IA générative et productivité au travail : ce que les données disponibles permettent d’affirmer

La promesse de l’IA générative au travail est souvent formulée en termes de temps : rédiger plus vite, résumer davantage de documents ou préparer une réponse en moins d’étapes. Ces résultats peuvent être utiles, mais gagner du temps sur une tâche ne signifie pas automatiquement créer davantage de valeur dans l’ensemble du travail. Pour étayer cette conclusion, il faudrait savoir quelle tâche a été mesurée, selon quels critères le résultat a été évalué et ce qu’est devenu le temps économisé.

Une évaluation pratique devrait au minimum examiner le volume de travail réalisé et sa qualité. Elle devrait aussi prendre en compte les corrections, la vérification humaine, les erreurs et les nouvelles tâches qui apparaissent avec l’introduction de l’outil. Si une réponse est produite plus vite mais nécessite une vérification approfondie, le gain net peut être inférieur au temps brut économisé. Et si la quantité augmente au détriment de la qualité ou de l’autonomie, un indicateur unique ne décrit pas correctement l’effet.

Du temps économisé au résultat global

Le temps libéré ne constitue un gain que s’il peut être consacré à d’autres tâches utiles sans reporter du travail supplémentaire ailleurs dans le processus. Une comparaison claire doit donc couvrir le cycle complet : du début de la tâche jusqu’à la vérification du résultat et sa mise à disposition. Se limiter au moment de la génération laisse de côté des étapes qui consomment elles aussi des ressources et peuvent modifier l’évaluation de l’avantage.

Une enquête relayée par la Commission européenne en octobre 2025 indique qu’un travailleur sur trois dans l’Union européenne utilisait des outils d’IA au travail. La même communication décrit des expériences majoritairement positives, tout en signalant que les technologies de surveillance et de gestion fondées sur l’IA peuvent accroître le stress et réduire l’autonomie. Ces éléments sont pertinents pour comprendre l’adoption et l’expérience des personnes ; à eux seuls, ils ne constituent toutefois pas une mesure de la productivité.

Cette distinction est importante, car une enquête sur l’usage ou les perceptions répond à des questions différentes de celles d’une expérience qui compare les résultats du travail avec et sans assistance. La première peut contribuer à décrire qui utilise ces outils et comment les personnes évaluent leur expérience. Pour attribuer à l’IA une amélioration de la productivité, il faut aussi définir explicitement le résultat et disposer d’une comparaison permettant de distinguer l’effet de l’outil de facteurs tels que l’expérience, la tâche ou l’organisation du travail. Le résumé public disponible ne doit pas être présenté comme s’il tranchait ces questions.

La proportion d’utilisateurs renseigne sur la présence de ces outils au travail, non sur l’ampleur de leur effet sur le résultat de chaque tâche ni sur l’équilibre entre avantages et coûts. De même, une expérience positive décrit une appréciation, mais ne remplace pas une mesure de la qualité, de la quantité ou du temps total. Distinguer ces questions permet de reconnaître l’apport de l’enquête sans lui attribuer des conclusions qu’elle ne fournit pas.

L’Organisation internationale du Travail a publié des analyses des effets potentiels de l’IA générative sur la quantité et la qualité de l’emploi, ainsi qu’un indice affiné de l’exposition des métiers. Ces travaux sont utiles pour situer le débat : ils aident à étudier les professions ou les tâches susceptibles d’être affectées. L’exposition à une technologie ne signifie toutefois ni qu’un métier va disparaître ni que sa productivité va augmenter.

Cette distinction aide également à interpréter les titres et les annonces. Une cartographie de l’exposition peut indiquer où une technologie pourrait intervenir, mais elle ne prouve pas qu’elle est utilisée en situation réelle, qu’elle fonctionne bien pour une tâche donnée ou que ses avantages l’emportent sur ses coûts et ses risques. L’OIT étudie le phénomène à travers l’emploi et les tâches ; il ne faut pas transformer ce type d’analyse en chiffre de performance d’entreprise que la source ne présente pas.

Autrement dit, l’exposition sert à délimiter ce qu’il est pertinent d’étudier ; elle n’est pas le résultat d’une évaluation de la performance. Entre la possibilité qu’un outil intervienne dans une tâche et une amélioration démontrée se trouvent des questions d’usage, de qualité et d’effets sur le travail qui exigent des analyses spécifiques. Cela évite de confondre un indicateur portant sur les métiers avec une mesure directe de la productivité.

Avant d’accepter un chiffre de productivité, il convient de vérifier si la publication précise qui a participé, quel travail a été réalisé, combien de temps a duré l’évaluation et comment le résultat a été apprécié. Il faut aussi se demander si la comparaison porte sur des tâches habituelles ou sur des exercices circonscrits, et si le résultat a été évalué par des personnes selon des critères définis. Sans ces informations, il est difficile de savoir si l’amélioration se maintiendrait en dehors du cadre évalué.

Une courte liste de vérification peut éviter de confondre une démonstration frappante avec des éléments probants généralisables :

• Résultat : mesure-t-on le temps, la quantité, la qualité ou une combinaison ? La méthode de notation de la qualité est-elle expliquée ?
• Comparaison : existe-t-il un groupe ou une situation de référence sans l’outil ?
• Coût total : la vérification, les corrections, la formation et les changements de processus sont-ils pris en compte ?
• Portée : la population, le type de tâche et la durée sont-ils précisés ?
• Indépendance : qui finance ou publie l’étude, et peut-on consulter sa méthode et ses limites ?

Les éléments cités permettent de dire que les outils d’IA font déjà partie du travail d’une part considérable de la population interrogée dans l’Union européenne et que les expériences professionnelles ne se réduisent pas à une appréciation uniforme : à côté d’impressions positives, la Commission signale des risques liés à la surveillance et à la gestion. Les analyses de l’OIT fournissent un cadre pour étudier l’exposition des tâches et des métiers. Tels qu’ils sont résumés dans les sources disponibles, aucun de ces éléments ne démontre à lui seul une amélioration générale et nette de la productivité du travail.

Pour une personne ou une équipe qui envisage ces outils, la démarche raisonnable consiste à mesurer un cas d’usage précis et circonscrit : comparer des tâches équivalentes, définir à l’avance ce qui compte comme une qualité satisfaisante et enregistrer le temps complet, y compris celui de la vérification. Cet exercice peut éclairer une décision locale, mais ne prouverait pas que le résultat vaut pour d’autres secteurs ou entreprises. La conclusion mesurée est donc double : l’adoption est documentée et les effets sur le travail méritent d’être étudiés ; l’ampleur et la portée d’un éventuel gain de productivité nécessitent des évaluations plus précises et transparentes.

Un essai local sera plus instructif si les tâches restent comparables et si la manière d’évaluer le résultat est fixée à l’avance. Consigner le temps complet permet d’observer le travail effectué avec l’outil et la vérification qui suit, tandis qu’un critère de qualité convenu évite de juger le résultat uniquement à sa rapidité. Même ainsi, l’essai ne vaut que pour le contexte observé : il n’établit pas automatiquement ce qui se passerait avec d’autres tâches, équipes ou entreprises.