Annexe : Données probantes utilisables en formation

Pourquoi des scénarios propres aux tâches ?

L’achat d’une licence ne suffit pas à intégrer automatiquement l’IA dans le travail quotidien. Selon l’enquête 2025 de BCG menée auprès de plus de 10 600 salariés dans 11 pays et territoires, plus des trois quarts des dirigeants et des managers utilisent l’IA générative plusieurs fois par semaine, tandis que l’utilisation régulière reste à 51 % chez les salariés de première ligne. Seul environ un tiers des salariés déclare avoir reçu une formation suffisante. L’utilisation régulière est nettement plus élevée chez ceux qui ont suivi au moins cinq heures de formation et ont accès à une formation en présentiel et à du coaching. [1]

Il existe également un écart entre l’utilisation et la création de valeur à l’échelle de l’entreprise. Dans l’étude 2025 de Microsoft menée auprès de 31 000 travailleurs du savoir dans 31 pays, 82 % des dirigeants considèrent cette année comme décisive pour repenser la stratégie et les opérations ; 51 % des managers estiment que, d’ici cinq ans, la formation à l’IA ou le développement des compétences relèvera de la responsabilité de leur équipe. [192] [193] Dans l’étude de McKinsey auprès de 1 993 participants, l’utilisation régulière de l’IA dans au moins une fonction atteint 88 %, mais seul environ un tiers déploie son programme à l’échelle de l’organisation et 39 % signalent un effet sur l’EBIT de l’entreprise. Les organisations qui déclarent tirer une forte valeur de l’IA mentionnent une refonte en profondeur de leurs processus de travail 2,8 fois plus souvent que les autres. [2]

La formation ne doit donc pas se limiter à une présentation générale répondant à la question « Qu’est-ce que l’IA ? ». Le salarié doit voir comment préparer les données d’entrée propres à son rôle, à quelle étape utiliser l’IA, selon quels critères vérifier le résultat et quand passer le relais à un humain. Le rapport 2025 de MIT NANDA, qui analyse conjointement plus de 300 initiatives rendues publiques, des entretiens avec 52 organisations et les réponses de 153 hauts dirigeants, indique que 95 % des organisations ne déclarent aucun retour mesurable et que seuls 5 % des projets pilotes d’IA intégrée génèrent de la valeur. Le rapport cite comme principaux problèmes, pour la plupart des outils d’entreprise sur mesure, la fragilité des processus de travail, le manque d’apprentissage contextuel et l’inadéquation avec les opérations quotidiennes ; il précise également que les résultats sont indicatifs, car les échantillons par catégorie et les définitions de la réussite varient. [194]

Cette approche est également pertinente sur le plan juridique. L’article 4 du règlement de l’UE sur l’IA impose aux fournisseurs et aux organisations utilisatrices de prendre des mesures pour développer la maîtrise de l’IA de leurs salariés et des personnes qui exploitent le système pour leur compte. La Commission européenne précise que cette obligation s’applique depuis le 2 février 2025 ; que la formation doit être adaptée au rôle, aux risques, aux connaissances techniques, à l’expérience et au contexte d’utilisation ; et que la simple lecture des instructions d’utilisation est insuffisante dans la plupart des cas. [195] [4] Un scénario propre à une tâche constitue donc une unité de formation pratique qui favorise à la fois l’adoption et une utilisation mesurable et responsable.

Preuves de productivité

Dans l’expérience en ligne préenregistrée de Noy et Zhang, publiée dans Science, 453 professionnels diplômés de l’université ont reçu des tâches de rédaction de niveau intermédiaire, propres à leur métier et assorties d’incitations. La moitié des participants ont obtenu aléatoirement un accès à ChatGPT. Cet accès a réduit de 40 % la durée moyenne des tâches et amélioré de 18 % la qualité des productions. Les salariés les moins qualifiés en ont davantage bénéficié. Les participants ayant obtenu cet accès étaient deux fois plus susceptibles de déclarer utiliser l’IA dans leur travail réel deux semaines après l’expérience, et 1,6 fois plus susceptibles deux mois après. Il s’agit d’un effet important pour ce type de tâche de rédaction et dans les conditions d’une expérience à court terme ; il ne peut pas être généralisé à l’ensemble des tâches de bureau. [196]

L’étude de Brynjolfsson, Li et Raymond, publiée en 2025 dans QJE, a examiné le déploiement progressif d’un assistant fondé sur GPT-3 qui proposait des réponses en temps réel à 5 172 conseillers du support client d’une entreprise du Fortune 500. Les conseillers pouvaient refuser ou modifier la suggestion. L’assistance de l’IA a augmenté en moyenne de 15 % le nombre de conversations résolues par heure. Cette hausse atteignait environ 30 % chez les conseillers peu qualifiés et peu expérimentés, et 36 % dans le quintile le moins qualifié ; aucun effet significatif sur la productivité n’a été observé chez les plus qualifiés, et un signe de légère baisse de la qualité des conversations a été relevé. Ce résultat montre qu’un même outil peut apporter une valeur différente selon les salariés. [117]

Dans l’étude de terrain menée par Dell’Acqua et ses collègues avec BCG, 758 travailleurs du savoir ont été répartis aléatoirement entre les conditions sans IA, avec GPT-4 et avec GPT-4 accompagné d’explications sur l’ingénierie des prompts. Pour 18 tâches de conseil réalistes situées dans le champ des capacités de l’IA, les utilisateurs ont accompli 12,2 % de tâches supplémentaires, terminé les tâches 25,1 % plus rapidement et produit des solutions de meilleure qualité. En revanche, pour une tâche de gestion complexe située hors de ce champ, les utilisateurs de l’IA avaient une probabilité de produire une solution correcte inférieure de 19 % à celle du groupe témoin. La formation doit poser non pas l’affirmation « l’IA aide dans toutes les tâches », mais la question « pour quelles tâches est-elle fiable ? ». [3]

Dans l’expérience contrôlée sur Copilot menée par Peng et ses collègues auprès de 95 programmeurs professionnels, les participants ont écrit un serveur HTTP en JavaScript ; 45 personnes avaient accès à Copilot et 50 se trouvaient dans la condition témoin. Le groupe témoin pouvait utiliser Internet et Stack Overflow. Parmi les participants ayant terminé la tâche, la durée moyenne était de 71,17 minutes dans le groupe Copilot et de 160,89 minutes dans le groupe témoin ; l’écart correspondait à une réduction de durée de 55,8 %, avec un intervalle de confiance à 95 % de 21 %-89 %. Bien que le taux de réussite ait été supérieur de 7 points de pourcentage dans le groupe expérimental, cette différence n’était pas statistiquement significative. Une tâche unique standardisée ne représente pas l’ensemble du développement logiciel réel en équipe. [197]

Dans l’expérience randomisée de METR menée en 2025, 16 développeurs expérimentés de logiciels libres ont travaillé sur 246 tickets réels dans de grands dépôts auxquels ils contribuaient régulièrement. Les tâches duraient en moyenne deux heures et l’utilisation de l’IA était aléatoirement autorisée ou interdite. Dans ce contexte, où Cursor Pro avec Claude 3.5/3.7 Sonnet était principalement utilisé, l’autorisation de l’IA a allongé de 19 % le temps nécessaire pour terminer les tâches. Les développeurs anticipaient un gain de vitesse de 24 % avant l’expérience, et de 20 % après celle-ci. METR souligne qu’il s’agit d’un résultat concernant des développeurs expérimentés, des dépôts familiers et les outils du début de 2025, et qu’il ne peut pas être généralisé à d’autres domaines. [198]

La mise à jour de METR de 2026 indique que, pour les outils plus récents, la mesure est faussée par des effets de sélection. Dans l’étude suivante, portant sur 57 développeurs, 143 dépôts et plus de 800 tâches, certains développeurs ne souhaitaient pas effectuer de tâches sans IA ; 30 %-50 % ont déclaré ne pas avoir proposé certaines tâches pour cette raison. Dans le sous-groupe des anciens participants, le gain de vitesse estimé était de -18 %, contre -4 % chez les nouveaux participants ; les deux intervalles de confiance incluaient zéro. Ce résultat rappelle que les outils évoluent dans le temps et que la sélection des tâches influe sur la mesure. [199]

Risques et limites

Dans le profil des risques de l’IA générative de NIST, la « confabulation » est définie comme le fait qu’un contenu formulé avec assurance, mais faux ou erroné, induise l’utilisateur en erreur. Ce même profil présente les risques liés à la confidentialité des données comme la fuite, l’utilisation non autorisée ou la divulgation de données personnelles ou sensibles, ou encore la compromission de la désidentification. Il recommande de tester les affirmations par des méthodes empiriques avant le déploiement, de vérifier les sources des productions et d’évaluer régulièrement le système dans des conditions similaires à ses conditions d’utilisation. C’est pourquoi les scénarios du quotidien doivent prévoir la vérification des sources, un second regard et une validation humaine pour les décisions à fort impact. [12]

Selon le guide de KVKK daté de novembre 2025, la loi n° 6698 s’applique dès lors que des données personnelles sont traitées à une quelconque étape du cycle de vie de l’IA générative. Même si la saisie de l’utilisateur ne contient pas de données personnelles, les informations issues de l’entraînement du modèle peuvent faire apparaître des données personnelles dans la sortie. KVKK souligne également les conditions de traitement et les risques spécifiques aux données sensibles. Son communiqué de mars 2026 sur le lieu de travail indique que l’utilisation d’outils tiers accessibles au public sans politique organisationnelle explicite complique le suivi et la gestion. [200] [201]

HBR définit le « workslop » comme un travail produit par l’IA, soigné en apparence mais ayant nécessité peu d’efforts, qui transfère le travail cognitif au destinataire et lui fait ainsi consacrer du temps et des efforts. La fluidité d’un texte ne signifie pas qu’il fait avancer la tâche ni qu’il est correct. Les scénarios de formation doivent enseigner non seulement à produire rapidement, mais aussi à réduire le travail que le destinataire devra refaire et à respecter le critère de qualité. [202]

La protection des données d’entreprise varie d’un outil à l’autre. OpenAI indique ne pas utiliser par défaut les données professionnelles pour entraîner ses modèles et proposer des contrôles d’accès, de conservation et de chiffrement ; cela ne constitue pas une garantie générale valable pour tous les fournisseurs. L’organisation ne doit pas déposer de données relatives aux salariés dans un outil accessible au public sans avoir vérifié le contrat, le transfert des données, la durée de conservation, les rôles d’accès et les paramètres d’administration. [203]

Éléments probants

• Dans l’enquête BCG 2025, l’utilisation régulière de l’IA générative par les employés de première ligne atteint 51 %. [1]
• Chez BCG, au moins cinq heures de formation et l’accès à un accompagnement sont associés à une utilisation régulière. [1]
• Le Microsoft 2025 Work Trend Index couvre 31 000 travailleurs du savoir dans 31 pays. [193]
• Dans l’étude de Microsoft, 82 % des dirigeants considèrent 2025 comme une année cruciale pour repenser la stratégie et les opérations. [192]
• Dans le rapport de Microsoft, 51 % des responsables considèrent que la formation à l’IA relèvera de la responsabilité des équipes d’ici cinq ans. [193]
• Dans l’étude McKinsey 2025, l’utilisation régulière de l’IA dans au moins une fonction atteint 88 %. [2]
• Dans l’étude McKinsey 2025, la proportion de répondants déclarant un effet sur l’EBIT à l’échelle de l’organisation est de 39 %. [2]
• Selon le Stanford AI Index, l’utilisation de l’IA dans les organisations est passée de 55 % en 2023 à 78 % en 2024. [204]
• Le rapport MIT NANDA indique que 95 % des organisations ne déclarent aucun retour mesurable, tout en précisant que les résultats sont indicatifs. [194]
• Dans l’étude de Noy et Zhang, le temps consacré aux tâches de rédaction a diminué de 40 %, tandis que la qualité a augmenté de 18 %. [196]
• Dans l’étude de Brynjolfsson, Li et Raymond, la productivité du support client a augmenté de 15 % en moyenne. [117]
• Dans l’expérience de terrain de Dell’Acqua, les tâches situées à l’intérieur de la frontière des capacités de l’IA ont été réalisées en nombre supérieur de 12,2 % et dans un temps réduit de 25,1 %. [3]
• Dans l’expérience de Dell’Acqua, la probabilité de trouver la bonne solution à une tâche de gestion située au-delà de la frontière des capacités de l’IA a diminué de 19 %. [3]
• L’expérience de Peng et de ses collègues sur Copilot portait sur 95 programmeurs, avec des durées de référence de 71,17 minutes contre 160,89 minutes. [197]
• Dans l’étude METR 2025, menée auprès de 16 développeurs expérimentés sur 246 tâches réelles, le temps nécessaire a augmenté de 19 %. [198]
• La mise à jour METR 2026 indique que la mesure la plus récente n’est pas fiable en raison d’effets de sélection. [199]
• L’article 4 de l’AI Act de l’UE impose des mesures de maîtrise de l’IA depuis le 2 février 2025. [195] [4]
• KVKK précise que, lorsque des données à caractère personnel sont traitées, la loi n° 6698 s’applique à toutes les étapes du cycle de vie de l’IA générative. [201]
• NIST classe les réponses de l’IA erronées mais formulées avec assurance dans la catégorie de la confabulation. [12]