Le dashboard disait que la productivité montait
Une équipe a déployé des outils IA en produit, engineering et support. En un mois, le reporting interne affichait des signaux prometteurs : plus de brouillons produits, plus de tickets résumés, des premières réponses plus rapides, davantage de documentation générée.
La direction a appelé cela une victoire de productivité.
L'équipe elle-même était moins sûre.
Les ingénieurs relisaient plus de code généré qu'avant — absorbant le nouveau visage de la dette technique une pull request à la fois. Les product managers triaient davantage d'options de brouillon, pas moins. Les leads support continuaient de corriger des cas limites que le modèle interprétait mal. L'output montait. Le volume de jugement nécessaire pour garder cet output utilisable montait aussi.
Voilà le mirage de productivité dans lequel beaucoup d'équipes entrent maintenant. L'IA augmente rapidement l'output visible, mais la vraie question porte sur le reste du système — la même vitesse concentrée en amont qui redessine le sprint de deux semaines.
L'output est la métrique de productivité la plus trompeuse
Il est facile de compter ce que l'IA rend plus abondant : texte, options, résumés, suggestions de code, brouillons d'analyse. Ces chiffres montent vite, c'est pour cela qu'ils apparaissent si souvent dans les updates executives. Le framework SPACE de la productivité développeur(lien externe, nouvel onglet) met précisément en garde contre cela — le simple comptage d'activité est la plus faible de ses cinq dimensions.
Le problème, c'est que l'abondance n'est pas la valeur.
Si une équipe produit deux fois plus d'idées candidates mais que personne n'a le temps de les évaluer correctement, le système n'est pas forcément plus productif. Il produit peut-être simplement plus de matière en concurrence pour un jugement humain rare.
Voilà pourquoi les conversations sur la productivité IA dérapent si vite. Elles supposent que si la première étape s'accélère, tout le workflow s'améliore. Or la plupart des workflows d'équipe n'échouent pas au stade du premier brouillon. Ils échouent au stade de l'alignement, de la priorisation, de la revue et de la qualité de décision.
L'IA modifie aussi ces étapes tardives. Parfois elle les aide. Parfois elle les surcharge.
Là où le travail se déplace vraiment
Dans beaucoup d'équipes, l'IA déplace le travail plus qu'elle ne le supprime.
Le brouillon devient moins cher, donc la revue devient plus lourde. La recherche devient plus rapide, donc la vérification du contexte devient plus importante. Le prototypage devient plus facile, donc la pression de priorisation augmente. La génération de contenu devient abondante, donc les goulets de décision deviennent plus visibles.
Ce n'est pas un échec. C'est une redistribution du workflow — et elle entraîne des coûts qui dépassent largement les tokens.
Le danger apparaît quand les leaders continuent d'appliquer une vieille logique de productivité sur ce nouveau schéma. Ils célèbrent la croissance du volume tout en oubliant que la ressource rare n'a jamais été la capacité de brouillon. C'était la capacité de décision.
L'IA révèle souvent que le vrai goulot d'étranglement dans les équipes n'est pas la production. C'est le jugement.
Une fois qu'on le voit, beaucoup d'affirmations optimistes deviennent plus faciles à interpréter. Les équipes ne font pas nécessairement moins de travail. Elles font un autre type de travail.
La couche humaine prend plus de valeur, pas moins
L'ironie étrange de l'adoption de l'IA, c'est qu'elle augmente souvent la valeur de capacités spécifiquement humaines.
Le cadrage clair du problème compte davantage parce que des prompts vagues créent des workflows vagues. La qualité de revue compte davantage parce qu'une sortie fluide peut cacher une logique faible. La priorisation compte davantage parce que plus d'idées peuvent désormais atteindre l'équipe. L'intelligence émotionnelle compte davantage parce que des systèmes plus rapides augmentent la charge de coordination sur les personnes qui prennent encore les décisions finales.
Autrement dit, plus l'output machine devient abondant, plus le jugement humain rare devient précieux.
C'est pour cela que les récits simplistes de réduction d'effectif manquent souvent la cible. Beaucoup d'organisations n'auront pas simplement besoin de moins de personnes. Elles auront besoin de personnes effectuant un autre type de travail avec une discipline de décision plus forte.
Comment savoir si la productivité est réelle
Une équipe n'est pas plus productive simplement parce qu'elle va plus vite au début du workflow.
Posez des questions plus dures :
- Le cycle time s'est-il amélioré jusqu'à la sortie finale réellement exploitable — ce flux de bout en bout que la recherche DORA(lien externe, nouvel onglet) traite comme le vrai signal de performance de livraison ?
- La reprise a-t-elle baissé ou monté ?
- La qualité de décision s'est-elle améliorée ?
- Les outcomes clients se sont-ils améliorés ?
- L'outil a-t-il retiré de la charge cognitive ou l'a-t-il seulement déplacée ?
Si vous ne pouvez pas y répondre, vous n'avez probablement pas encore une histoire de productivité. Vous avez une histoire d'activité.
Le takeaway
L'IA change bien la productivité, mais souvent pas de la manière simpliste suggérée par les dashboards. Elle accélère certaines étapes, révèle d'autres goulets d'étranglement et déplace plus de valeur vers la revue, la priorisation et la qualité de décision.
Cela signifie que les équipes les plus intelligentes ne traiteront pas l'IA comme une simple machine à output. Elles la traiteront comme une force de redesign des workflows.
La vraie question n'est pas « avons-nous produit plus ? » mais « le système transforme-t-il mieux l'effort en outcomes ? »
