Depuis deux ans, l’IA générative est présentée comme un levier d’accélération du travail intellectuel. Les fournisseurs promettent une réduction des délais, une automatisation des tâches répétitives et une meilleure fluidité des processus. Dans les grandes organisations, cette promesse s’est traduite par une diffusion rapide des assistants, des générateurs de texte et des outils d’analyse augmentée. Pourtant, derrière cette généralisation, une autre réalité s’installe dans les équipes, moins visible dans les tableaux de bord et beaucoup plus structurante pour la performance.
Workday montre que la majorité des entreprises se trompe d’indicateur. La quasi-totalité des salariés interrogés déclarent économiser entre une heure et sept heures par semaine grâce à l’IA, et plus des trois quarts estiment être plus productifs qu’il y a un an. Mais lorsque l’on intègre le temps consacré à corriger, à clarifier et à réécrire les productions de l’IA, plus d’un tiers du temps gagné disparaît. Un mécanisme simple résume cette dérive. Un gain de dix heures de productivité se traduit, en moyenne, par près de quatre heures passées à réparer la sortie de l’outil. La productivité apparente progresse, mais la valeur nette se réduit.
Les utilisateurs intensifs supportent la « taxe IA »
Cette dérive ne relève pas d’une mauvaise utilisation individuelle. Elle découle d’un modèle d’adoption où l’IA s’ajoute aux processus existants sans redéfinir ce qu’est un travail de qualité. Les équipes produisent plus vite, puis mobilisent leur jugement pour rattraper des erreurs, des approximations ou des manques de contexte. L’IA accélère la production, mais transfère la charge de la qualité vers les salariés, qui deviennent les correcteurs permanents de systèmes encore instables.L’étude met en évidence un paradoxe dérangeant. Les utilisateurs les plus enthousiastes et les plus intensifs supportent une part élevée du coût caché de l’IA. Les salariés de vingt-cinq à trente-quatre ans représentent près de la moitié des profils les plus exposés au travail de vérification et de correction. Une large majorité de ces utilisateurs contrôle les productions de l’IA avec au moins autant de rigueur que celles de collègues humains, ce qui transforme chaque gain de vitesse en charge cognitive et en surcharge opérationnelle.
À l’inverse, les profils les plus performants se concentrent davantage dans les métiers de l’informatique et du marketing. Ils utilisent l’IA comme un outil de repérage de motifs, d’exploration et d’aide à la décision. Dans ces contextes, l’imperfection est tolérable parce que la valeur provient de l’analyse, de l’itération et du recadrage rapide. Une même technologie produit donc des effets opposés selon la nature des processus métiers et selon le niveau d’exigence attendu sur la qualité.
La racine du problème est organisationnelle
La plupart des organisations interrogées indiquent que moins de la moitié de leurs rôles ont été mis à jour pour intégrer des compétences liées à l’IA. Les salariés utilisent des outils récents dans des cadres de travail conçus avant la diffusion de l’automatisation cognitive. La responsabilité de la qualité, de la conformité et de la cohérence reste inchangée, alors même que les volumes augmentent et que les délais se contractent. Ainsi, la racine du problème est organisationnelle.Cette inertie est aggravée par un écart massif entre le discours des directions et l’expérience des équipes. Deux tiers des dirigeants déclarent que la formation figure parmi leurs priorités, mais seuls un peu plus d’un tiers des salariés les plus exposés aux reprises constatent une hausse effective de leur accès à la formation. L’entreprise investit dans les outils, puis laisse les individus absorber le coût de leur immaturité opérationnelle.
Un arbitrage budgétaire tech au détriment des compétences
Workday met en lumière un arbitrage révélateur. Les organisations réallouent aujourd’hui une part plus importante des gains attribués à l’IA vers la technologie et l’infrastructure que vers le développement des compétences. La part orientée technologie dépasse celle consacrée au capital humain, alors même que les environnements les plus performants font l’inverse. Chez les profils qui tirent une valeur nette de l’IA, une très large majorité déclare bénéficier d’un renforcement de la formation, et plus de la moitié constate des investissements accrus dans la cohésion d’équipe.Cette différence ne relève pas d’une politique sociale, mais d’une logique industrielle. La qualité des sorties de l’IA dépend de la capacité des équipes à formuler des requêtes pertinentes, à interpréter les résultats, à contrôler les sources et à intégrer l’outil dans un raisonnement métier. Sans cette couche humaine, l’IA produit du volume, mais pas de valeur durable.
Mesurer des résultats et non des heures économisées
La principale leçon de l’étude tient dans la redéfinition du retour sur investissement. La performance de l’IA ne se pilote plus seulement en heures économisées. Elle se pilote en valeur nette, en intégrant le temps perdu à corriger et les effets sur la qualité des décisions. Dans les ressources humaines, cela revient à privilégier la qualité des recrutements plutôt que la vitesse de traitement. Dans la finance, cela revient à suivre la précision des prévisions plutôt que le débit transactionnel. Dans les opérations, cela revient à suivre le rendement au premier passage plutôt que le volume produit.À mesure que l’IA devient une infrastructure cognitive, la question centrale n’est plus l’automatisation, mais l’amélioration mesurable des résultats. Les organisations qui continuent à piloter l’IA comme un simple accélérateur risquent d’accumuler une dette invisible faite de fatigue, de reprises et de perte de qualité. Celles qui investissent dans les compétences, dans la clarté des rôles et dans la capacité de jugement transforment l’IA en avantage compétitif plus robuste, parce que la vitesse s’accompagne d’une amélioration réelle des décisions et des livrables.
