La promesse de productivité face à la réalité
Le discours est partout. Associez un LLM à un travailleur du savoir et regardez la production doubler. Empilez une licence Copilot sur chaque employé et chevauchez la courbe de productivité. Le récit est si bruyant que le remettre en question donne l'impression de remettre en question la gravité.
Puis les données ont commencé à arriver. En juillet 2025, METR a publié « Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity », un essai contrôlé randomisé avec 16 développeurs seniors travaillant sur des problèmes réels dans leurs propres dépôts open-source de grande taille. Le résultat : les développeurs utilisant des outils IA mettaient 19 % de plus à terminer leurs tâches que ceux qui n'en utilisaient pas. Les mêmes développeurs, interrogés après coup, croyaient que l'IA les avait rendus 20 % plus rapides. Cet écart entre perception et réalité, environ 39 points de pourcentage, c'est la taxe de productivité résumée en un seul graphique.
Les déploiements de Copilot chez Microsoft ont produit des images tout aussi mitigées. Des études de BetterUp Labs et du Stanford Social Media Lab en 2024 et 2025 ont mis en évidence des gains sur certaines tâches étroites (résumer des notes de réunion, rédiger des courriels passe-partout) mais des pertes sur d'autres, ainsi qu'un signal préoccupant montrant que l'usage de l'IA peut déplacer le travail vers du « workslop », des sorties de faible effort que d'autres humains doivent ensuite nettoyer. Le tableau global n'est pas une révolution de la productivité. C'est une redistribution de la productivité, avec des gagnants et des perdants selon la tâche.
Alors pourquoi l'IA donne-t-elle l'impression d'être si rapide ? Parce que la partie visible est rapide. La génération est instantanée. La partie invisible, la rédaction du prompt, la vérification, la re-saisie du prompt, le nettoyage d'une sortie subtilement erronée, c'est là que la facture tombe. Appelez cela la taxe de productivité. C'est le temps que vous payez pour l'IA et qui n'apparaît pas dans la fenêtre de chat.
Les trois coûts cachés payés par chaque tâche IA
Chaque tâche IA arrive avec trois lignes de facturation. La plupart des utilisateurs ne remarquent la troisième que lorsqu'elle mord.
La taxe de construction du prompt est ce que vous payez avant que la génération ne commence. Pour une tâche complexe, un prompt utilisable peut faire 200 à 600 mots, plus le déversement de contexte, plus les exemples. C'est 30 à 120 secondes de saisie ou de copier-coller. Le document de travail NBER d'OpenAI, « How People Use ChatGPT » (septembre 2025, basé sur 1,5 million de conversations), a révélé que 49 % des messages relèvent de l'« interrogation » plutôt que du « faire », autrement dit les utilisateurs cherchent surtout des informations, ils ne délèguent pas de tâches. Même chercher prend du temps de mise en place, et ce temps n'est pas gratuit.
La taxe de vérification est ce que vous payez après la fin de la génération. Vous lisez la sortie. Vous vérifiez les faits. Vous testez le code. Vous croisez la citation. Pour une réponse de 300 mots, une vérification soigneuse peut prendre 60 à 180 secondes. Pour du code, c'est plus long. Pour tout ce que vous signeriez de votre nom, c'est encore plus long. Le Vectara Hallucination Leaderboard, qui suit la fréquence à laquelle les LLM grand public inventent des faits lorsqu'ils résument des documents sources, montre des taux d'hallucination allant d'environ 1 % à 10 % selon le modèle et la tâche. Une réponse sur vingt vous induira en erreur, en moyenne. Sauter la vérification ne fait que déplacer le coût de « votre temps » vers « votre réputation ».
La taxe de reprise est la facture surprise. La sortie est juste à 80 %, mais le ton ne va pas, ou le format est faux, ou elle a cité un article qui n'existe pas, ou elle a affirmé avec assurance un chiffre que vous savez périmé depuis cinq ans. Maintenant vous re-saisissez le prompt (encore 30 secondes) ou vous réécrivez (encore 2 minutes). Pour les tâches dont vous connaissiez la réponse au départ, la reprise coûte généralement plus cher que de simplement le faire vous-même. C'est exactement ce qu'ont rencontré les développeurs de METR : ils ont passé plus de temps à formuler des prompts et à relire qu'ils n'en auraient passé à écrire le code.
Additionnez ces trois éléments et une « réponse IA en 5 secondes » devient régulièrement une interaction de 3 minutes. Multipliez par 30 usages d'IA par jour et vous obtenez une heure et demie consacrée à la seule taxe de productivité.
La Worth-It Matrix : un 2x2 que vous pouvez exécuter dans votre tête
La décision d'utiliser ou non l'IA est bidimensionnelle, pas unidimensionnelle. La plupart des gens ne pensent qu'à la difficulté de la tâche. Ils devraient aussi penser au coût de vérification.
La complexité de la tâche, c'est le temps que la tâche vous prendrait sans l'IA. Le coût de vérification, c'est le temps qu'il vous faut pour confirmer qu'une réponse générée par l'IA est correcte. Ces deux dimensions sont indépendantes. Traduire un paragraphe en espagnol est difficile pour vous (forte complexité) et peu coûteux à vérifier si vous lisez l'espagnol (faible coût de vérification). Écrire une réponse courte et amicale à un collègue est facile pour vous (faible complexité) et facile à vérifier (faible coût de vérification), mais le surcoût de l'IA dépasse à lui seul le temps que vous auriez passé.
| Vérification peu coûteuse | Vérification coûteuse | |
|---|---|---|
| Tâche difficile | L'IA brille. Traduction, extraction structurée, rédaction de formats inhabituels, code dans un langage que vous lisez mais que vous n'écrivez pas couramment. | Zone de travail profond. Notes stratégiques, recherche inédite, code dans des chemins critiques pour la sécurité. Le risque d'hallucination de l'IA additionné à votre coût de vérification dépasse souvent le fait de le faire soi-même. |
| Tâche facile | Sautez l'IA. Courriels courts, corrections de mise en forme, tout ce qui prend moins de 60 secondes. La taxe de prompt dépasse le travail. | Sautez l'IA, sans hésiter. Écriture familière dans votre propre voix, décisions qui dépendent d'un contexte que vous seul possédez. L'IA ici est du surcoût pur. |
Le but de la matrice est de rendre une décision automatique : si vous êtes dans la ligne « tâche facile », par défaut, pas d'IA. Les deux quadrants supérieurs sont là où l'IA gagne sa place, et même ceux-là se divisent. Difficile plus vérification coûteuse est le cas le plus délicat, parce que la tentation est la plus forte (la tâche est difficile, après tout) mais le coût est aussi le plus élevé. Pour une lecture plus approfondie sur les cas où la « pensée à votre place » de l'IA se retourne contre la cognition elle-même, voir The AI Thinking Trap.
Sept tâches où l'IA vous ralentit presque toujours
Certaines tâches sont perdantes par défaut. Elles méritent d'être mémorisées comme une liste « no-AI », parce que se tourner vers la fenêtre de chat sur ces tâches est une mémoire musculaire que la plupart des travailleurs du savoir n'ont pas encore désapprise.
| Tâche | Pourquoi l'IA perd | Que faire à la place |
|---|---|---|
| Courriels courts (moins de 80 mots) | Le prompt + la vérification coûte plus cher que de taper la réponse. | Tapez-la. Utilisez un expanseur de snippets si c'est vraiment répétitif. |
| Corrections de mise en forme (capitalisation, espacement de listes) | La correction est mécanique et à 10 secondes de distance. L'IA ajoute une latence aller-retour et risque d'« améliorer » des choses que vous ne lui avez pas demandées. | Utilisez votre éditeur. Le rechercher-remplacer bat l'IA pour les motifs connus. |
| Votre propre voix sur des sujets familiers | L'IA aplatit la voix vers la moyenne du LLM. Vous passerez plus de temps à la dé-aplatir qu'à écrire à neuf. | Écrivez-le vous-même. Utilisez l'IA seulement pour la critique a posteriori. |
| Décisions de moins de 60 secondes | La décision se termine avant le prompt. | Décidez. Faites confiance à la réponse à 80 % que votre cerveau a déjà produite. |
| Décisions qui dépendent d'un contexte privé | Charger le contexte dans l'IA prend plus de temps que la décision. | Décidez avec le contexte que vous avez déjà en tête. |
| Apprentissage actif (rappel, résolution de problèmes) | La recherche de Karpicke sur la pratique de récupération et le cadre des « difficultés désirables » de Bjork montrent toutes deux qu'une récupération laborieuse construit la mémoire. L'IA dissout la difficulté et la mémoire avec elle. | Luttez d'abord. N'utilisez l'IA qu'après avoir tenté le rappel. |
| Travail créatif où la friction est la valeur | Une première ébauche que vous avez écrite vous-même, même mauvaise, est plus proche de vos vraies idées qu'une ébauche IA polie qu'il vous faut faire de la rétro-ingénierie pour décoder. | Rédigez de façon laide. Révisez avec de l'aide. N'externalisez pas la génération. |
L'entrée sur l'apprentissage mérite un poids supplémentaire. Une étude de 2008 par Karpicke et Roediger (« The Critical Importance of Retrieval for Learning ») a montré que les étudiants qui pratiquaient la récupération d'information se rappelaient 50 % de plus une semaine plus tard que les étudiants qui ré-étudiaient le même matériel. L'IA est une machine à ré-étudier. Elle vous tend la réponse. Chaque fois que vous la laissez faire, vous sautez la répétition de récupération qui aurait construit la mémoire. Pour un cadre de décision ciblé sur ce point, voir Claude vs ChatGPT for Learning.
Six tâches où l'IA est vraiment cumulative
Le revers est réel. Certaines tâches gagnent tellement de l'IA que les sauter serait absurde. Elles partagent une structure : la tâche est difficile, la vérification est peu coûteuse, et la sortie est suffisamment structurée pour que les erreurs apparaissent vite.
| Tâche | Pourquoi l'IA gagne | Squelette de prompt |
|---|---|---|
| Synthétiser 5+ sources | Lire 30 pages et produire un résumé cohérent est lent pour les humains, rapide pour les LLM. La vérification est rapide si vous gardez les sources côte à côte. | « Voici 5 extraits de sources. Produis une synthèse de 200 mots couvrant les points X, Y, Z. Cite chaque affirmation par numéro de source. » |
| Rédiger des formats inhabituels | Demandes de subvention, lettres juridiques, documents de planification de sprint que vous n'avez jamais écrits. Le format lui-même est la partie difficile. | « Rédige un [format] pour [objectif]. Public : [X]. Ton : [Y]. 400 mots. » |
| Traduction (quand vous lisez mais n'écrivez pas la langue cible) | Vérification asymétrique : vous pouvez la relire instantanément. | « Traduis ce qui suit en [langue]. Préserve le registre et les idiomes lorsque c'est possible. » |
| Code hors de votre zone de confort | Une ligne bash, une regex, une fonction de fenêtre SQL. Vous pouvez l'exécuter et voir si ça marche. | « Écris un snippet en [langage] qui [fait X]. Inclus 1 cas de test que je peux coller dans le REPL. » |
| Extraction structurée (CSV, JSON depuis du texte désordonné) | Les LLM excellent dans l'extraction contrainte par format. Vous pouvez valider par schéma. | « Extrais les champs suivants de ce texte vers du JSON : [liste de champs]. Si un champ est manquant, utilise null. » |
| Critique socratique de votre propre ébauche | Vous l'avez écrite, vous la connaissez. Le rôle de l'IA est juste de chercher les failles. La vérification se résume à : « suis-je d'accord avec la critique ? » | « Critique cette ébauche comme un éditeur le ferait. Identifie les 3 affirmations les plus faibles et pourquoi. » |
Notez le fil conducteur : dans chaque cas gagnant, vous restez l'auteur du travail. L'IA accomplit une sous-tâche dont vous pouvez vérifier la sortie rapidement. Quand l'IA fait la réflexion, le coût de vérification explose et la tâche redescend vers la moitié inférieure de la matrice. Pour en savoir plus sur la façon dont la qualité du contexte en amont détermine si ces prompts fonctionnent vraiment, voir Context Engineering.
Le problème de la latence de vérification
Voici le sale secret des prétentions de productivité de l'IA : la plupart des chiffres de « temps gagné » sont mesurés avant la vérification. L'utilisateur génère une ébauche, déclare la tâche terminée, et passe à autre chose. Le coût de vérification est repoussé en aval, généralement vers le futur soi de l'utilisateur lorsqu'une erreur fait surface en production, en réunion, ou devant un client.
La latence de vérification, c'est l'écart entre le moment où l'IA produit une sortie et celui où vous découvririez qu'elle est fausse. Pour le code, la latence est courte : ça tourne ou ça ne tourne pas. Pour la prose, la latence peut être de plusieurs heures ou jours, surtout si l'erreur est un fait faux énoncé avec assurance. Le Vectara Hallucination Leaderboard, qui mesure la fréquence à laquelle les tâches de résumé inventent des détails absents de la source, place les meilleurs modèles grand public dans la fourchette 1 % à 3 % et les modèles plus faibles dans la fourchette 5 % à 10 %. Un taux d'erreur de 3 % paraît faible jusqu'à ce qu'on réalise que cela signifie qu'environ un paragraphe sur 30 contient un fait fabriqué. Si vous rédigez un briefing de 12 paragraphes, attendez-vous à une erreur significative dans 40 % des cas.
Le vrai calcul de productivité doit inclure la vérification. Si une tâche prend 5 minutes à la main et 2 minutes avec l'IA, vous avez « gagné » 3 minutes, mais seulement si la vérification est gratuite. Si la vérification prend 90 secondes, votre vrai gain est de 90 secondes. Si la vérification prend 4 minutes (parce que le sujet est technique et qu'il faut traquer les citations), vous avez perdu une minute. L'étude de METR sur les développeurs a constaté exactement ce schéma : l'IA générait du code rapidement, mais le lire et le corriger dévorait les économies, et plus encore. Pour une manière structurée de vérifier les sorties de modèle sans brûler toutes vos minutes économisées, voir le LLM Hallucination Detection Playbook.
Une règle utile : la vérification ne devrait pas prendre plus de 30 % du temps que l'IA prétend avoir économisé. Si c'est le cas, vous êtes passé en territoire négatif et vous devriez probablement faire la tâche vous-même.
Construire votre propre audit de temps IA
La théorie est bon marché. Le remède contre la surutilisation de l'IA, ce sont les données sur votre propre comportement. Voici un exercice de 7 jours qui fera apparaître, avec une précision embarrassante, où l'IA vous aide et où elle est la taxe de productivité.
Jour 0 : ouvrez un fichier de notes ou un tableur. Trois colonnes : horodatage, description de la tâche, « qu'aurais-je fait sans l'IA ? ». Quatrième colonne facultative : minutes estimées gagnées ou perdues.
Jours 1 à 7 : chaque fois que vous ouvrez ChatGPT, Claude, Gemini, ou tout outil d'IA, consignez-le. Ne filtrez pas. Ne sautez pas les usages triviaux. Surtout, ne sautez pas les triviaux, parce que ce sont eux qui drainent silencieusement votre journée. Pour chaque entrée, notez ce pour quoi vous avez réellement utilisé l'IA (écrire une réponse Slack, résumer un document, rédiger un courriel) et quel aurait été votre repli (taper moi-même, parcourir le document, utiliser un modèle).
Jour 8 : revue. Pour chaque ligne, estimez les minutes nettes gagnées ou perdues. Soyez honnête. Si vous avez utilisé l'IA pour écrire une réponse de 3 phrases qui aurait pris 30 secondes à taper, consignez-la à -1 minute (le prompt + la vérification ont pris plus de temps que la saisie). Si vous avez utilisé l'IA pour traduire un document de 600 mots vers une langue que vous n'écrivez pas, consignez-la à +20 minutes.
La plupart des personnes qui font cet exercice trouvent deux surprises. D'abord, elles utilisent l'IA environ deux fois plus souvent qu'elles ne le pensaient. Ensuite, entre 30 % et 50 % de ces usages sont nets-négatifs ou à l'équilibre. L'audit ne consiste pas à arrêter l'IA. Il consiste à couper le tiers inférieur des usages, ceux où la taxe de productivité dépasse le gain de productivité. Cela représente généralement 30 à 60 minutes par jour récupérées.
Concevoir un workflow allégé en IA
Une fois que l'audit vous donne des données, la refonte est simple. Par défaut, pas d'IA. N'escaladez que lorsque la matrice indique que ça en vaut la peine.
L'heuristique « par défaut, pas d'IA » inverse la culture actuelle, qui est « par défaut, IA ». La plupart des travailleurs du savoir ouvrent ChatGPT avant d'avoir décidé si la tâche le justifie. Inversez l'ordre : commencez la tâche, et ne recourez à l'IA que lorsque vous heurtez un vrai point de friction. Un vrai point de friction, c'est « je ne connais pas le format de ce document », pas « c'est légèrement fastidieux ». Fastidieux plus IA donne généralement fastidieux plus taxe.
Pour les tâches qui justifient l'IA, concevez en visant un faible coût de vérification. Cela signifie donner au modèle le matériel source dont il a besoin (afin qu'il n'ait pas à inventer), demander une sortie structurée (afin que les erreurs apparaissent), et garder votre surface de vérification sous les yeux. C'est là que le surligneur web Glasp gagne sa place dans un workflow IA. Quand vous avez déjà surligné les passages clés d'un article ou d'un PDF, la fonctionnalité de chat IA n'a pas à deviner ce qui vous importe. Le contexte est préchargé. La même logique s'applique à YouTube Summary : la transcription est la source de vérité, et le modèle résume quelque chose de vérifiable au lieu d'inventer à partir d'un titre vague.
Le rythme que nous recommandons, après avoir observé des milliers d'utilisateurs de Glasp travailler de cette manière, c'est : surligner d'abord, prompter ensuite. Surlignez pendant que vous lisez ou regardez. Construisez un petit corpus adossé à des sources. Puis, quand vous avez besoin de synthèse, de critique ou d'extraction, prompter contre ce corpus. Le coût de vérification s'effondre, parce que la source est juste là. Le risque d'hallucination chute, parce que le modèle dispose de matériel réel sur lequel s'appuyer. La taxe de productivité chute, parce que le prompt n'essaie pas d'importer le contexte, le contexte est déjà dans la pièce.
C'est cela, un workflow allégé en IA. Moins d'IA, mieux utilisée, sur les tâches où le calcul fonctionne réellement.
Foire aux questions
L'IA me ralentit-elle vraiment ?
Possiblement, sur une fraction significative de vos tâches. L'étude de juillet 2025 de METR sur des développeurs open-source expérimentés a constaté un ralentissement de 19 % avec les outils IA, alors que les utilisateurs déclaraient se sentir 20 % plus rapides. L'écart de perception est le danger. La seule manière fiable de le savoir est de réaliser un audit de temps personnel (voir Section 7) pendant une semaine. La plupart des gens constatent que 30 % à 50 % de leurs usages d'IA sont à l'équilibre ou nets-négatifs.
Quand devrais-je utiliser ChatGPT, Claude, ou simplement le faire moi-même ?
Décidez en deux étapes. Première étape : exécutez la Worth-It Matrix. Si la tâche est courte, familière, ou que le coût de vérification est élevé, faites-le vous-même. Deuxième étape : si l'IA est justifiée, choisissez le modèle en fonction de la tâche. Claude tend à gagner pour l'analyse de long contexte et l'écriture structurée. ChatGPT tend à gagner pour les échanges rapides et l'usage d'outils. Gemini gagne quand vous en avez besoin intégré à Google Workspace. Le modèle compte moins que la décision d'utiliser l'IA tout court.
Pourquoi je me sens plus rapide avec l'IA même quand je ne le suis pas ?
Parce que la génération paraît rapide. Voir les tokens s'écouler donne un fort sentiment de progression, alors que le temps de rédaction du prompt et le temps de vérification sont diffus et faciles à oublier. Les développeurs de METR ont rapporté un gain de vitesse perçu de 20 % alors qu'ils étaient mesurablement 19 % plus lents, une illusion de 39 points. Le cerveau accorde trop de crédit à la partie visible de la boucle et trop peu aux parties invisibles. L'audit corrige cela en rendant le temps invisible visible.
Devrais-je arrêter d'utiliser l'IA pour l'écriture ?
C'est nuancé. Arrêtez de l'utiliser pour l'écriture courte et familière dans votre propre voix (réponses, mises à jour internes, tout ce qui fait moins de 80 mots). La sortie aplatit votre voix et l'aller-retour coûte plus que la saisie. Continuez à l'utiliser pour les formats inhabituels (demandes de subvention, lettres juridiques, formats que vous avez écrits moins de cinq fois), la traduction et l'extraction structurée. Et utilisez-la pour la critique de vos propres ébauches, où vous restez l'auteur et où l'IA n'est qu'un partenaire d'entraînement.
Combien de temps cela devrait-il prendre de vérifier une réponse IA ?
Liez le temps de vérification aux enjeux. Pour des sorties à faibles enjeux (un message Slack, une note personnelle), 5 à 15 secondes suffisent. Pour des enjeux moyens (un document que votre équipe lira), 30 à 90 secondes, avec au moins un fait vérifié par échantillonnage. Pour des enjeux élevés (tout ce qui est publié à l'extérieur, du code en production, des affirmations sur des chiffres), la vérification devrait prendre au moins autant de temps qu'il en aurait fallu pour rédiger la chose vous-même. Si la vérification prend systématiquement plus de 30 % du temps que l'IA prétend avoir économisé, vous payez la taxe de productivité en plein.
Conclusion
L'IA n'est pas gratuite. Elle coûte du temps de prompt, du temps de vérification, et la facture occasionnelle de reprise. Sur les bonnes tâches, les gains écrasent les coûts. Sur les mauvaises tâches, les coûts grignotent silencieusement la journée. Les données de 2025 sont assez claires pour que « toujours utiliser l'IA » ne soit plus un choix par défaut défendable pour un travail de connaissance sérieux.
Le geste pratique est petit. Réalisez l'audit pendant une semaine. Repérez où l'IA est cumulative et où elle taxe. Coupez le tiers inférieur des usages. Par défaut, pas d'IA sur le travail court, familier, de moins de 60 secondes. Escaladez vers l'IA sur le travail difficile, structuré et facile à vérifier. Surlignez d'abord, prompter ensuite. Le résultat n'est pas moins d'IA dans votre vie. C'est une IA qui se rentabilise réellement.