L’IA ne supprime pas le travail : elle déplace le goulot d’étranglement

Abstract

En 2025, 18 % des entreprises françaises déclaraient utiliser au moins une technologie d’intelligence artificielle. Pourtant, plus de la moitié des entreprises utilisatrices disaient encore être freinées par un manque d’expertise. Ce décalage aide à comprendre un paradoxe que les études expérimentales rendent désormais mesurable : l’IA peut réduire de 40 % le temps nécessaire à certaines tâches rédactionnelles, augmenter de 14 % la productivité d’agents de support ou accélérer fortement un exercice de programmation isolé ; mais elle peut aussi diminuer de 19 points la probabilité d’une réponse correcte lorsque la tâche dépasse ses capacités, ralentir des développeurs expérimentés sur des dépôts complexes et affaiblir l’apprentissage lorsque ses réponses remplacent le raisonnement.

La conclusion n’est ni « l’IA augmente la productivité » ni « l’IA détruit la qualité ». Elle déplace le travail : de la production vers le cadrage, la vérification, l’intégration et la responsabilité. La valeur économique dépend alors moins du volume généré que de la capacité de l’organisation à convertir une vitesse locale en résultat fiable, maintenable et réellement utilisé. Cet article propose une lecture fondée sur les données — et un modèle opérationnel pour mesurer cette valeur.

Thèse. L’IA réduit le coût de production d’un premier résultat. Elle ne réduit pas automatiquement le coût d’un résultat correct, intégré et durable.

1. Mesurer la productivité au mauvais endroit produit la mauvaise conclusion

Compter des textes, des tickets ou des lignes de code mesure un débit de production. Une organisation, elle, paie pour un résultat validé : une décision juste, une fonctionnalité utilisée, un incident évité, un processus raccourci.

Nous proposons donc de raisonner ainsi :

Valeur nette de l’IA = gain de production − vérification − reprise − coordination − risque − perte d’apprentissage.

Ce cadre est une synthèse analytique, pas une métrique universelle. Son intérêt est d’empêcher qu’un gain visible à l’échelle d’une tâche masque un coût déplacé en revue, en sécurité, en maintenance ou en aval du processus.

Les résultats ne sont contradictoires qu’en apparence :

ContexteMéthodeRésultat principalCe que le chiffre ne prouve pasRédaction professionnelle, 453 diplômésEssai randomiséTemps −40 % ; qualité +18 %Pas un travail long, collectif ou réglementéSupport client, 5 179 agentsDéploiement progressif, données opérationnellesProductivité +14 % ; +34 % pour les novicesEffet faible chez les plus expérimentésConseil, 758 professionnels, dont 385 sur les tâches « dans la frontière »Expérience préenregistrée12,2 % de tâches en plus ; 25,1 % plus vite ; qualité +32 %Sur une tâche hors « frontière », réponses correctes −19 pointsServeur JavaScript isolé, 95 développeursEssai randomiséTemps −55,8 %Exercice greenfield standardisé, pas un produit existantTrois entreprises, 4 867 développeursTrois expériences de terrainTâches terminées +26,08 %Prépublication ; métrique de volume, qualité non incluseDépôts open source matures, 16 experts et 246 tâchesEssai randomiséTemps +19 % avec l’IAOutils du début 2025 ; petit nombre de développeurs

Sources : Noy & Zhang, Science, Brynjolfsson, Li & Raymond, NBER, Dell’Acqua et al., Organization Science, Peng et al., Microsoft Research, Cui et al., Microsoft Research, METR.

Le facteur déterminant n’est donc pas seulement la puissance du modèle. C’est l’ajustement entre le modèle, la tâche, le contexte disponible et le coût de l’erreur.

Le résultat METR est particulièrement instructif. Avant l’expérience, les développeurs anticipaient un gain de temps de 24 %. Après les tâches, ils pensaient encore avoir été environ 20 % plus rapides. La mesure indiquait pourtant un ralentissement de 19 %. En février 2026, une nouvelle collecte avec des outils plus récents a produit un point estimé favorable, mais METR l’a jugé trop biaisé pour quantifier fiablement le gain. La leçon durable n’est pas « l’IA ralentit les développeurs » ; c’est la perception de vitesse n’est pas une mesure de delivery. METR, mise à jour 2026.

2. La charge mentale ne disparaît pas : elle change de nature

Une expérience menée dans 66 entreprises auprès de 7 137 travailleurs du savoir a fourni un accès aléatoire à un outil génératif intégré aux e-mails, réunions et documents. Parmi les utilisateurs du groupe traité, le temps consacré aux e-mails a diminué d’environ deux heures par semaine et le travail hors horaires habituels a reculé. En revanche, les chercheurs n’ont pas détecté de modification de la quantité ou de la composition globale des tâches. L’IA avait libéré du temps localement sans, à elle seule, redessiner le travail. Dillon et al., NBER.

Une étude CHI 2025 apporte un mécanisme complémentaire. Dans 936 situations décrites par 319 travailleurs du savoir, une confiance plus élevée dans l’IA était associée à moins de pensée critique déclarée. Le travail cognitif se déplaçait :

• de la recherche d’information vers sa vérification ;

• de la résolution du problème vers l’intégration de la réponse ;

• de l’exécution vers la supervision de la tâche.

Il s’agit d’une enquête déclarative, donc pas d’une preuve de déclin cognitif. Elle montre néanmoins où réapparaît l’effort que les mesures de « temps de génération » ignorent. Lee et al., CHI 2025.

Performance immédiate et compétence future sont deux variables différentes

Dans une expérience de terrain portant sur près de 1 000 lycéens, un accès libre à GPT-4 a amélioré de 48 % les résultats pendant les exercices. Une fois l’outil retiré, ce groupe a obtenu des résultats inférieurs de 17 % à ceux du groupe sans IA. Une version tutorée, conçue pour donner des indices plutôt que les réponses, a produit un gain immédiat encore supérieur (+127 %) sans pénalité significative lors de l’évaluation sans IA. Bastani et al., PNAS.

L’échantillon est scolaire : transposer directement l’amplitude au travail serait incorrect. Le mécanisme, en revanche, est directement testable en entreprise. Si l’IA réalise les étapes qui formaient auparavant le jugement des juniors, qui développera l’expertise nécessaire pour contrôler l’IA demain ? La documentation, la revue explicative, la rotation des tâches et le transfert de connaissances deviennent alors des contrôles de risque, pas des livrables administratifs.

3. L’IA peut remplacer une partie de la coordination — pas la responsabilité collective

Une expérience préenregistrée publiée en 2026 a réparti 791 professionnels de Procter & Gamble entre travail individuel ou en binôme, avec ou sans IA, sur de véritables problèmes d’innovation produit. Les individus assistés par IA ont atteint la performance d’équipes sans IA. Les propositions sont aussi devenues plus équilibrées : les profils R&D ont intégré davantage de considérations commerciales et inversement. Les participants ont rapporté des émotions plus positives.

Le détail le plus utile pour le management se trouve ailleurs : l’IA améliorait surtout la génération des idées, tandis que le jugement humain conservait sa valeur dans leur sélection. Dell’Acqua et al., Organization Science.

Cela suggère une nouvelle division du travail :

L’IA est bien placée pourL’équipe reste responsable deélargir l’espace des optionsdéfinir le problème et les contraintes réellesproduire rapidement des variantessélectionner selon la stratégie et le risquetraduire entre vocabulaires métiersarbitrer les intérêts et assumer la décisionformaliser une première versiongarantir cohérence, sécurité et maintenabilité

La même technologie peut donc réduire un silo fonctionnel et affaiblir une équipe si elle remplace les conversations où se construisent le désaccord, la mémoire du projet et la responsabilité. L’expérience P&G mesure une résolution de problème bornée ; elle ne démontre pas qu’un agent artificiel remplace les fonctions sociales d’une équipe produit durable.

4. Bien-être : soulagement opérationnel et insécurité peuvent coexister

Les résultats psychologiques sont ambivalents, et cette ambivalence est informative.

Dans les enquêtes OCDE menées dans la finance et l’industrie manufacturière, plus de 80 % des travailleurs utilisant l’IA déclaraient une meilleure performance ; 63 % rapportaient davantage de plaisir au travail ; 54 % dans la finance et 55 % dans l’industrie signalaient une amélioration de leur santé mentale. Mais l’OCDE relève simultanément une intensification du travail, davantage de stress dans certaines études et des bénéfices moins favorables pour les personnes soumises au management algorithmique. Environ un travailleur sur cinq disait avoir perdu en autonomie. Ces données sont déclaratives, antérieures à la diffusion complète de l’IA générative et exposées à un biais de sélection : elles décrivent surtout les personnes restées dans les organisations après adoption. OCDE, Employment Outlook 2023.

Le paradoxe est rationnel : un salarié peut apprécier l’outil au quotidien tout en craignant ses effets économiques. Dans la même enquête, trois travailleurs sur cinq se disaient préoccupés par une perte d’emploi liée à l’IA dans les dix années suivantes ; 41 % des répondants de l’industrie et 42 % de la finance anticipaient une baisse des salaires de leur secteur.

L’usage managérial compte donc autant que l’outil. Les données EU-OSHA sur l’allocation ou la surveillance algorithmique des tâches associent ces dispositifs à davantage de pression temporelle, de surcharge, d’isolement et de perte d’autonomie. Elles ne doivent pas être confondues avec l’assistance générative volontaire ; elles montrent ce qui se produit lorsque l’IA devient un instrument de contrôle plutôt qu’une ressource. EU-OSHA.

Implication opérationnelle : un gain de temps n’améliore la santé que si une partie du gain reste disponible pour réduire la surcharge, apprendre ou mieux arbitrer. S’il devient immédiatement une nouvelle norme de volume, l’outil peut alléger chaque tâche tout en intensifiant la journée.

5. Économie : les minutes gagnées ne deviennent pas automatiquement une baisse de masse salariale

L’étude danoise la plus robuste à ce jour relie des enquêtes d’adoption à des données administratives de 25 000 travailleurs et 7 000 lieux de travail. Malgré une adoption rapide, des gains déclarés et de nouvelles tâches liées à l’IA, les auteurs ne détectent, deux ans après ChatGPT, aucun effet sur les revenus ni sur les heures enregistrées et écartent des effets supérieurs à 2 %. Ce qui change d’abord est la structure du travail : production de contenu, supervision, intégration et transitions professionnelles. Humlum & Vestergaard, NBER, révision 2026.

Ce résultat invalide un raccourci fréquent :

20 % de temps gagné sur une tâche ≠ 20 % de capacité salariale supprimable.

Le temps économisé peut être absorbé par des tâches complémentaires, des volumes plus élevés, de nouveaux contrôles ou des frictions organisationnelles. À l’inverse, une étude sur les entreprises françaises ayant adopté l’IA entre 2017 et 2020 observe une hausse de l’emploi et des ventes après adoption, compatible avec un effet d’expansion supérieur à la substitution. L’effet varie selon l’usage : croissance de l’emploi pour certains usages, notamment la sécurité informatique, recul pour des processus administratifs. Cette étude porte sur l’IA pré-générative et ne permet pas d’extrapoler un effet identique aux LLM. Aghion et al., AEA Papers and Proceedings.

À l’échelle mondiale, l’OIT estime qu’un emploi sur quatre présente une certaine exposition à l’IA générative, mais seulement 3,3 % des emplois se situent dans la catégorie d’exposition la plus élevée. Son diagnostic central est la transformation des postes plutôt que leur remplacement intégral. OIT–NASK, 2025.

La question économique utile n’est donc pas « combien de personnes l’IA remplace-t-elle ? », mais :

1. quelle contrainte limite actuellement la production de valeur ;

2. quelle partie de cette contrainte l’IA réduit réellement ;

3. quel nouveau goulot apparaît ensuite ;

4. qui capte le gain : client, entreprise, équipe ou salarié ;

5. quels coûts différés apparaissent en qualité, incidents, compétences ou turnover.

6. En développement logiciel, la vitesse locale doit survivre au système

Les données DORA illustrent précisément ce passage du poste de travail au système de delivery. Dans l’analyse fondée sur les données 2024, une hausse de 25 % de l’adoption de l’IA était associée à une baisse de 1,5 % du throughput et de 7,2 % de la stabilité de livraison, malgré des bénéfices individuels. Dans le rapport 2025, auprès de près de 5 000 professionnels, la relation avec le throughput et la performance produit était devenue positive, mais la relation avec la stabilité restait négative. DORA résume l’IA comme un amplificateur : elle accélère les équipes solides et expose les faiblesses des systèmes fragiles. Il s’agit de relations statistiques issues d’enquêtes, pas d’effets causaux. DORA, analyse GenAI ; DORA 2025.

Pourquoi ? Une production de code plus rapide augmente la taille et la fréquence des changements. Sans petits lots, tests automatisés, versioning maîtrisé, architecture découplée et boucles de feedback rapides, la revue et l’exploitation deviennent le nouveau goulot.

Les métriques à suivre

NiveauMétriques utilesFaux signal à éviterIndividutemps jusqu’au résultat validé, taux de reprise, temps de vérificationlignes de code ou promptsÉquipecycle time, délai de revue, défauts échappés, charge hors horairestickets fermés sans pondérationDeliverylead time, fréquence de déploiement, taux d’échec, temps de restaurationvélocité seuleProduitadoption, délai jusqu’à la première valeur, taux de réussite du parcours, coût par résultatfonctionnalités livréesCompétencesautonomie sans IA, qualité des revues, couverture documentaire, transfert effectifvolume de formation

7. Où se crée désormais la valeur d’une taskforce senior

En France, l’usage de l’IA a triplé entre 2023 et 2025, mais 54 % des entreprises qui ne l’utilisent pas citent le manque d’expertise ; plus de la moitié des entreprises déjà utilisatrices déclarent le même frein. Insee, juillet 2026.

L’expertise recherchée n’est pas seulement la capacité à appeler un modèle. Elle consiste à :

• choisir les tâches où l’IA crée un avantage mesurable ;

• construire le contexte que le modèle ne possède pas ;

• fixer les limites d’autonomie selon le coût de l’erreur ;

• intégrer tests, sécurité, observabilité et rollback dès le départ ;

• mesurer la valeur produit et la qualité de delivery, pas le volume généré ;

• préserver l’apprentissage et rendre l’équipe cliente autonome.

C’est la fonction d’une taskforce senior : transformer une capacité de génération en système de production fiable.

Chez Averiane, cette logique se traduit par des MVP et POC généralement livrés en six semaines, avec un périmètre, un calendrier et des résultats attendus définis avant le développement. Le forfait aligne la mission sur le résultat plutôt que sur l’accumulation de jours. Les tests, métriques et tableaux de bord rendent la qualité et les risques visibles pendant la mission. La documentation, la formation et le transfert de connaissances évitent que la vitesse initiale devienne une dépendance future.

L’IA peut produire plus vite. La valeur d’un expert est de savoir quoi produire, comment le vérifier et comment le rendre durable.

Averiane — MVPs et POCs robustes en six semaines. Qualité mesurable. Transfert complet.

Note méthodologique

Cet article privilégie les essais randomisés, expériences de terrain, publications évaluées par les pairs et données d’organismes publics. Les comparaisons entre études servent à montrer l’hétérogénéité des effets ; elles ne constituent pas une méta-analyse. Les tâches, outils, dates, populations et métriques diffèrent. Les résultats déclaratifs sont identifiés comme tels. Les conséquences à long terme sur la santé, l’apprentissage et l’emploi restent moins établies que les effets immédiats sur des tâches bornées.

Références principales

1. Noy, S. & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science.

2. Brynjolfsson, E., Li, D. & Raymond, L. (2023, révisé). Generative AI at Work. NBER.

3. Dell’Acqua, F. et al. (2026). Navigating the Jagged Technological Frontier. Organization Science.

4. Dell’Acqua, F. et al. (2026). The Cybernetic Teammate. Organization Science.

5. Cui, Z. et al. (2025). The Effects of Generative AI on High-Skilled Work. Microsoft Research, prépublication.

6. Becker, J. et al. (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. METR.

7. Dillon, E. et al. (2025, révisé). Shifting Work Patterns with Generative AI. NBER.

8. Lee, H.-P. et al. (2025). The Impact of Generative AI on Critical Thinking. CHI.

9. Bastani, H. et al. (2025). Generative AI without guardrails can harm learning. PNAS.

10. Humlum, A. & Vestergaard, E. (2025, révision 2026). Still Waters, Rapid Currents. NBER.

11. Aghion, P. et al. (2025). How Different Uses of AI Shape Labor Demand: Evidence from France. AEA Papers and Proceedings.

12. OCDE (2023). Artificial intelligence, job quality and inclusiveness.

13. OIT & NASK (2025). Generative AI and Jobs: A Refined Global Index of Occupational Exposure.

14. DORA (2025). State of AI-assisted Software Development.

15. Insee (2026). Les technologies de l’information et de la communication dans les entreprises en 2025.