des tâches après la simple mise à disposition individuelle de l'outil.

Un gain local peut donc être réel sans devenir automatiquement un gain collectif. Si la rédaction accélère mais que la validation ne change pas, le goulot d'étranglement se déplace. Si davantage de code est produit mais que les tests et les revues restent au même rythme, la file d'attente se déplace également.

La bonne unité de mesure est le résultat correct, pas le premier jet

Demander combien de minutes l'IA fait gagner est donc insuffisant. Il faut mesurer le cycle complet : génération, vérification, correction, intégration dans les outils existants et conséquences d'une erreur passée inaperçue.

L'IA devient particulièrement intéressante lorsque le périmètre est clair, le résultat rapidement contrôlable, les informations nécessaires accessibles et fiables, et l'erreur réversible avant de produire un dommage important. Une première version de texte, la synthèse d'un corpus connu, du support de premier niveau ou du code couvert par des tests robustes peuvent souvent entrer dans cette logique.

À l'inverse, plus une tâche dépend d'un contexte tacite, d'exceptions rares ou d'une vérification presque aussi coûteuse que la production elle-même, plus le calcul se dégrade. Si contrôler la réponse coûte autant que la produire soi-même, le gain de génération n'est plus le bon indicateur.

Cette question de contrôle rejoint l'analyse sur l'AI Brain Fry et la charge cognitive liée à la supervision des IA. Dans le développement logiciel, elle rejoint aussi la confiance dans toute la chaîne qui produit, modifie et valide le code.

Le meilleur cas d'usage n'est pas forcément celui qui automatise le plus

Les études convergent vers une logique assez pragmatique. Le premier bénéfice de l'IA n'est pas nécessairement de supprimer une fonction humaine, mais de réduire le coût des tâches intermédiaires : préparer un premier jet, retrouver une information, reformuler, produire une variante ou proposer une structure. L'humain conserve alors ce qui coûte encore cher à automatiser proprement : comprendre les exceptions, relier le résultat au contexte réel, arbitrer et assumer la décision.

Cette répartition explique pourquoi les profils juniors peuvent progresser rapidement. Mais elle crée une autre question : si le junior obtient immédiatement la réponse sans comprendre comment elle a été construite, que saura-t-il faire le jour où l'outil se trompera ? Le gain de court terme ne doit pas supprimer l'apprentissage qui permettra ensuite de contrôler le système.

Pour les usages touchant à l'emploi ou à la gestion des travailleurs, l'efficacité ne dispense pas non plus de qualifier le risque réglementaire. Le calendrier européen a changé en juillet 2026 et les règles concernant les systèmes à haut risque de l'annexe III sont désormais prévues à partir du 2 décembre 2027. Le détail figure dans l'analyse Kachouri consacrée à l'AI Act 2026-2028.

Ma lecture : l'IA déplace le travail avant de le supprimer

Les données disponibles en 2026 permettent une réponse assez nette à la question de départ : l'IA aide surtout lorsqu'elle réduit le temps nécessaire pour produire une première réponse qui peut ensuite être contrôlée rapidement.

Lorsque cette première production devient presque gratuite, la valeur se déplace vers celui qui sait cadrer la tâche, fournir le bon contexte, reconnaître une réponse plausible mais fausse et transformer une sortie rapide en décision utilisable. La vitesse d'écriture baisse en importance ; la qualité du jugement remonte.

C'est aussi pourquoi mesurer uniquement le nombre d'emails, de lignes de code, de documents ou de tickets produits devient trompeur. Une organisation ne devient pas plus efficace parce qu'elle génère davantage. Elle le devient lorsqu'elle réduit le temps nécessaire pour arriver à un résultat correct, transmissible et réutilisable sans augmenter ailleurs le coût de contrôle.

Ce que l'on ne peut pas conclure

Les études disponibles ne démontrent pas qu'une entreprise gagnera un pourcentage fixe de productivité en donnant un assistant d'IA à tous ses salariés. Elles portent sur des outils, des populations, des modèles et des tâches différents. Certaines évaluent des micro-tâches, d'autres des usages réels, et certaines sont menées avec la participation d'entreprises qui commercialisent ces technologies. Les modèles évoluent aussi beaucoup plus vite que les cycles de publication scientifique.

Le rapport de recherche utilisé comme point de départ contenait plusieurs valeurs issues de versions de travail anciennes. Pour cet article, j'ai privilégié les versions publiées lorsqu'elles existaient : 453 participants pour Noy et Zhang dans Science, 5 172 agents et un gain moyen de 15 % pour Brynjolfsson, Li et Raymond dans leur version publiée, et l'identifiant arXiv 2507.09089 pour l'étude METR. Le calendrier de l'AI Act a lui aussi été modifié en juillet 2026 par le règlement (UE) 2026/1744.

La conclusion reste donc proportionnée aux preuves : l'IA sait déjà accélérer fortement certaines tâches. Ce qui n'est pas démontré, c'est qu'accélérer chaque tâche séparément rende automatiquement l'organisation entière plus efficace.

La question la plus utile devient alors : sur quelles tâches la vérification coûte-t-elle suffisamment moins cher que la production pour que l'IA crée un gain net ?