Avertissement de Rick Manelius sur la productivité IA : la concentration et le suivi l’emportent sur davantage de production

Rick Manelius a transformé la rapidité de l’IA en près de 40 projets de preuve de concept actifs, avant de découvrir qu’une exécution plus rapide avait créé un nouveau problème d’épuisement professionnel. Son essai du 26 juillet reformule l’argument de Rick Manelius sur la productivité IA autour d’un conflit sans détour. L’IA générative peut réduire le travail nécessaire à l’intérieur d’une tâche, tout en encourageant les personnes à entamer plus de travail qu’elles ne peuvent raisonnablement achever.

Cette distinction compte, car la plupart des programmes d’IA en entreprise mesurent encore l’activité. Ils comptent les prompts, les documents générés, les tickets finalisés, les minutes économisées et les étapes automatisées. Ces chiffres peuvent révéler des gains d’efficacité utiles, mais ils disent peu de choses sur le fait qu’un projet important ait atteint un résultat durable.

Manelius propose une autre paire d’avantages : la concentration et le suivi. L’IA facilite la création de brouillons, prototypes, plans et options. La capacité humaine rare consiste à décider quelle option mérite une attention soutenue, puis à la mener jusqu’aux coûteuses étapes finales.

L’adversaire n’est pas un autre modèle d’IA. C’est l’état d’esprit d’expansion qui entoure l’adoption de l’IA, où chaque heure économisée devient l’autorisation d’ouvrir un autre projet. La promesse est une capacité accrue. La réalité émergente est souvent un champ plus vaste de travail inachevé, davantage de changements de contexte et moins de certitude sur ce qui mérite de l’attention.

Le boom de la productivité IA a créé davantage de boucles ouvertes

Le changement immédiat n’est pas que l’IA soit devenue plus rapide. C’est que la création à faible coût a rendu la retenue plus précieuse.

Dans son essai sur la concentration et le suivi, Manelius décrit un schéma familier aux travailleurs intellectuels ambitieux. Avant l’IA générative, les idées restaient sur une liste « un jour peut-être », car produire une première version crédible demandait trop de temps. L’IA a abaissé ce coût d’entrée.

Manelius disposait de plus de 100 titres et plans d’articles à l’état de brouillon, ainsi que d’environ 50 projets potentiels. Dès que Claude a pu travailler durant de courts intervalles entre les réunions, certaines idées délaissées sont devenues réalisables. Les premiers résultats l’ont encouragé à lancer encore davantage d’expériences.

L’approche a d’abord semblé fructueuse. Un prompt de cinq minutes pouvait lancer une recherche, générer du texte, structurer un produit ou faire progresser un prototype. Chaque réussite rendait le projet suivant abordable.

Ce calcul omettait le coût de possession. Un prototype nécessite révision, correction, positionnement, maintenance et une décision sur son avenir. Un brouillon d’article demande vérification des faits, révision structurelle, édition et diffusion. Une petite expérience peut créer une longue chaîne d’obligations ultérieures.

Manelius a fini par compter près de 40 projets de preuve de concept en cours. Il décrit chacun comme une boucle ouverte, c’est-à-dire un engagement non résolu qui exige encore de l’attention. L’IA avait réduit l’effort nécessaire pour commencer tout en le laissant responsable de tout ce qui suivait.

Ses multiplicateurs de productivité rapportés, allant du double au centuple, sont des estimations personnelles plutôt que des mesures testées de manière indépendante. Le multiplicateur précis importe moins que l’asymétrie qui le sous-tend. L’IA peut compresser une étape isolée de production sans compresser dans la même proportion le jugement, la coordination, la responsabilité ou le soin apporté.

C’est à ce stade que le débat sur la productivité IA perd souvent le contact avec le travail réel. Générer un livrable plausible n’équivaut pas à accomplir la responsabilité sous-jacente. Un brouillon peut paraître terminé alors que les questions d’exactitude, de public, de responsabilité et de conséquences restent sans réponse.

Prenons le cas d’un chef de produit utilisant l’IA pour transformer des notes d’entretien en dix concepts de fonctionnalités. L’étape de génération prend quelques minutes. Le chef de produit doit encore comparer les preuves, comprendre les segments de clientèle, tester les hypothèses, coordonner l’ingénierie, écarter les idées faibles et défendre la priorité finale.

Un ingénieur logiciel fait face au même schéma. Un assistant peut générer rapidement plusieurs implémentations, mais chacune introduit des besoins de révision et de maintenance. Davantage de code peut signifier davantage de tests, de dépendances, d’exposition aux risques de sécurité et de décisions architecturales.

Il en résulte une file d’attente qui s’allonge plus vite que l’attention humaine. Commencer devient presque sans friction, si bien qu’arrêter paraît irrationnel. Pourtant, chaque nouvel élément entre en concurrence avec les engagements existants pour le même agenda et les mêmes ressources cognitives.

L’ancien goulot d’étranglement était souvent la production. Le nouveau goulot d’étranglement est la clôture.

Cela ne rend pas l’IA générative inefficace. Cela signifie que les gains d’efficacité doivent être mesurés sur l’ensemble d’un flux de travail. Si un outil économise une heure durant la rédaction mais crée plusieurs heures de révision et de coordination, le gain local surestime le bénéfice final.

Une mesure utile de la productivité demande donc si le travail a atteint un point d’aboutissement significatif. La décision a-t-elle été prise, le produit adopté, le client aidé ou l’article jugé digne de confiance ? Les volumes de production ne peuvent pas répondre seuls à ces questions.

La productivité IA de Rick Manelius face à la journée de travail infinie

L’IA peut accroître la capacité à traiter des tâches sans élargir la capacité humaine à choisir, changer de contexte, récupérer et rester responsable.

Les données étayent déjà l’affirmation plus restreinte selon laquelle l’IA générative améliore la performance sur certaines tâches. Une étude de terrain du NBER a suivi 5 179 agents de support client après l’introduction d’un assistant IA. L’accès à l’outil a augmenté de 14 % en moyenne le nombre de problèmes résolus par heure.

Les gains étaient inégaux. Les travailleurs novices et moins qualifiés ont progressé de 34 %, tandis que les travailleurs expérimentés et très qualifiés ont constaté des effets minimes. L’étude de terrain en entreprise suggère que l’IA peut diffuser des pratiques acquises par les meilleurs performeurs, aidant les nouveaux employés à progresser plus vite.

Une expérience distincte impliquant 758 consultants a constaté des bénéfices importants lorsque les tâches se situaient dans les limites des capacités de l’IA. Les participants utilisant GPT-4 ont réalisé davantage de sous-tâches, travaillé environ 25 % plus vite et produit un travail que les évaluateurs ont jugé de meilleure qualité.

Toutefois, la performance s’est dégradée sur une tâche située hors de ces limites. Les chercheurs ont qualifié cette limite inégale de frontière technologique irrégulière, ce qui signifie que la compétence de l’IA peut varier fortement entre des tâches qui paraissent d’une difficulté comparable. L’expérience menée auprès de consultants a montré que le jugement humain restait essentiel pour reconnaître quels travaux se situaient hors de la zone fiable.

Ces études confirment des gains réels, mais aucune ne dit que les travailleurs devraient multiplier leurs engagements. Réaliser plus rapidement une interaction d’assistance délimitée diffère du fait d’assumer simultanément des dizaines de projets incertains. Ce dernier cas introduit des coûts de priorisation et de changement de contexte qu’un test sur une tâche unique ne saisit pas.

Les conditions de travail rendent déjà ces coûts difficiles à absorber. Microsoft a analysé l’activité agrégée de Microsoft 365 et a indiqué que les utilisateurs fortement interrompus recevaient une notification de réunion, d’e-mail ou de chat toutes les deux minutes pendant les heures principales. Son estimation quotidienne plus large atteignait 275 interruptions.

La même analyse a révélé que 60 % des réunions n’étaient pas planifiées ou étaient organisées de manière ad hoc. Les messages envoyés en dehors des horaires standard avaient augmenté de 15 % sur un an, tandis que les réunions commençant après 20 h avaient augmenté de 16 %. Microsoft appelle ce schéma la journée de travail infinie.

Ces mesures reflètent la base de clients de Microsoft et des définitions spécifiques issues de sa télémétrie. Elles ne doivent pas être considérées comme un portrait universel de chaque employé. Elles décrivent néanmoins l’environnement dans lequel de nombreux travailleurs intellectuels ajoutent aujourd’hui des tâches générées par l’IA.

Les systèmes génératifs peuvent devenir une autre source d’interruptions même lorsqu’ils réduisent le travail manuel. Chaque réponse générée demande une évaluation. Chaque exécution d’agent produit un résultat, une exception ou une question. Chaque expérience peu coûteuse crée une nouvelle direction possible.

Le coût cognitif augmente, car les humains ne passent pas d’un projet complexe à l’autre sans friction. L’American Psychological Association résume des recherches montrant que le changement de tâche ralentit les performances et accroît les erreurs. L’esprit doit changer d’objectif, activer des règles différentes et reconstruire l’état du travail interrompu.

Ces coûts de changement de contexte deviennent plus élevés à mesure que les tâches gagnent en complexité ou en nouveauté. Cela est particulièrement pertinent pour les projets parallèles assistés par l’IA, où une personne peut passer du code à l’étude de marché, à l’écriture, au design et à la découverte client en l’espace d’une heure.

Le problème ne se limite pas aux secondes perdues. Les changements fréquents modifient la texture du travail. Les personnes passent plus de temps à recharger le contexte, vérifier l’état d’avancement et décider quoi reprendre. Elles consacrent moins de temps à suivre une ligne de raisonnement jusqu’à ce qu’elle devienne cohérente.

Un système personnel de gestion des connaissances peut réduire une partie du travail de reconstruction en préservant les sources, les décisions et le contexte des projets. Un second cerveau IA interrogeable aide les personnes à retrouver ce qu’elles savaient. Il ne peut pas décider quel engagement doit recevoir la prochaine heure ininterrompue.

Cette décision reste humaine. L’IA peut accroître le nombre de mouvements disponibles, mais l’attention détermine toujours lequel devient déterminant.

Le véritable superpouvoir de l’IA est le progrès vertical

Le meilleur usage d’une génération plus rapide consiste à approfondir le travail important, et non à élargir le portefeuille de travail inachevé.

Manelius décrit le choix comme une productivité horizontale ou verticale. La productivité horizontale utilise le temps gagné pour démarrer davantage de projets. La productivité verticale l’utilise pour aller plus loin dans le même projet.

La distinction est plus utile qu’un simple débat sur la question de savoir si l’IA fait gagner du temps. Les deux stratégies peuvent produire des résultats visibles. Seule la stratégie verticale réserve suffisamment de capacité pour la sélection, la révision, la vérification et l’achèvement.

Cela importe parce que les premières étapes du travail intellectuel sont devenues exceptionnellement peu coûteuses. Un modèle peut générer dix titres, trois concepts de produits, un résumé de réunion et une stratégie préliminaire avant qu’une personne ait examiné le premier résultat. Cette abondance donne l’impression de progresser parce que les artefacts sont concrets.

Pourtant, la valeur se concentre souvent vers la fin. Une recommandation crédible émerge après l’élimination des options faibles. Une fonctionnalité fiable émerge après le test des cas limites. Un article solide émerge après la vérification des affirmations et lorsque l’argument résiste à la révision.

Manelius illustre cela avec un article qu’il jugeait de qualité B ou B moins. Au lieu de le publier rapidement, il s’est arrêté et a consacré deux ou trois révisions ciblées supplémentaires. Ce choix a réduit sa production immédiate tout en relevant le niveau qu’il visait.

Il relie cette décision à la différence entre une éclipse solaire partielle et totale. Passer de 99 % de couverture à la totalité semble constituer une amélioration d’un seul point, pourtant l’expérience du spectateur change radicalement. Il soutient que les produits appréciés et les œuvres créatives tirent souvent leur impact d’un incrément final équivalent.

L’analogie est subjective et ne signifie pas que chaque tâche mérite la perfection. Un e-mail interne de routine ne devrait pas exiger la même attention qu’une recommandation médicale ou le lancement d’un produit. La leçon opérationnelle consiste à adapter l’effort d’achèvement aux conséquences.

L’IA modifie cette allocation de deux manières. Premièrement, elle peut éliminer les étapes de production à faible valeur dans les projets sélectionnés. Deuxièmement, elle peut inonder le travailleur d’alternatives plausibles qui rivalisent pour le temps économisé.

La concentration guide la première décision. Quel résultat mérite une attention humaine rare ? Le suivi guide la seconde. Que doit-il se passer après la génération pour que ce résultat devienne fiable, adopté et achevé ?

Un chercheur peut utiliser l’IA pour résumer des articles, comparer des terminologies et proposer des hypothèses. Le progrès vertical commence lorsque le chercheur relie les affirmations aux preuves primaires, identifie les contradictions et élabore une interprétation qui résiste à l’examen.

Un responsable commercial peut générer une prise de contact personnalisée pour des centaines de comptes. Le progrès vertical consiste à identifier les bons comptes, valider le contexte, coordonner les relances et tirer des enseignements des réponses réelles. Envoyer davantage de messages relève d’une activité horizontale, sauf si cela améliore les échanges qualifiés.

Une équipe produit peut générer des concepts d’interface du jour au lendemain. Le progrès vertical exige d’observer les utilisateurs, de choisir une conception, de traiter l’accessibilité, de résoudre les contraintes d’ingénierie et de mesurer les comportements après le lancement. La génération d’images seule ne clôt pas la décision produit.

Ce cadrage explique également pourquoi le suivi n’est pas synonyme de persévérance. Poursuivre aveuglément un projet faible gaspille des capacités. Un suivi efficace inclut l’annulation explicite lorsque les preuves ne justifient plus le travail.

L’objectif est de réduire les boucles non gérées, et non d’imposer l’achèvement de chaque idée. Un projet doit se terminer par une livraison, une délégation, un report délibéré ou une annulation. Le laisser psychologiquement actif sans décision est l’état coûteux.

Les organisations peuvent renforcer ce comportement par des limites de portefeuille. Les équipes peuvent restreindre le nombre d’expériences actives, exiger des responsables pour les initiatives générées par l’IA et définir des critères de sortie avant le début du travail. Ces contrôles transforment l’abondance de l’IA en pipeline géré.

Ils déplacent aussi l’évaluation du volume vers les résultats. Une équipe peut suivre les décisions finalisées, les problèmes clients résolus, les expériences clôturées ou les améliorations adoptées. Ces mesures rendent visible l’inventaire inachevé.

Pour les individus, le mécanisme peut rester simple. Capturez les idées sans toutes les activer. Séparez une liste de possibilités d’une liste de projets actifs. Donnez au travail en cours une prochaine action claire et une définition explicite de ce qui est terminé.

Un système comme remio peut soutenir cette frontière en gardant les preuves de projet et les décisions antérieures accessibles grâce au knowledge blending. Le système réduit la nécessité de recréer le contexte à partir d’informations locales. L’utilisateur doit toutefois décider quel projet entre dans l’ensemble actif.

Les nouveaux superpouvoirs de l’IA sont donc managériaux avant d’être techniques. Ils impliquent de refuser des options séduisantes, de protéger des plages de temps ininterrompues et de rester engagé dans le travail une fois terminée la phase enthousiasmante de génération.

La concentration et le suivi ne résolvent pas à eux seuls le burnout

La thèse de la concentration est utile, mais elle devient trompeuse lorsque le burnout est traité uniquement comme un échec personnel de priorisation.

Manelius présente son expérience comme un problème d’expansion qu’il a lui-même créé. Il a utilisé l’IA pour réduire le travail nécessaire, puis a comblé l’espace libéré par du travail supplémentaire. Réduire les projets actifs était une réponse raisonnable à ce schéma précis.

Tous les travailleurs du savoir ne contrôlent pas leur charge de travail de la même manière. Les employés peuvent faire face à des réunions obligatoires, des échéances qui se chevauchent, du sous-effectif, des priorités floues et des managers qui considèrent une production plus rapide comme une raison d’augmenter les objectifs. La concentration personnelle ne peut pas supprimer les engagements imposés par une organisation.

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

Cette définition du burnout est importante parce qu’elle situe le problème dans la conception du travail. Elle ne classe pas le burnout comme une affection médicale et ne réduit pas sa cause au nombre d’heures travaillées.

L’indicateur Gallup sur les employés américains a rapporté que 27 % des travailleurs se sentaient très souvent ou toujours épuisés professionnellement en mai 2026. Ce chiffre ne suffit pas à établir que l’IA a causé le burnout. Il montre qu’une pression importante persiste au moment où l’adoption de l’IA en entreprise s’étend.

L’IA peut réduire la pression lorsqu’elle prend en charge le travail répétitif, améliore l’accès à l’information ou aide un débutant à accomplir une tâche difficile. Elle peut accroître la pression lorsque les dirigeants utilisent les gains de temps pour relever les attentes sans supprimer les responsabilités antérieures.

C’est l’effet rebond de productivité. Lorsqu’une unité de travail devient moins coûteuse, la demande pour cette activité peut augmenter. Les employés ne récupèrent pas le temps économisé, car l’organisation le convertit en débit accru.

Le même effet apparaît à l’échelle personnelle. Un rédacteur capable de produire un premier jet cinq fois plus vite peut prévoir cinq fois plus d’articles. Le travail restant, notamment le jugement, l’édition, la promotion et la réponse du public, ne s’accélère pas nécessairement au même rythme.

Il existe un autre risque. « Aller jusqu’au bout » peut devenir une étiquette respectable pour le surmenage. Une personne peut continuer à peaufiner parce que les normes sont floues, que la critique paraît dangereuse ou que l’organisation récompense le sacrifice visible. La discipline de l’achèvement a besoin d’une règle d’arrêt.

L’analogie de l’éclipse met en évidence la valeur du dernier pour cent, mais son coût ne peut être ignoré. Manelius estime que cet incrément final peut consommer 50 à 90 % du temps total d’un projet. Il s’agit de son jugement qualitatif, et non d’un ratio sectoriel mesuré.

Certains résultats justifient cet investissement. Les logiciels critiques pour la sécurité, les recherches aux conséquences importantes et les affirmations publiques nécessitent une vérification rigoureuse. D’autres tâches gagnent peu à recevoir une nouvelle phase de peaufinage. La concentration sans proportionnalité devient du perfectionnisme.

Le meilleur cadre combine des limites de projet avec des normes de qualité fondées sur les conséquences. Les équipes devraient identifier quels travaux nécessitent une profondeur exceptionnelle, lesquels exigent une fiabilité suffisante et lesquels devraient être automatisés ou abandonnés. L’IA ne devrait pas aplanir ces catégories.

Les managers doivent également supprimer du travail, et pas seulement recommander de meilleures habitudes. Si un nouvel assistant raccourcit la préparation des rapports, les dirigeants devraient décider si le temps consacré aux rapports diminue, si la qualité de l’analyse augmente ou si le volume des rapports croît. Laisser les trois attentes augmenter invite à la surcharge.

La clarté des responsabilités est tout aussi importante. Les agents d’IA peuvent exécuter des étapes, mais les humains restent responsables de la plupart des résultats au travail. Lorsque le travail généré passe entre plusieurs systèmes et réviseurs, la responsabilité peut devenir ambiguë. L’ambiguïté crée davantage de vérifications plutôt que moins.

La conclusion sceptique n’est pas que la concentration échoue. C’est qu’elle doit exister à la fois aux niveaux individuel et organisationnel. Les travailleurs peuvent limiter les engagements qu’ils génèrent eux-mêmes, tandis que les dirigeants limitent les priorités concurrentes et définissent un achèvement acceptable.

Sans cette seconde couche, la thèse de Rick Manelius sur la productivité de l’IA risque de devenir une exigence supplémentaire imposée à des employés épuisés. On attendrait d’eux qu’ils génèrent davantage, priorisent mieux, vérifient tout et protègent leur santé dans le même environnement fragmenté.

Ce que les travailleurs du savoir devraient surveiller ensuite

La prochaine phase de la productivité liée à l’IA sera jugée sur les résultats achevés, les limites de charge de travail et les taux d’erreur plutôt que sur le volume généré.

Le premier signal sera de voir si les employeurs commencent à mesurer les résultats de bout en bout. Les tableaux de bord d’adoption actuels mettent souvent l’accent sur l’accès aux outils, les utilisateurs actifs, les prompts ou les gains de temps estimés. Ces métriques montrent le déploiement, mais pas si le travail est devenu plus utile.

Un système de mesure plus robuste suivrait un résultat depuis son lancement jusqu’à sa clôture. Il examinerait le délai d’achèvement, l’adoption, les reprises, les taux d’erreur et l’impact sur les clients. Il enregistrerait aussi combien de nouvelles tâches sont entrées dans la file après que l’IA a réduit une étape antérieure.

Si les entreprises adoptent ces mesures, l’argument en faveur de la concentration et du suivi gagne en crédibilité. Les dirigeants verraient la différence entre une production d’artefacts plus rapide et une livraison de valeur plus rapide. Si le volume de prompts reste la mesure dominante, l’expansion horizontale se poursuivra probablement.

Le deuxième signal sera de savoir si les agents d’IA réduisent les obligations actives ou les multiplient. Les agents peuvent surveiller les boîtes de réception, préparer des recherches, mettre à jour des dossiers et coordonner des étapes entre différents logiciels. Ils peuvent aussi générer un flux continu d’alertes, de brouillons, d’exceptions et d’actions proposées.

Le test produit clé n’est pas le nombre de tâches qu’un agent démarre. C’est la fiabilité avec laquelle le système clôt des flux de travail délimités, avec une supervision compréhensible. Les produits qui exposent le responsable, l’état, les preuves et les conditions d’arrêt soutiendront mieux le suivi que ceux optimisés pour une génération sans fin.

Surveillez la manière dont les fournisseurs gèrent les exceptions. Un agent utile devrait savoir quand demander une décision, préserver le contexte pertinent et éviter de créer du travail en double. Un système qui étend silencieusement son propre arbre de tâches peut économiser des frappes au clavier tout en augmentant la charge de supervision.

Le troisième signal sera de savoir si le burnout et la fragmentation au travail s’améliorent à mesure que l’adoption mûrit. Les données de Microsoft sur les interruptions fournissent un point de référence, tandis que les enquêtes auprès des employés en offrent un autre. Aucun ne peut prouver à lui seul une causalité, mais leur évolution mettra à l’épreuve la promesse de capacité.

Si l’adoption de l’IA augmente tandis que l’activité hors horaires de travail, les interruptions et le burnout déclaré diminuent, les organisations disposeront de preuves que l’automatisation rend du temps aux personnes. Si ces indicateurs restent stables ou s’aggravent, l’explication probable sera que la capacité économisée a été réinvestie dans davantage d’exigences.

Les travailleurs du savoir n’ont pas besoin d’attendre les tableaux de bord d’entreprise. Ils peuvent effectuer le même test à plus petite échelle. Comptez les projets actifs, et non les fichiers générés. Suivez les décisions achevées, et non les conversations avec un modèle. Observez si le temps économisé devient du repos, un travail plus approfondi ou une obligation supplémentaire.

Avant de lancer un projet assisté par l’IA, demandez-vous ce que signifie l’achèvement et qui sera responsable du résultat. Décidez quelles preuves justifieraient l’arrêt. Estimez la révision humaine et la coordination qui resteront nécessaires une fois le modèle terminé.

Limitez ensuite l’ensemble actif. Les idées peuvent rester capturées sans devenir des engagements. L’IA rend peu coûteuse la conservation et la réévaluation des possibilités, il y a donc moins de raisons d’activer immédiatement chaque idée prometteuse.

Protéger la concentration exige aussi de réduire les changements de contexte. Regroupez les interactions similaires avec l’IA, conservez les sources reliées aux décisions et réservez des périodes ininterrompues pour la synthèse. La génération et l’évaluation ne devraient pas se disputer l’attention toutes les quelques minutes.

Surtout, utilisez délibérément les gains de l’automatisation. Une partie devrait améliorer la qualité. Une partie devrait raccourcir la livraison. Une partie devrait rendre du temps à la personne qui effectue le travail. Considérer chaque minute économisée comme une capacité inutilisée recrée la journée de travail infinie sous une interface plus avancée.

L’avertissement de Rick Manelius est convaincant parce qu’il intervient après que les outils ont fonctionné. Le problème n’était pas une production médiocre ni une automatisation défaillante. C’est que le succès a supprimé la friction naturelle qui limitait autrefois le nombre de projets pouvant commencer.

C’est le renversement central de la productivité de l’IA. À mesure que l’exécution devient abondante, la retenue acquiert une valeur économique. La concentration identifie les quelques résultats qui méritent d’être poursuivis, et le suivi transforme des débuts peu coûteux en travail achevé.

La question pratique n’est plus de savoir si l’IA vous permet d’en faire davantage. Elle le peut clairement dans de nombreuses tâches délimitées. La meilleure question est ce que vous cesserez de commencer, afin que le travail qui compte reçoive suffisamment d’attention pour être achevé.