Article de Julien Ricciarelli-Bonnal
10 novembre 2026
L’essentiel
L’intelligence artificielle accélère la rédaction de rapports, de présentations et d’analyses. Mais le temps économisé par celui qui produit un document peut devenir du travail supplémentaire pour la personne chargée de le lire, d’en vérifier les données ou de prendre une décision. Les recherches sur les gains de productivité et sur les contenus IA insuffisamment aboutis montrent que l’efficacité individuelle ne garantit pas un bénéfice collectif. Pour mesurer ce que la technologie apporte réellement, les entreprises doivent regarder l’ensemble du processus : préparation, vérification, corrections et utilisation du résultat. Un document produit plus vite n’est pas nécessairement un travail terminé plus tôt.
Un responsable marketing prépare une présentation de trente diapositives pour la direction. Grâce à l’intelligence artificielle, il obtient en quelques minutes une structure convaincante, des analyses de marché, des graphiques et des recommandations. Lorsqu’il transmet le document, il peut légitimement constater qu’il a économisé plusieurs heures de rédaction. Mais le directeur financier chargé de l’examiner découvre des chiffres sans sources vérifiables, des comparaisons construites sur des périodes différentes et des hypothèses que personne n’a validées. Ce qu’un collaborateur a produit en vingt minutes demandera peut-être deux heures à un autre pour être utilisable.
Le cas est illustratif, mais le mécanisme est désormais familier. L’intelligence artificielle réduit considérablement le coût de fabrication d’un livrable. Elle n’en réduit pas automatiquement le coût de compréhension, de vérification ou de décision. Dans une organisation, un document n’est d’ailleurs presque jamais une fin en soi : il circule entre des personnes dont le travail consiste précisément à l’examiner, le compléter, le contester ou en tirer des conséquences.
C’est là que se trouve une question économique encore insuffisamment posée. Lorsqu’une entreprise célèbre le temps gagné grâce à l’IA, parle-t-elle du temps économisé par celui qui appuie sur le bouton, ou du temps réellement économisé par toutes les personnes qui interviennent ensuite ?
Un rapport terminé pour son auteur peut être un travail qui commence pour son lecteur
Dans une organisation, la production et l’utilisation d’un document répondent à des logiques différentes. Celui qui rédige une note cherche à restituer une situation, présenter une solution ou obtenir une validation. Celui qui la reçoit doit apprécier la fiabilité des informations, comparer les options et parfois engager la responsabilité de l’entreprise. Une présentation claire peut faciliter cette tâche, mais elle ne garantit pas que le raisonnement soit suffisamment solide pour prendre une décision.
Le décalage apparaît quand le document possède tous les signes extérieurs du travail achevé sans fournir les éléments qui permettent de lui faire confiance. Un chiffre plausible n’est pas nécessairement un chiffre exact. Une recommandation bien formulée ne prouve pas que les alternatives ont été étudiées. Une synthèse élégante ne révèle pas toujours les informations écartées pour obtenir une conclusion nette. Plus la présentation paraît professionnelle, plus le lecteur doit résister à la tentation de confondre finition et fiabilité.
Quand produire devient facile, le volume de choses à vérifier explose
Le problème ne concerne pas uniquement les erreurs. Même si chaque document généré était raisonnablement correct, la facilité de production pourrait suffire à augmenter la charge de ceux qui doivent les lire. Un chef de projet qui recevait auparavant deux propositions argumentées peut désormais en recevoir huit. Une direction qui demandait une courte note de décision peut se retrouver devant un rapport de cinquante pages accompagné de trois présentations alternatives.
Cette abondance change la nature du travail. L’effort auparavant nécessaire pour formuler une proposition limitait naturellement le nombre de documents produits. Lorsque ce coût disparaît, il devient tentant d’envoyer toutes les options plutôt que de choisir celles qui méritent réellement l’attention du destinataire. Or ce dernier conserve une ressource limitée : sa capacité à lire, comparer et décider.
Nous avions déjà abordé la différence entre produire plus vite et mieux penser. Elle prend ici une dimension collective. Un texte supplémentaire n’est pas neutre lorsqu’il exige du temps de lecture, une réponse ou une validation. Ce qui coûte presque zéro à générer peut conserver un coût élevé pour celui qui doit en apprécier la valeur.
Les gains individuels existent, mais ils ne prouvent pas un gain collectif équivalent
Il serait pourtant faux de présenter l’IA comme une machine à déplacer systématiquement le travail. Des gains mesurables existent. Une étude expérimentale menée auprès de plus de 7 000 salariés dans 66 entreprises, publiée en 2025 par Eleanor Dillon et ses collègues, a observé notamment une réduction d’environ deux heures hebdomadaires consacrées aux courriels chez les utilisateurs de l’outil étudié, pendant la seconde partie de l’expérience. Les chercheurs n’ont cependant pas détecté de transformation comparable de la composition globale des tâches.
À l’inverse, une enquête de BetterUp Labs et du Stanford Social Media Lab, réalisée auprès de 1 150 salariés américains en 2025, a documenté le phénomène baptisé « workslop » : des productions générées par IA, présentables en apparence, mais insuffisamment utiles pour faire avancer le travail. Environ quatre répondants sur dix déclaraient en avoir reçu récemment ; les personnes concernées estimaient consacrer près de deux heures à traiter chaque épisode. Il s’agit de déclarations recueillies par enquête, et non d’une mesure universelle du coût de l’IA.
Les deux travaux n’étudient ni les mêmes usages ni les mêmes populations. Ils ne doivent donc pas être additionnés pour calculer un bilan général. Leur rapprochement révèle cependant une difficulté que les entreprises devraient prendre au sérieux : la productivité d’un individu et celle du processus auquel il participe ne se confondent pas automatiquement.
La vérification devient le travail invisible de celui qui reçoit
La répartition de la charge peut devenir profondément asymétrique. Celui qui utilise l’IA dispose du contexte de sa demande, sait quelles informations il a fournies et peut rapidement régénérer une réponse. Celui qui reçoit le résultat ne connaît pas nécessairement les hypothèses de départ, les sources utilisées ou les corrections déjà effectuées. Pour vérifier sérieusement, il doit parfois reconstruire une partie du raisonnement que l’auteur n’a jamais explicitée.
Prenons une équipe commerciale qui adresse à un client une analyse de son marché réalisée en quelques minutes. Le document contient des tendances générales, des opportunités et des recommandations. Le client devra pourtant déterminer si les données correspondent à son territoire, si les concurrents cités sont pertinents et si les préconisations tiennent compte de ses contraintes réelles. Une partie du diagnostic a simplement été déplacée chez lui, sans que ce transfert apparaisse dans la promesse d’efficacité du prestataire.
La vérification n’est évidemment pas une anomalie inventée par l’IA. Elle existait avec les documents rédigés entièrement par des humains. La nouveauté réside dans le déséquilibre entre la vitesse à laquelle on peut créer un objet apparemment abouti et le temps incompressible nécessaire pour confirmer sa pertinence. Plus ce déséquilibre s’accentue, plus il devient facile de transférer involontairement son travail intellectuel à quelqu’un d’autre.
Le prix de la mauvaise qualité se paie aussi en confiance
Une production insuffisamment vérifiée n’entraîne pas seulement des heures de correction. Elle modifie la relation entre les personnes. Un collaborateur qui reçoit plusieurs rapports remplis d’approximations finit par ne plus considérer les documents de leur auteur comme directement exploitables. Il les examine avec davantage de méfiance, demande des preuves supplémentaires et peut même préférer refaire lui-même le travail.
Il serait cependant absurde d’exiger que chaque brouillon assisté par IA fasse l’objet d’un audit disproportionné. Le niveau de contrôle doit dépendre des conséquences du document. Une note destinée à organiser une réunion interne ne présente pas le même risque qu’une recommandation d’investissement, un contrat ou une communication publique. Le coût de vérification peut être réduit en ciblant les chiffres, les sources, les engagements et les décisions sensibles plutôt qu’en relisant indifféremment chaque phrase.
Mesurer le temps gagné du début à la fin, pas seulement à l’envoi
Pour apprécier réellement un usage professionnel de l’IA, il faut regarder le processus complet. Combien de temps la personne a-t-elle gagné pour rédiger ? Combien de temps a été consacré à vérifier les sources, corriger le contenu, répondre aux objections et obtenir une validation ? Combien de reprises ont été nécessaires avant que le résultat soit utilisable ? Et surtout, l’outil a-t-il permis de prendre une meilleure décision ou seulement de créer plus rapidement le document qui la précède ?
Cette approche suppose de redéfinir la notion de livrable terminé. Un rapport ne devrait pas être considéré comme achevé parce qu’il possède une couverture, des titres et une conclusion. Il l’est lorsqu’il répond à une question identifiée, distingue les faits des hypothèses, permet de remonter aux informations importantes et indique clairement les points qui restent ouverts. Celui qui l’envoie demeure responsable de ces exigences, même si une machine a rédigé l’essentiel des phrases.
Une gouvernance des usages de l’intelligence artificielle devient alors une question très concrète d’organisation : qui prépare, qui contrôle, qui valide et qui assume le coût des reprises ? Les entreprises peuvent fixer des règles simples, proportionnées aux risques : exiger les sources pour toute donnée décisive, limiter la longueur des documents, identifier les hypothèses et ne pas transmettre un premier jet comme s’il s’agissait d’une expertise finalisée.
La bonne question n’est donc plus seulement de savoir combien de temps l’IA nous fait gagner. Elle consiste à vérifier si ce temps a réellement disparu du travail de l’entreprise ou s’il a simplement changé de propriétaire.
Rédigé par Julien Ricciarelli-Bonnal
10 novembre 2026
