L'accès à l'IA a augmenté les scores aux tests de 7,2 points de pourcentage et, une semaine après le retrait de l'outil, 3,9 points subsistaient — mais seulement chez les personnes qui ont utilisé l'IA comme tuteur. Chez celles qui l'ont laissée écrire à leur place, le gain avait disparu (Contractor et Reyes, 2026).
Deux personnes de votre équipe peuvent utiliser le même modèle sur la même tâche et produire un travail de qualité identique. Une semaine plus tard, l'une est mesurablement meilleure sur cette tâche et l'autre est revenue à son point de départ. Le livrable que vous avez en main ne vous dit pas laquelle est laquelle.
L'expérience derrière ces chiffres est un essai randomisé en présentiel et sous surveillance : des étudiants de premier cycle ont étudié un sujet technique inconnu sous contrainte de temps et rédigé une dissertation analytique avec ou sans accès à l'IA, puis passé des évaluations sans aucune aide immédiatement, et de nouveau environ une semaine plus tard. Le résumé que les auteurs font de cette divergence constitue tout le résultat — les gains persistent chez les étudiants qui utilisent l'IA comme tuteur et s'estompent chez ceux qui la laissent écrire à leur place.
Le protocole a mesuré la personne, pas le livrable
Presque toutes les études sur l'IA et la productivité mesurent la production pendant que l'outil est dans la pièce. Celle-ci fait quelque chose de plus difficile et de plus utile à la décision : elle retire l'outil et mesure ce que la personne a retenu.
Sur 256 inscrits, 211 se sont présentés à la première session et 205 sont revenus pour la seconde, en moyenne 6,98 jours plus tard. Les sujets étaient délibérément étrangers aux participants — blockchain, captage du carbone, CRISPR. La seconde session était surveillée et sans aide pour tout le monde, groupe traité comme groupe témoin. Les dissertations ont été notées par 309 évaluateurs titulaires d'un master ou d'un doctorat, 23 ayant été exclus pour échec à un contrôle de compréhension.
C'est cette structure qui sépare la production empruntée de la capacité retenue. Le test immédiat vous dit si l'outil a aidé. Le suivi sans aide vous dit si la personne a changé. Ce sont deux questions différentes, et presque tous les tableaux de bord d'adoption en usage dans une entreprise de taille intermédiaire ne répondent qu'à la première — quand ils répondent à l'une des deux.
Ce que les chiffres disent vraiment
| Mesure | Résultat |
|---|---|
| Test de connaissances immédiat, accès IA vs témoin | +7,2 pp, 0,28 SD (p = 0,021) |
| Même test, treatment-on-treated | +10,4 pp, 0,41 SD |
| Test sans aide environ une semaine plus tard | +3,9 pp, 0,21 SD |
| Qualité des dissertations de la session 2, écrites sans IA | +0,24 SD |
| Mécanisme | Même temps total ; temps déplacé de l'écriture vers la lecture et la recherche |
Le résultat sur les dissertations mérite un second regard. Une semaine après le retrait de l'outil, dans une salle surveillée et sans aucune assistance, les personnes qui avaient eu accès à l'IA ont rédigé des textes mesurablement meilleurs — les effets les plus forts portant sur l'usage des preuves et des exemples, et sur la clarté du style. Quelque chose a été transféré dans la personne, pas seulement dans le document.
Les utilisateurs en mode automatisation ont gagné la première session et perdu la semaine
Voici la partie qui devrait changer votre façon de penser le déploiement.
Les participants qui ont laissé l'IA écrire à leur place — les auteurs appellent cela l'automation — ont rendu les dissertations les mieux notées lors de la première session. Ils ressemblaient aux meilleurs. Une semaine plus tard, lors de la session sans aide, cet avantage avait purement et simplement disparu. Les participants qui ont utilisé l'IA comme tuteur, en lui demandant d'expliquer plutôt que de produire, ont conservé le leur.
Deux modes d'usage. Indiscernables dans le livrable. Opposés dans leur effet sur la capacité. Et le mécanisme est prosaïque : les deux groupes ont consacré le même temps total, mais l'accès à l'IA a déplacé des minutes de l'écriture vers la lecture et la recherche d'information. Les utilisateurs en mode tuteur ont dépensé ces minutes en compréhension. Ceux en mode prête-plume les ont dépensées en rien qui reste.
C'est pourquoi « l'usage de l'IA » est la mauvaise métrique d'adoption. Ce n'est pas une métrique faible ou retardée. C'est une métrique qui attribue la même valeur au comportement qui construit votre banc et à celui qui le vide.
Votre tableau de bord d'adoption ne voit pas l'IA comme tuteur
Si le mode d'usage est la variable qui compte, la question évidente est de savoir si quelqu'un le mesure. Globalement, non.
Le Productivity Lab d'ActivTrak a déduit les stades d'adoption de l'IA à partir de la télémétrie comportementale de 120 620 travailleurs, et non de licences, de connexions ou de déclarations. Il trouve 27 % au stade de l'assistance à la recherche, 14 % à l'exécution de tâches et 2 % à une véritable intégration dans le flux de travail (ActivTrak Productivity Lab, 2026). Les comptages de licences et les tableaux de bord de connexion mesurent la distribution. Ils ne mesurent pas l'adoption, et certainement pas le mode.
Pendant ce temps, la capacité de formation qui enseignerait le meilleur mode se contracte. L'enquête PwC 2026 auprès de 49 364 travailleurs dans 48 pays constate que la part de ceux qui déclarent avoir accès aux ressources de formation et de développement dont ils ont besoin est tombée à 51 %, contre 59 % l'année précédente — tandis que l'usage quotidien de l'IA générative est passé de 14 % à 22 % (PwC, 2026). L'accès à l'outil monte en charge. L'accès à l'apprentissage de son usage va dans l'autre sens.
Les salariés le remarquent. Dans l'étude GoTo 2026 sur le travail, 39 % déclarent que leur dépendance à l'IA érode leurs compétences, et 43 % admettent avoir livré une production IA qu'ils soupçonnaient d'être de mauvaise qualité (GoTo et Workplace Intelligence, 2026). La déclaration personnelle est une preuve faible à elle seule. Rapprochée d'une expérience sous surveillance qui trouve la même forme, elle cesse d'être du bruit.
L'asymétrie qui en fait un problème de succession
Un résultat de plus, et c'est celui qui fait sortir le sujet de la formation pour l'installer dans la planification des effectifs.
Une expérience de terrain pré-enregistrée de trois mois a mis un assistant IA de rédaction de brevets entre les mains de 133 avocats en brevets en exercice dans onze cabinets américains, chaque livrable étant noté à l'aveugle par des experts. Sur les tâches assistées, la qualité a progressé de 0,38 SD à quatre-vingt-dix jours, avec des gains plus importants chez les juniors. Est ensuite venue une tâche de révision sans assistance, où l'IA n'était autorisée pour personne — la mesure de la compétence. Les avocats du groupe traité ont obtenu 0,32 SD de plus au global, mais l'avantage était entièrement concentré chez les seniors, à 0,45 SD. Les juniors n'ont montré aucun gain moyen ; leurs scores se sont scindés, avec nettement moins de résultats médiocres, compensés par davantage de mauvais et davantage de bons (Autor et al., NBER, 2026).
Le cadrage des auteurs est la phrase à emporter à votre prochaine réunion de planification : les gains les plus importants de l'IA sont allés aux avocats qui en ont le moins retenu, et une expertise fondamentale pourrait être un prérequis pour tirer une compétence durable d'une pratique assistée par IA.
Lisez les deux études ensemble. Le mode d'usage décide si la capacité s'accumule, et l'expertise déjà acquise semble décider du mode qu'une personne adopte par défaut. Vos collaborateurs les plus seniors capitalisent. Vos juniors se divisent en deux groupes, et la production assistée des deux a bonne allure.
À dire franchement : le financement et une partie des auteurs de l'étude sur les brevets relèvent du fabricant de l'outil. Le pré-enregistrement et la notation à l'aveugle par des tiers sont ce qui porte sa crédibilité, pas le sponsor.
L'objection honnête
Quatre limites, avant que quiconque construise une politique sur cette base.
Ce sont des étudiants sur une tâche d'une heure. Pas des salariés sur un trimestre de travail réel. Le mécanisme — réallocation du temps de la production vers la compréhension — voyage plausiblement. Les tailles d'effet ne doivent pas être citées comme des estimations en milieu professionnel, et je ne mettrais pas 7,2 points dans un business case.
C'est une prépublication. arXiv 2607.08849 a été déposé en juillet 2026 et révisé en octobre 2026. Il n'a pas achevé son évaluation par les pairs.
Les tests de robustesse déplacent le chiffre. En excluant les participants qui ont enfreint les règles de l'étude, l'effet d'apprentissage de la première session tombe à 0,24, 0,15 ou 0,27 SD selon la mesure retenue. L'effet survit ; son ampleur est plus douce que le titre.
Le mode a été observé, pas assigné. La divergence tuteur contre prête-plume est le résultat le plus actionnable de l'article et sa partie expérimentalement la moins propre — les participants ont choisi comment utiliser l'outil. Ceux qui cherchent l'explication peuvent différer de ceux qui cherchent la production, y compris sur des dimensions qui prédisent la rétention. L'asymétrie par ancienneté de l'étude sur les brevets est exactement cohérente avec cette lecture.
Ce qui survit aux quatre : le livrable n'est pas une lecture de ce que la personne apprend, et l'écart entre les deux est un problème de mesure que vous pouvez résoudre sans rien acheter.
Ce qu'il faut changer ce trimestre
Quatre mouvements. Aucun n'est un achat.
- Cessez de reporter l'usage de l'IA comme métrique d'adoption. Licences, connexions et comptages de sessions décrivent la distribution. Remplacez l'indicateur principal par un seul chiffre : combien de personnes ont démontré une capacité nommée sans aide, après avoir utilisé l'IA pour la construire.
- Faites du prompting en mode tuteur un comportement explicite et enseigné. C'est assez précis pour entrer dans un parcours d'intégration et dans le script d'un entretien individuel : demandez au modèle d'expliquer son raisonnement et de vérifier le vôtre, pas de produire le livrable. C'est l'intervention la moins coûteuse de tout l'ensemble, et personne ne la mène.
- Ajoutez une tâche sans aide au cycle de développement pour les postes où le jugement est le livrable. Pas un test — une vraie tâche, réalisée sans assistance, notée avec la même grille que la version assistée. L'écart entre les deux est votre signal de rétention des compétences, et il n'existe dans aucun rapport de qualité de production.
- Intégrez la scission des juniors dans votre plan de succession. Si la production assistée est plate selon l'ancienneté alors que la capacité retenue ne l'est pas, votre banc à deux ans est plus mince que ce que disent vos données de performance, et l'erreur va dans un seul sens.
Ce quatrième mouvement est celui qui n'a pas de foyer évident dans la plupart des entreprises, parce qu'il exige des compétences mesurées par cycle contre un référentiel stable, et non déduites des livrables récents. La couche performance et succession de Scovai est construite sur cette séparation — compétences notées de façon déterministe, par compétence et par cycle, sur le référentiel Great Eight, une 9-box calculée à partir de ces données de compétence plutôt que des impressions des managers, et une readiness de succession énoncée par poste critique : prêt maintenant, ou à douze-vingt-quatre mois. La pertinence ici est structurelle : si votre axe de potentiel lit de la production assistée, il lit l'outil.
L'implication inconfortable de cette recherche est que vos meilleurs performeurs parmi les utilisateurs d'IA et ceux qui déclinent le plus vite peuvent être les mêmes personnes, et que rien de ce que vous mesurez aujourd'hui ne sépare l'IA comme tuteur de l'IA comme prête-plume.
Alors choisissez un poste ce trimestre, faites réaliser une tâche sans aide avec la même grille que la version assistée, et découvrez dans quel sens va l'écart. Mesurez la personne, pas le document — le document a cessé de vous renseigner sur l'une comme sur l'autre le jour où l'outil est arrivé.
