En bref. La plupart des formations à l’IA consistent encore à apprendre des outils : quel modèle, quel prompt, quelle fonctionnalité. La recherche pointe ailleurs. Dans une expérience de terrain menée auprès de 758 consultants du Boston Consulting Group, GPT-4 a augmenté de 12,2 % le nombre de missions réalisées et de plus de 40 % leur qualité sur les missions que le modèle maîtrisait bien, mais sur une mission située juste au-delà de ses capacités, les consultants qui l’utilisaient avaient 19 points de pourcentage de probabilité en moins d’aboutir à la bonne réponse. Dans une étude randomisée portant sur des développeurs open source expérimentés, l’accès à l’IA a allongé la durée des travaux de 19 %, alors que les développeurs pensaient qu’elle les avait rendus 20 % plus rapides. Dans l’enquête de McKinsey sur l’adoption de l’IA, la refonte des workflows est, parmi les 25 attributs testés, celui qui est le plus associé à un impact sur les résultats financiers. Le fil conducteur : le résultat dépend moins de l’outil que des décisions prises autour de lui. Quelles missions confier au modèle, où un humain vérifie, ce qui est réutilisé. C’est une compétence à part entière, et elle s’apprend. Ce guide présente les données et vous propose un canevas en six volets pour concevoir vos propres workflows IA.
Quelle est la différence entre une compétence et un workflow ?
Une compétence outil, c’est savoir faire fonctionner quelque chose : rédiger un bon prompt, utiliser une fonctionnalité, choisir un modèle. Un workflow, c’est la séquence d’étapes qui transforme une entrée en résultat, y compris qui (ou quoi) réalise chaque étape, dans quel ordre, et où le résultat est vérifié.
Les compétences outil sont nécessaires, mais elles se déprécient vite. Le modèle que vous maîtrisiez l’an dernier a été remplacé, et les astuces de prompt qui fonctionnaient avec lui ne se transposent pas forcément. La conception de workflows relève davantage d’une capacité managériale : elle se transpose d’un outil à l’autre, car elle porte sur la répartition du travail, et non sur le bouton sur lequel on appuie. Dans notre cadre de décision pour savoir quels outils d’IA valent la peine d’être appris en profondeur, nous soutenions qu’il faut approfondir très peu d’outils. Cet article est l’autre moitié de cet argument : ce qu’il faut approfondir à la place.
Les données : même outil, résultats très différents
Les preuves les plus solides proviennent d’études où tout le monde avait accès à la même IA, et où le résultat variait pourtant fortement selon la manière dont le travail était structuré.
Tableau 1. Même IA, résultats différents : ce qu’ont montré les études contrôlées
| Étude | Qui et quoi | Résultat avec l’IA | Ce qui a fait la différence |
|---|---|---|---|
| Dell’Acqua et al. (2023), document de travail de la Harvard Business School | 758 consultants du BCG, GPT-4, missions de conseil réalistes | Dans le périmètre des capacités du modèle : 12,2 % de missions en plus, 25,1 % plus rapide, qualité supérieure de plus de 40 %. Hors de ce périmètre : 19 points de pourcentage de probabilité en moins d’avoir la bonne réponse | Le fait que la mission se situe à l’intérieur ou à l’extérieur de la « frontière irrégulière » de ce que le modèle fait bien |
| Becker et al. (2025), METR, arXiv | 16 développeurs open source expérimentés, 246 missions dans leurs propres dépôts | Les missions ont pris 19 % de temps en plus avec l’IA autorisée ; les développeurs prévoyaient une accélération de 24 % et pensaient ensuite en avoir obtenu une de 20 % | Des bases de code matures et familières, avec des exigences de qualité élevées, où vérifier et corriger les productions de l’IA coûtait plus que cela ne faisait gagner |
| Brynjolfsson, Li et Raymond (2023), document de travail du NBER | 5 179 agents du support client, assistant IA | 14 % de demandes résolues en plus par heure en moyenne ; 34 % pour les débutants et les moins qualifiés ; impact minime pour les plus expérimentés | Qui l’utilisait : l’IA a diffusé les pratiques des meilleurs éléments auprès des nouveaux agents |
| Noy et Zhang (2023), Science | 453 professionnels, ChatGPT, missions de rédaction | Temps en baisse de 40 %, qualité en hausse de 18 % | La structure de la mission : le premier jet a rétréci, la relecture a pris plus de place |
| Dell’Acqua et al. (2025), document de travail du NBER | 776 professionnels de Procter & Gamble, développement de produits | Les individus équipés d’IA ont égalé la performance d’équipes sans IA | L’IA a pris en charge une partie de ce qu’apporte habituellement un coéquipier |
Deux détails de ces études comptent davantage que les chiffres phares.
Premièrement, les consultants qui avaient reçu, en plus de l’outil, une courte présentation du prompt engineering ont réalisé environ 93 % des missions, contre environ 91 % pour ceux qui n’avaient reçu que l’outil et environ 82 % pour le groupe témoin. La formation à l’outil a aidé, mais seulement à la marge. Les grands écarts venaient de la mission à laquelle l’outil était appliqué.
Deuxièmement, dans l’étude sur la rédaction, 68 % des participants équipés de ChatGPT ont remis sa première production sans la retoucher. Ce n’est pas l’outil qui en a décidé. C’est le workflow, ou plus précisément son absence.
Pourquoi les gains plafonnent à l’échelle de l’économie
Si l’IA accélère autant chaque mission prise isolément, pourquoi les gains mesurés sur l’ensemble des actifs sont-ils faibles ? Deux grandes études apportent une réponse cohérente.
Tableau 2. Gains de temps liés à l’IA à l’échelle du marché du travail (données vérifiées)
| Source | Périmètre | Constat |
|---|---|---|
| Bick, Blandin et Deming (2025), document de travail du NBER | Enquête représentative au niveau national aux États-Unis | Les utilisateurs économisent 5,4 % de leurs heures de travail ; rapporté à l’ensemble des actifs, cela représente 1,4 % du total des heures travaillées. Entre 1 % et 5 % de toutes les heures de travail sont assistées par l’IA générative |
| Humlum et Vestergaard (révision 2026), document de travail du NBER | 25 000 salariés dans 7 000 établissements danois, 11 professions exposées | Les utilisateurs économisent environ 3 % de leurs heures de travail ; les effets sur les revenus et les heures sont assez faibles pour exclure des variations supérieures à 2 % ; les employeurs « absorbent l’IA en réorganisant le contenu du travail » |
| McKinsey, The State of AI (mars 2025) | 1 491 répondants, monde | Sur 25 attributs testés, la refonte des workflows est celui qui a le plus d’effet sur la capacité à constater un impact de l’IA sur l’EBIT ; 21 % des organisations avaient fondamentalement repensé au moins certains workflows |
| McKinsey, The State of AI in 2025 (novembre 2025) | 1 993 répondants, monde | 55 % des organisations les plus performantes en IA avaient fondamentalement repensé des workflows individuels, contre 20 % des autres organisations |
| Microsoft Work Trend Index (avril 2025) | 31 000 salariés sur 31 marchés | 38 % des dirigeants s’attendent à ce que leurs équipes repensent les processus métier avec l’IA d’ici cinq ans |
La tendance est nette. Quand l’IA est plaquée sur un workflow existant, elle fait gagner quelques pour cent de temps, et ce temps part souvent dans d’autres activités : dans les données danoises, la plupart des utilisateurs déclarent réaffecter le temps gagné. Quand le workflow est repensé, les gains se voient dans les résultats. Une mise en garde sur les chiffres de McKinsey : il s’agit de corrélations issues d’enquêtes déclaratives, et le modèle des chercheurs n’explique qu’un cinquième de la variation de l’impact déclaré. La refonte est associée à l’impact, ce qui n’équivaut pas à une preuve qu’elle le provoque. Ce sont les études contrôlées du tableau 1 qui rendent ce sens de causalité plausible.
Ce que la conception de workflows implique concrètement
L’étude sur le conseil donne l’image la plus claire de ce que les utilisateurs aguerris de l’IA font différemment. Les chercheurs ont observé deux profils distincts parmi les utilisateurs performants :
- Les centaures répartissaient le travail, en « répartissant et en déléguant leurs activités de construction de solutions à l’IA ou à eux-mêmes ». Ils maintenaient une frontière claire entre les missions humaines et celles de la machine.
- Les cyborgs s’intégraient complètement, en « intégrant entièrement leur enchaînement de travail avec l’IA et en interagissant en continu avec la technologie ».
Les auteurs présentent cela comme une analyse préliminaire, et ils n’ont pas testé quel profil est le plus performant. La leçon n’est pas « soyez un centaure » ou « soyez un cyborg ». C’est que les utilisateurs performants ont fait un choix délibéré sur la répartition du travail, plutôt que de demander à l’outil de tout faire ou rien.
Les données 2025 de McKinsey pointent vers la même compétence au niveau de l’organisation : l’une des pratiques qui distinguaient le plus les organisations les plus performantes était de disposer de processus définis précisant quand et comment les productions des modèles doivent être validées par un humain. C’est une décision de workflow, pas une fonctionnalité d’outil. Nous l’abordons en détail dans la supervision humaine par conception.
Le canevas de conception de workflow
Le canevas ci-dessous traduit la recherche en six décisions de conception applicables à n’importe quel travail récurrent. Il s’agit d’un cadre éditorial de CEOtudent, et non du résultat d’une étude unique ; chaque élément est relié aux données qui le justifient.
Tableau 3. Le canevas de conception de workflow : six décisions (cadre éditorial CEOtudent)
| # | Décision | Question à trancher | Pourquoi c’est important (données) |
|---|---|---|---|
| 1 | Décomposer | Quelles étapes distinctes ce travail comporte-t-il ? | Les gains dépendent de la mission ; dans l’étude sur la rédaction, le temps de premier jet a baissé tandis que la relecture a augmenté (Noy et Zhang) |
| 2 | Cartographier la frontière | Pour chaque étape, le modèle est-il fiable, peu fiable ou non testé ? | Dans la frontière, de gros gains ; au-delà, 19 points de bonnes réponses en moins (Dell’Acqua 2023) |
| 3 | Choisir le passage de relais | Répartir le travail (centaure) ou l’entremêler en continu (cyborg) ? | Les deux profils sont apparus parmi les utilisateurs performants (Dell’Acqua 2023) |
| 4 | Placer les points de contrôle | Où un humain vérifie-t-il, et selon quel standard ? | Des processus de validation définis distinguent les organisations les plus performantes en IA (McKinsey 2025) |
| 5 | Mesurer honnêtement | Comment saurez-vous que c’est réellement plus rapide ou meilleur ? | Les développeurs se sentaient 20 % plus rapides tout en étant 19 % plus lents (METR 2025) |
| 6 | Capitaliser et réutiliser | Quel prompt, quel modèle de document ou quelle checklist conserver pour la prochaine fois ? | De petites économies individuelles ne se cumulent que lorsqu’elles sont intégrées au processus (Humlum et Vestergaard) |
Un exemple concret : une note de veille hebdomadaire
Supposons que vous rédigiez chaque semaine, pour votre équipe, une note d’une page sur les évolutions de votre marché.
- Décomposer. Collecter les sources, extraire les faits clés, vérifier les faits, interpréter ce qu’ils signifient pour l’équipe, rédiger, relire.
- Cartographier la frontière. Résumer de longs documents se situe bien à l’intérieur des capacités des modèles actuels. Juger de ce qui compte pour votre équipe en particulier se situe à l’extérieur. L’exactitude factuelle des résumés est peu fiable, elle doit donc être vérifiée.
- Choisir le passage de relais. Façon centaure : le modèle résume chaque source ; vous choisissez les trois évolutions qui comptent et rédigez l’interprétation.
- Placer les points de contrôle. Chaque chiffre de la version finale est vérifié par rapport à sa source avant l’envoi. C’est non négociable, car un chiffre erroné coûte plus de confiance que le temps gagné.
- Mesurer honnêtement. Notez le temps réellement passé pendant quatre semaines avant et quatre semaines après. Demandez à deux lecteurs si la note est devenue plus utile.
- Capitaliser et réutiliser. Enregistrez le prompt de résumé et la checklist de vérification des faits dans un même document que vous ouvrez chaque semaine.
Remarquez que seule l’étape 2 exigeait de connaître quoi que ce soit de l’outil. Les cinq autres portent sur le travail.
Compétence outil ou compétence workflow : que développer ?
Tableau 4. Où investir votre temps d’apprentissage (cadre éditorial CEOtudent)
| Compétence outil | Compétence workflow | |
|---|---|---|
| Ce que c’est | Bien utiliser un modèle ou une application spécifique | Décider comment le travail se répartit entre vous, l’IA et les autres |
| Durée de vie | Courte : les outils et les interfaces changent tous les quelques mois | Longue : se transpose aux nouveaux outils |
| Comment l’apprendre | Tutoriels, documentation, pratique de l’outil | Cartographier son propre travail, expérimenter, mesurer les résultats |
| Preuve du bénéfice | Faible dans l’étude sur le conseil (environ 93 % contre 91 % de missions réalisées avec la formation) | Importante : l’écart entre les résultats à l’intérieur et à l’extérieur de la frontière |
| Signal envoyé aux employeurs | « Je connais l’outil X » | « J’ai repensé le processus Y et il prend désormais Z » |
Ce n’est pas un argument contre l’apprentissage des outils. Vous ne pouvez pas cartographier la frontière (décision 2) sans expérience pratique. C’est un argument de proportion. Une heure passée à repenser un workflow récurrent vous en apprend généralement davantage sur l’outil qu’une heure de tutoriels, car elle vous oblige à trouver où l’outil échoue.
Le CEO et l’étudiant dans la conception de workflows
Le côté CEO de CEOtudent, c’est la responsabilité du résultat. Un CEO ne se demande pas si un nouveau système est impressionnant ; il se demande s’il change la production, le coût ou le risque. Considérer votre propre travail comme un ensemble de processus que vous avez la charge de repenser, c’est le même geste à l’échelle personnelle. C’est aussi ce que les employeurs récompensent de plus en plus : dans notre analyse des nouveaux intitulés de postes de 2026, les rôles qui progressent le plus vite sont définis par les résultats que l’IA aide à produire, et non par les outils.
Le côté étudiant, c’est l’habitude d’expérimenter. La conception de workflows n’est pas un plan ponctuel mais une boucle : concevoir, exécuter, mesurer, ajuster. Les développeurs de l’étude METR sont ici un avertissement. Leur impression d’être plus rapides était erronée, avec assurance. La seule protection, c’est la mesure. Si vous voulez un point de départ structuré, l’audit de workflow vous guide pour cartographier et évaluer votre travail actuel, et le workflow IA en cinq couches montre comment les pièces s’assemblent dans une journée de travail. Pour aborder un nouveau domaine de la même manière, consultez comment construire un programme d’apprentissage personnel avec l’IA.
Questions fréquentes
Le prompt engineering vaut-il encore la peine d’être appris ?
En partie, oui. Dans l’étude sur le conseil, une courte présentation du prompt engineering a légèrement amélioré les résultats. Mais ces gains étaient faibles comparés à l’écart entre les missions situées à l’intérieur et à l’extérieur des capacités du modèle. Apprenez-en assez pour tester le modèle sur vos propres missions, puis investissez le reste dans la conception de workflows.
Qu’est-ce que la « frontière irrégulière » ?
C’est le terme employé par les chercheurs pour désigner la limite inégale de ce que l’IA fait bien. Des missions qui semblent d’égale difficulté pour un humain peuvent se trouver de part et d’autre de cette limite. Le seul moyen fiable de la situer pour votre travail est de tester le modèle sur vos missions réelles et de vérifier les résultats.
Pourquoi les développeurs ont-ils été plus lents avec l’IA ?
Les chercheurs de METR ont étudié des développeurs expérimentés travaillant sur de grands projets matures qu’ils connaissaient bien, avec des exigences de qualité élevées. Dans ce contexte, relire et corriger les productions de l’IA prenait plus de temps que cela n’en faisait gagner. Le résultat est propre à ce contexte, mais la leçon selon laquelle se sentir plus rapide n’équivaut pas à être plus rapide vaut partout.
Comment commencer à concevoir mes propres workflows IA ?
Choisissez une mission récurrente qui vous prend au moins une heure par semaine. Passez en revue les six décisions du canevas, mesurez le temps avant et après pendant quatre semaines, et conservez la version qui est réellement meilleure.
Dois-je savoir coder ?
Non. L’essentiel du canevas porte sur la répartition et la vérification du travail. Les outils d’automatisation peuvent aider plus tard, mais les décisions de conception passent en premier.
Sources
- Dell’Acqua, F., McFowland III, E., Mollick, E., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F., Lakhani, K. R. (2023). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality. Harvard Business School Working Paper 24-013.
- Becker, J., Rush, N., Barnes, E., Rein, D. (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. METR, arXiv:2507.09089.
- Brynjolfsson, E., Li, D., Raymond, L. R. (2023). Generative AI at Work. NBER Working Paper 31161.
- Noy, S., Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187-192.
- Dell’Acqua, F. et al. (2025). The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise. NBER Working Paper 33641.
- Bick, A., Blandin, A., Deming, D. J. (2025). The Rapid Adoption of Generative AI. NBER Working Paper 32966.
- Humlum, A., Vestergaard, E. (2026). Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI. NBER Working Paper 33777 (révisé en mars 2026).
- McKinsey & Company (2025). The state of AI: How organizations are rewiring to capture value (mars 2025) ; The state of AI in 2025: Agents, innovation, and transformation (novembre 2025).
- Microsoft (2025). 2025 Work Trend Index: The Year the Frontier Firm Is Born. 23 avril 2025.
Ce contenu a été compilé avec le soutien de l’IA à la suite d’une recherche approfondie, puis rédigé et préparé pour publication par l’équipe éditoriale de CEOtudent.
This post is also available in:
