TL;DR. Les meilleures données contrôlées sur l’IA générative au travail montrent des gains réels mais modestes : des agents du support client ont résolu 15 % de demandes de plus par heure, des développeurs suivis dans trois expériences de terrain en entreprise ont accompli 26,08 % de tâches en plus, et des consultants du BCG ont terminé 12,2 % de tâches en plus sur un travail situé à l’intérieur de la « frontière » de l’IA. Sur une tâche située hors de cette frontière, les consultants qui utilisaient l’IA ont donné une réponse correcte dans 60 % et 70,6 % des cas, contre 84,5 % sans IA, et des développeurs open source expérimentés ont mis 19 % de temps en plus avec des outils d’IA. Exprimés en multiplicateurs de production, les effets mesurés vont de 0,84x à 2,26x sur la tâche étudiée, très loin de 10x. Le réflexe du CEO : augmenter les étapes de livraison dont le résultat est peu coûteux à vérifier, placer un contrôle humain nommé devant chaque étape où une erreur coûte cher, et sortir la tarification de la logique horaire avant que les heures ne diminuent. Le réflexe de l’étudiant : développer la compétence d’évaluation, car les gains sont les plus forts chez les moins expérimentés, c’est-à-dire chez ceux qui sont le moins armés pour repérer une erreur énoncée avec assurance.
Ce guide complète trois articles de CEOtudent : l’économie de la vente d’automatisations IA en agence d’une seule personne, le cadre de tarification des services productisés pour les offres à prix fixe, et la compétence d’évaluation pour juger les productions de l’IA. Les données d’adoption se trouvent dans le premier.
Pourquoi « 10x la production » est-il le mauvais chiffre pour planifier ?
La promesse selon laquelle l’IA permettrait à une seule personne de livrer ce qui en demandait autrefois dix circule largement dans le marketing des outils. Elle séduit l’entrepreneur solo parce qu’elle laisse entendre que la question du recrutement a disparu. Aucune étude contrôlée consultée pour cet article n’a mesuré quoi que ce soit d’approchant, et les études qui ont mesuré la production ont mis en évidence trois constats plus importants :
- Les gains sont réels, mais ils se mesurent en dizaines de pourcents, pas en multiples, dès que l’unité est le travail achevé et non un sprint unique sur une seule tâche.
- Les gains sont inégaux. Ils sont les plus élevés chez les travailleurs les moins expérimentés et les moins qualifiés, et les plus faibles, parfois légèrement négatifs sur la qualité, chez les plus expérimentés.
- Les gains peuvent devenir négatifs sur des tâches qui sortent de ce que le modèle fait bien, et les gens savent mal reconnaître de quel côté de cette ligne ils se trouvent.
Planifier sur la base de 10x conduit à sous-tarifer, à surcharger son agenda et à sous-contrôler. Planifier sur la fourchette mesurée permet tout de même d’augmenter sa capacité sans recruter, à condition que l’IA soit affectée aux bonnes étapes et que la tarification suive.
Que mesurent réellement les études contrôlées sur l’IA générative au travail ?
Le tableau recense les études au protocole le plus solide qui ont pu être consultées en texte intégral ou sous forme de résumé publié. Les chiffres sont ceux imprimés dans la version indiquée.
| Étude (version consultée) | Contexte et échantillon | Tâche | Effet mesuré, tel que publié | Qui a le plus gagné |
|---|---|---|---|---|
| Brynjolfsson, Li et Raymond, QJE 2025 (arXiv v2, novembre 2024) | Une entreprise de support client, 5 172 agents, déploiement échelonné | Support client par chat | Demandes résolues par heure en hausse de 15 % en moyenne | Les agents les moins expérimentés et les moins qualifiés (environ 30 %) ; les plus expérimentés ont connu de légères baisses de qualité |
| Noy et Zhang, Science 2023 | Expérience en ligne, 453 professionnels diplômés du supérieur | Tâches de rédaction propres à chaque métier | Temps moyen en baisse de 40 % ; qualité du résultat en hausse de 18 % | Les travailleurs les moins performants en ont davantage profité (document de travail) |
| Peng et al., 2023 (arXiv) | 95 programmeurs professionnels recrutés via Upwork | Implémenter un serveur HTTP en JavaScript | Tâche accomplie 55,8 % plus vite (intervalle de confiance à 95 % : 21-89 %) | Les programmeurs moins expérimentés et plus âgés |
| Cui, Demirer et al., Management Science 2026 | Expériences de terrain chez Microsoft, Accenture et une entreprise du Fortune 100 ; 4 867 développeurs | Travail logiciel courant avec un assistant de complétion de code | Tâches accomplies en hausse de 26,08 % (erreur type 10,3 %) | Les développeurs moins expérimentés ; les recrues récentes et les postes plus juniors |
| Dell’Acqua et al., Organization Science 2026 | 758 consultants du BCG | 18 tâches de conseil réalistes à l’intérieur de la frontière | 12,2 % de tâches en plus, accomplies 25,1 % plus vite, avec une qualité nettement supérieure | Les participants de la moitié inférieure en compétences ont le plus gagné ; la moitié supérieure a aussi progressé |
| Même étude | Idem | Une tâche complexe choisie pour se situer hors de la frontière | Réponses correctes : 84,5 % sans IA contre 60 % et 70,6 % dans les deux groupes avec IA | Aucun groupe : les utilisateurs de l’IA ont fait moins bien |
| Dell’Acqua et al., « The Cybernetic Teammate », NBER WP 33641 (2025) | 776 professionnels de Procter and Gamble (791 dans la version publiée) | De vrais défis d’innovation produit, seuls ou en binôme | Les individus avec IA ont égalé la performance des équipes sans IA ; 16,4 % de temps en moins ; qualité en hausse de 0,37 écart type | Les individus travaillant seuls, qui ont atteint une qualité de niveau équipe |
| Becker et al. (METR), 2025 | 16 développeurs open source expérimentés, 246 tâches dans des dépôts matures | De vrais tickets dans des projets qu’ils maintiennent déjà | Tâches 19 % plus longues lorsque l’IA était autorisée (intervalle de confiance de +2 % à +39 %) | Aucun groupe en moyenne ; les développeurs avaient prévu une réduction du temps de 24 % |
Sources : éléments 1 et 3-9 de la liste des sources, dans les versions qui y sont indiquées.
Deux mises en garde. D’abord, les chiffres phares varient d’une version à l’autre. Le document de travail NBER de 2023 sur l’étude du support indiquait 14 % en moyenne et 34 % pour les travailleurs novices et peu qualifiés ; la version correspondant à l’article publié indique 15 % et environ 30 %, chiffres retenus dans le tableau. L’étude P&G est passée de 776 à 791 participants entre les versions ; ses chiffres de temps et de qualité proviennent du document de travail, car le texte intégral publié n’était pas accessible.
Ensuite, les unités diffèrent. Une réduction du temps de 55,8 % sur une tâche de programmation standardisée et une hausse de 26,08 % des tâches accomplies chaque semaine par des milliers de développeurs sont des preuves de nature différente, et la seconde est plus proche de ce que vend une entreprise de services.
À quoi ressemblent ces effets exprimés en multiplicateurs de production ?
Pour comparer les études à la promesse des 10x, chaque effet est converti en multiplicateur de production pour la tâche étudiée : un gain de 15 % devient 1,15x, et une réduction du temps de r devient 1 divisé par (1 moins r).
| Étude | Effet mesuré | Multiplicateur de production sur cette tâche | 10x est ce nombre de fois plus grand |
|---|---|---|---|
| Brynjolfsson et al., tous les agents | +15 % de résolutions par heure | 1,15x | 8,7 |
| Brynjolfsson et al., agents les moins qualifiés | environ +30 % | 1,30x | 7,7 |
| Cui et al. | +26,08 % de tâches accomplies | 1,26x | 7,9 |
| Dell’Acqua et al., à l’intérieur de la frontière | +12,2 % de tâches accomplies | 1,12x | 8,9 |
| Dell’Acqua et al., document de travail P&G | 16,4 % de temps en moins | 1,20x | 8,4 |
| Noy et Zhang | 40 % de temps en moins | 1,67x | 6,0 |
| Peng et al. | 160,89 contre 71,17 minutes | 2,26x | 4,4 |
| Becker et al. (METR) | 19 % de temps en plus | 0,84x | 11,9 |
Analyse CEOtudent du tableau précédent. Les multiplicateurs décrivent la tâche mesurée, ne s’additionnent pas et ne décrivent pas un métier entier.
Le multiplicateur le plus élevé, 2,26x, provient d’une seule tâche de programmation bien définie, réalisée le plus vite possible. Les deux études de terrain qui comptabilisent du travail réel sur plusieurs mois, dans le support client et le logiciel, se situent entre 1,15x et 1,30x.
Pourquoi une tâche plus rapide ne fait-elle pas une entreprise 10x ?
Une forte accélération sur une étape a un plafond, car le reste du projet ne s’accélère pas. Si une part s des heures du projet va k fois plus vite, l’ensemble du projet va 1 divisé par ((1 moins s) plus s divisé par k) fois plus vite.
| Part des heures du projet augmentée | Multiplicateur global si cette part va 2,26x plus vite | Multiplicateur global si cette part ne prenait plus aucun temps |
|---|---|---|
| 25 % | 1,16x | 1,33x |
| 40 % | 1,29x | 1,67x |
| 50 % | 1,39x | 2,0x |
| 75 % | 1,72x | 4,0x |
Analyse CEOtudent ; 2,26x est le multiplicateur le plus élevé du tableau précédent.
Pour qu’un service entier aille 10x plus vite, au moins 90 % de ses heures devraient disparaître. Avec une accélération de 20x sur la part augmentée, il faudrait 94,7 % ; à 2,26x, atteindre 10x est arithmétiquement impossible. La livraison conserve toujours des heures qui se compressent à peine : le cadrage, les décisions du client, la relecture, les révisions et le travail relationnel.
Les données à l’échelle de la population vont dans le même sens. Des enquêtes représentatives au niveau national aux États-Unis, menées par Bick, Blandin et Deming, ont établi qu’entre 1 et 5 % de l’ensemble des heures de travail sont assistées par l’IA générative, avec des gains de temps déclarés équivalant à 1,4 % du total des heures travaillées. Au Danemark, Humlum et Vestergaard ont relié des enquêtes sur l’adoption à des données administratives et estimé des effets nuls précis sur les revenus et les heures enregistrées, excluant des effets supérieurs à 2 % deux ans après le lancement de ChatGPT ; 85 % des utilisateurs de chatbots déclarent réaffecter le temps gagné à d’autres tâches. Le temps gagné n’est pas automatiquement de la production vendue.
L’auto-évaluation ne remplace pas la mesure. Dans l’essai METR, les développeurs prévoyaient que l’IA réduirait le temps de réalisation de 24 %, ont estimé après coup qu’elle l’avait réduit de 20 %, et ont en réalité été ralentis de 19 %. L’expérience de suivi de METR, lancée en août 2025, fournit un signal peu fiable, car les développeurs refusaient de plus en plus de travailler sans IA ; METR estime que les développeurs sont probablement davantage accélérés début 2026, mais qualifie ses données de « preuve seulement très faible » de l’ampleur du changement. Le résultat du ralentissement est daté ; l’accélération intervenue depuis n’est pas encore bien mesurée.
Qu’arrive-t-il à la demande de services freelance ?
La productivité n’est que la moitié du tableau ; l’autre moitié, c’est ce que les clients achètent une fois qu’ils disposent des mêmes outils. Deux études portant sur de grandes plateformes de freelance s’y sont intéressées.
- Hui, Reshef et Zhou ont constaté qu’après la sortie de ChatGPT, les freelances des métiers les plus touchés ont subi une baisse de 2 % du nombre de missions mensuelles et de 5,2 % des revenus mensuels, par rapport aux métiers moins touchés. Un service de grande qualité, mesuré par les performances passées, ne les a pas protégés, et les meilleurs freelances ont été, à titre indicatif, touchés de manière disproportionnée.
- Demirci, Hannane et Zhu ont relevé une baisse de 21 % des offres de missions de rédaction et de programmation exposées à l’automatisation, par rapport aux missions à forte composante manuelle, dans les huit mois suivant l’introduction de ChatGPT, ainsi qu’une baisse de 17 % des offres de création d’images après l’arrivée des générateurs d’images. Les missions restantes étaient plus complexes et mieux payées, tandis que la concurrence entre freelances s’intensifiait.
La couche de premier jet routinier de nombreux services est la partie que les clients peuvent désormais faire eux-mêmes ; elle se négocie donc à la baisse, et la demande restante se concentre sur la complexité, le jugement et la responsabilité. Augmenter la livraison n’est pas facultatif, mais vendre le temps économisé grâce à l’IA à l’ancien taux horaire n’est pas une stratégie. L’Échelle du levier décrit le mouvement plus long qui mène de la vente de temps à la vente de résultats ; ce guide couvre le volet livraison de ce mouvement.
Quelles étapes de livraison une entreprise de services doit-elle augmenter, et où se situe le contrôle humain ?
La carte applique une règle tirée des preuves : augmenter là où le résultat est peu coûteux à vérifier, et conserver une décision humaine partout où une erreur est coûteuse et difficile à voir. Le test général des enjeux et de la réversibilité figure dans Augmenter, pas automatiser ; ce tableau l’applique à la livraison client.
| Étape de livraison | Rôle par défaut de l’IA | Reste humain | Contrôle qualité avant l’étape suivante | Preuves qui orientent le choix |
|---|---|---|---|---|
| 1. Réception et cadrage | Résumer le brief, lister les questions ouvertes, rédiger une ébauche de périmètre | Décider du périmètre, des exclusions et du prix | Le client valide un périmètre écrit ; les exclusions sont nommées | La tâche où les utilisateurs de l’IA ont fait moins bien était un jugement managérial complexe |
| 2. Recherche et exploration | Collecter, résumer et comparer la documentation | Choisir les sources et juger de leur pertinence | Chaque fait utilisé renvoie à une source qu’une personne a ouverte | Les gains de vitesse et de qualité à l’intérieur de la frontière sont bien documentés |
| 3. Premier jet ou réalisation | Générer des brouillons, du code, des maquettes et des variantes | Fixer la structure et le niveau d’exigence pour la validation | Brouillon vérifié au regard d’une liste de critères d’acceptation écrite | Les plus grands gains de temps mesurés se situent ici (études sur la rédaction et la programmation) |
| 4. Analyse et recommandation | Proposer des options, argumenter contre le brouillon, tester les hypothèses | Formuler la recommandation et l’assumer | Une personne rédige le raisonnement avec ses propres mots ; tout chiffre est recoupé avec une seconde source | Sur la tâche hors frontière, les réponses correctes sont passées de 84,5 % à 60 % et 70,6 % |
| 5. Relecture et assurance qualité | Dérouler des listes de contrôle, des vérifications de cohérence et des cas de test | Accepter ou refuser le livrable | Relecture ligne à ligne d’un échantillon ; chaque erreur détectée est consignée dans un journal | Les agents de support les plus expérimentés ont connu de légères baisses de qualité avec l’IA |
| 6. Communication avec le client | Rédiger des points d’avancement, des ordres du jour et des comptes rendus de réunion | Relation, mauvaises nouvelles, négociation | Rien ne parvient au client sans avoir été lu | Aucune des études ci-dessus n’a mesuré cette étape ; la considérer comme humaine par défaut |
| 7. Passation et capitalisation des connaissances | Rédiger la documentation et des procédures réutilisables | Décider de ce qui devient un standard | La procédure est testée sur le projet suivant | L’assistance de l’IA a facilité l’apprentissage des travailleurs dans l’étude sur le support |
Cadre éditorial CEOtudent. La colonne des preuves cite les études du premier tableau ; les limites des étapes et les contrôles relèvent du jugement éditorial, non de résultats de recherche.
Trois règles de fonctionnement découlent de cette carte :
- Les contrôles sont nommés, pas sous-entendus. Chaque étape a besoin d’une personne et d’une condition de passage. La manière de briefer l’IA à chaque étape est traitée dans le guide du manager de l’IA.
- L’étape du premier jet est le plus grand levier et le plus grand piège. C’est là que les gains de temps sont les plus importants, et son résultat a l’air terminé avant même d’avoir été vérifié.
- Le temps de relecture augmente, il ne diminue pas. Un plan qui réduit à la fois le temps de rédaction et celui de relecture prévoit de livrer du travail non vérifié.
Comment fixer ses prix quand les heures diminuent ?
Chaque donnée ci-dessous est une hypothèse illustrative choisie pour montrer le mécanisme, pas une référence. Remplacez chacune par vos propres relevés de temps.
- Taux : 100 $ de l’heure (hypothèse illustrative).
- Un projet prend 20 heures : cadrage 2, recherche 4, rédaction ou réalisation 8, relecture et révision 4, communication avec le client 2 (hypothèse illustrative).
- Avec l’IA, la recherche prend 30 % de temps en moins et la rédaction 40 % de moins, et la relecture gagne 1 heure supplémentaire de vérification (hypothèses illustratives).
- Les outils d’IA coûtent 200 $ par mois ; l’entreprise vend 5 projets par mois et dispose de 100 heures de livraison (hypothèses illustratives).
Un projet passe alors de 20,0 à 16,6 heures, soit une économie de 3,4 heures ou 17,0 % : un multiplicateur de capacité d’environ 1,2x, de quoi caser un projet de plus par mois, pas dix. Même si la rédaction, qui représentait 40 % des heures initiales, ne prenait plus aucun temps, le plafond serait de 1,67x.
| Scénario (toutes les données sont des hypothèses illustratives) | Heures par projet | Prix par projet | Projets par mois | Chiffre d’affaires mensuel net après coût des outils | Chiffre d’affaires net par heure de livraison | Heures de livraison restantes sur 100 |
|---|---|---|---|---|---|---|
| A. Facturation horaire, sans IA | 20,0 | 2 000 $ | 5 | 10 000 $ | 100,00 $ | 0,0 |
| B. Facturation horaire, avec IA, même taux | 16,6 | 1 660 $ | 5 | 8 100 $ | 97,59 $ | 17,0 |
| C. Prix fixe maintenu à l’ancien niveau | 16,6 | 2 000 $ | 5 | 9 800 $ | 118,07 $ | 17,0 |
| D. Prix fixe réduit de 10 % pour partager le gain | 16,6 | 1 800 $ | 5 | 8 800 $ | 106,02 $ | 17,0 |
| E. Ancien prix fixe, heures libérées vendues sous forme d’un sixième projet | 16,6 | 2 000 $ | 6 | 11 800 $ | 118,47 $ | 0,4 |
Analyse CEOtudent ; calculs dans calc.py.
Ce que montre le tableau :
- La facturation horaire donne le gain au client et vous laisse le coût des outils. Le scénario B rapporte 1 900 $ de moins par mois que le scénario A pour les mêmes cinq projets. C’est la raison de passer à un prix fixe avant d’augmenter la livraison ; le cadre de tarification des services productisés cité plus haut et la formule détaillée de prix fondé sur la valeur expliquent comment faire.
- Un prix fixe ne conserve le gain que si le périmètre tient. Le scénario C porte le chiffre d’affaires net par heure de livraison à 118,07 $ ; les tours de révision non facturés grignotent ce gain en premier, comme le montre l’économie de la dérive du périmètre.
- Vendre les heures libérées suppose une demande. Le scénario E ajoute 1 800 $ par mois, soit 18,0 % de plus que A, uniquement si un sixième client existe. Au vu des données des plateformes, ce projet a plus de chances d’être un travail complexe qu’une rédaction de routine.
- Partager une partie du gain peut être un choix délibéré. Le scénario D reste supérieur à A par heure, et une baisse modeste peut permettre de décrocher le sixième projet. Consignez le coût des outils et le taux effectif dans le modèle de compte de résultat pour entreprise d’une seule personne.
La grille de préparation à l’augmentation
Utilisez-la avant d’ajouter l’IA à une étape de livraison, quelle qu’elle soit. Notez chaque question 0 (non), 1 (en partie) ou 2 (oui).
| # | Question | Pourquoi c’est important |
|---|---|---|
| 1 | Un résultat erroné peut-il être détecté en quelques minutes à l’aide d’une liste de contrôle écrite ? | C’est une vérification peu coûteuse qui rend l’augmentation rentable |
| 2 | Une erreur non détectée à cette étape est-elle peu coûteuse et réversible pour le client ? | Les erreurs coûteuses et cachées exigent une décision humaine |
| 3 | L’outil a-t-il été testé sur plusieurs exemples passés de cette tâche dont les bonnes réponses sont connues ? | La frontière est irrégulière ; seuls les tests montrent où elle passe |
| 4 | Pourriez-vous bien réaliser cette étape sans IA ? | Évaluer un résultat exige la compétence que ce résultat remplace |
| 5 | L’étape représente-t-elle une part significative des heures du projet ? | De petites étapes ne peuvent pas faire beaucoup bouger la capacité totale |
| 6 | Le travail est-il facturé au livrable plutôt qu’à l’heure ? | Sinon, le temps gagné est du chiffre d’affaires perdu |
| 7 | Le contrat client autorise-t-il l’usage d’outils d’IA sur les documents du client ? | Les clauses de confidentialité passent avant l’efficacité |
| 8 | Chaque erreur détectée sera-t-elle consignée et examinée chaque mois ? | Le journal transforme la relecture en un meilleur processus |
Comment lire le total (cadre éditorial CEOtudent ; les tranches sont des points de départ, pas des seuils issus de la recherche) :
- 13-16 : augmenter maintenant, avec le contrôle prévu par la carte des étapes.
- 8-12 : tester d’abord sur du travail interne ou à faible enjeu, et corriger les questions les moins bien notées.
- 0-7 : garder l’étape humaine pour l’instant, et refaire la notation dans un trimestre.
Un 0 à la question 4 ou 7 l’emporte sur le total : sans la compétence pour juger le résultat, ou sans l’autorisation d’utiliser l’outil, l’étape reste humaine.
Quelle est la compétence d’étudiant qui rend l’augmentation sûre ?
Le schéma est constant : les moins expérimentés gagnent le plus, et ceux qui se fient à leur propre impression de la façon dont les choses se sont passées jugent le plus mal l’IA. Les développeurs de l’étude METR pensaient avoir été accélérés alors qu’ils avaient été ralentis. Les consultants du BCG ont produit, sur la tâche hors frontière, de moins bonnes réponses avec l’IA que sans elle. L’étude P&G publiée conclut que l’IA améliore surtout la qualité des idées générées, tandis que le jugement humain conserve sa valeur dans la sélection évaluative.
Cela fait de l’évaluation la compétence qui protège l’entreprise : savoir à quoi ressemble une bonne réponse avant de lire celle de l’IA, vérifier les chiffres auprès des sources primaires et remarquer quand une tâche est sortie de la frontière. Le guide sur l’évaluation cité plus haut explique comment la développer. Trois habitudes permettent de l’entretenir :
- Tenir un journal des erreurs par étape : ce que l’IA a mal fait, comment l’erreur a été détectée, combien de temps la vérification a pris. Au bout d’un mois, il montre quelles étapes se situent à l’intérieur de la frontière pour votre travail.
- Chronométrer un échantillon de tâches avec et sans IA pendant quelques semaines. Dans l’essai METR, l’accélération ressentie et l’accélération mesurée allaient dans des directions opposées.
- Traiter chaque mois la décision la plus difficile d’abord sans IA, puis comparer. Cela préserve la compétence dont dépend le contrôle de relecture.
Ce que cela ne signifie pas
- Cela ne signifie pas que les gains sont insignifiants. Une hausse de 26,08 % des tâches accomplies, maintenue pendant un an, est considérable pour une entreprise d’une seule personne ; c’est un pourcentage, pas un multiple.
- Cela ne signifie pas que le ralentissement de 2025 vaut toujours. METR estime que les développeurs sont probablement plus rapides début 2026 ; une mesure fiable fait défaut.
- Cela ne signifie pas que recruter n’est jamais la réponse. L’étude P&G a constaté que l’IA peut remplacer certains apports d’un coéquipier, mais elle a mesuré un atelier virtuel de développement produit d’une journée, pas la responsabilité envers un client sur plusieurs mois.
- Cela ne signifie pas que chaque économie revient au client. La tarification est une décision ; le scénario D n’est qu’une option.
- Cela ne signifie pas que ces études décrivent votre service. Chacune porte sur une tâche, une génération d’outils et une population ; votre propre échantillon chronométré et votre journal des erreurs comptent le plus.
Questions fréquentes
L’IA peut-elle vraiment permettre à une seule personne de livrer 10x plus de travail client ?
Aucune étude consultée pour cet article ne l’a mesuré. Les effets mesurés se traduisent par 0,84x-2,26x sur les tâches étudiées, et les deux études de terrain menées sur plusieurs mois se situent à 1,15x-1,30x.
Quelle partie d’un projet de services gagne le plus avec l’IA ?
Les premiers jets et les tâches de réalisation bien définies : une réduction du temps de 40 % sur des tâches de rédaction professionnelle et une réalisation 55,8 % plus rapide d’une tâche de programmation standardisée. Ce sont aussi elles qui exigent le contrôle de relecture le plus strict.
Pourquoi les moins expérimentés gagnent-ils davantage ?
Dans les études sur le support, la rédaction, le conseil et le développement, les travailleurs moins expérimentés ont davantage gagné ; l’étude sur le support apporte des indices suggérant que l’outil diffuse les pratiques des travailleurs les plus performants. C’est pourquoi les novices ont le plus besoin de la compétence d’évaluation.
Un freelance doit-il baisser ses prix parce que l’IA lui fait gagner du temps ?
Pas automatiquement. En facturation horaire, l’économie va au client ; avec un prix fixe, elle reste dans l’entreprise, comme le montre l’exemple chiffré.
La demande de travail freelance baisse-t-elle à cause de l’IA ?
Deux études de plateformes ont relevé des baisses dans les catégories touchées : 2 % de missions mensuelles en moins et des revenus mensuels inférieurs de 5,2 % dans l’une, et 21 % d’offres de missions en moins pour la rédaction et la programmation dans l’autre. Les missions restantes étaient plus complexes et mieux payées.
Comment vérifier si une tâche est adaptée à la « frontière irrégulière » ?
En la testant. Faites tourner l’outil sur plusieurs tâches passées dont la bonne réponse est connue, consignez chaque erreur et notez l’étape avec la grille de préparation avant d’utiliser l’IA sur du travail client.
Sources
- Brynjolfsson, E., Li, D. et Raymond, L. (2025). Generative AI at Work. The Quarterly Journal of Economics 140(2), 889-942. Version consultée : arXiv 2304.11771v2 (novembre 2024) et le résumé publié.
- Brynjolfsson, E., Li, D. et Raymond, L. (2023). Generative AI at Work. NBER Working Paper 31161. Version antérieure, citée uniquement pour les chiffres révisés.
- Noy, S. et Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science 381(6654), 187-192 (résumé uniquement, via PubMed) ; version document de travail de mars 2023 consultée en texte intégral.
- Peng, S., Kalliamvakou, E., Cihon, P. et Demirer, M. (2023). The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. arXiv 2302.06590. Trois des quatre auteurs appartiennent à Microsoft Research et à GitHub, l’éditeur de l’outil.
- Cui, K. Z., Demirer, M. et al. (2026). The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers. Management Science 72 (résumé via Crossref) ; version document de travail de février 2025 consultée en texte intégral.
- Dell’Acqua, F., McFowland III, E., Mollick, E. et al. (2026). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science 37(2), 403-423. En libre accès ; initialement HBS Working Paper 24-013 (2023).
- Dell’Acqua, F., Ayoubi, C., Lifshitz, H. et al. (2025). The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise. NBER Working Paper 33641.
- Dell’Acqua, F. et al. (2026). The Cybernetic Teammate: A Field Experiment on Generative AI and Teamwork. Organization Science (résumé uniquement, via Crossref).
- Becker, J., Rush, N., Barnes, B. et Rein, D. (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. Model Evaluation and Threat Research (METR), arXiv 2507.09089v2.
- Becker, J., Rush, N. et al. (2026). We are Changing our Developer Productivity Experiment Design. METR, 24 février 2026.
- Hui, X., Reshef, O. et Zhou, L. (2024). The Short-Term Effects of Generative Artificial Intelligence on Employment: Evidence from an Online Labor Market. Organization Science 35(6), 1977-1989 (résumé via Crossref) ; CESifo Working Paper 10601 (août 2023) consulté en texte intégral.
- Demirci, O., Hannane, J. et Zhu, X. (2025). Who Is AI Replacing? The Impact of Generative AI on Online Freelancing Platforms. Management Science 71(10), 8097-8108 (résumé uniquement, via Crossref).
- Bick, A., Blandin, A. et Deming, D. J. (2025). The Rapid Adoption of Generative AI. NBER Working Paper 32966, révisé en février 2025 ; publié dans Management Science 72(10), 2026 (résumé uniquement, page du NBER).
- Humlum, A. et Vestergaard, E. (2026). Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI. Document de travail, 13 mars 2026 ; diffusé auparavant sous le titre Large Language Models, Small Labor Market Effects.
Note méthodologique : le tableau des multiplicateurs de production, le tableau des plafonds de capacité et les scénarios de tarification sont des analyses CEOtudent des chiffres du tableau des données vérifiées, recalculées au moyen d’un script ; la carte des étapes de livraison et la grille de préparation sont des cadres éditoriaux CEOtudent. Chaque donnée de l’exemple de tarification est une hypothèse illustrative. Les chiffres du document de travail de 2023 pour l’étude sur le support client (14 % et 34 %) ont été remplacés par ceux de la version publiée ultérieurement (15 % et environ 30 %). Les gains en pourcentage largement repris pour les consultants du BCG en dessous et au-dessus de la moyenne n’ont pas été utilisés, car ils ne figurent pas dans la version publiée consultée. Aucune étude consultée n’a fait état d’un effet « 10x ».
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:















