La Banque centrale européenne a demandé à environ 20 000 travailleurs par mois, dans 11 pays de la zone euro, combien de temps l'IA leur faisait gagner. L'utilisateur médian a répondu trois heures par semaine — soit environ 7,7 % du temps de travail médian. Puis la BCE a fait ce que presque aucune présentation commerciale ne fait : elle a divisé par tout le monde. Comme seuls 48,8 % des travailleurs utilisent l'IA et y gagnent du temps, le gain d'efficacité à l'échelle de l'économie se rapproche de 3,8 % (BCE, 2026).
Même enquête. Mêmes répondants. Deux chiffres, séparés par un facteur proche de deux.
Votre business case sur la productivité de l'IA repose presque certainement sur le premier. C'est là l'erreur, et ce n'est pas une erreur d'arrondi : c'est une erreur de dénominateur, et elle détermine si les heures promises au directeur financier se matérialiseront un jour.
Ce que la BCE a réellement mesuré
Les données proviennent de la Consumer Expectations Survey de la BCE, un panel mensuel d'environ 20 000 personnes dans 11 pays de la zone euro — un instrument portant sur la population générale, pas sur une liste de clients d'un éditeur. Cela compte, car il capte ceux qui ont essayé l'IA puis abandonné, et ceux qui n'ont jamais commencé. La plupart des données sur la productivité de l'IA que vous voyez ne le font pas.
La tendance d'adoption est réellement forte. La part des travailleurs utilisant l'IA au travail est passée de 26 % en 2024 à 41 % en 2025, puis 52 % en 2026, et les utilisateurs déclarent y recourir environ trois jours par semaine. L'adoption est inégale, comme on pouvait s'y attendre : 61 % chez les travailleurs très diplômés contre 37 % chez ceux ayant un niveau d'études plus faible, les plus jeunes devançant leurs collègues plus âgés d'environ 20 points de pourcentage.
Mais une fois entrés, les usages convergent. Les moyennes par groupe d'utilisation hebdomadaire se situent entre 2,5 et 2,9 jours, quels que soient l'âge ou le diplôme (BCE, 2026).
Gardez cette forme en tête, car elle définit votre levier. La variance dans votre organisation ne tient pas principalement à l'intensité d'usage de vos adoptants. Elle tient au nombre de personnes qui sont effectivement des adoptants.
Le dénominateur, c'est tout l'argument
Voici l'arithmétique que votre business case effectue implicitement.
Les fournisseurs citent des gains par utilisateur — les trois heures, les 7,7 %. La finance multiplie par l'effectif. Le chiffre obtenu décrit une organisation où tout le monde utilise l'outil et où tout le monde y gagne du temps. Les données de la BCE indiquent qu'environ la moitié des effectifs appartient à cette population.
La BCE est également prudente sur un point qu'il vaut la peine de répéter à quiconque construit le modèle : le temps gagné ne devient productivité que si les heures libérées sont converties en production, et cette conversion dépend de la capacité de l'employeur à employer ce surcroît de capacité. Des heures gagnées qui atterrissent dans un agenda sans demande derrière ne sont pas un gain. C'est de la capacité inutilisée.
Pour l'ordre de grandeur, la BCE note que les estimations actuelles de croissance annuelle supplémentaire de la productivité liée à l'IA sur dix ans vont de 0,1 % à 3,4 %, et que la propre estimation de la BCE pour la zone euro est d'environ 0,35 point de pourcentage par an. Si votre dossier interne implique un saut d'un ordre de grandeur au-dessus, la charge de la preuve vous incombe, pas aux économistes.
Le même écart, mesuré aux États-Unis
S'il ne s'agissait que d'une enquête dans une seule union monétaire, vous pourriez la relativiser. Ce n'est pas le cas.
Alexander Bick, Adam Blandin et David Deming, avec la Federal Reserve Bank of St. Louis, ont mené des enquêtes représentatives à l'échelle nationale sur l'usage de l'IA générative aux États-Unis et ont trouvé un gain de temps moyen de 5,2 % des heures travaillées chez les utilisateurs — environ 2,1 heures pour une semaine de 40 heures — mais de 1,4 % du total des heures une fois les non-utilisateurs inclus. Le gain de productivité agrégé estimé par leur modèle pour l'usage actuel : 1,2 % (Bick, Blandin & Deming, 2024).
Deux continents, deux méthodologies, deux ans d'écart. Les deux trouvent un chiffre par utilisateur qui paraît transformateur et un chiffre ajusté de la participation qui paraît incrémental. Le rapport entre les deux n'est pas du bruit. C'est la forme du phénomène.
Le rendement est là où l'usage ne l'est pas
Le deuxième résultat des données de la BCE est celui qui devrait changer ce que vous faites lundi, pas seulement ce que vous croyez.
Les gains d'efficacité varient fortement selon les tâches, et les plus élevés ne viennent pas des usages les plus courants. Générer ou déboguer du code rapporte près de huit heures par semaine — mais seuls 8 % environ des travailleurs utilisent l'IA pour cela. L'analyse de données, l'automatisation des tâches routinières et la création de contenus audio ou visuels suivent le même schéma : rendement élevé, usage rare. Pendant ce temps, les usages les plus cités — recherche, collecte d'informations, rédaction et relecture — font gagner nettement moins (BCE, 2026).
Une réserve signalée par la BCE, que je répète : les répondants qui gagnent beaucoup de temps ont tendance à cocher davantage de tâches, ce qui gonfle mécaniquement les moyennes par tâche. Considérez le classement comme fiable et les heures absolues comme généreuses.
Même corrigé, ce classement est actionnable. La plupart des organisations ont passé deux ans à promouvoir l'adoption des usages à faible rendement parce qu'ils sont les plus faciles à démontrer en formation. Les usages à fort rendement exigent un accès aux systèmes, aux données et au code — c'est un problème de droits et d'intégration, pas d'enthousiasme.
Pourquoi l'autre moitié ne suit pas
La BCE a interrogé directement les non-utilisateurs, et les réponses ne sont pas celles que supposent la plupart des plans de déploiement.
Un tiers déclare que l'IA n'est pas pertinente pour ses tâches actuelles. D'autres préfèrent les méthodes existantes, sont freinés par des inquiétudes sur l'exactitude et la fiabilité, ou indiquent que leur employeur n'a pas fourni les outils. Et 41 % n'expriment tout simplement aucun intérêt pour la technologie — dont 34 % des managers. Interrogés sur ce qui les ferait changer d'avis, environ la moitié cite une meilleure formation et une meilleure compréhension de l'utilité réelle de l'IA.
Côté offre, environ la moitié des entreprises prévoit d'investir dans la formation à l'IA au cours des 12 prochains mois, selon l'enquête SAFE de la BCE — ce qui signifie qu'environ la moitié ne le prévoit pas.
Le sentiment évolue aussi dans le mauvais sens : la part des travailleurs ayant une opinion positive de l'IA est passée de 43 % à 41 % en un an (BCE, 2026).
Voilà votre taux de participation, décrit mécaniquement. Ce n'est ni un mystère ni un déficit de motivation. Environ un tiers de vos non-utilisateurs identifient correctement le fait que l'IA n'aide pas sur leurs tâches actuelles — et seule une refonte de ces tâches, pas une licence, change cela.
Le contre-argument honnête : ce sont des déclarations
Maintenant la réserve qui affaiblit mon propre argument, parce que mieux vaut l'entendre de moi que de votre directeur financier.
Tous les chiffres ci-dessus sont déclarés par les travailleurs. Personne n'a tenu de chronomètre. Et dans le seul cadre où les gains d'IA autodéclarés ont été confrontés directement à des gains mesurés, les déclarations ont lourdement perdu.
L'essai contrôlé randomisé de METR sur des développeurs open source expérimentés a montré qu'avec les outils d'IA de début 2025, ils mettaient 19 % de temps en plus — tout en croyant avoir été accélérés. L'enquête de suivi de METR auprès de 349 travailleurs techniques chiffre ce biais : dans leur étude de début 2025, les participants ont surestimé l'effet de l'IA sur leur temps passé de 40 points de pourcentage en moyenne (METR, 2026).
La lecture honnête est donc que 3,8 % à l'échelle de l'économie pourrait être la borne optimiste de la fourchette, pas la borne pessimiste. Le chiffre par utilisateur n'est pas seulement dilué par la non-participation : il peut être gonflé à la source.
Il existe une vérification au niveau des entreprises. L'enquête McKinsey State of AI 2026 montre que la part des répondants attribuant à l'IA au moins un impact sur l'EBIT est pratiquement inchangée d'une année sur l'autre, à 37 %, les AI high performers stagnant autour de 6 % (McKinsey, 2026). L'adoption se cumule. L'impact financier déclaré, non. C'est exactement la signature attendue si les heures par utilisateur sont réelles mais ni universelles ni converties.
Rien de tout cela ne signifie que l'IA ne fait rien gagner. Cela signifie que le chiffre inscrit dans le business case doit être construit, pas cité.
Reconstruire le business case de la productivité de l'IA : participation × rendement par tâche
Remplacez la multiplication par utilisateur par une estimation à trois termes. Cela prend un après-midi et cela résiste au contact de la finance.
- Mesurez la participation, pas les licences. Comptez les personnes qui ont utilisé l'IA pour leur travail la semaine dernière et déclarent avoir gagné du temps — la construction des 48,8 % de la BCE, appliquée à votre effectif. Les sièges achetés sont un indicateur d'approvisionnement ; ce n'est pas un dénominateur.
- Pondérez par tâche, pas par département. Estimez séparément les heures gagnées sur le travail à fort rendement (génération et débogage de code, analyse de données, automatisation de tâches routinières) et sur le travail à forte fréquence (recherche, rédaction, relecture). Ne les fondez pas dans une moyenne unique — c'est le mélange qui masque l'opportunité.
- Appliquez un facteur de conversion. Décidez explicitement quelle part des heures libérées devient production plutôt que capacité inutilisée, et nommez la demande que ces heures absorberont. Si vous ne pouvez pas la nommer, le facteur de conversion est nul et il faut le dire.
Puis tranchez le choix stratégique que posent réellement les données de la BCE, une fois pour toutes plutôt que par dérive : élargir la participation ou approfondir le rendement. Élargir signifie aller chercher les 41 % de désintéressés — lent, culturel, filtré par les managers, et frontalement bloqué par le tiers de travailleurs pour qui les outils ne conviennent réellement pas aux tâches d'aujourd'hui. Approfondir signifie orienter l'IA vers les 8 % de travail à fort rendement, ce qui exige un accès aux données et une intégration des systèmes, mais ne rencontre aucune résistance motivationnelle.
La plupart des équipes opérationnelles du mid-market ont fait une version diluée des deux et ont appelé cela un déploiement. Choisissez-en une pour les deux prochains trimestres. Instrumentez-la. Présentez au conseil le chiffre ajusté de la participation, à côté du chiffre par utilisateur, et laissez l'écart entre les deux faire l'argumentation.
Ce qu'il faut décider ce trimestre
La BCE vous a donné le même résultat deux fois, à deux altitudes : trois heures par semaine pour la personne, 3,8 % pour l'économie. Les deux sont vrais. Un seul se fera sentir dans votre compte de résultat.
Avant la clôture du trimestre, sortez votre taux de participation réel — a utilisé l'IA pour travailler la semaine dernière et y a gagné du temps — et placez-le sur la même diapositive que les heures par utilisateur sur lesquelles repose votre business case de productivité de l'IA. Si les deux chiffres sont très éloignés, vous n'avez pas un problème de productivité. Vous avez un dénominateur que vous n'avez jamais regardé.
