TL;DR
- Les etudes controlees ne cessent de trouver d’importantes accelerations individuelles des taches grace a l’IA : environ 14% d’appels resolus en plus par heure, des taches terminees jusqu’a 55,8% plus vite, un temps de redaction reduit de 40%. Pourtant, la production au niveau des entreprises et de l’economie a peine bouge.
- L’essai le plus rigoureux de 2025 a constate que des developpeurs experimentes etaient 19% plus lents avec l’IA, alors qu’ils se croyaient 20% plus rapides. L’ecart entre la productivite ressentie et la productivite mesuree, c’est toute l’histoire.
- Une estimation macroeconomique credible fixe le gain de productivite totale des facteurs apporte par l’IA a 0,66% au maximum sur dix ans. La croissance nationale de la productivite du travail reste inferieure a sa moyenne de 1947-2024.
- C’est le retour du paradoxe de Solow : “On voit l’ere informatique partout sauf dans les statistiques de productivite.”
- L’enseignement CEO-et-etudiant : gere ton propre resultat comme un CEO lit un compte de resultat (P&L) (mesure les resultats livres, pas l’activite), tout en apprenant l’outil comme un etudiant. L’activite n’est pas un resultat, et seul le resultat apparait dans les chiffres qui comptent.
Les deux chiffres qui ne concordent pas
Il y a deux facons de mesurer si l’IA rend les gens plus productifs, et en 2025 elles pointent dans des directions opposees.
La premiere est l’experience controlee : donner un outil d’IA a un groupe, le refuser a un autre, confier a chacun la meme tache et mesurer qui termine plus vite ou mieux. Ces etudes sont presque uniformement positives. La seconde est la statistique agregee : les donnees nationales de productivite du travail du Bureau of Labor Statistics et les modeles macroeconomiques de la productivite totale des facteurs. Ceux-ci n’ont detecte aucun boom.
Un CEO qui lit un P&L connait bien ce schema. Une equipe commerciale peut etre plus occupee que jamais, avec plus d’appels, plus de demonstrations, plus de tableaux de bord d’activite affiches en vert, tandis que le chiffre d’affaires reste plat. L’activite est un intrant. Le resultat est ce qui atterrit dans les comptes. Le paradoxe de productivite de l’IA est le meme probleme a l’echelle de la civilisation : les compteurs d’intrants hurlent, et la ligne de resultat est silencieuse.
Ce que les etudes controlees ont reellement trouve
La preuve au niveau individuel est reelle et ne doit pas etre balayee. Trois etudes ancrent le scenario optimiste.
Dans la plus grande etude de terrain a ce jour, Erik Brynjolfsson, Danielle Li et Lindsey Raymond ont suivi 5 179 agents de support client a qui l’on avait fourni un assistant conversationnel d’IA generative. L’acces a augmente la productivite, mesuree comme le nombre de problemes resolus par heure, de 14% en moyenne. L’effet s’est concentre sur les travailleurs les moins experimentes, qui se sont ameliores de 34%, tandis que les agents les plus qualifies n’ont vu presque aucun gain. L’IA copiait en fait le savoir tacite des meilleurs agents et le transmettait aux debutants.
Dans un essai controle randomise mene par Sida Peng et ses collegues, 95 developpeurs devaient construire un serveur HTTP en JavaScript. Le groupe muni de GitHub Copilot a termine 55,8% plus vite, un resultat significatif a p = 0,0017, quoique avec un large intervalle de confiance a 95% allant de 21% a 89%.
Dans une experience preenregistree publiee dans Science, Shakked Noy et Whitney Zhang ont attribue des taches de redaction incitees a 453 professionnels diplomes du superieur et en ont donne ChatGPT a la moitie. Le temps de realisation moyen a chute de 40% et la qualite evaluee des productions a augmente de 18%. Comme dans l’etude du centre d’appels, ce sont les moins performants qui ont le plus gagne.
Lues ensemble, ce sont les cartes les plus fortes du jeu “l’IA fonctionne”. Chaque chiffre ci-dessous est un chiffre reel et publie.
| Etude (nommee) | Cadre / tache | n | Gain individuel mesure | Qui a le plus gagne |
|---|---|---|---|---|
| Brynjolfsson, Li, Raymond 2023 (NBER w31161) | Support client, problemes resolus par heure | 5 179 agents | +14% en moyenne | Debutants +34% ; experts proche de 0 |
| Peng et al. 2023 (arXiv 2302.06590) | Programmation, construire un serveur HTTP | 95 developpeurs | 55,8% plus vite (IC a 95% 21-89%) | Developpeurs moins experimentes |
| Noy, Zhang 2023 (Science) | Taches de redaction professionnelle | 453 | Temps -40%, qualite +18% | Redacteurs les moins qualifies |
| Bick, Blandin, Deming 2024 (NBER w32966) | Temps economise autodeclarie, travailleurs americains | Grande enquete | 5,4% des heures de travail economisees (~2,2 h/semaine) | Utilisateurs frequents de l’IA |
| METR 2025 (arXiv 2507.09089) | Developpeurs open-source experimentes, depots reels | 16 developpeurs, 246 taches | 19% PLUS LENTS avec l’IA | Personne ; tous ralentis |
| Acemoglu 2024 (NBER w32487) | PTF macro, projection sur 10 ans | Modele | +0,66% de PTF au total au maximum | Plafond a l’echelle de l’economie |
Tableau : chiffres verifies, chaque cellule est sourcee a l’etude nommee indiquee. Citations completes dans Sources.
L’etude qui a brise le consensus
Remarquez les cinquieme et sixieme lignes. C’est pour elles que “l’IA rend les travailleurs plus productifs” est desormais une affirmation reellement contestee plutot qu’etablie.
En 2025, l’organisation de recherche a but non lucratif METR a mene un essai controle randomise sur 16 developpeurs open-source experimentes travaillant sur des bases de code matures qu’ils connaissaient bien, avec en moyenne cinq ans d’experience anterieure sur ces projets, a travers 246 taches reelles. Lorsqu’ils ont ete autorises a utiliser des outils d’IA du debut 2025 comme Cursor Pro et Claude 3.5/3.7 Sonnet, ils ont mis 19% de temps en plus pour terminer.
Le constat le plus important n’etait pas le ralentissement. C’etait la perception erronee. Avant de commencer, les developpeurs prevoyaient que l’IA les rendrait 24% plus rapides. Apres avoir termine, apres avoir ete reellement ralentis, ils croyaient encore que l’IA les avait rendus environ 20% plus rapides. La productivite ressentie a evolue dans la direction exactement opposee au resultat mesure.
C’est le mecanisme de tout le paradoxe en miniature. L’IA rend le travail plus rapide et plus facile de maniere fiable : la page blanche disparait, le code repetitif s’ecrit tout seul, le premier jet arrive en quelques secondes. Cette fluidite ressentie est authentique, et c’est exactement ce que captent les enquetes lorsque les travailleurs declarent des gains de temps. Les travaux d’enquete de la Fed de St. Louis par Alexander Bick, Adam Blandin et David Deming ont revele que les travailleurs declaraient que l’IA economisait 5,4% de leurs heures de travail, soit environ 2,2 heures par semaine. Mais le temps economise autodeclarie est un ressenti, pas un chiffre de resultat audite. L’essai METR, c’est ce qui se passe quand on l’audite.
Ou le gain se dissipe
Si les individus terminent vraiment certaines taches plus vite, pourquoi rien de tout cela n’atteint-il le resultat de l’entreprise ou les statistiques de productivite de la nation ? Parce qu’une acceleration de tache doit survivre a un long trajet avant de devenir un resultat mesure, et elle fuit a chaque etape. Le tableau ci-dessous est un cadre de diagnostic construit pour cet article, associant chaque fuite a la discipline qui la colmate.
| Point de fuite | Pourquoi le gain disparait | Correctif CEO-et-etudiant |
|---|---|---|
| Le temps economise est reinvesti en plus d’activite, non mis de cote | Rediger plus vite signifie juste plus de brouillons, plus de reunions, plus de messages | Mets l’heure economisee de cote face a un objectif de resultat reel, comme un CEO met de cote une reduction de couts ; ne la depense pas en mouvement |
| Retouches et verification | La production de l’IA parait finie mais doit etre verifiee ; du temps senior est consacre a relire le travail junior-plus-IA | Compte le temps net, verification comprise ; mesure la tache de bout en bout, pas le premier jet |
| Friction de coordination | Une personne est plus rapide, mais pas l’equipe, les validations et les transmissions | Optimise le goulot d’etranglement, pas ta propre etape ; le P&L reflete le maillon le plus lent |
| Atrophie des competences et exces de confiance | Une dependance excessive erode le jugement qui detecte les erreurs de l’IA | Reste en mode etudiant : continue a faire les taches difficiles sans aide pour preserver le gout qu’exige le controle qualite |
| Mauvaise tache automatisee | Accelerer un travail qui ne devrait pas etre fait du tout | D’abord la question du CEO : ce resultat vaut-il la peine d’etre produit ? L’efficacite sur une tache inutile vaut zero |
| Illusion de mesure | La vitesse ressentie (enquetes) diverge de la vitesse mesuree (essais), comme l’a montre METR | Fais plus confiance a tes propres chiffres audites qu’a ton sentiment d’elan |
Tableau : cadre editorial CEOtudent (synthese de recherches publiques).
La vue depuis l’ensemble de l’economie
En prenant du recul jusqu’au niveau macroeconomique, les fuites s’additionnent en une platitude frappante. Le modele fonde sur les taches de Daron Acemoglu, publie sous forme de document de travail NBER, estime que l’IA augmentera la productivite totale des facteurs de 0,66% au maximum au total sur dix ans, soit environ 0,064% par an. Ce n’est pas zero, mais c’est tres loin de la transformation que les chiffres des taches individuelles pourraient laisser entendre.
Les donnees observees ne l’ont pas contredit. La productivite du travail des entreprises non agricoles americaines a augmente de 2,0% du quatrieme trimestre 2023 au quatrieme trimestre 2024, et de 2,4% au deuxieme trimestre 2025. Ce sont des chiffres respectables, mais ce n’est pas une percee. Sur le cycle economique actuel depuis fin 2019, la productivite a crru a un rythme annualise de 1,8%, ce qui est inferieur au taux de long terme de 2,1% depuis 1947. Quoi que fasse l’IA, elle n’a pas encore pousse l’agregat au-dessus de sa propre tendance historique.
Rien de tout cela n’est nouveau par nature. En 1987, l’economiste Robert Solow ecrivait que “on voit l’ere informatique partout sauf dans les statistiques de productivite.” Il a fallu environ une decennie, et la diffusion d’internet et des logiciels d’entreprise, avant que la revolution informatique n’apparaisse enfin dans les chiffres de productivite de la fin des annees 1990. La version IA du paradoxe de Solow pourrait se resoudre de la meme maniere, par une lente reorganisation de la facon dont le travail est fait plutot que par un outil qui rend instantanement tout le monde plus productif.
L’ecart entre adoption et impact
Les donnees des entreprises racontent la meme histoire de l’interieur. L’AI Index 2025 de Stanford HAI rapporte que l’adoption organisationnelle de l’IA a bondi a 78% en 2024, contre 55% l’annee precedente, et que l’usage de l’IA generative dans au moins une fonction de l’entreprise a plus que double pour atteindre 71%. L’adoption est quasi universelle.
L’impact ne l’est pas. L’enquete State of AI 2025 de McKinsey a constate que la grande majorite des organisations n’ont pas encore observe d’effet materiel sur les benefices au niveau de l’entreprise lie a leur usage de l’IA, seule une petite minorite de tres performants lui attribuant un impact significatif sur le resultat net. L’ecart entre “nous utilisons l’IA” et “l’IA a change nos resultats” est le visage entrepreneurial du paradoxe de productivite. Acheter des licences est facile. Recabler le flux de travail pour que les gains de temps survivent jusqu’au P&L est la partie difficile, et la plupart des entreprises ne l’ont pas fait.
Comment lire cela comme un CEO, l’apprendre comme un etudiant
Le paradoxe n’est pas une raison d’ignorer l’IA. C’est une raison de se mesurer honnetement. Trois principes operationnels decoulent des preuves.
Premierement, mesure le resultat, pas l’activite. Les developpeurs de METR se sentaient 20% plus rapides alors qu’ils etaient 19% plus lents. Ton propre sentiment d’elan est un instrument peu fiable. Definis l’unite de resultat qui compte vraiment dans ton role, comme les fonctionnalites livrees, les affaires conclues, les analyses publiees ou les decisions prises, et suis-la avant et apres l’IA, de bout en bout, temps de relecture compris. Un CEO ne declare pas “nous avons ete tres occupes ce trimestre”. Ne te le declare pas non plus. C’est exactement la discipline qui sous-tend le fait de faire tourner ta vie sur un systeme d’exploitation personnel.
Deuxiemement, mets de cote le temps economise deliberement. La plus grosse fuite est que les minutes economisees sont depensees en plus de mouvement. Si l’IA te redonne vraiment deux heures par semaine, le geste de CEO est d’allouer ces heures a un resultat specifique de plus grande valeur, et non de les laisser se dissoudre dans une boite de reception plus pleine.
Troisiemement, reste un etudiant la ou ca compte. Les gains dans les etudes de terrain etaient les plus importants pour les debutants precisement parce que l’IA encode une expertise qui leur manquait. Mais le ralentissement de METR est retombe sur des experts travaillant dans des domaines qu’ils connaissaient en profondeur, en partie parce que relire et corriger la production de l’IA coutait plus cher que de faire le travail eux-memes. La lecon est de continuer a batir le jugement qui te permet de distinguer une bonne production d’IA d’une production erronee au ton assure, et de continuer a auditer ton propre travail pour ce que l’IA peut et ne peut pas remplacer. Ce jugement est le seul actif que l’IA ne peut pas encore te remettre, et c’est ce qui transforme une acceleration de tache en resultat reel et mis de cote.
FAQ
L’affirmation est-elle que l’IA n’ameliore pas la productivite ?
Non. Les etudes controlees montrent des gains clairs au niveau des taches individuelles, surtout pour les travailleurs moins experimentes. Le paradoxe est que ces gains ne se sont pas encore traduits en croissance de la production au niveau des entreprises ou de l’economie.
Pourquoi l’IA rendrait-elle des developpeurs experimentes plus lents ?
Dans l’essai METR de 2025, des developpeurs experimentes travaillant sur des bases de code qu’ils connaissaient bien ont passe du temps supplementaire a solliciter, attendre et relire une production d’IA qui devait etre corrigee. Pour un travail que tu fais deja avec aisance, ce surcout peut depasser le temps que l’IA economise.
Les travailleurs imaginent-ils simplement les gains de temps ?
En partie. Les travailleurs de l’enquete de la Fed de St. Louis declaraient reellement economiser 5,4% de leurs heures, et les developpeurs de METR croyaient que l’IA les avait acceleres. Mais mesuree face a un groupe temoin, l’acceleration ressentie ne correspondait pas toujours au resultat reel. Productivite percue et productivite mesuree peuvent fortement diverger.
Quelle est l’ampleur de l’effet attendu de l’IA sur l’ensemble de l’economie ?
Le modele d’Acemoglu projette au maximum un gain de productivite totale des facteurs de 0,66% sur dix ans, soit environ 0,064% par an. D’autres economistes sont plus optimistes, mais aucune estimation credible n’implique un boom instantane de la productivite.
L’IA est-elle deja apparue dans les chiffres officiels de productivite ?
Pas distinctement. La productivite des entreprises non agricoles americaines a crru de 2,0% sur 2024 et de 2,4% au deuxieme trimestre 2025, mais le cycle economique actuel reste inferieur a la moyenne de long terme de 2,1% depuis 1947.
Est-ce la meme chose que l’ancien paradoxe de Solow ?
Cela y fait echo. Solow a observe en 1987 que les ordinateurs etaient partout sauf dans les statistiques de productivite. Les gains sont finalement apparus une fois que les entreprises se sont reorganisees autour de la technologie. L’IA pourrait suivre le meme chemin differe.
Que devrait faire un individu a ce sujet ?
Suis un indicateur de resultat concret avant et apres l’adoption de l’IA, compte le temps de relecture et de retouche, realloue deliberement tout temps economise a un travail de plus grande valeur, et continue a pratiquer les competences fondamentales sans aide afin de pouvoir detecter les erreurs de l’IA.
Sources
- Erik Brynjolfsson, Danielle Li et Lindsey Raymond, Generative AI at Work, NBER Working Paper 31161, 2023.
- Sida Peng, Eirini Kalliamvakou, Peter Cihon et Mert Demirer, The Impact of AI on Developer Productivity: Evidence from GitHub Copilot, arXiv 2302.06590, 2023.
- Shakked Noy et Whitney Zhang, Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence, Science, 2023.
- METR, Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity, arXiv 2507.09089, 2025.
- Daron Acemoglu, The Simple Macroeconomics of AI, NBER Working Paper 32487, 2024.
- Alexander Bick, Adam Blandin et David Deming, The Rapid Adoption of Generative AI, NBER Working Paper 32966 et Federal Reserve Bank of St. Louis, 2024.
- US Bureau of Labor Statistics, Productivity and Costs, publications du secteur des entreprises non agricoles, 2024-2025.
- Stanford Institute for Human-Centered Artificial Intelligence, The 2025 AI Index Report, 2025.
- McKinsey and Company, The State of AI: How Organizations Are Rewiring to Capture Value, 2025.
Ce contenu a ete compile avec le soutien de l’IA a la suite d’une recherche approfondie, puis redige et prepare pour publication par l’equipe editoriale de CEOtudent.
