Thèse de Rick Manelius sur la productivité par l’IA : la concentration l’emporte sur le fait de tout faire

Rick Manelius a publié un avertissement sur la productivité par l’IA le 26 juillet, après que sa liste de projets a atteint environ 40 preuves de concept actives. L’IA avait accéléré les tâches individuelles, mais sa charge de travail lui semblait plus fragmentée. Au lieu de transformer le temps gagné en temps pour souffler, il l’avait converti en engagements supplémentaires.

La thèse de Rick Manelius sur la productivité par l’IA remet en question la promesse la plus séduisante entourant l’IA générative. Une exécution plus rapide ne crée pas automatiquement de la concentration, du travail achevé ou des journées plus courtes. Elle peut simplement réduire le coût de démarrage d’une nouvelle activité.

Cette distinction compte, car les assistants IA facilitent désormais de façon inhabituelle le lancement de brouillons, prototypes, recherches et expérimentations. Claude, ChatGPT, Copilot et les agents de programmation peuvent produire des avancées visibles en quelques minutes. Le travail humain le plus difficile commence après cette première production, lorsqu’une personne doit choisir, vérifier, réviser, coordonner et terminer.

Manelius soutient que la réponse utile est verticale plutôt qu’horizontale. Les travailleurs du savoir devraient utiliser l’IA pour approfondir un nombre réduit de projets importants, plutôt que de disperser leur attention sur chaque idée nouvellement accessible. Son témoignage personnel n’est pas une recherche contrôlée, mais il met en évidence un problème de productivité que les données du monde du travail commencent à révéler.

Un fondateur a transformé le temps gagné en 40 projets ouverts

Le changement immédiat n’était pas un nouveau modèle ni le lancement d’un produit. C’était le récit public d’une efficacité de l’IA produisant davantage de travail inachevé.

Manelius est un fondateur de startups à répétition qui a décrit avoir plus de 100 titres et plans d’articles en attente. Il disposait également d’environ 50 projets potentiels attendant du temps disponible. L’IA générative semblait supprimer la contrainte qui avait maintenu nombre de ces idées en sommeil.

Il a commencé à confier des tâches à Claude pendant les intervalles de cinq minutes entre deux réunions. L’assistant pouvait continuer à produire du contenu pendant qu’il passait à l’appel suivant. Les premières expériences ont suffisamment bien fonctionné pour encourager une nouvelle expansion.

Ce succès est devenu le problème. Des brouillons et prototypes plus rapides ont relevé ses attentes quant au nombre de projets qu’il pouvait mener de front. Il s’est finalement retrouvé responsable d’environ 40 preuves de concept, chacune exigeant des décisions et une attention supplémentaires.

Dans son témoignage original, Manelius décrit chaque projet comme une nouvelle boucle ouverte. Une boucle ouverte est un engagement non résolu qui continue de rivaliser pour obtenir de l’attention mentale. L’IA a réduit le travail nécessaire pour ouvrir ces boucles sans éliminer le coût humain de leur clôture.

C’est une distinction importante pour les travailleurs du savoir. L’IA générative compresse souvent la première phase du travail, notamment la réflexion initiale, la rédaction, la synthèse ou l’assemblage d’un prototype. Elle ne compresse pas nécessairement toutes les phases ultérieures au même rythme.

Un article généré nécessite toujours une vérification factuelle, un jugement structurel, une révision et une publication. Un prototype logiciel nécessite toujours des tests, un examen de sécurité, de la maintenance et une assistance aux utilisateurs. Une note de recherche nécessite toujours une évaluation des sources et une décision de la part d’une personne responsable.

L’IA modifie donc l’économie du lancement avant de modifier celle de la responsabilité. Commencer devient bon marché, tandis que le suivi reste coûteux. Lorsque le nombre de démarrages augmente plus vite que la capacité d’achèvement, l’utilisateur accumule des obligations plutôt que de la liberté.

Manelius a résumé sa correction ainsi : faire moins, mais mieux. Il a reporté un autre article parce qu’il estimait qu’il nécessitait plusieurs révisions supplémentaires. Ce choix illustre l’affirmation plus profonde qui sous-tend son billet.

Le nouveau goulot d’étranglement n’est plus toujours la production d’une première version plausible. Il consiste à décider quelle version mérite une attention soutenue. Cette décision ne peut pas être déléguée sans risque lorsque des priorités, une réputation ou des conséquences à long terme sont en jeu.

Cela fait de cette histoire bien plus que la liste de projets surchargée d’un seul fondateur. Le même schéma peut apparaître lorsqu’un employé rédige dix propositions, qu’un manager lance cinq analyses ou qu’un développeur génère plusieurs applications. Chaque livrable crée un travail de suivi potentiel, même si sa production a semblé presque sans effort.

La production de l’IA n’est pas la même chose qu’une valeur achevée. La valeur apparaît lorsque la production résiste à la vérification, atteint l’utilisateur visé et produit un résultat utile. Un dossier qui s’étoffe de brouillons plausibles peut représenter un stock plutôt que des progrès.

Manelius donne un nom clair à l’alternative : concentration et suivi. La concentration limite les engagements qui entrent dans le système. Le suivi apporte le jugement et l’effort soutenu nécessaires pour mener les engagements choisis jusqu’à la ligne d’arrivée.

L’avertissement de Rick Manelius sur la productivité par l’IA s’inscrit dans une journée de travail infinie

L’IA est arrivée dans des lieux de travail qui récompensent déjà la réactivité, l’activité visible et l’expansion constante des projets.

Les données de télémétrie de Microsoft sur le monde du travail offrent une vue utile de cet environnement. Son analyse indique que les employés recevant beaucoup de messages peuvent être interrompus toutes les deux minutes pendant les heures de travail principales. Ce calcul correspond à 275 réunions, e-mails ou discussions au cours d’une journée complète pour les utilisateurs les plus interrompus.

La même analyse de la journée de travail a constaté que les discussions après les heures de travail avaient augmenté de 15 % sur un an. Elle a également signalé une moyenne de 58 messages arrivant avant ou après les horaires standards. Les réunions commençant après 20 heures avaient augmenté de 16 %.

Ces mesures ne prouvent pas que l’IA a causé la fragmentation du travail. Elles montrent que l’IA entre dans un système d’attention déjà sous tension. Une production de contenu plus rapide peut alimenter davantage de messages, réunions, révisions et décisions dans ce système.

L’incitation organisationnelle est également simple. Lorsqu’une tâche exige moins de temps, une entreprise traite rarement chaque minute gagnée comme du temps libre protégé. Les managers peuvent relever les attentes de production, les travailleurs peuvent se porter volontaires pour davantage de tâches et les concurrents peuvent livrer plus vite.

Un document de travail de 2025 a examiné des relevés d’utilisation du temps jusqu’en 2023 et est parvenu à une conclusion connexe. Une plus grande exposition professionnelle à l’IA était associée à des journées de travail plus longues et à une réduction du temps libre. Les auteurs ont soutenu que l’IA complète fréquemment le travail humain, rendant le temps de travail supplémentaire plus précieux sur le plan économique.

Cette recherche sur l’allongement de la journée de travail ne permet pas d’établir ce que vivra chaque utilisateur actuel d’IA générative. Son horizon temporel inclut des formes plus larges d’IA, tandis que les pratiques au travail continuent d’évoluer. Elle remet néanmoins en question l’hypothèse selon laquelle une technologie économisant du travail accorde automatiquement le temps gagné aux travailleurs.

La pression est particulièrement forte sur les travailleurs du savoir, car leur travail n’a pas de point d’arrêt naturel. Un service d’entrepôt se termine, mais un document stratégique peut toujours gagner un scénario supplémentaire. Un produit peut toujours recevoir une expérience de plus, et une boîte de réception peut toujours susciter une réponse supplémentaire.

L’IA générative étend ce travail optionnel. Elle peut proposer plus de campagnes, d’idées de produits, d’analyses, de questions d’entretien ou de variantes de conception qu’une personne ne pourrait en développer manuellement. Chaque option peut sembler précieuse lorsqu’elle est considérée isolément.

La surcharge apparaît à l’échelle du portefeuille. Une personne peut terminer chaque tâche assistée par IA plus rapidement tout en faisant avancer trop de tâches simultanément. L’efficacité locale produit alors une congestion à l’échelle du système.

C’est le renversement central de l’argument de Rick Manelius sur la productivité par l’IA. L’IA réduit les frictions pour créer, mais certaines frictions protégeaient auparavant l’attention. Un démarrage difficile forçait les personnes à décider si une idée méritait l’investissement.

Cette barrière protectrice disparaît. Tout le monde peut créer un brief de projet respectable avant le petit-déjeuner. Un développeur peut produire une base de code inconnue au cours d’un après-midi, tandis qu’un spécialiste du marketing peut générer des semaines de variantes de campagne en une séance.

Les productions créent une demande en aval. Quelqu’un doit sélectionner la meilleure campagne, comprendre le code généré, résoudre les contradictions et décider si le nouveau projet soutient un objectif réel. Ces tâches dépendent du contexte et de la responsabilité.

Les entreprises peuvent aggraver le problème en mesurant l’adoption de l’IA à travers l’activité. Les nombres de prompts, les documents générés et les assistants déployés sont faciles à suivre. Un nombre réduit de priorités menées à terme, des résultats clients plus rapides ou une meilleure qualité de décision exigent une mesure plus rigoureuse.

Un travailleur qui génère 20 brouillons peut paraître plus occupé que celui qui sélectionne une idée forte et la mène à terme. La seconde personne peut créer davantage de valeur, mais son processus produit moins d’activité IA visible.

La culture qui en résulte peut transformer chaque heure gagnée en une nouvelle exigence. Les employés perçoivent alors l’IA comme une injonction à accélérer plutôt que comme une source d’autonomie. La machine devient plus rapide, tandis que l’humain reste responsable de chaque conséquence.

Démarrer le travail est devenu bon marché, mais le terminer a toujours un coût humain

L’IA générative a davantage compressé la production que la sélection, la vérification, la coordination et la responsabilité.

Les chercheurs ont documenté de véritables gains de productivité dans des tâches délimitées. Une étude influente a examiné 5 179 agents de support client utilisant un assistant d’IA générative. L’accès a augmenté de 14 % en moyenne le nombre de problèmes résolus par heure.

Les gains étaient inégaux. Les travailleurs novices et moins qualifiés se sont améliorés de 34 %, tandis que les travailleurs expérimentés ont bénéficié d’avantages minimes. L’étude sur les agents de support suggère que l’IA peut diffuser les méthodes apprises auprès de collègues plus performants.

Ce résultat soutient l’intérêt de l’assistance par IA. Il révèle également pourquoi la définition de la tâche compte. Le travail de support client offre des cas mesurables, des flux de travail établis et une condition d’achèvement claire.

De nombreux projets de travail du savoir n’offrent pas ces limites. Un fondateur qui décide si un concept mérite de devenir une entreprise ne peut pas optimiser en fonction du nombre de problèmes résolus par heure. Un rédacteur qui décide si un argument est prêt ne peut pas se fier uniquement à la vitesse de rédaction.

La recherche sur la programmation raconte une histoire similaire, avec des réserves. Trois expériences de terrain impliquant 4 867 développeurs logiciels ont constaté une hausse de 26,08 % des tâches achevées chez les travailleurs disposant d’un assistant de programmation IA. Les développeurs moins expérimentés ont montré une adoption plus élevée et des gains plus importants.

Même dans ce cas, les tâches de développement achevées n’éliminent pas les coûts d’intégration. Le code généré doit s’intégrer à l’architecture existante, aux exigences de sécurité et aux pratiques de maintenance. La création plus rapide de fonctionnalités peut accroître la demande de révision ailleurs dans l’organisation.

Les agents IA rencontrent également des difficultés lorsque le travail devient simultané et interconnecté. Des chercheurs de Microsoft ont indiqué que les principaux agents d’utilisation informatique atteignaient un taux d’achèvement de 16,7 % dans un environnement à tâche unique. Leur taux tombait à 8,7 % sous des charges multitâches.

L’évaluation des agents de l’équipe a utilisé des environnements à horizons multiples, qui testent un travail interdépendant sur différentes périodes. La baisse reflète un problème familier aux responsables de projets humains : les progrès exigent plus que l’exécution d’actions isolées.

Le travail réel comporte des dépendances. Une proposition commerciale dépend d’un positionnement approuvé, de données clients à jour et d’un langage juridique. Un lancement de produit dépend d’un code testé, de documentation, de la préparation du support et d’une date de publication coordonnée.

L’IA peut accélérer certains maillons de cette chaîne. Elle ne peut pas faire disparaître toutes les dépendances. Si une personne lance plus de chaînes que l’organisation ne peut en soutenir, le flux global peut ralentir même si les tâches individuelles deviennent plus rapides.

C’est pourquoi le suivi d’exécution mérite le même statut que la concentration. La concentration sélectionne la chaîne qui compte. Le suivi d’exécution gère les dépendances jusqu’à ce que le résultat parvienne à un véritable client, collègue, lecteur ou décideur.

L’étape finale exige souvent un effort disproportionné. Un brouillon qui paraît achevé à 90 % peut encore contenir des affirmations non étayées, des transitions fragiles ou des décisions peu claires. Un prototype peut sembler fonctionnel tout en n’ayant pas la fiabilité nécessaire à la production.

Manelius a utilisé la différence visuelle entre une éclipse partielle et une éclipse totale pour décrire cet écart. Cette métaphore ne doit pas devenir une formule universelle de qualité. Certaines tâches nécessitent réellement une réponse rapide et suffisante plutôt qu’un perfectionnement exhaustif.

Toutefois, la métaphore convient aux travaux où la confiance et la cohérence comptent. Une migration client presque terminée peut tout de même échouer. Une note de synthèse destinée aux dirigeants, globalement exacte, peut néanmoins conduire à une mauvaise décision. Une application presque sécurisée reste dangereuse.

L’IA facilite la confusion entre complétude visible et préparation opérationnelle. Un texte fluide paraît achevé, même lorsque ses sources demeurent incertaines. Des interfaces générées semblent fonctionnelles, même lorsque leurs cas limites n’ont pas été testés.

Les travailleurs du savoir ont donc besoin d’une définition plus stricte de ce qui est terminé. Un projet n’est pas achevé lorsque le modèle cesse de générer. Il l’est lorsqu’une personne vérifie le résultat, résout les dépendances critiques et le livre à sa destination prévue.

Un système de gestion des connaissances personnelles peut soutenir ce processus en préservant le contexte et en réduisant les recherches répétées. Par exemple, une base de connaissances personnelle peut maintenir le lien entre les décisions, les sources et l’historique d’un projet. Elle ne peut pas décider quel projet mérite la priorité.

Cette limite est importante. Une meilleure recherche peut réduire les frictions de coordination, mais elle doit servir un portefeuille limité. Sinon, une meilleure organisation aide simplement une personne à entretenir une collection plus vaste d’engagements inachevés.

La concentration et le suivi d’exécution surpassent la productivité IA horizontale

La ressource rare passe de la capacité de production à la capacité de diriger et de maintenir l’attention.

Les systèmes de productivité traditionnels supposent souvent que le travail arrive de l’extérieur. Ils aident les utilisateurs à saisir leurs obligations, à les trier et à les exécuter efficacement. L’IA générative modifie ce modèle, car l’outil peut créer de nouvelles tâches aussi rapidement qu’il aide à terminer celles qui existent déjà.

Demandez à un assistant des idées de croissance, et il peut en fournir des dizaines. Demandez des pistes de fonctionnalités, et il peut produire une feuille de route. Demandez des axes de recherche, et il peut générer assez de questions pour occuper une équipe.

L’utilisateur a désormais besoin d’une politique d’admission pour le travail. Chaque nouveau projet devrait entrer en concurrence pour une attention limitée avant que l’IA ne reçoive l’autorisation de l’étendre. Sans ce filtre, la génération d’idées devient une source automatisée de dérive du périmètre.

C’est la stratégie de productivité verticale au cœur de la thèse de Rick Manelius sur la productivité par l’IA. L’utilisateur choisit un petit nombre de résultats importants, puis applique l’IA de manière répétée dans ces limites. L’outil approfondit l’exécution au lieu d’élargir le portefeuille actif.

Pour un chef de produit, cela peut signifier utiliser l’IA pour synthétiser des entretiens, mettre une hypothèse à l’épreuve, rédiger une spécification et préparer une décision. Ces quatre tâches servent une même question produit.

L’alternative horizontale consisterait à générer des spécifications pour plusieurs fonctionnalités sans lien entre elles, parce que chacune semble désormais abordable. Cette approche crée davantage de revues avec les parties prenantes, de dépendances, de métriques et d’obligations de maintenance.

Pour un rédacteur, une utilisation verticale pourrait associer recherche, comparaison des sources, critique structurelle et édition autour d’un seul article. Une utilisation horizontale pourrait produire plusieurs brouillons superficiels qui se disputent le même temps de publication et la même énergie éditoriale.

Pour un ingénieur, une utilisation verticale pourrait inclure le débogage, la génération de tests, la documentation et la revue de code pour une livraison définie. Une utilisation horizontale pourrait créer plusieurs services expérimentaux sans responsable clairement identifié ni plan de retrait.

La concentration ne signifie pas rejeter l’exploration. Elle signifie séparer l’exploration de l’engagement. Une expérimentation peu coûteuse peut répondre à une question définie, mais son résultat doit déclencher une décision délibérée de poursuivre, de suspendre ou d’arrêter.

Ce point de décision empêche les prototypes de devenir des obligations permanentes en arrière-plan. Il contrecarre également l’attrait psychologique du progrès visible. Le contenu généré semble productif parce qu’il crée quelque chose de concret, même lorsqu’il ne fait pas avancer l’objectif principal.

Le suivi d’exécution exige une attention protégée après cette décision. L’IA peut aider à préparer le travail, mais les humains ont toujours besoin de périodes ininterrompues pour exercer leur jugement. Alterner constamment entre les projets affaiblit le contexte nécessaire pour repérer les erreurs subtiles et les arbitrages.

Les données de Microsoft sur les interruptions rendent cette exigence difficile à satisfaire. Pourtant, l’IA peut aider à défendre la concentration lorsqu’elle traite les éléments de routine dans un flux de travail choisi. La même technologie qui crée davantage d’options peut résumer les mises à jour, retrouver les décisions antérieures ou préparer une note de synthèse contrainte.

La différence tient à qui contrôle la file d’attente. Si chaque message, idée et suggestion générée devient une tâche, l’IA accélère la fragmentation. Si une priorité claire contrôle ce que l’assistant traite, l’IA peut réduire le bruit autour de ce résultat.

La fusion des connaissances, qui combine des informations provenant de plusieurs sources pertinentes, est utile dans ces conditions. Un système tel que knowledge blending peut rassembler un contexte dispersé dans une seule réponse. L’utilisateur doit toujours définir la décision que cette réponse doit soutenir.

Les organisations ont besoin de la même discipline à plus grande échelle. Les dirigeants devraient déterminer quels flux de travail méritent d’être accélérés avant de déployer des agents dans chaque service. Ils devraient également décider de l’usage du temps économisé.

Si une entreprise attend que tout le temps économisé se transforme en production supplémentaire, les employés lanceront rationnellement davantage de travail. Si elle protège une partie de cette capacité pour la revue et la récupération, les gains liés à l’IA peuvent améliorer à la fois la qualité et la durabilité.

Les métriques devraient renforcer l’achèvement. Les équipes peuvent suivre l’ancienneté du travail en cours, le nombre de projets actifs, les résultats clients achevés, les taux de révision et les prototypes abandonnés. Ces signaux révèlent si l’IA améliore le flux ou augmente les stocks de travail.

Un nombre inférieur de projets n’indique pas nécessairement une ambition moindre. Il peut indiquer qu’une équipe a concentré ses ressources là où l’achèvement compte. Le test pratique consiste à savoir si moins d’engagements produisent de meilleurs résultats.

L’affirmation sur l’épuisement professionnel nécessite plus que l’expérience d’un seul fondateur

Manelius identifie un mécanisme crédible, mais son récit ne prouve pas que l’utilisation de l’IA provoque l’épuisement professionnel.

L’Organisation mondiale de la Santé définit l’épuisement professionnel comme un phénomène lié au travail résultant d’un stress chronique au travail qui n’a pas été géré avec succès. Ses trois dimensions comprennent l’épuisement, une distance accrue ou le cynisme, et une efficacité professionnelle réduite.

Cette définition de l’épuisement professionnel s’applique spécifiquement au travail. Manelius a évoqué à la fois l’activité de startup et des projets personnels parallèles. Son expérience peut ressembler à l’épuisement professionnel sans correspondre à tous les éléments de la définition professionnelle.

Ses estimations d’efficacité exigent également de la prudence. Il a écrit que l’IA peut rendre certaines tâches deux à 100 fois plus rapides. Ces chiffres décrivent une vaste fourchette plutôt qu’un résultat mesuré au sein de son portefeuille de projets.

Les gains fiables varient fortement selon la tâche, le travailleur, le modèle et le seuil de qualité. Un premier brouillon peut arriver beaucoup plus vite, tandis que la vérification peut effacer une partie de ce gain. Certaines tâches complexes restent hors des capacités fiables d’un modèle.

Les données montrent également que l’IA peut réduire le travail plutôt que l’étendre. Une expérience de terrain randomisée menée auprès de 66 entreprises et 7 137 travailleurs du savoir a étudié un outil d’IA intégré aux e-mails, aux réunions et à l’écriture.

Parmi les travailleurs traités qui utilisaient l’outil, les participants ont consacré deux heures de moins par semaine aux e-mails durant la seconde moitié de l’expérience. Ils ont également réduit leur travail en dehors des heures habituelles. Les chercheurs n’ont pas détecté de changements plus larges dans la quantité ou la composition des tâches.

Ces résultats affaiblissent toute affirmation selon laquelle l’IA générative crée inévitablement une surcharge. Ils suggèrent que des outils intégrés peuvent restituer du temps lorsqu’ils sont appliqués au travail existant. Ils montrent également que l’accès individuel à un outil ne réorganise pas automatiquement les pratiques au niveau de l’équipe.

La variable importante pourrait être ce qui se passe après que du temps a été économisé. Un travailleur peut protéger ce temps, tandis qu’un autre lance trois nouveaux projets. Un manager peut réduire la charge administrative, tandis qu’un autre relève les objectifs de production.

L’autonomie personnelle compte, mais le pouvoir organisationnel compte aussi. Les employés ne contrôlent peut-être pas la façon dont le temps économisé devient récupération, travail plus approfondi ou nouvelle mission. Les marchés concurrentiels et les systèmes d’évaluation influencent la répartition des gains de productivité.

Le type de projet modifie également le risque. Le support client offre un travail récurrent avec une clôture. L’entrepreneuriat, l’écriture et le développement de produits comportent une portée optionnelle presque illimitée. L’IA peut stimuler bien davantage de travail potentiel dans ces domaines ouverts.

Il existe un autre contre-argument. Livrer davantage d’expérimentations peut être rationnel lorsque l’incertitude est élevée. Les startups apprennent souvent en testant plusieurs idées, et l’IA réduit le coût de collecte de ces preuves.

Le problème n’est pas le nombre d’expérimentations en lui-même. C’est l’absence de règles d’arrêt explicites. Une expérimentation devrait avoir une question, un budget limité et une date de décision. Sans ces contrôles, l’exploration devient un portefeuille grandissant d’obligations vagues.

Le perfectionnisme présente un risque connexe. Manelius préconise de payer le coût du dernier pour cent sur les projets importants. Ce principe peut améliorer les travaux à forts enjeux, mais il peut aussi retarder la livraison lorsque les utilisateurs bénéficieraient d’une version plus précoce.

La concentration et le suivi d’exécution ne devraient pas signifier peaufiner indéfiniment chaque chose. Ils devraient signifier choisir le niveau de qualité approprié avant le début du travail. Une analyse privée, un essai public, un flux de travail médical et une décision financière exigent des niveaux d’assurance différents.

La version la plus solide de l’argument est donc conditionnelle. L’IA peut accroître la surcharge lorsque les utilisateurs réinvestissent chaque gain d’efficacité dans des engagements supplémentaires. Elle peut réduire la surcharge lorsqu’ils limitent le travail en cours et protègent le temps récupéré.

Ce cadrage préserve l’utilité de l’avertissement de Rick Manelius sur la productivité par l’IA sans traiter une expérience comme une preuve universelle. Son histoire fournit le mécanisme. Les études sur le lieu de travail montrent que les résultats dépendent des limites des tâches, des choix de gestion et du contrôle exercé par les travailleurs.

Trois signaux montreront si l’IA soutient un meilleur travail

La prochaine étape de la productivité par l’IA sera jugée sur les résultats achevés, le temps de travail et la performance dans de véritables conditions de multitâche.

Le premier signal sera de savoir si les organisations commencent à mesurer le travail en cours plutôt que le contenu généré. Les tableaux de bord d’adoption permettent actuellement de célébrer facilement les prompts, l’utilisation des assistants ou les documents créés. Ces métriques disent peu de choses sur la valeur achevée.

Un système de mesure plus solide relierait l’utilisation de l’IA au temps de cycle, aux résultats clients, aux défauts et au nombre de projets actifs. Si ces résultats s’améliorent tout en maintenant le travail en cours sous contrôle, la thèse de la concentration gagne en crédibilité.

Si les entreprises font état d’un volume plus important de contenu généré sans achèvement plus rapide, l’avertissement se renforce. L’IA élargirait alors les stocks organisationnels plutôt que d’augmenter le débit utile.

Le deuxième signal sera de savoir si le temps économisé raccourcit la journée de travail. Les recherches indiquent déjà des directions opposées. Une expérience de terrain a constaté moins de temps consacré aux e-mails et une réduction du travail en dehors des heures habituelles, tandis que des recherches sur l’emploi du temps ont associé l’exposition à l’IA à des journées plus longues.

Les futures données de télémétrie du travail pourront clarifier quel schéma devient dominant. Les messages hors horaires, l’activité le week-end, le volume de réunions et le temps de concentration ininterrompu offrent tous de meilleurs indicateurs que la seule vitesse déclarée par les employés.

Une baisse de l’activité en dehors des heures de travail montrerait que les organisations permettent aux salariés de conserver une partie des gains d’efficacité. Une expansion continue suggérerait que la capacité apportée par l’IA est absorbée par des attentes croissantes.

Le troisième signal concerne les performances des agents dans des flux de travail longs et interconnectés. Les démonstrations sur une tâche unique peuvent donner l’impression que l’autonomie est presque totale. La valeur en entreprise dépend de la capacité des agents à conserver le contexte, gérer les dépendances et se remettre des erreurs en toute sécurité.

La baisse rapportée, de 16,7 % de tâches achevées à 8,7 % sous une charge multitâche, illustre l’écart actuel. De meilleures performances permettraient à l’IA d’assurer davantage le suivi, au lieu de simplement produire plus de matière de départ.

Cette amélioration n’éliminerait pas le jugement humain. Elle changerait le moment où il intervient dans le processus. Les personnes pourraient superviser les résultats et les exceptions, tandis que les agents prendraient en charge davantage de coordination entre des flux de travail définis.

Tant que cette fiabilité n’existe pas, les travailleurs du savoir devraient considérer chaque projet généré par l’IA comme une future sollicitation de leur attention. Le premier résultat est une invitation, pas un résultat terminé.

La question pratique n’est plus de savoir si l’IA peut vous rendre plus rapide. Elle le peut clairement pour de nombreuses tâches délimitées. La question est de savoir si cette vitesse fait progresser un résultat choisi ou crée une nouvelle boucle ouverte.

Avant de demander à un assistant de lancer quelque chose de nouveau, identifiez l’engagement qu’il remplacera. Définissez ce que signifie « terminé », qui est responsable de la vérification et quand le travail s’arrêtera. Utilisez ensuite l’IA pour faire avancer davantage ce projet sélectionné.

Les nouveaux superpouvoirs de l’IA ne sont pas la génération sans fin ni le mouvement constant. Ce sont la capacité de choisir ce qui mérite de l’attention, de préserver le contexte qui l’entoure et de le mener à bien avec soin. Quel projet inachevé allez-vous clôturer avant d’en ouvrir un autre ?