AI-translated from English; not yet reviewed by a fluent editor.

# L’usage de l’IA se diffuse au-delà du code, mais son intensité reste plus difficile à établir

> Les enquêtes font état d’un recours accru à l’IA au travail, tandis que les expériences mesurent des gains et des échecs dans des tâches précises. Les données d’usage ne permettent pas encore d’affirmer que d’autres métiers l’utiliseront autant que les développeurs.

By BIG CHANGE Editorial

Published: 2026-10-02T04:10:34.217Z
Updated: 2026-10-02T04:10:34.217Z
Canonical: https://bigchange.ai/blog/ai-use-beyond-coding-workplace-evidence

![A seated person works at a laptop while holding a blank sheet of paper at a wooden table.](https://bigchange.ai/api/media/file/ai-work-beyond-coding-hero-v2-1.png)
AI-generated by OpenAI; BIG CHANGE conceptual editorial illustration.

Près de deux adultes américains en emploi sur cinq ont déclaré avoir utilisé l’IA générative pour leur travail au cours de la semaine précédente, au deuxième trimestre 2026. Pourtant, l’IA a contribué à 6,3 % des heures de travail de l’ensemble des personnes en emploi, selon un [suivi d’enquête nationale](https://fredblog.stlouisfed.org/2026/08/does-generative-ai-save-time-at-work/) mené par des chercheurs de la Réserve fédérale de Saint-Louis, de Vanderbilt et de Harvard. Le premier chiffre compte les personnes ; le second, le temps qu’elles y consacrent. Aucun des deux n’indique si le travail était de qualité, si une entreprise a gagné davantage ou si un emploi a disparu.

Ces distinctions comptent lorsqu’on cherche à savoir si le reste du monde du travail finira par utiliser l’IA aussi intensément que les développeurs de logiciels. Les données des plateformes montrent une expérimentation plus large, notamment dans le droit, la vente et le marketing. Les expériences mettent en évidence de réels gains dans certaines tâches sans code. Elles montrent aussi que le simple accès peut avoir peu d’effet et qu’une réponse bien rédigée peut être erronée.

## Le grand changement

- **Ce qui change :** Les éditeurs d’IA font désormais état d’usages récurrents et d’activité d’agents dans un plus grand nombre de fonctions de l’entreprise, tandis que des enquêtes indépendantes constatent un recours hebdomadaire plus répandu chez les travailleurs américains.
- **Pourquoi c’est important :** L’usage se développe lorsque les outils s’intègrent aux méthodes de travail existantes, mais les gains dépendent de la tâche et des vérifications. Acheteurs et travailleurs ont besoin de mesures des résultats, en plus des chiffres d’adoption.
- **À surveiller :** La récurrence des usages par tâche, la qualité vérifiée des résultats et les rendements nets au-delà du code. Les données actuelles ne permettent pas d’établir quand les autres professions atteindront un niveau d’usage comparable à celui du développement logiciel, ni quelles seront les conséquences pour l’emploi.

## Les chiffres ne mesurent pas la même chose

Le [Real-Time Population Survey](https://fredblog.stlouisfed.org/2026/08/does-generative-ai-save-time-at-work/) interroge en ligne un échantillon national représentatif d’adultes américains de 18 à 64 ans sur leur utilisation de l’IA au travail. La proportion de personnes ayant utilisé l’IA au cours de la semaine précédente est passée de 28,2 % au troisième trimestre 2024 à 39,2 % au deuxième trimestre 2026. La part estimée des heures de travail totales aidées par l’IA a progressé de 4,1 % à 6,3 %. Les répondants estiment aussi que l’IA a économisé 2,2 % de l’ensemble des heures de travail au dernier trimestre. Ce dernier chiffre repose sur le temps économisé dont ils se souviennent ; il ne mesure pas un gain observé de productivité ou de chiffre d’affaires.

OpenAI observe une autre réalité : l’activité chez ses propres clients professionnels. Son [rapport Enterprise Signals d’août](https://openai.com/signals/enterprise-data/) fait état d’une multiplication par 108 du nombre d’utilisateurs hebdomadaires de Codex dans le droit, par 41 dans la vente et le recrutement, et par 26 dans le marketing entre février et juin 2026, contre une multiplication par cinq dans l’ingénierie. Les chiffres de départ ne sont pas publiés : ces taux ne permettent donc pas de comparer le nombre d’avocats et d’ingénieurs utilisant l’IA, ni la part de leur travail effectuée par celle-ci. En juin, Codex représentait 64 % des jetons de sortie combinés de Codex et ChatGPT chez les clients en entreprise. Les agents qui exécutent des tâches plus longues produisent davantage de jetons ; cette part ne correspond ni à la proportion de travailleurs concernés ni à une mesure de valeur. OpenAI commercialise ces produits et a intérêt à montrer qu’ils se diffusent.

Une étude distincte d’OpenAI [portant sur plus de 800 000 messages ChatGPT aux États-Unis](https://cdn.openai.com/pdf/work-at-the-frontier-report.pdf), publiée en juillet, a classé 16,8 % des messages liés au travail parmi les tâches associées à une profession autre que celle de l’utilisateur. Parmi les messages assez précis pour être rattachés à une profession, cette part était de 43,5 %. Un [suivi publié en septembre](https://cdn.openai.com/pdf/work-at-the-frontier-report-202609.pdf) a constaté que certains travailleurs revenaient à ces tâches le mois suivant. Il s’agit de la part des messages parmi les utilisateurs de l’échantillon, la profession étant déduite des informations d’inscription à l’usage professionnel. Ces données montrent ce que les gens demandent et reprennent, pas qu’ils ont accompli la tâche ou changé de métier.

Le rapport [June Economic Index](https://www.anthropic.com/research/economic-index-june-2026-report) d’Anthropic étudie également l’activité sur les services de l’éditeur. Son échantillonnage plus fin rend compte des rythmes d’activité pendant la journée de travail et distingue l’usage de Chat, Cowork et de l’API propriétaire. L’enquête complémentaire a mis les données d’usage en regard des réponses d’environ 9 700 utilisateurs de Claude ayant participé à au moins cinq sessions. Anthropic avertit que ces répondants ne représentent pas l’ensemble des travailleurs : les personnes exerçant des professions en informatique et en mathématiques constituaient environ 30 % des répondants, contre près de 4 % des personnes en emploi aux États-Unis. Les métiers physiques étaient sous-représentés. Son précédent [indice de mars](https://www.anthropic.com/research/economic-index-march-2026-report) concluait que les tâches informatiques et mathématiques représentaient 35 % des conversations sur Claude.ai en février. Il s’agit de la part des conversations d’un seul produit, et non de la proportion de développeurs utilisant l’IA ; l’activité de codage se déplaçait aussi vers l’API. Le trafic d’une plateforme peut révéler les tâches et leur fréquence au sein de celle-ci, mais ne suffit pas à mesurer l’adoption par profession dans l’ensemble de l’économie.

## La productivité dépend des tâches et des contrôles

Dans le cadre d’un [déploiement échelonné](https://doi.org/10.1093/qje/qjae044) portant sur 5 172 agents du service client, l’accès à un assistant conversationnel d’IA a augmenté de 15 % en moyenne le nombre de problèmes résolus par heure. Les agents moins expérimentés et moins qualifiés ont amélioré à la fois leur vitesse et la qualité de leur travail ; les plus expérimentés et les plus qualifiés ont gagné un peu en vitesse, mais leur qualité a légèrement baissé. Les clients se sont montrés plus polis et moins susceptibles de demander un responsable. L’étude a mesuré une seule activité de service client, où les résolutions et les escalades peuvent être suivies. Elle n’a pas calculé le rendement pour d’autres services d’assistance.

Une [expérience menée dans 66 entreprises auprès de 7 137 travailleurs du savoir](https://www.nber.org/papers/w33795) a attribué de façon aléatoire un outil d’IA intégré à des logiciels de courriel, de réunion et de rédaction. Au cours du second semestre de l’étude de six mois, les 80 % des travailleurs ayant reçu l’outil et l’ayant utilisé ont consacré deux heures de moins par semaine aux courriels et moins de temps à travailler en dehors des horaires habituels. Les chercheurs n’ont pas détecté de changement plus général du volume ou de la répartition des tâches lié au seul accès individuel. Trois auteurs travaillaient chez Microsoft Research ; Microsoft, qui développe l’outil, a coorganisé l’expérience et fourni les données de télémétrie du produit. Le résultat concerne les entreprises participantes, pas l’ensemble du travail de bureau.

Une expérience de terrain [auprès de 758 consultants du Boston Consulting Group](https://www.hbs.edu/ris/Publication%20Files/dell-acqua-et-al-2026-navigating-the-jagged-technological-frontier_5c589c8c-fbb5-458f-b285-c944746cd717.pdf), menée en 2023 et publiée en mars 2026, a constaté un travail plus rapide et mieux noté pour les tâches délibérément choisies en fonction des points forts de GPT-4. Dans un autre cas nécessitant d’interpréter des données d’entretien, les utilisateurs de l’IA étaient plus susceptibles de donner une réponse incorrecte. BCG a collaboré à l’étude, qui évaluait des exercices définis et non des résultats obtenus chez des clients.

Dans l’[étude randomisée de METR](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/) menée auprès de 16 développeurs expérimentés travaillant sur 246 tickets dans des dépôts qu’ils connaissaient, des outils d’IA du début de 2025 ont augmenté de 19 % le temps nécessaire à l’achèvement des tâches. Les développeurs pensaient néanmoins que ces outils les avaient accélérés. [La tentative ultérieure de METR](https://metr.org/blog/2026-02-24-uplift-update/) avec des outils plus récents laissait entrevoir des gains, mais les chercheurs ont jugé l’estimation peu fiable : les développeurs qui ne voulaient pas travailler sans IA se sont retirés, et des agents exécutant des tâches simultanément ont compliqué la mesure du temps. Ces études ne permettent donc pas d’établir un effet unique de l’IA sur la productivité du codage, tous outils et toutes années confondus.

Le code bénéficie d’un retour d’information particulièrement accessible : les dépôts conservent le contexte et les changements, tandis que les compilations, les tests et les revues peuvent révéler les échecs. Même là, un test réussi ne suffit pas à juger le produit dans son ensemble. Dans le service client, le règlement des problèmes et les réactions des clients fournissent d’autres retours. Un brouillon de courriel peut faire gagner du temps sans changer la production de l’entreprise. Une recommandation juridique, financière ou médicale exige des vérifications adaptées à ses conséquences, et l’acheteur doit tenir compte du travail de contrôle autant que du coût de l’outil. Ce sont des problèmes de mesure différents : l’usage seul ne permet donc pas d’établir une intensité ou une valeur équivalente.

## Le travail peut changer avant la masse salariale

Au Danemark, des chercheurs ont relié des enquêtes menées auprès de travailleurs de 11 professions exposées et de 7 000 lieux de travail à des données administratives. Leur [version révisée de mars 2026](https://www.nber.org/papers/w33777) relève des initiatives d’employeurs autour des chatbots et des changements de tâches déclarés, mais aucun effet détectable sur les revenus ou les heures enregistrées au niveau des travailleurs ou des lieux de travail deux ans après le lancement de ChatGPT ; leurs estimations excluent les effets supérieurs à 2 %. Ce résultat est circonscrit au Danemark, aux professions et à la période étudiées. Il ne permet pas d’établir que l’adoption ultérieure laissera l’emploi inchangé.

Pour un travailleur, un usage récurrent peut se traduire par un éventail de tâches plus large ou moins de temps consacré aux courriels. Pour un acheteur, la question est de savoir si l’ensemble du flux de travail produit un travail fiable à un coût acceptable. Pour la personne qui reçoit une réponse du service d’assistance ou s’appuie sur un conseil professionnel, l’enjeu est l’exactitude et la responsabilité. Les données disponibles montrent une diffusion accrue au-delà du code et des gains mesurables dans certaines tâches. Elles ne permettent pas encore de prévoir quand d’autres métiers atteindront la profondeur d’usage du développement logiciel, ni d’établir un effet unique sur la productivité et l’emploi.

## Sources et lectures complémentaires

- [Real-Time Population Survey adoption tracker, explained by the St. Louis Fed](https://fredblog.stlouisfed.org/2026/08/does-generative-ai-save-time-at-work/), 27 août 2026 : utilisation aux États-Unis pendant la semaine précédente, heures de travail aidées et gains de temps déclarés par les répondants. L’étude ne mesure ni la qualité des résultats ni le chiffre d’affaires.
- [OpenAI Enterprise Signals](https://openai.com/signals/enterprise-data/), mise à jour le 12 août 2026 : activité au sein de la clientèle professionnelle d’OpenAI, avec des mesures du nombre de jetons et d’utilisateurs hebdomadaires. Les nombres de départ ne sont pas publiés, ce qui limite les conclusions tirées des taux de croissance.
- [OpenAI, Work at the Frontier](https://cdn.openai.com/pdf/work-at-the-frontier-report.pdf), juillet 2026, et son [suivi de septembre](https://cdn.openai.com/pdf/work-at-the-frontier-report-202609.pdf) : classement des messages ChatGPT et récurrence parmi un échantillon d’utilisateurs professionnels, et non résultats de tâches accomplies.
- [Anthropic Economic Index: Cadences](https://www.anthropic.com/research/economic-index-june-2026-report), 26 juin 2026, et [Learning curves](https://www.anthropic.com/research/economic-index-march-2026-report): activité sur Claude, types de sorties et enquête auprès d’un échantillon d’utilisateurs sélectionné. Les dénominateurs correspondent au trafic d’Anthropic et aux personnes ayant répondu.
- [Brynjolfsson, Li and Raymond, Generative AI at Work](https://doi.org/10.1093/qje/qjae044), publié en ligne le 4 février 2025, dans le numéro de mai du *Quarterly Journal of Economics* : mesure de la productivité des agents du service d’assistance, des écarts selon l’expérience des travailleurs et des réactions des clients lors d’un déploiement échelonné dans une seule entreprise.
- [Dillon et ses coauteurs, Shifting Work Patterns with Generative AI](https://www.nber.org/papers/w33795), révisé en novembre 2025 : accès randomisé à un outil au travail, temps consacré aux courriels et répartition des tâches dans les entreprises participantes. Trois auteurs travaillaient chez Microsoft Research ; Microsoft a coorganisé l’expérience.
- [Dell’Acqua et ses coauteurs, Navigating the Jagged Technological Frontier](https://www.hbs.edu/ris/Publication%20Files/dell-acqua-et-al-2026-navigating-the-jagged-technological-frontier_5c589c8c-fbb5-458f-b285-c944746cd717.pdf), expérience menée en 2023 et publiée le 11 mars 2026 : mesure de la vitesse, de la qualité évaluée et des erreurs sur différents exercices de conseil.
- [L’expérience de METR sur les développeurs](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/) et sa [mise à jour de février 2026](https://metr.org/blog/2026-02-24-uplift-update/) : données randomisées sur le codage et difficultés de sélection dans l’étude ultérieure.
- [Humlum et Vestergaard, Still Waters, Rapid Currents](https://www.nber.org/papers/w33777), révisé en mars 2026 : enquêtes auprès de travailleurs et d’employeurs danois reliées aux heures et revenus enregistrés dans des bases administratives.

## Sources

- [Does generative AI save time at work?](https://fredblog.stlouisfed.org/2026/08/does-generative-ai-save-time-at-work/) — Enquête en ligne représentative aux États-Unis : utilisation au cours de la semaine précédente, heures de travail aidées et gains déclarés ; aucun résultat vérifié ni chiffre d’affaires.
- [Enterprise signals](https://openai.com/signals/enterprise-data/) — Télémétrie d’OpenAI en entreprise : utilisateurs de Codex par fonction et répartition des jetons. Les nombres de départ non publiés et les agents gourmands en jetons limitent les inférences.
- [Work at the Frontier: How AI is expanding what people do at work](https://cdn.openai.com/pdf/work-at-the-frontier-report.pdf) — Classification par OpenAI de plus de 800 000 messages liés au travail ; les parts hors profession sont des parts de messages, pas de tâches accomplies.
- [Work at the Frontier: How workers are unlocking new ways of working](https://cdn.openai.com/pdf/work-at-the-frontier-report-202609.pdf) — Étude d’OpenAI sur la récurrence des tâches auprès d’un échantillon sélectionné ; les demandes répétées ne prouvent pas une refonte des métiers.
- [Anthropic Economic Index: Cadences](https://www.anthropic.com/research/economic-index-june-2026-report) — Modes d’utilisation de Claude et enquête non représentative auprès d’environ 9 700 utilisateurs sélectionnés.
- [Anthropic Economic Index: Learning curves](https://www.anthropic.com/research/economic-index-march-2026-report) — Échantillons Claude.ai et API de février 2026. Les 35 % liés au codage correspondent à la part des conversations sur Claude.ai.
- [Generative AI at Work](https://doi.org/10.1093/qje/qjae044) — Étude publiée dans le numéro de mai 2025 du QJE auprès de 5 172 agents d’une seule activité de service client : 15 % de résolutions supplémentaires par heure en moyenne. Les gains se concentraient chez les novices ; les travailleurs les plus qualifiés ont connu une légère baisse de la qualité. Les clients se sont montrés plus polis et ont moins souvent demandé un responsable. Aucun résultat général sur le rendement ou l’emploi.
- [Shifting Work Patterns with Generative AI](https://www.nber.org/papers/w33795) — Numéro NBER de mai 2025, révisé en novembre 2025 (jour non précisé). Étude randomisée menée auprès de 7 137 travailleurs dans 66 entreprises. Trois auteurs travaillaient chez Microsoft Research ; Microsoft a développé l’outil, coorganisé l’étude et fourni les données de télémétrie.
- [Navigating the Jagged Technological Frontier](https://www.hbs.edu/ris/Publication%20Files/dell-acqua-et-al-2026-navigating-the-jagged-technological-frontier_5c589c8c-fbb5-458f-b285-c944746cd717.pdf) — Exercices contrôlés menés avec des consultants de BCG en 2023, publiés dans Organization Science le 11 mars 2026 ; gains et erreurs dépendant des tâches, et non résultats obtenus chez les clients.
- [Étude de productivité des développeurs de METR du début de 2025](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/) — Étude randomisée portant sur 16 développeurs et 246 tickets ; avec les outils disponibles à l’époque, le travail a duré 19 % plus longtemps dans cet échantillon restreint.
- [Mise à jour de l’expérience de productivité des développeurs de METR](https://metr.org/blog/2026-02-24-uplift-update/) — Les chercheurs expliquent pourquoi les estimations ultérieures de gains de vitesse ne sont pas fiables en raison de la sélection des participants et des difficultés de mesure du temps.
- [Still Waters, Rapid Currents](https://www.nber.org/papers/w33777) — Numéro NBER de mai 2025, révisé en mars 2026 (jour non précisé). Étude danoise par enquêtes et données administratives : absence d’effet précoce mesurable sur les revenus et les heures enregistrées, dans un cadre limité.