Les collaborateurs qui utilisent l'IA déclarent gagner environ 11 heures par semaine — plus d'un quart de la semaine de travail — et pourtant seuls 13 % affirment que leur organisation est nettement plus performante grâce à elle (Glean Work AI Index, 2026). Placez ces deux chiffres côte à côte. Le gain de temps est réel et important. Le résultat business est presque absent. Cet écart est le constat le plus important de l'année sur la productivité de l'IA, et ce n'est pas une erreur de mesure. C'est là que partent les heures.
Elles partent dans quelque chose que les chercheurs de Glean ont baptisé : le botsitting. Dans une enquête menée auprès de 6 000 travailleurs numériques à temps plein aux États-Unis, au Royaume-Uni et en Australie — réalisée avec des chercheurs de Stanford, UC Berkeley et Harvard — les répondants déclarent consacrer en moyenne 6,4 heures par semaine à superviser, corriger, reformuler les prompts et nettoyer le travail de leurs outils d'IA (Glean / BusinessWire, 2026). C'est presque une journée de travail entière, chaque semaine, passée à faire du baby-sitting à l'outil censé restituer cette journée. Pour un Head of Operations, le titre n'est pas « l'IA fait gagner 11 heures ». C'est « l'IA fait gagner 11 heures et vous en facture discrètement 6 — et vous ne comptabilisez probablement ni les unes ni les autres ».
Le chiffre qui devrait vous arrêter : 11 heures en entrée, 13 % en sortie
La plupart des analyses de rentabilité de l'IA reposent sur le premier chiffre et supposent en silence le second. La promesse, ce sont des heures gagnées par licence, multipliées par les effectifs, comptabilisées comme capacité libérée. Le Work AI Index brise cette arithmétique en une ligne : 75 % des travailleurs du savoir affirment que l'IA augmente leur productivité, mais seuls 13 % déclarent qu'elle a nettement amélioré la performance de leur entreprise (CIO Dive, 2026). La productivité individuelle est ressentie de façon quasi universelle. La performance organisationnelle bouge pour environ une entreprise sur huit.
La tentation est de lire ces 13 % comme un problème d'adoption — pas assez de licences, pas assez de formation, donnez-lui encore un trimestre. Les données indiquent le contraire. L'adoption est déjà élevée ; la productivité ressentie est déjà là. Ce qui manque, c'est la conversion du gain de temps individuel en travail que l'organisation peut réellement utiliser. Les heures sont gagnées au bureau et perdues dans le système. Un Head of Operations qui finance la prochaine tranche de licences sur la foi du chiffre des 11 heures achète davantage de l'intrant qui ne se convertit déjà pas.
C'est la discipline qu'impose ce chiffre : cesser de mesurer l'IA par les heures que les individus déclarent avoir gagnées, et commencer à la mesurer par le travail que l'organisation a livré et qu'elle n'aurait pas pu livrer auparavant. La première mesure est auto-déclarée et flatteuse. La seconde est la seule que votre compte de résultat verra jamais.
Ce qu'est vraiment le « botsitting »
Le botsitting, c'est le travail ingrat consistant à rendre utilisable la sortie d'une IA : lui fournir le contexte qui lui manque, vérifier ses réponses, corriger ses erreurs, relancer les prompts, basculer entre les systèmes pour assembler ce qu'elle n'a pas su assembler, et réécrire le contenu assuré-mais-faux qu'elle produit. La formule de Glean est sans détour — pour chaque heure qu'un employé passe à obtenir une sortie utile de l'IA, il en passe une autre à la rendre utilisable (CIO Dive, 2026). À 6,4 heures par semaine, le botsitting consomme environ 37 % du temps total consacré à l'IA, soit un peu plus que le temps que les travailleurs passent réellement à utiliser l'IA pour produire (AIwire, 2026).
Le coût ne se limite pas aux heures perdues. C'est ce qui se passe quand les gens cessent de les payer. Le rapport nomme un second comportement — le botshitting — livrer du travail généré par l'IA que l'employé n'a pas réellement vérifié. L'indicateur d'alerte précoce se trouve dans le taux de vérification : seuls 69 % des travailleurs déclarent vérifier les recommandations de l'IA (CIO Dive, 2026). Lisez cela comme un registre des risques opérationnels, pas comme une curiosité. Environ trois sorties d'IA sur dix entrent dans votre production sans contrôle humain. Certaines sont correctes. D'autres sont les réponses assurées-mais-fausses que le botsitting existe pour intercepter, qui s'écoulent désormais directement dans un livrable client, une prévision ou un document de conformité. Les heures que votre équipe économise en ne faisant pas de botsitting ne disparaissent pas ; elles se convertissent en reprises latentes et en risque d'erreur qui ressurgissent plus tard, plus en aval et de façon plus coûteuse.
Pourquoi plus de licences et plus de formation aux prompts ratent la cible
Les réactions instinctives à un déploiement d'IA décevant sont d'acheter plus de licences ou de former les gens à mieux formuler leurs prompts. Toutes deux ratent ce que le Work AI Index identifie comme la contrainte déterminante. Le titre même du rapport le dit : le manque de contexte ronge les gains (Glean / BusinessWire, 2026). Le goulot d'étranglement n'est pas l'habileté avec laquelle un travailleur formule sa demande. C'est de savoir si l'IA peut atteindre les informations dont elle a besoin pour bien répondre — les documents, les systèmes de référence, le savoir institutionnel enfermé dans des outils auxquels elle n'a jamais été connectée.
Cela reformule tout le problème. Un rédacteur de prompts parfaitement formé interrogeant une IA incapable de voir les données pertinentes obtiendra quand même une réponse superficielle, générique ou fausse — puis passera l'heure de botsitting à reconstruire à la main le contexte que l'outil n'a pas pu atteindre. De meilleurs prompts ne comblent pas un déficit d'accès ; ils ne font que produire des demandes plus articulées dans le même vide. Plus de licences multiplient la même contrainte sur plus de personnes. Le levier que pointe l'enquête est en amont des deux : l'architecture de l'information : quelles données et quels systèmes votre IA est réellement autorisée et capable d'aller chercher.
L'habileté aux prompts est un problème du travailleur. L'accès au contexte est un problème opérationnel.
Cette distinction compte parce qu'elle déplace la responsabilité. Si le goulot d'étranglement était l'habileté aux prompts, la solution incomberait aux travailleurs individuels et à la formation. Comme le goulot d'étranglement est l'accès au contexte, la solution incombe à qui gouverne la façon dont les systèmes se connectent et ce que l'IA est autorisée à lire — c'est-à-dire les opérations et l'IT, pas l'utilisateur final. Le travail de cartographier les sources de données, de démanteler les silos et d'ancrer l'IA dans un véritable contexte d'entreprise est exactement le type de plomberie inter-systèmes qu'un Head of Operations gouverne et qu'un atelier de prompt engineering ne peut pas toucher. Les entreprises qui prennent de l'avance, note le rapport, sont celles qui ancrent l'IA dans un contexte d'entreprise authentique et la mesurent à l'aune des résultats business plutôt que du nombre de licences.
L'exposition du mid-market
Cela frappe le plus durement l'entreprise de 100 à 500 salariés, et ce n'est pas un hasard. Les grands groupes disposent de budgets d'intégration de données, d'équipes de plateforme internes et d'une fonction de gouvernance dont le rôle est de connecter les systèmes. Le mid-market gère une pile plus mince : davantage d'outils ponctuels déconnectés, moins de responsables de l'intégration et un déploiement d'IA acheté comme des licences plutôt que construit comme une infrastructure. La taxe du botsitting est régressive — elle pèse le plus lourdement sur les organisations les moins équipées pour la voir, parce qu'elles ont le moins d'instrumentation pour remarquer les 6 heures par semaine qui fuient de l'agenda de chaque utilisateur d'IA.
Pour une structure de 200 salariés, l'exposition s'accumule en silence. Achetez 150 licences d'IA, célébrez les 11 heures que chacun déclare économiser, et comptabilisez un chiffre dépassant 1 600 heures par semaine de « capacité libérée » qui n'apparaît jamais dans le rendement. Pendant ce temps, ces mêmes 150 personnes absorbent près de 1 000 heures par semaine de botsitting non comptabilisé, et environ un tiers de leur production d'IA est livrée sans vérification. Rien de tout cela n'est sur un tableau de bord, parce que le déploiement a été pensé comme un achat de productivité, pas comme un changement opérationnel. La première fois que cela devient visible, c'est quand la capacité libérée ne se matérialise pas et que quelqu'un demande où est passé le ROI de l'IA.
L'audit avant la prochaine licence
Le mouvement à plus fort levier pour ce trimestre n'est pas un nouvel outil ni un contrat plus gros. C'est un audit de ce que votre IA peut réellement atteindre — réalisé avant de financer la prochaine licence, pas après. Trois étapes concrètes.
Cartographiez l'accès au contexte par rapport à votre travail réel. Pour la poignée de tâches où vous voulez le plus de levier de l'IA, posez une question littérale : l'outil peut-il aller chercher les documents, les enregistrements et les systèmes qu'un humain compétent consulterait pour bien le faire ? Partout où la réponse est non, vous avez localisé un générateur de botsitting — un endroit où l'outil produira une réponse faible et où une personne passera une heure à reconstruire le contexte à la main. Ce sont ces lacunes, pas vos modèles de prompts, le vrai backlog.
Instrumentez le botsitting et la vérification comme des métriques permanentes. Vous ne pouvez pas piloter un coût de 6,4 heures par semaine que vous ne mesurez pas. Posez à vos utilisateurs d'IA deux questions de façon récurrente : combien de temps part en correction, reformulation des prompts et assemblage autour de l'outil, et quelle part de la production d'IA atteint le livrable sans contrôle humain. Le premier chiffre est votre ligne de travail caché. Le second est votre risque d'erreur. Suivez les deux, et la conversation sur le ROI de l'IA passe de l'anecdote à l'instrumentation.
Conditionnez le prochain achat au contexte, pas à la demande de licences. Avant d'approuver plus de licences, exigez une réponse : qu'avons-nous changé à l'accès aux données depuis la dernière tranche ? Si rien, plus de licences reproduiront le même échec de conversion à un coût supérieur. Connecter un système de référence de plus à vos licences existantes rapportera, sur la foi de ces données, davantage que doubler les licences sur la même pile déconnectée.
C'est là que l'intelligence des talents et des opérations cesse d'être une catégorie d'outils pour devenir une pratique opérationnelle. Chez Scovai, le fil conducteur de tout notre travail est que les décisions doivent reposer sur un signal objectif et traçable — et un déploiement d'IA ne fait pas exception. Un outil ancré dans le contexte dont votre travail a réellement besoin restitue des heures nettes. Un outil privé de ce contexte restitue le même travail, ré-étiqueté en supervision.
La décision de ce trimestre
Voici l'unique décision à prendre avant la clôture du trimestre, et elle ne coûte que de l'honnêteté. Prenez votre déploiement d'IA et répondez à une question : le mesurons-nous par les heures que les individus déclarent avoir gagnées, ou par le travail que l'organisation a livré et qu'elle n'aurait pas pu livrer auparavant ? Si c'est la première option, vous suivez le chiffre des 11 heures qui flatte et ignorez le chiffre des 6,4 heures qui facture. Changez la mesure, menez l'audit de l'accès au contexte, et mettez le botsitting et la vérification sur un tableau de bord avant d'approuver une licence de plus. Les entreprises qui traitent l'IA comme un achat fondé sur le nombre de licences continueront de se demander pourquoi la productivité ressentie n'atteint jamais le compte de résultat. Celles qui la traitent comme un problème d'architecture de l'information trouveront les heures qu'on leur avait promises — et cesseront de payer la taxe qu'elles ne voyaient pas.
