77% des utilisateurs australiens de l’IA déclarent au moins une forme de botshitting : livrer un travail assisté par l’IA qu’ils n’ont pas suffisamment vérifié, qu’ils ne comprennent pas totalement ou qu’ils ne sauraient pas défendre avec assurance.
C’est le taux le plus élevé parmi les trois pays interrogés pour le Work AI Index 2026, contre 70% au Royaume-Uni et 64% aux États-Unis.
C’est aussi difficile à concilier avec les chiffres d’adoption de l’Australie.
90% des travailleurs numériques australiens utilisent l’IA au travail, au même niveau que le Royaume-Uni et devant les États-Unis. 72% disent qu’elle les rend plus productifs, et les travailleurs déclarent économiser environ 10 heures par semaine grâce à l’automatisation par l’IA.
Ils intègrent aussi davantage l’IA dans leur journée de travail :
- 54% se tournent vers l’IA avant d’essayer de résoudre un problème par eux-mêmes.
- 74% ont utilisé l’IA comme preneur de notes en réunion.
- 66% ont fait faciliter une réunion par l’IA.
- 58% ont envoyé un jumeau numérique en réunion à leur place.
L’Australie est allée plus vite que les États-Unis et a égalé le Royaume-Uni sur l’adoption globale. Sur l’impact organisationnel, elle arrive dernière.
Seuls 10% des travailleurs australiens disent que l’IA a nettement amélioré les performances de leur organisation, contre 12% aux États-Unis et 18% au Royaume-Uni.
Le Work AI Index 2026 : Australia, du Work AI Institute de Glean, a interrogé 1 500 travailleurs numériques australiens dans le cadre d’une étude mondiale menée auprès de 6 000 salariés à temps plein. Nous avons également échangé avec des dizaines de leaders de l’IA et analysé des interactions d’IA en entreprise, anonymisées et agrégées, issues de la plateforme d’IA d’entreprise de Glean.
Ce que nous avons constaté, c’est une main-d’œuvre qui a adopté l’IA plus vite que ses organisations n’ont changé la façon dont le travail s’organise autour d’elle.
L’IA s’est invitée dans le travail plus vite que le travail n’a changé
Adopter un outil d’IA peut se faire rapidement. Une organisation active une licence, approuve une plateforme ou donne aux employés accès à un nouvel assistant.
Faire évoluer le travail autour prend plus de temps.
Cela signifie décider quelles tâches l’IA doit prendre en charge, quel contexte elle doit avoir, comment ses résultats doivent être revus, qui reste responsable et ce que les employés doivent faire lorsque l’outil échoue.
Dans les organisations australiennes, ces systèmes sont encore en rattrapage :
- 57% des travailleurs disent que leur organisation fournit suffisamment de formation et de support sur l’IA.
- 59% disent que les workflows ont été repensés pour tirer parti de l’IA.
- 62% disent que la politique IA de leur organisation est régulièrement révisée.
- 9% disent que personne n’est principalement responsable de la supervision de l’usage de l’IA.
- 58% disent que des informations importantes dont ils ont besoin ne sont pas accessibles via leurs outils d’IA.
Dans de nombreux cas, l’IA a été ajoutée à un travail qui fonctionne encore à peu près comme avant. Les mêmes passations, validations, systèmes et lacunes d’information demeurent. L’IA peut produire une première réponse plus vite, mais l’employé doit toujours faire entrer cette réponse dans un processus qui n’a pas été conçu pour elle.
Le résultat, c’est un taux d’échec élevé. Les travailleurs australiens disent que 40% de leurs sessions d’IA nécessitent une reprise importante ou une remise à zéro complète.
Quand l’IA échoue si souvent, le travail de réparation retombe sur l’employé. Il fournit le contexte manquant, réécrit les prompts, vérifie les sources, corrige les erreurs, compare les résultats et reconstruit un travail qui semblait terminé avant d’être fiable.
Les travailleurs australiens consacrent en moyenne 6,5 heures par semaine à ce travail, que nous appelons botsitting. Cela représente 38% de leur temps lié à l’IA, plus que les 34% qu’ils passent à utiliser l’IA pour produire du travail.
Quand ce travail est laissé sans soutien, les travailleurs finissent par prendre des raccourcis. Le résultat avance sans une autre vérification. Une hypothèse fragile subsiste parce que l’échéance approche. Une réponse soignée semble suffisamment complète pour être envoyée.
C’est ainsi qu’une adoption rapide se transforme en botshitting.
Les plus grandes organisations australiennes ont davantage à démêler
Les chiffres d’adoption masquent aussi un défi structurel.
Bon nombre des plus grandes organisations australiennes ont été créées il y a plusieurs générations. L’entreprise moyenne de l’ASX 20 a environ 104 ans, d’après l’analyse réalisée pour l’Australian Work AI Index.
L’âge, à lui seul, n’est pas le problème. Ces organisations ont perduré parce qu’elles ont construit des institutions solides, une expertise approfondie et des processus capables de fonctionner malgré les changements économiques, réglementaires et technologiques.
Mais ces forces s’accompagnent de complexité.
Les organisations plus anciennes sont plus susceptibles de cumuler des couches de systèmes cœur de métier, des politiques accumulées,
des circuits de validation établis et des workflows qui relient plusieurs fonctions. Un changement dans une partie de l’organisation peut affecter des systèmes et des responsabilités ailleurs.
Comme l’a formulé Dominic Price, Partner chez Be Luminous et contributeur au rapport australien :
« L’Australie ne manque pas d’ambition en matière d’IA. Mais beaucoup de ses plus grandes entreprises portent bien plus d’héritage que leurs pairs mondiaux. »
Ajouter un outil d’IA dans cet environnement est bien plus simple que de reconfigurer l’organisation autour de lui.
Un nouvel assistant peut être capable de résumer un dossier client sans comprendre pourquoi un champ est systématiquement ignoré. Il peut récupérer le processus formel sans savoir quelle exception permet au travail d’avancer. Il peut rédiger une analyse sans accès au système où se trouvent les chiffres les plus à jour.
Les employés comblent alors l’écart entre la nouvelle technologie et l’organisation existante. Ils transportent l’information entre les systèmes, expliquent des règles non écrites et décident quelle partie du résultat peut être jugée fiable.
Ce travail peut donner l’impression, en surface, qu’un déploiement de l’IA est réussi, tandis que les employés absorbent la complexité sous-jacente.
Les Australiens tiennent toujours l’humain pour responsable
Un constat rend le taux de botshitting de l’Australie particulièrement intéressant.
Quand un travail généré par l’IA échoue, 49% des travailleurs australiens blâment la personne qui a utilisé l’outil. Seuls 22% blâment la machine, tandis que 29% ne savent pas qui est responsable.
À première vue, cela ressemble à un signe de forte responsabilisation. Si la personne reste responsable du résultat, on pourrait s’attendre à ce que le travail fasse l’objet d’une relecture plus attentive.
Mais l’Australie affiche aussi le taux de botshitting le plus élevé des trois pays étudiés. 44% des travailleurs australiens livrent parfois un travail assisté par l’IA qu’ils n’ont pas entièrement vérifié, et 45% déclarent livrer un travail qu’ils ne sauraient pas expliquer si on le leur demandait.
Cette contradiction met en évidence une distinction entre la responsabilisation en principe et la responsabilisation en pratique.
Les travailleurs peuvent estimer que l’humain doit assumer le résultat tout en évoluant dans un système qui rend difficile le maintien d’une relecture attentive. Les délais continuent de récompenser la vitesse. Le résultat de l’IA continue d’arriver bien présenté. L’employé a toujours plusieurs autres tâches en attente. La vérification peut être considérée comme sa responsabilité sans qu’on lui donne suffisamment de temps, de contexte ou de soutien pour bien la faire.
L’humain est tenu responsable après l’échec, mais le workflow fait peu pour l’aider à le prévenir.
C’est un problème d’exploitation, pas simplement un écart de jugement individuel.
Quand l’IA échoue, les travailleurs improvisent
La manière dont les travailleurs réagissent quand l’IA se trompe fournit un autre indice.
33% des travailleurs australiens disent qu’ils humanisent l’IA quand elle échoue. Ils disent s’il vous plaît, adoucissent leur ton, l’encouragent ou lui disent d’essayer plus fort. À titre de comparaison, c’est 24% aux États-Unis.
Les travailleurs australiens sont aussi moins susceptibles que leurs homologues américains d’utiliser plusieurs stratégies de correction pratiques, notamment reformuler la demande, ajouter du contexte, refaire le travail eux-mêmes ou passer à un autre outil.
Humaniser l’IA n’est pas intrinsèquement un problème. Un ton poli peut n’avoir aucun effet sur le fait que la réponse suivante soit meilleure ou pire.
Mais le schéma plus large suggère que de nombreux employés abordent l’échec de l’IA sans méthode fiable pour le diagnostiquer. Ils savent que la réponse n’est pas correcte, mais pas nécessairement pourquoi.
Le problème peut venir du prompt. Il peut s’agir d’une source manquante, d’informations obsolètes, d’une instruction peu claire ou d’une tâche pour laquelle l’outil n’est pas adapté. Sans formation pour distinguer ces types d’échecs, les travailleurs retombent sur une habitude familière de la collaboration humaine : encourager l’autre partie et réessayer.
Cette réaction devient encore plus compréhensible lorsque la bonne information n’est pas accessible à l’outil. 58% des travailleurs australiens disent que des informations critiques dont ils ont besoin ne sont pas accessibles via leurs systèmes d’IA, la part la plus élevée des trois pays interrogés.
Un employé peut demander plus poliment, simplifier l’instruction ou relancer le prompt. Aucun de ces changements n’aidera si l’IA ne peut pas accéder au plan de projet en cours, comprendre quelle prévision est définitive ou appliquer les définitions internes qui structurent la tâche.
Les travailleurs finissent par improviser autour d’un problème d’information qu’ils ne peuvent pas résoudre depuis la boîte de prompt.
L’Australie doit concevoir pour l’échec, pas seulement pour l’adoption
La prochaine phase de l’adoption de l’IA exige plus que d’apprendre aux collaborateurs à utiliser un outil quand tout se passe bien.
Les collaborateurs doivent aussi savoir comment reconnaître un échec et s’en remettre. Cela signifie développer quatre capacités autour de la technologie.
Repenser les workflows autour de ce que l’IA change
L’IA ne devrait pas être ajoutée à chaque étape existante sans reconsidérer si ces étapes ont encore du sens.
Les organisations doivent cartographier où l’IA intervient dans le travail, quels transferts elle modifie, quel nouveau contrôle est requis, et où se situe la responsabilité lorsque, à la fois, une personne et un système contribuent au résultat.
L’objectif n’est pas de préserver chaque processus d’avant l’IA. Il s’agit de supprimer les étapes qui n’apportent plus de valeur tout en protégeant le discernement, l’expertise et les contrôles dont le travail a toujours besoin.
Donner à l’IA le contexte de l’entreprise, pas seulement l’accès aux données
Connecter l’IA à davantage de systèmes ne suffit pas. Elle doit distinguer les informations actuelles des versions obsolètes, les sources faisant autorité des brouillons de travail, et le contexte pertinent de tout ce qu’elle pourrait récupérer.
Cette distinction a des conséquences mesurables. En Australie, les collaborateurs des organisations dotées d’une IA riche en contexte sont :
- 53% moins susceptibles de se sentir épuisés par l’IA.
- 45% moins susceptibles de livrer un travail qu’ils ne peuvent pas expliquer.
- 47% moins susceptibles d’utiliser des outils non approuvés.
Un meilleur contexte ne supprime pas la relecture humaine. Il réduit la reconstruction répétitive qui consomme le temps des collaborateurs avant qu’une relecture pertinente puisse commencer.
Former les personnes à diagnostiquer ce qui n’a pas fonctionné
La formation se concentre souvent sur l’accès, le prompting et les usages approuvés. Ces compétences comptent, mais elles ne préparent pas les collaborateurs aux 40% de sessions qui échouent.
Les collaborateurs ont besoin de moyens concrets pour identifier si le problème vient d’un contexte manquant, d’une mauvaise qualité des sources, d’un modèle inadapté, d’une tâche mal cadrée ou d’un workflow qui nécessite toujours une prise en charge humaine.
Ils doivent aussi savoir quand un autre prompt a peu de chances d’aider.
La maîtrise de l’IA inclut savoir comment réparer une interaction qui a échoué et quand arrêter de s’appuyer sur l’outil.
Rendre la responsabilité visible
La gouvernance de l’IA doit répondre aux questions que les collaborateurs rencontrent pendant le travail :
- Qui peut approuver un livrable assisté par l’IA ?
- Quelles tâches nécessitent une vérification des sources ?
- Quand un agent peut-il agir sans une autre relecture ?
- À qui appartient le résultat lorsque plusieurs personnes et outils ont contribué ?
- Où un collaborateur doit-il se tourner lorsque le système approuvé ne peut pas accomplir la tâche ?
Une politique révisée régulièrement est importante. Tout comme le fait d’avoir quelqu’un clairement responsable de l’usage de l’IA. Mais ces structures doivent se traduire en décisions que les collaborateurs peuvent prendre pendant que le travail se fait.
L’impact doit être conçu
L’adoption rapide de l’Australie reste un avantage. Ses collaborateurs sont prêts à expérimenter, à intégrer l’IA dans des workflows à enjeux, et à repenser la part de leur travail que la technologie pourrait prendre en charge.
Mais la vitesse ne devient un avantage que lorsque l’organisation peut l’absorber.
À l’heure actuelle, ce sont les collaborateurs qui font une grande partie de cette absorption eux-mêmes. Ils reconstruisent le contexte manquant, réparent les sessions qui ont échoué, concilient l’IA avec des processus existants, et décident seuls quand une réponse est suffisamment bonne pour avancer.
La prochaine phase consiste à déplacer cette charge de l’improvisation individuelle vers la façon dont le travail est conçu.
L’Australie n’a pas besoin de ralentir. Elle a besoin de la formation, du contexte, de la gouvernance et des workflows qui permettent à une adoption rapide de produire un travail auquel les personnes peuvent faire confiance.
L’adoption peut se diffuser par l’enthousiasme. L’impact doit être conçu.
Lire le Work AI Index 2026 : Australia en entier pour comprendre où vont les gains de l’IA en Australie et ce que les organisations peuvent construire autour de la technologie pour les rendre durables
