La plupart des personnes qui utilisent l’IA au travail disent qu’elle les rend plus productives, et elles ont raison. Les employés indiquent que l’automatisation par l’IA leur fait gagner environ 11 heures par semaine.
La question la plus difficile est alors de savoir où passent ces 11 heures. En moyenne, plus de la moitié de ce temps revient sous une autre forme.
Le Work AI Index 2026, du Work AI Institute de Glean, a regardé au-delà des gains de temps pour analyser le travail humain nécessaire pour rendre l’IA réellement utile. Nous avons interrogé 6 000 travailleurs numériques à temps plein — des personnes qui effectuent l’essentiel de leur travail sur un ordinateur ou via des outils numériques — aux États-Unis, au Royaume-Uni et en Australie, échangé avec des dizaines de responsables IA, et analysé des interactions IA en entreprise anonymisées et agrégées à partir de la platform Glean Work AI.
Ce que nous avons constaté, c’est que le temps rendu par l’IA est absorbé par le travail nécessaire pour la rendre exploitable. Et lorsque ce travail n’est pas reconnu, il modifie la manière dont les gens utilisent l’IA, d’une façon que la plupart des organisations ne voient jamais.
Le travail caché a un nom
En plus des 11 heures que les employés déclarent économiser grâce à l’automatisation par l’IA, ils consacrent en moyenne 6,4 heures par semaine au travail nécessaire pour rendre l’IA utile.
Nous appelons ce travail botsitting : donner à l’IA le contexte qui lui manque, vérifier ses résultats, corriger ses erreurs, relancer des prompts, et nettoyer les réponses fausses mais formulées avec assurance qu’elle laisse derrière elle.
Les employés consacrent légèrement plus de leur temps IA au botsitting qu’à l’utilisation de l’IA pour produire du travail :
- 37% est consacré au botsitting
- 36% est consacré à la production de travail avec l’IA
- 27% est consacré à l’apprentissage des outils et à la création d’agents
Pour chaque heure passée à obtenir une sortie utile de l’IA, ils passent environ une autre heure à la rendre exploitable.
Trois activités représentent l’essentiel de ce travail :
- Fournir du contexte à l’IA : 2,3 heures par semaine
- Superviser ses résultats : 2,2 heures par semaine
- Corriger les erreurs : 1,7 heure par semaine
Chacune reflète un écart entre ce que produisent les outils d’IA et ce que le travail exige réellement.
Fournir le contexte qui manque à l’IA
Les employés disent passer en moyenne 2,3 heures par semaine à fournir à l’IA le contexte dont elle a besoin pour accomplir une tâche.
Avant qu’un outil d’IA puisse produire quelque chose d’utile, l’employé peut devoir identifier le fichier le plus récent, expliquer l’audience, définir un acronyme interne, préciser si « T3 » correspond au trimestre fiscal ou au trimestre civil, ou indiquer quelle source doit être prioritaire.
Cela demande plus que de donner à l’IA accès à l’information. L’outil peut être capable de retrouver plusieurs prévisions sans savoir laquelle est définitive, ou de lire un document de processus sans comprendre le contournement que l’équipe utilise réellement. Ce sens se trouve dans les relations de l’organisation, ses normes et ses connaissances tacites — et souvent chez l’employé qui fait le travail. Tant que l’IA ne peut pas accéder à ce contexte et l’interpréter, les employés restent responsables de combler les manques.
Ajouter plus d’information ne résout pas nécessairement le problème. Lorsque l’IA ne peut pas distinguer ce qui est pertinent, actuel ou faisant autorité, davantage de contexte peut rendre la réponse moins ciblée plutôt que plus fiable.
Superviser et déboguer les résultats
Les employés disent passer encore 2,2 heures par semaine à superviser les résultats de l’IA et 1,7 heure à les déboguer.
Un résultat produit par l’IA peut sembler soigné, structuré et assuré tout en étant incomplet ou erroné. Quelqu’un doit vérifier les sources, contrôler les hypothèses et décider si la conclusion tient.
Lorsque ce n’est pas le cas, l’employé commence à dépanner : réécrire le prompt, ajouter du contexte, changer de modèle ou redémarrer la tâche.
36% des sessions d’IA nécessitent une reprise importante ou un redémarrage complet. Le débogage est aussi la forme la plus éprouvante de botsitting. Pour chaque tranche supplémentaire de 10% du temps IA passée à déboguer, les employés ont 40% de chances en plus de déclarer se sentir épuisés par l’IA.
Obtenir une première réponse est rapide. C’est le passage de cette réponse à un travail fiable qui consomme le temps.
Passer d’outils déconnectés les uns des autres
Ce coût s’amplifie lorsque les employés répètent le processus sur plusieurs outils.
77% des utilisateurs d’IA utilisent plusieurs outils au cours d’une semaine typique, et 33% en utilisent quatre ou plus. Lorsque la première réponse n’est pas suffisante, 60% relancent le même prompt sur un autre outil.
Chaque changement crée davantage de travail. L’employé doit réintroduire la tâche, recoller les entrées, expliquer l’objectif et comparer plusieurs réponses qui semblent tout aussi sûres d’elles tout en se contredisant. Les employés qui jonglent entre plusieurs outils ont 35% de chances en plus d’être des botsitters fréquents, c’est-à-dire qu’ils consacrent au moins 40% de leur temps IA à rendre l’IA exploitable.
L’employé devient la couche d’intégration, transportant contexte, données et intention d’un système à l’autre.
Pourquoi le botsitting reste invisible
Les organisations peuvent compter les licences d’IA, les prompts, les agents créés et le temps économisé. Elles ont beaucoup moins de visibilité sur le temps que les employés passent à corriger les résultats, reconstruire le contexte et nettoyer le travail en aval. Ce travail se fond dans la journée sans budget dédié, sans workflow ni responsable.
Cela aide à expliquer pourquoi ajouter davantage d’IA ne produit pas toujours de meilleurs résultats. Plus d’IA peut aussi signifier plus de résultats à relire, plus d’outils à concilier et plus d’erreurs à détecter pour les employés.
Tout le botsitting n’est pas mauvais.
La vérification, l’amélioration et le jugement font partie d’un usage responsable de l’IA. Une analyse à forts enjeux doit être vérifiée. Une recommandation doit refléter un contexte que le modèle ne pouvait pas connaître. Un expert doit remettre en question une réponse qui sonne juste mais repose sur une hypothèse fragile.
Le problème, c’est de laisser tout ce travail invisible, sans soutien, et entièrement à la charge des employés individuellement. Lorsque le volume de travail généré par l’IA augmente, mais que le temps, les effectifs et les attentes autour de la relecture restent les mêmes, une relecture rigoureuse devient plus difficile à maintenir. À terme, les gens commencent à abaisser le niveau d’exigence.
Quand le botsitting devient du botshitting
Le basculement se produit rarement d’un seul coup.
Une source n’est pas vérifiée, une affirmation paraît suffisamment plausible pour être conservée, ou un brouillon est envoyé avant que la personne responsable puisse l’expliquer. À mesure que ces lacunes s’accumulent, un travail qui aurait autrefois nécessité une nouvelle passe commence à sembler prêt à l’emploi.
C’est le botshitting : livrer un travail généré par l’IA qui n’a pas été suffisamment revu, n’est pas pleinement compris, ou ne pourrait pas être défendu avec assurance si quelqu’un posait la question.
Aujourd’hui, 69% des utilisateurs d’IA reconnaissent au moins un comportement de botshitting.
Le botshitting apparaît de trois façons :
- Déléguer la compréhension. Les employés cessent de comprendre pleinement le résultat. 41 % des employés disent qu’ils livrent parfois un travail généré par l’IA qu’ils ne pourraient pas expliquer si on le leur demandait.
- Déléguer le jugement. Les employés cessent de remettre en question chaque affirmation. 38 % utilisent des outils non approuvés, 37 % utilisent des outils approuvés d’une manière qui enfreint les règles, et 12 % livrent sciemment un résultat qu’ils pensent être erroné.
- Déléguer la responsabilité. Les employés cessent de se sentir personnellement responsables de ce qui est livré. 28 % ont blâmé l’IA pour des erreurs qu’ils avaient eux-mêmes commises.
Ce n’est pas seulement un problème d’employés négligents. C’est ce qui se produit lorsque les organisations exigent davantage de production sans prendre en compte le travail nécessaire pour la vérifier.
Le botsitting crée de la fatigue. La fatigue abaisse le seuil du « suffisamment bon ». Le travail non vérifié génère du rattrapage en aval, et ce rattrapage produit davantage de botsitting.
Des outils d’IA plus performants peuvent affaiblir la supervision
Le botshitting augmente avec l’usage de l’IA. 82 % des gros utilisateurs d’IA déclarent au moins un comportement de botshitting, contre 50 % des utilisateurs légers de l’IA. Les gros utilisateurs d’IA passent au moins 50 % de leur temps de travail à interagir avec l’IA les utilisateurs légers de l’IA y consacrent 1 à 19 %.
Il est tentant de penser qu’une meilleure IA réduira le botshitting.
Les données montrent un autre schéma.
Les outils d’IA dont les utilisateurs déclarent certains des gains de productivité les plus élevés sont aussi associés à des taux plus élevés de botshitting :
- ChatGPT : 67 % déclarent des gains de productivité 71 % admettent faire du botshitting
- Claude : 59 % déclarent des gains de productivité 92 % admettent faire du botshitting
- Gemini : 55 % déclarent des gains de productivité 56 % admettent faire du botshitting
- Microsoft Copilot : 51 % déclarent des gains de productivité 34 % admettent faire du botshitting
Ces comparaisons sont corrélationnelles, et ces résultats n’impliquent pas qu’un outil en particulier cause le botshitting. Ils sont toutefois cohérents avec une tendance plus large : à mesure que les systèmes d’IA deviennent plus performants et persuasifs, les personnes peuvent accorder davantage de confiance à leurs résultats que ce qui est justifié.
Trois raccourcis cognitifs peuvent aider à expliquer pourquoi :
- Complaisance envers l’automatisation : quand un outil fonctionne bien la plupart du temps, les personnes deviennent moins vigilantes et le surveillent moins attentivement.
- Flagornerie : une réponse qui reflète ce que l’utilisateur croit déjà paraît plus digne de confiance qu’une réponse qui le contredit.
- Anthropomorphisme : à mesure que les personnes traitent l’IA davantage comme un collègue, elles peuvent lui accorder le même bénéfice du doute.
Ces habitudes ne conduisent pas forcément l’IA à faire plus d’erreurs, mais elles peuvent rendre les personnes moins susceptibles de les remarquer, de les remettre en question et de les corriger.
Les employés qui ont le plus peur de l’IA sont ceux qui l’utilisent le plus
On pourrait s’attendre à ce que les employés qui craignent que l’IA supprime leur poste l’utilisent moins. Les données montrent l’inverse.
Parmi les utilisateurs légers de l’IA, 33 % craignent que l’IA puisse supprimer leur poste. Parmi les gros utilisateurs de l’IA, ce chiffre monte à 51 %.
Les gros utilisateurs de l’IA veulent aussi que l’IA automatise davantage de leur travail :
- Les utilisateurs légers de l’IA souhaitent que l’IA automatise 25 % de leur production au cours de l’année à venir
- Les gros utilisateurs de l’IA souhaitent qu’elle en automatise 53 %
La peur n’éloigne pas les employés de l’IA. Elle est associée à un usage plus intensif.
Cela se comprend dans un environnement de travail où la maîtrise de l’IA est de plus en plus un signal d’adaptabilité et de valeur. En utiliser trop peu peut donner l’impression que quelqu’un prend du retard. En dépendre trop visiblement peut donner l’impression que sa contribution est remplaçable. Les employés tentent donc de gérer ces deux risques à la fois :
- 33 % minimisent à quel point l’IA les aide
- 33 % exagèrent leurs compétences en IA.
- 32 % cachent leur utilisation de l’IA
Ces comportements peuvent sembler contradictoires, mais ils reflètent la même pression : les employés veulent paraître suffisamment à l’aise pour rester précieux, sans attribuer trop de crédit à l’IA pour le résultat.
L’IA absorbe le travail que les personnes voulaient conserver
Les organisations présentent souvent l’IA comme un moyen de retirer des tâches répétitives et à faible valeur ajoutée du quotidien des employés. En réalité, elle prend aussi en charge le travail que les employés auraient voulu conserver.
51 % des employés disent que l’IA a automatisé un travail qu’ils auraient préféré garder. Parmi les gros utilisateurs de l’IA, ce chiffre monte à 62 %.
Les personnes développent un sentiment d’appropriation dans les aspects du travail où elles font des choix, exercent leur jugement et façonnent le résultat final. Lorsque l’IA prend en charge une plus grande part de ce processus, l’employé peut commencer à se sentir détaché du produit final.
Cette tendance est particulièrement visible dans les rôles où le jugement personnel et les compétences créatives façonnent le résultat final. Parmi les designers, 55 % disent que plus ils utilisent l’IA, moins ils ont le sentiment d’appropriation de leur travail, la proportion la plus élevée de toutes les fonctions étudiées.
Cette perte d’appropriation peut affaiblir la responsabilisation. Il devient plus facile d’accepter quelque chose qu’on ne comprend pas entièrement, de blâmer l’outil lorsqu’il échoue, ou de considérer la relecture comme la responsabilité de quelqu’un d’autre. Les employés peuvent finir par gérer l’apparence de la productivité au lieu de produire un travail qu’ils peuvent défendre avec confiance.
Les organisations doivent faire la différence entre éliminer les tâches ingrates et éliminer le travail par lequel les employés développent expertise, jugement et fierté.
Le goulot d’étranglement a changé
À mesure que les résultats deviennent plus rapides et plus soignés, le jugement devient plus important. Les organisations doivent considérer la relecture comme une partie intégrante du travail, avec des attentes claires quant à qui vérifie le résultat, à quoi ressemble la qualité, et qui reste responsable de ce qui est livré.
Les données montrent à quel point ces choix comptent. Dans les organisations qui ne mesurent que la productivité, 74 % des employés admettent faire du botshitting. Là où les organisations mesurent la productivité et la qualité ensemble, ce chiffre tombe à 64 %. Ce que les dirigeants choisissent de mesurer façonne ce que les employés apprennent à prioriser.
L’IA peut augmenter le volume de travail presque instantanément. L’avantage le plus durable viendra du fait d’aider les personnes à développer le jugement nécessaire pour décider de ce qui mérite d’avancer.
Lire l’intégralité du Work AI Index 2026 pour comprendre le travail invisible qui façonne l’IA au travail et ce que les organisations peuvent faire à ce sujet.
