Le travail achevé, pas lancé

L'IA peut accélérer des tâches individuelles sans qu'une organisation achève davantage de travail utile. L'écart devient mesurable dès que l'on suit tout le parcours, du premier brouillon au résultat final.

Par Stefano Zoia · 5 octobre 2026 · 6 min

Imaginez une équipe qui préparait cinq propositions commerciales par semaine et peut désormais en rédiger quinze. Les personnes chargées de vérifier la faisabilité, les prix et les conditions contractuelles ne peuvent toujours en approuver que cinq.

L’équipe de rédaction est plus rapide. L’organisation, elle, risque d’envoyer le même nombre de propositions, avec une file d’attente plus longue devant la vérification.

Il s’agit d’un exemple illustratif, non d’un résultat de recherche. Il pose une question à laquelle les tableaux de bord d’adoption de l’IA répondent rarement : l’organisation a-t-elle amélioré le travail qu’elle achève, ou seulement augmenté le travail qu’elle lance ?

Les études publiées en septembre 2026 donnent à cette question un poids concret. Elles décrivent des limites dans la capacité de vérification, la responsabilité des décisions, la gouvernance et la préparation des organisations. Elles ne démontrent pas que l’IA a échoué à améliorer la productivité dans la plupart des entreprises.

La distinction compte. Le problème du management est de savoir où des tâches individuelles plus rapides produisent de meilleurs résultats, et où le bénéfice est absorbé ailleurs.

Trois mesures à ne pas confondre

L’activité, le débit et la productivité décrivent des choses différentes.

L’activité mesure ce que font les personnes et les systèmes : brouillons générés, analyses lancées, code écrit, recommandations produites.

Le débit, au sens retenu ici, mesure le travail utile achevé sur une période donnée : propositions remises, contrats finalisés, dossiers clients résolus.

La productivité rapporte le résultat utile aux ressources nécessaires pour l’obtenir.

Une organisation peut améliorer sa productivité sans augmenter son débit : achever le même travail en moins d’heures, à qualité égale, est un vrai gain. Elle peut aussi augmenter son débit sans améliorer sa productivité, si le surcroît de production exige un effort disproportionné.

C’est pourquoi compter le travail achevé est nécessaire, mais pas suffisant. La qualité, le coût et les reprises doivent figurer à côté.

Dans l’exemple des propositions, une rédaction plus rapide pourrait libérer du temps pour échanger avec les clients, même si le nombre de propositions reste stable. Elle pourrait aussi créer des vérifications et des corrections supplémentaires qui consomment le temps gagné. Le tableau de bord d’adoption aurait la même allure dans les deux cas. Les comptes, non.

Générer plus vite peut révéler les étapes plus lentes

Le Technology Trends Outlook 2026 de McKinsey décrit un déséquilibre croissant dans le développement logiciel : l’IA peut produire du code plus vite que les organisations ne peuvent le relire, le tester et le déployer en toute sécurité. Il relève un problème voisin dans la recherche scientifique, où générer des candidats ne supprime pas le travail nécessaire pour les valider. [1]

Cela étaye une préoccupation opérationnelle précise : accélérer une étape n’accélère pas automatiquement l’ensemble du processus.

Cela ne signifie pas que le travail généré est perdu, que la vérification est inutile ou qu’il faut écarter les personnes. La vérification peut être précisément l’étape qui rend un résultat utilisable.

La question est de savoir si le processus peut absorber le volume supplémentaire sans accumuler de retards, de défauts ou de travail inachevé.

Pour une entreprise qui utilise l’IA, cela invite à examiner le parcours qui suit la génération. Qui vérifie le résultat ? De quelles informations a-t-il besoin ? Quelles erreurs le renvoient en arrière ? Combien de temps attend-il entre deux personnes ou deux systèmes ?

Les réponses peuvent désigner un besoin de formation ou une autorité plus claire. Elles peuvent aussi révéler des données sources médiocres, des intégrations manquantes, des résultats peu fiables ou un circuit d’approbation inutilement compliqué.

La contrainte doit être observée, pas supposée.

L’autonomie est une autre question

Une prévision de Gartner publiée le 24 septembre estime que, d’ici 2030, seules 5 % des organisations qui automatisent leur planification de la chaîne d’approvisionnement prendront de manière autonome au moins 10 % de leurs décisions de planification. L’enquête qui l’accompagne fait état d’investissements importants dans l’automatisation au sein des grandes organisations. [2]

Ce rapprochement peut ressembler à la preuve de retours décevants. Il ne suffit pas à l’établir.

Un planificateur peut prendre une meilleure décision, avec moins de préparation, tout en conservant la responsabilité finale. Une organisation peut choisir délibérément de maintenir une validation humaine pour les décisions lourdes de conséquences. Les deux peuvent être des issues raisonnables.

La recommandation la plus utile de Gartner consiste à partir de la décision et à déterminer si l’IA doit l’éclairer, la renforcer ou l’automatiser. Ses lignes directrices demandent aussi de mesurer l’amélioration de l’efficacité des décisions plutôt que le déploiement de la technologie. [2]

Cela donne aux dirigeants un critère plus exigeant qu’un objectif d’autonomie : qu’est-ce qui s’est amélioré grâce à la nouvelle capacité ?

Les conditions organisationnelles comptent, mais « les personnes » n’est pas un diagnostic

Les travaux de Gartner sur la gouvernance des données, publiés en septembre, apportent un autre signal utile. Dans une enquête auprès de 223 responsables des données et de l’analytique, la résistance culturelle a été citée plus souvent que les contraintes de financement comme principale cause d’échec des programmes de gouvernance : 60 % contre 40 %. [3]

C’est un élément sur les programmes de gouvernance, non une mesure directe de la productivité de l’IA. Il montre néanmoins pourquoi installer une capacité et la faire fonctionner au sein d’une organisation sont deux tâches différentes.

Dire que le problème, ce sont « les personnes », est trop vague pour être utile.

Un collaborateur peut manquer de compétences pour évaluer une recommandation générée par l’IA. Il peut aussi ne pas avoir accès aux éléments qui la fondent, ne pas être autorisé à agir en conséquence, ou ne pas disposer d’une définition claire d’un résultat acceptable. Davantage de formation ne règle que le premier de ces problèmes.

La tâche concrète consiste à distinguer compétences, information, autorité et processus. Chacun appelle une réponse différente.

Ces études portent sur des contextes et des mesures différents. Elles ne doivent pas être agrégées en une estimation unique de l’impact de l’IA sur les entreprises. Leur intérêt, ici, est de faire émerger des questions qu’une organisation peut examiner dans son propre travail.

Mesurer tout le parcours jusqu’à l’achèvement

Commencez par un processus récurrent dont le résultat est identifiable.

Définissez ce que signifie « achevé » avant de mesurer la vitesse. Une proposition peut être achevée lorsqu’elle parvient au client avec des conditions approuvées. Un dossier de service peut exiger une résolution confirmée, plutôt qu’un ticket clos. Une modification logicielle peut devoir être déployée et fonctionnelle, plutôt que simplement fusionnée.

Suivez ensuite quatre éléments :

• Travail achevé : combien d’éléments comparables atteignent le point d’arrivée convenu.
• Délai total : combien de temps ils mettent de la demande à l’achèvement, attente comprise.
• Qualité : erreurs, résultats rejetés, dossiers rouverts et autres signes que l’achèvement n’a pas tenu.
• Effort et coût totaux : génération, vérification, correction et coûts des outils concernés.

Comparez des travaux de même nature et notez les évolutions de complexité, d’effectifs et de demande. Sinon, un mois plus calme ou un glissement vers des demandes plus simples peut passer pour une amélioration due à l’IA.

En parallèle, examinez la file d’attente. Où le travail s’accumule-t-il ? Depuis combien de temps les éléments attendent-ils ? Quelles étapes renvoient le plus souvent le travail pour correction ?

Une discussion générale sur l’adoption devient ainsi une décision opérationnelle précise. La réponse peut consister à améliorer les données d’entrée, simplifier une approbation, renforcer les tests ou donner à une équipe compétente des droits de décision plus clairs.

Elle peut aussi consister à générer moins.

Traiter la contrainte que l’on voit

Si la vérification est saturée, augmenter la génération peut allonger le retard accumulé. Si les brouillons sont régulièrement inexacts, ajouter des relecteurs peut traiter le symptôme sans toucher à la cause. Si le travail approuvé attend une décision dont personne n’est responsable, rédiger plus vite a peu de chances de résorber le délai.

Le bon changement dépend de la contrainte observée. Une fois qu’il est fait, mesurez à nouveau : supprimer une source de retard peut en révéler une autre.

C’est pourquoi « redessiner la dernière étape humaine » est une prescription trop étroite. La contrainte déterminante peut se situer n’importe où dans le processus, et elle peut être technique, organisationnelle, ou les deux à la fois.

L’usage de l’IA mérite toujours d’être suivi. Il peut montrer si une capacité atteint les utilisateurs auxquels elle est destinée. Mais l’usage ne peut pas vous dire si l’organisation achève un meilleur travail, plus tôt, avec moins d’effort.

Avant d’étendre un programme d’IA, demandez à l’équipe de vous montrer ce qui se passe entre le premier résultat généré et le travail final. C’est là que l’affirmation sur la productivité devient vérifiable.

— Stefano

Sources

1. McKinsey & Company, Technology Trends Outlook 2026, septembre 2026. Voir la partie consacrée à une génération qui dépasse les capacités de vérification, de test et de validation.
2. Gartner, « Gartner Predicts Only 5% of Organizations Will Make at Least 10% of Supply Chain Planning Decisions Autonomously by 2030 », 24 septembre 2026. L’enquête associée a interrogé 243 dirigeants d’organisations réalisant un chiffre d’affaires annuel d’au moins 500 millions de dollars.
3. Gartner, « Gartner Predicts 60% of Organizations That Ignore Data Governance Culture Challenges Will Fail to Govern AI Successfully by 2027 », 21 septembre 2026. Les chiffres sur la résistance culturelle et le financement proviennent de son enquête de mars 2026 auprès de 223 responsables des données et de l’analytique.