L’intelligence artificielle est un outil extraordinaire. Mais la vitesse à laquelle ses fonctions, ses modèles et ses usages se renouvellent peut produire de la lassitude, fragiliser les apprentissages et transformer la promesse de gain de temps en nouvelle pression.
Par Yann EDWIGE — Consultant et formateur en intégration responsable de l’intelligence artificielle, président d’ETHIA.
Il y a encore peu de temps, l’intelligence artificielle générative restait un sujet réservé aux spécialistes. Elle est désormais présente dans les moteurs de recherche, les suites bureautiques, les téléphones, les logiciels professionnels et une multitude de services du quotidien. Nous pouvons l’utiliser pour rédiger, résumer, traduire, analyser, programmer, préparer une réunion ou produire une image.
Cette évolution ouvre des possibilités considérables. Dans les entreprises que j’accompagne, je vois des personnes gagner du temps, mieux structurer leurs idées, débloquer une tâche ou accéder plus facilement à une information. Mon propos n’est donc pas de rejeter l’IA. Ce serait ignorer ce qu’elle apporte déjà.
Mais une autre réalité apparaît au contact des utilisateurs : beaucoup ont le sentiment de ne jamais pouvoir stabiliser leurs pratiques. À peine ont-ils compris une fonction qu’une nouvelle version arrive. À peine ont-ils choisi un outil qu’un autre leur est présenté comme indispensable. À peine ont-ils suivi une formation que certaines techniques semblent déjà dépassées.
Le problème n’est pas seulement technologique. Il touche notre rapport au temps, à l’apprentissage, au travail et à la compétence.
Une diffusion sans précédent
Le rapport AI Index 2026 de Stanford décrit une diffusion à une vitesse historique : l’IA générative aurait atteint 53 % d’adoption dans la population en trois ans. Le rapport indique également une adoption de l’IA par 88 % des organisations et un usage de l’IA générative par quatre étudiants universitaires sur cinq.1
Ces indicateurs ne concernent pas les mêmes populations et ne doivent pas être comparés directement. Ils donnent néanmoins la mesure du phénomène : l’IA ne se contente plus d’entrer progressivement dans nos activités. Elle s’y installe avant même que les règles, les compétences et les organisations aient eu le temps de s’adapter.
La technologie accélère plus vite que les humains ne s’adaptent
Le sociologue Hartmut Rosa analyse depuis longtemps l’accélération comme une caractéristique majeure des sociétés modernes : les innovations sont censées nous faire gagner du temps, mais elles contribuent aussi à multiplier les possibilités, les sollicitations et les attentes.2
L’IA rend ce paradoxe particulièrement visible. Chaque amélioration réduit le temps nécessaire pour accomplir certaines tâches. Mais elle raccourcit également le délai pendant lequel une méthode, une interface ou une compétence paraît actuelle.
Une organisation ne change pourtant pas au rythme d’un logiciel. Il faut comprendre les besoins, consulter les équipes, évaluer les risques, protéger les données, adapter les procédures et laisser aux personnes le temps d’apprendre. Lorsque la technologie évolue plus vite que ce travail d’appropriation, un décalage se crée.
Ce que j’observe sur le terrain
Les personnes ne sont pas nécessairement hostiles à l’IA. Elles sont souvent intéressées, parfois enthousiastes. Mais elles peuvent se sentir épuisées par l’idée qu’il faudrait tout essayer, tout comprendre et rester constamment à jour.
Les travaux du laboratoire LaborIA insistent justement sur l’importance d’une intégration construite à partir du travail réel, associant les personnes concernées et tenant compte de leurs marges de manœuvre.3 Une technologie n’est pas « adoptée » parce qu’elle a été achetée ou activée. Elle l’est lorsqu’elle trouve une place utile, comprise et maîtrisée dans l’activité.
Le piège de la surenchère technologique
Dans l’univers de l’IA, l’attention est devenue une ressource économique. Chaque annonce promet une rupture : un modèle plus intelligent, un agent plus autonome, une interface plus simple, une nouvelle fonction capable de transformer le travail.
Cette communication permanente alimente une peur diffuse : celle d’être dépassé. Le professionnel qui ne teste pas la dernière nouveauté peut avoir le sentiment de prendre du retard. Le formateur peut craindre que son contenu perde de sa valeur. Le dirigeant peut redouter qu’un concurrent adopte plus vite que lui.
On entre alors dans une logique d’accumulation : davantage d’outils, d’abonnements, de tutoriels et de formations. Pourtant, ajouter des fonctions ne rend pas automatiquement un produit plus utile. Les recherches sur la feature fatigue montrent qu’une multiplication des fonctionnalités peut séduire au moment du choix, mais diminuer la satisfaction lorsque le produit devient plus complexe à utiliser.4
La surenchère naît de cette confusion entre nouveauté et progrès. Une innovation n’est pas nécessairement une amélioration pour celui qui travaille. Sa valeur dépend d’un besoin précis, d’un contexte et d’un usage réellement maîtrisé.
Le paradoxe du gain de temps
Les gains de productivité permis par l’IA sont réels dans certains contextes. Une étude publiée en 2025 dans le Quarterly Journal of Economics, menée auprès de 5 172 agents d’un service client, a observé une augmentation moyenne de 15 % du nombre de demandes résolues par heure grâce à une assistance d’IA générative.5
Mais gagner du temps sur une tâche ne signifie pas nécessairement disposer de davantage de temps. L’économie réalisée peut être immédiatement absorbée par une augmentation du volume de travail, des objectifs plus élevés ou de nouvelles sollicitations.
Les enquêtes de l’OCDE apportent un éclairage complémentaire : parmi les travailleurs utilisant l’IA qui ont été interrogés, 75 % dans la finance et 77 % dans l’industrie manufacturière déclaraient que l’IA avait augmenté la vitesse à laquelle ils accomplissaient leurs tâches.6 L’OCDE précise toutefois qu’une accélération n’entraîne pas mécaniquement davantage de stress, notamment lorsqu’elle s’accompagne d’une plus grande maîtrise de l’organisation du travail.
Ces études portent sur des contextes différents et ne permettent pas d’établir un lien causal entre gain de productivité et accélération du rythme. Leur rapprochement fait cependant apparaître une question essentielle : à qui profite le temps gagné, et que devient-il ?
« Une IA qui fait gagner du temps mais augmente en permanence la cadence ne libère pas nécessairement les individus. Elle peut simplement déplacer la pression. »
Yann EDWIGE — retour d’expérience professionnel
Former dans un monde qui change pendant la formation
La formation illustre directement cette difficulté. Ce que je décris ici ne provient pas d’une enquête statistique : il s’agit de mon expérience, issue des audits que je réalise, des formations que j’anime et des échanges réguliers avec les utilisateurs.
Il m’est arrivé, lors de sessions de retour d’expérience, de devoir dire à des apprenants d’oublier une partie de ce que je leur avais enseigné lors de notre première rencontre, parce que les outils avaient changé entre-temps.
Pour utiliser efficacement une IA générative, j’ai longtemps insisté sur une structure très précise du prompt : définir un rôle, indiquer l’objectif à atteindre, détailler les tâches, apporter le contexte, préciser les contraintes et choisir une tonalité. J’enseignais également à diviser une demande complexe en tâches plus petites, puis à améliorer la réponse par plusieurs itérations.
Ces principes ne sont pas devenus inutiles. Ils restent précieux lorsqu’une demande est complexe, sensible ou exigeante. Mais ils ne constituent plus toujours un passage obligé. Les outils récents comprennent mieux le langage naturel, conservent davantage de contexte et peuvent parfois produire une réponse satisfaisante à partir d’une demande beaucoup plus simple.
Le risque serait de remplacer un dogme par un autre. Hier, on pouvait laisser croire qu’un prompt devait nécessairement respecter une formule presque mécanique. Aujourd’hui, il serait tout aussi trompeur d’affirmer que la formulation n’a plus aucune importance. La bonne méthode dépend du besoin, de l’outil, du niveau de risque et du résultat attendu.
La formation doit donc moins apprendre des recettes que développer des réflexes transférables : définir un objectif, donner les informations utiles, savoir décomposer un problème, vérifier le résultat, protéger les données et conserver le jugement humain. L’OCDE souligne elle aussi l’importance d’associer compétences numériques, compétences fondamentales, éthique et esprit critique.7
La fatigue d’apprendre peut devenir contre-productive
Le technostress ne désigne pas une peur irrationnelle de la technologie. Il décrit les tensions produites lorsque les outils multiplient les sollicitations, brouillent les frontières du travail, imposent une complexité supplémentaire ou donnent le sentiment de devoir constamment actualiser ses compétences.89
Une revue systématique de la littérature a également mis en évidence les relations entre certaines formes de technostress et la santé mentale au travail.10 Là encore, la technologie n’est pas seule en cause. La manière dont elle est introduite, les objectifs fixés et le soutien apporté aux utilisateurs jouent un rôle déterminant.
À force de demander aux personnes de recommencer, de se mettre à jour et de changer leurs repères, on risque de provoquer l’effet inverse de celui recherché : découragement, adoption superficielle ou abandon. La curiosité s’érode lorsqu’elle est transformée en obligation permanente.
Ne pas confondre assistance et délégation du jugement
L’IA peut soutenir la réflexion, mais elle peut également réduire l’effort de vérification lorsque l’utilisateur lui accorde une confiance excessive. Une étude de Microsoft Research portant sur 319 travailleurs du savoir et 936 situations d’usage montre notamment que la confiance dans l’IA influence l’effort critique déclaré. Les auteurs observent aussi un déplacement de la pensée critique vers la vérification, l’intégration et le contrôle des réponses.11
Une méta-analyse publiée dans Nature Human Behaviour, réunissant 106 expériences et 370 effets, rappelle de son côté que la collaboration entre humains et IA n’est pas automatiquement supérieure au meilleur acteur travaillant seul. Les résultats varient selon la nature de la tâche et la manière dont les capacités sont combinées.12
L’enjeu n’est donc pas seulement de savoir utiliser l’IA. Il est de savoir quand l’utiliser, quand vérifier, quand demander un autre regard et quand décider de s’en passer.
Retrouver une stratégie humaine de l’innovation
Pour sortir de la course aux nouveautés, les organisations peuvent adopter une démarche plus sobre. La sobriété ne consiste pas à refuser l’innovation. Elle consiste à choisir, à évaluer et à stabiliser.
- Partir du travail réel. Identifier d’abord un irritant, une perte de temps ou un besoin. L’outil vient ensuite, qu’il utilise ou non de l’IA.
- Tester dans un cadre limité. Choisir un cas d’usage précis, un petit groupe et une durée définie avant toute généralisation.
- Mesurer la valeur réelle. Observer le temps gagné, la qualité, les erreurs, la charge de contrôle et les effets sur les conditions de travail.
- Protéger les données. Vérifier quelles informations peuvent être transmises, où elles sont traitées et quelles personnes gardent la responsabilité.
- Former aux compétences durables. Développer le jugement, la vérification et la compréhension des limites plutôt que mémoriser uniquement une interface.
- Conserver le droit de ne pas adopter. Une nouveauté qui n’apporte pas de bénéfice démontré n’a pas à être déployée simplement parce qu’elle existe.
Cette démarche suppose aussi d’associer les utilisateurs. Ce sont eux qui connaissent les exceptions, les situations imprévues, les risques concrets et les ajustements invisibles qui permettent au travail de tenir.
Conclusion : ralentir pour mieux choisir
Nous n’avons probablement encore vu qu’une petite partie de ce que l’intelligence artificielle pourra transformer. Son potentiel est considérable. Mais son utilité ne se mesure ni au nombre de fonctions activées, ni au nombre d’outils testés, ni à la vitesse avec laquelle une organisation suit les annonces.
Elle se mesure à sa capacité à résoudre un problème réel, à améliorer le travail sans fragiliser les personnes, à respecter les données et à laisser une place claire à la responsabilité humaine.
Face à l’accélération, la réponse ne consiste pas à courir encore plus vite. Elle consiste parfois à s’arrêter suffisamment longtemps pour poser une question simple : cette innovation nous aide-t-elle réellement à mieux travailler et à mieux vivre ?
Yann EDWIGE
Consultant et formateur en intégration responsable de l’intelligence artificielle. Président d’ETHIA. Il accompagne les TPE, associations, collectivités et établissements dans l’identification des usages utiles, la maîtrise des risques et la construction de pratiques centrées sur le travail réel.
Transparence sur l’utilisation de l’IA. Cet article repose sur les observations de Yann EDWIGE lors de ses audits, de ses formations et de ses échanges avec les utilisateurs. ChatGPT a été utilisé comme assistance pour la recherche et l’organisation des sources, la structuration de l’article et certaines reformulations destinées à le rendre plus accessible. L’angle, les observations de terrain, les prises de position et les conclusions appartiennent à l’auteur. Le contenu a été relu, vérifié, corrigé et validé sous sa responsabilité. Aucune donnée personnelle ou confidentielle issue d’une mission n’a été communiquée pour sa préparation.
Références et sources
- Stanford Institute for Human-Centered Artificial Intelligence, The 2026 AI Index Report. Consulter le rapport.
- Rosa, H. (2003), « Social Acceleration: Ethical and Political Consequences of a Desynchronized High-Speed Society », Constellations. DOI et résumé.
- LaborIA, « Déploiement de l’IA dans le monde du travail : enquête et recommandations pour une IA capacitante ». Consulter la publication.
- Thompson, D. V., Hamilton, R. W. et Rust, R. T. (2005), « Feature Fatigue », Journal of Marketing Research. DOI et résumé.
- Brynjolfsson, E., Li, D. et Raymond, L. R. (2025), « Generative AI at Work », The Quarterly Journal of Economics, 140(2), 889–942. Consulter l’étude.
- OCDE (2023), « Artificial intelligence, job quality and inclusiveness », OECD Employment Outlook 2023. Consulter le chapitre.
- OCDE (2026), Skills in the AI Age. Consulter le chapitre.
- Ragu-Nathan, T. S. et al. (2008), « The Consequences of Technostress for End Users in Organizations », Information Systems Research. DOI.
- Tarafdar, M. et al. (2007), « The Impact of Technostress on Role Stress and Productivity », Journal of Management Information Systems. DOI.
- Borle, P. et al. (2021), revue systématique sur le technostress et la santé mentale au travail. Référence PubMed.
- Lee, H.-P. et al. (2025), « The Impact of Generative AI on Critical Thinking », Microsoft Research. Consulter la publication.
- Vaccaro, M. et al. (2024), méta-analyse sur la collaboration humain–IA, Nature Human Behaviour. Consulter l’article.