Un nouvel avertissement apparaît alors que les entreprises se précipitent pour déployer l’intelligence artificielle au travail. Une étude récente suggère que la technologie n’augmente pas toujours la productivité, même si son utilisation augmente dans les bureaux et les ateliers.
La recherche s’ajoute à des résultats mitigés quant à savoir si les outils d’IA aident réellement les travailleurs à faire plus en moins de temps. Les entreprises ont agi rapidement en 2023 et 2024 pour déployer des chatbots, des copilotes de codage et des assistants documentaires. Les derniers résultats suggèrent que les managers devraient fixer des objectifs clairs, mesurer les résultats et se préparer à des résultats inégaux selon le rôle et la tâche.
« Alors que de plus en plus de travailleurs utilisent l’IA, une étude récente s’ajoute aux preuves croissantes que la technologie ne tient pas toujours ses promesses d’augmentation de la productivité. »
L’adoption dépasse les résultats prouvés
Les entreprises ont intégré l’IA dans la messagerie électronique, les rapports, le support client et le développement de logiciels. De nombreux dirigeants espèrent une production plus rapide et des coûts inférieurs. Mais les premières expériences montrent un écart considérable entre les projets pilotes et le travail quotidien.
Certains employés signalent un gain de temps sur la rédaction, le brainstorming et la synthèse. D’autres passent plus de temps à vérifier les erreurs ou le style des sorties de l’IA. Cela réduit le bénéfice net.
Les gestionnaires ont également du mal à capter les gains. Les flux de travail ne peuvent pas changer. Les mesures de qualité peuvent être floues. De petites améliorations en une seule étape peuvent être perdues dans les transferts et les révisions.
Preuves mitigées des premières recherches
Les études universitaires et industrielles montrent des résultats différents selon la tâche et le niveau de compétence. Des essais contrôlés dans le cadre du support client ont révélé des délais de résolution plus rapides pour certains agents, en particulier ceux ayant moins d’expérience. Les expériences d’écriture ont révélé des délais d’exécution plus courts et une qualité moyenne plus élevée sur des tâches simples.
Pourtant, d’autres essais montrent le contraire. Les performances peuvent chuter lorsque les tâches nécessitent un jugement d’expert, des calculs minutieux ou des faits actuels. Dans les travaux de conseil et d’analyse, l’IA peut pousser les utilisateurs vers des réponses sûres mais fausses. Ce risque augmente lorsque les travailleurs s’appuient sur un seul projet sans vérification.
Ces résultats pointent vers une tendance. L’IA aide souvent à la rédaction et à l’idéation de routine. Il est moins fiable pour les raisonnements complexes, les problèmes nouveaux et les tâches nécessitant des données récentes.
Pourquoi les gains de productivité stagnent
Il y a plusieurs raisons pour lesquelles les gains promis n’apparaissent pas toujours :
- Contrôle de qualité: Le temps passé à vérifier la sortie peut effacer les gains de vitesse.
- Ajustement de la tâche : Les outils fonctionnent bien sur une écriture simple, mais moins sur une analyse complexe.
- Lacunes en matière de formation : Les employés peuvent ne pas connaître les invites, les paramètres ou les limites.
- Limites des données : Les modèles manquent de données actuelles ou privées sans connecteurs sécurisés.
- Frottement du processus : Les anciens flux de travail ralentissent l’adoption et diluent la valeur.
La sécurité et la conformité ajoutent des étapes supplémentaires. De nombreuses entreprises acheminent l’utilisation de l’IA par le biais de politiques et d’audits. Cela peut protéger les données sensibles mais ajoute également des retards.
Voix de la salle
Les réactions des travailleurs reflètent la recherche. Certains employés affirment que l’IA aide à vaincre le blocage de l’écrivain et à rédiger des e-mails en quelques minutes. D’autres notent des modifications supplémentaires pour corriger le ton, les citations et les chiffres. Les chefs d’équipe rapportent que les jeunes travailleurs tirent davantage profit des outils que les experts chevronnés. Les évaluateurs seniors passent ensuite du temps à corriger des erreurs subtiles.
Le résultat est un impact inégal entre les équipes. Les gains apparaissent là où les tâches sont bien structurées. Les pertes apparaissent là où le travail dépend de connaissances spécialisées ou de faits en évolution rapide.
Ce que font les employeurs maintenant
Face à l’évolution des résultats, de nombreuses entreprises ajustent leur approche. Les étapes courantes comprennent :
- Cibler les cas d’utilisation avec des règles et des critères d’évaluation clairs.
- Associer l’IA à des listes de contrôle pour détecter les erreurs courantes.
- Former les travailleurs aux habitudes de conception et de vérification rapides.
- Intégration d’outils dans les logiciels existants pour réduire les temps de commutation.
- Suivi de la productivité, de la qualité et des taux d’erreur par tâche, et pas seulement par outil.
Certaines entreprises effectuent des tests A/B avant de passer à l’échelle. D’autres désignent des « champions de l’IA » pour encadrer les équipes et partager les modèles de réussite. L’objectif est d’obtenir des résultats cohérents et non des victoires ponctuelles.
Que regarder ensuite
Trois tendances façonneront la prochaine phase. Premièrement, des liens plus étroits entre l’IA et les données de l’entreprise pourraient améliorer la précision des tâches internes. Deuxièmement, les outils d’audit peuvent détecter les erreurs factuelles et politiques plus tôt dans le flux de travail. Troisièmement, une conception plus claire des tâches peut séparer le travail que l’IA peut rédiger du travail que les humains doivent décider.
Les régulateurs et les groupes industriels publient également des lignes directrices sur la divulgation et les contrôles des risques. Cela pourrait établir des normes communes en matière de mesure et de reporting.
La conclusion est prudente mais claire. L’IA peut aider dans des tâches spécifiques et bien définies. Cela peut faire mal lorsqu’il est utilisé sans contrôle sur un travail complexe. Les dirigeants qui adaptent les outils aux emplois, mesurent les résultats et investissent dans les compétences sont plus susceptibles de constater de réels gains.
Comme le suggère l’étude, la promesse d’une productivité plus élevée n’est pas automatique. L’année prochaine révélera quelles méthodes transforment les premiers essais en résultats stables et quelles utilisations devraient être réduites ou repensées.
