IA et productivité : travaillons-nous vraiment mieux, ou simplement plus vite ?

Le document est prêt. La décision l’est-elle aussi ?

À 9 heures, une équipe demande une analyse. À 9 h 05, une première version apparaît. À 9 h 10, trois autres circulent, accompagnées d’un résumé, d’une présentation et d’un tableau comparatif.

La scène est familière à ceux qui utilisent l’IA au travail. Elle décrit une accélération impressionnante. Elle ne dit pas encore si quelqu’un a pris une meilleure décision.

Il faut pourtant éviter le raccourci inverse. Faire le même travail en moins de temps, à qualité constante, constitue bien un gain de productivité sur cette tâche. Ce qui reste à démontrer, c’est sa transmission à l’ensemble du processus.

Le Bureau of Labor Statistics définit la productivité comme un rapport entre la production et les ressources utilisées. Pour le travail, on peut observer une production par heure. Compter des documents sans regarder le temps total, leur qualité ou leur utilité mesure autre chose.

Quelques mots proches recouvrent donc des réalités différentes. L’activité correspond aux actions effectuées ; la vitesse, au temps nécessaire ; l’output, à ce qui est produit. La qualité dit si ce résultat répond aux exigences. La productivité met la production en relation avec les ressources. La valeur dépend de ce que cette production permet réellement : résoudre un problème, servir un client, apprendre, livrer ou décider.

Cette distinction prolonge notre dossier sur l’économie réelle de l’intelligence artificielle. Elle permet de mesurer un déploiement sans confondre adoption et réussite.

Des gains documentés, mais aucun pourcentage universel

La recherche ne raconte pas l’histoire d’une technologie uniformément efficace ou uniformément décevante. Elle étudie des outils, des travailleurs et des tâches différents.

Les publications originales permettent de vérifier ces unités : support client, rédaction, développement logiciel, marketing et expérience METR.

Ces nombres ne s’additionnent pas et ne se moyennent pas utilement. Une réduction du temps de 40 % n’est pas la même mesure qu’une hausse de 40 % du débit. Une tâche achevée n’est pas nécessairement un produit déployé. Une note de qualité n’est pas un revenu.

Le Stanford AI Index 2026, chapitre économie rassemble ces différences entre tâches. C’est une synthèse de travaux : ses chiffres ne constituent pas une nouvelle expérience indépendante qui confirmerait chacune des études citées.

Dans le marketing, le volume et la performance peuvent diverger

La version d’octobre 2026 du travail de Ju et Aral porte sur 2 234 participants répartis entre équipes humain-humain et humain-IA. Les secondes produisent davantage d’annonces par travailleur et des textes mieux évalués, tandis que les premières obtiennent de meilleures évaluations pour les images.

Les tests en conditions publicitaires réelles font apparaître des effets différents selon les composantes, sans différence globale uniforme de performance entre types d’équipes. Le supplément de production ne doit donc pas être présenté comme 50 % de ventes ou de rentabilité en plus. Ce n’est pas davantage la preuve qu’il serait sans valeur. Source : Ju et Aral, version 4.

Microsoft mesure davantage d’actions, pas 21,2 % de valeur supplémentaire

Une étude publiée par Microsoft Research en août 2026 observe des traces numériques dans Microsoft 365.

Pour le groupe d’utilisateurs intensifs ayant utilisé l’outil au moins 100 fois sur vingt semaines, l’analyse associe l’adoption à 21,2 % d’actions supplémentaires dans les applications classées comme orientées production, et à 7,1 % dans les applications de communication.

Le résultat est intéressant. Son intitulé peut aussi induire en erreur : « actions dans des applications de productivité » ne signifie pas « productivité économique ».

L’étude utilise une comparaison avant-après avec groupe de comparaison et appariement, pas une attribution aléatoire de l’intensité d’usage. L’autosélection des utilisateurs et d’autres différences restent des limites possibles. Le travail, diffusé comme prépublication, implique par ailleurs le fournisseur de l’outil.

Les auteurs observent aussi une réduction de certaines activités de lecture et d’organisation des emails. Ces données ne démontrent donc pas simplement que l’IA ferait écrire toujours plus de messages. Elles décrivent un déplacement du travail numérique, sans établir directement son effet sur les profits ou la qualité finale.

Les tâches gagnantes sont celles dont on sait reconnaître la réussite

Parler de tâches « simples » est parfois trompeur. Le développement logiciel ou le support technique peuvent demander beaucoup de compétences.

Le point commun des situations favorables tient plutôt à leur délimitation : le résultat attendu est identifiable, le contexte accessible et l’erreur relativement vérifiable.

Un résumé peut être confronté à son document d’origine. Une réponse de support peut être reliée à la résolution du problème. Un morceau de code peut passer des tests, puis une revue. Dans ces conditions, la rapidité de génération peut être convertie en travail utilisable.

À l’inverse, une tâche mal définie impose un autre effort : déterminer ce qu’il fallait produire. L’IA peut fournir une réponse élégante à une question mal posée. L’élégance rend alors l’erreur plus difficile à repérer.

La frontière passe aussi à l’intérieur d’un métier. Le même analyste peut gagner du temps sur l’extraction d’informations et en perdre lorsqu’il doit vérifier une interprétation fragile. Une moyenne par profession masque ces écarts.

Quand l’IA rallonge le chemin vers un travail terminé

L’expérience METR fournit un contre-exemple utile. Avec les outils de début 2025, les développeurs expérimentés mettent davantage de temps à achever les tâches, alors qu’ils pensent avoir été accélérés. Elle invite à mesurer plutôt qu’à se fier uniquement à l’impression d’aisance. Source : étude METR de 2025.

Mais ce résultat doit rester daté. Dans son suivi du 24 février 2026, METR explique que la réticence de développeurs à travailler sans IA, des effets de sélection et la mesure du temps avec plusieurs agents rendent les nouvelles estimations peu fiables. L’équipe juge plausible une amélioration par rapport à début 2025, sans pouvoir la quantifier solidement.

Présenter le ralentissement initial comme le verdict sur tous les outils actuels serait donc incorrect.

Le mécanisme possible reste important : demander, attendre, lire, tester et corriger peuvent absorber l’économie réalisée au premier jet. Une erreur subtile peut coûter plus cher qu’une réponse manifestement mauvaise parce qu’elle entre dans la suite du travail avant d’être détectée.

Avec les agents, ce coût peut se déplacer vers le suivi des actions et la reprise des exceptions. Notre analyse de l’IA agentique et des processus d’entreprise examine cette différence entre générer une réponse et mener un processus jusqu’à son terme.

Le travail facile à produire peut devenir coûteux à recevoir

Un email envoyé prend quelques secondes. Le lire, retrouver le contexte, vérifier une pièce jointe et répondre peut mobiliser beaucoup plus de temps.

L’IA abaisse le coût de production d’une proposition. Elle ne supprime pas le coût de son traitement par les autres. Si chacun peut produire dix variantes, le collectif doit encore déterminer lesquelles méritent son attention.

Prenons un exemple fictif. Un salarié économise 24 minutes sur la rédaction d’un rapport. Le document plus long demande ensuite huit minutes de lecture supplémentaires à quatre collègues : 32 minutes sont consommées en aval. Toutes choses égales par ailleurs, le bilan collectif est négatif de huit minutes, même si le rédacteur a réellement gagné du temps.

Ce n’est pas une estimation de l’effet moyen de l’IA. C’est une façon de montrer où chercher les coûts oubliés.

La conséquence est économique : lorsque produire devient moins coûteux, l’attention et la validation peuvent devenir relativement plus rares. Le bon objectif peut alors être de produire moins de versions, mais davantage de résultats acceptés.

Le nouveau goulot d’étranglement peut être le jugement

Si une IA propose dix plans en une minute, quelqu’un doit encore choisir un objectif, distinguer les faits des hypothèses et accepter la responsabilité de l’action.

Le jugement humain n’est pas gratuit. Il ne devient pas automatiquement meilleur parce qu’il s’exerce sur davantage de propositions.

La bonne organisation doit préciser ce qui peut être automatisé, ce qui nécessite une validation et ce qui doit rester sous contrôle direct. Le niveau de vérification doit suivre le risque : une faute dans un brouillon interne n’a pas le même coût qu’une erreur dans un contrat ou une décision opérationnelle irréversible.

Cela ne signifie pas qu’un humain doive tout relire avec la même intensité. Une telle obligation pourrait annuler une grande partie des gains. Les tests, les règles d’acceptation et le traitement des exceptions servent précisément à concentrer l’attention là où elle est utile.

La question de productivité devient alors : combien de travail fiable peut traverser le système, et pas seulement combien peut entrer dans sa file d’attente ?

Une licence ne réorganise pas une entreprise

Une société peut donner accès à ChatGPT, Copilot ou Claude tout en conservant les mêmes réunions, les mêmes validations et les mêmes silos.

Le premier jet arrive plus vite. Le comité se réunit toujours vendredi.

Le gain individuel existe, mais le délai de livraison final peut ne presque pas bouger. Pour l’améliorer, il faut parfois revoir les responsabilités, la circulation des données ou le nombre d’étapes, plutôt qu’ajouter un outil supplémentaire.

Un travail de Tania Babina, Alex He et Renhao Jiang, diffusé en août 2026 comme NBER Working Paper 35684 et discussion paper CEPR, apporte un éclairage sur ce mécanisme.

Les auteurs relient une mesure d’investissement fondée sur les emplois qualifiés en IA à des gains récents de productivité, associés à la constitution de capital organisationnel : des connaissances propres à l’entreprise accumulées dans la pratique. Leurs indicateurs reposent notamment sur les descriptions d’emplois.

Il s’agit d’un travail observationnel, pas d’une expérience attribuant une IA au hasard aux entreprises. Une association ne permet pas d’écarter toutes les différences préexistantes entre celles qui investissent et les autres.

La piste est néanmoins importante : les gains pourraient dépendre de ce que l’entreprise apprend à faire durablement avec l’outil, plutôt que de sa simple présence dans les logiciels.

Où vont les deux heures gagnées ?

Un salarié qui libère deux heures peut les utiliser pour terminer sa journée plus tôt, améliorer une livraison, prendre un nouveau dossier ou se former. Son employeur peut aussi augmenter les objectifs ou réduire les effectifs.

Ces décisions ne produisent pas le même résultat.

Du temps libre peut représenter un bénéfice réel pour la personne sans générer de chiffre d’affaires supplémentaire. Une meilleure qualité peut fidéliser des clients sans apparaître immédiatement dans les comptes. Une capacité supplémentaire peut rester inutilisée si la demande ne suit pas.

Inversement, remplir systématiquement le temps disponible avec davantage de reporting peut absorber une économie technique sans améliorer le service.

La productivité individuelle et celle de l’entreprise sont donc liées par une décision d’allocation. Un responsable doit pouvoir expliquer à quel usage le temps a été réaffecté et quel résultat cet usage a produit.

Ce raisonnement rejoint notre distinction entre les différents modèles de monétisation de l’IA. Un usage fréquent n’est pas encore un retour économique démontré.

Les débutants peuvent progresser plus vite — sans forcément apprendre autant

Dans l’étude publiée au QJE sur le support client, les moins expérimentés bénéficient davantage de l’assistance. Les auteurs trouvent aussi des signes d’apprentissage durable : certains progrès subsistent lors d’interruptions de l’outil. Une partie des pratiques des meilleurs agents semble devenir accessible aux autres. Source : Brynjolfsson, Li et Raymond.

Une autre expérience rappelle que cet effet n’est pas automatique. Shen et Tamkin, chercheurs chez Anthropic, étudient 52 développeurs, majoritairement juniors, apprenant une bibliothèque Python inconnue. Le groupe avec IA obtient environ 50 % au test de compréhension, contre 67 % sans IA, soit un écart d’environ 17 points de pourcentage. Le gain de temps moyen n’est pas statistiquement significatif. Source : étude sur l’acquisition des compétences, 2026.

Ce résultat concerne un apprentissage précis et un test immédiat, pas une baisse générale de l’intelligence ni la preuve d’une perte permanente de compétences. Les usages axés sur l’explication et la compréhension présentent des résultats plus favorables, sans constituer eux-mêmes une comparaison randomisée entre styles d’usage.

La tension est concrète : l’IA peut aider un junior à livrer aujourd’hui tout en réduisant certaines occasions de pratiquer ce qui lui permettra de superviser demain.

Notre analyse de l’IA et de la transformation des tâches aide à replacer cette question dans l’évolution des métiers, au-delà d’une opposition entre remplacement et augmentation.

Le ROI commence après le premier jet

Pour une entreprise, le retour sur investissement de l’IA doit comparer un bénéfice supplémentaire crédible à un coût total.

Ce coût comprend les abonnements ou le calcul, mais aussi l’intégration, la préparation des données, la formation, la supervision et les reprises. Selon le projet, il faut distinguer dépenses initiales, dépenses récurrentes et horizon de rentabilisation.

Le temps économisé n’est pas automatiquement une économie de trésorerie. Si les salaires restent identiques, il faut montrer comment la capacité libérée sert davantage de clients, évite un recrutement nécessaire ou améliore un résultat.

Le revenu par salarié peut compléter cette lecture. Il varie cependant avec les prix, les acquisitions et l’externalisation : une hausse ne prouve pas seule une amélioration de productivité réelle.

Les marges et le free cash flow donnent une autre perspective, à un horizon souvent plus long. Ils ne capturent pas toute la valeur : la concurrence peut transmettre une partie du gain aux clients sous forme de baisse des prix, plutôt qu’aux actionnaires sous forme de profits supplémentaires.

Pour les fournisseurs de modèles, cette distinction devient stratégique. Leur croissance dépend aussi de clients capables de justifier leurs dépenses. C’est l’autre face de la bataille financière entre OpenAI et Anthropic.

Les six questions avant d’annoncer un succès

1. Produisons-nous réellement davantage de travail terminé et utilisable ?
2. La qualité reste-t-elle égale ou meilleure ?
3. Le délai complet a-t-il diminué ?
4. Avons-nous réduit le coût total, contrôle et reprises compris ?
5. Les revenus, le service rendu ou la capacité utile ont-ils progressé ?
6. Que faisons-nous du temps économisé ?

Une évaluation utile définit ces critères avant le déploiement, conserve un point de comparaison et suit les résultats dans la durée. Lorsque c’est possible, une expérimentation randomisée ou un déploiement progressif facilite l’attribution. À défaut, il faut contrôler les changements de demande, de personnel et de saisonnalité.

Cette méthode doit aussi mesurer les résultats non financiers pertinents, comme une amélioration du service ou des conditions de travail. Tout convertir prématurément en dollars donnerait une précision trompeuse.

Le paradoxe actuel ne condamne pas un futur boom de productivité

Le NBER Working Paper 34984, publié en mars 2026, s’appuie sur une enquête auprès de près de 750 dirigeants. Baslandze et ses coauteurs rapportent des gains positifs mais hétérogènes et un écart entre les gains perçus et ceux mesurés, notamment à partir d’indicateurs fondés sur le revenu. Ils évoquent un délai possible avant leur réalisation commerciale.

Ce document de travail ne démontre ni une absence générale de gains ni un effet causal uniforme. Les perceptions déclarées et les mesures économiques doivent être distinguées.

Un autre travail, celui de Humlum et Vestergaard au Danemark, relie enquêtes et données administratives. Sa présentation actualisée par Chicago Booth en 2026 ne trouve pas d’effet détectable sur les rémunérations et les heures enregistrées dans la fenêtre étudiée, malgré des changements de tâches. Ces variables ne mesurent pas directement toute la productivité ni la qualité des services.

Les premiers résultats favorables au niveau des entreprises, notamment les travaux sur le capital organisationnel, justifient donc de garder l’hypothèse d’un effet plus large ouverte. Apprentissage, intégration et réorganisation prennent du temps. Ce délai peut expliquer une partie du décalage ; il ne garantit pas que tout investissement finira par devenir rentable.

À l’échelle de l’économie américaine, il faudra suivre la production réelle par heure, la diffusion des usages et les investissements complémentaires. On ne peut pas obtenir un effet sur le PIB en multipliant mécaniquement un gain expérimental de rédaction par le nombre de salariés.

FAQ : ce que l’on peut vraiment dire de l’IA et de la productivité

L’IA augmente-t-elle vraiment la productivité ?

Oui, certaines études mesurent davantage de travail utile par unité de temps, parfois avec une meilleure qualité. Mais ces résultats dépendent de la tâche, de l’outil et de l’organisation. Ils ne permettent pas d’appliquer un taux unique à tous les salariés, ni de conclure automatiquement à une hausse des profits.

Combien de temps l’IA fait-elle gagner au travail ?

Il n’existe pas de chiffre valable pour tous les usages. Une tâche de rédaction délimitée, une correction dans un logiciel ancien et une décision stratégique n’exigent pas le même contrôle. La mesure pertinente inclut la préparation, la génération, la vérification et les corrections, plutôt que le seul temps nécessaire à obtenir une réponse.

ChatGPT rend-il plus productif ?

Il peut aider à rédiger, structurer ou résumer lorsque l’utilisateur connaît l’objectif et peut contrôler le résultat. Le gain dépend aussi du modèle, des informations fournies et du coût des erreurs. Un texte obtenu rapidement n’est pas un avantage suffisant s’il nécessite ensuite une longue vérification ou ne répond pas au besoin.

Quels métiers bénéficient le plus de l’IA ?

Les preuves favorables concernent notamment certaines tâches de support, de rédaction, de développement et de création marketing. Il est plus prudent de raisonner par tâches que par métiers : une même profession combine production, relation client, jugement et responsabilité. L’IA peut accélérer une partie de cette combinaison et laisser les autres contraintes intactes.

L’IA peut-elle réduire la productivité ?

Oui, lorsque les erreurs, les reprises ou la complexité de supervision coûtent davantage que le temps économisé. Des résultats négatifs ont été observés dans des contextes précis. Ils doivent rester rattachés aux outils et aux périodes étudiés : ils ne démontrent pas que tout usage actuel ou futur sera moins efficace.

L’IA fait-elle perdre des compétences ?

Certaines expériences soulèvent un risque pour l’apprentissage lorsqu’une personne délègue sans comprendre. D’autres travaux observent des progrès avec l’assistance. Il faut distinguer réussir une tâche avec l’outil et savoir la refaire ou la contrôler sans lui. Les preuves disponibles ne permettent pas d’affirmer une dégradation générale ou permanente des capacités.

Comment mesurer le ROI de l’IA en entreprise ?

Comparer des résultats utiles et attribuables au déploiement avec tous ses coûts : travail humain, licences, calcul, intégration et contrôle. Un temps gagné ne devient une économie de cash que si l’organisation en tire un effet économique identifiable. Un groupe de comparaison et des critères de qualité définis au départ améliorent l’évaluation.

Les entreprises sont-elles réellement plus productives grâce à l’IA ?

Certaines recherches trouvent déjà des effets favorables, mais l’ampleur et la causalité restent inégalement établies selon les études. Une hausse d’activité dans les logiciels, une meilleure livraison et une progression du chiffre d’affaires ne sont pas des mesures interchangeables. La diffusion dans l’ensemble de l’entreprise demande une observation plus longue et plusieurs indicateurs.

La prochaine étape se jouera dans ce que nous cessons de produire

L’IA rend le premier jet moins rare. C’est une transformation importante.

Sa valeur ne se limitera pourtant pas à multiplier les versions disponibles. Une entreprise capable de produire vingt analyses doit encore savoir laquelle mérite une décision, quels documents peuvent être supprimés et quelles validations protègent réellement le résultat.

Les gains de productivité peuvent être considérables lorsque l’outil, les compétences et l’organisation se renforcent. Ils peuvent aussi être absorbés par la vérification ou par du travail supplémentaire dont personne n’avait besoin.

Le test décisif sera donc moins spectaculaire qu’un écran rempli de réponses : avons-nous utilisé moins de ressources pour livrer quelque chose de meilleur, ou simplement rendu plus facile la production de ce qui attend encore d’être lu ?

Cet article est publié à titre informatif. Les données peuvent être révisées après leur publication initiale.