Deux chercheuses de Berkeley avancent une idée qui bouscule le récit “gain de temps” associé à l’intelligence artificielle : quand l’outil entre dans le quotidien, le travail des experts ne se simplifie pas forcément… il se recompose, s’étend et devient plus difficile à contenir. Leur analyse, menée au plus près de 200 salariés d’une entreprise technologique suivis pendant huit mois, montre comment la technologie peut déclencher une surenchère de tâches, grignoter les temps de repos et multiplier les micro-décisions. L’enjeu n’est pas de rejeter l’innovation, mais de comprendre ce qu’elle change réellement dans l’expertise et l’organisation.
Pourquoi, selon des chercheuses de Berkeley, l’intelligence artificielle augmente la complexité du travail des experts
Le point de départ est simple : si un outil automatise une partie du travail, vous pourriez vous attendre à récupérer du temps. Sur le terrain, les chercheuses observent autre chose : le temps “libéré” est souvent réinvesti dans des tâches supplémentaires, parfois invisibles, qui élargissent le périmètre de chacun. Au final, l’expertise n’est pas remplacée, elle est sollicitée plus souvent et dans davantage de directions.
Pour rendre cela concret, imaginez une équipe produit où l’IA rédige des premières versions de spécifications et propose des options de design. Le responsable produit n’écrit plus tout, mais il arbitre davantage, plus vite, et doit valider une quantité accrue de propositions. La complexité se déplace : moins de production “brute”, plus de contrôle, de tri, de validation et de responsabilité.
Une enquête de terrain : 8 mois d’observation et 200 salariés suivis au quotidien
Les chercheuses de Berkeley ont suivi pendant huit mois environ 200 personnes dans une entreprise technologique, sans imposer l’usage d’outils d’intelligence artificielle. Elles ont assisté aux réunions, observé les échanges informels et mené une quarantaine d’entretiens pour relier les pratiques réelles aux ressentis et aux contraintes.
Ce format est instructif, car il capte les frictions du quotidien : les moments où l’on “gagne du temps”, mais aussi ceux où l’on en perd à reformuler des demandes, à vérifier des sorties, ou à gérer la coordination entre humains et machine. C’est précisément là que le travail des experts se densifie.
Surenchère de tâches : quand l’IA élargit le périmètre plutôt que de soulager
L’un des constats centraux est la surenchère : dès qu’un outil accélère une étape, l’organisation trouve naturellement de nouvelles choses à faire avec ce temps. Les collaborateurs se mettent à prendre en charge des missions qui appartenaient auparavant à d’autres équipes, à des prestataires externes, ou qui étaient simplement repoussées.
Dans une entreprise type, vous le voyez vite : un analyste data utilise l’IA pour préparer un dashboard plus vite, puis on lui demande d’aller plus loin (segmentations supplémentaires, analyses ad hoc, notes explicatives). L’accélération devient une norme, et la norme devient une attente.
Exemple concret : développeurs, relectures et dette de vérification
Les chercheuses décrivent un effet en chaîne : quand certains collègues s’appuient sur l’IA pour coder, d’autres se mettent à relire et corriger davantage. Sur le papier, l’équipe “avance plus vite”. En pratique, la charge de contrôle augmente, et elle retombe souvent sur les profils les plus expérimentés, ceux dont l’expertise est la plus rare.
Prenez le cas d’une équipe d’ingénierie où l’IA génère des morceaux de code. Le senior ne passe plus son temps à écrire chaque ligne, mais à détecter les bugs subtils, les failles de sécurité, ou les incohérences d’architecture. L’innovation est réelle, mais la responsabilité aussi, et c’est elle qui alourdit la complexité.
À ce stade, une question s’impose : si chacun “aide” tout le monde grâce à l’IA, qui protège le temps long nécessaire au travail de fond ? Cette tension prépare directement le sujet suivant : la porosité entre travail et repos.
Frontières brouillées : l’intelligence artificielle grignote les pauses et favorise le multitâche
Autre enseignement : formuler des requêtes à une IA paraît “moins coûteux” que travailler. Résultat, de nombreux salariés empiètent sur leurs pauses pour lancer une demande, “juste un dernier prompt”, ou préparer une prochaine étape. La machine travaille pendant qu’ils se déplacent, déjeunent ou finissent leur journée, et l’esprit reste accroché au fil des réponses à venir.
Dans les équipes que vous connaissez peut-être, cela se traduit par un réflexe : lancer une génération avant une réunion, vérifier la sortie entre deux appels, corriger un détail en marchant. La technologie installe un mode “toujours un petit coup à jouer”, et l’attention se fragmente.
La sensation de jongler en permanence : causes et effets sur l’expertise
Le multitâche n’est pas neutre : piloter une IA en parallèle d’autres missions impose de surveiller, relancer, filtrer, comparer, décider. Ce sont des micro-choix répétés, et c’est précisément ce qui fatigue les profils experts : non pas une tâche unique difficile, mais une constellation de petites décisions à risque.
Dans un service juridique, par exemple, l’IA peut proposer des clauses. L’expert doit alors vérifier la conformité, le contexte, les exceptions, et adapter au dossier. Si cela se fait entre deux urgences, la charge mentale grimpe, et l’erreur devient plus probable. L’insight clé : l’expertise est aussi une capacité d’attention soutenue, et l’IA peut la morceler.
Productivité à court terme, usure à long terme : ce que l’étude invite à surveiller
Sur le papier, l’IA peut sembler une aubaine pour l’employeur : les livrables s’enchaînent, les délais se raccourcissent, les équipes “répondent plus vite”. Mais les chercheuses relient ce gain initial à un risque progressif : fatigue, épuisement professionnel, difficulté croissante à se déconnecter, surtout si l’organisation augmente ses exigences de rapidité et de réactivité.
Le point important, c’est le décalage temporel : les indicateurs de performance peuvent s’améliorer avant que les signaux humains ne se dégradent. Si vous n’observez que la vitesse, vous ratez la dynamique d’usure.
Tableau de lecture : bénéfices immédiats vs coûts cachés pour le travail des experts
| Ce que l’IA semble améliorer | Ce qui se complexifie en réalité | Exemple de terrain | Type de données à suivre |
|---|---|---|---|
| Rédaction et production plus rapides | Validation, relecture, responsabilité accrue | Un ingénieur senior passe plus de temps à auditer du code généré | Taux de corrections, incidents, retours QA |
| Réponses “immédiates” aux demandes | Attentes de réactivité plus fortes, interruptions répétées | Un chef de projet reçoit plus de sollicitations car “ça prend 2 minutes” | Nombre d’interruptions, temps de concentration, charge perçue |
| Appui à l’analyse | Multiplication des pistes, arbitrages plus fréquents | Un analyste explore plus d’hypothèses, mais doit trancher plus souvent | Volume de demandes ad hoc, temps d’arbitrage |
| Standardisation de livrables | Risque d’uniformisation, baisse de vigilance sur l’innovation | Des notes deviennent “correctes”, mais moins originales, donc plus difficiles à différencier | Qualité perçue, diversité des solutions, feedback clients |
Recommandations des chercheuses de Berkeley : réintroduire du temps long et préserver l’humain
Face à ces risques, les chercheuses proposent des mesures très opérationnelles, qui ressemblent à des règles d’hygiène organisationnelle mais deviennent cruciales quand l’intelligence artificielle accélère tout. L’objectif : éviter que la technologie impose un rythme constant et une complexité diffuse, au détriment de l’expertise.
- Instaurer des pauses avant les décisions importantes, pour éviter l’effet “réponse immédiate” et retrouver une vérification à froid.
- Séquencer et prioriser le travail, afin de protéger des plages de concertation et réduire la fragmentation due au multitâche.
- Préserver des interactions humaines régulières, car elles apportent du recul, détectent les angles morts et soutiennent l’innovation réelle.
- Clarifier qui valide quoi, pour que la relecture et le contrôle ne retombent pas systématiquement sur les mêmes experts.
- Suivre des données de charge (interruptions, temps de focus, turn-over) en plus des métriques de productivité, afin d’anticiper l’usure.
Si vous deviez retenir une idée utile dès demain : l’IA ne réduit pas automatiquement le travail, elle redistribue l’effort vers l’arbitrage, le contrôle et la coordination. Et plus l’outil est performant, plus il faut organiser l’espace mental et collectif dans lequel l’expertise peut respirer.
