L’enquête IA de monday.com révèle le coût managérial d’une production plus rapide

L’enquête IA de monday.com révèle que 53 % des cadres dirigeants éprouvent davantage de difficultés à évaluer les contributions originales des employés après avoir adopté l’IA. Ce constat introduit un problème de management dans l’argumentaire de productivité : produire un travail finalisé et comprendre la contribution de quelqu’un sont deux tâches différentes.

Publiée le 21 octobre, cette étude menée par Nielsen a interrogé 1 701 directeurs et cadres supérieurs dans sept pays. Ses conclusions suggèrent que les employeurs font face à un problème de mesure plus complexe à mesure que le travail assisté par l’IA devient courant. Un livrable soigné fournit moins d’indices sur le jugement qui le sous-tend.

Cette tension coexiste avec des éléments montrant que l’IA peut améliorer les performances dans certains contextes. Une étude d’Erik Brynjolfsson, Danielle Li et Lindsey Raymond a constaté des gains mesurables dans le support client. Pour les employeurs, la question est de savoir si ces gains perdurent tout au long du processus, de la production individuelle au travail évalué et exploitable.

L’enquête IA de monday.com met l’évaluation sous pression

Selon les conclusions de l’entreprise sur le management de l’IA, 47 % des répondants consacrent davantage de temps à examiner et orienter le travail de leur équipe. Par ailleurs, 78 % ont modifié leur approche de l’évaluation des employés depuis l’adoption de l’IA.

Ces résultats décrivent des pressions liées, même s’ils n’établissent pas que les mêmes répondants ont rencontré chacun de ces problèmes. Ils ne mesurent pas non plus le temps supplémentaire consacré par les managers à l’examen du travail. Cette distinction importe lorsqu’on transforme les difficultés d’évaluation des employés en affirmations sur les performances de l’entreprise.

Le changement immédiat est un lien plus faible entre un livrable finalisé et la contribution individuelle qu’il semble représenter.

Avant l’assistance par IA, la qualité de présentation pouvait fournir certains indices sur les capacités rédactionnelles, la préparation ou la connaissance d’un sujet. Elle n’a jamais offert un tableau complet. Les collègues, les modèles, les éditeurs et les ressources existantes ont toujours influencé la production au travail.

L’IA complique cette inférence, car elle peut fournir une grande partie de la présentation visible. Une explication claire peut refléter une compréhension approfondie, une édition efficace ou l’acceptation d’une réponse générée. Le document final ne permet pas, à lui seul, de distinguer de façon fiable ces possibilités.

Pour les managers, la question qui en découle dépasse le simple fait de savoir si un employé a utilisé l’IA. Ils doivent comprendre si l’employé a sélectionné des éléments probants appropriés, repéré les erreurs et pris des décisions défendables. Ces contributions peuvent rester invisibles dans le texte final.

L’étude complique également le récit d’une simple résistance. Dans la même enquête, 94 % des répondants se sont dits enthousiastes à l’idée d’améliorer leur travail avec l’IA. L’enthousiasme et la difficulté coexistent, ce qui suggère que le problème relève de la mise en œuvre et de l’évaluation plutôt que d’un rejet direct.

Ce résultat phare a attiré l’attention grâce à la couverture de TechCrunch sur les difficultés d’évaluation des employés. Le rapport principal fournit une base d’interprétation plus utile : il s’agit de cadres dirigeants décrivant leurs expériences.

Cela constitue un élément significatif sur les frictions de management. Il ne s’agit pas d’une comparaison contrôlée entre des organisations utilisant l’IA et des organisations l’évitant. Cela n’établit pas non plus que les employeurs ont perdu plus de temps que les employés n’en ont économisé.

L’enquête IA de monday.com identifie donc un point de pression plutôt qu’elle ne tranche le débat sur la productivité. Les organisations qui adoptent l’IA ont besoin de moyens pour évaluer les contributions sans supposer que l’aisance démontre l’expertise. Sans cela, l’amélioration apparente de la production laisse sans réponse la question de savoir qui mérite le crédit.

Cela modifie la conversation sur le management. La question utile devient de savoir si les employeurs peuvent reconnaître un travail efficace assisté par l’IA tout en préservant des normes significatives de compétence. Cela exige de regarder au-delà du degré de conviction d’un livrable lorsqu’il arrive dans la boîte de réception de quelqu’un.

Les managers héritent d’un travail que les métriques de production ne captent pas

Les personnes soumises à la pression la plus immédiate sont les managers responsables à la fois de la livraison et du développement des employés. Ils doivent accepter une assistance utile tout en déterminant si leurs équipes peuvent expliquer et défendre le travail qui en résulte. Ces responsabilités se recoupent, mais ne sont pas interchangeables.

Un manager peut approuver un document correct sans apprendre grand-chose sur la capacité sous-jacente de son auteur. Cela peut suffire pour une communication courante. C’est moins suffisant lorsque le même document oriente une promotion, l’affectation des ressources ou la préparation à une mission plus exigeante.

Une production plus rapide ne crée de valeur pour l’entreprise que lorsque le travail qui en résulte reste économique à examiner et fiable à utiliser.

Prenons l’exemple illustratif d’une note de planification produit. Un employé utilise l’IA pour organiser des observations clients en une recommandation sur la fonctionnalité qui mérite de l’attention. La note est claire et présente un raisonnement ordonné.

Le manager doit encore établir si les observations étayent la recommandation. Les demandes contradictoires des clients ont-elles été conservées ? L’employé a-t-il distingué les preuves directes de l’interprétation ? Le brouillon a-t-il discrètement transformé une hypothèse en fait apparent ?

Il s’agit de questions hypothétiques, et non de résultats documentés par l’enquête. Elles montrent pourquoi la qualité de présentation ne peut assumer toute la charge de l’évaluation. Une note lisible peut réduire l’effort de communication tout en laissant la décision sous-jacente tout aussi difficile.

L’employé peut avoir achevé la tâche plus vite et fait preuve d’un excellent jugement tout au long du processus. À l’inverse, le manager peut devoir reconstituer l’analyse parce que les éléments probants manquent. Une même surface soignée peut dissimuler des processus de travail très différents.

Cela rend les métriques de production étroitement définies moins informatives. Compter les documents terminés récompense la production sans établir si les collègues peuvent agir en conséquence. Mesurer le temps de rédaction exclut ce qui se produit durant la clarification, la correction, l’approbation et la mise en œuvre.

L’unité économique qui importe est le flux de travail achevé. Un brouillon contribue à ce flux, mais les personnes qui le valident et en résolvent les conséquences y contribuent aussi. Déplacer l’effort entre ces participants ne l’élimine pas automatiquement.

Le développement des employés ajoute une autre complication. Les managers doivent savoir si quelqu’un peut reconnaître lorsqu’une réponse est faible, incomplète ou inappropriée. Un livrable réussi fournit des preuves limitées si l’employé ne peut pas expliquer les choix qui l’ont façonné.

Cela ne signifie pas que les employés devraient accomplir chaque tâche sans assistance. Le travail dépend déjà des outils et de la collaboration. Le problème d’évaluation consiste à identifier quelles formes de jugement restent essentielles lorsque l’assistance prend en charge une plus grande part de l’exécution visible.

Pour un manager d’ingénierie, cela peut impliquer de comprendre pourquoi un changement proposé s’intègre à un système existant. Pour un responsable commercial, cela peut consister à vérifier si une recommandation reflète les contraintes réelles du client. Les éléments pertinents varient selon le poste.

La pression touche également les employés dont la contribution la plus importante consiste à rejeter de mauvaises suggestions. Leur travail peut disparaître de la vue lorsqu’une évaluation met l’accent uniquement sur l’artefact final. Empêcher une erreur laisse souvent moins de traces visibles que générer une page de plus.

Il s’agit d’implications analytiques des résultats, plutôt que de résultats supplémentaires de l’enquête. Elles expliquent pourquoi les organisations ne peuvent pas résoudre les difficultés d’évaluation des employés en exigeant simplement davantage d’utilisation de l’IA. L’adoption et la compétence répondent à des questions différentes.

Les managers font donc face à une décision d’allocation difficile. Ils ont besoin d’une visibilité suffisante pour évaluer le jugement sans transformer chaque mission en audit détaillé. Si l’évaluation devient excessivement lourde, le processus absorbe l’efficacité que l’assistance était censée créer.

Les gains de productivité dépendent de l’endroit où le travail aboutit

Il existe des éléments crédibles montrant que l’assistance par IA peut améliorer les performances au travail. La version la plus solide de l’argument de productivité ne dépend pas du fait que chaque employé devienne plus rapide. Elle repose sur des améliorations mesurables de tâches particulières, dans des conditions particulières.

L’étude sur le support client de Brynjolfsson, Li et Raymond a examiné 5 172 agents et constaté une augmentation moyenne de 15 % du nombre de problèmes résolus par heure. Les bénéfices variaient selon les travailleurs, les employés moins expérimentés gagnant davantage.

Les chercheurs ont également signalé des différences de qualité et d’apprentissage. Ces résultats importent parce qu’ils vont au-delà de la question de savoir si les participants appréciaient l’utilisation d’un outil. Ils examinent un résultat opérationnel dont le lien avec le travail est identifiable.

L’assistance par IA et les frictions managériales peuvent coexister parce qu’elles décrivent des parties différentes du processus de production.

Un assistant de support qui aide un employé à résoudre le problème d’un client intervient dans un flux de travail relativement précis. Un assistant rédactionnel généraliste utilisé pour préparer un document de stratégie interne est soumis à des attentes différentes. Les éléments nécessaires pour évaluer la réussite diffèrent également.

Cette comparaison n’implique pas que le travail de support soit simple. Elle montre pourquoi une affirmation de productivité nécessite une tâche et un résultat définis. « Davantage de résolutions utiles par heure » transmet une information que « davantage de contenu assisté par IA » ne transmet pas.

Un résultat contrasté est venu de METR, l’organisation d’évaluation de l’IA. Son expérience sur la productivité des développeurs a impliqué 16 développeurs expérimentés réalisant 246 tâches dans des projets open source qu’ils connaissaient bien. L’accès aux outils d’IA du début de 2025 a augmenté le temps de réalisation de 19 %.

Les participants pensaient néanmoins que l’IA les avait rendus plus rapides. Cet écart illustre un problème de mesure : un flux de travail peut sembler plus facile ou plus productif sans générer les gains de temps attendus. L’assistance perçue et l’accélération mesurée nécessitent des preuves distinctes.

Le résultat présente des limites claires. Il concernait certains développeurs, dépôts, tâches et outils au cours d’une période donnée. Il n’établit pas que les assistants de programmation actuels ralentissent chaque développeur, ni que les gains signalés ailleurs sont imaginaires.

METR a lui-même souligné ces limites par la suite. Dans sa mise à jour de février 2026 sur la mesure de la productivité, l’organisation a indiqué que des effets de sélection rendaient ses estimations plus récentes peu fiables. Certains développeurs ne souhaitaient pas participer dans des conditions exigeant de travailler sans IA.

La mise à jour a également décrit les difficultés de mesure du temps lorsque les développeurs utilisaient simultanément plusieurs agents. METR considérait que les outils plus récents étaient probablement plus utiles que ne le suggéraient ses estimations antérieures. L’organisation a averti que les données disponibles apportaient peu d’éléments sur l’ampleur de cette amélioration.

Ensemble, ces études soutiennent une conclusion mesurée. Les effets de l’IA dépendent du contexte, de l’expérience des travailleurs, de la sélection des tâches et de la définition de la réussite. Ni l’enthousiasme ni un résultat négatif isolé ne tranchent la question plus large.

La comparaison des produits suit la même logique. ChatGPT et Claude peuvent aider à créer du texte, tandis que les assistants de programmation interviennent dans les flux de développement logiciel. Une plateforme de gestion du travail comme monday.com traite de la coordination des tâches et des équipes.

Ces catégories se recoupent, mais elles ne répondent pas aux mêmes questions. Un assistant peut améliorer un brouillon sans établir qui a vérifié ses affirmations. Un système de coordination peut enregistrer l’activité sans établir si cette activité a produit une décision pertinente.

Le conflit central demeure donc celui entre les promesses de productivité et le travail nécessaire pour les concrétiser. Les marques concurrentes apportent du contexte, mais changer d’assistant ne résout pas automatiquement des critères d’évaluation ambigus. L’employeur doit toujours définir ce qui constitue un travail de qualité.

C’est l’interprétation utile de l’enquête de monday.com sur l’IA. Elle attire l’attention sur les conditions organisationnelles qui entourent l’assistance. Les prochains gains de productivité dépendront en partie de la capacité de ces conditions à rendre les résultats utiles plus faciles à identifier et à approuver.

Un document soigné peut masquer le jugement dans un sens comme dans l’autre

La préoccupation la plus évidente est que le soin apporté par l’IA puisse faire paraître un travail médiocre meilleur qu’il ne l’est. Une possibilité tout aussi importante existe dans l’autre sens. Un employé peut faire preuve d’un excellent jugement tout en recevant moins de reconnaissance parce que le texte visible semble avoir été assisté par une machine.

Cela crée un problème d’équité avant même qu’une évaluation automatisée des performances n’entre en jeu. Si les responsables considèrent une rédaction soignée avec suspicion, des employés compétents peuvent perdre la reconnaissance qui leur revient. S’ils y voient une preuve de compétence, un raisonnement faible peut recevoir une approbation imméritée.

Une évaluation équitable exige des preuves de responsabilité et de jugement, sans obliger les employés à prouver qu’ils ont travaillé sans assistance.

Un résumé de recherche illustratif met ce dilemme en lumière. Un employé rassemble des sources originales, repère des résultats contradictoires, écarte des affirmations non étayées et utilise l’IA pour améliorer l’organisation. Le texte final révèle peu les décisions difficiles qui ont rendu le résumé fiable.

Un autre employé pourrait soumettre un texte tout aussi fluide après avoir peu vérifié les éléments qui l’étayent. Les documents pourraient sembler comparables lors d’un examen rapide. Leur fiabilité, ainsi que la compétence démontrée par les employés, différeraient pourtant considérablement.

La réponse ne peut pas reposer entièrement sur la détection d’un langage généré. Même une identification correcte établirait une assistance, plutôt que la qualité des décisions de l’employé. Savoir que l’IA a contribué à un document n’explique pas si son auteur l’a utilisée de manière responsable.

Un historique des prompts ne résout pas non plus automatiquement le problème. Il peut montrer ce qu’une personne a demandé à un système de faire. Il ne peut pas, à lui seul, établir si cette personne a repéré une réponse erronée ou sélectionné des éléments de preuve appropriés.

C’est là que la distinction entre attribution et responsabilité devient utile. L’attribution concerne la personne ou le système ayant fourni une contribution donnée. La responsabilité concerne la personne qui assume le résultat et doit expliquer les décisions qui le sous-tendent.

Les employeurs ont besoin de ces deux concepts, mais le niveau de détail doit correspondre à la tâche. Une annonce interne de routine n’exige pas le même examen qu’une recommandation ayant des effets sur les effectifs. Traiter chaque document comme s’il avait la même importance crée un travail de vérification inutile.

Les normes de performance doivent également être cohérentes. Un employé ne devrait pas être félicité pour avoir utilisé l’IA dans une mission, puis pénalisé pour une assistance équivalente ailleurs sans explication. Des attentes incohérentes compliquent l’évaluation, même lorsque le travail sous-jacent est bon.

La gestion des connaissances devient pertinente car les éléments de preuve se trouvent souvent en dehors du livrable final. Les décisions, les sources et les discussions antérieures peuvent aider à expliquer pourquoi une recommandation a pris une forme donnée. Leur valeur tient à leur capacité à rendre le raisonnement retraçable.

Une base de connaissances consultable fournit un contexte utile sur l’organisation de ces éléments de soutien. Elle ne remplace pas l’évaluation managériale. L’accès aux dossiers n’aide que si les évaluateurs comprennent quelles preuves comptent.

Le défi organisationnel consiste à préserver ce contexte sans créer un processus de surveillance indiscriminé. Enregistrer chaque interaction génère davantage de contenu à examiner. Un relevé plus ciblé des sources, décisions et approbations importantes peut être plus pertinent pour la question d’évaluation.

Il s’agit d’un jugement analytique, et non d’une intervention testée dans le cadre de la recherche Nielsen. L’enquête n’établit pas quelle approche documentaire fonctionne le mieux. Les employeurs auraient besoin de leurs propres données avant d’affirmer qu’une politique particulière a réduit les coûts de vérification.

La même prudence s’applique à l’évaluation assistée par l’IA. Un système peut organiser les retours dans un langage clair tout en laissant l’évaluation sous-jacente incomplète. Une meilleure formulation ne fournit pas les observations manquantes et ne résout pas les récits contradictoires concernant les performances d’un employé.

En définitive, un document soigné peut dissimuler aussi bien une dépendance qu’une expertise. La tâche de la direction consiste à distinguer ces possibilités à l’aide de preuves liées au poste. Faute de quoi, le processus d’évaluation risque de récompenser les apparences tout en négligeant les décisions qui rendent l’assistance utile.

L’enquête identifie des frictions, pas un verdict sur la productivité

L’enquête de monday.com sur l’IA mérite l’attention car elle identifie un problème organisationnel précis. Ses résultats ne justifient pas d’affirmer que l’IA a échoué au travail. Ils n’établissent pas non plus que chaque difficulté signalée constitue un ajustement temporaire.

La recherche a été commandée par une entreprise qui vend des logiciels de gestion du travail. Ce contexte commercial doit rester visible lorsqu’on interprète les solutions proposées par l’entreprise. Un constat sur les problèmes de coordination ne valide pas indépendamment une plateforme conçue pour y répondre.

Les données justifient une préoccupation concernant les charges d’évaluation et de vérification, tout en laissant leur effet économique net non résolu.

Les difficultés déclarées sont pertinentes, car l’expérience des responsables peut influencer l’adoption et les relations avec les employés. Elles diffèrent toutefois du temps de travail observé ou des performances évaluées de manière indépendante. Ces mesures répondent à des questions liées sans être interchangeables.

La population interrogée compte également. Les directeurs et cadres supérieurs ne constituent pas un substitut direct à l’ensemble des superviseurs de première ligne ou des contributeurs individuels. Leur perspective éclaire l’expérience de la direction sans décrire pleinement la façon dont les employés vivent les mêmes dispositifs.

Un échantillon couvrant plusieurs pays élargit la portée de la recherche, mais ne garantit pas des conditions identiques d’un lieu de travail à l’autre. Les emplois, les pratiques de management et les stades d’adoption diffèrent. Les résultats agrégés peuvent masquer des variations importantes pour un employeur qui décide de sa réponse.

La causalité demeure une autre limite. Un répondant peut associer une plus grande difficulté d’évaluation à l’adoption de l’IA sans isoler l’IA des autres changements. L’augmentation des charges de travail, la modification des objectifs ou la réorganisation des équipes peuvent également influencer cette expérience.

Ces limites n’effacent pas le problème signalé. Elles définissent ce que des preuves plus solides devraient établir. La prochaine étape de la recherche devrait relier les frictions déclarées au travail observé, plutôt que de supposer que ce lien a déjà été mesuré.

Une interprétation est que les employeurs paient un coût d’ajustement en redessinant leurs processus. Une autre est que la génération à faible coût crée une demande durable de jugement coûteux. Les résultats actuels ne permettent pas de déterminer quelle explication prédomine.

La première interprétation serait renforcée si les charges de vérification diminuaient à mesure que les équipes gagnent en expérience. La seconde le serait si l’augmentation de la génération continuait de submerger la capacité d’approbation malgré la formation et des attentes plus claires. Toutes deux exigent des observations dans le temps.

Il existe aussi une interprétation positive possible du surcroît de vérification. Les responsables pourraient consacrer davantage de temps à examiner le travail parce que les employés s’attaquent désormais à des missions plus importantes. Dans ce cas, un effort de vérification accru pourrait accompagner une hausse utile de l’ambition.

À l’inverse, la vérification supplémentaire pourrait surtout consister à corriger des erreurs évitables ou à retrouver un contexte manquant. Cela indiquerait un déplacement de l’effort plutôt qu’un gain de productivité direct. Une mesure du temps seule devrait toujours s’accompagner d’une mesure de la qualité.

La conclusion défendable est plus étroite que la promesse générale du titre. L’IA modifie les informations que les responsables peuvent déduire d’un artefact finalisé. Les employeurs ont besoin de meilleures preuves sur les conséquences avant de traiter l’augmentation de la production comme une preuve d’amélioration des performances.

Surveillez les coûts de vérification, les règles d’évaluation et les résultats des flux de travail

Au cours des prochains mois, les indicateurs les plus utiles concerneront l’effort de vérification, les pratiques d’évaluation et le travail achevé. Ils sont plus instructifs qu’un nouveau décompte des employés expérimentant avec l’IA. Ils relient l’adoption à la pression managériale identifiée dans la recherche.

La prochaine épreuve consiste à déterminer si les employeurs peuvent transformer une production assistée en travail accepté tout en maintenant visible la contribution de chacun.

Premièrement, observez si les entreprises et les chercheurs mesurent le travail après le brouillon. Des informations utiles incluraient l’effort de correction, les délais d’approbation et l’attention requise des évaluateurs. Ces mesures aideraient à distinguer l’effort économisé de l’effort transféré à quelqu’un d’autre.

Une diminution des charges de vérification accompagnée d’une qualité stable affaiblirait l’idée que l’IA ne fait que déplacer le travail en amont. Des coûts de correction persistants la renforceraient. La comparaison importante suivrait des missions similaires jusqu’à leur achèvement, plutôt que de s’arrêter à la fin de la génération.

Deuxièmement, observez comment les employeurs modifient les critères de performance. Une mise à jour significative expliquerait comment ils évaluent la vérification, le jugement et l’appropriation des résultats assistés par l’IA. Une obligation d’utiliser davantage d’outils fournirait moins d’éléments indiquant que les difficultés d’évaluation sont résolues.

Des normes plus claires renforceraient l’idée que les organisations s’adaptent avec succès. Une dépendance persistante au volume documentaire ou à la qualité de présentation laisserait le problème d’attribution intact. Les employés doivent comprendre ce qui mérite une reconnaissance avant que les responsables puissent l’évaluer de façon cohérente.

Troisièmement, recherchez des résultats au niveau des flux de travail reposant sur des comparaisons crédibles. Des preuves plus solides relieraient l’assistance à des résultats utilisables tout en tenant compte de la qualité et de la vérification. Elles reconnaîtraient également les différences entre les emplois plutôt que de présenter une seule affirmation de productivité pour tous les travailleurs.

Une étude de cas d’un fournisseur peut apporter des détails utiles, mais sa conception importe. Les lecteurs devraient rechercher des tâches définies, des conditions comparables et une explication de ce que la mesure exclut. Un récit convaincant dépourvu de ces éléments ne peut trancher le compromis.

Ces signaux ne dépendent pas du lancement programmé d’un produit particulier. Ils constituent des tests pour la prochaine série d’affirmations des employeurs, des chercheurs et des entreprises de logiciels. Chacun aiderait à établir si le casse-tête managérial se résorbe ou s’installe durablement.

Pour les travailleurs du savoir, l’implication immédiate concerne la façon dont leur contribution devient visible. Produire un document clair reste utile, mais expliquer ses preuves et ses décisions peut compter tout autant. Le travail le plus solide rend le résultat fiable sans contraindre les collègues à le reconstituer.

Pour les acheteurs en entreprise, l’implication concerne ce qu’un achat est censé améliorer. L’assistance à la rédaction, la coordination et l’évaluation des employés répondent à des exigences différentes. Un déploiement réussi exige des preuves liées au problème qu’il est censé résoudre.

Lisez l’enquête de monday.com sur l’IA comme une invitation à examiner toute cette chaîne. Ne vous arrêtez pas à la capacité d’un outil à produire une première ébauche impressionnante. Demandez-vous si le destinataire peut la vérifier, l’utiliser et comprendre qui a exercé son jugement. Comparez ces réponses à l’effort requis avant que l’assistance n’entre dans le flux de travail. Lorsque la prochaine promesse de productivité arrivera, examinez son point d’arrêt : la génération, l’approbation ou un résultat finalisé. Cette frontière détermine souvent si la promesse décrit une commodité individuelle ou une valeur organisationnelle. Pour la prochaine mission assistée par l’IA de votre équipe, le relecteur peut-il reconnaître la contribution de l’employé sans avoir à répéter le travail sous-jacent ?