Associez 1 258 personnes à des agents IA, faites-leur produire 7 266 annonces display, puis faites noter le résultat par 1 168 évaluateurs indépendants. La pire combinaison de tout le dispositif n'était ni un modèle faible ni un utilisateur mal formé. C'étaient les humains extravertis travaillant avec une IA consciencieuse (Ju & Aral, PNAS, 2026).
Consciencieuse. Le trait vers lequel chaque fournisseur règle ses modèles par défaut — soigneux, rigoureux, concentré sur la tâche. Confié à la mauvaise personne, il a produit le travail de plus faible qualité de l'expérience.
C'est ce résultat que les équipes opérationnelles du mid-market devraient prendre au sérieux, car presque toutes ont fait le pari inverse : une seule persona d'assistant, configurée une fois, déployée à tout le monde. Cette étude est la première preuve causale à grande échelle que la persona elle-même est une variable de performance — et que la laisser au réglage par défaut du fournisseur est une décision, pas un état neutre.
Ce que l'expérience a réellement mesuré
Harang Ju (Johns Hopkins Carey Business School) et Sinan Aral (MIT Sloan, directeur de la MIT Initiative on the Digital Economy) ont mené une expérience randomisée préenregistrée : 1 258 participants ont été mesurés sur les traits du Big Five, puis associés aléatoirement à des agents IA invités à manifester, de façon indépendante, des niveaux élevés ou faibles de chacun de ces mêmes cinq traits (Ju & Aral, PNAS, 2026).
Les équipes disposaient de 40 minutes, d'un chat en temps réel et d'outils synchronisés d'édition de texte et d'image pour construire des annonces display destinées au rapport annuel d'un think tank réel. Production : 7 266 annonces. Ces annonces ont ensuite été notées sur la qualité du texte et de l'image par 1 168 évaluateurs indépendants (MIT Sloan / EurekAlert, 2026).
Vient ensuite la partie qui en fait plus qu'un résultat de laboratoire. Les chercheurs ont diffusé les annonces sur X pendant deux semaines — près de cinq millions d'impressions — en mesurant le taux de clic et le coût par clic. La qualité évaluée a prédit la performance sur le marché : une meilleure qualité de texte a augmenté le taux de clic d'environ 7 pour cent et réduit le coût par clic d'environ 30 centimes (MIT Sloan / EurekAlert, 2026).
Deux choix de conception méritent d'être soulignés, car ce sont eux qui distinguent ce travail des commentaires sur les personas d'IA déjà en circulation. Les niveaux de traits ont été attribués aléatoirement et modulés indépendamment, la comparaison ne porte donc pas sur des utilisateurs auto-sélectionnés d'outils différents : elle est causale. Et l'étude a mesuré les humains avec le même instrument Big Five utilisé pour instruire les agents, ce qui est précisément ce qui rend l'interaction estimable. La plupart des recherches de fournisseurs rapportent ce que les utilisateurs pensent d'une persona. Celle-ci rapporte ce que l'assortiment a fait au travail.
La chaîne causale est donc complète de bout en bout. L'assortiment des personas a déplacé la qualité. La qualité a déplacé l'argent.
Le tableau des assortiments : quelles combinaisons ont aidé, lesquelles ont nui
Les résultats ne se résument pas à « associer le semblable au semblable », ce que presque tout le monde suppose avant de les lire.
Les assortiments les plus forts ont été : humains extravertis avec IA extravertie, humains consciencieux avec IA consciencieuse, et humains ouverts avec IA consciencieuse — ce dernier étant un complément, non un miroir (MIT Sloan / EurekAlert, 2026).
Les assortiments qui ont significativement dégradé la qualité, dans l'ordre donné par l'article :
- Humains extravertis + IA consciencieuse — la plus faible qualité de l'étude
- Humains consciencieux + IA agréable (agreeable)
- Humains névrotiques + IA consciencieuse
Relisez la deuxième ligne
L'IA consciencieuse apparaît dans deux des trois pires assortiments et dans deux des trois meilleurs. Il n'existe pas, dans ces données, de persona bonne dans l'absolu. Un agent consciencieux confié à une personne consciencieuse figurait parmi les meilleures combinaisons disponibles ; le même agent confié à un extraverti était la pire. Configuration identique, résultat inverse, entièrement déterminé par celui qui l'a reçue.
Et observez ce que la deuxième ligne fait à la réponse standard des fournisseurs. L'IA agréable — serviable, accommodante, qui ne contredit jamais — a dégradé la production des personnes consciencieuses. La persona la plus optimisée pour la satisfaction de l'utilisateur s'est révélée activement nuisible pour la population la plus susceptible d'effectuer votre travail le plus rigoureux.
Pourquoi une persona unique à l'échelle de l'organisation est une taxe silencieuse sur la performance
Voici la traduction opérationnelle, et elle est inconfortable précisément parce que la corriger ne coûte rien et que personne ne la mesure.
Lorsque vous déployez une configuration d'assistant unique auprès de 300 personnes, vous ne menez pas un déploiement neutre. Vous menez une expérience non randomisée dans laquelle une fraction de vos effectifs a reçu l'assortiment que cette étude a identifié comme produisant les pires résultats — et ni eux ni vous ne disposez d'un instrument capable de le détecter. L'échec se manifeste par des brouillons légèrement plus faibles, un peu plus de reprises, un sentiment diffus dans certaines équipes que l'outil « n'est pas si utile ». Il n'apparaît jamais comme une ligne budgétaire.
Ces reprises atterrissent à l'endroit le plus coûteux. La décomposition des coûts de McKinsey QuantumBlack pour les flux de travail agentiques bancaires situe la dépense en tokens à 20 à 25 pour cent du coût variable d'exécution d'un agent, et la supervision humaine par des experts métier et risque à 70 à 75 pour cent (McKinsey QuantumBlack, 2026). Dans cette structure, la qualité de production n'est pas une métrique molle. Chaque point de qualité perdu à la génération est remboursé au tarif de la relecture, par le collaborateur senior qui effectue le contrôle.
Et le contrôle ne disparaîtra pas. Dans l'étude de MIT Technology Review Insights et Microsoft auprès de 300 dirigeants technologiques classant 101 tâches agentiques, 59 pour cent prévoient déjà une supervision humaine permanente, la confiance suivant la vérifiabilité de la tâche plutôt que la capacité brute du modèle (MIT Technology Review Insights, 2026).
Un mauvais assortiment de persona n'est donc pas une plainte sur l'expérience utilisateur. C'est un multiplicateur silencieux sur le plus gros poste de coût de votre pile d'IA.
La variance est déjà à l'intérieur du poste
Si vous voulez la preuve que cela est mesurable dans votre propre entreprise et pas seulement en laboratoire, elle existe déjà dans vos données d'adoption. Bick, Blandin, Deming et Schumacher, en reliant une enquête nationalement représentative à des tâches O*NET détaillées, ont constaté que les mesures d'exposition à l'IA générative n'expliquent qu'environ la moitié de la variation de l'adoption entre travailleurs — des personnes occupant le même poste, avec les mêmes outils, adoptent de façon systématiquement différente (NBER Working Paper 35677, 2026).
La moitié de la variance se situe à l'intérieur du poste, et non entre les postes. La plupart des équipes ops classent cela sous motivation ou formation. Le résultat PNAS propose une explication moins flatteuse et plus actionnable pour une partie de ce phénomène : l'outil est configuré pour une personne qui n'est pas celle qui l'utilise.
Ce recadrage change ce que vous faites d'un groupe à faible adoption. Envoyer une énième session d'accompagnement à une équipe qui obtient discrètement de moins bons résultats de l'agent par défaut ne traite pas la cause — cela ajoute des heures à des personnes dont les brouillons reviendront de toute façon avec plus de reprises que ceux de leurs collègues.
L'objection honnête
Trois limites, et elles comptent.
La tâche était la création publicitaire, pas les opérations. Des sessions créatives de quarante minutes produisant des annonces display ne sont pas votre clôture trimestrielle, votre onboarding fournisseurs ou votre tri de tickets. Que l'assortiment de personnalités ait déplacé la qualité dans une tâche créative est un résultat ; qu'il la déplace dans vos flux de travail est une inférence. Traitez-le comme une hypothèse forte à tester, non comme un fait acquis.
Les auteurs ont une position commerciale. Ju et Aral ont cofondé Pairium, qui construit et distribue la plateforme d'expérimentation Pairit utilisée dans l'étude (Ju & Aral, PNAS, 2026). Le travail est préenregistré et évalué par les pairs dans PNAS, ce qui limite les défaillances les plus évidentes — mais les chercheurs qui détiennent le résultat vendent aussi le remède, et cela fait partie de votre lecture.
Assortir tout le monde parfaitement a son propre coût. Des travaux de la même littérature constatent que des personas d'IA diversifiées atténuent l'effet d'homogénéisation dans l'idéation collaborative humain-IA (Wan & Kalman, 2026). Optimisez chaque assortiment pour la qualité individuelle de la production et vous risquez de comprimer la variance dans la pensée de vos équipes — de meilleurs brouillons, des brouillons plus semblables. Si votre fonction a besoin d'amplitude plutôt que de finition, ce compromis est réel.
Rien de tout cela ne sauve le statu quo. La configuration par défaut n'est pas une protection contre ces limites ; c'est la seule option dont on est certain qu'elle sera mauvaise pour une partie de vos effectifs, sans aucune donnée vous indiquant laquelle.
Que décider ce trimestre
Quatre actions, aucune n'exigeant de nouvelles dépenses fournisseur.
- Cessez de traiter la persona comme une configuration informatique. Le system prompt de l'assistant est un paramètre de performance aux effets mesurés sur la qualité de production. Celui qui pilote l'adoption de l'IA en est propriétaire — et doit justifier le réglage actuel.
- Menez un test d'assortiment sur une fonction qui produit déjà un résultat notable. Contenu, réponses support, analyse de premier jet. Deux personas, attribuées aléatoirement, un trimestre, notations de qualité en aveugle. Vous répliquez un protocole publié à petite échelle, et c'est la recherche la moins chère que vous commanderez jamais.
- Regardez de plus près vos extravertis et vos collaborateurs à forte névrosité occupant des postes à fort volume. Ce sont les deux profils humains que l'étude signale face à l'agent consciencieux par défaut. Si une personne manifestement compétente tire discrètement peu de l'outil, le mauvais assortiment devient une hypothèse vivante plutôt qu'un problème de formation.
- Proposez le choix de la persona avant de construire l'attribution de persona. Une allocation complète fondée sur les traits exige des données de personnalité que la plupart des entreprises du mid-market ne détiennent pas et ne souhaitent peut-être pas détenir. Deux ou trois profils d'assistant sélectionnables captent une partie de l'effet sans aucune exposition en matière de gouvernance.
L'assortiment de personnalités avec l'IA est désormais une variable mesurée, assortie d'un prix. Vous la réglez déjà — une fois, globalement, en acceptant ce que le fournisseur a livré.
La question de ce trimestre n'est pas de savoir si la persona compte. PNAS y a répondu. C'est de savoir si vous continuerez à trancher par défaut, pour tout le monde, avant d'imputer le résultat au modèle.
