La promesse n'était pas mensongère. Les gains existent, ils sont mesurables — et ils s'évaporent entre le laboratoire et le lundi matin. Parce que trois fuites, parfaitement identifiables, absorbent le temps libéré avant même qu'il n'apparaisse.
L'expérience METR : 39 points entre la montre et la sensation
Juillet 2025. L'organisation de recherche METR conduit ce que personne n'avait fait : un essai contrôlé randomisé — la méthodologie des essais cliniques — sur la productivité des outils d'IA de développement.
Seize développeurs open source expérimentés. Deux cent quarante-six tâches réelles, tirées de leurs propres dépôts, sur lesquels ils travaillent depuis cinq ans en moyenne. Tirage au sort tâche par tâche : IA autorisée, ou interdite.
Avant l'expérience, les chercheurs s'attendaient à une accélération — ils l'écrivent explicitement dans le papier. Les développeurs prédisaient 24 % de gain. Des experts extérieurs en économie et en apprentissage automatique prédisaient environ 39 % de temps en moins.
Résultat mesuré : avec l'IA, les tâches ont pris 19 % de temps en plus.
Mais le vrai choc n'est pas là. Après l'expérience, une fois le ralentissement vécu, ces mêmes développeurs estimaient encore que l'IA les avait rendus 20 % plus rapides.
Ils étaient 19 % plus lents. Ils étaient certains d'avoir été 20 % plus rapides. Trente-neuf points d'écart entre la montre et la sensation.
Ce que les chiffres établissent
15 % → 2,8 % Le grand écart laboratoire / terrain
Les essais contrôlés sur des tâches isolées mesurent régulièrement des gains supérieurs à 15 % — Noy & Zhang (2023) sur la rédaction, Brynjolfsson, Li & Raymond sur le support client, Peng et al. sur le code. Sur le terrain, sur les mêmes métiers, les utilisateurs déclarent en moyenne 2,8 % d'heures économisées.
Source : Humlum & Vestergaard, NBER Working Paper 33777.
0 % Le gain ne sort jamais du travail
Toujours au Danemark : le temps économisé est réalloué vers d'autres tâches de travail, et non vers le loisir. Les effets sur les revenus et les heures enregistrées sont des zéros statistiquement précis, suffisamment serrés pour exclure tout effet supérieur à 2 %.
8 % → 17 % L'IA fabrique du travail neuf
8 % des utilisateurs déclarent des tâches entièrement nouvelles nées de l'IA — 17 % là où l'employeur pousse activement l'outil. Rédiger, relire, corriger, arbitrer, documenter, expliquer : ce sont des heures.
95 % Au niveau de l'entreprise, le rendement est absent
95 % des pilotes d'IA générative n'ont produit aucun impact mesurable sur le compte de résultat, pour 30 à 40 milliards de dollars investis. Seuls 5 % des systèmes intégrés créent une valeur significative. Les outils grand public sont massivement adoptés — mais pour améliorer la productivité individuelle, pas la performance du P&L.
Source : MIT NANDA Initiative, The GenAI Divide, 2025.
L'écart perception / mesure n'est pas propre au code
Une étude de janvier 2026 conduite dans le cadre du programme Anthropic Fellows trouve, chez des développeurs apprenant une bibliothèque nouvelle, que l'assistance IA n'apporte pas de gain d'efficacité significatif en moyenne, tout en dégradant la compréhension conceptuelle, la lecture de code et le débogage.
Source : Shen & Tamkin, How AI Impacts Skill Formation, arXiv:2601.20245.
Les trois fuites du temps gagné
Le gain est réel à la sortie du robinet. Il n'arrive jamais au verre. Voici où il passe.
Fuite n° 1 — La vérification
Générer est devenu quasi gratuit. Vérifier est resté au prix humain. Un livrable plausible produit en huit secondes demande vingt minutes pour établir s'il est vrai. Le gain de production est réel ; il est simplement inférieur au coût de contrôle qu'il engendre.
Fuite n° 2 — L'effet rebond
C'est le paradoxe de Jevons, formulé en 1865 : améliorer l'efficacité d'une ressource ne réduit pas sa consommation, elle l'augmente, parce que le coût unitaire baisse et que la demande explose. Appliqué au travail intellectuel : si produire une note coûte dix fois moins, on ne produit pas la même note dix fois plus vite — on produit dix notes. Le temps ne se libère pas, il se remplit.
Fuite n° 3 — La redistribution
Le temps gagné par l'un devient du temps perdu par un autre, ou du temps réinvesti dans d'autres tâches. Le gain existe, il est simplement local — et le bilan, lui, est agrégé.
Et par-dessus les trois : le biais de saillance
Le geste rapide est spectaculaire et mémorable : le prompt, la génération instantanée, le sentiment de puissance. Le geste lent est fragmenté et invisible : la relecture, le doute, l'aller-retour, la reprise. Notre mémoire encode le premier et efface le second. C'est exactement ce que METR observe.
C'est un placebo de productivité. Non pas au sens où rien ne se passe, mais au sens où l'effet ressenti est décorrélé de l'effet mesuré.
L'analogie : l'autoroute
Vous prenez l'autoroute au lieu de la nationale. Vingt minutes gagnées, indiscutablement, sur la portion mesurée. Sauf qu'il faut aller chercher l'entrée d'autoroute, payer le péage, et qu'à l'arrivée vous êtes du mauvais côté de la ville. Vous racontez le trajet en disant « j'ai gagné vingt minutes ». C'est vrai. Vous êtes arrivé plus tard.
Personne ne ment. Tout le monde ne compte qu'un segment.
Les objections honnêtes (à lire avant de citer METR)
L'étude METR est celle qu'on cite le plus mal. Ses auteurs sont explicites sur ses limites :
- Elle porte sur 16 développeurs très expérimentés, dans des dépôts matures aux standards de qualité élevés (documentation, tests, linting rigoureux) — un contexte où l'IA saisit mal le contexte implicite.
- Elle ne dit pas que l'IA ne fait gagner de temps à personne, ni dans d'autres domaines, ni pour des juniors, ni sur des projets neufs.
- METR qualifie elle-même son résultat d'« historique » : les outils testés datent de février-juin 2025.
- Un suivi publié en février 2026 sur les outils de fin 2025 montre des signes d'accélération — avec des effets de sélection qui compliquent l'interprétation.
Ce que l'étude établit solidement tient en une phrase : la vitesse ressentie n'est pas un substitut fiable de la vitesse mesurée. C'est un avertissement direct pour toute organisation qui pilote son ROI IA sur des enquêtes de satisfaction.
Deux nuances à intégrer
Le paradoxe de Solow. Robert Solow, 1987 : on voit l'âge de l'ordinateur partout, sauf dans les statistiques de productivité. Il a fallu une décennie et une réorganisation profonde des entreprises pour que les gains de l'informatique apparaissent. Le décalage est la règle, pas l'exception, pour les technologies à usage général.
Le gain peut être ailleurs que dans le temps. Moindre pénibilité, exploration facilitée, apprentissage d'API inconnues, réduction de la friction. Ce sont des bénéfices réels qu'un chronomètre ne capture pas.
Ce que ça change pour un dirigeant
- Ne jamais mesurer le ROI IA par déclaration. L'écart perception/mesure atteint 39 points dans l'expérience la plus rigoureuse dont nous disposons. Une enquête interne mesure l'enthousiasme, pas la productivité.
- Mesurer le temps de cycle complet, pas le temps de production. Production + vérification + reprise + arbitrage. Le seul chiffre honnête.
- Décider, en amont, où va le temps gagné. S'il n'est pas affecté explicitement — formation, qualité, réduction de la charge — il sera réabsorbé par défaut. Et le défaut, c'est l'intensification.
- Se demander où va le budget. Plus de la moitié en ventes et marketing, alors que le retour mesurable est en back-office.
- Accepter le calendrier réel. Les gains d'une technologie à usage général apparaissent après la réorganisation, jamais avant. Ceux qui promettent l'inverse vendent quelque chose.
La compétence acquise — 3/6 : mesurer un gain réel, et résister à sa propre sensation
Niveau : diagnostic avancé. C'est la compétence la plus inconfortable de la série : elle s'exerce contre soi.
À la fin de cet épisode, vous savez :
- mesurer un temps de cycle complet (production + vérification + reprise + arbitrage) au lieu d'un temps de production ;
- disqualifier une enquête de satisfaction comme instrument de mesure du ROI ;
- affecter le temps gagné avant qu'il ne soit réabsorbé par défaut.
Le geste qui la prouve, cette semaine. Choisissez un livrable récurrent. Chronométrez-le de bout en bout, deux fois avec l'outil, deux fois sans — en incluant la relecture par le destinataire. Puis demandez aux participants leur estimation. L'écart entre les deux chiffres est votre indicateur le plus honnête, et probablement le plus surprenant.
L'erreur de celui qui n'a pas cette compétence : il pilote son ROI IA sur la satisfaction déclarée, et confond enthousiasme et productivité pendant deux ans.
Ce que le livre en dit : des poules avec un couteau
Le chapitre 2 de Ce que l'IA fait de nous porte ce titre — c'est l'image-mère du livre : nous manipulons un outil dont nous ne mesurons ni la portée ni les effets, avec une assurance parfaitement sincère.
L'expérience METR en est la démonstration expérimentale la plus nette qui existe. Ces développeurs ne sont pas naïfs : ce sont des experts, sur leur propre code, qu'ils connaissent depuis cinq ans. Et ils se trompent de trente-neuf points sur leur propre performance. Ce n'est pas un problème de compétence technique. C'est un problème de perception.
Le chapitre 6, « Nos pensées ne sont plus tout à fait les nôtres », décrit comment nos convictions se forment ailleurs qu'en nous. Cet épisode en donne la version professionnelle : la conviction d'avoir gagné du temps est une conviction, pas une mesure. Elle se forme par saillance — le geste rapide impressionne, le geste lent s'efface — et elle survit à la démonstration du contraire.
📕 Le livre
Ce que l'IA fait de nous — la version longue de ce que vous venez de lire.
→ cequeliafaitdenous.com
🧭 Deux diagnostics gratuits
- Posture IA du manager — 5 dimensions, 20 questions.
→ Faire le diagnostic - Robustesse IA de votre organisation.
→ Évaluer votre organisation
🤝 Travailler ensemble
Audit de transition IA · Accompagnement de Comex · Formation.
→ aurelienmizeret.com
💬 On en parle : LinkedIn — 32 000 abonnés, c'est là que je publie le plus.
🎟️ Les Rencontres Alliages : le collectif indépendant sur la gouvernance de l'IA — non commercial, ni pro ni anti.
→ alliages.work
Questions fréquentes
L'IA fait-elle vraiment gagner du temps au travail ?
En laboratoire, oui : les essais contrôlés sur tâches isolées mesurent des gains supérieurs à 15 %. Sur le terrain, les utilisateurs déclarent 2,8 % d'heures économisées, et ce temps est réalloué vers d'autres tâches de travail. Le gain existe, il ne quitte simplement jamais le travail.
Que dit exactement l'étude METR sur la productivité des développeurs ?
Sur 246 tâches réelles réparties aléatoirement entre 16 développeurs open source expérimentés, l'usage d'outils d'IA a allongé la durée des tâches de 19 %. Les mêmes développeurs estimaient après coup avoir été 20 % plus rapides. L'étude porte sur des outils de début 2025 et sur des dépôts matures : elle ne se généralise pas à tous les contextes.
Pourquoi le gain de temps promis par l'IA disparaît-il ?
Trois fuites l'absorbent. La vérification, dont le coût est resté humain alors que la génération est devenue quasi gratuite. L'effet rebond, ou paradoxe de Jevons : quand produire coûte moins cher, on produit davantage. Et la redistribution : le temps gagné par l'un devient du temps consommé par un autre.
Comment mesurer correctement le ROI de l'IA en entreprise ?
En chronométrant le temps de cycle complet — production, vérification, reprise, arbitrage — plutôt que le seul temps de production, et en écartant les enquêtes déclaratives. L'écart entre perception et mesure atteint 39 points dans l'expérience la plus rigoureuse disponible : une enquête de satisfaction mesure l'enthousiasme, pas la productivité.
Faut-il en conclure que l'IA est inutile ?
Non. Le paradoxe de Solow rappelle que les technologies à usage général produisent leurs gains après la réorganisation des entreprises, pas avant. Et certains bénéfices réels — moindre pénibilité, exploration facilitée, réduction de la friction — échappent au chronomètre. Le problème n'est pas l'outil, c'est l'instrument de mesure.
Sources
- Becker, J., Rush, N., Barnes, E. & Rein, D., Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity, METR, juillet 2025 — et le suivi de février 2026.
- Humlum, A. & Vestergaard, E., NBER Working Paper 33777, 2025, révisé 2026.
- MIT NANDA Initiative, The GenAI Divide: State of AI in Business 2025.
- Shen, J. H. & Tamkin, A., How AI Impacts Skill Formation, arXiv:2601.20245, janvier-février 2026.
- Noy, S. & Zhang, W., Science, 2023 ; Brynjolfsson, Li & Raymond, 2025 ; Peng et al. (essais contrôlés en laboratoire).
- Jevons, W. S., The Coal Question, 1865 (effet rebond).
- Solow, R., New York Review of Books, 1987 (paradoxe de la productivité).
Cet article est la version écrite de l'épisode 3 de la série « IA & Travail — Le travail recomposé ». Épisodes précédents : le travail redistribué et le Shadow AI.
