Un développeur expérimenté consacre onze minutes à formuler une requête pour une tâche qui lui en aurait demandé vingt sans assistance. Il ajuste ses instructions, précise le contexte, reformule sa demande. La réponse générée en quelques secondes nécessite ensuite une relecture, une adaptation, puis une vérification. Au final, le temps total d’exécution reste comparable, parfois supérieur. Ce type de situation, désormais courant dans les organisations équipées d’outils d’IA générative, remet en cause une hypothèse largement admise : l’automatisation cognitive accélère mécaniquement le travail.
Une étude expérimentale récente conduite auprès de développeurs apporte un éclairage précis. Les résultats montrent que l’usage de l’IA n’entraîne pas d’amélioration significative du temps de réalisation lorsque la tâche implique l’apprentissage d’un nouvel outil ou de nouveaux concepts. L’écart de performance se situe ailleurs : dans la compréhension et la maîtrise. Les utilisateurs assistés obtiennent des scores nettement inférieurs sur les tests de connaissance, avec un différentiel de l’ordre de 17 %. Ce décalage pose une question centrale pour les DRH : l’IA améliore-t-elle réellement la performance ou déplace-t-elle simplement la charge de travail sans renforcer les compétences ?
La réponse se trouve dans un facteur rarement intégré dans les modèles de productivité : le temps d’interaction. Contrairement à une automatisation classique, l’IA générative nécessite une discussed orchestration continue. L’utilisateur doit définir sa demande, interpréter la réponse, corriger les erreurs et valider le résultat. Dans certains cas, près d’un tiers du temps total est consacré à la formulation des requêtes. D’autres collaborateurs passent plusieurs minutes sur une seule instruction. Ce temps invisible neutralise en partie les gains liés à la rapidité de génération.
Ce phénomène révèle une réalité opérationnelle : l’IA ne supprime pas le travail, elle le transforme. Le temps d’exécution diminue, mais le temps de supervision augmente. L’activité bascule de la production vers l’interaction. Dans ce modèle, la performance dépend moins de la vitesse de l’outil que de la capacité du collaborateur à structurer sa pensée et à piloter la machine. Le goulot d’étranglement n’est plus technique, il est cognitif.
Le temps d’interaction, nouveau centre de gravité de la performance
L’analyse détaillée des comportements utilisateurs montre que l’absence de gain de productivité global s’explique par une forte hétérogénéité des usages. Certains collaborateurs multiplient les requêtes, cherchent à optimiser chaque réponse, vérifient systématiquement les outputs. D’autres adoptent une approche minimaliste, acceptent les premières propositions et avancent plus rapidement. Cette divergence explique pourquoi les gains de temps restent marginaux à l’échelle globale.
Seule une minorité d’utilisateurs obtient un gain de vitesse significatif. Leur point commun : une délégation quasi totale à l’IA. Ils demandent à la machine de produire directement la solution et se contentent de l’exécuter. Ce mode opératoire réduit drastiquement le temps d’interaction et permet une exécution rapide. Mais il repose sur une logique d’externalisation complète de la réflexion.
Les autres profils, majoritaires, adoptent des comportements hybrides. Ils interrogent l’IA, demandent des explications, comparent les réponses, ajustent les résultats. Cette démarche, plus exigeante cognitivement, allonge le temps de réalisation. Elle explique pourquoi l’IA ne produit pas d’accélération systématique. Dans certains cas, elle peut même ralentir le processus, notamment lorsque l’utilisateur cherche à affiner ses requêtes ou à comprendre les résultats générés.
Cette réalité remet en cause les indicateurs traditionnels de productivité. Mesurer uniquement le temps de production ne suffit plus. Il devient nécessaire d’intégrer le temps d’interaction, qui constitue désormais une part significative de l’activité. Cette transformation impose une évolution des référentiels de performance et des modes d’évaluation.
Pour les directions des ressources humaines, l’enjeu dépasse la simple question d’efficacité opérationnelle. Il s’agit de comprendre que la valeur ne se situe plus uniquement dans l’exécution, mais dans la capacité à interagir efficacement avec les systèmes. La compétence clé devient la qualité du raisonnement, la précision de la formulation et la capacité à exercer un jugement critique sur les résultats produits.
Ce déplacement du travail vers l’interaction cognitive modifie en profondeur les attentes vis-à-vis des collaborateurs. Les profils capables de structurer leur pensée, de poser les bonnes questions et de détecter les incohérences deviennent stratégiques. À l’inverse, les collaborateurs qui délèguent sans comprendre s’exposent à une perte progressive de maîtrise.
Déléguer à l’IA ou apprendre : un arbitrage à haut risque pour les compétences
L’étude met en évidence un arbitrage structurant. Les utilisateurs qui délèguent entièrement à l’IA sont plus rapides, mais obtiennent les scores les plus faibles en matière de compréhension. À l’inverse, ceux qui restent engagés cognitivement — en posant des questions conceptuelles ou en cherchant à comprendre les réponses — développent de meilleures compétences, au prix d’un temps d’exécution plus long.
Les résultats montrent que l’usage de l’IA réduit significativement la capacité à comprendre, lire et corriger les productions générées. Ces compétences sont pourtant essentielles dans un environnement où l’humain doit superviser des systèmes automatisés. L’écart est particulièrement marqué sur les tâches de débogage, qui nécessitent une compréhension fine des mécanismes sous-jacents.
Ce phénomène s’explique par une réduction de l’exposition aux erreurs. Les utilisateurs assistés rencontrent moins de difficultés et corrigent moins de problèmes par eux-mêmes. Or, ces situations constituent des moments clés d’apprentissage. Elles obligent à analyser, à comprendre et à expérimenter. Leur disparition réduit les opportunités de développement des compétences.
Ce mécanisme correspond à un processus de désengagement cognitif. L’utilisateur s’appuie sur la machine pour produire une solution, sans nécessairement en comprendre les fondements. Il valide le résultat sans reconstruire le raisonnement. À court terme, cette approche améliore la fluidité. À moyen terme, elle fragilise la capacité à agir de manière autonome.
Les retours qualitatifs confirment cette tendance. Plusieurs utilisateurs assistés reconnaissent avoir adopté une posture passive et signalent des lacunes dans leur compréhension malgré la réussite des tâches. À l’inverse, les utilisateurs sans assistance déclarent avoir mieux assimilé les concepts, malgré une difficulté perçue plus élevée.
Ce constat pose un enjeu stratégique pour les organisations. L’intégration massive de l’IA dans les processus peut conduire à une érosion progressive des compétences. Les collaborateurs deviennent dépendants des outils, sans développer les capacités nécessaires pour les superviser. Cette dépendance augmente le risque d’erreur et réduit la capacité d’adaptation.
Pour les DRH, l’enjeu consiste à arbitrer entre performance immédiate et développement des compétences. Favoriser la délégation totale peut améliorer les indicateurs à court terme, mais compromet la montée en compétence des équipes. À l’inverse, encourager l’engagement cognitif peut ralentir l’exécution, tout en renforçant la maîtrise à long terme.
Vers un nouveau modèle de performance : préserver la compétence à l’ère de l’IA
L’intégration de l’intelligence artificielle dans les organisations ne peut pas se limiter à une logique de productivité. Elle impose une redéfinition des modèles de performance et des politiques de développement des compétences. Le rôle des directions des ressources humaines devient central pour structurer cette transformation.
La première priorité consiste à redéfinir les critères d’évaluation. La vitesse d’exécution ne peut plus être l’indicateur principal. Il devient nécessaire d’évaluer la capacité des collaborateurs à comprendre, expliquer et valider les résultats produits par l’IA. Cette évolution implique de valoriser le raisonnement, la rigueur et l’esprit critique.
La deuxième priorité concerne la formation. Les collaborateurs doivent être formés non seulement à l’utilisation des outils, mais aussi à leur supervision. Il s’agit de développer des compétences de lecture, d’analyse et de vérification. L’objectif n’est pas de remplacer l’humain, mais de renforcer sa capacité à contrôler les systèmes.
La troisième priorité porte sur les pratiques managériales. Les managers doivent encourager des modes d’usage qui maintiennent l’engagement cognitif. Cela implique de limiter la délégation totale, de favoriser les approches hybrides et d’intégrer des moments d’apprentissage dans les processus. L’IA doit être utilisée comme un support à la réflexion, non comme un substitut.
Enfin, les organisations doivent intégrer ces enjeux dans leur stratégie de gestion des talents. Les profils capables de combiner expertise métier et maîtrise des outils d’IA deviennent déterminants. La capacité à interagir avec les systèmes, à poser des questions pertinentes et à exercer un jugement critique constitue un avantage compétitif.
Dans le contexte marocain, cette transformation présente des enjeux spécifiques. Le développement des métiers du numérique, des centres de services et des activités à forte valeur ajoutée repose sur une montée en compétence continue des collaborateurs. Une dépendance excessive à l’IA pourrait freiner cette dynamique en réduisant la capacité d’apprentissage. Les entreprises doivent veiller à préserver l’acquisition des fondamentaux, notamment dans les métiers techniques et analytiques.
Les dispositifs de formation, en lien avec les institutions et les acteurs de l’écosystème, devront intégrer ces nouvelles exigences. Il s’agit de former des profils capables d’utiliser l’IA sans perdre leur autonomie intellectuelle. Cette exigence conditionne la compétitivité des organisations et la qualité des services délivrés.
L’intelligence artificielle ne supprime pas le besoin de compétences. Elle le renforce. Elle exige des collaborateurs capables de comprendre, d’interpréter et de décider. La performance ne se mesure plus uniquement à la vitesse, mais à la capacité à maîtriser des systèmes de plus en plus complexes.
À vouloir accélérer chaque tâche, les organisations prennent le risque de ralentir leur développement des compétences. À vouloir déléguer à la machine, elles fragilisent leur capacité à comprendre et à contrôler. Le gain de temps promis par l’IA n’est pas systématique. Il dépend des usages. Et dans de nombreuses situations, la performance durable repose encore sur la capacité du collaborateur à construire lui-même son raisonnement.
