L'IA rend-elle plus productif ? Les preuves sont plus nuancées que le battage

Demandez aux vendeurs : l'IA rend tout le monde dix fois plus productif. Demandez aux sceptiques : ce n'est que du déchet et des reprises. La recherche contrôlée — il en existe désormais un corpus correct — ne soutient aucun des deux camps, et le motif dans les données est bien plus utile que l'un ou l'autre slogan.

Les gains sont réels sur les tâches bornées

Les premières études de référence ont mesuré des tâches bien définies. Noy et Zhang, dans une expérience randomisée publiée dans Science en 2023, ont fait réaliser des tâches d'écriture professionnelle réalistes : les utilisateurs de ChatGPT finissaient environ 40 % plus vite avec une qualité jugée supérieure, et les rédacteurs les plus faibles progressaient le plus. Peng et ses collègues ont trouvé que des développeurs terminaient une tâche de code standard environ 56 % plus vite avec GitHub Copilot. L'expérience de terrain au BCG a trouvé que les consultants avec GPT-4 produisaient un travail noté plus de 40 % meilleur sur les tâches dans la compétence du modèle.

Trois constats répliqués habitent ces études. Les gains se concentrent sur des tâches bornées, autonomes, à livrable clair. Ils compressent l'écart de compétence : les moins expérimentés progressent le plus. Et ils disparaissent ou s'inversent hors de la compétence du modèle — le problème de la frontière déchiquetée.

Le ralentissement que personne n'avait prédit

Puis, en juillet 2025, METR a publié l'étude que tout le monde cite désormais. Seize développeurs open source expérimentés ont travaillé sur 246 vraies tâches dans leurs propres bases de code, vastes et matures — pas des exercices synthétiques — avec l'IA autorisée ou interdite par tirage au sort. IA autorisée, ils étaient 19 % plus lents.

Le détail qui compte le plus pour les éducateurs : les développeurs prédisaient que l'IA les accélérerait de 24 %, et après coup, croyaient encore qu'elle les avait accélérés de 20 %. L'écart entre productivité perçue et mesurée était de 39 points. Le temps gagné à générer était mangé, et au-delà, par le prompting, l'attente, la revue de suggestions plausibles mais fausses et la réparation de leurs dégâts — un effort qui pèse moins subjectivement qu'écrire du code, et passe donc inaperçu.

L'étude ne dit pas que l'IA ralentit tout le monde. Elle dit que pour des experts travaillant au cœur d'un contexte qu'ils connaissent intimement, les outils de début 2025 coûtaient plus qu'ils ne rapportaient — et que les utilisateurs ne pouvaient pas le sentir.

Réconcilier les résultats

Mettez les études côte à côte et le motif est cohérent. L'assistance IA paie le plus quand la tâche est dans la frontière du modèle, quand l'avantage d'expertise de l'utilisateur est faible, et quand le contexte nécessaire au modèle est assez petit pour être transmis. Elle paie le moins — ou devient négative — quand l'humain est déjà expert, quand la tâche est enchevêtrée dans un vaste contexte implicite, et quand vérifier la sortie coûte plus que faire le travail.

Ce cadre prédit à la fois les gains en écriture, les gains de code concentrés sur les juniors, les résultats des consultants et le ralentissement METR. Il donne aussi la règle pratique : la question n'est jamais "l'IA rend-elle productif" mais "cette tâche, pour cette personne, est-elle dans la zone de gain" — un jugement, tâche par tâche, par la personne qui fait le travail.

L'implication pour la formation

L'écart de perception de METR est la leçon la plus profonde. Si des professionnels expérimentés ne peuvent pas sentir un ralentissement de 19 % — si l'expérience subjective rapporte une accélération quand le chronomètre rapporte l'inverse — alors l'auto-évaluation n'est pas un guide fiable de son propre usage de l'IA, et les sondages d'enthousiasme ne sont pas un guide fiable pour les organisations.

Il en découle : mesurer là où ça compte, avec des avant-après au niveau de la tâche quand c'est possible, plutôt que des sondages de ressenti. Et former le jugement, pas seulement l'outil — les gens qui se sont exercés à décider quand l'IA aide, sur des tâches à réponse connue, développent la calibration qui manquait aux développeurs de METR. La productivité avec l'IA se révèle être une compétence de choix, pas seulement d'usage. Les organisations qui la traitent ainsi sont celles qui encaissent réellement les gains que la recherche annonce.