Une équipe peut produire davantage sans avoir démontré qu’elle sait mieux décider. Une autre peut progresser sur une activité précise sans avoir transformé toute son organisation. Après l’euphorie autour de ChatGPT, le débat gagne à quitter les verdicts globaux : l’IA ne tient pas toutes ses promesses, mais ses effets ne se réduisent pas non plus à une mode.
Des changements sont documentés dans la rédaction, le service client, la programmation, l’idéation et la répartition des tâches. Leur portée dépend toutefois des personnes, des activités, des outils et des critères étudiés. Le saut entre un résultat situé et une promesse générale reste souvent la partie la moins examinée.
Voici cinq transformations concrètes observées dans des recherches, mises en regard de cinq promesses encore à vérifier. Cette sélection, arrêtée au 28 octobre 2026, ne constitue ni un palmarès des outils ni une mesure de toutes les entreprises françaises. Elle propose aux dirigeants, aux RH et aux organisateurs un support pour discuter des preuves.
1. La rédaction assistée progresse ; l’expertise universelle reste une promesse
Dans une expérience préenregistrée publiée dans Science en juillet 2023, Shakked Noy et Whitney Zhang confient des tâches de rédaction professionnelle à 453 participants diplômés. Une partie reçoit aléatoirement l’accès à ChatGPT. Les productions assistées obtiennent de meilleures évaluations et demandent moins de temps en moyenne.
Le changement documenté est substantiel : dans ce protocole, une assistance modifie le rapport entre le temps consacré à rédiger et la qualité appréciée du texte. Elle peut donc avoir une utilité professionnelle réelle.
La promesse supplémentaire serait de conclure qu’une personne peut désormais intervenir avec compétence sur n’importe quel sujet. L’expérience ne l’établit pas. Un texte convaincant ne garantit ni la connaissance des informations manquantes ni la maîtrise des conséquences d’une recommandation.
Pour examiner cette promesse dans une entreprise, on peut demander autre chose qu’un livrable soigné : quelles hypothèses son auteur peut-il expliquer ? Quelle exception sait-il reconnaître ? À quel moment demande-t-il l’avis d’un spécialiste ? Ces questions concernent la compétence mobilisée autour du document, au-delà de sa rédaction.
2. Le service client peut gagner en efficacité ; la diffusion générale de l’expertise reste à établir
L’étude Generative AI at Work, publiée dans le Quarterly Journal of Economics en 2025, suit le déploiement progressif d’un assistant auprès de 5 172 agents de service client. Erik Brynjolfsson, Danielle Li et Lindsey Raymond estiment une augmentation moyenne de 15 % des problèmes résolus par heure, avec des différences importantes selon les agents.
Le résultat concerne une activité intégrée à une organisation. Il dépasse donc une simple démonstration sur une demande isolée. Les auteurs apportent aussi des éléments en faveur de mécanismes d’apprentissage ; il serait excessif d’affirmer qu’aucune compétence ne se développe.
La promesse à vérifier est plus large : toute l’expertise utile deviendrait disponible pour tous, dans toutes les situations. Une étude dans une entreprise ne démontre pas cette généralisation. Les résultats varient notamment selon l’expérience des personnes et les problèmes rencontrés.
Dans un autre contexte, il faudrait regarder les situations inhabituelles, les limites de la documentation et la capacité à solliciter la bonne personne. Une réponse plus rapide sur les demandes fréquentes constitue un progrès possible. La continuité du service devant un problème nouveau demande sa propre preuve.
3. Des équipes de développement produisent davantage ; l’accélération de tout projet reste incertaine
La recherche de Kevin Zheyuan Cui et ses collègues, publiée dans Management Science le 27 février 2026, rassemble trois expériences randomisées menées chez Microsoft, Accenture et dans une autre grande entreprise. L’ensemble concerne 4 867 développeurs. Les auteurs observent un effet positif agrégé sur les tâches achevées, tout en soulignant le bruit statistique et les différences entre expériences.
Ce résultat soutient l’utilité d’une assistance de programmation dans les environnements étudiés. Il ne mesure pas automatiquement la vitesse de livraison de chaque produit, sa maintenance future ou la satisfaction de ses utilisateurs.
Un contrepoint mérite sa place : METR a observé un ralentissement dans une expérience portant sur 16 développeurs expérimentés et 246 tâches réalisées sur leurs propres projets open source, avec des outils du début de 2025. Ce petit terrain ne représente pas tous les développeurs.
Il faut également lire la suite : le 24 février 2026, METR explique que sa nouvelle expérience fournit un signal peu fiable sur l’effet actuel, notamment à cause de biais de sélection et de difficultés de mesure du temps. Le résultat ancien ne doit donc pas devenir un verdict sur les outils d’octobre 2026.
La promesse « tous les projets iront plus vite » reste à examiner à l’échelle du travail complet : compréhension, réalisation, vérification, intégration et traitement des problèmes ultérieurs.
4. L’aide à l’idéation change les productions ; la diversité collective n’est pas garantie
Dans une expérience en ligne publiée dans Science Advances en juillet 2024, Anil Doshi et Oliver Hauser étudient la création de courtes histoires avec ou sans idées proposées par une IA.
Les histoires assistées sont mieux appréciées sur plusieurs dimensions, dont la créativité. Pourtant, elles se ressemblent davantage entre elles. Il s’agit d’écriture fictionnelle dans une expérience, pas d’un bilan de l’innovation dans les entreprises.
Le changement observé permet néanmoins de poser une distinction utile : améliorer une production individuelle et élargir l’ensemble des directions explorées sont deux objectifs différents.
La promesse à vérifier serait celle d’une créativité collective automatiquement accrue. Pour une équipe, obtenir plusieurs propositions élégantes ne suffit pas à montrer qu’elle dispose de plusieurs options différentes. Il faut examiner ce qui varie : le vocabulaire, la forme, les hypothèses ou la solution envisagée.
Une organisation peut rechercher de l’harmonisation pour certains documents et de la diversité pour une réflexion stratégique. Avant de demander davantage d’idées, elle gagne donc à préciser le type de différence dont elle a besoin. Cette proposition d’organisation du travail est une interprétation pratique ; l’expérience ne valide pas à elle seule une méthode d’innovation.
5. Les tâches se réorganisent ; le temps libéré pour chacun reste à démontrer
Anders Humlum et Emilie Vestergaard relient des enquêtes d’adoption à des données administratives du marché du travail danois. Dans la version du 13 mars 2026 de leur working paper Still Waters, Rapid Currents, ils décrivent de nouvelles tâches liées aux contenus, au contrôle et à l’intégration de l’IA.
Leurs estimations ne détectent cependant pas d’effet moyen sur les revenus et les heures enregistrées à l’horizon de deux ans après le lancement de ChatGPT. Ce résultat concerne un pays, une période précoce et des indicateurs précis. Il ne prouve pas que rien n’a changé pour chaque travailleur.
La transformation documentée porte donc sur le contenu du travail, sans mouvement équivalent sur tous les indicateurs moyens. C’est une raison de regarder ce que deviennent les tâches facilitées et les activités ajoutées.
La promesse de temps libre pour chacun demande une autre observation. Le temps disponible peut servir à traiter davantage de demandes, reprendre des erreurs ou assurer des contrôles nouveaux. Il peut aussi être réparti différemment entre les personnes.
Un bilan local devrait suivre ces déplacements. Qui bénéficie de l’assistance ? Qui reçoit les productions ? Qui doit désormais les vérifier ? La facilité ressentie par le premier utilisateur ne décrit pas toute la chaîne.
Cinq promesses, cinq preuves à rechercher
Les recherches ne se combinent pas en une moyenne générale des gains de l’IA. Elles portent sur des terrains et des résultats différents. On peut en revanche s’en servir pour formuler les observations manquantes dans sa propre organisation.
| Promesse envisagée | Preuve supplémentaire à rechercher |
|---|---|
| La rédaction assistée rend chacun expert | Explication des hypothèses, reconnaissance des limites et traitement d’exceptions |
| L’expertise circule désormais partout | Accès aux savoirs pertinents et continuité du service sur les cas inhabituels |
| Tout projet logiciel sera accéléré | Résultat de bout en bout, avec vérifications, intégration et reprises |
| Davantage d’idées signifie davantage de diversité | Différences entre les options, au-delà du style de présentation |
| Chacun récupère du temps | Répartition du travail avant et après, contrôles et charge des destinataires compris |
Ce tableau est une proposition de discussion Learning Coach, pas un instrument scientifique validé. Il aide à préciser une affirmation avant de choisir comment l’examiner.
Un arbitrage fictif : que garder d’un dossier commercial assisté ?
Imaginons une PME de services qui prépare une proposition pour un nouveau client. Un chargé de clientèle utilise une assistance autorisée pour organiser les informations disponibles et formuler une première version. Le responsable trouve le document plus clair.
L’équipe dispose déjà d’un bénéfice possible : le dossier est plus facile à lire. Elle n’a pourtant pas encore démontré que la proposition correspond mieux au besoin du client ou que sa préparation coûte moins de travail au total.
La personne chargée de l’exécution relève une contrainte absente. Le responsable commercial demande plusieurs options et reçoit surtout des variations de présentation. Un collègue passe du temps à vérifier les engagements proposés.
Le bilan pourrait alors conserver l’aide rédactionnelle, revoir la préparation des informations et modifier la façon de rechercher des alternatives. Il pourrait aussi révéler qu’une partie du travail a simplement changé de personne.
Ce scénario est fictif ; il ne décrit aucun client ni résultat Learning Coach. Il montre l’intérêt d’un jugement par composante. Une organisation peut retenir ce qui fonctionne tout en refusant de présenter le reste comme acquis. Elle n’a pas à choisir entre enthousiasme total et abandon général.
La capacité à apprendre fait partie du résultat attendu
La perspective Learning Coach consiste à ajouter une question à celle de la production : qu’est-ce que les personnes deviennent capables de comprendre et de refaire dans une situation suivante ?
On peut, par exemple, demander à l’équipe de commenter un choix, de comparer deux solutions ou d’identifier une information nécessaire absente du dossier. L’objectif n’est pas d’exiger le travail sans outil en permanence. Il est de rendre visible la compréhension qui permet d’utiliser l’assistance avec discernement.
Cette démarche rejoint la question du transfert des apprentissages vers le travail. Une sensibilisation réussie peut préparer une pratique ; elle ne démontre pas encore sa réutilisation sur les dossiers suivants.
Elle demande aussi de comprendre les obstacles. Notre article sur l’engagement dans une formation obligatoire invite à prendre les contraintes des participants au sérieux. Une réserve exprimée face à l’IA peut ouvrir une question de métier utile au bilan.
Transformer ces constats en discussion collective
Pour un événement d’entreprise, les cinq couples peuvent servir de point de départ. Chaque groupe choisit une promesse qui concerne son activité, précise ce qu’il observe déjà et identifie l’élément qui lui manque pour conclure.
Le désaccord devient alors plus précis. Une équipe peut reconnaître une amélioration de la rédaction tandis qu’une autre constate une difficulté d’intégration. Ces expériences n’ont pas besoin d’être ramenées artificiellement à un même verdict.
Une conférence peut apporter les recherches et leurs limites, puis ouvrir cet échange. Elle ne remplace ni une évaluation interne ni les décisions des responsables.
Pour préparer une rencontre autour des changements observés et des promesses encore ouvertes, découvrez les conférences Learning Coach et demandez une proposition adaptée à votre public.
La question à emporter pourrait être celle-ci : quelle promesse sommes-nous prêts à reformuler lorsque la preuve ne couvre qu’une partie du résultat ?
Ressources
Shakked Noy et Whitney Zhang, Experimental evidence on the productivity effects of generative artificial intelligence, Science, en ligne le 13 juillet 2023, numéro du 14 juillet.
Erik Brynjolfsson, Danielle Li et Lindsey Raymond, Generative AI at Work, Quarterly Journal of Economics, 4 février 2025.
Kevin Zheyuan Cui et collègues, The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers, Management Science, 27 février 2026.
METR, étude sur les développeurs open source, 10 juillet 2025 ; mise à jour du protocole et limites des nouvelles données, 24 février 2026.
Anil Doshi et Oliver Hauser, Generative AI enhances individual creativity but reduces the collective diversity of novel content, Science Advances, 12 juillet 2024.
Anders Humlum et Emilie Vestergaard, Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI, working paper, version du 13 mars 2026.
