Que nous coûte ce que l'IA nous fait gagner ?
Après une phase de découverte et d'expérimentation, les débats sur l'IA ont rapidement mis en évidence certains risques aujourd'hui bien identifiés : hallucinations, biais, erreurs.
L’essayer, c’est l’adopter : 73 % des salariés interrogés[1] déclarent utiliser l’IA générative au travail. Mieux encore : 75 % disent gagner en rapidité et 70 % estiment produire un travail de meilleure qualité.
Mais derrière ces perceptions favorables, une question demeure : lorsque chacun produit plus vite et pense produire mieux, qu’en retire réellement l’organisation ?
L’IA tient ses promesses, et c’est précisément le sujet
En effet, à mesure que les modèles d’IA progressent, leurs réponses deviennent plus cohérentes, plus fluides, plus convaincantes. Le problème est précisément qu’une réponse de meilleure facture est aussi plus difficile à contester, y compris lorsqu’elle repose sur un raisonnement fragile.
Ainsi, une note peut être mieux écrite et mieux structurée sans être plus juste, une recommandation plus convaincante sans être plus solide. L’IA peut dès lors renforcer le sentiment de maîtrise sans que le raisonnement ait progressé. Le risque n’est donc pas seulement que l’IA "hallucine", mais qu’elle nous donne trop vite raison. À mesure que produire devient plus facile, distinguer ce qui est réellement pertinent de ce qui en a seulement l’apparence devient plus exigeant.
C’est là toute l’ambiguïté : une entreprise peut voir se multiplier les gains individuels sans qu’ils s’additionnent mécaniquement en performance collective. Ce qui est gagné au niveau de la production ne disparaît pas toujours du travail : une partie peut ricocher lorsqu’il faut apprécier la qualité du résultat, trancher entre plusieurs options ou en assumer les conséquences.
La dette managériale de l’IA
Cette tension apparaît déjà dans le travail des managers : dans notre Observatoire, 58 % déclarent devoir davantage challenger ou vérifier les productions réalisées avec l’aide de l’IA. Il ne s’agit pas simplement d’un surcroît de contrôle : une partie de l’effort économisé dans la production se retrouve dans l’évaluation, l’arbitrage, l’explication ou la responsabilité du résultat.
C’est ainsi que se constitue une dette managériale. L’entreprise ne pourra jamais définir à l’avance tous les bons usages de l’IA : les métiers sont trop différents, les situations trop nombreuses et les outils évoluent trop vite. Mais les questions qui ne sont pas mises en discussion finissent par retomber sur les managers : que peut-on déléguer ? Que faut-il vérifier ? Comment apprécier un travail réalisé avec l’IA ? Comment éviter que les écarts de maîtrise ne se creusent ?
Le manager risque alors de devenir le service après-vente de l’IA, chargé de résoudre au quotidien des questions que l’organisation n’a pas encore clarifiées.
Ne pas confondre la massification des usages avec le passage à l’échelle
C’est sans doute l’une des confusions les plus fréquentes aujourd’hui. Multiplier les licences, les utilisateurs ou les cas d’usage prouve que l’IA se diffuse ; cela ne prouve pas encore que l’entreprise en tire davantage de valeur.
Le passage à l’échelle est plus exigeant. Il commence lorsque les bénéfices perçus individuellement permettent aussi de mieux décider, de mieux coopérer, de mieux apprendre ou de mieux produire. Une entreprise peut donc avoir largement adopté l’IA sans avoir encore réussi son passage à l’échelle.
Le vrai critère n’est pas le nombre de personnes qui utilisent l’IA, mais ce que l’organisation est capable de faire mieux grâce à elle. La massification des usages est relativement facile à constater. La question beaucoup plus exigeante est celle-ci : qu’est-ce que notre organisation fait réellement mieux qu’avant ?
[1] Observatoire Greenworking x Ipsos bva sur les impacts de l’IA générative sur l’expérience collaborateur, 2026.