Le plateau de productivité de l’IA, expliqué

Au début, tout semble évident. Les brouillons arrivent plus vite, les notes de réunion sont propres, les commerciaux écrivent davantage, les développeurs obtiennent une première version de code en quelques secondes, le support prépare des réponses sans repartir de zéro. Puis la courbe se tasse. Les personnes équipées disent encore que l’outil les aide, mais les délais clients ne baissent plus, les projets ne sortent pas plus vite, les managers ne prennent pas moins de décisions, et la qualité finale demande toujours autant d’attention.

Ce plateau apparaît parce que l’IA accélère souvent la partie visible du travail, pas la partie contraignante. Or le débit d’une entreprise dépend rarement du premier brouillon. Il dépend de la décision, de la validation, du contexte, de l’accès aux données, de la capacité à dire non, du traitement des exceptions et de la confiance dans la sortie. Si ces éléments restent inchangés, l’IA produit plus de matière à inspecter. Elle donne une impression de vitesse en amont, puis la même organisation absorbe cette vitesse dans les mêmes goulots.

Les promesses IA sont souvent formulées à l’échelle individuelle : gagner une heure par jour, écrire deux fois plus vite, analyser un document en quelques minutes. Mais une organisation n’est pas une somme de personnes isolées. Si chaque personne produit plus de messages, plus de présentations, plus d’analyses et plus de tickets, quelqu’un doit toujours lire, trier, arbitrer et intégrer. Le volume peut augmenter sans que la valeur nette augmente. Dans certains cas, la charge de coordination monte parce que les sorties sont plus nombreuses, plus convaincantes et plus difficiles à ignorer.

Le plateau est donc un phénomène de coordination. Le manager reçoit plus de brouillons, le juridique plus de textes à valider, le support plus de macros à contrôler, l’IT plus d’outils à sécuriser, la finance plus de factures à rapprocher. Les équipes ont l’impression de travailler mieux, mais le système n’a pas appris à consommer ce travail supplémentaire. C’est pour cela qu’un bon diagnostic ne demande pas seulement combien de temps l’IA économise. Il demande où ce temps retourne, qui récupère la capacité, et quelle décision devient plus rapide grâce à cette capacité.

La génération crée facilement du travail plausible. C’est sa force et son danger. Un texte plausible demande une relecture plus subtile qu’un texte manifestement mauvais. Un résumé de réunion peut oublier la seule décision importante. Un bout de code peut compiler et introduire une faiblesse de sécurité. Un rapport peut sonner expert et mélanger des sources inventées avec des chiffres valides. La productivité réelle dépend alors de la capacité de l’équipe à vérifier rapidement ce qui compte, pas de la capacité de l’outil à produire beaucoup.

L’expérience de CNET est devenue un exemple de ce piège : produire du contenu assisté par IA sans garder une confiance éditoriale suffisante peut transformer un gain de rédaction en coût de correction, transparence et réputation. Le cas Deloitte Australia montre le même mécanisme sur un autre terrain : un rapport peut être long, professionnel et pourtant nécessiter une correction publique si les références ne tiennent pas. Dans les deux cas, le plateau n’est pas une absence d’activité. C’est une activité qui revient sous forme de contrôle tardif.

Une entreprise sortie du plateau peut montrer où le temps gagné est allé. Elle a réduit un délai, absorbé plus de volume sans embauche, diminué un stock de tickets, raccourci une étape de reporting, fermé un outil, ou augmenté une marge. Une entreprise coincée au plateau se contente d’un vocabulaire flou : les équipes sont plus efficaces, les livrables partent plus vite, les idées circulent davantage. Ces phrases peuvent être vraies localement et inutiles pour la gestion.

Le test simple consiste à demander : si l’outil disparaissait demain, quelle ligne opérationnelle se dégraderait dans les trente jours ? Si personne ne peut répondre, l’usage est peut-être confortable mais pas structurant. Si l’équipe répond avec précision, on peut alors investir dans le workflow autour de l’usage : automatiser une entrée, réduire une validation, documenter une politique de qualité, ou connecter l’outil à une donnée fiable. La sortie du plateau commence quand l’entreprise sait quelle capacité elle protège.

La plupart des programmes IA ajoutent une étape : demander au modèle, relire, copier-coller, envoyer. Les programmes qui dépassent le plateau retirent une étape. Ils suppriment une saisie, un reporting redondant, une réunion de synchronisation, un aller-retour de clarification, une recherche documentaire manuelle ou une reprise de format. Cette nuance change tout. Accélérer une tâche existante crée souvent un gain individuel. Retirer une étape crée un gain système.

Pour retirer du travail, il faut accepter de modifier les règles. Qui peut valider une sortie IA ? À partir de quel seuil une réponse peut partir sans revue complète ? Quelles données sont suffisamment fiables pour alimenter le flux ? Quel ancien outil ferme quand le nouveau workflow tient ? Quelles tâches ne seront plus demandées aux équipes ? Sans ces décisions, l’IA reste un moteur puissant monté sur une transmission inchangée. Elle tourne, elle impressionne, mais le véhicule ne va pas beaucoup plus loin.

Dans un workflow classique, le contrôle qualité arrive souvent à la fin : quelqu’un relit, corrige, approuve. Avec l’IA, ce modèle devient vite coûteux parce que la quantité de sorties augmente. Le contrôle doit donc se déplacer en amont sous forme de contraintes : sources autorisées, exemples bons et mauvais, ton interdit, données exclues, seuil de confiance, checklist de sortie, et cas où l’outil doit refuser. Plus ces règles sont claires avant génération, moins l’équipe doit faire du tri après.

Ce déplacement est particulièrement important dans les fonctions où l’erreur a un coût externe : support, juridique, finance, RH, sécurité, santé, conformité. Air Canada et le chatbot de New York City illustrent la même faiblesse : une réponse automatique qui touche une règle ou une politique ne doit pas être seulement fluide. Elle doit être gouvernée, traçable et limitée. Sinon, l’organisation gagne quelques secondes de réponse et prend un risque qu’aucune métrique de productivité ne capture correctement.

La première phase accepte les gains rapides mais les traite comme des hypothèses. On observe où les utilisateurs trouvent naturellement de la valeur, on coupe les usages absurdes, on protège les données, on évite les grands discours. La deuxième phase reconstruit les workflows autour des usages qui tiennent : données propres, décision claire, mesure de qualité, responsabilité, ancienne étape supprimée, budget réalloué. Beaucoup d’entreprises restent bloquées entre les deux phases. Elles ont assez d’usage pour communiquer, pas assez de redesign pour transformer.

Dépasser le plateau demande donc un choix de management. Continuer à distribuer des outils produira davantage de micro-gains et de fatigue de coordination. Reconcevoir quelques flux produira moins d’annonces, mais plus de valeur défendable. Le bon programme IA n’essaie pas de rendre tout le monde un peu plus rapide. Il cherche les endroits où l’entreprise peut fonctionner différemment parce que l’IA a rendu une ancienne contrainte négociable.