IA et productivité : ce que les études mesurent vraiment

L’IA fait gagner du temps, mais pas partout, pas à tout le monde, et beaucoup moins qu’on ne le croit en moyenne. Les expériences contrôlées mesurent des gains nets sur des tâches précises : de 14 % en support client à 40 % de temps en moins sur la rédaction. Mais une étude danoise à grande échelle trouve environ 3 % d’heures économisées en moyenne, et une autre mesure des développeurs expérimentés 19 % plus lents avec l’IA. La bonne question n’est donc pas « l’IA rend-elle productif ? », mais « sur quelle tâche, pour qui, et comment le vérifier chez vous ? ». Voici ce que disent les études sérieuses, puis une méthode simple pour mesurer avant de généraliser.

L’essentiel en 5 points

1. Les gains mesurés sont réels, mais sur des tâches bien délimitées. Rédaction, support client, code simple : de 14 % à 56 % selon les études.
2. Les débutants gagnent le plus, les experts parfois rien. Dans deux études, le gain des profils moins expérimentés est deux à trois fois plus élevé.
3. Hors de son terrain, l’IA fait baisser la qualité. Sur une tâche mal adaptée, des consultants équipés se trompent plus souvent que ceux qui travaillent seuls.
4. À l’échelle d’une entreprise, le gain moyen reste modeste. Environ 3 % des heures de travail au Danemark, sans effet visible sur les salaires ni les horaires.
5. Votre ressenti ne suffit pas : mesurez. Des développeurs ralentis de 19 % pensaient avoir gagné 20 %.

---

Ce que mesurent les études sérieuses

Les chiffres qui circulent viennent souvent de sondages ou d’éditeurs de logiciels. Ceux qui suivent viennent d’expériences où un groupe travaille avec l’IA et un autre sans, ce qui permet d’isoler l’effet de l’outil.

Côté support client, Sur 5 179 agents, l’assistant IA a augmenté le nombre de demandes résolues par heure de 14 % en moyenne. Le gain monte à 34 % chez les débutants et les moins performants, et reste minime chez les plus expérimentés (NBER, Brynjolfsson, Li et Raymond, 2023).

Côté rédaction, pour des écrits professionnels propres à chaque métier, l’accès à ChatGPT a réduit le temps de 40 % et amélioré la qualité de 18 %, avec un gain plus fort pour ceux qui partaient de plus bas (Science, Noy et Zhang, 14 juillet 2023).

Côté conseil, chez 758 consultants du Boston Consulting Group, l’IA a fait gagner vitesse et qualité sur 18 tâches adaptées. Les consultants sous la moyenne ont progressé de 43 %, ceux au-dessus de 17 % (Harvard Business School, Dell’Acqua et al., 22 septembre 2023).

Où l’IA fait perdre du temps

La même étude sur les consultants contient le résultat le plus utile pour un dirigeant. Sur une tâche choisie parce qu’elle sortait des capacités de l’IA, les consultants équipés ont trouvé la bonne réponse 19 points de pourcentage moins souvent que ceux qui travaillaient sans. Les auteurs parlent d’une « frontière en dents de scie » : deux tâches qui semblent aussi difficiles l’une que l’autre peuvent tomber de part et d’autre.

L’étude du laboratoire METR va plus loin. Seize développeurs chevronnés ont traité 246 vrais tickets sur des projets qu’ils connaissaient par cœur, avec ou sans IA, tirés au sort. Avec l’IA, ils ont mis 19 % de temps en plus. Avant, ils pensaient gagner 24 % ; après, ils croyaient encore avoir gagné 20 % (METR, 10 juillet 2025). Le temps perdu se cache dans la relecture, les corrections et les allers-retours avec l’outil.

Ce qu’il faut retenir : l’IA aide surtout quand vous savez juger vite si sa réponse est bonne, et sur un travail où vous n’êtes pas déjà très rapide. Quand la vérification prend autant de temps que le travail lui-même, le gain disparaît.

Pourquoi le gain moyen reste faible

Les expériences mesurent une tâche. Une journée de travail en contient des dizaines, dont beaucoup ne se prêtent pas à l’IA. C’est ce que montre la plus grande étude disponible sur le terrain : au Danemark, des salariés de onze métiers exposés, suivis avec les données administratives, déclarent économiser environ 3 % de leurs heures de travail. Entre 64 % et 90 % des utilisateurs disent gagner du temps, mais deux ans après l’arrivée de ChatGPT, les chercheurs n’observent aucun effet sur les salaires ni sur les heures travaillées. La plupart des utilisateurs (85 %) réaffectent le temps gagné à d’autres tâches (NBER, Humlum et Vestergaard, mai 2025, révisé en mars 2026).

Autrement dit, le temps gagné ne se transforme pas tout seul en résultat. Il faut décider à quoi il sert : plus de clients traités, un délai raccourci, une tâche abandonnée. Sinon, il se dilue dans la journée.

La même étude note que l’usage et les bénéfices déclarés sont plus élevés là où l’employeur encourage l’outil, fournit une version d’entreprise et forme ses équipes. Pour l’état de l’adoption en PME et les usages par fonction, voyez notre article sur l’intelligence artificielle en PME.

Mesurer le gain chez vous avant de généraliser

Vous n’avez pas besoin d’un laboratoire. Vous avez besoin d’une tâche, d’un chronomètre et de deux semaines.

1. Choisissez une tâche qui revient souvent et dont le résultat se juge facilement : réponse à une demande client, compte rendu, fiche produit. Évitez les tâches rares ou à fort enjeu pour ce premier test.
2. Mesurez la situation de départ pendant une semaine. Temps passé par occurrence, nombre traité, et un critère de qualité simple (taux de reprise, erreurs relevées, retour du client).
3. Testez avec l’IA la semaine suivante, sur le même type de tâche. Comptez tout le temps, relecture et corrections comprises. C’est là que les études voient le gain fondre.
4. Faites relire à l’aveugle quelques résultats par quelqu’un qui ne sait pas lesquels ont été faits avec l’IA. La qualité compte autant que la vitesse : un texte deux fois plus rapide mais à reprendre ne vous fait rien gagner.
5. Comparez des chiffres, pas des impressions. L’étude METR le montre : le ressenti peut se tromper de près de 40 points.

Si le test est concluant, étendez à une deuxième tâche, pas à toute l’équipe d’un coup. Pour choisir les tâches à tester en priorité, notre guide pour automatiser des tâches en PME propose la méthode de la liste du lundi. Et pour traduire vos chiffres en euros sur un an, le calculateur d’économies IA fait le calcul en deux minutes.

Ce que ces études ne disent pas

Il faut aussi être honnête sur leurs limites. Les outils ont beaucoup progressé depuis 2023, et la plupart de ces expériences ont été menées avec des modèles aujourd’hui dépassés. Les gains pourraient être plus élevés, ou les pièges déplacés. Elles portent aussi sur des métiers précis : aucune ne mesure directement le quotidien d’un dirigeant de PME ou d’un indépendant.

C’est une raison de plus pour mesurer chez vous. Un chiffre tiré d’une étude vous dit ce qui est possible ; seul votre propre test vous dit ce qui se passe dans votre entreprise.

Sources

Toutes les pages ont été consultées le 23 septembre 2026.

• Erik Brynjolfsson, Danielle Li, Lindsey Raymond, Generative AI at Work, NBER Working Paper 31161, avril 2023, révisé en novembre 2023
• Shakked Noy, Whitney Zhang, Experimental evidence on the productivity effects of generative artificial intelligence, Science, 14 juillet 2023
• Fabrizio Dell’Acqua et al., Navigating the Jagged Technological Frontier, Harvard Business School Working Paper 24-013, 22 septembre 2023
• Sida Peng, Eirini Kalliamvakou, Peter Cihon, Mert Demirer, The Impact of AI on Developer Productivity: Evidence from GitHub Copilot, arXiv, 13 février 2023
• METR, Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity, 10 juillet 2025
• Anders Humlum, Emilie Vestergaard, Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI (d’abord paru sous le titre « Large Language Models, Small Labor Market Effects »), NBER Working Paper 33777, mai 2025, révisé en mars 2026