L’étude d’ActivTrak sur les journées de travail révèle que les utilisateurs d’IA ont des journées plus longues

ActivTrak indique que les utilisateurs d’IA ont des amplitudes de journée pouvant être jusqu’à 90 minutes plus longues que celles des non-utilisateurs, ce qui remet en cause la promesse selon laquelle des tâches plus rapides permettent de raccourcir les journées. L’étude d’ActivTrak sur les journées de travail porte sur 9 140 travailleurs du savoir répartis dans 467 entreprises, à partir d’activités numériques collectées entre le 1er avril et le 25 septembre 2026. Publiés le 29 octobre, les résultats établissent un lien entre l’adoption de l’IA et des journées plus longues, sans démontrer que l’IA est à l’origine de cet écart.

Cette distinction est importante, car cette apparente contradiction peut avoir plusieurs explications. Les salariés occupant des postes exigeants pourraient adopter l’IA plus fréquemment. Une production plus rapide pourrait encourager l’attribution de missions supplémentaires. Le passage d’assistants à des applications existantes pourrait également prendre du temps que les démonstrations de tâches ne prennent pas en compte. Chacune de ces explications met les employeurs qui promettent des gains d’efficacité sans mesurer ce qui se passe sur l’ensemble de la journée de travail face à leurs responsabilités.

Des recherches antérieures sur l’IA et les journées de travail apportent un contrepoint essentiel. Une expérience randomisée portant sur un assistant intégré à des applications existantes a observé une réduction du temps consacré aux e-mails et du travail en dehors des horaires habituels. Le conflit émergent oppose donc une promesse de productivité à des résultats inégaux sur le lieu de travail. L’IA peut faire gagner du temps sur une mission tout en laissant sans réponse la question de savoir si les salariés terminent plus tôt, traitent davantage de missions ou absorbent des vérifications et une coordination supplémentaires.

Ce que l’étude d’ActivTrak sur les journées de travail a réellement constaté

La dernière conclusion porte sur l’amplitude de la journée de travail, qu’il ne faut pas confondre avec un travail continu ou une production vérifiée.

Selon l’analyse des journées de travail d’ActivTrak, les journées des utilisateurs d’IA s’étendaient de 8,4 à 9,1 heures, contre 7,6 heures pour les non-utilisateurs. Les utilisateurs intensifs affichaient en moyenne des sessions de concentration ininterrompue de 37,8 minutes, contre 48,2 minutes chez les utilisateurs légers. Les utilisateurs intensifs ont également enregistré 18 minutes supplémentaires d’activité quotidienne après les heures de travail.

Ces mesures décrivent différents aspects du travail. Une amplitude plus longue n’établit pas un effort ininterrompu sur toute cette période. Des sessions de concentration plus courtes n’établissent pas une qualité moindre. Une activité supplémentaire en soirée ne permet pas de déterminer si elle a été demandée par l’employeur, choisie par le salarié ou déplacée en raison d’une plus grande flexibilité des horaires.

Le chiffre mis en avant représente également une comparaison maximale au sein des plages rapportées. Il ne devrait pas devenir une affirmation selon laquelle chaque salarié adoptant l’IA ajoute la même quantité de travail. Traiter une différence observée comme une pénalité universelle effacerait précisément les variations que les employeurs doivent étudier.

Le calendrier rend cette publication pertinente pour la planification des entreprises. Les organisations qui évaluent des investissements dans l’IA ont besoin d’éléments allant au-delà du fait que les salariés ont ouvert un assistant. Elles doivent comprendre si son utilisation modifie les délais de livraison, les besoins en personnel, les taux d’erreur et les frontières entre travail et vie personnelle.

Considérons la différence entre un brouillon produit plus rapidement et un départ plus tôt. Un assistant de rédaction peut réduire l’effort nécessaire pour produire un premier document. Cela ne dit rien de ce qui se passe pendant l’approbation, la vérification des faits, la révision et la diffusion. La mission achevée reste l’unité pertinente pour évaluer un bénéfice sur le lieu de travail.

L’étude ne résout pas l’ensemble de cette chaîne. Sa contribution consiste à mettre en lumière un écart entre l’utilisation de l’IA et une journée plus courte. Cet écart mérite d’être étudié, même lorsque le sens de la causalité demeure incertain.

Pour les salariés, l’implication pratique est simple. Se sentir plus rapide sur des tâches isolées ne contredit pas le fait de se sentir globalement plus occupé. Ces expériences mesurent des choses différentes, et l’évaluation de la productivité par un employeur doit laisser de la place aux deux.

Pour les acheteurs, cette publication soulève une question de sélection des fournisseurs. Une démonstration de produit s’achève généralement lorsque l’assistant fournit une réponse. Un processus métier s’achève lorsqu’une personne accepte la responsabilité du résultat. C’est dans l’écart entre ces deux points qu’un gain apparent doit être vérifié.

Les managers doivent choisir où va le temps gagné

Une tâche plus courte libère une capacité disponible ; les décisions de management déterminent si cette capacité devient un allègement, une production supplémentaire ou une obligation de plus.

La pression immédiate s’exerce sur les managers qui approuvent les déploiements d’IA et sur les salariés censés en démontrer la valeur. Les acheteurs ont besoin d’éléments prouvant que l’investissement améliore les performances de l’entreprise. Les travailleurs ont besoin de savoir si une exécution plus rapide modifie leurs responsabilités, leurs délais ou leur disponibilité.

Ces intérêts peuvent converger. Un salarié peut préférer éliminer les tâches de rédaction répétitives afin de se concentrer sur un travail exigeant du jugement. Un employeur peut valoriser davantage ce changement que la réduction du temps de travail prévu. Le problème commence lorsque chaque partie suppose une destination différente pour le même temps gagné.

Une semaine de travail plus courte est un résultat précis. Elle exige que le travail tienne dans un nombre réduit d’heures planifiées, avec une qualité acceptable et une demande gérable. Une amélioration de la productivité ne garantit pas à elle seule cet arrangement. Les organisations peuvent à la place orienter cette capacité supplémentaire vers un retard existant.

Ce choix n’est pas automatiquement déraisonnable. Le travail non terminé peut inclure des projets utiles, des demandes de clients ou une maintenance négligée. Cependant, les dirigeants devraient décrire précisément le résultat. Fournir davantage de travail dans le même horaire diffère d’une réduction de l’horaire, et prolonger la journée crée un tout autre résultat.

La discussion d’ActivTrak sur la charge de travail liée à l’IA rend cette distinction plus difficile à éviter. Les employeurs ne peuvent pas évaluer le bénéfice pour les salariés uniquement à travers le volume de contenu généré. Une hausse du nombre de brouillons peut aider l’auteur tout en augmentant les exigences pour les éditeurs, les réviseurs ou les collègues responsables de la mise en œuvre.

Une équipe produit hypothétique illustre le problème. Un manager utilise l’IA pour préparer une proposition plus rapidement et ajoute d’autres options avant de la partager. L’équipe évalue ensuite davantage de possibilités, vérifie davantage d’hypothèses et discute d’un plus grand nombre de changements potentiels. La tâche initiale devient moins coûteuse, tandis que le processus de décision s’élargit.

Rien dans cet exemple n’exige que l’assistant dysfonctionne. Chaque brouillon peut être utile. La charge supplémentaire découle d’ambitions élargies et d’une capacité de révision limitée. Une production plus rapide modifie ce qui semble faisable avant que l’organisation ne modifie ce qu’elle peut approuver de manière responsable.

Les managers sont donc confrontés à un problème qui dépasse les compétences de formulation des prompts. Quelqu’un doit décider quel travail supplémentaire mérite de l’attention et quel travail doit rester non réalisé. Sans cette décision, un assistant peut accroître l’offre de propositions plus vite que les collègues ne peuvent les évaluer.

La même question s’applique à la gestion des connaissances. Organiser les informations existantes peut répondre à une charge différente de celle que représente la production de contenus supplémentaires. Une base de connaissances personnelle concerne la manière dont l’information est conservée et retrouvée. Aucune de ces fonctions ne devrait être créditée de journées de travail plus courtes sans preuve que le processus global s’est amélioré.

La question de management pertinente est donc concrète : qu’est-ce qui a cessé de consommer du temps de travail après le déploiement ? Si rien n’a disparu, les dirigeants devraient identifier la valeur supplémentaire qui justifie la nouvelle activité. Dans le cas contraire, l’adoption devient une attente superposée à un emploi du temps déjà rempli.

Des tâches plus rapides peuvent élargir le travail qui les entoure

La capacité de l’IA à faciliter le travail peut aussi augmenter la quantité de travail que les salariés tentent d’accomplir.

Les recherches de UC Berkeley Haas offrent une analyse étayée de cette possibilité. Xingqi Maggie Ye et Aruna Ranganathan ont mené une étude ethnographique de huit mois, fondée sur des observations du lieu de travail et des entretiens, dans une entreprise technologique de 200 employés. Ye a également réalisé plus de 40 entretiens auprès de différents groupes fonctionnels.

Leur recherche sur l’intensification du travail a mis en évidence des responsabilités plus larges, l’intrusion du travail dans d’anciennes pauses et davantage de tâches simultanées. Les salariés laissaient parfois des processus d’IA fonctionner tout en gérant d’autres obligations. Cette recherche décrit comment le travail s’est étendu, plutôt qu’elle n’estime un effet universel entre les employeurs.

Cette distinction est importante pour interpréter l’étude d’ActivTrak sur les journées de travail. L’observation sur le lieu de travail peut révéler des mécanismes que les mesures d’activité ne peuvent expliquer à elles seules. Elle ne prouve pas que ces mécanismes ont provoqué les différences dans un autre jeu de données. Elle identifie toutefois des explications qui méritent d’être testées.

Une possibilité est que la réduction de la difficulté à commencer un travail modifie le point d’arrêt. Une mission qui semblait auparavant impraticable peut devenir intéressante à entreprendre. Un travailleur capable d’explorer rapidement une idée doit alors décider s’il faut continuer, l’affiner et la partager.

Cela crée une expérience différente de celle consistant simplement à recevoir une tâche supplémentaire d’un manager. L’effort additionnel peut naître de la curiosité ou de la satisfaction. Un salarié peut valoriser la possibilité de tenter un travail qui dépassait auparavant son champ de compétences. Plaisir et élargissement de la charge de travail peuvent donc coexister.

La vue d’ensemble des recherches d’Aruna Ranganathan souligne cette distinction entre production mesurable et expérience vécue des salariés. Ses travaux examinent l’autonomie, les exigences cognitives, l’expertise, les relations et le bien-être, parmi d’autres conséquences de l’IA au travail. Ces dimensions aident à comprendre pourquoi une mesure de production favorable ne peut trancher toutes les questions relatives à un déploiement.

La préoccupation analytique est l’accumulation. Une petite expérimentation facultative devient un livrable utile. Les livrables utiles influencent les attentes. Les attentes façonnent ensuite ce que les collègues demandent et ce que les salariés se sentent responsables de maintenir. Le gain initial peut disparaître sans décision formelle d’élargir le rôle de qui que ce soit.

Le travail en parallèle introduit une autre version de ce problème. Lancer un assistant n’élimine pas la responsabilité de vérifier son résultat. Si plusieurs processus se terminent pendant qu’un travailleur gère une autre mission, leurs résultats créent une file d’attente qui exige de l’attention.

La charge qui en résulte dépend de ce que ces résultats exigent. Des contenus courants peuvent nécessiter peu de relecture. Une recommandation ayant des conséquences importantes peut demander une vérification des sources, une consultation et une révision. Compter les réponses terminées de l’assistant traiterait ces situations comme similaires malgré la différence de leurs exigences humaines.

Ce renversement est donc plausible sans supposer que l’IA a échoué dans sa tâche immédiate. Une meilleure assistance peut élargir l’éventail du travail que les personnes entreprennent. Que cela devienne un bénéfice dépend des limites de charge de travail, de la capacité de révision et de la valeur des résultats supplémentaires.

Les assistants intégrés offrent un point de référence différent

Le fait que certains utilisateurs d’IA travaillent plus longtemps n’efface pas les données expérimentales montrant que d’autres déploiements font gagner du temps aux salariés.

Une étude d’Eleanor Wiske Dillon, Sonia Jaffe, Nicole Immorlica et Christopher T. Stanton fournit une comparaison importante. Leur expérience randomisée en milieu professionnel a porté sur 7 137 travailleurs du savoir répartis dans 66 entreprises. Une sélection aléatoire a déterminé l’accès à un assistant d’IA générative intégré aux applications utilisées pour les e-mails, les réunions et la rédaction.

Dans la seconde moitié de l’expérimentation de six mois, les utilisateurs participants ont consacré deux heures de moins par semaine aux e-mails et ont réduit le travail en dehors des horaires habituels. Les chercheurs n’ont pas détecté de changement dans la quantité ou la composition des tâches résultant de l’accès individuel. Ces résultats établissent une issue possible différente des périodes plus longues rapportées dans les données observationnelles.

La comparaison renforce la nécessité de formuler les conclusions avec prudence. Elle n’établit pas que les assistants intégrés raccourcissent toujours les journées ni que les assistants autonomes les prolongent systématiquement. Des échantillons, méthodes, applications et environnements de travail différents empêchent ce raccourci.

Elle établit en revanche que l’affirmation selon laquelle « l’IA fait travailler les employés plus longtemps » est trop générale pour constituer une conclusion universelle. L’accès peut réduire le temps consacré à certaines activités dans certaines conditions. Une association observée ailleurs ne peut invalider ce résultat expérimental.

La distinction entre les produits mérite également de l’attention, sans se transformer en concours entre fournisseurs. ChatGPT, Claude et Microsoft Copilot ne devraient pas être considérés comme des déploiements interchangeables en entreprise. La place d’un assistant dans un processus, le contexte disponible et les vérifications exigées influencent ce que les employés doivent faire autour de sa production.

Il s’agit d’une comparaison de choix de déploiement, et non d’une affirmation sur la marque la plus performante. Les éléments cités ne permettent pas d’établir un classement entre ces produits. Les acheteurs doivent évaluer la version, la configuration et le processus précis qu’ils envisagent d’utiliser.

Un flux de rédaction hypothétique rend cette distinction concrète. Si un assistant renvoie du contenu directement dans le document en cours de modification, le salarié peut l’évaluer à côté du texte environnant. Si le contenu arrive ailleurs, il doit le déplacer, réconcilier les contextes et vérifier que le document final reflète toujours les sources prévues.

Aucune de ces configurations ne garantit le succès. Cet exemple met en évidence des étapes supplémentaires qu’une démonstration de tâche pourrait exclure. Une évaluation équitable doit comptabiliser ces étapes, où qu’elles interviennent.

Le même raisonnement s’applique aux assistants qui récupèrent des connaissances internes. La génération d’une réponse ne constitue qu’une partie de la mission lorsque les employés doivent confirmer quel document fait autorité. Une réponse assurée peut encore nécessiter des vérifications importantes si le contexte sur lequel elle s’appuie manque de clarté.

Pour les acheteurs en entreprise, la question concurrentielle devient celle de savoir si un déploiement élimine du travail sur l’ensemble du processus achevé. Une génération plus pratique est utile, mais sa valeur dépend de ce qui suit. Les preuves expérimentales donnent aux acheteurs des raisons de rechercher des gains mesurables tout en résistant aux promesses générales de semaines plus courtes.

Des journées plus longues n’établissent toujours pas un lien de cause à effet

L’étude d’ActivTrak sur la journée de travail met en évidence une tendance qui mérite d’être étudiée, tout en laissant d’importantes explications non résolues.

Le problème le plus évident est la sélection. Les employés n’adoptent pas nécessairement l’IA au hasard. Ceux qui traitent des missions complexes ou des charges de travail plus lourdes peuvent avoir davantage de raisons de chercher de l’aide. Leurs journées plus longues pourraient en partie précéder leur utilisation de l’IA.

Les différences entre les rôles compliquent encore l’interprétation. Un poste centré sur la rédaction, la coordination ou le code offre des possibilités différentes d’utiliser un assistant. Comparer des travailleurs exerçant ces rôles peut mêler l’effet de l’IA aux exigences du travail lui-même.

La causalité inverse constitue une autre possibilité. Une échéance proche pourrait pousser les employés à travailler plus longtemps et à utiliser l’IA plus fréquemment. Dans cette situation, la charge de travail contribue à expliquer les deux observations. L’assistant pourrait réduire certains efforts alors même que ses utilisateurs continuent d’enregistrer des journées plus longues.

Il s’agit d’explications à tester, et non de descriptions établies de cet échantillon. Elles montrent pourquoi une corrélation ne peut à elle seule répondre à la question causale. La publication publique ne présente pas de modèle randomisé qui permette de trancher entre ces alternatives.

La mesure pose une autre limite. L’activité numérique révèle certains aspects de la manière dont les personnes interagissent avec les applications. Elle n’établit pas directement la valeur de leurs décisions, la qualité de leur collaboration ou leur niveau d’épuisement.

Une journée plus longue peut accompagner une production utile, des retouches évitables, des horaires flexibles ou un mélange de ces conditions. Les distinguer exige des informations allant au-delà de la seule durée. L’expérience des employés et les résultats acceptés doivent accompagner les mesures d’activité.

Les conclusions antérieures doivent également être soigneusement distinguées de la dernière publication. L’analyse annuelle du lieu de travail d’ActivTrak comprenait un sous-ensemble de 10 584 utilisateurs comparés avant et après l’adoption de l’IA. Elle faisait état d’augmentations dans les catégories de travail mesurées, notamment les e-mails et la messagerie. Il s’agit d’une analyse différente de la comparaison d’octobre, et son échantillon ne doit pas être combiné au plus récent.

Cette séparation évite de donner une impression exagérée de certitude. Plusieurs résultats peuvent indiquer une activité accrue tout en mesurant des populations et des périodes différentes. Une concordance de direction n’identifie pas automatiquement une cause commune.

La position commerciale d’ActivTrak mérite également d’être prise en compte. L’entreprise vend des outils d’analyse de la main-d’œuvre, ce qui lui donne un intérêt dans la manière dont les entreprises mesurent le travail. Cela n’invalide pas les résultats. Cela rend particulièrement utiles des définitions transparentes, une réplication indépendante et l’accès aux détails méthodologiques.

La conclusion la plus solide est plus restreinte que le titre le plus spectaculaire. L’adoption de l’IA ne démontre pas de manière fiable un soulagement pour les employés. Les résultats d’ActivTrak sur la charge de travail liée à l’IA justifient des recherches supplémentaires, tandis que les preuves expérimentales montrent que des gains de temps restent possibles.

Cela laisse aux employeurs une responsabilité pratique. Ils doivent distinguer une production supplémentaire d’un effort réduit lorsqu’ils décrivent les résultats. Les employés méritent de savoir quel résultat un déploiement vise à produire et comment sa réussite sera évaluée.

Ce qui montrerait que l’IA redonne du temps

Les prochaines preuves convaincantes relieront, dans une même évaluation, le travail accepté, les heures des employés et la qualité.

Au cours des prochains mois, le premier signal à surveiller sera la recherche suivant des travailleurs comparables avant et après le déploiement. Des modèles plus solides prendraient en compte les différences de rôles, de charge de travail et de demande saisonnière. Un accès aléatoire, lorsque cela est possible, aiderait à séparer l’effet de l’assistant des raisons pour lesquelles les employés l’adoptent.

Si les journées plus longues persistent dans ces conditions, l’argument selon lequel le déploiement contribue à allonger le temps de travail devient plus solide. Si la différence disparaît en grande partie, la sélection devient une explication plus convaincante. Dans les deux cas, cela représenterait une amélioration par rapport au traitement de tous les utilisateurs de l’IA comme un groupe uniforme.

Le deuxième signal consiste à ce qu’un employeur indique ce qu’il est advenu de la capacité libérée. Affirmer que les employés ont accompli leurs tâches plus rapidement laisse la question centrale sans réponse. Les preuves devraient établir si la production acceptée a augmenté, si les horaires se sont raccourcis, si les retards ont diminué ou si les exigences de révision ont changé.

Une semaine de travail planifiée plus courte soutiendrait directement la promesse d’un temps de travail réduit. Une production accrue dans des horaires stables soutiendrait un avantage différent. Augmenter la production tout en allongeant les heures exigerait une explication plus claire de l’éventuelle amélioration de la productivité par heure.

La qualité doit rester intégrée à cette évaluation. Un brouillon plus rapide qui exige des corrections importantes ne peut avoir le même poids qu’un travail accepté. De même, des vérifications supplémentaires n’effacent pas un avantage lorsque le résultat final s’améliore suffisamment pour le justifier.

Le troisième signal est une preuve suivant les changements de flux de travail parallèlement aux résultats pour les employés. Les acheteurs devraient observer si la suppression des transferts, la consolidation de la révision ou l’amélioration de l’accès aux sources modifient les heures de travail. La comparaison pertinente concerne le processus achevé avant et après sa refonte.

Si ces changements réduisent le travail en soirée tout en préservant la qualité, l’argument en faveur d’une meilleure mise en œuvre se renforce. Si les heures restent longues, l’attention devrait se porter sur les attentes de charge de travail et la demande organisationnelle. Une interface plus simple ne peut déterminer la quantité de travail qu’un employeur demande aux personnes d’accomplir.

Ces signaux devraient apparaître ensemble dans des rapports crédibles. Les heures seules ne clarifient pas la production. La production seule ne clarifie pas l’effort des employés. L’usage seul en dit peu sur l’un ou l’autre.

Pour les travailleurs du savoir, les recherches sur la journée de travail à l’ère de l’IA sont particulièrement utiles lorsqu’elles expliquent ces relations plutôt que de rendre un verdict universel. Un outil peut être utile, agréable et associé à un poste qui s’étend. Un déploiement peut également générer de véritables gains de temps sans aboutir à une semaine de travail plus courte.

L’étude d’ActivTrak sur la journée de travail met cette distinction en lumière. Sa conclusion remet en cause les promesses automatiques de soulagement, tout en laissant place à de meilleures conceptions et à des résultats différents. La question est désormais de savoir si les organisations mesureront où va réellement l’effort économisé.

Avant d’accepter une nouvelle affirmation de productivité, cherchez des preuves concernant l’ensemble de la mission et de la journée de travail. Demandez quel travail a disparu, quel travail supplémentaire est arrivé et qui a vérifié le résultat. Comparez ces réponses avec la production acceptée, les erreurs et l’expérience des employés. Une analyse crédible devrait expliquer si les personnes ont gagné du temps, apporté davantage de valeur ou sont simplement restées disponibles plus longtemps. Elle devrait également distinguer une expérimentation initiale d’un changement durable des conditions de travail. Utilisez ces questions pour évaluer le prochain déploiement d’assistant ou la prochaine étude sur le lieu de travail. Si un employeur affirme que l’IA redonne du temps, quelles preuves montrent où ce temps est allé ?