L’IA crée-t-elle du travail inutile ? Ce qu’un dirigeant doit arrêter avant d’automatiser

Les expériences disponibles ne permettent pas de dire que l’IA ne produit aucun gain. Elles montrent au contraire des effets parfois importants, mais très dépendants de la tâche, du niveau des utilisateurs et de l’organisation.

Une étude portant sur 5 179 agents de support a mesuré une hausse moyenne de 14 % du nombre de problèmes résolus par heure avec un assistant d’IA. Le gain atteignait 34 % chez les salariés novices ou moins performants, tandis qu’il restait faible chez les plus expérimentés.

Trois expériences randomisées menées auprès de 4 867 développeurs chez Microsoft, Accenture et une entreprise du Fortune 100 ont mesuré une hausse de 26,08 % des tâches terminées avec un assistant de code.

Dans une expérimentation menée auprès de 758 consultants, les participants utilisant GPT-4 ont accompli 12,2 % de tâches supplémentaires et travaillé 25,1 % plus vite sur les exercices situés dans le champ de capacité du modèle. Sur une tâche complexe située en dehors de ce champ, ils étaient en revanche 19 points moins susceptibles de produire la bonne réponse.

Le constat n’est donc pas que l’IA échoue. Il est plus exigeant : elle rend certaines productions plus rapides, mais la vitesse d’une production ne dit rien, à elle seule, sur son utilité pour l’entreprise.

Une expérience conduite dans 66 entreprises auprès de 7 137 travailleurs de la connaissance illustre ce décalage. Parmi les salariés ayant effectivement utilisé l’outil, le temps consacré aux emails a diminué d’environ deux heures par semaine et le travail en dehors des horaires habituels a reculé. Pourtant, les chercheurs n’ont pas détecté de changement dans la quantité ou la composition des tâches.

Le temps a été gagné. Le système de travail, lui, n’a pas été redessiné.

C’est précisément là que l’entreprise peut fabriquer du travail supplémentaire. Un compte rendu devient plus rapide à écrire, donc chaque réunion en produit un. Une analyse devient plus facile, donc trois scénarios supplémentaires sont demandés. Une présentation coûte moins cher, donc elle est préparée pour des décisions qui auraient pu tenir dans une phrase. Un email commercial devient personnalisable à grande échelle, donc les destinataires reçoivent davantage de messages et les équipes doivent traiter davantage de réponses faibles.

Le coût marginal de production baisse. Le volume augmente. L’attention, la vérification et la décision deviennent les nouvelles ressources rares.

Produire davantage sans changer le résultat

Une équipe peut doubler le nombre de documents, de campagnes ou d’analyses sans raccourcir un cycle de vente, clôturer plus vite, réduire les erreurs ou améliorer une décision. Le volume d’activité progresse ; le résultat métier reste identique.

Déplacer le travail vers la vérification

L’IA produit une première version en quelques secondes, mais quelqu’un doit contrôler les faits, corriger le ton, vérifier les données, gérer les exceptions et assumer la responsabilité finale. Si ce coût de supervision n’est pas mesuré, l’entreprise enregistre un gain fictif en amont et une charge réelle en aval.

L’expérience sur les consultants montre pourquoi ce contrôle est indispensable : l’IA peut améliorer fortement le travail à l’intérieur de son domaine de compétence et dégrader la décision juste à côté. La frontière est irrégulière et difficile à voir.

Accélérer une étape qui n’est pas le goulot d’étranglement

Produire un contrat en cinq minutes n’apporte rien s’il attend ensuite quatre jours dans une file de validation. Générer cent leads supplémentaires ne crée pas de valeur si l’équipe commerciale ne peut en appeler que vingt. Préparer plus vite un reporting ne change rien si aucune décision n’est liée à ses indicateurs.

L’automatisation locale peut même saturer l’étape suivante. Le processus paraît plus productif au point d’entrée et devient plus lent dans son ensemble.

Confondre capacité et demande

Lorsqu’une équipe peut produire davantage, l’organisation trouve souvent de nouvelles choses à lui demander. Le gain de temps devient une hausse implicite des objectifs, une multiplication des variantes ou un élargissement du périmètre.

Ce mécanisme n’est pas nécessairement mauvais. Il peut servir la croissance. Mais il ne constitue un gain économique que si le travail supplémentaire améliore un résultat accepté par l’entreprise. Sinon, la capacité libérée est simplement remplie.

L’enquête publiée par la Banque de France le 3 septembre 2026 indique que 67 % des entreprises françaises d’au moins 20 salariés utilisaient l’IA générative au début de l’année. Les usages restaient toutefois principalement limités ou expérimentaux, souvent concentrés dans les fonctions support. Les effets économiques observés demeuraient encore limités.

L’OCDE constate le même type d’écart dans son enquête sur les PME. Parmi celles qui utilisent l’IA générative, 65 % déclarent une amélioration de la performance des salariés, mais 26 % seulement une hausse du chiffre d’affaires. Seules 29 % disent employer l’IA dans le cœur de leur activité. L’OCDE précise que les PME l’utilisent davantage pour des tâches simples, ponctuelles et périphériques que pour des processus complexes, récurrents et importants.

Ces chiffres ne prouvent pas que l’IA crée du travail inutile. Ils montrent que l’amélioration ressentie au niveau individuel se transforme beaucoup moins souvent en résultat économique ou en transformation du cœur de l’entreprise.

Avant d’automatiser un processus, un dirigeant devrait imposer trois choix successifs.

1. Supprimer

Que se passerait-il si cette production disparaissait pendant trente jours ?

Si personne ne réclame le rapport, si aucune décision n’est retardée, si aucun client n’en souffre et si aucun risque n’augmente, l’entreprise vient probablement d’identifier un travail à arrêter plutôt qu’à automatiser.

Cette question s’applique aux reportings, réunions récurrentes, présentations internes, validations redondantes, relances sans réponse, contenus produits par habitude et contrôles qui doublonnent une autre étape.

2. Simplifier

Si le travail reste nécessaire, quel est le résultat minimal suffisant ?

Un tableau de bord de trente indicateurs peut devenir trois seuils assortis d’une action. Une présentation de vingt pages peut devenir une note de décision. Une revue hebdomadaire peut être déclenchée uniquement lorsqu’une anomalie dépasse un niveau défini. Une validation systématique peut être remplacée par un contrôle des exceptions.

Simplifier réduit à la fois le coût du processus et le risque d’automatiser une complexité héritée.

3. Automatiser

L’automatisation devient pertinente lorsque le résultat est utile, le processus simplifié, le responsable identifié et les exceptions connues.

À ce stade, l’entreprise peut mesurer autre chose que le temps gagné : délai complet, coût par résultat accepté, volume d’erreurs, taux de reprise, capacité réellement réallouée, revenu généré ou risque évité.

L’ordre compte. Automatiser avant de supprimer et de simplifier transforme l’IA en amplificateur de bureaucratie.

Avant d’autoriser un projet d’IA, cinq questions suffisent :

1. Quelle décision, quel client ou quel résultat dépend réellement de cette production ?
2. Qui utilise le résultat, et que fait cette personne différemment grâce à lui ?
3. Que se passerait-il si nous arrêtions ce travail pendant un mois ?
4. Quel est le volume maximal utile, au-delà duquel nous créons surtout de la vérification et du bruit ?
5. Quel indicateur économique ou opérationnel doit changer pour que le projet soit considéré comme utile ?

Un cas d’usage qui ne répond pas à ces questions n’est pas prêt pour l’automatisation. Il est peut-être prêt pour la suppression.

L’IA rend abondantes des capacités qui étaient coûteuses : écrire, synthétiser, coder, comparer, illustrer et simuler. Cette abondance ne supprime pas la rareté ; elle la déplace.

Ce qui devient rare, c’est l’attention d’un décideur, la capacité de vérifier, la clarté d’une priorité et le courage d’arrêter une activité qui ne sert plus le résultat.

Les entreprises les plus productives ne seront donc pas nécessairement celles qui produisent le plus avec l’IA. Elles pourraient être celles qui utilisent l’IA pour concentrer leurs ressources sur un nombre plus faible de travaux, plus proches du client, de la décision et de la valeur.

La bonne question n’est pas seulement : « que pouvons-nous automatiser ? »

C’est d’abord : « qu’allons-nous enfin arrêter de faire ? »

Sources datées

• Tim Ferriss, “Q&A with Tim — The 4-Hour Workweek in a World of AI”, transcription publiée le 21 octobre 2026 : https://tim.blog/2026/10/21/qa-with-tim-ai-4-hour-workweek-transcript/
• Banque de France, “L’IA s’installe dans les entreprises françaises : une diffusion rapide, mais des gains de productivité encore limités”, Bulletin n° 266, mis en ligne le 3 septembre 2026 : https://acpr.banque-france.fr/fr/publications-et-statistiques/publications/lia-sinstalle-dans-les-entreprises-francaises-une-diffusion-rapide-mais-des-gains-de-productivite
• Eleanor W. Dillon, Sonia Jaffe, Nicole Immorlica et Christopher T. Stanton, “Shifting Work Patterns with Generative AI”, NBER Working Paper 33795, mai 2025, révision novembre 2025 : https://www.nber.org/papers/w33795
• Fabrizio Dell’Acqua et al., “Navigating the Jagged Technological Frontier”, Organization Science, publication en ligne en 2026 : https://pubsonline.informs.org/doi/10.1287/orsc.2025.21838
• Erik Brynjolfsson, Danielle Li et Lindsey R. Raymond, “Generative AI at Work”, NBER Working Paper 31161, avril 2023, révision novembre 2023 : https://www.nber.org/papers/w31161
• Zheyuan Kevin Cui et al., “The Effects of Generative AI on High-Skilled Work”, Microsoft Research, juin 2025 : https://www.microsoft.com/en-us/research/publication/the-effects-of-generative-ai-on-high-skilled-work-evidence-from-three-field-experiments-with-software-developers/
• OCDE, “Generative AI and the SME Workforce”, enquête 2024 publiée en 2025 : https://www.oecd.org/en/publications/generative-ai-and-the-sme-workforce_2d08b99d-en/full-report/component-4.html

Veille éditoriale secondaire consultée

• ClaudIn, “IA et productivité : pourquoi vos équipes travaillent plus, pas moins”, 23 mars 2026 : https://www.claudin.tech/blog/ia-agentique-paradoxe-productivite
• ClaudIn, “IA générative en entreprise : l’écart de productivité”, 10 septembre 2026 : https://www.claudin.tech/blog/banque-france-ia-generative-entreprise