La productivité avec Claude AI vient de placer la barre plus haut, et la concentration est devenue le goulot d’étranglement

La productivité avec Claude AI a créé un étrange paradoxe : une personne peut lancer dix projets plus vite, mais terminer un projet significatif reste terriblement difficile.

L’écrivain et fondateur de startup Rick Manelius a décrit ce conflit le 26 juillet 2026. L’IA l’a aidé à relancer des idées mises de côté et à lancer des projets de preuve de concept entre deux réunions. Il s’est rapidement retrouvé à en gérer environ 40, tout en sentant le burnout revenir.

Son témoignage est personnel, et non une étude contrôlée de la productivité. Il saisit néanmoins un problème émergent pour les travailleurs du savoir. L’IA réduit l’effort nécessaire pour commencer à travailler, mais elle ne réduit pas l’attention requise pour choisir, évaluer, réviser et terminer.

Cette distinction compte à mesure que les entreprises passent des chatbots aux agents capables de gérer des séquences de travail plus longues. Anthropic, Microsoft, OpenAI et d’autres rivalisent pour éliminer davantage de frictions dans l’exécution. Les outils qui en résultent réduisent le coût de production, tout en renforçant la valeur de l’orientation humaine.

La nouvelle fracture ne sépare plus les personnes qui utilisent l’IA de celles qui l’évitent. Elle sépare celles qui transforment l’effort économisé en résultats achevés de celles qui le transforment en davantage de travail inachevé.

Dans le travail assisté par l’IA, la ressource rare se déplace de la capacité de production vers l’attention soutenue.

Le paradoxe de la productivité avec Claude AI commence par des débuts plus faciles

Manelius a présenté son expérience autour d’une contradiction simple. L’IA peut accélérer considérablement les tâches individuelles, tout en surchargeant davantage la personne qui l’utilise.

Son témoignage original indique qu’il avait plus de 100 idées et plans d’articles à l’état de brouillon. Il tenait également une liste d’environ 50 projets futurs. Ces idées restaient autrefois en sommeil parce que le temps créait une barrière naturelle.

Claude a affaibli cette barrière. Manelius pouvait envoyer un prompt pendant une courte pause, laisser le modèle travailler, puis revenir plus tard. Des projets qui exigeaient autrefois un après-midi libre pouvaient désormais démarrer dans une fenêtre de cinq minutes.

Ce changement rendait l’expérimentation presque gratuite. Il l’a aussi encouragé à lancer davantage de projets, car les premières tentatives produisaient des résultats exploitables. Chaque succès élargissait son sentiment de ce qu’il devait poursuivre.

Le résultat n’était pas un portefeuille ordonné de travaux terminés. C’étaient environ 40 preuves de concept actives, chacune comportant des décisions, des révisions et des attentes.

Ce schéma révèle une faiblesse dans la définition habituelle de la productivité. De nombreux outils mesurent la production à partir des tâches réalisées, du texte généré ou du temps gagné. Les travailleurs du savoir, eux, s’intéressent à des résultats qui résistent à l’examen et créent une valeur durable.

Un plan généré par l’IA est une production. Un argument publié qui influence la décision d’un client est un résultat. Un prototype est une production, tandis qu’un produit maintenu qui résout un problème récurrent est un résultat.

L’IA réduit considérablement le coût de la première catégorie. La seconde exige toujours du jugement, de la coordination, des tests et de la responsabilité.

Un modèle de langage peut rédiger cinq concepts de campagne avant le déjeuner. Le responsable marketing doit néanmoins en sélectionner un, vérifier les affirmations, obtenir l’approbation et mesurer son effet. Une idéation plus rapide peut donc allonger la file des décisions.

Le même effet apparaît dans le développement logiciel. Un agent peut créer une branche de fonctionnalité, générer des tests et préparer la documentation. Un humain doit toujours décider si cette fonctionnalité a sa place dans le produit et si son coût de maintenance est acceptable.

Les chercheurs ont déjà constaté de réels gains de productivité dans des contextes de travail plus circonscrits. Une étude du NBER portant sur environ 5 000 agents de support client a relevé une hausse moyenne de productivité proche de 14 %. Les travailleurs les moins expérimentés ont enregistré les gains les plus importants.

Ces résultats dans le support provenaient d’un flux de travail défini, avec des mesures de performance claires. Les agents résolvaient les problèmes des clients, tandis que le système suggérait des réponses au cours de ces conversations.

Le travail intellectuel ouvert comporte moins de limites. Un fondateur, un designer, un chercheur ou un chef de produit peut toujours générer une proposition supplémentaire. Aucun point d’arrêt naturel n’indique à cette personne quand son portefeuille de travail est plein.

La productivité avec Claude AI crée donc deux forces opposées. Elle réduit le temps d’exécution de certaines tâches, tout en augmentant le nombre de tâches qui paraissent réalisables.

La seconde force passe facilement inaperçue, car chaque nouveau projet semble modeste au moment où il commence. Son futur coût de coordination reste caché.

L’IA ne se contente pas de résorber un backlog. Elle peut en créer un plus vaste, plus vite qu’une personne ne peut le clôturer.

Le temps gagné devient rapidement du nouveau travail

Les outils de productivité ont rarement restitué aux travailleurs la totalité du temps qu’ils faisaient gagner. Les organisations absorbent souvent ces gains d’efficacité en relevant les attentes, en augmentant les volumes ou en raccourcissant les délais.

L’IA générative rend cet effet rebond particulièrement visible. Un travailleur qui rédige un rapport plus vite récupère rarement le reste de sa journée. Le temps gagné se transforme souvent en un autre rapport, une autre analyse ou une autre réunion.

Les données de Microsoft sur le monde du travail montrent pourquoi ces ajouts comptent. Son étude de 2025 s’appuyait sur l’activité agrégée de Microsoft 365 et sur une enquête menée auprès de 31 000 travailleurs du savoir dans 31 marchés.

Le rapport infinite workday a constaté que l’employé moyen recevait plus de 100 e-mails et 150 messages Teams par jour. Près d’un tiers des travailleurs interrogés déclaraient ne pas pouvoir suivre le rythme.

Ces chiffres précèdent l’essai de Manelius, mais ils décrivent l’environnement qui l’entoure. Les travailleurs du savoir géraient déjà des canaux de communication saturés avant que l’IA ne facilite la production.

Les outils peuvent aider à résumer ces canaux. Ils peuvent aussi générer davantage de messages, de documents, de notes de réunion, de tickets et de demandes que les collègues devront traiter.

C’est la pression centrale qui pèse sur les travailleurs du savoir. L’IA élargit ce qu’une personne peut initier sans augmenter le nombre d’heures disponibles pour l’examen.

Les managers font face à un problème connexe. Lorsque chaque employé peut produire davantage de propositions, l’organisation a besoin de davantage de priorisation. Sans cela, la direction devient une couche de routage pour une production assistée par machine.

Les équipes peuvent interpréter une activité plus intense comme une preuve d’adoption. Elles peuvent suivre les prompts soumis, les agents créés, les documents générés ou les heures prétendument économisées. Ces signaux en disent peu sur la qualité des résultats obtenus par les clients.

Le risque est une nouvelle forme de travail inutile. L’IA prend suffisamment en charge l’exécution pour que les projets facultatifs paraissent peu coûteux, mais les humains héritent de leurs questions ouvertes et de leurs obligations à long terme.

Un tableau de bord généré a toujours besoin d’un responsable. Un rapport automatisé a toujours besoin d’un lecteur capable de savoir quand ses conclusions sont erronées. Un prototype a toujours besoin de quelqu’un pour décider s’il devrait exister.

Chaque effort actif impose également un coût de basculement. Le travailleur doit se souvenir de son état, retrouver les éléments pertinents, comprendre la prochaine décision et retrouver l’intention initiale.

Cette reprise devient plus difficile lorsque l’information est dispersée entre des sessions de chat, des documents, des e-mails et des fichiers locaux. Une base de connaissances personnelle bien entretenue peut réduire les frictions de recherche. Elle ne peut pas décider quels projets méritent de l’attention.

C’est pourquoi l’expérience de Manelius dépasse la discipline individuelle. Elle reflète un décalage entre des outils conçus pour accélérer la production et des lieux de travail dépourvus de limites solides.

Si le management considère chaque heure économisée comme une nouvelle capacité disponible, les travailleurs ne reçoivent aucun dividende de productivité. Ils se contentent d’opérer selon un rythme plus dense.

La productivité de l’IA devient alors un escalator d’attentes. Le délai de traitement exceptionnel d’hier devient le niveau de service standard de demain.

L’effet peut aussi déformer la planification. Les dirigeants peuvent estimer le travail à partir du temps de génération tout en négligeant la vérification, l’intégration et la maintenance. Un brouillon produit en quelques minutes peut encore nécessiter des jours d’effort organisationnel.

Le temps gagné grâce à l’IA reste théorique tant qu’une personne ou une organisation n’a pas décidé ce qui ne sera plus fait.

La concentration et le suivi surpassent l’expansion horizontale

Manelius propose une correction directe : utiliser l’IA pour approfondir un nombre réduit de projets importants, plutôt que de s’étendre horizontalement à un plus grand nombre d’entre eux.

L’expansion horizontale consiste à transformer la réduction du coût des tâches en un portefeuille plus large. Un écrivain commence davantage de brouillons. Un développeur ouvre davantage de dépôts. Un manager lance davantage d’expériences internes.

La progression verticale utilise la même capacité différemment. Elle finance de meilleures recherches, des tests supplémentaires, une édition plus rigoureuse et une livraison plus complète.

Cette distinction fait de la concentration une décision opérationnelle, et non un slogan de motivation. La concentration détermine quelles productions possibles n’entrent jamais dans la file.

Le suivi commence après ce choix. Il couvre le travail moins exaltant qui sépare un premier brouillon plausible d’un résultat auquel les autres peuvent faire confiance.

Manelius illustre cette différence avec un article qu’il a choisi de ne pas publier immédiatement. Il jugeait le brouillon adéquat, mais estimait que l’idée nécessitait deux ou trois révisions supplémentaires.

Cette décision va à l’encontre des incitations créées par l’IA générative. Le modèle rend un brouillon supplémentaire peu coûteux, tandis qu’une révision attentive continue d’exiger un temps humain concentré.

L’IA peut aider à l’édition, mais elle ne peut pas définir entièrement le niveau d’exigence. L’auteur doit décider si l’argument est vrai, original, clair et digne de l’attention du lecteur.

Le même schéma s’applique au travail sur les produits. L’IA peut générer des user stories, des textes d’interface et du code. Le suivi exige d’observer l’usage réel, de résoudre les cas limites et de supprimer les fonctionnalités qui détournent de la tâche principale.

Pour les chercheurs, le dernier kilomètre comprend la vérification des sources et les éléments de preuve contraires. Pour les équipes commerciales, il consiste à comprendre l’acheteur plutôt qu’à produire davantage de prospection. Pour les dirigeants, il consiste à prendre une décision et à la soutenir lorsque les conditions changent.

L’usage le plus précieux de l’IA pourrait donc être la multiplication de la profondeur. Le travailleur applique le temps gagné aux parties d’un projet qui recevaient autrefois trop peu d’attention.

Cette approche change la manière dont la productivité avec Claude AI devrait être mesurée. La question pertinente n’est pas le nombre de productions que Claude a contribué à créer. C’est de savoir si le travail sélectionné a atteint un niveau plus élevé ou une destination plus précieuse.

Une revue hebdomadaire peut révéler la différence. Si le travail assisté par l’IA produit davantage de projets actifs mais que le taux d’achèvement baisse, le système a accru l’agitation plutôt que le progrès.

Les limites de portefeuille offrent une réponse plus forte que la seule détermination personnelle. Une équipe peut limiter le nombre d’expériences actives et exiger qu’une expérience soit clôturée avant qu’une autre ne commence.

Des critères d’achèvement clairs comptent également. « Explorer l’onboarding client » invite à une activité indéfinie. « Identifier les trois principales défaillances d’onboarding et tester une correction » crée une ligne d’arrivée.

Les systèmes de connaissance peuvent soutenir cette discipline en préservant les décisions et en reliant les éléments de preuve. Une mémoire de travail consultable aide les travailleurs à reprendre des projets importants sans reconstruire le contexte.

Pour autant, la recherche d’information ne peut pas se substituer au refus. L’utilisateur doit décliner les opportunités de faible valeur, même lorsqu’un assistant IA les rend faciles à saisir.

C’est la nouvelle compétence inconfortable. Avant l’IA générative, une capacité de production limitée rejetait automatiquement de nombreuses idées. Désormais, les personnes doivent les rejeter délibérément.

La concentration, c’est la capacité de laisser de côté un travail techniquement réalisable, tandis que le suivi transforme une possibilité choisie en valeur durable.

Produire plus vite n’élimine pas la frontière technologique accidentée

Plaider pour un travail plus approfondi ne signifie pas que l’IA doit être cantonnée aux tâches mineures. La recherche montre que l’IA générative peut améliorer à la fois la vitesse et la qualité, dans des limites de tâches appropriées.

Une expérimentation de terrain menée auprès de 758 professionnels du Boston Consulting Group a examiné des travaux d’analyse, de rédaction, de créativité et de persuasion. Les participants utilisant GPT-4 ont accompli certaines tâches plus rapidement et obtenu de meilleures évaluations de qualité.

L’expérience menée auprès de consultants a également produit un avertissement important. Les performances de l’IA suivaient une frontière technologique accidentée : des tâches d’apparence similaire pouvaient se situer de part et d’autre des compétences réelles du modèle.

Pour les tâches relevant de cette frontière, les consultants utilisant l’IA ont accompli plus de 12 % de tâches supplémentaires. Ils ont travaillé plus de 25 % plus vite et produit des résultats évalués à plus de 40 % de mieux.

Pour une tâche située hors de cette frontière, les utilisateurs de l’IA ont obtenu de moins bons résultats. La fluidité des réponses de l’outil pouvait les conduire à des conclusions erronées.

Ce constat complique l’idée selon laquelle davantage d’automatisation libère toujours l’attention. L’IA déplace parfois l’effort de la production vers la supervision. Le travailleur doit repérer les moments où la confiance excède l’exactitude.

À mesure que les agents prennent en charge des flux de travail plus longs, cette charge de supervision change de nature. Une phrase faible est facile à remarquer. Une hypothèse erronée enfouie dans un processus de recherche en plusieurs étapes est plus difficile à détecter.

L’utilisateur peut gagner du temps sur chaque action visible, mais consacrer davantage d’attention à évaluer l’ensemble de la chaîne. Si plusieurs agents s’exécutent simultanément, le nombre de décisions de révision augmente de nouveau.

Les recherches économiques d’Anthropic montrent que les usages continuent d’osciller entre délégation et collaboration. Son analyse de janvier 2026 a constaté que l’augmentation était redevenue plus courante que l’automatisation sur Claude.ai.

Les données d’interaction distinguent l’automatisation de l’augmentation. L’automatisation délègue l’exécution des tâches, tandis que l’augmentation maintient l’utilisateur impliqué par l’apprentissage, la validation et l’itération.

Aucun de ces modèles n’est universellement préférable. Une transformation répétitive avec des contrôles clairs peut convenir à l’automatisation. Une décision stratégique fondée sur des éléments incertains bénéficie d’une participation humaine active.

C’est là que le suivi diffère du perfectionnisme. Le perfectionnisme prolonge le travail sans règle d’arrêt rationnelle. Le suivi oriente la révision vers les points de défaillance qui comptent.

Une réponse au support peut exiger exactitude, empathie et conformité aux politiques. Une note de recherche peut nécessiter des sources fiables et une déclaration explicite d’incertitude. Une mise en production peut nécessiter des contrôles de sécurité et des procédures de retour en arrière.

Ces normes définissent les situations où un effort supplémentaire modifie le résultat. Elles protègent les travailleurs d’un polissage sans fin tout en évitant une finalisation prématurée.

Le point de vue sceptique mérite d’être souligné. Manelius estime que l’IA a rendu certaines tâches entre deux et 100 fois plus efficaces, mais son essai ne fournit aucune mesure contrôlée pour étayer cette fourchette.

Ce chiffre décrit une expérience personnelle, non un repère général de productivité. Des tâches, outils et utilisateurs différents produiront des résultats très différents.

Même des gains de vitesse vérifiés ne prouvent ni une charge de travail réduite ni une amélioration du bien-être. Une entreprise peut convertir une exécution plus rapide en objectifs plus élevés. Un travailleur autonome peut la convertir en davantage d’engagements.

L’épuisement professionnel a également de multiples causes. La charge de travail compte, mais aussi le contrôle, l’équité, la reconnaissance, la communauté et l’alignement avec les valeurs personnelles. L’IA ne peut pas résoudre ces conditions par une rédaction plus rapide.

L’affirmation pratique doit rester limitée. L’IA peut réduire l’effort requis pour certaines tâches. La question de savoir si elle réduit le travail total dépend des limites qui encadrent ces gains.

Le modèle peut accélérer l’exécution, mais les humains restent responsables du choix des tâches, de la vérification et des conséquences d’une erreur.

Les travailleurs sous pression sont ceux qui peuvent tout faire

Les premières discussions sur l’IA au travail portaient sur l’accès. Les travailleurs qui apprenaient à rédiger des prompts ou adoptaient des assistants de programmation semblaient susceptibles de surpasser ceux qui ne le faisaient pas.

Cet écart reste pertinent, mais il devient moins distinctif. Les fonctionnalités d’IA apparaissent désormais dans les applications de productivité courantes, les outils de développement et les plateformes de communication.

L’écart émergent concerne l’orchestration. Deux personnes peuvent utiliser le même modèle et obtenir des résultats très différents, parce que l’une contrôle le périmètre tandis que l’autre multiplie les obligations.

Les travailleurs intellectuels très ambitieux courent le risque le plus élevé. Ils ont de nombreuses idées, suffisamment de compétences pour évaluer les premiers résultats, et assez d’autonomie pour lancer des projets sans approbation formelle.

L’IA supprime les frictions qui obligeaient autrefois ces travailleurs à attendre. Elle affaiblit aussi un signal utile : si une idée ne valait pas plusieurs heures de préparation, elle ne méritait peut-être pas d’entrer dans le portefeuille de projets.

Les fondateurs peuvent désormais valider plusieurs concepts en parallèle. Les chefs de produit peuvent générer des propositions détaillées pour chaque demande client. Les ingénieurs peuvent créer des implémentations expérimentales avant de décider quel problème mérite leur attention.

Ces capacités semblent bénéfiques parce qu’elles le sont. Le risque apparaît lorsque l’expérimentation ne possède aucune règle de sortie.

Une preuve de concept produit de l’information, mais elle crée aussi un attachement. Dès qu’un travailleur voit un brouillon ou un prototype fonctionnel, y renoncer donne l’impression de gaspiller un travail déjà accompli.

L’IA rend ce piège psychologique moins coûteux à déclencher. La première version arrive vite, tandis que les décisions coûteuses apparaissent ensuite.

Les organisations peuvent aggraver le problème en célébrant la production visible. Un flux important de démos et de documents donne une impression d’élan. Abandonner discrètement des projets faibles peut paraître moins impressionnant, même lorsque cela protège l’équipe.

Les dirigeants ont donc besoin de nouveaux indicateurs de maturité face à l’IA. Les taux de clôture des projets, les résultats clients, les taux d’erreur et la charge de maintenance en révèlent davantage que le nombre d’artefacts générés.

Ils doivent aussi protéger le temps consacré au jugement. Microsoft a indiqué en 2023 que 68 % des travailleurs ne disposaient pas d’assez de temps de concentration ininterrompue pendant leur journée. L’adoption de l’IA ne peut pas corriger cette situation tant que les calendriers et les attentes de communication restent inchangés.

La pression atteint également les spécialistes expérimentés. Les études de productivité montrent souvent des gains plus importants pour les travailleurs moins expérimentés, car l’IA peut diffuser les méthodes acquises par des performeurs plus solides.

Les travailleurs seniors peuvent alors consacrer davantage de temps à réviser le travail assisté par machine de leurs collègues. Leur temps personnel de production diminue, mais leur charge organisationnelle de vérification augmente.

Cette évolution peut rendre l’expertise moins visible tout en la rendant plus nécessaire. L’expert repère les erreurs subtiles, définit la qualité et décide quand la réponse du modèle ne doit pas être utilisée.

Les équipes devraient reconnaître explicitement ce travail. Sinon, l’IA semble créer une production sans effort tandis que les employés seniors en absorbent discrètement le risque.

Les travailleurs individuels ont besoin d’une méthode de comptabilisation similaire. Chaque projet assisté par IA devrait comporter une estimation du coût de révision, du coût de maintenance et du coût d’opportunité.

Un prototype de dix minutes n’est pas un engagement de dix minutes. S’il exige des décisions futures, une communication avec les parties prenantes ou des mises à jour récurrentes, son coût réel commence après sa génération.

Les personnes les plus capables d’utiliser largement l’IA ont besoin des limites les plus solides, car les capacités élargissent les options plus vite que l’attention n’élargit la capacité.

Trois signaux montreront si l’IA rend réellement du temps

La prochaine phase de la productivité avec Claude AI ne sera pas tranchée par les seuls scores de benchmark. Elle dépendra de la manière dont les outils, les équipes et les travailleurs géreront l’écart croissant entre l’initiation et l’achèvement.

Le premier signal concerne la conception des produits. Les plateformes d’agents prennent de plus en plus en charge les tâches de longue durée, l’exécution parallèle et les connexions aux données du lieu de travail.

Il faudra observer si les fournisseurs ajoutent des contrôles de portefeuille plus solides parallèlement à ces capacités. Des contrôles utiles rendraient visibles les engagements en cours, les approbations requises, le travail bloqué et le coût de maintenance des résultats créés par les agents.

Si les outils facilitent seulement le lancement d’un plus grand nombre de processus, l’expérience de Manelius se répandra. S’ils aident les utilisateurs à achever, consolider et rejeter du travail, l’IA peut soutenir le suivi.

Le deuxième signal est la mesure au sein des organisations. Les dirigeants continueront de communiquer sur le temps gagné, les taux d’adoption et la production générée, car ces chiffres sont faciles à recueillir.

Des mesures plus révélatrices comprennent les résultats commerciaux achevés, les taux de correction, le temps de cycle après révision et le nombre de projets actifs par employé. Ces métriques montrent si l’IA réduit le travail ou le redistribue.

Une entreprise qui génère deux fois plus de brouillons mais met davantage de temps à les approuver a déplacé son goulot d’étranglement. Elle ne l’a pas résolu.

Le troisième signal concerne la politique de charge de travail. Les employeurs doivent décider si l’efficacité de l’IA revient entièrement à l’organisation ou en partie au travailleur.

Si chaque heure gagnée devient un objectif plus élevé, les employés vivront l’IA comme une compression. Davantage de production tiendra dans la même journée, tandis que le repos et la concentration resteront rares.

Si les équipes abandonnent les rapports à faible valeur, réduisent la charge de réunions et créent du temps de révision protégé, l’efficacité peut améliorer la qualité du travail. Cela renforcerait l’affirmation de Manelius selon laquelle la concentration et le suivi constituent le nouvel avantage.

Ces signaux offrent également un test pratique aux utilisateurs individuels. Suivez l’évolution du nombre de vos projets actifs après avoir adopté des agents. Comparez ensuite ce chiffre avec votre taux d’achèvement et la qualité du travail finalisé.

Si le travail actif augmente tandis que l’achèvement baisse, interrompez les nouveaux démarrages. Sélectionnez les quelques projets à valeur claire, définissez ce que signifie « terminé » et utilisez l’IA pour faire progresser ces projets davantage.

Ce choix n’est pas une résistance à la technologie. C’est une forme d’adoption plus exigeante, car elle évalue l’outil à l’aune des résultats plutôt que de l’activité.

La productivité avec Claude AI peut supprimer des heures de rédaction, de programmation, de recherche et de mise en forme. Elle ne peut pas protéger ces heures d’une autre idée, demande, notification ou obligation que l’on s’impose.

L’avantage humain consiste de moins en moins à produire chaque artefact possible. Il réside dans le choix de ce qui mérite une attention soutenue, dans la détection des erreurs et dans la capacité à mener le bon projet jusqu’à la ligne d’arrivée.

L’IA fournit davantage de mouvements possibles, tandis que la concentration choisit le mouvement et que le suivi lui donne de l’importance.

Examinez votre liste de projets actuelle avant d’ouvrir une autre session d’agent. Quel effort mérite une recherche plus approfondie, un test supplémentaire ou une révision attentive ? Choisissez ce projet et définissez le résultat qui le rendrait terminé. Laissez ensuite l’IA réduire le travail mécanique sans lui permettre d’élargir le périmètre. La question centrale n’est plus de savoir si Claude peut vous aider à produire davantage. Les données montrent déjà que l’IA améliore la vitesse et la qualité pour des tâches appropriées. La question plus difficile est de savoir si ces gains créent quelque chose de terminé, digne de confiance et utile. Si ce n’est pas le cas, le goulot d’étranglement n’a jamais été la vitesse de frappe. Il résidait dans la décision de se concentrer et dans la discipline de mener le travail à terme.