La plupart des personnes qui utilisent l’IA au travail disent qu’elle les rend plus productives, et elles ont raison. Les salariés déclarent que l’automatisation par l’IA leur fait gagner environ 11 heures par semaine.
La question plus difficile est de savoir où passent réellement ces 11 heures. En moyenne, plus de la moitié de ce temps revient sous une autre forme.
Le Work AI Index 2026, issu du Work AI Institute de Glean, s’est intéressé, au-delà des gains de temps, au travail humain nécessaire pour rendre l’IA utile. Nous avons interrogé 6 000 travailleurs numériques à temps plein — des personnes qui effectuent l’essentiel de leur travail sur un ordinateur ou avec des outils numériques — aux États-Unis, au Royaume-Uni et en Australie, échangé avec des dizaines de leaders de l’IA et analysé des interactions anonymisées et agrégées avec l’IA au travail sur la plateforme 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 utile. Et lorsque ce travail reste invisible, il change la manière dont les gens utilisent l’IA, souvent sans que les organisations ne s’en aperçoivent.
Ce travail invisible a un nom
En plus des 11 heures que les salariés disent économiser grâce à l’automatisation par l’IA, ils passent en moyenne 6,4 heures par semaine sur le travail nécessaire pour rendre l’IA utile.
Nous appelons cela le botsitting : fournir à l’IA le contexte qui lui manque, vérifier ses résultats, corriger ses erreurs, relancer des prompts et nettoyer les réponses assurées mais erronées qu’elle laisse derrière elle.
Les salariés passent légèrement plus de temps à faire du botsitting qu’à utiliser l’IA pour produire du travail :
- 37% du temps va au botsitting
- 36% du temps va à la production de travail avec l’IA
- 27% du temps va à l’apprentissage des outils et à la création d’agents
Pour chaque heure passée à obtenir un résultat utile de l’IA, les salariés passent à peu près une autre heure à le rendre exploitable.
Trois activités concentrent l’essentiel de ce travail :
- Donner du contexte à l’IA : 2,3 heures par semaine
- Superviser ses résultats : 2,2 heures par semaine
- Corriger ses 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 salariés 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, il peut falloir identifier le fichier le plus récent, préciser l’audience, définir un acronyme interne, expliquer si « Q3 » désigne le trimestre fiscal ou le trimestre civil, ou encore indiquer quelle source doit faire autorité.
Cela demande plus que de simplement donner accès à des informations à l’IA. L’outil peut être capable de retrouver plusieurs prévisions sans savoir laquelle est la bonne, ou de lire un document de processus sans comprendre le contournement réellement utilisé par l’équipe. Ce sens vit dans les relations, les normes et le savoir tacite de l’organisation — et souvent chez la personne 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 lacunes.
Ajouter davantage d’informations ne résout pas nécessairement le problème. Lorsque l’IA ne sait pas distinguer ce qui est pertinent, actuel ou fiable, plus de contexte peut rendre la réponse moins ciblée plutôt que plus fiable.
Superviser et corriger les résultats
Les salariés disent passer encore 2,2 heures 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 assuré tout en restant incomplet ou faux. Quelqu’un doit vérifier les sources, contrôler les hypothèses et décider si la conclusion tient la route.
Lorsqu’elle ne tient pas, la personne commence à dépanner : réécrire le prompt, ajouter du contexte, changer de modèle ou recommencer la tâche.
36% des sessions d’IA nécessitent une reprise importante ou un redémarrage complet. Le débogage est aussi la forme de botsitting la plus épuisante. Pour chaque augmentation de 10% du temps consacré au débogage de l’IA, les salariés sont 40% plus susceptibles de dire qu’ils se sentent usés par l’IA.
Obtenir une première réponse est rapide. Transformer cette réponse en un travail fiable, c’est là que part le temps.
Passer d’un outil déconnecté à l’autre
Ce coût s’accumule lorsque les salariés répètent le processus dans 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 ne suffit pas, 60% relancent le même prompt dans un autre outil.
Chaque bascule crée du travail supplémentaire. Il faut réexpliquer la tâche, recoller les entrées, reformuler l’objectif et comparer plusieurs réponses qui semblent tout aussi assurées tout en se contredisant. Les salariés qui jonglent entre plusieurs outils ont 35% plus de chances d’être des botsitters fréquents, c’est-à-dire de passer au moins 40% de leur temps lié à l’IA à la rendre utile.
Le salarié 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 compter les licences IA, les prompts, les agents créés et le temps gagné. Elles ont beaucoup moins de visibilité sur le temps que les employés passent à corriger les résultats, reconstruire le contexte et rattraper le travail en aval. Ce travail est absorbé dans la journée sans budget dédié, sans workflow explicite et sans propriétaire clairement désigné.
Cela aide à comprendre pourquoi ajouter plus d’IA ne produit pas toujours de meilleurs résultats. Plus d’IA peut aussi signifier plus de contenus à relire, plus d’outils à réconcilier et plus d’erreurs à détecter pour les employés.
Tout le botsitting n’est pas mauvais.
La vérification, le raffinement 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 cause une réponse qui paraît juste mais repose sur une hypothèse fragile.
Le problème, c’est de laisser tout ce travail invisible, non soutenu et entièrement à la charge des employés. Quand le volume de travail généré par l’IA augmente mais que le temps, les effectifs et les attentes autour de la revue restent les mêmes, une relecture attentive devient plus difficile à tenir. Au bout d’un moment, les gens abaissent le niveau d’exigence.
Quand le botsitting se transforme en botshitting
Le glissement 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 diffusé avant que la personne responsable puisse l’expliquer. À mesure que ces écarts s’accumulent, un travail qui aurait autrefois exigé un nouveau passage finit par sembler prêt à l’emploi.
C’est le botshitting : diffuser un travail généré par l’IA qui n’a pas été suffisamment vérifié, qui n’est pas entièrement compris ou qu’on ne pourrait pas défendre avec assurance si quelqu’un posait des questions.
Aujourd’hui, 69% des utilisateurs d’IA reconnaissent au moins un comportement de botshitting.
Le botshitting prend trois formes :
- Déléguer la compréhension. Les salariés cessent de comprendre pleinement le résultat. 41% disent qu’il leur arrive de livrer un travail généré par l’IA qu’ils ne sauraient pas expliquer si on le leur demandait.
- Déléguer le jugement. Les salariés cessent de remettre systématiquement en question chaque affirmation. 38% utilisent des outils non approuvés, 37% utilisent des outils approuvés d’une manière qui enfreint la politique, et 12% diffusent sciemment un résultat qu’ils pensent faux.
- Déléguer la responsabilité. Les salariés cessent de se sentir personnellement responsables de ce qui est livré. 28% ont déjà imputé à l’IA des erreurs qu’ils avaient eux-mêmes causées.
Ce n’est pas seulement un problème d’employés négligents. C’est ce qui se produit lorsque les organisations exigent plus 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 crée 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 utilisateurs intensifs d’IA déclarent au moins un comportement de botshitting, contre 50% des utilisateurs légers. Les utilisateurs intensifs passent au moins 50% de leur temps de travail à interagir avec l’IA les utilisateurs légers y consacrent entre 1% et 19%.
On pourrait être tenté 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 forts sont aussi associés à des niveaux plus élevés de botshitting :
- ChatGPT : 67% déclarent des gains de productivité 71% reconnaissent du botshitting
- Claude : 59% déclarent des gains de productivité 92% reconnaissent du botshitting
- Gemini : 55% déclarent des gains de productivité 56% reconnaissent du botshitting
- Microsoft Copilot : 51% déclarent des gains de productivité 34% reconnaissent du botshitting
Ces comparaisons sont corrélationnelles, et ces résultats n’impliquent pas qu’un outil particulier cause le botshitting. Ils sont toutefois cohérents avec un phénomène plus large : à mesure que les systèmes d’IA deviennent plus capables et plus persuasifs, les gens peuvent accorder davantage de confiance à leurs résultats qu’ils ne le devraient.
Trois raccourcis cognitifs peuvent aider à l’expliquer :
- Complaisance vis-à-vis de l’automatisation : lorsqu’un outil fonctionne bien la plupart du temps, les gens deviennent moins vigilants et le surveillent moins étroitement.
- Sycophancy : une réponse qui reflète ce que l’utilisateur croit déjà semble plus fiable qu’une réponse qui le contredit.
- Anthropomorphisme : lorsque les gens traitent davantage l’IA comme un collègue, ils 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 gens moins enclins à les remarquer, à les questionner et à les corriger.
Les salariés les plus inquiets face à l’IA sont aussi ceux qui l’utilisent le plus
On pourrait s’attendre à ce que les salariés qui craignent que l’IA supprime leur poste l’utilisent moins. Les données montrent l’inverse.
Parmi les utilisateurs légers d’IA, 33% craignent qu’elle puisse supprimer leur poste. Chez les utilisateurs intensifs, ce chiffre monte à 51%.
Les utilisateurs intensifs souhaitent aussi que l’IA automatise davantage de leur travail :
- Les utilisateurs légers veulent que l’IA automatise 25% de leur production au cours de l’année à venir
- Les utilisateurs intensifs veulent qu’elle en automatise 53%
La peur n’éloigne pas les salariés de l’IA. Elle est associée à un usage plus intense.
Cela a du sens dans un environnement de travail où la maîtrise de l’IA signale de plus en plus l’adaptabilité et la valeur d’une personne. En utiliser trop peu peut donner l’impression d’être en retard. S’y appuyer trop visiblement peut donner le sentiment que sa contribution est remplaçable. Les salariés essaient donc de gérer ces deux risques en même temps :
- 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 salariés veulent paraître suffisamment à l’aise avec l’IA pour rester précieux, sans lui attribuer trop de mérite pour le résultat.
L’IA absorbe aussi le travail que les gens voulaient conserver
Les organisations présentent souvent l’IA comme un moyen de retirer aux employés les tâches répétitives et peu valorisantes. En réalité, elle absorbe aussi le travail qu’ils auraient préféré garder.
51% des salariés disent que l’IA a automatisé un travail qu’ils auraient préféré conserver. Chez les utilisateurs intensifs, ce chiffre monte à 62%.
Les gens développent un sentiment d’appropriation à travers les 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 salarié peut commencer à se sentir détaché du produit final.
Ce phénomène est particulièrement visible dans les rôles où le jugement personnel et la créativité façonnent le résultat final. Parmi les designers, 55% disent que plus ils utilisent l’IA, moins ils se sentent propriétaires de leur travail, la part la plus élevée de toutes les fonctions étudiées.
Cette perte d’appropriation peut affaiblir la responsabilité. 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 revue comme la responsabilité de quelqu’un d’autre. Les salariés 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 l’élimination des tâches ingrates de l’élimination du 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 devient encore plus important. Les organisations doivent traiter la revue comme une partie intégrante du travail, avec des attentes claires sur qui vérifie le résultat, ce qu’est un travail de 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 salariés reconnaissent 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 presque instantanément le volume de travail. L’avantage le plus durable viendra plutôt de la capacité à aider les gens à développer le jugement nécessaire pour décider ce qui mérite réellement d’avancer.
Lisez 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 pour y répondre.
