Productivité IA selon Rick Manelius : la concentration prime sur davantage de production

Rick Manelius a publié un avertissement direct sur la productivité de l’IA le 26 juillet 2026, après que sa liste de projets a atteint environ 40 expérimentations actives. L’IA avait rendu le lancement du travail bien plus facile. Elle n’avait pas augmenté sa capacité à terminer tout ce qu’il commençait.

Cette distinction est importante, car la plupart des affirmations sur la productivité de l’IA mesurent la rapidité au sein d’une tâche définie. Elles mesurent rarement ce qui se passe lorsque le temps gagné revient à une personne ambitieuse. Ce temps peut devenir du repos, un travail plus approfondi ou une douzaine d’engagements supplémentaires.

L’essai de Rick Manelius affirme que la ressource rare s’est déplacée. Produire un brouillon, un prototype, une analyse ou une application demande désormais moins d’efforts. Choisir ce qui mérite de l’attention, boucler les sujets ouverts et mener un travail utile jusqu’à ses dernières étapes sont devenus plus difficiles.

Cet argument de Rick Manelius sur la productivité de l’IA remet en cause le récit dominant de l’IA au travail. Microsoft, OpenAI, Anthropic, Google et d’innombrables startups vendent des formes de capacité élargie. Manelius demande ce qui se passe lorsque les personnes remplissent immédiatement cette capacité.

Sa réponse est inconfortable. Une production plus rapide peut créer davantage de travail au lieu d’en réduire. Les compétences humaines les plus précieuses pourraient donc être la concentration et le suivi jusqu’au bout, plutôt que la capacité à lancer davantage d’activités assistées par l’IA.

Ce que change l’argument de Rick Manelius sur la productivité de l’IA

L’événement n’est pas la sortie d’un nouveau modèle. C’est une remise en question opportune de la métrique utilisée pour évaluer le travail assisté par l’IA.

Manelius décrit une séquence familière. Avant l’IA générative, il avait plus de 100 idées d’articles et environ 50 projets possibles en attente d’attention. Le temps limitait ces ambitions.

L’IA a affaibli cette contrainte. Il a commencé à envoyer des prompts entre les réunions, parfois dans des créneaux de cinq minutes, tandis que les modèles continuaient à travailler en arrière-plan. Les premières expérimentations ont produit des résultats encourageants, ce qui rendait d’autres essais raisonnables.

L’expansion s’est poursuivie jusqu’à ce qu’il ait environ 40 preuves de concept en cours. Chaque projet semblait peu coûteux lorsqu’il était évalué selon son coût de lancement. Ensemble, ils ont créé un vaste portefeuille d’obligations inachevées.

Cette expérience a conduit Manelius à distinguer la productivité horizontale du progrès vertical. La productivité horizontale consiste à faire davantage de choses simultanément. Le progrès vertical consiste à faire avancer plus loin un nombre plus restreint de choses importantes.

La différence paraît simple, mais les logiciels de travail récompensent généralement la première catégorie. L’activité apparaît dans les documents générés, les mises à jour de tâches, les pull requests, les prototypes, les messages et les résumés de réunions. Le suivi jusqu’au bout est plus lent et moins visible.

Un projet terminé exige aussi des formes de travail que l’IA n’efface pas. Quelqu’un doit décider si le résultat est exact, pertinent, complet, sûr et utile. Quelqu’un doit intégrer les retours et assumer la responsabilité du résultat.

Manelius illustre ce problème avec un essai inachevé. Il a décidé que sa version initiale n’était pas assez bonne, bien qu’elle fût presque publiable. Il a choisi plusieurs révisions supplémentaires plutôt que de le publier rapidement.

Cette décision représente le renversement central. L’IA réduit le coût nécessaire pour parvenir à une première version plausible. L’écart restant entre plausible et excellent peut encore exiger l’essentiel du jugement, de l’édition et de l’engagement.

C’est pourquoi l’essai relève de plus que de simples conseils de productivité personnelle. Il saisit un conflit qui apparaît dans l’ensemble du travail intellectuel assisté par l’IA. Les organisations peuvent générer davantage d’artefacts sans produire davantage de décisions, de valeur client ou de résultats achevés.

L’histoire survient aussi à un moment précis. Les agents IA peuvent désormais exécuter plusieurs tâches pendant qu’une personne assiste à une réunion ou examine un autre résultat. L’exécution parallèle augmente le débit des machines, mais elle accroît aussi la file d’attente de revue humaine.

La technologie crée des options plus vite que les personnes ne peuvent les évaluer. Cela rend la sélection, l’ordonnancement et l’achèvement importants sur le plan économique. La concentration cesse d’être une préférence de mode de vie pour devenir une contrainte de production.

Des tâches plus rapides créent des journées de travail plus étendues

L’accélération des tâches ne garantit pas une journée de travail plus courte, car le temps gagné devient souvent une nouvelle capacité pour du travail supplémentaire.

Des recherches contrôlées ont établi que l’IA générative peut améliorer les performances sur des missions délimitées. Une expérience de 2023 impliquant 453 professionnels diplômés de l’enseignement supérieur a montré que ChatGPT réduisait de 40 % le temps moyen d’exécution des tâches de rédaction. La qualité a augmenté de 18 %.

L’expérience de rédaction mesurait une tâche claire, un point final défini et un résultat comparable. Ces conditions aident les chercheurs à isoler un effet de productivité.

Une autre étude a examiné des milliers d’agents de support client utilisant un assistant IA. Les chercheurs ont constaté que l’accès à cet outil augmentait en moyenne de 14 % le nombre de problèmes résolus par heure. Les travailleurs moins expérimentés en bénéficiaient le plus.

Ces résultats étayent les affirmations sur la productivité de l’IA. Ils n’établissent pas que chaque travailleur reçoit une quantité équivalente de temps libre. Une tâche plus rapide peut directement conduire à une charge de travail plus importante.

Une recherche publiée par UC Berkeley Haas en février 2026 décrit cette intensification. Les chercheurs Aruna Ranganathan et Xingqi Maggie Ye ont mené une étude ethnographique de huit mois au sein d’une entreprise technologique de 200 personnes.

Les travailleurs accomplissaient les tâches plus vite, élargissaient le périmètre de leurs rôles et laissaient le travail pénétrer davantage de moments de la journée. Ils maintenaient également plusieurs flux de travail actifs pendant que les processus IA s’exécutaient en arrière-plan.

Les résultats de Berkeley identifient trois schémas. Les travailleurs prenaient en charge des tâches qui relevaient autrefois d’autres personnes, utilisaient les pauses naturelles pour envoyer des prompts et maintenaient plusieurs fils simultanés.

Cette description correspond étroitement au récit de Manelius. Une personne envoie un prompt avant une réunion parce que l’action ne prend que quelques secondes. La réponse crée néanmoins une obligation future : lire, évaluer, réviser, transmettre ou rejeter.

Le prompt consomme peu de temps. Son résultat revendique une attention ultérieure.

Ce mécanisme explique pourquoi l’IA peut réduire l’effort par tâche tout en augmentant la charge cognitive totale. La charge cognitive est l’effort mental requis pour retenir, traiter et coordonner des informations. Chaque projet actif ajoute des dépendances et des décisions non résolues.

Les données sur le travail montrent déjà une marge limitée pour davantage de fragmentation. Microsoft a indiqué en 2025 que les employés étaient interrompus par une réunion, un e-mail ou un chat toutes les deux minutes pendant les heures principales.

Son enquête mondiale a révélé que 80 % des travailleurs ne disposaient pas de suffisamment de temps ou d’énergie pour faire leur travail. Dans le même temps, 53 % des dirigeants ont déclaré que la productivité devait augmenter.

Le rapport sur la journée de travail infinie a également constaté que l’activité s’étendait aux premières heures du matin et aux soirées. Microsoft présentait l’IA et des flux de travail repensés comme une partie de la solution.

Manelius ajoute une condition essentielle à cette proposition. L’IA ne peut pas protéger l’attention lorsque chaque gain d’efficacité justifie un engagement supplémentaire. Sans limites, l’automatisation accélère le même système surchargé.

Les travailleurs de la connaissance font donc face à un paradoxe de capacité. Ils peuvent produire davantage d’unités de travail, tout en se sentant plus éloignés de l’achèvement. Leur production augmente alors que leur sentiment de contrôle diminue.

Cela ne prouve pas que l’IA manque de valeur. Cela montre pourquoi les organisations ont besoin de mesures plus larges de la productivité. La vitesse compte, mais la durée de la journée de travail, le stock de travail inachevé, le fardeau des révisions, la qualité des décisions et la récupération des employés comptent aussi.

Davantage de production concurrence le travail achevé

L’enjeu central n’oppose pas les humains à l’IA. Il oppose la production visible au travail qui résiste à l’examen et crée un résultat utilisable.

L’IA générative excelle dans la production d’artefacts intermédiaires crédibles. Elle peut rédiger une stratégie, résumer des entretiens, esquisser du code, proposer des campagnes ou transformer des notes en présentation. Chaque artefact peut donner l’apparence d’un progrès.

Pourtant, un artefact n’est pas automatiquement un résultat. Une stratégie exige des choix et des engagements de ressources. Un résumé de recherche exige des preuves traçables. Le code exige des tests, de la maintenance, une revue de sécurité et un responsable clairement identifié.

Cette distinction devient plus difficile à percevoir parce que les résultats de l’IA arrivent souvent avec une structure soignée. Une bonne mise en forme peut faire paraître aboutie une pensée inachevée. Un langage fluide peut dissimuler un contexte manquant ou des hypothèses non étayées.

BetterUp Labs et le Stanford Social Media Lab appellent une version de ce problème le « workslop ». Ce terme décrit un contenu poli généré par l’IA qui manque de suffisamment de substance ou de contexte pour faire avancer le travail de son destinataire.

Leur enquête de septembre 2025 a porté sur 1 150 employés de bureau américains à temps plein. Quarante pour cent ont déclaré avoir reçu du workslop au cours du mois précédent. Les répondants ont indiqué consacrer en moyenne deux heures à résoudre chaque incident.

La recherche sur le workslop constitue une preuve issue d’enquête, et non une mesure universelle de tous les lieux de travail. Elle souligne néanmoins un transfert de travail important.

Un expéditeur peut gagner du temps en générant rapidement un document. Le destinataire consacre ensuite du temps à en reconstruire l’objectif, à vérifier ses affirmations et à décider de ce qui doit se passer ensuite. Une efficacité locale crée du travail en aval.

L’argument de Manelius porte sur un transfert similaire au sein d’une même personne. Lancer un projet IA semble peu coûteux, car la génération initiale l’est. Cette même personne hérite ensuite des coûts de revue, de coordination et d’achèvement.

Cela modifie l’économie des portefeuilles de projets personnels. Avant l’IA, l’effort requis pour démarrer un projet décourageait certaines idées faibles. Cette friction servait de filtre imparfait.

L’IA supprime une grande partie de ce filtre. Les travailleurs peuvent désormais produire un prototype avant d’avoir pleinement décidé si le problème mérite de l’attention. Les équipes peuvent générer plusieurs options stratégiques avant de s’accorder sur leurs contraintes.

L’exploration a une réelle valeur. Des expérimentations peu coûteuses peuvent révéler de mauvaises hypothèses avant qu’une entreprise ne prenne un engagement plus important. Le problème commence lorsque les expérimentations s’accumulent sans règles d’arrêt explicites.

Chaque preuve de concept exige une décision. Elle doit avancer, fusionner avec une autre initiative, être mise en pause ou clôturée. Éviter cette décision ne permet pas de conserver l’expérimentation sans coût.

Le projet continue d’occuper les tableaux de bord, les conversations, la mémoire et le stockage. Des collègues peuvent en dépendre. Des parties prenantes peuvent interpréter son existence comme une promesse.

C’est ici que le suivi jusqu’au bout se distingue de la persévérance. La persévérance consiste à continuer malgré la difficulté. Le suivi jusqu’au bout consiste à résoudre l’engagement, y compris lorsque la bonne résolution est l’annulation.

La thèse de Rick Manelius sur la productivité de l’IA place donc la responsabilité au centre du travail moderne. L’IA peut proposer des options, mais une personne ou une équipe doit assumer le point d’arrivée. Sans responsabilité, une génération plus rapide crée un champ d’ambiguïté plus vaste.

Les organisations devraient remarquer qui subit la pression de ce changement. Les contributeurs individuels reçoivent davantage de matériel à valider. Les managers reçoivent davantage de propositions à prioriser. Les clients rencontrent davantage de fonctionnalités, de messages et de documentation qui se disputent leur attention.

La pression atteint aussi les dirigeants les plus hauts placés. Ils doivent distinguer le débit opérationnel du mouvement stratégique. Une entreprise peut livrer davantage de changements tout en affaiblissant la cohérence de son produit.

La concentration protège la cohérence. Le suivi jusqu’au bout transforme les possibilités sélectionnées en résultats fiables. Ensemble, ils déterminent si la capacité générée par l’IA devient de la valeur ou du bruit.

L’IA rend les débuts peu coûteux et les finitions onéreuses

L’IA accélère la première ébauche, mais la dernière ligne droite concentre toujours le jugement, la responsabilité et les arbitrages difficiles.

Manelius compare la quasi-finalisation à la différence entre une éclipse solaire partielle et totale. Le dernier point de pourcentage peut transformer toute l’expérience, même lorsque l’écart numérique semble minime.

La métaphore est utile, car l’avancement vers l’achèvement n’est pas régulier. Une ébauche peut rapidement atteindre un niveau de fluidité acceptable. Améliorer sa fiabilité factuelle et sa précision stratégique peut nécessiter plusieurs cycles de relecture humaine.

Les logiciels suivent une courbe similaire. L’IA peut produire rapidement du code fonctionnel, surtout pour des schémas familiers. La préparation à la production exige de tester des conditions inhabituelles, de protéger les données, de documenter les décisions et de maintenir le système après sa mise en service.

La dernière ligne droite peut aussi révéler que l’orientation initiale était mauvaise. Cette découverte paraît inefficace parce qu’elle invalide le travail déjà produit. En réalité, reconnaître une mauvaise direction évite un gaspillage plus important.

L’IA complique cette étape en donnant l’impression que les coûts irrécupérables sont plus élevés. Une équipe peut avoir généré une grande quantité de code, de textes ou d’analyses en quelques heures. Ce volume rend l’abandon émotionnellement difficile, même si la génération a été peu coûteuse.

Cela crée une nouvelle forme d’attachement. Les gens défendent un projet parce qu’il paraît déjà substantiel. Ils confondent la masse générée avec la valeur acquise.

Bien terminer exige la réaction inverse. Les équipes doivent évaluer les projets au regard de leurs objectifs actuels, et non de la quantité de contenu déjà produite. Elles doivent rester prêtes à supprimer un travail pourtant plausible.

Le problème de qualité dépasse également les hallucinations. Une hallucination est une production d’IA affirmée avec assurance mais dépourvue de fondement factuel. Même un contenu factuellement exact peut échouer s’il ignore l’historique local, les besoins des parties prenantes ou les contraintes organisationnelles.

C’est pourquoi l’accès au contexte est important. Les travailleurs du savoir ont besoin de décisions, documents, conversations et éléments de preuve pertinents au moment de la révision. Une base de connaissances personnelle consultable peut réduire le temps passé à reconstruire ce contexte.

Cependant, la recherche d’informations ne prend pas la décision finale. Un meilleur contexte soutient le jugement, mais ne choisit pas l’objectif. Le travailleur détermine toujours quelles preuves comptent et quel compromis l’organisation acceptera.

L’achèvement comprend aussi un travail social. Quelqu’un doit obtenir un accord, expliquer les conséquences, répondre aux objections et coordonner la mise en œuvre. Ces tâches avancent souvent à un rythme humain, car la confiance ne se génère pas à la demande.

La même limite apparaît dans le travail créatif. L’IA peut proposer vingt idées de campagne en quelques minutes. Une équipe a toujours besoin d’un message qui corresponde à son public, son produit, son timing et sa réputation.

Choisir une idée signifie en rejeter dix-neuf. L’IA encourage l’expansion, tandis que la stratégie exige l’exclusion.

La capacité à générer des alternatives accroît donc la valeur d’une définition claire de ce qui est terminé. Une définition de terminé énonce les conditions qu’un résultat doit remplir avant qu’un engagement ne soit clos. Elle devrait inclure des exigences de qualité, de responsabilité et de livraison.

Sans cette définition, les projets assistés par IA restent améliorables indéfiniment. Les modèles peuvent toujours fournir une autre variation, des recherches supplémentaires ou une version réécrite. L’itération devient un mécanisme d’évitement.

La décision de Manelius de réviser moins d’articles, mais plus en profondeur, représente une réponse possible. Il réintroduit de la rareté après que la technologie l’a supprimée. La contrainte vient du jugement éditorial plutôt que du coût de production.

Les entreprises ont besoin d’un mouvement comparable. Elles peuvent limiter le travail actif, attribuer des responsables clairement identifiés et exiger des preuves avant d’ouvrir une nouvelle initiative. Ces choix semblent opérationnels, mais ils protègent la valeur stratégique de l’IA.

La concentration est un système d’exploitation, pas un trait de personnalité

La concentration ne survivra pas si les organisations célèbrent l’activité liée à l’IA tout en récompensant les employés qui acceptent un volume de travail illimité.

Il est tentant de considérer l’expérience de Manelius comme un problème de discipline personnelle. Il a ouvert trop de boucles, reconnu la pression, puis réduit ses engagements. Une meilleure liste de tâches pourrait sembler suffisante.

Cette interprétation ignore les incitations professionnelles qui entourent l’IA. Les dirigeants introduisent souvent ces outils pour accroître la capacité. Les employés supposent logiquement que le temps gagné doit se traduire par davantage de production.

Le Work Trend Index 2025 de Microsoft a révélé que 82 % des dirigeants prévoyaient d’utiliser le travail numérique pour accroître la capacité de leurs effectifs au cours des 12 à 18 mois suivants. Le travail numérique désigne les systèmes d’IA qui effectuent certaines parties du travail organisationnel.

L’expansion peut bénéficier à une équipe aux ressources limitées. Elle peut aussi créer l’attente que chaque travailleur supervise davantage d’activités simultanées. Le poste passe alors de l’exécution des tâches à la gestion d’une file grandissante de productions machine.

Les travailleurs ne peuvent pas résoudre ce problème de conception par la seule concentration. Ils ont besoin de l’autorité nécessaire pour refuser du travail, clôturer des expérimentations et protéger du temps de révision ininterrompu. Sinon, la concentration entre en conflit avec les attentes de performance.

Un modèle opérationnel pratique commence par moins de résultats actifs. Un résultat décrit un changement significatif, comme résoudre un problème client ou livrer une capacité fiable. Il ne s’agit pas simplement d’un livrable généré.

Les équipes peuvent ensuite limiter le travail en cours. Une limite de travail en cours plafonne le nombre d’éléments actifs avant qu’un autre puisse commencer. Cette pratique existe depuis longtemps dans le logiciel et l’industrie, mais l’IA la rend pertinente dans l’ensemble du travail intellectuel.

La limite devrait inclure les processus d’IA, et pas uniquement les affectations humaines. Un agent qui recherche dix sujets crée dix obligations de révision. Ces obligations comptent même lorsque l’agent fonctionne sans supervision.

Les organisations devraient aussi mesurer la clôture. Les indicateurs utiles incluent les projets achevés, les décisions résolues, les problèmes clients éliminés et les anciens engagements abandonnés. Les documents générés ne devraient pas, à eux seuls, être considérés comme une réussite.

La capacité de révision mérite son propre budget. Avant de lancer un flux de travail d’IA, une équipe devrait identifier qui inspectera la production et combien de temps cette inspection exigera. Une révision sans responsable est une dette cachée.

Le même principe s’applique aux réunions et aux messages. Les résumés générés par IA peuvent réduire les coûts de participation ou de mémorisation. Ils peuvent aussi encourager davantage de réunions parce que la documentation paraît automatique.

Un résumé ne résout pas les priorités concurrentes. Si chaque réunion produit cinq actions à mener, l’automatisation peut accroître le nombre d’engagements qui entrent dans le système.

Les managers doivent donc défendre les points d’arrêt. Les déjeuners, les soirées et le temps entre les réunions limitaient autrefois naturellement le travail. Des modèles toujours disponibles peuvent dissoudre ces frontières, à moins que les équipes ne les rétablissent délibérément.

Cela ne nécessite pas de rejeter l’ambition. Il faut orienter l’ambition vers la profondeur. Un travailleur peut utiliser l’IA pour tester rapidement plusieurs approches, puis s’engager sur l’une d’elles et clôturer les autres.

L’IA peut soutenir ce processus en comparant les preuves, en identifiant les contradictions et en préservant le contexte du projet. Un outil tel que ask remio peut aider un travailleur à retrouver des éléments antérieurs sans ouvrir une nouvelle boucle de recherche.

Le travailleur reste responsable de la priorisation. Aucun modèle ne connaît le coût d’opportunité complet d’un nouvel engagement, sauf si l’organisation a clairement exprimé ses objectifs et ses limites.

C’est à ce stade que l’argument de Rick Manelius sur la productivité liée à l’IA devient actionnable. La nouvelle compétence ne consiste pas simplement à mieux formuler des prompts. Elle consiste à concevoir un système de travail dans lequel des débuts peu coûteux ne peuvent pas submerger des fins onéreuses.

Ce que la thèse de la concentration ne peut toujours pas prouver

Manelius propose un diagnostic solide, mais son expérience personnelle ne prouve pas que l’IA augmente universellement l’épuisement professionnel ni que moins de projets produisent toujours de meilleurs résultats.

L’essai original comprend des estimations de productivité frappantes, allant de deux à 100 fois plus rapide. Ces chiffres décrivent l’expérience et le cadre d’analyse de Manelius. Ils ne devraient pas être considérés comme des mesures contrôlées dans l’ensemble des professions.

Les recherches vérifiées constatent généralement des effets plus limités dans des conditions précises. L’expérience sur la rédaction professionnelle a mesuré une réduction de 40 % du temps nécessaire à l’achèvement. L’étude sur le support client a relevé une hausse moyenne de productivité de 14 %.

Les résultats varient aussi selon la tâche et le travailleur. Dans la recherche sur le support client, les employés moins expérimentés ont bénéficié de gains plus importants. Les travailleurs expérimentés ont observé des gains plus faibles.

D’autres expériences ont mis en évidence une frontière de capacités irrégulière. L’IA réalise bien certaines tâches apparemment difficiles tout en échouant sur des tâches similaires en dehors de ses points forts. Les utilisateurs peuvent devenir moins précis lorsqu’ils font confiance au modèle dans le mauvais domaine.

Ces différences importent, car la concentration ne peut pas corriger toutes les limites techniques. Un travailleur profondément engagé peut tout de même suivre une production inexacte du modèle. La concentration ne remplace pas la vérification.

Tous les projets ouverts ne devraient pas non plus être considérés comme nuisibles. Le travail exploratoire crée de l’apprentissage, surtout lorsque l’incertitude est élevée. Plusieurs prototypes rapides peuvent révéler quelle voie mérite un investissement sérieux.

La distinction essentielle est de savoir si les expérimentations produisent des décisions. Un portefeuille d’essais peut être discipliné lorsque chacun comporte une question, un responsable, une limite de temps et une condition de sortie.

Manelius associe également l’expansion de ses projets à un épuisement professionnel émergent. L’épuisement professionnel est un syndrome lié au travail, associé à l’épuisement, à une prise de distance vis-à-vis du travail et à une efficacité professionnelle réduite. Il a de multiples causes organisationnelles et personnelles.

Son récit ne permet pas d’isoler l’IA comme cause. La parentalité, l’entrepreneuriat, les exigences professionnelles, la pression financière, la santé et la culture organisationnelle peuvent tous influencer l’épuisement.

Les résultats de Berkeley méritent une prudence similaire. La recherche évoquée en février 2026 reposait sur une étude de huit mois menée au sein d’une seule entreprise technologique. Elle offre des preuves comportementales riches, non une estimation représentative de l’ensemble de la main-d’œuvre.

La télémétrie de Microsoft a également ses limites. Elle reflète l’activité dans les environnements Microsoft 365 et exclut certaines populations. Le volume de messages n’est pas identique à la pression psychologique.

Ces sources convergent néanmoins vers un mécanisme plausible. L’IA réduit les frictions du démarrage d’un travail intellectuel. Les personnes réagissent en élargissant le périmètre, en maintenant davantage de fils parallèles et en utilisant un temps qui servait auparavant de pause.

Ce mécanisme devrait être testé dans tous les secteurs. Les chercheurs ont besoin de données longitudinales établissant un lien entre l’adoption de l’IA et les heures de travail, le travail inachevé, la qualité, l’autonomie et le bien-être.

Les employeurs devraient aussi distinguer l’exploration volontaire de l’intensification imposée. Un fondateur qui choisit de mener des expérimentations supplémentaires n’occupe pas la même position qu’un employé dont l’objectif de performance augmente après le déploiement de l’IA.

Le contrôle transforme l’expérience. Les travailleurs qui décident comment utiliser le temps gagné peuvent bénéficier d’une plus grande autonomie. Ceux qui reçoivent des quotas plus élevés peuvent vivre la même technologie comme de la surveillance ou de la pression.

Il existe également une question de répartition. L’IA peut réduire les tâches ingrates pour un employé tout en transférant le travail de validation à un autre. La productivité à l’échelle de l’organisation peut différer de la productivité individuelle.

Une évaluation équitable doit suivre le travail tout au long des transferts. Elle devrait identifier qui gagne du temps, qui absorbe les révisions et qui porte la responsabilité lorsque la production échoue.

La thèse de la concentration reste précieuse parce qu’elle pose ces questions. Sa faiblesse n’est pas de ne pas offrir une réponse universelle. Elle n’apparaîtrait que si les entreprises transformaient « se concentrer davantage » en une exigence supplémentaire imposée à des travailleurs déjà surchargés.

La concentration exige de soustraire. Si les dirigeants conservent chaque objectif, réunion, initiative et attente de réponse, une nouvelle politique de concentration devient un langage creux. Quelque chose doit sortir du système.

Trois signaux montreront si le suivi l’emporte

La prochaine phase de l’IA au travail sera jugée sur la capacité des organisations à transformer une exécution plus rapide des tâches en meilleurs résultats, sans prolonger indéfiniment le travail humain.

Le premier signal est un changement dans la mesure de la productivité. Les entreprises devraient aller au-delà du comptage des livrables générés, des prompts ou de l’adoption de l’IA. Elles devraient mesurer les résultats achevés, les retouches, le temps de décision et le volume de travail inachevé.

Si ces indicateurs se généralisent, la thèse de la concentration se renforcera. Cela montrerait que les organisations reconnaissent la différence entre le débit des machines et les progrès réels de l’entreprise.

Si les entreprises continuent de célébrer l’usage sans mesurer le travail qu’il génère en aval, cette thèse s’affaiblira en tant que mouvement opérationnel. La concentration resterait une stratégie personnelle d’adaptation plutôt qu’une norme institutionnelle.

Le deuxième signal concerne le développement, par les produits d’IA, de contrôles plus robustes pour le travail en cours. Des contrôles utiles pourraient afficher en un seul endroit chaque agent actif, chaque révision en attente, chaque décision non résolue et chaque résultat abandonné.

De telles fonctionnalités considéreraient l’attention humaine comme une ressource limitée. Elles aideraient les travailleurs à comprendre les obligations futures créées par un nouveau prompt ou une tâche déléguée.

Si les fournisseurs optimisent surtout pour davantage d’agents simultanés, plus de générations et plus de messages automatisés, la surcharge restera probable. L’interface encouragera l’expansion tout en masquant les coûts d’achèvement.

Le troisième signal est l’existence de données longitudinales sur l’intensité du travail. Les chercheurs devraient comparer l’amplitude des journées de travail, l’étendue des tâches, le temps de récupération et l’autonomie des employés avant et après une adoption significative de l’IA.

Une baisse du temps de travail associée à une qualité stable remettrait en cause la version la plus forte de l’avertissement de Manelius. Elle montrerait que le temps gagné peut réellement le rester dans des conditions favorables.

Des journées plus longues, des responsabilités élargies ou une hausse des retouches renforceraient son analyse. Cela suggérerait que les gains de productivité locaux sont absorbés par des attentes croissantes.

Les travailleurs du savoir n’ont pas besoin d’attendre ces résultats avant d’examiner leurs propres systèmes. Ils peuvent compter leurs engagements actifs, identifier les livrables en attente de révision et clore les expérimentations qui ne répondent plus à une question importante.

L’objectif n’est pas de créer une rareté artificielle. Il s’agit d’une allocation délibérée. L’IA devrait faciliter l’achèvement d’un travail utile, et non faire paraître obligatoire chaque projet possible.

C’est l’idée durable derrière la productivité IA de Rick Manelius. Une exécution plus rapide déplace le goulot d’étranglement. Lorsque la génération devient abondante, le jugement et l’engagement prennent davantage de valeur.

Choisissez les projets dont l’achèvement compterait réellement. Définissez ce que signifie « terminé » avant de les étendre. Utilisez ensuite l’IA pour aller plus loin, préserver le contexte, tester les hypothèses et réduire le travail évitable.

La question ouverte n’est plus de savoir si l’IA peut vous aider à entamer davantage de travail. Elle le peut clairement. La question est de savoir si vous utiliserez cette nouvelle capacité pour multiplier vos obligations ou pour achever les quelques engagements qui méritent d’être assumés.