L’IA au travail ajoute aussi des tâches de vérification

Les employés peuvent regretter le travail d’avant l’IA tout en voulant davantage d’IA

Les employés peuvent vouloir davantage d’IA tout en trouvant son usage actuel contraignant. Dans l’enquête d’Adaptavist menée auprès de 2 500 travailleurs du savoir, 65 % ont déclaré qu’ils « éprouvent régulièrement de la nostalgie pour la manière dont le travail fonctionnait avant l’adoption généralisée de l’IA ». Pourtant, 67 % souhaitaient que leur organisation augmente l’usage de l’IA. Pour les responsables IT qui envisagent une extension, l’enthousiasme des employés ne répond qu’à une partie de la question : le soutien à davantage d’IA peut coexister avec des problèmes dans le travail quotidien.

Ces pourcentages décrivent la main-d’œuvre interrogée ; ils n’indiquent pas quels répondants partageaient les deux points de vue. Le constat d’Adaptavist sur la « nostalgie pré-IA » mesure des ressentis à l’égard d’anciennes modalités de travail, tandis que le constat sur l’extension mesure la demande d’usage futur. Les deux reflètent des perceptions déclarées plutôt qu’une productivité organisationnelle mesurée. Les dirigeants qui évaluent une extension doivent donc aussi examiner le travail que les employés disent que l’IA crée.

L’IA ajoute du travail de vérification et de correction à la charge de travail des employés

Ce travail supplémentaire commence par l’apprentissage des outils en parallèle des responsabilités existantes. Adaptavist décrit comment l’accès à l’échelle de l’entreprise aux outils d’IA générative, qui produisent du contenu comme du texte, s’est développé au cours des trois dernières années. L’entreprise relie cette responsabilité d’apprentissage supplémentaire au fait que les employés se sentent dépassés et nostalgiques des anciennes modalités de travail. Adaptavist a également un intérêt commercial à ce que les organisations adoptent l’IA.

L’apprentissage prend du temps au départ, mais l’utilisation des outils peut créer des exigences durables. Dans l’enquête d’Adaptavist, 42 % ont déclaré qu’ils « passent plus de temps à vérifier les résultats de l’IA qu’ils n’en gagnent en l’utilisant ». Générer une réponse ou une première version n’accomplit donc qu’une partie de la tâche : l’employé doit encore juger si le résultat est exploitable. Pour ces répondants, le contrôle l’emporte sur le temps gagné.

La charge de vérification touche aussi les collègues qui reçoivent le travail généré. Adaptavist a constaté que 52 % des travailleurs passent régulièrement du temps à corriger le travail généré par l’IA de leurs collègues, ce qui signifie que l’usage de l’IA par un employé peut alourdir les responsabilités d’un autre. Mesurer l’usage individuel pourrait passer à côté de ce transfert d’effort. Les managers doivent tenir compte des personnes qui reçoivent le résultat et le rendent utilisable.

Lorsque des collègues dépendent de ces contributions, le travail de correction peut affecter la livraison. Dans l’enquête d’Adaptavist, 49 % ont déclaré que des résultats d’IA de faible qualité retardent les projets. Une contribution générée rapidement peut nécessiter un travail supplémentaire avant que d’autres puissent s’y fier ; la seule vitesse de génération en dit donc peu sur le temps nécessaire pour terminer le projet. Ces retards déclarés font de la qualité des résultats un élément de l’évaluation de la livraison.

Les retards de projet s’ajoutent à une préoccupation plus large concernant la collaboration : 55 % des répondants à l’enquête d’Adaptavist ont déclaré que le contenu généré par l’IA réduit l’efficacité globale de l’équipe. Ce constat reflète l’évaluation par les employés de la performance de l’équipe, ce qui étend la question au-delà du temps de vérification d’une seule personne. Avec le constat sur la correction, il met en lumière la manière dont le travail généré circule entre collègues. Mesurer l’usage et le volume de production laisse de côté ces coûts déclarés.

Le travail impliqué peut aussi modifier la manière dont les employés vivent leur emploi. Adaptavist a constaté que 46 % ont déclaré que le contenu généré par l’IA rend leur travail « plus répétitif et moins porteur de sens ». Le résultat concerne à la fois ce à quoi les employés consacrent leur temps et la rapidité avec laquelle ils terminent. Si les responsabilités se déplacent vers la vérification et la correction de contenus générés, un usage accru de l’IA peut éloigner la vie professionnelle de l’amélioration que l’organisation visait.

L’insatisfaction apparaît aussi parallèlement à des changements dans l’usage des outils. Un travailleur sur trois, soit 36 % dans les résultats d’Adaptavist, a connu une « fatigue liée à l’IA », c’est-à-dire une lassitude associée à l’usage de l’IA, en parallèle d’une utilisation moins fréquente des outils et d’une résistance active à l’usage de l’IA pour les tâches courantes. Ces expériences et comportements sont associés ; les résultats n’établissent pas une séquence fixe dans laquelle la fatigue provoque l’évitement. Ils montrent néanmoins pourquoi l’accès ne garantit pas une utilisation continue.

Adaptavist relie ces coûts de productivité moins visibles à une mise en œuvre précipitée, sans formation ni transparence suffisantes. Son explication oriente les dirigeants vers la manière dont l’apprentissage, la vérification et la correction s’intègrent aux responsabilités attribuées. Les employés censés absorber ces exigences en plus d’une charge de travail inchangée font face à un fardeau supplémentaire. Évaluer le déploiement signifie donc examiner l’effort nécessaire pour rendre l’IA utile.

Les employés ont besoin d’attentes claires concernant l’usage de l’IA

Cet effort devient plus difficile à gérer lorsque les employés ne savent pas clairement ce que leur organisation attend. Adaptavist a constaté que 69 % pensaient que leur organisation utilisait l’IA de manière éthique, tandis que plus d’un tiers, 36 %, étaient confus quant aux attentes concernant l’usage de l’IA dans leur rôle. Il s’agit de jugements différents : la confiance dans la conduite de l’organisation et la clarté sur les obligations personnelles. La confiance dans le premier point laisse la seconde question ouverte.

Des attentes floues sont aussi plus difficiles à résoudre lorsque les employés estiment que leurs préoccupations ne reçoivent aucune réponse. Dans un constat distinct, 46 % ont déclaré que le management n’avait pas répondu à leurs préoccupations liées à l’IA, ce qu’Adaptavist présente comme un autre facteur contribuant aux problèmes de mise en œuvre. Les employés doivent comprendre leurs responsabilités et disposer d’un moyen de faire remonter les difficultés qu’elles posent. Le simple accès aux outils répond peu à l’un ou l’autre de ces besoins.

L’évaluation de la performance donne à cette incertitude une conséquence supplémentaire. La moitié de l’ensemble des travailleurs interrogés par Adaptavist ont estimé que leur performance était désormais « directement ou indirectement comparée à des résultats générés par l’IA ». Les employés confrontés à de telles comparaisons doivent comprendre comment les managers évalueront leur contribution à mesure que l’usage de l’IA progresse. Les résultats soulèvent des questions de management distinctes sur la conduite éthique, les attentes liées au rôle et l’évaluation de la performance, même s’ils n’indiquent pas quels répondants ont connu les trois à la fois.

L’âge et le niveau hiérarchique sont des indicateurs peu fiables de la préparation à l’IA

L’incertitude autour de l’IA au travail remet aussi en cause les hypothèses sur les personnes qui ont besoin de soutien. Adaptavist a constaté que 42 % des travailleurs de la génération Z préféraient le monde d’avant l’IA, contre 26 % de leurs collègues de la génération X. Cet écart remet en cause l’idée selon laquelle les employés plus jeunes seraient naturellement mieux préparés à l’IA au travail. Considérer la jeunesse comme une preuve de préparation risque de faire passer sous silence les préoccupations de travailleurs dont les managers pourraient penser qu’ils ont le moins besoin d’aide.

Pour expliquer cette différence générationnelle, Adaptavist avance que les employés débutants peuvent subir une perturbation plus forte, tandis que les employés plus expérimentés bénéficient de nouvelles opportunités. Il s’agit de l’explication proposée par l’entreprise. Elle distingue la familiarité avec la technologie de la confiance dans sa place au travail : un employé plus jeune peut comprendre un outil tout en restant préoccupé par ce que son usage signifie pour sa carrière.

Les préoccupations liées à l’emploi s’étendent à l’ensemble de la main-d’œuvre. Globalement, 54 % des répondants à l’enquête d’Adaptavist ont déclaré être « préoccupés par le fait que l’IA pourrait réduire le besoin de leur rôle au cours des cinq prochaines années ». Un employé peut savoir utiliser l’IA tout en s’inquiétant de savoir si son rôle restera nécessaire. La formation et la communication peuvent résoudre des difficultés de déploiement tout en laissant cette préoccupation sans réponse.

La répartition des inquiétudes liées à la perte d’emploi complique aussi les hypothèses sur le niveau hiérarchique. Adaptavist a par ailleurs communiqué des chiffres de 23 % pour les employés juniors, 29 % pour les dirigeants de niveau C, 13 % pour les employés de niveau intermédiaire et 12 % pour les employés seniors. Les travailleurs juniors et les dirigeants de niveau C affichaient les chiffres les plus élevés dans cet ensemble à l’échelle de l’organisation. Une préoccupation présente aux deux extrémités de la hiérarchie donne aux dirigeants une raison d’évaluer directement la préparation plutôt que de l’inférer à partir de l’expérience ou de l’autorité.

Pour certains dirigeants, cette préoccupation a conduit à envisager des décisions de carrière majeures. Dans l’enquête d’Adaptavist, 47 % des dirigeants de niveau C exploraient un changement de secteur, un changement de carrière ou un retrait en raison d’un possible remplacement par l’IA ; 36 % des directeurs envisageaient les mêmes options. Ces chiffres décrivent une exploration et des intentions plutôt que des départs effectifs. Malgré cela, les conséquences perçues vont au-delà de l’apprentissage d’un nouveau système.

Les préoccupations de carrière coexistent aussi avec une préparation active au changement. Parmi les répondants à l’enquête d’Adaptavist, 74 % ont déclaré apprendre activement de nouvelles compétences pour rester pertinents, un chiffre qui monte à 85 % parmi les dirigeants de niveau C. Le développement des compétences montre une action, mais il n’établit pas la confiance dans le résultat. Les constats concernant les dirigeants décrivent eux aussi des réponses au niveau du groupe ; les managers doivent donc évaluer séparément les préoccupations, les projets de carrière et l’apprentissage lorsqu’ils décident du soutien dont les personnes ont besoin.

La mise en œuvre nécessite des orientations plus claires et une refonte du travail

Parce que les employés peuvent être en train d’apprendre tout en restant préoccupés, le management doit traiter ensemble les questions de mise en œuvre et d’emploi. Jobin Kuruvilla est field CTO chez Adaptavist, qui a produit le rapport d’enquête et a un intérêt commercial dans l’adoption de l’IA. « La transparence est essentielle pour véritablement stimuler l’engagement envers l’IA ; les organisations doivent établir des garde-fous clairs et maintenir un dialogue ouvert autour de l’usage de l’IA et du choix des employés, afin que les travailleurs aient le sentiment d’être écoutés », a-t-il déclaré à CIO. Sa proposition combine des limites claires pour l’usage de l’IA et des possibilités continues pour les employés d’influencer la manière dont elle affecte leur travail.

Pour que ce dialogue réponde aux préoccupations des employés, il doit couvrir les perspectives de carrière aussi bien que l’usage des outils. Adaptavist recommande d’expliquer si et comment l’IA affecte les carrières, dans le but de réduire la fatigue. L’entreprise appelle aussi à des feuilles de route de mise en œuvre, c’est-à-dire des plans pour introduire l’IA dans le temps, ainsi qu’à des orientations et des formations pour aider les employés à l’utiliser efficacement. Il s’agit de réponses proposées aux lacunes signalées par les employés, et leur valeur dépend de l’expérience qu’elles produisent.

La formation prend elle aussi du temps ; les managers doivent donc tenir compte des responsabilités que les employés conservent. Si l’apprentissage de l’IA s’ajoute à une charge de travail inchangée, la formation ajoute au fardeau qu’elle est censée alléger. Les responsables IT et leurs collègues de la direction générale doivent donc décider comment le travail va évoluer. Ils doivent établir comment les employés apprendront, appliqueront et vérifieront le travail assisté par l’IA dans le cadre des missions qu’ils sont censés accomplir.

Dégager du temps pour l’apprentissage et la vérification est important, car le bénéfice attendu dépend d’un changement dans la manière dont les employés consacrent leur temps. Anand Unadkat, senior solutions architect chez Atlassian, décrit cette ambition depuis une entreprise qui a un intérêt commercial dans l’adoption de l’IA par les organisations. « En fin de compte, en automatisant les tâches banales qui rendent le travail répétitif — les organisations peuvent recentrer leurs spécialistes sur une créativité à forte valeur ajoutée, transformant l’IA d’une source de fatigue en un puissant moteur de réalisations humaines porteuses de sens », a-t-il déclaré. La séquence qu’il propose consiste à automatiser les tâches routinières, libérer le temps des spécialistes, puis orienter ce temps vers un travail créatif de plus grande valeur.

Mais cette ambition entre en tension avec les témoignages des employés faisant état d’un travail plus répétitif et moins porteur de sens. Les managers doivent examiner si l’automatisation libère du temps pour un travail que les employés et l’organisation valorisent, ou si elle déplace l’effort vers la revue de contenus générés. Ils peuvent procéder à cette évaluation en identifiant quelles tâches disparaissent, quelles tâches de vérification s’ajoutent, et ce que les employés peuvent faire du temps éventuellement libéré. L’amélioration de ces responsabilités laisse néanmoins une question distincte à traiter ouvertement : comment l’IA modifie le besoin futur de l’organisation pour chaque rôle.

Points clés à retenir pour les décideurs

• Évaluer séparément le soutien et les frictions : Adaptavist a constaté que 65 % des employés regrettaient le travail d’avant l’IA, tandis que 67 % voulaient davantage d’usage de l’IA. Ces constats à l’échelle de la main-d’œuvre donnent aux responsables IT des raisons d’évaluer la demande d’IA parallèlement à l’expérience des employés dans son utilisation.
• Mesurer le travail de vérification et de correction : 42 % ont déclaré que vérifier les résultats de l’IA prenait plus de temps que l’IA n’en faisait gagner, et 52 % corrigeaient régulièrement le travail généré par l’IA de leurs collègues. Les managers qui évaluent la productivité doivent suivre l’effort de revue, les transferts et les retards de projet parmi les personnes qui reçoivent ces résultats.
• Clarifier les attentes liées au rôle et à la performance : 36 % étaient confus quant aux attentes concernant l’usage de l’IA, tandis que la moitié estimaient que leur performance était comparée à des résultats générés par l’IA. Les managers doivent expliquer l’usage acceptable, les standards de qualité et la manière dont l’IA affecte l’évaluation de la performance.
• Évaluer la préparation selon l’âge et le niveau hiérarchique : Les travailleurs plus jeunes ont exprimé une préférence plus forte pour le travail d’avant l’IA que leurs collègues plus âgés, et les préoccupations liées à l’emploi touchaient à la fois les employés juniors et les dirigeants. Les RH et les responsables de département doivent évaluer séparément les compétences, la confiance et les préoccupations de carrière lorsqu’ils planifient le soutien.
• Dégager du temps pour l’apprentissage et la refonte : Ajouter une formation à l’IA à des charges de travail inchangées crée une exigence supplémentaire sur le temps des employés. Les responsables de département doivent allouer du temps d’apprentissage, identifier quelles tâches l’automatisation supprime et tenir compte des nouvelles responsabilités de vérification tout en expliquant les effets potentiels sur les carrières.