IA générative et productivité : ce que disent les études contrôlées
- Les gains mesurés sont réels sur des tâches bien délimitées : rédaction courte, support client, code simple
- Les personnes les moins expérimentées gagnent souvent le plus ; les plus expertes, parfois rien
- Hors du champ de compétence de l'outil, la qualité baisse : les erreurs passent plus facilement
- Les études mesurent des tâches, pas des organisations : le gain réel dépend de la façon dont le travail est réorganisé
Deux chiffres circulent dans les présentations sur l’IA au travail. Le premier annonce des gains de temps de moitié ; le second rappelle que la plupart des projets ne dépassent pas le stade de l’essai. Les deux peuvent être vrais en même temps. Pour y voir clair sur la productivité et IA générative, le plus sûr est de regarder les études qui ont comparé, dans des conditions contrôlées, des personnes équipées et des personnes qui ne l’étaient pas.
Cette revue porte sur les expériences publiées jusqu’à la fin de 2025. Elle ne prétend pas à l’exhaustivité : elle retient les études les plus citées, dont la méthode est décrite et vérifiable.
Pourquoi les études contrôlées comptent plus que les sondages
Les sondages demandent aux utilisateurs s’ils se sentent plus productifs. La réponse est souvent oui, et elle ne dit presque rien. Une personne qui découvre un outil nouveau surestime volontiers le temps gagné et sous-estime le temps passé à corriger. Une étude contrôlée, au contraire, attribue l’outil au hasard à une partie des participants, mesure le temps et la qualité du résultat avec les mêmes critères pour tous, puis compare.
Cette méthode a ses limites, qu’on verra plus loin. Mais elle est la seule qui permette de dire : sur cette tâche, dans ces conditions, l’outil a fait gagner ou perdre tant.
Ce que mesurent les principales expériences
| Étude | Tâche | Résultat principal |
|---|---|---|
| Noy et Zhang, Science, 2023 | Rédaction professionnelle courte (notes, courriels, communiqués) | Temps réduit d’environ 40 %, qualité jugée en hausse ; écart réduit entre participants |
| Brynjolfsson, Li et Raymond, NBER, 2023 | Support client par messagerie, dans une entreprise de logiciels | Environ 14 % de demandes résolues en plus par heure en moyenne ; gain bien plus fort chez les agents débutants |
| Dell’Acqua et coll., Harvard Business School, 2023 | Tâches de conseil réalisées par des consultants | Plus de tâches, plus vite et de meilleure qualité dans le champ de l’outil ; moins de réponses justes hors de ce champ |
| Peng et coll., 2023 | Écriture d’un petit programme par des développeurs | Tâche terminée environ 56 % plus vite avec un assistant de code |
| METR, 2025 | Développeurs expérimentés sur leurs propres projets open source | Ralentissement d’environ 19 %, alors que les participants pensaient avoir gagné du temps |
Les pourcentages sont ceux publiés par les auteurs. Ils ne sont pas comparables entre eux : chaque étude mesure une tâche différente, avec un critère différent.
Rédaction : des gains nets sur des textes courts
L’expérience de Shakked Noy et Whitney Zhang, publiée dans Science en 2023, a confié à plusieurs centaines de professionnels diplômés des tâches de rédaction proches de leur métier. Le groupe équipé a terminé plus vite, avec des textes jugés meilleurs par des évaluateurs qui ne savaient pas quel groupe les avait produits. Les participants les moins bons au départ ont le plus progressé.
Deux précisions comptent. Les tâches duraient une demi-heure environ et n’exigeaient pas de connaissance propre à une organisation. Et beaucoup de participants ont simplement repris le texte produit, avec peu de corrections : la qualité mesurée est celle d’un premier jet bien formé, pas celle d’un document engageant.
Support client : un outil qui transmet le savoir-faire
L’étude d’Erik Brynjolfsson, Danielle Li et Lindsey Raymond porte sur plus de 5 000 agents d’un centre de support, dont l’accès à un assistant a été déployé de façon progressive. En moyenne, le nombre de demandes résolues par heure a augmenté d’environ 14 %. Chez les agents les moins expérimentés, la hausse a été bien plus forte ; chez les plus expérimentés, elle a été faible ou nulle.
L’interprétation des auteurs est intéressante pour un décideur : l’assistant, entraîné sur les échanges des meilleurs agents, diffuse leurs façons de faire aux débutants. L’outil sert alors de support de formation autant que d’outil de production.
Conseil : la « frontière irrégulière »
L’expérience menée par une équipe de Harvard avec des consultants d’un grand cabinet est la plus instructive. Sur des tâches choisies pour se trouver dans le champ de compétence de l’outil, les consultants équipés ont fait plus de tâches, plus vite, avec une qualité jugée nettement supérieure. Sur une tâche conçue pour en sortir, où l’outil produisait une réponse plausible mais fausse, les consultants équipés ont donné moins souvent la bonne réponse que ceux qui travaillaient seuls.
Les auteurs parlent d’une frontière irrégulière : des tâches de difficulté semblable se trouvent les unes dedans, les autres dehors, et rien ne l’indique à l’utilisateur.
Le risque n’est pas que l’outil se trompe. C’est qu’il se trompe avec assurance, sur une tâche où l’on ne pensait pas devoir vérifier.
Développement logiciel : des résultats qui divergent
L’expérience de Sida Peng et de ses coauteurs, menée en 2022 et publiée en 2023, a demandé à des développeurs d’écrire un petit serveur web. Ceux qui disposaient d’un assistant de code ont terminé environ 56 % plus vite. La tâche était courte, bien définie, et partait de zéro.
L’étude publiée par l’organisme de recherche METR en juillet 2025 a pris le contre-pied : des développeurs expérimentés, travaillant sur de vraies tâches dans des projets qu’ils connaissaient bien, ont été plus lents d’environ 19 % lorsqu’ils pouvaient utiliser des outils d’IA. Avant comme après, ils estimaient avoir gagné du temps. L’écart entre le gain ressenti et le gain mesuré est peut-être le résultat le plus utile de toute cette littérature.
Ce que ces études ne disent pas
Une étude contrôlée mesure une tâche, sur une durée courte, avec des participants qui savent qu’ils sont observés. Elle ne mesure pas trois choses qui décident du gain réel dans une organisation.
- La réorganisation du travail. Un rédacteur qui gagne une heure ne produit pas plus si la relecture, la validation et la diffusion restent au même rythme. Le gain se perd dans la file d’attente suivante.
- Le coût de la vérification. Dans les tâches engageantes (juridique, santé, finance), chaque sortie doit être contrôlée. Ce temps n’est pas toujours compté dans les expériences.
- Les effets à long terme. On sait peu de choses sur l’apprentissage des débutants qui travaillent avec l’outil dès le départ, sur la perte de compétences ou sur la dépendance à un fournisseur.
Les gains documentés sont réels, mais locaux : une tâche, une population, un critère. Ils ne s’additionnent pas automatiquement à l’échelle d’un service.
Ce qu’un décideur peut en tirer
Trois enseignements reviennent d’une étude à l’autre. D’abord, choisir les tâches avant l’outil : les gains les plus nets portent sur des tâches répétées, bien délimitées, dont le résultat se vérifie vite. Ensuite, regarder qui en profite : si les débutants gagnent le plus, l’outil peut raccourcir l’intégration des nouveaux arrivants, à condition que l’encadrement continue de vérifier. Enfin, mesurer soi-même, parce que le sentiment de gain n’est pas une mesure.
Une mesure interne n’a pas besoin d’être une publication scientifique. Il suffit de choisir une tâche, de fixer le critère de qualité avant de commencer, de comparer deux groupes sur la même période et de compter aussi le temps de correction. C’est l’approche que DOSOBE retient dans ses travaux sur l’IA en entreprise : un essai mesuré sur une tâche précise vaut mieux qu’un déploiement général fondé sur une impression.
Reste une question ouverte, que les études récentes commencent seulement à aborder : que devient le gain quand l’outil passe d’une aide à la rédaction à un agent qui enchaîne plusieurs tâches seul ? Les premières observations montrent que les erreurs se propagent d’une étape à l’autre. Les mesures restent à faire.
Sources
- Noy, S. et Zhang, W., « Experimental evidence on the productivity effects of generative artificial intelligence », Science, 2023.
- Brynjolfsson, E., Li, D. et Raymond, L., « Generative AI at Work », document de travail NBER, 2023.
- Dell’Acqua, F. et coll., « Navigating the Jagged Technological Frontier », document de travail Harvard Business School, 2023.
- Peng, S. et coll., « The Impact of AI on Developer Productivity: Evidence from GitHub Copilot », 2023.
- METR, étude contrôlée sur l’effet des outils d’IA sur des développeurs open source expérimentés, juillet 2025.
Pour approfondir : IA d’entreprise · Automatisation des processus
Questions fréquentes
Les études prouvent-elles un gain de productivité général ?
Non. Elles mesurent des gains sur des tâches précises, dans des conditions contrôlées. Le passage à l'échelle d'une organisation entière dépend de la réorganisation du travail, de la formation et du contrôle de la qualité, que ces études ne mesurent pas.
Qui profite le plus de l'IA générative au travail ?
Dans plusieurs expériences, ce sont les personnes les moins expérimentées ou les moins performantes au départ. L'outil réduit l'écart avec les plus expérimentées. Chez les experts, le gain est plus faible, parfois absent.
Peut-on perdre du temps avec ces outils ?
Oui. Une étude publiée en 2025 sur des développeurs expérimentés travaillant sur leurs propres projets a mesuré un ralentissement, alors que les participants pensaient aller plus vite. Le temps passé à formuler, relire et corriger peut dépasser le temps gagné.
Comment mesurer le gain dans sa propre organisation ?
En choisissant une tâche répétée et mesurable, en définissant le critère de qualité avant de commencer, et en comparant un groupe équipé à un groupe qui ne l'est pas, sur la même période.