L’essor de l’économie de l’IA « ne rien demander, ne rien dire »

Google News a mis en avant un constat frappant de Bloomberg : les travailleurs adoptent l’IA malgré des règles non résolues, des mesures insuffisantes et une pression croissante pour produire davantage avec moins de ressources.

L’expression « économie de l’IA ne rien demander, ne rien dire » décrit un compromis inconfortable. Les employeurs veulent des résultats plus rapides, mais évitent souvent d’examiner comment ils ont été produits. Les travailleurs utilisent des comptes IA personnels, copient des contenus dans des outils publics et gardent le silence, car les alternatives approuvées peuvent être plus lentes ou indisponibles.

Il ne s’agit pas simplement d’une nouvelle histoire d’adoption des chatbots. C’est un conflit entre une productivité visible et un risque invisible lié aux processus. Microsoft, Anthropic et des chercheurs spécialisés dans le monde du travail ont documenté certaines dimensions de cette fracture, même si aucune base de données ne permet à elle seule d’en saisir toute l’ampleur.

La tension centrale est simple. Les entreprises veulent l’efficacité générée par l’IA, mais beaucoup ne disposent pas des politiques, systèmes et incitations nécessaires pour rendre l’usage de l’IA observable. Cet écart crée une économie parallèle au sein du travail de bureau ordinaire.

Ce que Google News a mis en évidence

Le changement important n’est pas que les employés aient découvert l’IA. C’est que son usage informel est devenu une composante de la production courante.

L’IA générative est entrée dans de nombreux lieux de travail par des comportements individuels plutôt que par un déploiement logiciel planifié. Les employés ont ouvert des comptes personnels, testé des prompts et identifié des tâches pour lesquelles un modèle faisait gagner du temps. Les équipes achats, sécurité et juridique sont souvent intervenues plus tard dans le processus.

Ce schéma d’adoption diffère d’un déploiement traditionnel de logiciel d’entreprise. Une entreprise sélectionne normalement un fournisseur, configure les accès, forme les utilisateurs et surveille l’activité. La shadow AI inverse cette séquence, car les employés commencent à utiliser un service avant que l’organisation ne l’évalue.

Les recherches de Microsoft et LinkedIn sur l’IA au travail ont constaté une large adoption portée par les employés en 2024. Parmi les travailleurs du savoir interrogés qui utilisaient l’IA, 78 % apportaient leurs propres outils au travail.

Ce chiffre ne prouvait pas que chaque outil personnel avait provoqué un incident de sécurité. Il montrait que les registres officiels d’achats ne pouvaient pas décrire le niveau réel d’adoption dans le monde du travail. L’inventaire logiciel et la réalité du travail s’étaient dissociés.

Ce comportement traverse également les niveaux hiérarchiques. Les contributeurs individuels utilisent l’IA pour résumer des documents, rédiger des messages, écrire du code, analyser des retours et préparer des présentations. Les managers utilisent des outils similaires pour examiner des plans, organiser des réunions et transformer des notes incomplètes en documents soignés.

Ces activités paraissent souvent inoffensives parce que chaque prompt est modeste. Leur effet cumulé est différent. Une succession de prompts peut révéler des noms de clients, des plans produits, du code source, des hypothèses financières, des stratégies juridiques ou des désaccords internes.

Le cadrage de Bloomberg importe parce qu’il désigne l’arrangement social qui entoure cette activité. Les travailleurs peuvent ne pas révéler l’ampleur de leur usage de l’IA. Les managers peuvent ne pas enquêter si les résultats s’améliorent et qu’aucun problème évident n’apparaît.

Google News a donc mis en lumière plus qu’une tendance technologique. Il a révélé un problème de travail et de gouvernance fondé sur une ambiguïté stratégique. Tout le monde peut bénéficier de l’outil tandis que la responsabilité demeure indéfinie.

Cette ambiguïté semble efficace durant les opérations normales. Elle devient fragile lorsqu’un client remet une réponse en question, que des données confidentielles apparaissent hors des systèmes approuvés ou qu’une décision automatisée nuit à quelqu’un. L’organisation doit alors reconstituer un processus qu’elle n’a jamais choisi d’observer.

Qualifier cela d’économie cachée ne signifie pas que chaque tâche assistée par l’IA est interdite. Cela signifie que l’IA crée de la valeur économique sans apparaître systématiquement dans les flux de travail officiels, les budgets, les mesures de performance ou les registres de risques.

Le résultat est visible. La méthode ne l’est pas.

Pourquoi employeurs et travailleurs acceptent tous deux le silence

Le compromis informel perdure parce que les deux parties tirent un bénéfice immédiat du fait de laisser l’usage de l’IA partiellement implicite.

Les employeurs subissent une forte pression pour accroître la productivité. Ils ont payé pour des modèles, assistants, infrastructures et expérimentations, mais beaucoup peinent encore à relier ces investissements à des résultats commerciaux mesurables. L’adoption discrète par les employés offre des gains sans exiger un programme de transformation complet.

Les travailleurs font face à une pression différente. Ils doivent traiter des volumes croissants de messages, documents, réunions, recherches et tâches administratives. L’IA peut réduire le temps consacré à convertir des informations d’un format à un autre.

Un travailleur qui transforme des notes de réunion en point d’avancement de projet n’a guère intérêt à déclarer chaque prompt. Cette divulgation peut entraîner des contrôles supplémentaires, des questions sur la qualité du travail ou des exigences de production encore plus élevées. Le silence préserve le temps gagné.

Les managers peuvent aussi tirer avantage de ne pas poser de questions. Si une équipe livre plus tôt, un manager obtient le résultat sans avoir à affronter des questions difficiles sur le traitement des données, l’attribution ou l’évaluation. La récompense immédiate est concrète, tandis que le risque paraît lointain.

Cet arrangement peut déformer les attentes en matière de performance. Un employé peut utiliser l’IA pour accomplir une tâche en deux heures plutôt qu’en quatre. Dès que le management considère ce rythme plus rapide comme normal, le temps économisé cesse d’appartenir à l’employé.

Le gain de productivité devient un niveau de référence plus élevé. Les employés ont alors besoin d’un accès continu à l’outil simplement pour répondre aux attentes créées par les premiers usages de l’IA. Un raccourci volontaire devient progressivement une exigence professionnelle officieuse.

Il existe également un problème de divulgation. Certains travailleurs craignent qu’admettre un usage intensif de l’IA fasse paraître leur poste remplaçable. D’autres craignent que le dissimuler semble plus tard malhonnête.

Les managers font face à la même contradiction sous un autre angle. Ils peuvent encourager l’expérimentation tout en avertissant les employés de ne pas exposer d’informations sensibles. Sans outils approuvés ni exemples clairs, ces messages proposent une ambition sans modèle opérationnel exploitable.

La recherche étaye l’idée que l’IA peut améliorer les performances dans des contextes définis. Une étude de terrain du NBER a examiné un assistant d’IA générative utilisé par des agents de support client et a fait état d’une hausse moyenne de productivité de 14 %.

Les gains n’étaient pas répartis uniformément. Les travailleurs moins expérimentés et moins qualifiés en ont davantage bénéficié, ce qui suggère que le système aidait à transférer des pratiques associées aux employés les plus performants. Ce constat complique les récits simplistes sur le remplacement.

Un environnement de support contrôlé n’est pas la même chose qu’une économie entière. Les chercheurs pouvaient observer l’outil, le flux de travail, le résultat et l’indicateur de performance. De nombreux déploiements en entreprise ne bénéficient pas de cette visibilité.

Lorsque les travailleurs utilisent des services non approuvés, l’organisation ne peut pas distinguer de manière fiable une aide utile d’un contenu fabriqué, d’un langage copié, d’un biais caché ou de données mal traitées. Elle ne voit que le document ou la décision finale.

C’est pourquoi le « ne rien demander, ne rien dire » reste tentant. La mesure coûte cher. Le silence permet aux deux parties de revendiquer le bénéfice avant de déterminer qui assume le risque.

Le véritable affrontement oppose la productivité à la responsabilité

Le conflit principal n’oppose pas les travailleurs aux employeurs. Il oppose un résultat mesurable à une production responsable.

Les organisations évaluent déjà le travail achevé. Elles examinent les résultats commerciaux, les tickets résolus, les fonctionnalités lancées, les analyses terminées et les documents publiés. L’IA générative modifie la séquence cachée qui produit ces résultats.

Une réponse soignée peut contenir une affirmation fabriquée. Du code fonctionnel peut inclure une dépendance non sécurisée. Un résumé client concis peut omettre une objection essentielle. Une évaluation de recrutement convaincante peut reproduire des biais issus de décisions antérieures.

Ces défaillances ne sont pas toujours visibles dans le résultat. La responsabilité dépend donc d’informations sur les sources, les étapes de vérification, le comportement du modèle et le jugement humain. La shadow AI retire une grande partie de ce contexte.

Le premier Economic Index d’Anthropic a analysé des tendances dans les conversations Claude plutôt que de s’appuyer uniquement sur des réponses à des enquêtes. Ses premières conclusions décrivaient davantage d’augmentation que d’automatisation complète, même si la frontière dépendait de la manière dont les tâches étaient classées.

L’augmentation signifie qu’une personne et un modèle accomplissent conjointement un travail. L’automatisation signifie que le modèle exécute une tâche avec une implication humaine limitée. Les deux peuvent améliorer le résultat, mais elles nécessitent des contrôles différents.

Un employé qui demande à un modèle des titres alternatifs reste responsable de la sélection. Un système qui génère et publie des titres sans révision transfère davantage de responsabilité vers le concepteur du flux de travail et l’opérateur du modèle.

Cette différence compte lors d’une enquête. Une entreprise doit savoir si un employé a reçu une assistance, délégué une décision ou accepté un résultat sans le vérifier. Un fichier final répond rarement à ces questions.

Les systèmes d’IA formels peuvent conserver des journaux, limiter la rétention des données, appliquer des contrôles d’identité et restreindre l’accès aux modèles. Ils peuvent également connecter les résultats à des sources de connaissances approuvées. Les comptes personnels ne suivent pas nécessairement la même configuration.

L’approbation seule ne résout pas le problème. Les employés peuvent recevoir un chatbot d’entreprise et utiliser malgré tout un autre modèle parce qu’il répond mieux, prend en charge un type de fichier nécessaire ou semble plus facile à utiliser. La gouvernance doit rivaliser avec la commodité.

Cela crée une pression pour les responsables technologiques. Ils ne peuvent pas simplement bloquer tous les services publics et déclarer la réussite. Des politiques excessivement restrictives poussent davantage d’activité hors des systèmes visibles.

Ils ne peuvent pas non plus déclarer chaque expérimentation acceptable. Les contrats clients, les obligations de confidentialité, les devoirs professionnels, les préoccupations liées au droit d’auteur et les exigences de sécurité continuent de s’appliquer lorsqu’un modèle accélère le travail.

L’affrontement pratique se joue entre deux modèles opérationnels.

Un modèle ne mesure que le résultat. Il traite l’assistance de l’IA comme une technique personnelle invisible jusqu’à ce qu’un problème survienne. Cette approche réduit les frictions, mais conserve peu d’éléments de preuve.

Le second modèle traite l’usage de l’IA comme une partie du système de production. Il identifie les tâches approuvées, enregistre les interactions importantes, teste les résultats et attribue la responsabilité de la révision. Cette approche exige des investissements et peut ralentir l’expérimentation.

Aucun des deux modèles n’élimine le jugement humain. La différence tient à la question de savoir si ce jugement devient un contrôle intentionnel ou un filet de sécurité supposé.

L’article de Google News renvoie à une question économique plus large. Si la productivité de l’IA reste cachée, les entreprises ne peuvent pas répartir précisément sa valeur entre les employés, les employeurs et les fournisseurs de technologies. Elles ne peuvent pas non plus évaluer le risque associé.

Un travailleur peut apporter une expertise métier, un contexte confidentiel, la conception de prompts, la vérification et la responsabilité finale. Le modèle apporte du langage ou des analyses générés. L’organisation apporte les données, les systèmes, la réputation et l’exposition juridique.

Qualifier le résultat final de « généré par l’IA » efface ces contributions. Le qualifier d’entièrement produit par un humain efface le mécanisme. Une meilleure mesure doit préserver les deux.

Ce que les chiffres de productivité ne peuvent pas prouver

Le fait que l’IA accélère certaines tâches ne démontre pas qu’elle améliore une organisation dans son ensemble.

De nombreuses études sur l’IA testent des activités délimitées aux résultats clairs. Les participants résument des textes, rédigent des documents professionnels, écrivent du code ou répondent à des questions de support. Les chercheurs peuvent comparer le temps d’exécution et évaluer la qualité selon une norme définie.

Le travail réel comporte davantage de dépendances. Un premier brouillon plus rapide peut entraîner une révision plus lente. Davantage de code généré peut accroître les besoins en tests. Un résumé concis peut masquer une incertitude qui conduit plus tard à une mauvaise décision.

La productivité individuelle et la productivité organisationnelle ne sont pas identiques. Un salarié peut gagner une heure tout en transférant le travail de vérification à un collègue. Un service peut produire davantage de contenu tout en générant des coûts de relecture plus élevés ailleurs.

La mesure de la qualité change également avec la complexité de la tâche. Il est plus facile de tester l’exactitude d’une réponse d’assistance structurée que celle d’une recommandation stratégique. La seconde dépend d’hypothèses, du contexte et d’événements futurs.

Le Stanford AI Index rassemble des recherches montrant des améliorations rapides des capacités et de l’adoption de l’IA. Il documente également des difficultés persistantes d’évaluation et des performances inégales selon les tâches.

Les benchmarks peuvent montrer qu’un modèle répond à un ensemble défini de questions. Ils ne peuvent pas établir que les employés savent reconnaître les erreurs du modèle. Ce calibrage humain constitue une capacité distincte.

L’IA fantôme rend ce calibrage plus difficile à examiner. L’organisation peut ignorer quel modèle a produit une réponse, quelles informations ont été saisies dans le prompt, ou si le salarié a vérifié les sources citées.

Les données d’enquête présentent une autre limite. Les employés peuvent sous-déclarer des comportements interdits, surestimer leur productivité ou interpréter différemment l’expression « utiliser l’IA ». Une personne compte des retouches occasionnelles, tandis qu’une autre délègue des brouillons entiers.

Les journaux d’utilisation ont leurs propres angles morts. Ils montrent les interactions au sein d’un service, mais pas si les résultats étaient utiles. Ils peuvent également ne pas détecter l’activité réalisée sur des appareils personnels, des comptes externes ou des fonctionnalités d’IA intégrées.

Cette incertitude n’annule pas l’argument en faveur de la productivité. Elle change ce que les dirigeants peuvent affirmer de manière responsable. Une entreprise peut dire que ses employés adoptent l’IA, ou qu’un déploiement défini a amélioré un flux de travail mesuré.

Elle ne devrait pas déduire des gains à l’échelle de l’entreprise à partir des seuls nombres d’abonnements. Elle ne devrait pas non plus revendiquer une transformation parce que les employés ont généré davantage de texte, de code ou de présentations.

La question sceptique porte sur la valeur nette. L’IA a-t-elle réduit le coût total de production d’un résultat fiable après les vérifications, les corrections, la coordination et le travail de sécurité ?

Cette question doit recevoir une réponse flux de travail par flux de travail. Un pourcentage universel de productivité masquerait des différences majeures entre le support client, le développement logiciel, la révision juridique, la recherche, les ventes et le management.

La même rigueur s’applique aux affirmations relatives aux suppressions d’emplois. Automatiser une partie d’une tâche ne supprime pas automatiquement le poste qui l’entoure. Cela peut modifier l’éventail des compétences, réduire le travail de niveau débutant, accroître les attentes en matière de production ou déplacer la responsabilité ailleurs.

Cependant, l’incertitude ne doit pas devenir une excuse à l’inaction. Les organisations dépendent déjà d’utilisations invisibles de l’IA. Refuser de les mesurer ne préserve ni la sécurité ni la stabilité de l’emploi.

La réponse appropriée est une visibilité prudente. Les entreprises ont besoin de suffisamment d’informations pour comprendre les risques importants sans transformer chaque prompt mineur en événement de conformité.

L’IA fantôme impose un modèle de gouvernance différent

Une politique applicable doit rendre la divulgation sûre plus facile que la dissimulation.

De nombreux programmes de gouvernance commencent par une liste d’activités interdites. Les restrictions sont importantes, en particulier pour les données confidentielles, les décisions réglementées et les actions automatisées à fort impact. Pourtant, une interdiction ne peut pas remplacer un outil accessible et un processus compréhensible.

Les employés ont besoin de catégories claires. Certaines tâches peuvent autoriser une expérimentation large. D’autres exigent des comptes approuvés, un traitement protégé des données, une révision humaine ou une exclusion complète des systèmes d’IA générative.

Une politique utile décrit des exemples plutôt que de s’en tenir à des principes abstraits. Elle devrait préciser si les employés peuvent résumer des rapports publics, modifier des documents internes, analyser des dossiers clients, rédiger un langage juridique ou examiner du code source.

L’organisation doit également distinguer l’assistance à faible risque des décisions ayant des conséquences. La correction grammaticale n’implique pas les mêmes enjeux que décider qui obtient un crédit, un emploi, une assurance, des soins de santé ou l’accès à un service.

Les usages à fort impact nécessitent une révision et une documentation renforcées. La personne qui approuve un résultat doit comprendre le fondement de la décision. Un chatbot ne peut pas devenir une explication commode pour un résultat que personne ne peut défendre.

Les limites relatives aux données doivent être tout aussi concrètes. Les salariés doivent savoir quelles classifications d’informations peuvent être saisies dans chaque système approuvé. Ils ont également besoin d’une alternative sûre lorsqu’un outil public offre une fonctionnalité absente du produit d’entreprise.

Les contrôles techniques peuvent soutenir ces règles. La gestion des identités, les paramètres de conservation, les restrictions d’accès, les journaux d’audit et la prévention des pertes de données peuvent réduire l’exposition. Aucun d’entre eux ne peut déterminer si une réponse est adaptée à son contexte métier.

La révision humaine demeure nécessaire, mais le « human in the loop » n’est pas un contrôle complet. Un employé fatigué peut approuver un résultat sans l’examiner de manière significative. La révision exige des critères définis, suffisamment de temps et l’autorité de rejeter le travail automatisé.

Les organisations devraient mesurer les corrections autant que la rapidité. Elles peuvent suivre le temps nécessaire pour vérifier les affirmations, corriger les erreurs, résoudre les problèmes clients ou réécrire le contenu généré. Ces coûts déterminent la productivité nette.

Elles devraient également examiner comment l’IA modifie le travail des juniors. Les tâches de niveau débutant fournissent souvent la pratique qui développe l’expertise. Supprimer chaque mission élémentaire peut affaiblir le vivier futur de relecteurs capables de détecter des erreurs sophistiquées.

Les managers ont également besoin de formation. Si un dirigeant récompense le volume sans discuter des méthodes, les employés optimiseront la production visible. Un système responsable aligne les objectifs de performance sur la vérification et la divulgation.

Le meilleur mécanisme de signalement ne ressemblera pas à un formulaire d’aveux. Il devrait capturer les usages significatifs de l’IA au moyen de la conception ordinaire des flux de travail. Les assistants approuvés peuvent conserver les enregistrements pertinents sans exiger des salariés qu’ils documentent chaque phrase.

La provenance des connaissances compte également. Les équipes devraient distinguer les contenus publics du web, les contenus sous licence, les dossiers internes et l’expertise humaine. Un système de connaissances personnel peut aider les individus à préserver leurs sources et leur raisonnement avant que l’IA ne les condense en une réponse.

Cette traçabilité des sources soutient bien plus que la conformité. Elle permet aux salariés de revenir aux preuves originales lorsqu’un résumé de modèle élimine des nuances. Elle protège également un contexte humain précieux qui, autrement, disparaîtrait dans un chat éphémère.

La gouvernance réussit lorsque les employés peuvent accomplir un travail légitime sans contournement. Si un système approuvé est inaccessible, lent ou mal adapté à la tâche, les violations de la politique deviennent prévisibles.

L’objectif n’est pas une observation parfaite. Il s’agit d’une responsabilité proportionnée autour des données précieuses et des résultats ayant des conséquences.

Trois signaux mettront à l’épreuve l’économie de l’IA « ne rien demander, ne rien dire »

La prochaine phase dépendra de la capacité des entreprises à mesurer les résultats, à repenser le travail et à donner aux employés des raisons crédibles de déclarer leur utilisation de l’IA.

Le premier signal est une évolution du reporting. Les entreprises annoncent fréquemment l’accès à l’IA, les licences, les assistants ou les programmes de formation. Les preuves les plus solides relieront ces apports aux flux de travail achevés, aux taux d’erreur, au temps de révision, aux résultats clients ou aux coûts d’exploitation.

Si les employeurs publient des mesures crédibles de productivité nette, l’économie cachée deviendra plus facile à évaluer. S’ils continuent à mettre l’accent sur la disponibilité des outils, l’écart entre les dépenses liées à l’IA et la valeur démontrée restera ouvert.

Le deuxième signal est la refonte des flux de travail. Ajouter un chatbot à côté d’un processus inchangé résout rarement la question de savoir qui relit le résultat, assume les erreurs ou enregistre les sources. Une adoption durable exige des changements de rôles, de points de contrôle et d’attentes de performance.

Un processus repensé rend la contribution du modèle visible. Il définit quand les employés peuvent s’appuyer sur l’IA, quand ils doivent la vérifier et quand le jugement humain ne peut pas être délégué.

Le troisième signal est le comportement des employés après l’amélioration des outils approuvés. Si les salariés passent de comptes personnels à des systèmes gérés, la commodité était une cause majeure de l’IA fantôme. Si l’usage caché persiste, les employés peuvent se méfier de la surveillance ou préférer des capacités que leur employeur ne fournit pas.

Cette distinction est importante. Un problème technique appelle de meilleurs produits et un meilleur accès. Un problème de confiance exige des incitations plus claires, des limites à la surveillance et une discussion honnête sur la manière dont les gains de productivité affectent les charges de travail et les emplois.

Google News a attiré l’attention sur une formule qui correspond au moment actuel. L’économie reçoit déjà du travail façonné par l’IA, mais les organisations ne peuvent souvent pas décrire précisément où, comment ou sous quelle autorité.

La réponse n’est pas de prétendre que chaque tâche assistée par l’IA est dangereuse. Elle n’est pas non plus de considérer une production plus rapide comme la preuve que le processus est solide.

Les employeurs doivent se demander où l’IA modifie le travail ayant des conséquences. Les salariés ont besoin de moyens sûrs de répondre sans transformer une expérimentation utile en auto-incrimination. Les deux parties ont besoin de preuves qui mesurent la qualité après le premier brouillon.

Les lecteurs devraient surveiller les métriques que les entreprises choisissent. Les nombres de licences récompensent les récits d’adoption. La productivité nette, les coûts de correction, les taux d’incident et le passage des employés vers des systèmes approuvés révèlent si le modèle opérationnel fonctionne réellement.

L’arrangement « ne rien demander, ne rien dire » peut perdurer tant que les bénéfices restent immédiats et que les échecs restent dispersés. Il s’affaiblit lorsque les clients, les régulateurs, les auditeurs ou les employés exigent une explication claire de la manière dont un travail important a été produit.

La question décisive n’est plus de savoir si les gens utilisent l’IA au travail. Elle est de savoir si les institutions peuvent reconnaître cet usage, attribuer la responsabilité et préserver les connaissances humaines nécessaires pour contester la machine.