La plupart des personnes qui utilisent l'IA au travail affirment qu'elle les rend plus productives, et elles ont raison. Les collaborateurs estiment que l'automatisation par l'IA leur fait gagner environ 11 heures par semaine.
La question la plus difficile reste : où passent ces 11 heures ? En moyenne, plus de la moitié de ce temps revient sous une autre forme.
Le Work AI Index 2026, publié par le Work AI Institute de Glean, s'est penché au-delà du gain de temps sur le travail humain nécessaire pour rendre l'IA utile. Nous avons interrogé 6 000 travailleurs du numérique à temps plein — des personnes qui réalisent l'essentiel de leur travail sur un ordinateur ou avec des outils numériques — aux États-Unis, au Royaume-Uni et en Australie, nous avons échangé avec des dizaines de responsables IA, et nous avons analysé des interactions IA en milieu professionnel anonymisées et agrégées issues de la plateforme Work AI de Glean.
Ce que nous avons constaté, c'est que le temps que l'IA restitue est absorbé par le travail qui consiste à rendre l'IA utilisable. Et lorsque ce travail passe inaperçu, il modifie la façon dont les gens utilisent l'IA d'une manière que la plupart des organisations ne perçoivent jamais.
Ce travail invisible a un nom
Parallèlement aux 11 heures que les collaborateurs 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 le botsitting : donner à l'IA le contexte qui lui manque, vérifier ses résultats, corriger ses erreurs, relancer des requêtes et rectifier les réponses qu'elle laisse derrière elle, affirmées avec assurance mais erronées.
Les collaborateurs consacrent un peu plus de leur temps IA au botsitting qu'à l'utilisation de l'IA pour produire du travail :
- 37 % vont au botsitting
- 36 % vont à la production de travail avec l'IA
- 27 % vont à l'apprentissage des outils et à la création d'agents
Pour chaque heure que les collaborateurs passent à obtenir un résultat utile de l'IA, ils en passent environ une autre à le rendre utilisable.
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 d'elles reflète un écart entre ce que les outils d'IA produisent et ce que le travail exige réellement.
Fournir le contexte qui manque à l'IA
Les collaborateurs déclarent consacrer 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, le collaborateur peut avoir besoin d'identifier le dernier fichier, d'expliquer le public cible, de définir un acronyme interne, de préciser si « T3 » désigne le trimestre fiscal ou calendaire, ou d'indiquer quelle source doit prévaloir.
Cela demande plus que de donner à l'IA accès à l'information. L'outil peut être capable de récupérer plusieurs prévisions sans savoir laquelle est définitive, ou de lire un document de procédure sans comprendre la solution de contournement que l'équipe utilise réellement. Ce sens réside dans les relations, les normes et le savoir tacite de l'organisation — et souvent chez l'employé qui effectue le travail. Tant que l'IA ne peut pas accéder à ce contexte et l'interpréter, ce sont les employés qui restent chargés de combler les lacunes.
Ajouter plus d'informations ne résout pas nécessairement le problème. Lorsque l'IA ne parvient pas à distinguer ce qui est pertinent, actuel ou faisant autorité, davantage de contexte peut rendre la réponse moins ciblée plutôt que plus fiable.
Superviser et corriger les résultats
Les collaborateurs déclarent consacrer 2,2 heures supplémentaires par semaine à superviser les résultats de l'IA et 1,7 heure à les corriger.
Un résultat d'IA peut sembler soigné, structuré et convaincant tout en étant incomplet ou erroné. Quelqu'un doit vérifier les sources, contrôler les hypothèses et décider si la conclusion tient.
Quand ce n'est pas le cas, le collaborateur entame un dépannage : réécrire la requête, ajouter du contexte, changer de modèle ou recommencer la tâche.
36 % des sessions IA nécessitent un retravail substantiel ou une remise à zéro complète. Le dépannage est aussi la forme la plus épuisante de botsitting. Pour chaque tranche supplémentaire de 10 % de temps IA consacrée au dépannage, les collaborateurs sont 40 % plus susceptibles de se dire épuisés par l'IA.
Obtenir la première réponse est rapide. C'est entre cette réponse et un travail fiable que le temps s'envole.
Passer d'un outil déconnecté à l'autre
Ce coût s'accentue lorsque les collaborateurs répètent le processus sur plusieurs outils.
77 % des utilisateurs d'IA utilisent plusieurs outils au cours d'une semaine type, et 33 % en utilisent quatre ou plus. Lorsque la première réponse n'est pas assez bonne, 60 % relancent la même requête dans un autre outil.
Chaque changement génère plus de travail. Le collaborateur doit réintroduire la tâche, recoller les données, expliquer l'objectif et comparer plusieurs réponses qui semblent toutes aussi convaincantes tout en se contredisant. Les collaborateurs qui jonglent entre plusieurs outils sont 35 % plus susceptibles d'être des botsitters fréquents, c'est-à-dire de consacrer au moins 40 % de leur temps IA à rendre l'IA utilisable.
Le collaborateur devient la couche d'intégration, transportant le contexte, les données et l'intention d'un système à l'autre.
Pourquoi le botsitting reste invisible
Les organisations peuvent comptabiliser les licences d'IA, les requêtes, les agents créés et le temps gagné. Elles ont bien moins de visibilité sur le temps que les employés passent à corriger les résultats, à reconstruire le contexte et à rectifier le travail en aval. Ce travail est absorbé dans la journée de travail sans budget, workflow ni responsable dédié.
Cela aide à comprendre pourquoi ajouter davantage d'IA ne produit pas toujours de meilleurs résultats. Plus d'IA peut aussi signifier plus de résultats à vérifier, plus d'outils à concilier et plus d'erreurs à détecter pour les employés.
Tout botsitting n'est pas mauvais.
La vérification, l'affinage et le jugement font partie d'un usage responsable de l'IA. Une analyse à fort enjeu 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 semble juste mais qui repose sur une hypothèse fragile.
Le problème, c'est de laisser tout ce travail invisible, sans soutien et entièrement à la charge des employés individuels. Lorsque le volume de travail généré par l'IA augmente mais que le temps, les effectifs et les attentes en matière de vérification restent identiques, il devient plus difficile de maintenir une vérification rigoureuse. Au fil du temps, les gens finissent par abaisser leurs exigences.
Quand le botsitting se transforme en botshitting
Ce basculement se produit rarement d'un seul coup.
Une source n'est pas vérifiée, une affirmation semble assez plausible pour être conservée, ou un brouillon est diffusé avant que la personne responsable ne puisse l'expliquer. À mesure que ces lacunes s'accumulent, un travail qui aurait autrefois exigé un nouveau passage commence à sembler prêt à l'emploi.
C'est le botshitting : livrer un travail généré par l'IA qui n'a pas été correctement vérifié, qui n'est pas pleinement compris, ou qu'on ne saurait défendre avec assurance si quelqu'un posait la question.
Aujourd'hui, 69 % des utilisateurs d'IA admettent au moins un comportement de botshitting.
Le botshitting se manifeste de trois manières :
- Déléguer la compréhension. Les travailleurs cessent de comprendre pleinement le résultat. 41 % des travailleurs disent qu'il leur arrive de livrer un travail généré par l'IA qu'ils ne sauraient expliquer si on le leur demandait.
- Déléguer le jugement. Les travailleurs cessent de remettre en question chaque affirmation. 38 % utilisent des outils non approuvés, 37 % utilisent des outils approuvés d'une manière qui enfreint la politique, et 12 % livrent sciemment un résultat qu'ils estiment erroné.
- Déléguer la responsabilité. Les travailleurs cessent de se sentir personnellement responsables de ce qui est livré. 28 % ont rejeté sur l'IA la faute d'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 résultats sans tenir compte du travail nécessaire pour les vérifier.
Le botsitting engendre la fatigue. La fatigue abaisse le seuil de ce qui est « assez bon ». Un travail non vérifié génère du nettoyage en aval, et ce nettoyage produit encore plus de botsitting.
Des outils d'IA plus performants peuvent affaiblir le contrôle
Le botshitting augmente avec l'usage de l'IA. 82 % des utilisateurs intensifs de l'IA signalent au moins un comportement de botshitting, contre 50 % des utilisateurs occasionnels. Les utilisateurs intensifs de l'IA consacrent au moins 50 % de leur temps de travail à interagir avec l'IA ; les utilisateurs occasionnels y consacrent de 1 à 19 %.
Il est tentant de supposer qu'une meilleure IA réduira le botshitting.
Les données révèlent un schéma différent.
Les outils d'IA dont les utilisateurs signalent certains des gains de productivité les plus élevés sont aussi associés à des taux de botshitting plus importants :
- ChatGPT : 67 % signalent des gains de productivité ; 71 % admettent faire du botshitting
- Claude : 59 % signalent des gains de productivité ; 92 % admettent faire du botshitting
- Gemini : 55 % signalent des gains de productivité ; 56 % admettent faire du botshitting
- Microsoft Copilot : 51 % signalent des gains de productivité ; 34 % admettent faire du botshitting
Ce n'est pas simplement un problème d'employés négligents. C'est ce qui arrive lorsque les organisations exigent davantage de résultats sans tenir compte du travail nécessaire pour les vérifier.
Le botshitting engendre de la fatigue. La fatigue abaisse le seuil du « suffisamment bon ». Un travail non vérifié génère du nettoyage en aval, et ce nettoyage produit encore plus de botshitting.
Des outils d'IA plus performants peuvent affaiblir la supervision
Le botshitting augmente avec l'usage de l'IA. 82 % des utilisateurs intensifs de l'IA signalent au moins un comportement de botshitting, contre 50 % des utilisateurs occasionnels. Les utilisateurs intensifs de l'IA passent au moins 50 % de leur temps de travail à interagir avec l'IA ; les utilisateurs occasionnels y consacrent de 1 à 19 %.
Il est tentant de supposer qu'une meilleure IA réduira le botshitting.
Les données révèlent un schéma différent.
Les outils d'IA dont les utilisateurs rapportent certains des gains de productivité les plus élevés sont aussi associés à des taux de botshitting plus importants :
- ChatGPT : 67 % rapportent des gains de productivité ; 71 % admettent du botshitting
- Claude : 59 % rapportent des gains de productivité ; 92 % admettent du botshitting
- Gemini : 55 % rapportent des gains de productivité ; 56 % admettent du botshitting
- Microsoft Copilot : 51 % rapportent des gains de productivité ; 34 % admettent du botshitting
Ces comparaisons sont corrélationnelles, et ces conclusions n'impliquent pas qu'un outil particulier soit la cause du botshitting. Elles sont néanmoins cohérentes avec un schéma plus large : à mesure que les systèmes d'IA deviennent plus performants et persuasifs, les gens peuvent accorder à leurs résultats plus de confiance qu'il ne serait justifié.
Trois raccourcis cognitifs peuvent expliquer pourquoi :
- La complaisance envers l'automatisation : lorsqu'un outil fonctionne bien la plupart du temps, les gens deviennent moins vigilants et le surveillent de moins près.
- La flagornerie : une réponse qui reflète ce que l'utilisateur croit déjà paraît plus digne de confiance qu'une réponse qui la remet en question.
- L'anthropomorphisme : à mesure que les gens traitent l'IA davantage comme un collègue, ils peuvent lui accorder le même bénéfice du doute.
Ces habitudes ne poussent peut-être pas l'IA à commettre plus d'erreurs, mais elles peuvent rendre les gens moins enclins à les remarquer, à les questionner et à les corriger.
Les travailleurs qui craignent le plus l'IA sont ceux qui l'utilisent le plus
On pourrait s'attendre à ce que les travailleurs qui craignent que l'IA ne supprime leur poste l'utilisent moins. Les données montrent le contraire.
Parmi les utilisateurs occasionnels de l'IA, 33 % craignent que l'IA ne supprime leur poste. Parmi les utilisateurs intensifs, cette proportion grimpe à 51 %.
Les utilisateurs intensifs de l'IA souhaitent également que l'IA automatise davantage de leur travail :
- Les utilisateurs occasionnels de l'IA souhaitent que l'IA automatise 25 % de leur production au cours de l'année à venir
- Les utilisateurs intensifs de l'IA souhaitent qu'elle en automatise 53 %
La peur n'éloigne pas les travailleurs de l'IA. Elle est associée à un usage plus intensif.
Cela est logique dans un environnement de travail où la maîtrise de l'IA signale de plus en plus la capacité d'adaptation et la valeur. En utiliser trop peu peut donner l'impression qu'on prend du retard. En dépendre de manière trop visible peut faire paraître sa contribution remplaçable. Les travailleurs tentent donc de gérer ces deux risques à la fois :
- 33 % minimisent l'aide que leur apporte l'IA
- 33 % exagèrent leurs compétences en IA.
- 32 % cachent leur usage de l'IA
Ces comportements peuvent sembler contradictoires, mais ils reflètent la même pression : les travailleurs veulent paraître suffisamment compétents pour rester précieux sans attribuer trop de mérite à l'IA pour le résultat.
L'IA absorbe un travail que les gens voulaient conserver
Les organisations présentent souvent l'IA comme un moyen de décharger les employés des tâches répétitives et à faible valeur ajoutée. En réalité, elle prend aussi en charge le travail que les employés voulaient conserver.
51 % des travailleurs affirment que l'IA a automatisé un travail qu'ils auraient préféré conserver. Parmi les utilisateurs intensifs de l'IA, cette proportion grimpe à 62 %.
Les gens développent un sentiment d'appropriation grâce aux parties du travail où ils font des choix, exercent leur jugement et façonnent le résultat final. Lorsque l'IA prend en charge une plus grande partie de ce processus, le travailleur peut commencer à se sentir détaché du produit final.
Ce schéma est particulièrement visible dans les métiers où le jugement personnel et le talent créatif façonnent le résultat final. Parmi les designers, 55 % affirment que plus ils utilisent l'IA, moins ils ressentent un sentiment d'appropriation de leur travail, soit la proportion la plus élevée de toutes les fonctions étudiées.
Cette perte du sentiment d'appropriation peut affaiblir la responsabilisation. Il devient plus facile d'accepter quelque chose qu'on ne comprend pas pleinement, de rejeter la faute sur l'outil lorsqu'il échoue, ou de considérer la relecture comme la responsabilité de quelqu'un d'autre. Les travailleurs peuvent finir par gérer l'apparence de la productivité au lieu de produire un travail qu'ils peuvent défendre avec assurance.
Les organisations doivent distinguer entre éliminer les corvées et éliminer le travail par lequel les employés développent leur expertise, leur jugement et leur fierté.
Le goulot d'étranglement s'est déplacé
À mesure que les résultats deviennent plus rapides et plus soignés, le jugement gagne en importance. Les organisations doivent considérer la relecture comme 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 sont importants. Dans les organisations qui mesurent uniquement la productivité, 74 % des collaborateurs admettent faire du botshitting. Là où les organisations mesurent à la fois la productivité et la qualité, 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 de la capacité à aider les gens à développer le discernement nécessaire pour décider de ce qui mérite d'avancer.
Consultez l'intégralité du Work AI Index 2026 pour comprendre le travail invisible qui façonne l'IA au travail et ce que les organisations peuvent y faire.
