Un devis est prêt plus tôt. Le client attend pourtant aussi longtemps : la validation technique n’a pas changé, le responsable commercial reste indisponible et une pièce manque au dossier. La personne qui a rédigé la proposition a réellement gagné du temps. L’entreprise, elle, n’a pas encore livré plus vite.
Ce décalage résume une partie du paradoxe de la productivité avec l’IA. Accélérer une activité peut améliorer le travail sans modifier immédiatement la marge, le chiffre d’affaires ou le délai final. Encore faut-il vérifier le gain, puis décider de ce que l’organisation en fera.
Pour un dirigeant ou une direction RH, la question utile devient donc : quel résultat voulons-nous rendre possible avec le temps libéré, et comment saurons-nous qu’il s’est produit ? La réponse engage autant l’organisation du travail que le choix des outils.
Les études mesurent des gains situés, pas une rentabilité universelle
Dans Generative AI at Work, publié en 2025 dans le Quarterly Journal of Economics, Erik Brynjolfsson, Danielle Li et Lindsey Raymond étudient l’introduction progressive d’un assistant auprès de 5 172 agents de service client. Ils estiment une hausse moyenne de 15 % du nombre de problèmes résolus par heure, avec des effets différents selon l’expérience et les compétences initiales.
Le résultat porte sur une activité précise, dans une entreprise et avec un assistant intégré au travail. Il ne signifie ni que chaque salarié gagne autant de temps ni que le bénéfice de toute entreprise augmente dans cette proportion. L’indicateur opérationnel est déjà plus exigeant qu’un simple nombre de réponses générées : il concerne des problèmes résolus.
Un autre terrain invite à vérifier les impressions. Dans un essai randomisé publié par METR en juillet 2025, 16 développeurs expérimentés ont réalisé 246 tâches sur des projets open source qu’ils connaissaient. Avec les outils du début de 2025, ils ont mis en moyenne 19 % de temps supplémentaire, tout en ayant le sentiment d’être accélérés.
Ce résultat étroit n’est pas un verdict sur le développement informatique actuel. En février 2026, METR a signalé que son expérience suivante rencontrait notamment des biais de participation qui rendaient difficile une estimation fiable de l’effet contemporain. L’enseignement durable concerne la méthode : le sentiment de fluidité et le temps observé peuvent diverger. Il faut dater l’outil, décrire la tâche et mesurer ce qui compte.
Ces travaux n’offrent pas un taux de rendement à appliquer à un budget. Ils montrent pourquoi les effets doivent être examinés au niveau où ils ont été observés.
Tenir quatre comptes pour comprendre ce qui change
Nous proposons de séparer quatre questions dans une discussion sur la productivité IA en entreprise. Cette grille Learning Coach est une aide au raisonnement, pas une méthode d’évaluation scientifiquement validée.
| Compte à tenir | Question à résoudre | Preuve à rechercher |
|---|---|---|
| Le temps de travail | La tâche complète demande-t-elle moins d’effort ? | Durée incluant préparation, contrôle et reprises |
| La capacité disponible | Le temps libéré devient-il utilisable ? | Activité abandonnée, déplacée ou effectivement prise en charge |
| Le service rendu | Qu’est-ce qui s’améliore pour le destinataire ? | Délai final, fiabilité, accessibilité ou qualité acceptée |
| Le résultat économique | Quel bénéfice supplémentaire reste après les coûts ? | Dépense évitée ou marge additionnelle attribuable, sur une période définie |
Le passage d’une ligne à l’autre demande une explication. Additionner des minutes déclarées puis les multiplier par un coût horaire peut donner une valeur théorique de capacité. Cela ne prouve pas une économie encaissée.
Si la masse salariale reste identique, le temps libéré peut servir à mieux répondre aux clients, à résorber un retard ou à apprendre. Ces destinations ont une valeur possible. Elles doivent être nommées et évaluées avec des critères adaptés, plutôt que présentées comme une baisse de coûts déjà réalisée.
À l’inverse, une dépense externe effectivement évitée constitue un élément financier plus directement observable. Encore faut-il vérifier que le travail n’a pas simplement été transféré à une équipe interne dont la charge a augmenté.
Le temps gagné a besoin d’une destination
Reprenons notre bureau d’études fictif. L’IA aide à préparer une première version de proposition commerciale. La responsable constate que la rédaction est plus rapide. Trois suites sont possibles.
Dans la première, elle produit davantage de variantes. Le client reçoit un dossier plus long, sans décision facilitée. Une partie du gain devient une hausse de volume documentaire.
Dans la deuxième, elle transmet plus tôt au responsable technique. Celui-ci reçoit davantage de dossiers simultanément et devient le point d’attente. Le gain local reste réel, mais le délai global bouge peu.
Dans la troisième, l’équipe choisit d’utiliser la capacité dégagée pour clarifier les demandes incomplètes avant la rédaction. L’hypothèse est que de meilleurs échanges réduiront les reprises. Ce bénéfice reste à tester : il ne découle pas automatiquement de l’outil.
La décision porte ainsi sur l’emploi du temps disponible. Qui peut la prendre ? Quel travail mérite davantage d’attention ? Quelles tâches peuvent disparaître au lieu d’être accélérées ? Sans ces arbitrages, les collaborateurs doivent parfois remplir eux-mêmes le vide avec de nouvelles productions, dont l’utilité collective reste incertaine.
Il faut aussi regarder la fragmentation. Quelques minutes récupérées entre plusieurs sollicitations ne donnent pas nécessairement un créneau suffisant pour une activité exigeante. La capacité devient plus exploitable quand l’équipe peut modifier ses rendez-vous, ses transmissions ou ses priorités.
Mesurer une tâche jusqu’à son acceptation
Le premier brouillon est un jalon commode, rarement la fin du travail. Une proposition doit être exacte, compréhensible et utilisable par son destinataire. Une réponse rapide qui provoque une nouvelle demande peut déplacer l’effort au lieu de le réduire.
Un suivi utile commence donc par une définition commune du travail terminé. Pour le bureau d’études, cela pourrait être une proposition acceptée pour envoi après contrôle, avec les informations nécessaires au client. La même définition doit servir aux comparaisons avec et sans assistance.
On peut ensuite observer un ensemble de dossiers comparables, en distinguant les demandes simples des dossiers atypiques. Le suivi inclut les reprises et les demandes d’aide. Si les collaborateurs choisissent eux-mêmes les dossiers confiés à l’IA, ce choix doit être consigné : comparer des cas faciles assistés à des cas difficiles non assistés raconterait une histoire trompeuse.
Une comparaison avant-après reste sensible à d’autres changements : saison commerciale, expérience des salariés, nouveau modèle de document, composition des dossiers. Lorsque c’est possible, une attribution aléatoire ou un déploiement progressif organisé aide à mieux distinguer les effets. À défaut, on garde une conclusion proportionnée : une amélioration observée, avec plusieurs explications possibles.
L’objectif n’est pas de chronométrer chaque geste en permanence. Il est de disposer d’un échantillon de travail assez explicite pour discuter honnêtement d’une décision, en expliquant aux équipes ce qui sera observé et à quoi cela servira.
Intégrer les coûts sans compter deux fois les bénéfices
Le prix des licences est visible. Le temps de préparation des données, d’accompagnement, de contrôle et de maintenance l’est souvent moins dans le budget initial. Pour apprécier un retour financier, ces dépenses et ces efforts doivent entrer dans le périmètre retenu.
Il faut également éviter de compter deux fois une même amélioration. Si une heure libérée permet de réaliser une activité supplémentaire, on ne peut pas enregistrer simultanément la valeur totale de cette heure comme économie et toute la marge de l’activité comme bénéfice indépendant, sans examiner ce qui se recoupe.
Une évaluation lisible présente les hypothèses : période, coûts inclus, bénéfices observés, bénéfices seulement attendus et facteurs extérieurs. Elle distingue aussi les économies ponctuelles des effets récurrents. Un gain pendant une phase exceptionnelle de surcharge ne décrit pas forcément le fonctionnement annuel.
Les travaux de Brynjolfsson, Rock et Syverson sur la courbe de productivité en J apportent une autre perspective. Leur modèle souligne le rôle d’investissements complémentaires, souvent immatériels et difficiles à mesurer, dans l’adoption de technologies à usage général. Il aide à comprendre un décalage possible entre investissement et mesure de productivité. Il ne garantit pas qu’un projet déficitaire deviendra rentable avec le temps.
Pour une entreprise, attendre doit rester une décision argumentée : quelles capacités se construisent, quels signes montrent leur utilité et à quel moment réexaminer l’hypothèse ?
Faire du temps libéré une occasion d’apprendre
La perspective Learning Coach consiste à traiter la capacité dégagée comme une ressource à orienter. Une partie peut être consacrée à comprendre les erreurs, améliorer un document commun ou apprendre à traiter des situations moins familières. Le bénéfice immédiat et le développement des compétences doivent alors être suivis séparément.
L’enjeu dépasse la présence à une formation. Notre article sur l’engagement des adultes en formation obligatoire rappelle l’intérêt de partir d’une difficulté de travail que les personnes reconnaissent. Ici, la question peut être très concrète : quelle reprise coûteuse voulons-nous apprendre à éviter ?
De même, les méthodes d’apprentissage examinées à partir des sciences cognitives invitent à distinguer une impression d’aisance d’une capacité réellement mobilisable. Leur transposition au travail demande une adaptation : produire un document avec assistance et savoir expliquer ses choix à un collègue constituent deux observations différentes.
Le choix de mieux apprendre ne dispense pas de mesurer. Il change le résultat recherché : une équipe capable de résoudre davantage de situations, de transmettre ses critères ou de maintenir la qualité lorsque les conditions varient. Ce résultat peut compter avant qu’un effet financier soit démontré.
Un sujet de séminaire qui appelle des arbitrages
Pour un séminaire de direction ou une rencontre réunissant RH, métiers et finance, ce paradoxe fournit un débat utile. Chaque fonction peut apporter une pièce différente : les opérations décrivent le service, la finance précise les coûts, les équipes racontent les reprises, les RH interrogent l’évolution des compétences.
Une conférence peut donner des repères communs sur les niveaux de preuve et les erreurs de mesure. Un atelier complémentaire peut ensuite examiner un processus réel, identifier le résultat attendu et choisir la destination d’une capacité libérée. Une intervention ne prouve évidemment pas le rendement d’un outil ; elle peut aider à formuler les décisions qui permettront de l’évaluer.
Vous préparez cette discussion avec vos équipes ? Découvrez les conférences Learning Coach et demandez une proposition adaptée à votre événement.
La question à emporter est précise : si vos collaborateurs disposent demain de plus de temps, qu’aurez-vous décidé ensemble d’en faire — et qu’observerez-vous pour juger ce choix ?
Ressources
Erik Brynjolfsson, Danielle Li et Lindsey Raymond, Generative AI at Work, Quarterly Journal of Economics, mai 2025. Déploiement progressif dans le service client ; effets hétérogènes, sans estimation universelle de rentabilité.
METR, Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity, 10 juillet 2025. Essai randomisé sur un petit groupe expérimenté et des outils datés.
METR, We are Changing our Developer Productivity Experiment Design, 24 février 2026. Limites de la nouvelle collecte et de l’estimation de l’effet actuel.
Erik Brynjolfsson, Daniel Rock et Chad Syverson, The Productivity J-Curve: How Intangibles Complement General Purpose Technologies, working paper référencé par Stanford en 2020. Modèle économique des investissements complémentaires et de leur mesure.
