TL;DR
- Les études contrôlées ne cessent de trouver d’importantes accélérations individuelles des tâches grâce à l’IA : environ 14% d’appels résolus en plus par heure, des tâches terminées jusqu’à 55,8% plus vite, un temps de rédaction réduit de 40%. Pourtant, la production au niveau des entreprises et de l’économie a à peine bougé.
- L’essai le plus rigoureux de 2025 a constaté que des développeurs expérimentés étaient 19% plus lents avec l’IA, alors qu’ils se croyaient 20% plus rapides. L’écart entre la productivité ressentie et la productivité mesurée, c’est toute l’histoire.
- Une estimation macroéconomique crédible fixe le gain de productivité totale des facteurs apporté par l’IA à 0,66% au maximum sur dix ans. La croissance nationale de la productivité du travail reste inférieure à sa moyenne de 1947-2024.
- C’est le retour du paradoxe de Solow : “On voit l’ère informatique partout sauf dans les statistiques de productivité.”
- L’enseignement CEO-et-étudiant : gère ton propre résultat comme un CEO lit un compte de résultat (P&L) (mesure les résultats livrés, pas l’activité), tout en apprenant l’outil comme un étudiant. L’activité n’est pas un résultat, et seul le résultat apparaît dans les chiffres qui comptent.
Les deux chiffres qui ne concordent pas
Il y a deux façons de mesurer si l’IA rend les gens plus productifs, et en 2025 elles pointent dans des directions opposées.
La première est l’expérience contrôlée : donner un outil d’IA à un groupe, le refuser à un autre, confier à chacun la même tâche et mesurer qui termine plus vite ou mieux. Ces études sont presque uniformément positives. La seconde est la statistique agrégée : les données nationales de productivité du travail du Bureau of Labor Statistics et les modèles macroéconomiques de la productivité totale des facteurs. Ceux-ci n’ont détecté aucun boom.
Un CEO qui lit un P&L connaît bien ce schéma. Une équipe commerciale peut être plus occupée que jamais, avec plus d’appels, plus de démonstrations, plus de tableaux de bord d’activité affichés en vert, tandis que le chiffre d’affaires reste plat. L’activité est un intrant. Le résultat est ce qui atterrit dans les comptes. Le paradoxe de productivité de l’IA est le même problème à l’échelle de la civilisation : les compteurs d’intrants hurlent, et la ligne de résultat est silencieuse.
Ce que les études contrôlées ont réellement trouvé
La preuve au niveau individuel est réelle et ne doit pas être balayée. Trois études ancrent le scénario optimiste.
Dans la plus grande étude de terrain à ce jour, Erik Brynjolfsson, Danielle Li et Lindsey Raymond ont suivi 5 179 agents de support client à qui l’on avait fourni un assistant conversationnel d’IA générative. L’accès a augmenté la productivité, mesurée comme le nombre de problèmes résolus par heure, de 14% en moyenne. L’effet s’est concentré sur les travailleurs les moins expérimentés, qui se sont améliorés de 34%, tandis que les agents les plus qualifiés n’ont vu presque aucun gain. L’IA copiait en fait le savoir tacite des meilleurs agents et le transmettait aux débutants.
Dans un essai contrôlé randomisé mené par Sida Peng et ses collègues, 95 développeurs devaient construire un serveur HTTP en JavaScript. Le groupe muni de GitHub Copilot a terminé 55,8% plus vite, un résultat significatif à p = 0,0017, quoique avec un large intervalle de confiance à 95% allant de 21% à 89%.
Dans une expérience préenregistrée publiée dans Science, Shakked Noy et Whitney Zhang ont attribué des tâches de rédaction incitées à 453 professionnels diplômés du supérieur et en ont donné ChatGPT à la moitié. Le temps de réalisation moyen a chuté de 40% et la qualité évaluée des productions a augmenté de 18%. Comme dans l’étude du centre d’appels, ce sont les moins performants qui ont le plus gagné.
Lues ensemble, ce sont les cartes les plus fortes du jeu “l’IA fonctionne”. Chaque chiffre ci-dessous est un chiffre réel et publié.
| Étude (nommée) | Cadre / tâche | n | Gain individuel mesuré | Qui a le plus gagné |
|---|---|---|---|---|
| Brynjolfsson, Li, Raymond 2023 (NBER w31161) | Support client, problèmes résolus par heure | 5 179 agents | +14% en moyenne | Débutants +34% ; experts proche de 0 |
| Peng et al. 2023 (arXiv 2302.06590) | Programmation, construire un serveur HTTP | 95 développeurs | 55,8% plus vite (IC à 95% 21-89%) | Développeurs moins expérimentés |
| Noy, Zhang 2023 (Science) | Tâches de rédaction professionnelle | 453 | Temps -40%, qualité +18% | Rédacteurs les moins qualifiés |
| Bick, Blandin, Deming 2024 (NBER w32966) | Temps économisé autodéclaré, travailleurs américains | Grande enquête | 5,4% des heures de travail économisées (~2,2 h/semaine) | Utilisateurs fréquents de l’IA |
| METR 2025 (arXiv 2507.09089) | Développeurs open-source expérimentés, dépôts réels | 16 développeurs, 246 tâches | 19% PLUS LENTS avec l’IA | Personne ; tous ralentis |
| Acemoglu 2024 (NBER w32487) | PTF macro, projection sur 10 ans | Modèle | +0,66% de PTF au total au maximum | Plafond à l’échelle de l’économie |
Tableau : chiffres vérifiés, chaque cellule est sourcée à l’étude nommée indiquée. Citations complètes dans Sources.
L’étude qui a brisé le consensus
Remarquez les cinquième et sixième lignes. C’est pour elles que “l’IA rend les travailleurs plus productifs” est désormais une affirmation réellement contestée plutôt qu’établie.
En 2025, l’organisation de recherche à but non lucratif METR a mené un essai contrôlé randomisé sur 16 développeurs open-source expérimentés travaillant sur des bases de code matures qu’ils connaissaient bien, avec en moyenne cinq ans d’expérience antérieure sur ces projets, à travers 246 tâches réelles. Lorsqu’ils ont été autorisés à utiliser des outils d’IA du début 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’était pas le ralentissement. C’était la perception erronée. Avant de commencer, les développeurs prévoyaient que l’IA les rendrait 24% plus rapides. Après avoir terminé, après avoir été réellement ralentis, ils croyaient encore que l’IA les avait rendus environ 20% plus rapides. La productivité ressentie a évolué dans la direction exactement opposée au résultat mesuré.
C’est le mécanisme de tout le paradoxe en miniature. L’IA rend le travail plus rapide et plus facile de manière fiable : la page blanche disparaît, le code répétitif s’écrit tout seul, le premier jet arrive en quelques secondes. Cette fluidité ressentie est authentique, et c’est exactement ce que captent les enquêtes lorsque les travailleurs déclarent des gains de temps. Les travaux d’enquête de la Fed de St. Louis par Alexander Bick, Adam Blandin et David Deming ont révélé que les travailleurs déclaraient que l’IA économisait 5,4% de leurs heures de travail, soit environ 2,2 heures par semaine. Mais le temps économisé autodéclaré est un ressenti, pas un chiffre de résultat audité. L’essai METR, c’est ce qui se passe quand on l’audite.
Où le gain se dissipe
Si les individus terminent vraiment certaines tâches plus vite, pourquoi rien de tout cela n’atteint-il le résultat de l’entreprise ou les statistiques de productivité de la nation ? Parce qu’une accélération de tâche doit survivre à un long trajet avant de devenir un résultat mesuré, et elle fuit à chaque étape. Le tableau ci-dessous est un cadre de diagnostic construit pour cet article, associant chaque fuite à la discipline qui la colmate.
| Point de fuite | Pourquoi le gain disparaît | Correctif CEO-et-étudiant |
|---|---|---|
| Le temps économisé est réinvesti en plus d’activité, non mis de côté | Rédiger plus vite signifie juste plus de brouillons, plus de réunions, plus de messages | Mets l’heure économisée de côté face à un objectif de résultat réel, comme un CEO met de côté une réduction de coûts ; ne la dépense pas en mouvement |
| Retouches et vérification | La production de l’IA paraît finie mais doit être vérifiée ; du temps senior est consacré à relire le travail junior-plus-IA | Compte le temps net, vérification comprise ; mesure la tâche de bout en bout, pas le premier jet |
| Friction de coordination | Une personne est plus rapide, mais pas l’équipe, les validations et les transmissions | Optimise le goulot d’étranglement, pas ta propre étape ; le P&L reflète le maillon le plus lent |
| Atrophie des compétences et excès de confiance | Une dépendance excessive érode le jugement qui détecte les erreurs de l’IA | Reste en mode étudiant : continue à faire les tâches difficiles sans aide pour préserver le goût qu’exige le contrôle qualité |
| Mauvaise tâche automatisée | Accélérer un travail qui ne devrait pas être fait du tout | D’abord la question du CEO : ce résultat vaut-il la peine d’être produit ? L’efficacité sur une tâche inutile vaut zéro |
| Illusion de mesure | La vitesse ressentie (enquêtes) diverge de la vitesse mesurée (essais), comme l’a montré METR | Fais plus confiance à tes propres chiffres audités qu’à ton sentiment d’élan |
Tableau : cadre éditorial CEOtudent (synthèse de recherches publiques).
La vue depuis l’ensemble de l’économie
En prenant du recul jusqu’au niveau macroéconomique, les fuites s’additionnent en une platitude frappante. Le modèle fondé sur les tâches de Daron Acemoglu, publié sous forme de document de travail NBER, estime que l’IA augmentera la productivité totale des facteurs de 0,66% au maximum au total sur dix ans, soit environ 0,064% par an. Ce n’est pas zéro, mais c’est très loin de la transformation que les chiffres des tâches individuelles pourraient laisser entendre.
Les données observées ne l’ont pas contredit. La productivité du travail des entreprises non agricoles américaines a augmenté de 2,0% du quatrième trimestre 2023 au quatrième trimestre 2024, et de 2,4% au deuxième trimestre 2025. Ce sont des chiffres respectables, mais ce n’est pas une percée. Sur le cycle économique actuel depuis fin 2019, la productivité a crû à un rythme annualisé de 1,8%, ce qui est inférieur au taux de long terme de 2,1% depuis 1947. Quoi que fasse l’IA, elle n’a pas encore poussé l’agrégat au-dessus de sa propre tendance historique.
Rien de tout cela n’est nouveau par nature. En 1987, l’économiste Robert Solow écrivait que “on voit l’ère informatique partout sauf dans les statistiques de productivité.” Il a fallu environ une décennie, et la diffusion d’internet et des logiciels d’entreprise, avant que la révolution informatique n’apparaisse enfin dans les chiffres de productivité de la fin des années 1990. La version IA du paradoxe de Solow pourrait se résoudre de la même manière, par une lente réorganisation de la façon dont le travail est fait plutôt que par un outil qui rend instantanément tout le monde plus productif.
L’écart entre adoption et impact
Les données des entreprises racontent la même histoire de l’intérieur. L’AI Index 2025 de Stanford HAI rapporte que l’adoption organisationnelle de l’IA a bondi à 78% en 2024, contre 55% l’année précédente, et que l’usage de l’IA générative dans au moins une fonction de l’entreprise a plus que doublé pour atteindre 71%. L’adoption est quasi universelle.
L’impact ne l’est pas. L’enquête State of AI 2025 de McKinsey a constaté que la grande majorité des organisations n’ont pas encore observé d’effet matériel sur les bénéfices au niveau de l’entreprise lié à leur usage de l’IA, seule une petite minorité de très performants lui attribuant un impact significatif sur le résultat net. L’écart entre “nous utilisons l’IA” et “l’IA a changé nos résultats” est le visage entrepreneurial du paradoxe de productivité. Acheter des licences est facile. Recâbler 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 étudiant
Le paradoxe n’est pas une raison d’ignorer l’IA. C’est une raison de se mesurer honnêtement. Trois principes opérationnels découlent des preuves.
Premièrement, mesure le résultat, pas l’activité. Les développeurs de METR se sentaient 20% plus rapides alors qu’ils étaient 19% plus lents. Ton propre sentiment d’élan est un instrument peu fiable. Définis l’unité de résultat qui compte vraiment dans ton rôle, comme les fonctionnalités livrées, les affaires conclues, les analyses publiées ou les décisions prises, et suis-la avant et après l’IA, de bout en bout, temps de relecture compris. Un CEO ne déclare pas “nous avons été très occupés ce trimestre”. Ne te le déclare pas non plus. C’est exactement la discipline qui sous-tend le fait de faire tourner ta vie sur un système d’exploitation personnel.
Deuxièmement, mets de côté le temps économisé délibérément. La plus grosse fuite est que les minutes économisées sont dépensées en plus de mouvement. Si l’IA te redonne vraiment deux heures par semaine, le geste de CEO est d’allouer ces heures à un résultat spécifique de plus grande valeur, et non de les laisser se dissoudre dans une boîte de réception plus pleine.
Troisièmement, reste un étudiant là où ça compte. Les gains dans les études de terrain étaient les plus importants pour les débutants précisément parce que l’IA encode une expertise qui leur manquait. Mais le ralentissement de METR est retombé sur des experts travaillant dans des domaines qu’ils connaissaient en profondeur, en partie parce que relire et corriger la production de l’IA coûtait plus cher que de faire le travail eux-mêmes. La leçon est de continuer à bâtir le jugement qui te permet de distinguer une bonne production d’IA d’une production erronée au ton assuré, et de continuer à 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 accélération de tâche en résultat réel et mis de côté.
FAQ
L’affirmation est-elle que l’IA n’améliore pas la productivité ?
Non. Les études contrôlées montrent des gains clairs au niveau des tâches individuelles, surtout pour les travailleurs moins expérimentés. Le paradoxe est que ces gains ne se sont pas encore traduits en croissance de la production au niveau des entreprises ou de l’économie.
Pourquoi l’IA rendrait-elle des développeurs expérimentés plus lents ?
Dans l’essai METR de 2025, des développeurs expérimentés travaillant sur des bases de code qu’ils connaissaient bien ont passé du temps supplémentaire à solliciter, attendre et relire une production d’IA qui devait être corrigée. Pour un travail que tu fais déjà avec aisance, ce surcoût peut dépasser le temps que l’IA économise.
Les travailleurs imaginent-ils simplement les gains de temps ?
En partie. Les travailleurs de l’enquête de la Fed de St. Louis déclaraient réellement économiser 5,4% de leurs heures, et les développeurs de METR croyaient que l’IA les avait accélérés. Mais mesurée face à un groupe témoin, l’accélération ressentie ne correspondait pas toujours au résultat réel. Productivité perçue et productivité mesurée peuvent fortement diverger.
Quelle est l’ampleur de l’effet attendu de l’IA sur l’ensemble de l’économie ?
Le modèle d’Acemoglu projette au maximum un gain de productivité totale des facteurs de 0,66% sur dix ans, soit environ 0,064% par an. D’autres économistes sont plus optimistes, mais aucune estimation crédible n’implique un boom instantané de la productivité.
L’IA est-elle déjà apparue dans les chiffres officiels de productivité ?
Pas distinctement. La productivité des entreprises non agricoles américaines a crû de 2,0% sur 2024 et de 2,4% au deuxième trimestre 2025, mais le cycle économique actuel reste inférieur à la moyenne de long terme de 2,1% depuis 1947.
Est-ce la même chose que l’ancien paradoxe de Solow ?
Cela y fait écho. Solow a observé en 1987 que les ordinateurs étaient partout sauf dans les statistiques de productivité. Les gains sont finalement apparus une fois que les entreprises se sont réorganisées autour de la technologie. L’IA pourrait suivre le même chemin différé.
Que devrait faire un individu à ce sujet ?
Suis un indicateur de résultat concret avant et après l’adoption de l’IA, compte le temps de relecture et de retouche, réalloue délibérément tout temps économisé à un travail de plus grande valeur, et continue à pratiquer les compétences fondamentales sans aide afin de pouvoir détecter 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 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:
