L’IA semblait plus rapide. Le chronomètre disait autre chose.

On peut apprécier un outil, vouloir continuer à l’utiliser et se tromper sur le temps qu’il fait gagner.

Cette distinction rend le débat sur la productivité plus intéressant qu’un affrontement entre utilisateurs enthousiastes et observateurs sceptiques. Ils parlent peut-être de choses différentes : le plaisir de travailler, l’effort nécessaire ou la quantité de travail réellement terminé.

Une étude peut aider à distinguer ces questions. Elle ne peut pas toutes les régler à la fois.

Le résultat qui a mis le ressenti à l’épreuve

Dans son étude randomisée du 10 juillet 2025, METR a suivi 16 développeurs expérimentés sur 246 tâches, dans des projets libres qu’ils connaissaient. Avec les outils d’IA du début de 2025, le temps d’exécution augmentait de 19 %. Les participants estimaient pourtant, après l’essai, avoir été 20 % plus rapides. Ce constat concerne ce contexte, pas tous les développeurs ni les outils suivants.

Ce qui retient l’attention, c’est le désaccord entre le ressenti et la mesure. Une impression favorable renseigne sur une préférence. Elle ne mesure pas automatiquement une durée.

Cela ne rend pas les participants naïfs. Un outil peut faciliter une partie du travail pendant qu’une autre en absorbe le temps. Pour déterminer si le processus est plus rapide, le moment séduisant, comme l’apparition d’un brouillon, ne suffit pas à conclure.

Le suivi compte autant que le chiffre initial

Dans sa mise à jour du 24 février 2026, METR explique que le nouvel essai ne permet pas d’estimer de façon fiable l’effet actuel sur la productivité. La sélection des participants et des tâches, une rémunération différente et le travail simultané avec plusieurs agents compliquent la mesure. Les chercheurs jugent probable une amélioration des gains, sans disposer d’une preuve solide de leur ampleur.

On ne peut donc pas conclure que l’IA ralentira toujours les développeurs. On ne peut pas davantage déclarer le premier résultat annulé et accepter toutes les promesses de productivité.

Un constat peut rester valable dans ses conditions d’origine tout en répondant mal à une question plus large ou plus récente. C’est une raison de préciser les conditions d’une affirmation, pas d’abandonner la mesure lorsqu’elle devient gênante.

« Gagner du temps » peut désigner trois choses

Voici comment je distinguerais les questions pour évaluer un projet.

La première est de savoir si un travail comparable atteint le même niveau de qualité avec moins d’effort humain. Il faut donc définir ce qu’on considère comme terminé. Un brouillon de réponse et une réponse vérifiée à partir du dossier réel du client ne constituent pas le même résultat.

La deuxième est de savoir si le destinataire reçoit le résultat plus tôt. Le temps de travail et le délai peuvent évoluer différemment. Un dossier peut demander moins de minutes d’intervention tout en restant bloqué jusqu’au lendemain pour une approbation. Il s’agit d’une distinction de raisonnement, pas d’un résultat attribué à METR.

La troisième est de savoir si l’équipe peut désormais tenter quelque chose qu’elle n’aurait pas entrepris autrement. Un prototype qui devient réalisable ne se résume pas forcément à quelques minutes gagnées sur une ancienne tâche. Il n’existe peut-être aucun ancien résultat terminé auquel le comparer.

Ces trois questions ont leur place. Les ramener à un seul pourcentage rend ce pourcentage difficile à interpréter.

Compter le travail après l’arrivée du brouillon

Prenons une demande de service fictive. Sans IA, préparer, vérifier et envoyer une réponse acceptable demande 12 minutes. Avec l’IA, le brouillon prend 1 minute, la vérification 9, puis la correction et l’envoi 3. Le travail complet demande donc 13 minutes.

Ce calcul illustre le raisonnement; il ne provient ni de METR ni d’un mandat client. J’examinerais les neuf minutes de vérification avant de changer de modèle de rédaction. La personne doit peut-être chercher dans plusieurs applications les renseignements nécessaires à la réponse. Après avoir corrigé cet obstacle, comparons des demandes semblables et terminées, en conservant les tentatives infructueuses dans le bilan. Le délai d’attente du client se mesure séparément.

Donner un usage au temps libéré

Dans un autre cas fictif, 200 demandes nécessitent chacune 3 minutes de travail en moins, à qualité acceptable égale. Cela libère 10 heures par mois. En retirant 2 heures d’entretien récurrent, il reste 8 heures. Le temps de préparation et les frais d’abonnement ou d’utilisation doivent encore figurer dans la comparaison globale; ce calcul ne mesure pas à lui seul le rendement financier.

Ces huit heures représentent une capacité disponible. Elles deviennent une baisse des dépenses seulement si une dépense diminue réellement. Si la même équipe s’en sert pour résorber un retard ou améliorer le suivi, examinons ces résultats. Des minutes dispersées peuvent aussi être plus difficiles à réutiliser qu’une plage horaire continue.

Je choisirais l’usage visé avant de présenter le projet comme une économie. Pour un retard à résorber, suivons les dossiers terminés et leur ancienneté. Pour un meilleur service, précisons l’échéance et la qualité attendues. Un bénéfice utile doit rester observable dans le travail, même si la masse salariale ne change pas.

Partir de la décision à prendre

Pour mettre un assistant interne à l’essai, je choisirais d’abord la décision que l’expérience doit éclairer, puis la mesure appropriée.

S’il faut décider comment traiter une file de demandes, je regarderais les dossiers terminés de façon acceptable et l’effort humain requis. S’il faut réduire l’attente, je suivrais le travail jusqu’au destinataire. S’il faut rendre une nouvelle capacité accessible, je préciserais ce qui doit devenir possible et les ressources que l’essai peut mobiliser.

Je conserverais aussi les tentatives infructueuses, pas seulement les résultats présentables. Sans cela, il devient facile de confondre une démonstration réussie avec une estimation du fonctionnement quotidien.

Il ne s’agit pas de transformer chaque petit essai en projet de recherche. Il s’agit de lui faire répondre à une vraie question.

Ma conclusion n’est ni un verdict contre l’IA ni une promesse de rendement. Une affirmation de productivité doit préciser ce qui a été terminé, à quoi on le compare et à quelle période. Sinon, un chiffre convaincant peut désigner presque n’importe quoi.

Cela laisse toute sa place à l’ambition. Cela permet aussi de reconnaître un résultat utile lorsqu’il apparaît : moins d’effort, moins d’attente ou un travail qui devient enfin réalisable.

Pour aborder le problème sous un autre angle, on peut aussi se demander si le travail mérite d’être repensé avant d’être automatisé.