Cinquante-deux pour cent des travailleurs du savoir corrigent désormais régulièrement du travail généré par l'IA produit par quelqu'un d'autre (Adaptavist, 2026). Pas leur propre production — celle d'un collègue. Dans la même enquête menée auprès de 2 500 salariés dans cinq pays, 42 % déclarent passer plus de temps à vérifier l'output IA qu'ils n'en économisent en l'utilisant. Lisez ces deux chiffres ensemble et vous tenez la raison pour laquelle la reprise liée à l'IA n'apparaît dans aucun business case : la personne qui encaisse le gain et celle qui absorbe le coût ne sont pas la même, et souvent pas dans la même équipe.
C'est un problème comptable avant d'être un problème technologique.
L'étude, et ce qui la distingue
Adaptavist a mené l'enquête en mars 2026 au Royaume-Uni, aux États-Unis, au Canada, en Allemagne et en Espagne — 2 500 travailleurs du savoir, en prolongement de ses travaux de 2025 sur la transformation numérique (Adaptavist, 2026). Le rapport forge un terme utile : la taxe de vérification.
Les chiffres clés :
- 52 % corrigent régulièrement du travail généré par l'IA produit par des collègues
- 42 % passent plus de temps à vérifier l'output IA qu'ils n'en économisent en l'utilisant
- 49 % estiment qu'un output IA de mauvaise qualité ralentit activement les projets
- 46 % estiment que l'IA a rendu leur travail plus répétitif et moins porteur de sens
Le dernier chiffre est celui que presque tout le monde saute. Corriger la production machine de quelqu'un d'autre n'est pas un travail intéressant. Il ne fait pas progresser, il est rarement reconnu en évaluation, et il est invisible pour celui qui a validé l'outil.
Notez aussi ce que l'étude ne montre pas. Ce n'est pas un corpus anti-IA : 67 % des mêmes répondants souhaitent que leur organisation augmente son usage de l'IA, 60 % se sentent correctement formés et 66 % jugent que l'adoption a été communiquée de façon transparente (Adaptavist, 2026). Ce sont des gens qui veulent la technologie et qui décrivent un échec de répartition, pas un échec de capacité.
Pourquoi votre tableau de bord dit oui quand vos cycle times ne disent rien
Dans le mid-market, la mesure de l'IA se fait presque toujours par poste. Licences déployées, prompts exécutés, heures économisées déclarées, taux d'adoption par service. Chacune de ces métriques est collectée au point de génération.
La reprise n'est collectée nulle part, parce qu'elle survient au point de réception.
Le marketing génère un premier jet en quatre-vingt-dix secondes et comptabilise quatre-vingt-dix minutes gagnées. Le juridique passe quarante minutes à corriger une citation fausse énoncée avec aplomb. Le tableau de bord du marketing est honnête. Les quarante minutes du juridique atterrissent dans une ligne générique de charge de travail, et personne ne rapproche les deux. Répétez l'opération sur la finance, les opérations, le support et le produit, et vous obtenez le schéma devenu quasi universel dans le reporting mid-market : les gains de temps déclarés montent chaque trimestre, et les cycle times restent exactement où ils étaient.
Trois propriétés qui rendent ce coût difficile à voir
Il franchit une frontière. La comptabilité analytique est organisée par équipe. Un coût qui naît dans une équipe et atterrit dans une autre n'a pas de propriétaire naturel : ni l'une ni l'autre ne le suit.
C'est de la séniorité non facturée. Le correcteur est en général la partie la plus senior — celle qui a assez de jugement métier pour repérer l'erreur. Vous payez vos taux horaires les plus élevés pour nettoyer une production générée aux plus bas.
C'est socialement inconfortable à déclarer. « J'ai passé mon après-midi à réparer le brouillon IA d'un collègue » n'est pas une ligne agréable dans un point d'avancement : elle est donc enregistrée sous la tâche sous-jacente.
Ce n'est pas la reprise dont vous avez déjà entendu parler
Deux résultats voisins sont confondus avec celui-ci, et la distinction détermine le levier à actionner.
Le Work AI Index de Glean — 6 000 travailleurs numériques, réalisé avec des chercheurs de Stanford, UC Berkeley et Harvard — établit que l'IA fait gagner environ 11 heures par semaine tandis que les salariés en brûlent environ 6,4 en « botsitting » : supervision, débogage et changements d'outil (Glean, 2026). C'est une reprise sur le même travailleur. Celui qui gagne le temps se le rembourse lui-même, et le correctif est l'accès au contexte : ce que vos systèmes autorisent le modèle à atteindre.
L'essai randomisé de METR pointait un autre échec : 16 développeurs open source expérimentés, 246 tâches réelles dans leurs propres dépôts. Ils prévoyaient un gain de vitesse de 24 %, croyaient après coup avoir gagné 20 %, et ont été mesurés 19 % plus lents (METR, 2025). C'est un échec de perception : les gains autodéclarés sont peu fiables, même chez des experts travaillant sur leur propre code.
Adaptavist décrit une troisième chose : un transfert latéral. Ni le même travailleur qui se rembourse, ni un gain mal perçu, mais un coût qui quitte un centre de coûts et arrive dans un autre. L'outillage de contexte n'y changera rien. De meilleures autodéclarations non plus. Seule la mesure à la frontière y changera quelque chose.
Les trois résultats se cumulent, d'ailleurs. Si les gains sont surestimés à la source (METR), partiellement réabsorbés par le même travailleur (Glean) et partiellement exportés vers un collègue (Adaptavist), le gain net résiduel dans un workflow mid-market typique est un chiffre bien plus petit que ce que chaque étude prise isolément laisse entendre.
Le chiffrer : ce que pèse la taxe de vérification à 200 ETP
L'étude donne des proportions, pas des heures : tout montant en euros relève de votre arithmétique, pas de celle d'Adaptavist. Faites-le quand même — c'est l'ordre de grandeur qui porte l'argument.
Prenez une entreprise de 200 personnes dont 120 font du travail de savoir. Si 52 % corrigent régulièrement l'output IA de collègues, cela fait environ 62 personnes. Supposez — prudemment, et c'est l'hypothèse à tester plutôt qu'à croire — deux heures par semaine chacune. Cela donne 124 heures hebdomadaires, environ 6 400 heures par an, soit l'équivalent de trois postes à temps plein que vous n'avez jamais recrutés, budgétés ni discutés.
Regardez maintenant à qui appartiennent ces heures. Corriger exige le jugement nécessaire pour savoir ce qui cloche : la charge se concentre donc sur vos contributeurs individuels seniors — exactement ceux que vous citeriez si l'on vous demandait qui est le plus difficile à remplacer. Vous dépensez trois ETP de votre jugement le plus rare en nettoyage qui ne figure dans les objectifs de personne.
Le chiffre est illustratif. L'exercice ne l'est pas : refaites-le avec vos effectifs et votre estimation, posez-le devant celui qui détient le budget IA, et observez la vitesse à laquelle la conversation passe du nombre de licences à la conception des processus.
Ce que l'étude ne peut pas vous dire
Trois limites, dites clairement. Elle est déclarative : les 42 % sont une perception du temps net, pas une mesure — et les travaux de METR sont un avertissement direct sur la dérive des autodéclarations. Elle est transversale : elle photographie mars 2026 et ne peut dire si la taxe croît ou décroît. Et elle interroge des salariés de cinq pays et d'entreprises de toutes tailles, pas spécifiquement les opérations mid-market ; la direction devrait se transférer, l'ampleur dans votre contexte reste à établir.
Ce qui survit aux trois, c'est le point structurel : la correction franchit une frontière que la mesure ne franchit pas.
L'objection évidente, et là où elle tient
La contre-objection raisonnable : c'est une friction de début d'adoption. La qualité de l'output s'améliore, les normes de relecture mûrissent, la taxe décroît. Une part est certainement vraie. L'usage de première génération de n'importe quelle classe d'outils porte une prime de correction qui baisse avec la familiarité.
Deux choses bornent l'optimisme.
D'abord, la correction ne tient pas d'abord à la qualité du modèle — elle tient au placement de la responsabilité. Tant que générer est bon marché et relire coûteux, le volume monte au niveau qui arrange celui qui génère, et celui qui relit absorbe la différence. De meilleurs modèles augmentent le volume aussi vite qu'ils augmentent la qualité.
Ensuite, des éléments indiquent que la friction est en train d'être institutionnalisée plutôt que dissoute. La recherche BambooHR 2026 sur la main-d'œuvre relève que 81 % des dirigeants revendiquent des gains de productivité liés à l'IA tandis que 49 % des salariés affirment que l'IA n'a apporté aucune valeur (BambooHR, 2026). Quand des gains non vérifiés sont déjà intégrés aux attentes de la direction, le travail de correction n'est pas doté de moyens : il est absorbé en silence par ceux dont la performance est justement mesurée à l'aune du gain revendiqué.
Donc : l'argument de la friction tient sur l'ampleur de la taxe. Il ne tient pas sur sa direction.
Mesurer la reprise IA à la frontière du passage de relais
Quatre mouvements. Tous relèvent de la mesure ou de la règle ; aucun n'exige de dépense nouvelle.
1. Instrumentez le passage de relais, pas la frappe clavier. Choisissez vos deux workflows inter-équipes à plus fort volume et enregistrez trois choses côté réception : heures de relecture, brouillons rejetés, nombre d'allers-retours avant acceptation. L'étape de relecture existe déjà. Vous ne la chronométrez simplement pas. Un mois de ce régime produit un vrai chiffre d'heures nettes au lieu d'un chiffre déclaré.
2. Attribuez la propriété de la relecture avant la mise en service d'un outil. Tout workflow assisté par l'IA qui franchit une frontière d'équipe a besoin d'un relecteur nommé et d'un volume d'heures budgété. Si personne ne finance la relecture, le workflow n'est pas prêt : vous proposez d'acheminer un coût non budgété dans la semaine d'un collègue.
3. Faites de la provenance une norme, pas un aveu. Exiger une ligne de note sur tout travail assisté par l'IA qui franchit une frontière — ce qui a été généré, ce qui a été vérifié, ce qui ne l'a pas été — coûte quelques secondes à l'émetteur et épargne au récepteur la reconstitution. Cela freine aussi discrètement le volume, car la production massive non relue devient visiblement attribuable.
4. Rééquilibrez l'échantillon de ceux que vous interrogez. Les enquêtes d'adoption sondent presque toujours ceux qui génèrent. Sondez ceux qui reçoivent : quelle part de votre semaine passez-vous à corriger du travail assisté par l'IA que vous n'avez pas produit ? Cette seule question, posée à vos contributeurs individuels seniors, vous en dira plus sur votre vrai ROI IA que tout votre tableau de bord d'utilisation des licences.
Notez le schéma commun aux quatre : aucun ne ralentit l'adoption. Ils déplacent la mesure là où le coût atterrit réellement.
Une décision pour ce trimestre
Votre reprise liée à l'IA n'est pas une erreur d'arrondi, et elle n'est pas invisible parce qu'elle est petite. Elle est invisible parce que votre instrumentation s'arrête au moment de la génération, et que le coût commence un bureau plus loin.
La question n'est donc pas de savoir si votre IA crée de la valeur. Elle est plus étroite et bien plus soluble : dans vos deux workflows inter-équipes à plus fort volume, qui corrige aujourd'hui — et quelqu'un lui a-t-il déjà demandé combien de temps cela lui prend ?
Si vous ne pouvez pas nommer cette personne d'ici la fin de la semaine, vous n'avez pas un problème de ROI de l'IA. Vous avez un problème de mesure déguisé en ROI, et il continuera de vous dire exactement ce que vous voulez entendre tant que vous n'aurez pas déplacé le compteur de l'autre côté du passage de relais.
