Parmi les salariés américains qui utilisent l'IA pour une ou deux tâches distinctes, 45% déclarent un effet positif sur leur productivité. Parmi ceux qui l'utilisent pour sept tâches ou plus, ce chiffre atteint 90% (Gallup, 2026). Mêmes outils. Mêmes licences. Même budget de formation. La seule variable qui a bougé, c'est le nombre de parties différentes du poste que l'outil touche réellement.
Ce gradient est le chiffre le plus utile opérationnellement publié cette année sur la productivité de l'IA, et il pointe vers un endroit inconfortable : ce que la plupart des déploiements du mid-market optimisent — l'accès — se situe sur la partie plate de la courbe.
Le gradient de productivité de l'IA que Gallup a réellement mesuré
L'enquête Gallup sur le travail au T2 2026 situe l'intégration organisationnelle de l'IA à 47% des salariés américains, en hausse de six points par rapport aux 41% du trimestre précédent. L'usage personnel atteint 52% ; 30% utilisent l'IA au moins plusieurs fois par semaine, 15% quotidiennement (Gallup, 2026).
Ce sont les chiffres de la une, et ce sont ceux qui finissent dans les présentations au conseil. La coupe la plus intéressante est la ventilation par étendue d'application — la part déclarant un effet plutôt ou extrêmement positif sur la productivité, regroupée selon le nombre de tâches distinctes auxquelles le salarié applique l'IA :
- 1–2 cas d'usage : 45%
- 3–4 cas d'usage : 66%
- 5–6 cas d'usage : 78%
- 7 ou plus : 90%
La courbe est la plus raide en bas. Faire passer un salarié de deux applications à quatre vaut environ 21 points de bénéfice déclaré. Le faire passer de cinq à sept en vaut environ 12. Le plus grand retour disponible dans la plupart des entreprises du mid-market n'est pas chez les utilisateurs avancés : il est dans la majorité restée à un ou deux usages, dont la plupart disposent déjà d'une licence.
Pourquoi cela reformule la question du déploiement
La question standard du déploiement est combien de personnes ont accès. Les données Gallup suggèrent qu'une meilleure question serait combien de postes ont été cartographiés. Cela se ressemble. Cela se finance de manière totalement différente — l'une est une ligne d'achat, l'autre un projet opérationnel — et c'est précisément pour cela que la plupart des entreprises continuent de répondre à la première.
Le mix d'usage est inversé par rapport à la valeur
Le deuxième résultat est plus tranchant que le premier, car il explique pourquoi tant de salariés restent bloqués à un ou deux usages.
Les données Gallup sur ce à quoi les gens utilisent réellement l'IA, confrontées au rendement de ces applications en termes de productivité :
| Application | Part des utilisateurs d'IA | Déclarent un gain de productivité |
|---|---|---|
| Rédaction et édition | 51% | 68% |
| Recherche et documentation | 49% | 65% |
| Data science et analytique | 18% | 75% |
| Diapositives et présentations | 17% | 76% |
| Assistance au code | 16% | 77% |
| Automatisation de processus | 16% | 77% |
Lisez les deux colonnes l'une contre l'autre. Les deux applications les plus utilisées sont les moins performantes en productivité. Les quatre les mieux notées sont utilisées chacune par moins d'un utilisateur d'IA sur cinq (Gallup, 2026).
Le chemin d'adoption par défaut — écrire plus vite, chercher plus vite — est celui qui se généralise à tous les postes et n'exige de travail de processus de la part de personne. C'est aussi celui qui plafonne le plus tôt. Les applications les mieux notées sont celles qui touchent un flux de travail spécifique : un rapprochement, la construction d'un rapport, une passation, un script. Personne n'y arrive en ouvrant une fenêtre de chat. Quelqu'un doit les cartographier.
Il y a une conséquence budgétaire cachée dans ce tableau. La rédaction et la recherche sont les deux applications sur lesquelles une démo fournisseur se vend toute seule, parce qu'elles n'exigent ni configuration ni contexte sur votre activité. Ce sont aussi les deux qu'un salarié peut adopter seul, en un après-midi, sans rien demander à personne. Tout ce qui dépasse 75% de rendement exige que quelqu'un sache comment fonctionne un processus particulier avant que l'outil puisse y être appliqué. Cette connaissance réside dans votre fonction opérations, pas chez le fournisseur ni chez l'individu — et c'est pourquoi le segment à forte valeur reste bloqué à 16% d'adoption sur un marché où les licences sont de fait universelles.
Les données de fréquence de Gallup appuient cette lecture. Les utilisateurs fréquents ont environ trois fois plus de chances que les utilisateurs occasionnels d'employer l'IA pour le code (22% contre 8%) et pour l'automatisation (21% contre 8%), et plus de deux fois plus pour la gestion de tâches et de projets (21% contre 9%). L'étendue et la profondeur arrivent ensemble, et toutes deux arrivent du côté processus du travail.
La même semaine, deux réalités opposées
Voici la partie qui mérite d'être portée à votre prochaine revue opérationnelle.
Gallup a publié son bond de six points d'adoption le 20 juillet 2026. Le lendemain, le Productivity Lab d'ActivTrak publiait une télémétrie comportementale portant sur 120 620 travailleurs, classant la maturité IA d'après l'activité observée plutôt que d'après les licences, les connexions ou les déclarations. Résultat : 27% des travailleurs atteignent l'Assistance à la Recherche, 14% l'Exécution de Tâches et 2% l'Intégration au Flux de Travail (ActivTrak, 2026).
Deux jeux de données crédibles, publiés à vingt-quatre heures d'intervalle, décrivant la même population active en termes opposés. Il n'y a aucune contradiction à résoudre : ils mesurent des choses différentes. Gallup mesure si l'IA a atteint les personnes. ActivTrak mesure si elle a atteint le travail. L'accès passe à l'échelle rapidement. La refonte du travail, non.
Ces 2% constituent le plancher empirique sous la cohorte « sept et plus » de Gallup. Le chiffre de 90% de productivité est réel, et il décrit un très petit nombre de personnes qui ont restructuré la façon dont leur poste fonctionne.
Ce que cela fait à votre tableau de bord
Si votre reporting IA repose sur les licences activées, les utilisateurs actifs hebdomadaires et le temps gagné déclaré, chacune de ces métriques suit la section plate de la courbe Gallup. Elles monteront toutes lors d'un déploiement qui ne produit pas un seul flux de travail repensé — et elles monteront le plus vite dans le segment rédaction-et-édition, celui qui rend le moins en productivité.
Distribution n'est pas adoption. Votre tableau de bord, aujourd'hui, ne sait pas les distinguer.
Où cette preuve s'arrête
Trois limites, énoncées avant que quiconque bâtisse un business case sur ce gradient.
Le lien étendue–productivité est corrélationnel. Gallup le dit explicitement. L'auto-sélection est une explication alternative bien réelle : les salariés qui tirent déjà de la valeur de l'IA vont en chercher d'autres applications, si bien que la flèche causale peut aller dans le sens inverse de celui que suppose la lecture opérationnelle.
La surface exploitable varie selon les postes. Certains métiers offrent réellement sept applications IA plausibles ; d'autres en offrent deux. Un analyste financier et un technicien de terrain ne sont pas également adressables, et un mandat du type « amener tout le monde à cinq cas d'usage » fabriquera du travail inutile dans les postes qui n'en ont pas.
La mesure de productivité et le décompte des cas d'usage sont tous deux déclaratifs. Ils proviennent du même répondant dans le même instrument, ce qui est exactement la condition dans laquelle bénéfice perçu et comportement déclaré tendent à évoluer ensemble.
Ce qui survit à ces réserves, c'est l'asymétrie opérationnelle, pas les pourcentages précis. Les salariés à une ou deux applications sont la large majorité, ils constituent la cohorte la moins coûteuse à faire bouger, et chaque application à fort rendement se situe du côté processus du travail, pas du côté rédaction. C'est suffisant pour changer l'affectation du prochain trimestre d'un déploiement, même si ce n'est pas suffisant pour promettre un chiffre.
Faites passer la métrique des licences activées aux cas d'usage par poste
La littérature plus large pointe dans cette direction depuis un an, du côté de l'investissement plutôt que de l'usage.
L'étude Deloitte State of AI in the Enterprise 2026, menée auprès de 3 235 dirigeants dans 24 pays, désigne l'insuffisance des compétences des salariés comme le principal obstacle à l'intégration de l'IA — et met en évidence une réponse déséquilibrée. 53% forment les équipes pour élever leur maîtrise de l'IA, mais seulement 30% repensent l'organisation autour des nouveaux schémas de l'IA et 33% redessinent les parcours de carrière (Deloitte, 2026). Tout le monde forme. Presque personne ne redessine.
Le Work Trend Index 2026 de Microsoft, mené auprès de 20 000 travailleurs dans 10 pays, chiffre le coût de cet écart : les facteurs organisationnels — culture, soutien managérial, pratiques RH — pèsent plus du double de l'impact IA réalisé par rapport aux facteurs individuels, 67% contre 32% (Microsoft, 2026). Seuls 26% des utilisateurs d'IA déclarent une direction alignée sur une stratégie IA.
Mettez les trois jeux de données en séquence et la conception du déploiement s'écrit d'elle-même. L'accès est réglé. La maîtrise individuelle est financée. La variable dont personne n'est propriétaire, c'est la cartographie entre un poste précis et les deux ou trois tâches côté processus où l'IA rend vraiment — et cette cartographie est un livrable des opérations, pas de la formation.
La version pratique
Choisissez trois postes, pas toute l'entreprise. Effectifs élevés, forte répétitivité, aujourd'hui à un ou deux usages de l'IA. Cette cohorte présente la pente la plus raide disponible.
Nommez les cas d'usage avant de nommer l'outil. Pour chaque poste, écrivez deux ou trois tâches récurrentes précises — le rapprochement hebdomadaire, la synthèse fournisseurs, le tri des tickets. Assez précises pour que vous puissiez dire si elles ont eu lieu.
Orientez la liste vers le segment à faible adoption et fort rendement. Automatisation, analytique, assistance au code, production de slides. Si votre liste n'est que rédaction et recherche, vous avez documenté la partie plate de la courbe.
Conditionnez l'extension des licences à une intégration de flux démontrée. Avant d'acheter le bloc de licences suivant, exigez qu'au moins un flux de travail nommé ait visiblement bougé — le rapport qui se construit désormais tout seul, la passation qui n'exige plus de réunion. Un flux de Stage 3 vérifié vaut, comme preuve, plus que mille licences activées.
Rapportez les cas d'usage par poste, pas les utilisateurs par licence. C'est la seule métrique IA de votre tableau de bord que le service achats ne peut pas satisfaire.
Une décision pour ce trimestre
Prenez vos trois postes aux effectifs les plus importants. Pour chacun, demandez à cinq personnes de lister chaque tâche distincte pour laquelle elles utilisent l'IA. Comptez-les. Si la réponse modale est une ou deux, et que toutes deux relèvent de la rédaction ou de la recherche, vous savez désormais exactement où se trouve votre retour de productivité IA — et ce n'est pas dans un bloc de licences supplémentaire.
Le déploiement que tout le monde finance s'arrête quand l'outil atteint la personne. Le retour commence quand l'outil atteint le travail. Ce sont deux projets différents, et un seul figure aujourd'hui à votre budget.
