Site icon R-bloggers

L’IA travaille. Il vous reste le plus difficile.

Boris Guarisma
[This article was first published on Foundations, and kindly contributed to R-bloggers]. (You can report issue about the content on this page here)
Want to share your content on R-bloggers? click here if you have a blog, or here if you don't.

En 1983, Lisanne Bainbridge, psychologue à l’University College London, publie un article de cinq pages devenu un classique : « Les ironies de l’automatisation ». Elle y observe que le concepteur qui cherche à éliminer l’opérateur lui laisse encore les tâches qu’il ne voit pas comment automatiser. Elle pensait aux procédés industriels. Sa phrase décrit tout aussi bien les équipes qui confient aujourd’hui une partie de leur travail à des agents d’IA.

Un dossier de projet sait chiffrer le temps que l’IA fera gagner. Il sait beaucoup moins bien chiffrer ce qui reste. Or ce qui reste n’est pas un résidu : c’est de la surveillance, de la vérification et du jugement, c’est-à-dire la part du travail où l’erreur de confiance est la plus probable. Automatiser ne retire pas le travail humain, cela en change la nature. Ce changement a un coût, mais ce coût n’est pas une fatalité : il dépend de ce qu’on retire à l’humain et de ce qu’on lui laisse.

Dans un précédent article, je montrais que le coût d’une tâche réussie dépend du travail humain qui rattrape les échecs. Celui-ci pose la question suivante : que fait l’humain quand l’IA réussit ?

Surveiller est un travail

Bainbridge en tirait une conséquence gênante : l’opérateur peut se retrouver avec « un assortiment arbitraire de tâches », celles que la machine ne sait pas faire. Il hérite aussi de la surveillance d’un système où il ne se passe presque rien.

On a longtemps tenu la surveillance pour une tâche peu exigeante. La recherche sur la vigilance dit le contraire. En 2008, une revue de Warm, Parasuraman et Matthews réunit des mesures comportementales, neurales et subjectives. Elles convergent : la vigilance « demande un travail mental intense et elle est stressante ». Sa charge de travail est élevée, et ces tâches réduisent l’engagement tout en augmentant la détresse. Surveiller n’est pas s’ennuyer : c’est un effort.

Ces résultats viennent d’études expérimentales. Ils posent pourtant une question simple à tout projet d’automatisation : qui fournit cet effort, et dans quelles conditions ?

Le travail glisse vers la vérification

L’IA générative rend cette question quotidienne. En 2025, des chercheurs de Microsoft Research et de l’université Carnegie Mellon interrogent 319 travailleurs du savoir. Selon leurs réponses, l’IA générative déplace la pensée critique « vers la vérification de l’information, l’intégration des réponses et la tenue de la tâche ». On rédige moins, on contrôle davantage. Ces résultats sont déclarés par les participants : ils disent ce que les personnes perçoivent, pas ce qu’elles .

Ce qu’elles , Xingqi Maggie Ye et Aruna Ranganathan, de Berkeley Haas, l’ont observé pendant huit mois dans une entreprise technologique de 200 personnes dont les salariés avaient largement accès aux outils d’IA générative. Leur étude ethnographique s’appuie aussi sur plus de 40 entretiens. Le temps gagné a été réinvesti dans le travail : les salariés « travaillaient plus vite, prenaient en charge un périmètre plus large et étendaient leur travail à davantage d’heures de la journée, souvent sans qu’on le leur demande ». Ye et Ranganathan notent que cette expansion semble souvent venir des salariés eux-mêmes. Une seule entreprise, des travaux encore en cours : c’est un signal, pas une loi.

Reste la perception. En 2025, l’organisme de recherche METR mène un essai randomisé auprès de 16 développeurs expérimentés de logiciels libres, sur 246 tâches de projets qu’ils connaissent depuis cinq ans en moyenne. Avec l’IA, ils mettent 19 % de temps en plus. Après l’étude, ils estiment pourtant que l’IA leur a fait gagner 20 % de temps. L’effectif est petit et les outils sont ceux de février à juin 2025. L’écart entre l’impression et la mesure devrait cependant alerter quiconque évalue un projet sur les seuls retours de ses utilisateurs.

L’effet « bûcheron »

Ce déplacement ne serait qu’une affaire d’emploi du temps s’il épargnait la qualité du jugement. Il ne l’épargne pas.

En 2014, une méta-analyse de Linda Onnasch et de ses collègues rassemble 18 expériences. Plus le degré d’automatisation augmente, meilleure est la performance de routine ; tant que l’automate fonctionne, la charge baisse aussi, mais plus faiblement. Quand il tombe en panne, en revanche, la performance et la conscience de la situation se dégradent. Les auteurs parlent d’effet « bûcheron » : plus les arbres sont hauts, plus ils tombent loin. Dans toutes les études sauf quatre, les participants étaient des étudiants.

L’expertise ne protège pas. En 2023, la revue Radiology publie une expérience menée auprès de 27 radiologues qui lisent des mammographies avec l’aide d’un système présenté comme une IA. En moyenne, les plus expérimentés classent correctement 82,3 % des clichés quand le système a raison, et 45,5 % quand il se trompe. Chez les moins expérimentés, la justesse passe de 79,7 % à 19,8 %.

Enfin, une revue systématique de Lyell et Coiera (2017) compare la littérature des facteurs humains et celle de la santé : sur 40 études retenues, 6 portent sur la santé. Les auteurs observent le biais d’automatisation (le fait de trop s’en remettre à l’aide à la décision) jusque dans des tâches uniques, lorsque la vérification est complexe, et l’associent à la charge cognitive de la décision. Pour le limiter, ils suggèrent de réduire cette charge.

Mettons ces résultats bout à bout. Quand on automatise les vérifications faciles, l’humain garde les difficiles : les exceptions, les cas ambigus, les erreurs que l’automate n’a pas vues. Ses décisions deviennent moins nombreuses, mais chacune porte sur une erreur plus rare et plus difficile à voir. C’est mon interprétation, pas un résultat mesuré : ce qui reste à vérifier après l’automatisation est ce qui expose le plus au biais.

Ce que l’automatisation retire, ce qu’elle laisse. Interprétation de l’auteur à partir des études citées ; ce schéma ne représente aucune mesure.

L’objection : l’IA allège aussi

L’objection est sérieuse, et elle s’appuie sur des études solides. Erik Brynjolfsson, Danielle Li et Lindsey Raymond ont étudié l’introduction échelonnée d’un assistant conversationnel d’IA générative auprès de 5 172 agents de service client. La productivité, mesurée en demandes résolues par heure, augmente de 15 % en moyenne, avec de fortes différences : les agents les moins expérimentés et les moins qualifiés gagnent en vitesse et en qualité, les plus expérimentés et les plus qualifiés gagnent un peu en vitesse et perdent un peu en qualité. Les auteurs observent aussi une amélioration de l’expérience du travail : les clients sont plus polis et demandent moins souvent à parler à un responsable.

En médecine, une étude publiée en 2025 dans JAMA Network Open interroge 263 cliniciens de six systèmes de santé américains, avant et après trente jours d’usage d’une même plateforme de scribe IA, qui documente les consultations. La part de ceux qui déclarent un burn-out passe de 51,9 % à 38,8 %, et la charge cognitive liée aux notes diminue. L’étude n’a pas de groupe témoin, et trois de ses auteurs déclarent des liens avec l’entreprise Abridge AI, dont deux comme salariés. Elle va néanmoins dans le même sens.

Ces résultats ne contredisent pas les précédents, ils les précisent. La méta-analyse d’Onnasch le montrait déjà : tant que l’automate fonctionne, la charge baisse. Le scribe allège une charge administrative. L’assistant propose des réponses dans une conversation. À mon sens, aucun des deux ne laisse à l’humain une vérification plus difficile que celle qu’il faisait avant. Le coût d’attention n’est donc pas une propriété de l’IA, mais de la répartition du travail : ce qu’on retire à l’humain, et ce qu’on lui laisse.

Ce qu’on ne sait pas encore

Trois questions restent ouvertes, et je préfère les nommer.

Je n’ai trouvé aucune étude qui mesure si l’effort par minute augmente quand l’humain ne garde que le jugement. L’intuition est forte, la preuve manque.

Sur la fatigue des personnes qui supervisent des outils d’IA au travail, la seule source directe que j’ai trouvée est une étude du BCG, menée auprès de 1 488 salariés américains de grandes entreprises et publiée dans la Harvard Business Review. Le BCG conseille lui-même les entreprises sur leur transformation par l’IA. L’étude conclut que l’usage excessif ou la surveillance constante des outils d’IA peut entraîner une fatigue mentale. Une seule étude, publiée par un acteur intéressé : c’est un indice, pas une preuve.

Enfin, je n’ai trouvé aucune étude relue par des pairs qui mesure comment la charge évolue avec le nombre d’agents qu’une même personne supervise.

Trois questions avant d’automatiser

On ne sait pas tout, mais on en sait assez pour poser de meilleures questions à un projet.

  1. Que reste-t-il à vérifier une fois l’automatisation en place ? Pas seulement combien de temps : quelles décisions, et sont-elles plus difficiles qu’avant ?
  2. Qui le vérifie, et avec quel temps réellement alloué ? Une vérification sans temps alloué devient une signature, pas un contrôle.
  3. Que se passe-t-il le jour où l’automate se trompe ? Qui s’en aperçoit, et qui sait encore reprendre la main ?

Le temps gagné reste un bon argument. Il ne dit simplement pas tout ce que l’automatisation coûte, ni à qui.

Pour aller plus loin, le livre blanc gratuit La facture fantôme de l’IA part d’une question voisine, « qui vérifie le résultat ? », et montre comment faire apparaître la relecture, la correction et la supervision dans le coût complet d’un projet.

Les citations d’études publiées en anglais sont traduites par l’auteur.

Sources

To leave a comment for the author, please follow the link and comment on their blog: Foundations.
R-bloggers.com offers daily e-mail updates about R news and tutorials about learning R and many other topics. Click here if you're looking to post or find an R/data-science job.
Want to share your content on R-bloggers? click here if you have a blog, or here if you don't.
Exit mobile version