Les entreprises ont fait état de gains précoces et importants sur des tâches à gros volume dont les réponses sont assez claires, notamment les demandes de clients, les questions de ressources humaines et la revue de contrats. Ces tâches se mesuraient facilement, ce qui permettait d’en évaluer les résultats avant d’investir davantage.
Les entreprises ont géré les risques de qualité en faisant vérifier les brouillons de l’IA par des collaborateurs avant leur envoi aux clients ou aux patients. Klarna a réduit ses effectifs de service client en s’appuyant sur son assistant d’IA, puis a réintégré des conseillers humains par crainte pour la qualité du service.
Shinhan Bank a réorganisé ses connaissances bancaires avant d’ajouter un assistant d’IA générative. Walmart, POSCO et Kurly ont eux aussi nettoyé, relié et partagé leurs données avant de choisir un modèle.
Un tribunal canadien a jugé Air Canada responsable de conditions de remboursement que le robot conversationnel de son site avait énoncées à tort, et a écarté l’argument selon lequel ce robot était responsable de ses propres propos. McDonald’s a mis fin en 2024 à son test de prise de commande vocale par IA aux guichets de service au volant, la fiabilité des commandes restant un problème.
Zillow achetait des logements à des prix estimés par son modèle. Lorsque le marché a changé, les erreurs de prévision ont conduit à des dépréciations, et l’entreprise a fermé son activité d’achat de logements. MD Anderson a dépensé des dizaines de millions de dollars dans un projet d’IA faiblement encadré, qui n’a jamais servi à soigner des patients.
Amazon a abandonné un modèle de présélection de CV qui, formé sur les recrutements passés, notait plus bas les candidatures associées à des femmes. En matière de recrutement et d’évaluation, les entreprises ont dû répondre à des interrogations sur les biais des données d’entraînement et sur leur capacité à expliquer des décisions touchant la vie des personnes.
JPMorgan a laissé ses équipes libres d’utiliser ou non sa plateforme d’IA. Moderna a développé des habitudes d’utilisation avec un robot conversationnel interne avant d’étendre l’IA à l’ensemble de l’entreprise et de regrouper les fonctions de ressources humaines et de technologie. Shopify a fait de l’usage de l’IA un élément des évaluations de performance, tandis que Musinsa a promu les compétences en IA auprès de ses salariés.
Sur la plateforme d’achat de Naver, l’effet des fonctions d’achat reposant sur l’IA sur les ventes était plus marqué pour les petits vendeurs que pour les grands. De petits industriels coréens ont recouru aux programmes publics d’usines intelligentes pour couvrir une bonne part des coûts initiaux d’un contrôle qualité fondé sur l’IA.
La publicité de fin d’année de Coca-Cola générée par l’IA a suscité de nombreuses critiques pour son manque de chaleur. La note publique de Duolingo annonçant une stratégie « AI-first » a elle aussi été aussitôt critiquée. Les marques qui reposaient sur l’émotion et la confiance se sont heurtées aux limites que fixaient les réactions du public.
Certaines entreprises ont employé l’IA dans leurs propres opérations avant de la vendre à d’autres sociétés. Octopus Energy, Samsung SDS et Salesforce ont vendu à des clients extérieurs des outils qu’elles avaient testés dans leur service client ou leur travail de bureau.
problèmes résolus par heure par les conseillers assistés par l’IA (conseillers novices et peu qualifiés : environ +30 %)
Des économistes de Stanford et du MIT ont étudié un assistant conversationnel fondé sur GPT, déployé auprès de 5 172 conseillers du support d’un éditeur de logiciels professionnels du classement Fortune 500, pour l’essentiel entre fin 2020 et début 2021. Le nombre de problèmes résolus par heure a augmenté de 15 % en moyenne et d’environ 30 % pour les conseillers les moins expérimentés et les moins qualifiés, dont la rapidité et la qualité se sont toutes deux améliorées. Les conseillers les plus expérimentés ont peu gagné en rapidité et ont vu leur qualité diminuer légèrement. Ces résultats proviennent de l’étude de 2025 publiée après évaluation par les pairs, qui faisait suite à un document de travail de 2023 faisant état de gains de 14 % et de 34 % auprès de 5 179 conseillers.
L’outil a transmis le savoir des conseillers expérimentés aux nouveaux conseillers, si bien que les équipes comptant davantage de personnel peu expérimenté ont davantage gagné.
Erik Brynjolfsson, Danielle Li et Lindsey Raymond ont étudié 5 172 conseillers du support et publié leurs conclusions, évaluées par les pairs, dans le volume 140(2) de The Quarterly Journal of Economics. Le nombre de problèmes résolus par heure a progressé de 15 % en moyenne et d’environ 30 % pour les conseillers les moins expérimentés et les moins qualifiés, tandis que la qualité a légèrement reculé chez les plus qualifiés. Les nouveaux conseillers quittaient moins souvent l’entreprise, et les clients se montraient plus courtois.
Les chercheurs ont d’abord diffusé leur document de travail en avril 2023, puis l’ont révisé en novembre 2023. Ils y rapportaient un gain moyen de productivité de 14 % auprès de 5 179 conseillers et un gain de 34 % pour le personnel novice et peu qualifié, avec peu d’effet sur les conseillers expérimentés et très qualifiés. Le ressenti des clients et la fidélisation du personnel se sont également améliorés.
Stanford HAI a fait état d’un gain de productivité de 14 % dans l’étude du centre d’appels, concentré sur les conseillers moins expérimentés. Les conseillers ayant 2 mois d’ancienneté et utilisant l’assistant obtenaient des résultats comparables à ceux de conseillers de 6 mois d’ancienneté qui n’en disposaient pas. Les conseillers expérimentés en ont peu profité.
rapidité accrue d’exécution des tâches relevant des capacités de l’IA (les bonnes réponses ont reculé de 19 points sur une tâche hors de ces capacités)
Des chercheurs de la Harvard Business School, d’autres universités et de BCG ont réparti au hasard 758 consultants de BCG entre 3 groupes dans le cadre d’une expérience préenregistrée : sans IA, avec GPT-4, ou avec GPT-4 et une brève initiation à la formulation des requêtes. Sur 18 tâches de conseil relevant des capacités du modèle, les utilisateurs de l’IA ont accompli 12,2 % de tâches en plus, travaillé 25,1 % plus vite et obtenu des notes de qualité supérieures d’environ 32 % en moyenne. Sur une tâche d’analyse d’entreprise située hors de ces capacités, les utilisateurs de l’IA avaient 19 points de pourcentage de chances en moins de répondre correctement, soit environ 60 à 71 % contre 84,5 % sans IA. Le document de travail de 2023 faisait état d’un gain de qualité de plus de 40 %, alors que l’étude de 2026 publiée après évaluation par les pairs indique environ 32 %.
Le même outil d’IA a amélioré certaines tâches de conseil et réduit la précision sur une autre. Des professionnels qualifiés ont eu du mal à reconnaître les tâches qui dépassaient ses capacités.
Fabrizio Dell’Acqua et ses collègues ont publié en ligne leur étude évaluée par les pairs en mars 2026. Sur les tâches relevant des capacités du modèle, les utilisateurs de l’IA ont accompli 12,2 % de tâches en plus, travaillé 25,1 % plus vite et amélioré la qualité d’environ 32 % en moyenne. Les bonnes réponses ont reculé de 19 points de pourcentage sur la tâche située hors de ces capacités. Les participants les moins qualifiés ont le plus progressé.
L’étude de la Harvard Business School de septembre 2023 a réparti 758 travailleurs du savoir en 3 groupes. Les utilisateurs de l’IA travaillaient plus vite et accomplissaient plus de tâches relevant des capacités du modèle, mais résolvaient moins souvent une tâche située hors de celles-ci. La recherche a ensuite été publiée dans Organization Science.
BCG a indiqué que ses consultants obtenaient des notes supérieures d’environ 40 % avec GPT-4 sur des tâches créatives liées aux produits. Sur des tâches de résolution de problèmes d’entreprise, les notes étaient inférieures de 23 %, beaucoup de participants ayant accepté des résultats erronés. Les idées des utilisateurs de GPT-4 étaient moins diversifiées de 41 %.
réduction du temps nécessaire pour achever une tâche de programmation avec un assistant de codage fondé sur l’IA
Des chercheurs de Microsoft Research, de GitHub et de la MIT Sloan ont recruté 95 développeurs indépendants via Upwork en mai et juin 2022 et les ont répartis au hasard entre un groupe Copilot (45) et un groupe témoin (50) ; 35 personnes dans chaque groupe ont mené la tâche à terme. Chargé d’écrire un serveur HTTP en JavaScript, le groupe Copilot a mis 71 minutes en moyenne contre 161 minutes, soit une réduction de 55,8 % (intervalle de confiance à 95 % : 21 à 89 %). Les développeurs les moins expérimentés en ont davantage profité. Copilot est édité par GitHub, filiale de Microsoft, et 3 des 4 auteurs travaillaient pour Microsoft ou GitHub.
Les développeurs ont gagné beaucoup de temps sur une tâche de programmation bien définie. Des études ultérieures menées sur de vastes bases de code existantes ont relevé, dans ce contexte différent, des gains bien plus faibles, voire des ralentissements.
Sida Peng, Eirini Kalliamvakou, Peter Cihon et Mert Demirer ont recruté 95 développeurs via Upwork et en ont affecté 45 à Copilot et 50 à un groupe témoin. Dans chaque groupe, 35 ont mené à bien la tâche de serveur HTTP, le groupe Copilot y consacrant 55,8 % de temps en moins. Son taux de réussite était supérieur de 7 points de pourcentage, écart qui n’était pas statistiquement significatif.
GitHub a indiqué que 78 % du groupe Copilot et 70 % du groupe témoin avaient mené la tâche à terme. Le groupe Copilot a fini environ 55 % plus vite, en 1 h 11 min contre 2 h 41 min. Dans une enquête distincte menée auprès de plus de 2 000 utilisateurs de Copilot, la plupart ont déclaré que l’outil les aidait à travailler plus vite et à rester concentrés.
part des PME industrielles citant le coût initial comme principal obstacle à l’adoption de l’IA
Le ministère des PME et des start-up a cité une enquête de la Fédération coréenne des PME lorsqu’il a présenté, le 24 octobre 2025, sa stratégie d’innovation de l’industrie intelligente 3.0 fondée sur l’IA. Les PME industrielles ont désigné le coût initial (44,2 %) comme principal obstacle, devant le manque de personnel (20,5 %) et l’absence de stratégie (14,9 %), tandis que 72,3 % souhaitaient une aide financière directe. Le gouvernement a estimé le taux d’adoption de l’IA à environ 1 % et fixé pour 2030 des objectifs de 10 % d’adoption et de 12 000 usines intelligentes centrées sur l’IA. La date de l’enquête et la taille de l’échantillon n’ont pas été communiquées.
Les industriels ont cité le coût initial plus souvent que le manque de personnel ou l’absence de stratégie. Les mesures publiques comprenaient des subventions et des usines intelligentes sur abonnement pour alléger cette charge initiale.
Money Today a rapporté que les PME industrielles citaient comme obstacles à l’IA le coût initial (44,2 %), le manque de personnel (20,5 %) et l’absence de stratégie (14,9 %), tandis que 72,3 % souhaitaient une aide financière directe. Les mesures publiques comprenaient des usines intelligentes sur abonnement et une plateforme d’appui à guichet unique. Le gouvernement visait à faire passer l’adoption de l’IA d’environ 1 % à 10 %.
Herald Business a rapporté qu’une enquête de la Fédération coréenne des PME faisait du coût initial le principal obstacle des industriels à l’IA et qu’environ 7 sur 10 souhaitaient un financement direct. Les objectifs publics comprenaient 12 000 usines intelligentes dotées d’IA, 10 % d’adoption de l’IA, 500 entreprises spécialisées et 1 000 jeux de données partagés.
Financial News a rapporté des objectifs publics de 12 000 usines intelligentes centrées sur l’IA et d’un passage de l’adoption de l’IA de 1 % à 10 % d’ici 2030. Le journal a aussi décrit l’aide apportée aux entreprises dans le cadre du programme d’IA pour les usines intelligentes.
allongement du temps d’exécution des tâches lorsque l’IA était autorisée (les développeurs s’attendaient à aller 24 % plus vite)
De février à juin 2025, l’organisation à but non lucratif METR a autorisé ou interdit au hasard l’usage de l’IA sur 246 tâches réelles menées par 16 développeurs expérimentés, dans de grands projets de logiciels libres qu’ils maintenaient depuis des années. Lorsque l’IA était autorisée, les développeurs utilisaient surtout Cursor Pro avec Claude 3.5 et 3.7 Sonnet et ont mis 19 % de temps en plus, avec un intervalle de confiance à 95 % de +2 % à +39 %. Ils s’attendaient à travailler 24 % plus vite et, après coup, croyaient encore avoir été 20 % plus rapides. Un suivi lancé en août 2025 auprès de 57 développeurs a produit des estimations dont les intervalles de confiance incluaient zéro, et METR a indiqué en février 2026 que des effets de sélection rendaient les données peu fiables.
Des développeurs expérimentés travaillant sur des bases de code familières se sentaient plus rapides avec l’IA alors que le temps d’exécution mesuré augmentait. Les résultats obtenus avec les outils du début de 2025 peuvent différer de ceux des outils plus récents.
Joel Becker, Nate Rush, Elizabeth Barnes et David Rein ont constaté un allongement de 19 % du temps d’exécution lors d’un essai portant sur 16 développeurs et 246 tâches. Les développeurs s’attendaient à un gain de vitesse de 24 % et en ont perçu un de 20 % par la suite, tandis que des experts en apprentissage automatique et en économie avaient prévu des gains de 38 à 39 %. Les chercheurs ont examiné 20 explications possibles et jugé peu probable que le ralentissement soit surtout un artefact de la conception de l’étude.
METR a étudié des projets comptant en moyenne plus de 22 000 étoiles et plus d’un million de lignes de code, à partir de tâches d’environ deux heures. Il a relevé la petite taille de l’échantillon de développeurs, la concentration sur un seul domaine et d’éventuels effets d’apprentissage. METR a ensuite jugé ces résultats dépassés et publié des données de suivi.
METR a lancé un suivi en août 2025 auprès de 57 développeurs, avec plus de 800 tâches. Il a estimé les gains de vitesse à 18 % pour les développeurs déjà présents et à 4 % pour les nouveaux participants, les deux intervalles de confiance incluant zéro. Les développeurs refusant de plus en plus de travailler sans IA, METR a jugé les données peu fiables et annoncé une nouvelle conception d’étude.
effet mesuré sur les revenus et les heures enregistrées 2 ans après le lancement de ChatGPT (effets supérieurs à 2 % exclus)
Anders Humlum, de l’université de Chicago, et Emilie Vestergaard, de l’université de Copenhague, ont travaillé avec l’institut danois de statistique (Statistics Denmark) sur des enquêtes représentatives portant sur 11 professions très exposées aux robots conversationnels fondés sur l’IA. Leur enquête de fin 2024 couvrait 25 000 salariés dans 7 000 établissements et a été rapprochée des registres officiels de revenus, d’heures et de professions jusqu’en décembre 2024. Là où les employeurs encourageaient l’usage et fournissaient des robots conversationnels d’entreprise et des formations, 93 % des salariés en avaient utilisé, 28 % s’en servaient chaque jour et 19 % déclaraient gagner plus de 1 heure par jour. En comparant les utilisateurs et les non-utilisateurs avant et après l’arrivée des robots, les chercheurs n’ont constaté aucun effet sur les revenus ni sur les heures enregistrées, bien que le travail ait évolué, les salariés produisant des contenus, relisant les résultats de l’IA et l’intégrant à leur activité.
Le temps gagné déclaré par les salariés n’a modifié ni la rémunération ni les heures en 2 ans. La plupart des utilisateurs ont dit consacrer le temps gagné à d’autres tâches, ce qui a changé l’organisation du travail.
Les chercheurs ont d’abord diffusé leur document de travail en mai 2025, puis l’ont révisé en mars 2026. À partir de données d’enquête et de données administratives appariées, ils ont comparé l’évolution des utilisateurs et des non-utilisateurs et exclu des effets moyens supérieurs à 2 % sur les revenus et les heures. Environ 85 % des utilisateurs ont déclaré consacrer le temps gagné à d’autres tâches, et certains ont rejoint des professions mieux rémunérées.
Le Becker Friedman Institute a fait état d’une absence d’effet sur les revenus et les heures enregistrées 2 ans après le lancement de ChatGPT. Ce constat valait pour les utilisateurs intensifs, les premiers adoptants et les établissements ayant beaucoup investi. L’adoption des robots conversationnels était associée à des changements de tâches et de professions, sans variation nette de la rémunération ni des heures.
tâches achevées chaque semaine par les développeurs utilisant l’assistant de codage fondé sur l’IA (estimation agrégée, erreur type d’environ 10 points)
Des économistes de Princeton, du MIT, de Wharton et de Microsoft ont analysé 3 expériences randomisées menées chez Microsoft, chez Accenture et chez un fabricant d’électronique du classement Fortune 100 non nommé, de septembre 2022 à mai 2023. Un sous-ensemble tiré au hasard de 4 867 développeurs a reçu l’accès à GitHub Copilot dans le cadre de son travail habituel ; les utilisateurs ont accompli 26,08 % de tâches hebdomadaires en plus (erreur type de 10,3 %), effectué 13,55 % de validations (commits) en plus et lancé 38,38 % de compilations en plus sur l’ensemble des expériences. Les recrues récentes et les développeurs juniors ont davantage utilisé l’outil et en ont davantage profité, tandis que les développeurs seniors n’ont enregistré aucun gain statistiquement significatif. 2 des 6 auteurs travaillaient pour Microsoft, propriétaire de GitHub.
Les développeurs en entreprise ont moins gagné que dans l’essai en laboratoire portant sur une seule tâche, avec davantage d’incertitude sur les résultats. Les développeurs les moins expérimentés ont le plus gagné.
Kevin Zheyuan Cui, Mert Demirer, Sonia Jaffe, Leon Musolff, Sida Peng et Tobias Salz ont présenté les expériences en février 2025. Les essais ont duré de 2 à 8 mois avant que tous les groupes reçoivent l’accès. Sur l’ensemble des 3 essais, les tâches achevées ont progressé de 26,08 %, les validations de 13,55 % et les compilations de 38,38 %. Les chercheurs ont précisé que chaque essai pris isolément comportait une incertitude statistique importante et que l’adoption initiale était faible.
Les chercheurs ont enregistré les expériences menées dans les 3 entreprises auprès de l’American Economic Association après leur réalisation. Les expériences se sont déroulées de septembre 2022 à mai 2023, l’accès étant attribué au hasard par équipe ou par individu dans chaque entreprise. Les principales mesures comprenaient les demandes de fusion (pull requests), les validations et les compilations.