IA générative et productivité : ce que mesurent les données, et ce qu’elles ne mesurent pas

La promesse selon laquelle l’IA générative fait gagner du temps ramène souvent une question complexe à un chiffre simple. Pourtant, réaliser une tâche plus rapidement ne signifie pas automatiquement que la productivité a augmenté. Il faut aussi savoir si le résultat est exact, utile et acceptable, et quelle quantité de travail supplémentaire il entraîne. Une mesure limitée au temps d’exécution peut laisser de côté la vérification, les corrections et les conséquences d’une erreur. Un chiffre sur la vitesse ne suffit donc pas, à lui seul, à établir que l’ensemble du processus de travail s’est amélioré. Il faut le replacer dans le contexte de la tâche accomplie et des étapes qui suivent la première production.

Les données disponibles renvoient à des résultats liés à des contextes particuliers, et non à un taux commun à toutes les professions. Une affirmation sur la productivité doit donc conduire à demander quelle tâche a été étudiée, qui l’a réalisée et quel résultat a été comptabilisé. Les publications universitaires et les synthèses de recherche peuvent aider à répondre à ces questions, mais elles ne remplacent pas la description de la méthode et ne permettent pas de généraliser à n’importe quel outil ou entreprise. Un résultat peut être instructif sans être universel. L’interpréter avec rigueur consiste à garder visibles les limites de l’étude, plutôt qu’à transformer une observation située en prévision applicable à des activités différentes.

Une étude de terrain intitulée Generative AI at Work examine l’utilisation d’une assistance par IA générative dans un environnement professionnel. Son titre et son statut de recherche sur le travail la distinguent d’un test abstrait des capacités : son sujet est l’interaction entre un outil et des tâches effectuées par des salariés. Malgré cela, un résultat obtenu dans un contexte particulier ne représente pas, à lui seul, toutes les professions, organisations ou tous les systèmes d’IA. Le fait qu’une étude ait lieu dans un environnement professionnel précise son contexte ; cela ne dispense pas d’examiner les personnes, les tâches et les conditions concernées.

Une autre recherche, disponible sous forme de prépublication sur arXiv, fait état d’une expérience randomisée en ligne menée auprès de 1 174 adultes âgés de 25 à 45 ans. Les participants ont réalisé une tâche de résolution de problèmes de type professionnel avec ou sans assistant d’IA, puis une activité sans assistance. Le résumé fait état d’améliorations des performances avec l’IA chez des participants de différents niveaux d’études, ainsi que d’une réduction de l’écart de résultats entre les groupes pour la tâche assistée. Il s’agit d’un test délimité, et non d’une mesure des heures gagnées au cours d’une journée de travail réelle. La notice indique que l’article a été soumis en août 2026. Ses conclusions doivent également être lues en tenant compte de son statut de prépublication, qui ne garantit pas l’existence d’un consensus scientifique. L’échantillon, l’enchaînement des activités et les résultats rapportés définissent la portée de l’expérience.

Pour comparer des études, il est utile de distinguer au moins trois questions : a-t-on réalisé davantage de travail ? L’a-t-on réalisé en moins de temps ? Sa qualité s’est-elle améliorée ? Un résultat favorable sur l’une de ces mesures ne répond pas automatiquement aux autres. En particulier, un score plus élevé à une tâche expérimentale ne permet pas d’affirmer que les participants ont mis moins de temps, à moins que l’étude ait mesuré et rapporté cette durée. Le résumé de l’expérience arXiv citée ici présente les performances et une activité ultérieure sans IA ; l’extrait fourni ne donne aucun chiffre sur les minutes gagnées. Assimiler un résultat de performance à un résultat de durée irait donc au-delà de ce qu’indique cet extrait.

Il importe aussi de distinguer les performances avec assistance de l’apprentissage ou de la capacité à travailler sans elle. Dans l’expérience citée, le résumé indique qu’une partie des progrès des participants ayant un niveau d’études moins élevé s’est maintenue lors de l’activité ultérieure sans assistance, même si un écart important entre les groupes est réapparu. Les auteurs associent également les progrès ultérieurs à une utilisation intensive combinée à un effort soutenu. Recevoir une réponse utile sur le moment ne revient pas à acquérir une compétence transférable ; et un résultat obtenu pour une tâche précise ne prouve pas que le même effet se reproduira dans d’autres fonctions professionnelles. Les deux questions — l’effet de l’assistance pendant une tâche et ce que la personne peut faire ensuite sans elle — ne doivent pas être confondues.

Avant de transformer le résultat d’une étude en attente pour une équipe, vérifiez les points suivants dans l’étude originale :

• Tâche : reproduit-elle un travail réel ou s’agit-il d’une activité expérimentale délimitée ?
• Participants : combien de personnes ont participé, et quelle expérience ou quelle formation avaient-elles ?
• Comparaison : quel groupe ou quelle situation sert de référence ?
• Résultat : l’étude mesure-t-elle le temps, la quantité, la qualité, les corrections ou les performances ultérieures ?
• Contexte : quel outil a été utilisé, et le résultat dépendait-il de consignes ou d’une supervision particulières ?

Tous ces éléments ne figurent pas dans les extraits de recherche rassemblés ici ; il ne convient donc pas de les compléter par des suppositions. Le document de Microsoft Research consacré à l’adoption de l’IA au travail, par exemple, annonce dans son titre un sujet centré sur l’évolution de l’adoption ainsi que sur les activités de productivité et de communication. Les éléments disponibles ici ne détaillent ni ses résultats ni sa méthode ; ils permettent donc d’identifier un sujet de recherche, mais pas de lui attribuer un chiffre précis de productivité. En l’absence d’informations méthodologiques, la bonne démarche consiste à limiter la portée de l’affirmation, et non à compléter le récit par analogie. Cette liste permet précisément de voir ce qu’il faudrait connaître avant d’appliquer un résultat en dehors de son contexte initial.

Pour une organisation qui souhaite évaluer un outil, mieux vaut ne pas promettre d’emblée un pourcentage, mais définir une comparaison portant sur la tâche complète. Elle peut consigner la durée du processus du début à la fin, la proportion de travaux nécessitant une correction et la conformité du résultat à des critères de qualité convenus. Il est utile de comparer des tâches équivalentes et de noter à quel moment l’IA intervient, qui vérifie le résultat et quelles étapes ont été ajoutées. Examiner le processus dans son ensemble évite de traiter la première réponse générée comme si le travail était déjà terminé.

L’interprétation doit également tenir compte du coût de la supervision et des risques liés à une production incorrecte ou inadaptée. Un gain de vitesse ne devient pas nécessairement un gain net si la vérification prend plus de temps ou si les erreurs se multiplient. À l’inverse, un outil peut apporter de la valeur en améliorant les résultats ou en facilitant des tâches difficiles, même s’il réduit peu le temps nécessaire. Il s’agit de critères pour concevoir une évaluation locale, et non de résultats chiffrés par les sources citées ici. Cette distinction compte : un plan de mesure pratique peut être utile sans prétendre que les études fournissent déjà une réponse universelle. Toute conclusion locale doit rester liée aux tâches, aux critères et au flux de travail effectivement évalués.

Les recherches examinées ne justifient pas un titre universel du type « l’IA fait gagner X temps aux travailleurs ». Elles permettent une conclusion plus limitée : certaines études évaluent des améliorations de performance sur des tâches précises, et une expérience en ligne fait état de bénéfices avec assistance et d’une évolution des écarts entre groupes de niveau d’études. La portée de chaque conclusion s’arrête là où la tâche, la population et les conditions de l’étude cessent d’être comparables. Cette limite n’invalide pas les résultats ; elle permet de dire avec précision ce qu’une étude établit et ce qu’elle n’établit pas.

Pour les personnes qui utilisent ou évaluent ces outils, la question la plus utile n’est pas de savoir si l’IA accroît la productivité en général, mais quel résultat s’améliore pour une tâche définie, pour quelles personnes et avec quel travail supplémentaire de vérification. Si une source ne fournit qu’un chiffre promotionnel ou un résultat sans expliquer la mesure utilisée, cela ne suffit pas pour estimer l’effet dans un autre poste. La prudence ne nie pas l’existence possible de bénéfices : elle évite de présenter comme un fait général ce que les données disponibles ne soutiennent que dans des conditions particulières. Une affirmation étayée doit nommer le résultat mesuré et conserver les limites des données, plutôt que de transformer un constat propre à un contexte en promesse pour tous les lieux de travail.