Le Piège de l'intensification

Le discours était simple. L’IA prend en charge le travail routinier. Vous prenez en charge le travail créatif. La machine retire les tâches répétitives de votre assiette, et vous utilisez le temps libéré pour réfléchir, élaborer des stratégies, le travail que seuls les humains savent faire. Tout le monde y gagne. Les gains de productivité sont réels et la journée de travail s’allège.

C’était le discours. Voici ce qui s’est réellement passé.

En février 2026, Aruna Ranganathan et Xingqi Maggie Ye ont publié les résultats d’une étude ethnographique de huit mois dans la Harvard Business Review. Ye, doctorante à la Haas School of Business de l’UC Berkeley, s’était intégrée dans une entreprise technologique américaine d’environ deux cents employés. Elle les observait deux fois par semaine, suivait leurs canaux de communication et a mené plus de quarante entretiens approfondis dans les domaines de l’ingénierie, du produit, du design, de la recherche et des opérations. L’étude couvrait la période d’avril à décembre.

La conclusion n’était pas celle que le récit de la productivité avait prédite. Les employés qui utilisaient des outils d’IA n’ont pas travaillé moins. Ils ont travaillé plus. Plus vite. Ils ont pris en charge un éventail plus large de tâches. Ils ont étendu le travail à des heures qui étaient auparavant vides — pauses déjeuner, soirées, les dix minutes avant une réunion. L’outil censé créer de la marge l’a consommée.

Ranganathan et Ye ont identifié trois formes d’intensification. La première était l’expansion du périmètre : les gens ont commencé à assumer des tâches qui auraient auparavant appartenu à quelqu’un d’autre ou qui n’auraient tout simplement pas été entreprises. La définition de « mon travail » s’est élargie. La deuxième était la dissolution des frontières : parce que l’IA rend facile de démarrer et de poursuivre des tâches, le travail s’est infiltré dans des moments qui fonctionnaient auparavant comme des pauses. Un prompt pendant le déjeuner. Une requête avant de dormir. Les points d’arrêt naturels de la journée de travail se sont dissous. La troisième était le traitement parallèle : les travailleurs maintenaient simultanément de multiples fils, exécutant des processus d’IA en arrière-plan tout en participant à des réunions, en révisant du code ou en rédigeant des documents.

Rien de tout cela n’a été imposé. Personne n’a demandé à ces employés de travailler plus. L’intensification était volontaire — ou semblait l’être. L’outil a rendu le « faire plus » possible, accessible et gratifiant sur le moment. Alors les gens ont fait plus. Et le faire plus est devenu la nouvelle norme.

Le Paradoxe de Jevons du travail

Ce schéma porte un nom, bien qu’il vienne d’un siècle différent et concerne une ressource différente. En 1865, l’économiste anglais William Stanley Jevons a observé que les améliorations de James Watt au moteur à vapeur — qui avaient considérablement augmenté l’efficacité de l’utilisation du charbon — n’avaient pas conduit à une réduction de la consommation de charbon. Elles avaient conduit à une augmentation. Le moteur était plus efficace par unité de travail, il devenait donc économique de l’utiliser pour plus de travail. La consommation totale de charbon a augmenté, pas diminué.

Le Paradoxe de Jevons — le constat selon lequel les gains d’efficacité dans l’utilisation des ressources conduisent à une consommation totale accrue de cette ressource — concernait le charbon. Mais le mécanisme concerne les incitations, et les incitations ne se soucient pas de la ressource à laquelle elles s’attachent.

L’IA est le moteur de Watt du travail cognitif. Elle rend chaque unité de travail de connaissance plus efficace. Un brouillon qui prenait deux heures en prend quarante minutes. Une analyse de données qui nécessitait un spécialiste peut désormais être approximée par un généraliste avec le bon prompt. Un rapport qui n’aurait pas été écrit — parce que le coût dépassait la valeur perçue — est désormais écrit, parce que le coût est passé sous le seuil.

L’efficacité par tâche est réelle. Ranganathan et Ye ne la contestent pas. Le paradoxe est que l’efficacité par tâche, agrégée dans une organisation qui mesure le volume de production, produit de l’intensification, pas du soulagement. La quantité totale de travail cognitif augmente. La journée de travail devient plus dense, pas plus courte. Le tapis roulant accélère.

Ce n’est pas une défaillance technologique. La technologie a fait exactement ce pour quoi elle a été conçue. C’est une défaillance de conception des incitations. Les systèmes organisationnels qui entourent la technologie récompensent le volume de production. Quand un outil rend possible de produire plus, le système absorbe l’augmentation. Le temps libéré n’est pas rendu au travailleur. Il est réinvesti dans plus de travail — automatiquement, structurellement, sans que personne ne prenne la décision consciente d’intensifier.

La métrique récompense l’intensification

Charles Goodhart, un économiste britannique, a articulé un principe en 1975 qui est devenu l’une des observations les plus citées en conception organisationnelle : « Quand une mesure devient un objectif, elle cesse d’être une bonne mesure. » Goodhart écrivait sur la politique monétaire, mais le principe s’applique partout où les métriques déterminent le comportement.

La plupart des organisations mesurent la productivité comme la production par unité de temps. Tâches achevées. Tickets résolus. Documents produits. Lignes de code écrites. Emails envoyés. La métrique est le volume.

Quand l’IA entre dans ce système, le volume augmente. La métrique s’améliore. Les tableaux de bord passent au vert. Les rapports trimestriels célèbrent les gains de productivité. Et personne ne demande si les personnes qui produisent travaillent plus dur, réfléchissent plus ou se reposent moins — parce que la métrique ne suit pas la charge cognitive. Elle suit le volume. Et le volume a augmenté.

L’Upwork Research Institute, en partenariat avec Workplace Intelligence, a interrogé 2 500 travailleurs à l’échelle mondiale en 2024 — dont 1 250 cadres dirigeants. Le résultat principal : 77 pour cent des employés utilisant l’IA ont déclaré que les outils avaient augmenté leur charge de travail. Pas réduit. Augmenté. Les sources de la charge supplémentaire étaient spécifiques : 39 pour cent signalaient passer plus de temps à réviser ou modérer du contenu généré par l’IA. 23 pour cent signalaient investir plus de temps à apprendre à utiliser les outils. 21 pour cent signalaient qu’on leur demandait de faire plus de travail comme résultat direct de l’IA.

Les dirigeants, pendant ce temps, étaient enthousiastes. Quatre-vingt-seize pour cent exprimaient de grandes attentes quant à l’amélioration de la productivité par l’IA. L’écart entre l’attente des dirigeants et l’expérience des employés n’est pas un problème de communication. C’est un problème de mesure. Les dirigeants regardent la métrique de volume. La métrique a augmenté. Les employés vivent à l’intérieur de la métrique de volume. Le volume a augmenté parce qu’ils font plus de travail.

La loi de Goodhart prédit cela avec précision. L’organisation a ciblé le volume de production. La métrique s’est améliorée. Et la métrique a cessé d’être une bonne mesure de ce qu’elle était censée représenter — qui n’était pas le volume, mais la valeur par unité d’effort humain.

Ce que l’IA laisse derrière elle

Il y a une dimension plus subtile de l’intensification que les métriques de volume manquent entièrement.

Quand l’IA prend en charge les tâches routinières — le premier brouillon, l’extraction de données, le modèle, le résumé — ce qui reste pour l’humain n’est pas routinier. C’est la partie difficile. Les décisions de jugement. L’ambiguïté. Les décisions qui exigent du contexte, de la nuance et une expertise de domaine que le modèle n’a pas.

C’est le résidu cognitif du travail augmenté par l’IA. Les tâches faciles sont automatisées. Les tâches difficiles restent. Et les tâches difficiles sont plus difficiles maintenant — non pas parce qu’elles ont changé, mais parce que les tâches faciles fournissaient un repos cognitif. Le travail routinier était une pause. Pas une pause excitante, pas une pause reposante au sens conscient, mais une période de moindre exigence cognitive qui permettait au cerveau de récupérer entre les épisodes de pensée exigeante.

La distinction de Daniel Kahneman entre Système 1 (rapide, automatique, peu d’effort) et Système 2 (lent, délibéré, effort important) est utile ici. Les tâches routinières vivent dans le Système 1. Les tâches de jugement vivent dans le Système 2. Le Système 2 est métaboliquement coûteux — il consomme du glucose, il produit de la fatigue, il dispose d’un budget quotidien limité. Une journée de travail qui mélange les tâches de Système 1 et de Système 2 est soutenable. Une journée de travail qui est principalement du Système 2 — parce que les tâches de Système 1 ont été automatisées — n’est pas soutenable à la même durée.

La recherche de Workday, menée avec Hanover Research et publiée en janvier 2026, a constaté que 37 pour cent du temps que les employés économisaient grâce à l’IA était perdu en retravail — corriger des erreurs, vérifier des résultats, réécrire du contenu qui ne répondait pas aux exigences de qualité ou de contexte. Soixante-dix-sept pour cent des employés révisaient le travail généré par l’IA aussi soigneusement, voire plus soigneusement, que le travail fait par des humains. Seuls 14 pour cent rapportaient systématiquement des résultats nets positifs de l’utilisation de l’IA.

Le retravail est du travail de Système 2. Évaluer la production d’une IA exige du jugement, de la comparaison, de la vérification — le tout exigeant, le tout métaboliquement coûteux, le tout puisant dans le même budget cognitif limité que le temps « libéré » était censé reconstituer. L’employé a économisé quarante minutes sur le brouillon et a passé vingt-cinq minutes à vérifier le résultat. L’économie nette est de quinze minutes. Mais le profil cognitif de ces vingt-cinq minutes est plus exigeant que les quarante minutes qu’elles ont remplacées, parce que réviser le travail d’un tiers à la recherche d’erreurs imprévisibles exige plus d’attention soutenue que de produire un travail selon un schéma que l’on connaît déjà.

La métrique de volume voit quinze minutes économisées. Le cortex préfrontal de l’employé voit vingt-cinq minutes de vérification à haute exigence ajoutées à une journée déjà saturée.

La collision exigence-contrôle

Le modèle exigence-contrôle de Robert Karasek, développé en 1979 et affiné au cours de quatre décennies de recherche en santé au travail, décrit la tension au travail comme l’interaction entre deux variables : les exigences imposées au travailleur et le contrôle dont le travailleur dispose sur la façon de répondre à ces exigences.

Des exigences élevées combinées à un contrôle élevé produisent un travail actif — stimulant, soutenable et associé à l’apprentissage et au développement professionnel. Des exigences élevées combinées à un faible contrôle produisent un travail à haute tension — la configuration la plus fortement associée au burnout, aux maladies cardiovasculaires et au stress chronique.

Le travail augmenté par l’IA, tel que Ranganathan et Ye l’ont documenté, est de plus en plus exigeant. Le périmètre est plus large. Le rythme est plus rapide. Les frontières se sont dissoutes. La charge cognitive par heure est plus élevée parce que les tâches routinières ont disparu et les tâches de jugement restent.

La dimension du contrôle est l’endroit où le piège se referme. Dans la plupart des organisations, le travailleur individuel ne contrôle pas les objectifs de volume. Il ne fixe pas les attentes de production. Il ne décide pas de l’allocation des économies de temps permises par l’IA. Les économies de temps sont automatiquement absorbées par le système — par le prochain ticket dans la file, par le prochain projet qui devient réalisable, par le prochain rapport que quelqu’un demande parce que « l’IA peut le faire vite. »

Exigences élevées. Faible contrôle. Le modèle de Karasek prédit de la tension. La prédiction n’est pas théorique. Le 29e Global CEO Survey de PwC, publié en janvier 2026 et couvrant 4 454 PDG dans 95 pays, a constaté que 56 pour cent ne rapportaient aucun bénéfice financier significatif de leurs investissements en IA. Seuls 12 pour cent rapportaient des améliorations à la fois des coûts et des revenus. L’investissement produit de l’intensification au niveau du travailleur sans produire de retours au niveau organisationnel. Le tapis roulant va plus vite mais le bâtiment n’a pas bougé.

L’incitation que personne n’a reconçue

Voici la phrase que je veux retenir : le problème n’est pas l’IA. Le problème est la structure d’incitation qui entoure l’IA.

Quand une organisation déploie un outil d’IA et mesure son impact par le volume de production, l’organisation a construit une machine à intensifier. Pas intentionnellement. Pas malicieusement. Structurellement. L’outil augmente l’efficacité par tâche. La métrique récompense le volume. Le volume augmente. Les employés absorbent l’augmentation. Le cycle continue.

La sortie du piège n’est pas de retirer l’outil. L’outil fonctionne. L’efficacité par tâche est authentique. La sortie est de reconcevoir l’incitation.

Cela exige de mesurer autre chose. Pas le volume de production. La valeur de la production par unité d’effort cognitif. C’est plus difficile à mesurer que le volume — ce qui est précisément la raison pour laquelle les organisations se rabattent sur le volume. Le volume est facile à compter. L’effort cognitif ne l’est pas. Mais la loi de Goodhart est claire : la métrique facile, une fois devenue un objectif, cesse de mesurer ce qui compte.

À quoi ressemblerait une mesure différente ?

Cela signifierait suivre non pas combien de rapports l’équipe a produits, mais lesquels ont conduit à des décisions. Non pas combien de tickets ont été résolus, mais quelles résolutions ont tenu — lesquelles ne sont pas revenues sous forme de problèmes rouverts dans les trente jours. Non pas combien de documents ont été rédigés, mais quels documents ont été lus, cités et utilisés. La métrique se déplace de la production vers l’impact.

Cela signifierait aussi suivre la charge cognitive directement. Non pas comme une initiative de bien-être — comme une variable opérationnelle. La recherche de Workday a constaté que près de neuf entreprises sur dix avaient actualisé moins de la moitié de leurs postes pour refléter les capacités de l’IA. Seuls 37 pour cent des utilisateurs intensifs d’IA avaient reçu une formation supplémentaire. Les organisations déploient des outils sans reconcevoir les postes que ces outils modifient. Le profil d’exigence du poste a changé — plus de jugement, moins de routine — mais la description du poste, les métriques de performance et le volume de production attendu n’ont pas changé.

Le poste est nouveau. L’incitation est ancienne. L’écart entre les deux est le piège de l’intensification.

La métaphore du tapis roulant

Je reviens toujours à l’image d’un tapis roulant — non pas parce qu’elle est astucieuse, mais parce qu’elle est précise.

Un tapis roulant augmente votre vitesse sans changer votre position. Vous courez plus vite. Votre fréquence cardiaque augmente. Vos muscles travaillent plus dur. Vous transpirez. Et à la fin, vous êtes exactement au même endroit qu’au départ.

Le travail augmenté par l’IA, sous la structure d’incitation actuelle, est un tapis roulant. La vitesse par tâche augmente. Le volume augmente. L’effort cognitif augmente. Et les résultats — mesurés au niveau organisationnel — ne s’améliorent pas proportionnellement. Les données de PwC sont sans ambiguïté : 56 pour cent des PDG ne rapportent aucun bénéfice financier. Le tapis roulant fonctionne. Le bâtiment ne bouge pas.

Le tapis roulant n’est pas en panne. Il fonctionne exactement comme il a été conçu. Le problème est que personne n’a demandé si un tapis roulant était la bonne machine pour l’objectif. Si l’objectif est d’avancer — de créer plus de valeur, pas plus de volume — il faut une machine différente. Une machine qui récompense l’impact, pas le débit. Une machine qui mesure la qualité des décisions, pas la quantité des productions.

Le tapis roulant mesure les pas. La destination exige une direction.

Ce que les organisations peuvent faire

Je me méfie des listes prescriptives. Elles réduisent des problèmes complexes en éléments d’action, et des éléments d’action sans contexte sont la loi de Goodhart en attente — la liste devient l’objectif, l’objectif cesse d’être utile. Mais il existe des interventions structurelles qui modifient le paysage des incitations plutôt que d’ajouter des tâches.

Redéfinir à quoi servent les économies de temps de l’IA. Si l’IA fait économiser huit heures par semaine à une équipe, ces huit heures doivent être explicitement allouées — et l’allocation ne doit pas se faire par défaut vers « plus du même travail. » Les options incluent : du temps de réflexion profonde (blocs non programmés et non surveillés pour la résolution de problèmes complexes), du développement de compétences (apprentissage qui n’est pas directement productif mais construit la capacité future), de la récupération (repos cognitif qui réduit la charge cumulée et prévient le burnout que le modèle de Karasek prédit). L’allocation est une décision de conception. Si l’organisation ne la prend pas, le système la prendra à sa place — et le système se rabat par défaut sur plus de volume.

Séparer la métrique de volume de la métrique de performance. Le volume est une mesure d’activité. Il dit ce qui s’est passé. Il ne dit pas ce que cela valait. Les métriques de performance devraient suivre les résultats : décisions prises, problèmes résolus, qualité maintenue, erreurs évitées. Ceux-ci sont plus difficiles à compter. Cette difficulté est le but. Les métriques faciles produisent la loi de Goodhart. Les métriques difficiles produisent de l’information.

Reconcevoir les postes pour refléter le travail augmenté par l’IA. Si l’IA prend en charge la routine, le poste est désormais un poste de jugement. Les postes de jugement exigent des compétences différentes, une formation différente, des profils cognitifs différents et des rythmes de repos différents. Un poste qui était à 60 pour cent routine et 40 pour cent jugement est désormais à 20 pour cent routine et 80 pour cent jugement. Les attentes de performance, la formation et les objectifs de charge de travail doivent refléter ce changement. Ils ne le font presque jamais.

Rendre la charge cognitive visible. Pas comme une initiative de bien-être sur le portail RH. Comme un tableau de bord opérationnel aux côtés des métriques de volume. Quand les dirigeants peuvent voir que le volume a augmenté et que la charge cognitive a augmenté, la conversation change. L’intensification devient visible. Et les problèmes visibles sont plus faciles à traiter que les invisibles.

L’intégration

Voici la tension que je veux maintenir sans la réduire.

Les outils d’IA sont authentiquement efficaces. Ils réduisent le temps et l’effort nécessaires pour des tâches spécifiques. L’amélioration par tâche est mesurable et réelle. Ranganathan et Ye n’ont pas découvert que l’IA échoue dans sa fonction prévue. Ils ont découvert qu’elle réussit — et le succès, dans le contexte d’incitations basées sur le volume, produit un paradoxe qui nuit aux personnes qui font le travail.

L’outil n’est pas le piège. L’incitation est le piège. L’outil est un tapis roulant. Qu’il vous fasse avancer ou vous maintienne à courir sur place dépend entièrement du système dans lequel il se trouve.

Les organisations qui déploient l’IA sans reconcevoir leurs structures d’incitation obtiendront de l’intensification. Non pas parce que l’IA est défaillante, mais parce que la conception organisationnelle est optimisée pour une métrique que l’IA rend facile à gonfler. La métrique monte. Les humains à l’intérieur de la métrique se fatiguent davantage. Les résultats, au niveau qui compte — retours financiers, performance durable, bien-être des employés — ne s’améliorent pas.

Les organisations qui reconçoivent l’incitation — qui mesurent l’impact plutôt que le volume, qui allouent le temps économisé délibérément, qui reconnaissent le glissement cognitif du travail routinier vers le travail de jugement — obtiendront quelque chose de différent. Pas nécessairement plus de production. Possiblement moins de production, en volume. Mais de meilleures décisions. Moins d’erreurs. Un rythme soutenable. Et des outils que les gens utilisent parce que les outils améliorent leur travail, pas parce que les outils l’augmentent.

Le piège de l’intensification n’est pas un problème technologique. C’est un problème de conception des incitations déguisé en problème technologique. La technologie a fait ce qu’on lui a demandé. La question est ce que l’organisation lui a demandé — et si quelqu’un a pensé à demander aux personnes qui font le travail si « plus, plus vite » était la bonne réponse.

Le tapis roulant fonctionne. La question n’est pas de savoir s’il faut en descendre. C’est de savoir s’il faut changer la destination.