L’IA fait gagner dix minutes. Et ensuite ?

Prenons un exemple fictif : avec l’IA, une médecin gagne dix minutes sur le brouillon d’un document. C’est une bonne nouvelle en soi. Reste à savoir si elle rentre plus tôt, consacre davantage de temps à un échange ou attend simplement dix minutes plus tôt la validation suivante. Les trois situations sont compatibles avec le même chiffre.

Cette distinction me préoccupe en tant que médecin et fondateur d’aiomics. L’IA est souvent présentée là où sa performance est immédiatement visible : un texte apparaît, une synthèse est prête, une question reçoit une réponse. Le bénéfice économique et humain se construit sur un parcours plus long. Il dépend de ce qui advient du résultat et du travail qu’il laisse encore à d’autres.

Au début d’un nouveau projet, je préciserais donc à quoi doit servir le temps gagné. Cette décision paraît modeste. Elle change pourtant le choix du domaine d’application, la mesure du succès et les attentes des personnes qui utiliseront ensuite le système.

L’effort ne s’arrête pas au brouillon

Restons avec notre document fictif. Le brouillon est plus rapide. La médecin doit toujours vérifier les informations, obtenir celles qui manquent et valider le document. La vérification sera peut-être plus facile grâce à des preuves clairement rattachées aux affirmations. Elle sera peut-être plus longue si le texte contient davantage d’énoncés à contrôler. Le temps de rédaction économisé ne répond pas encore à cette question.

Il faut donc examiner au moins le chemin jusqu’au brouillon, puis celui qui mène du brouillon au résultat utilisable. Les transmissions comptent aussi : qui demande des précisions ? Qui corrige ? Combien de temps le dossier reste-t-il en attente ? Un service peut réduire son propre temps de traitement tout en créant du travail supplémentaire dans un autre.

Une expérimentation de terrain d’Eleanor Dillon et de ses collègues apporte un éclairage intéressant. Elle portait sur l’usage de l’IA générative chez des personnes exerçant un travail intellectuel. Les changements concernaient surtout les activités que chacun pouvait adapter de manière autonome. Le temps passé en réunion ne changeait en revanche pas sensiblement. Ce résultat ne porte pas sur les hôpitaux allemands. Il met en évidence une limite importante : la transformation des processus collectifs obéit à ses propres conditions. [1]

J’en tirerais une tâche précise pour le déploiement : dessinez tout le processus sur une page. Marquez l’endroit où l’IA doit aider et celui où le résultat final est réellement attendu. Si ces points sont éloignés, les étapes intermédiaires méritent une attention particulière.

Quatre usages possibles du même temps

La première possibilité est d’alléger le travail. La journée peut comporter moins de reprises. Une tâche peut demander moins d’effort mental. C’est un objectif légitime, même si le nombre de dossiers traités reste identique. Si l’on promet ce bénéfice, il faut ensuite interroger les personnes concernées et vérifier qu’elles le ressentent.

La deuxième possibilité est d’augmenter la capacité. Encore faut-il que les étapes suivantes puissent suivre. Produire davantage de dossiers préparés aide peu si la même personne doit valider toutes les décisions. La file d’attente peut même s’allonger alors que la première étape s’accélère.

La troisième possibilité est d’améliorer la qualité. Le temps libéré peut servir à une vérification plus attentive, à des explications plus claires ou à une préparation plus approfondie. Une durée de traitement inchangée serait alors compatible avec un progrès. Ce qui compte, c’est l’amélioration visée et la manière de la reconnaître.

La quatrième possibilité est d’augmenter le volume de travail. Lorsque produire des analyses et des textes supplémentaires devient peu coûteux, leur nombre peut croître. Cela peut être utile. Cela peut aussi demander davantage de lecture et de coordination. L’organisation doit donc décider quels résultats supplémentaires permettent de mieux décider et lesquels mobilisent surtout plus d’attention.

Ces possibilités peuvent se combiner. Elles sont aussi partiellement concurrentes. Les mêmes dix minutes ne peuvent être entièrement consacrées à l’allègement du travail et, simultanément, entièrement affectées à de nouvelles tâches. L’équipe de direction devrait expliciter cette répartition avant que différents groupes ne déduisent des promesses différentes du projet.

Ce que je définirais avant une expérimentation

Je commencerais par formuler le résultat attendu en une phrase. Par exemple : préparer une décision interne doit prendre moins de temps, vérification comprise, tout en conservant la même exhaustivité. L’observation attendue devient claire. Le simple nombre de brouillons générés ne suffirait pas.

Il faut ensuite une mesure de départ et une observation de portée raisonnable. Combien de temps le processus prend-il aujourd’hui ? Quels cas sont simples ou difficiles ? Quelles reprises sont nécessaires ? Une moyenne peut être utile si les cas particulièrement problématiques restent visibles à côté. Un système qui fait peu gagner sur la plupart des tâches et crée beaucoup de travail supplémentaire sur quelques-unes mérite un examen plus précis.

L’Institute for Healthcare Improvement distingue les indicateurs de résultat, de processus et d’équilibre. Ces derniers recherchent les effets indésirables ailleurs. Dans notre exemple, j’examinerais ensemble l’effort total, l’utilisation effective et la charge des corrections. Cette transposition est ma proposition pour le déploiement de l’IA. [2]

Je fixerais aussi le moment où l’essai devra déboucher sur une décision. Qui en évaluera le résultat ? Quel changement justifiera une extension ? Quels problèmes récurrents faudra-t-il d’abord résoudre ? Sans cet accord, une expérimentation risque de devenir une solution intermédiaire permanente dont plus personne n’évalue clairement l’utilité.

Le ressenti doit lui aussi être confronté aux faits

Les recherches de METR montrent la prudence nécessaire face aux affirmations générales de productivité. Dans un essai mené avec des développeurs expérimentés et des outils du printemps 2025, le travail avec l’IA a pris plus de temps. L’étude avait un périmètre étroit. Dans une mise à jour de février 2026, METR décrit des conditions différentes et d’importants problèmes de sélection, qui rendent les mesures plus récentes difficiles à interpréter. [3] [4]

J’y vois une invitation à réexaminer régulièrement les effets de son propre usage. Les outils progressent, les personnes apprennent et les tâches changent. Un constat ancien peut devenir dépassé. À l’inverse, un premier enthousiasme peut masquer un effort qui n’apparaîtra que plus tard.

Le travail décisif de direction commence donc par un accord sur le bénéfice attendu. Si l’objectif est d’alléger le travail, cela doit se ressentir dans la journée. S’il s’agit d’accroître la capacité, celle-ci doit parvenir jusqu’au bout du processus. Si l’objectif est une meilleure qualité, il faut préciser ce qui devrait devenir plus fiable.

Avant le prochain déploiement, je demanderais aux personnes concernées de compléter ensemble cette phrase : si l’IA nous rend du temps, voici à quoi nous le consacrerons. Les différences entre les réponses révèlent souvent la décision qui manque encore.