Le temps gagné ne revient pas à ceux qui le gagnent – Ce que mesurent vraiment les économistes

L’IA générative fait gagner du temps : les études le montrent, tâche par tâche. Mais les mêmes travaux ne retrouvent ces gains ni dans les salaires ni dans les heures travaillées. Entre les deux, un mot que les sociologues du travail connaissent bien : l’intensification.

À l’échelle de la tâche, des gains réels et inégaux

L’étude de référence porte sur 5 172 agents d’un service d’assistance à la clientèle. Erik Brynjolfsson, Danielle Li et Lindsey Raymond y mesurent une hausse de productivité d’environ 15 % en moyenne après l’introduction d’un assistant conversationnel. Le gain est de l’ordre de 30 % pour les moins expérimentés. Il est presque nul pour les plus chevronnés. L’outil diffuse aux débutants les pratiques des meilleurs.

Deuxième résultat, obtenu auprès de 758 consultants d’un grand cabinet de conseil : avec l’IA, ils achèvent 12,2 % de tâches en plus, 25,1 % plus vite, pour une qualité jugée supérieure de 40 %. Mais dès que la tâche sort du domaine de compétence de la machine, les utilisateurs de l’IA produisent des réponses correctes moins souvent que les autres : 19 points d’écart. Les auteurs parlent d’une « frontière en dents de scie ». Rien n’indique à l’utilisateur de quel côté il se trouve.

À l’échelle de l’économie, presque rien

Changement d’échelle. Au Danemark, Anders Humlum et Emilie Vestergaard ont suivi 25 000 salariés de 7 000 établissements, dans onze professions exposées. Résultat sur les salaires et sur les heures travaillées : des effets nuls, estimés avec assez de précision pour exclure une variation supérieure à 1 %. Les gains de temps déclarés sont de l’ordre de 3 %. Le prix Nobel d’économie Daron Acemoglu chiffre de son côté le gain de productivité globale imputable à l’IA à 0,66 % au plus sur dix ans.

Le service public français affiche des résultats du même type : précis sur la tâche, muets sur le reste. À la Cnav, 9 000 agents, un gain de temps estimé entre 20 % et 30 %, mais sur des « activités courtes et à faible valeur métier ». Les trois inspections générales qui rapportent ce chiffre ajoutent un constat : les coûts des projets, « difficiles à estimer », sont « souvent supérieurs aux prévisions ».

Où passe le temps gagné

La réponse vient de l’observation du travail. Pendant huit mois, Xingqi Maggie Ye et Aruna Ranganathan, de l’université de Californie à Berkeley, ont suivi une entreprise technologique de 200 salariés et conduit plus de quarante entretiens. Elles décrivent trois mécanismes. L’élargissement du périmètre : chacun prend en charge des tâches auparavant confiées à d’autres. L’effacement des frontières : la requête envoyée pendant le déjeuner, le soir, entre deux réunions. Le travail en parallèle : plusieurs flux menés de front, pendant que les agents IA tournent en arrière-plan.

Aucune de ces trois charges n’apparaît dans un tableau de bord. Toutes pèsent d’abord sur ceux qui coordonnent, vérifient et arbitrent. Le webinaire du 1er octobre l’a formulé pour nos organismes : le temps libéré est réinvesti, l’intensité augmente, la charge cognitive des managers avec elle.

L’angle mort

Aucune évaluation publiée par les caisses nationales ne mesure la charge de travail avant et après le déploiement d’un outil. Aucune ne dit à quoi sont affectés les gains : à la qualité du service, à la formation, ou à la trajectoire d’effectifs. Tant que cette mesure manque, le gain de productivité reste une déclaration de l’employeur.

Pour le SNFOCOS, un gain qui ne se mesure pas ne se partage pas. Nous demandons une mesure de la charge avant et après chaque déploiement, l’intégration au document unique d’évaluation des risques professionnels (DUERP) des risques liés à l’IA, intensification, technostress, perte de sens, et une affectation négociée des gains : charge, qualité de service, temps de formation.

Sources : E. Brynjolfsson, D. Li, L. Raymond, « Generative AI at Work », The Quarterly Journal of Economics, vol. 140, n° 2, 2025 ; F. Dell’Acqua et al., « Navigating the Jagged Technological Frontier », Harvard Business School Working Paper n° 24-013, septembre 2023 ; A. Humlum, E. Vestergaard, « Large Language Models, Small Labor Market Effects », NBER Working Paper n° 33777, 2025 ; D. Acemoglu, « The Simple Macroeconomics of AI », Economic Policy, vol. 40, 2025 ; X. M. Ye, A. Ranganathan, « AI Doesn’t Reduce Work — It Intensifies It », Harvard Business Review, février 2026 ; IGF-IGA-IGAS, rapport précité, avril 2026.