L’IA générative promet des gains de productivité spectaculaires au niveau des tâches. Mais, une fois intégrée aux processus réels, la vitesse de génération peut se perdre dans les files d’attente, les vérifications et les reprises. Pour mesurer — et obtenir — des gains réels, il faut raisonner en flux plutôt qu’en temps de production isolé.
Malgré ses capacités, l’IA générative peine à dégager des gains de productivité réels. Lorsque l’on mesure la vitesse des tâches automatisées - génération de code, rédaction d’une ébauche de texte, analyse de cas - dans le cadre d’un pilote ou d’une expérimentation, les bénéfices sont stupéfiants par rapport au travail humain. Mais, lors du passage en production ou sur la durée, il apparaît que les gains sont bien moindres, voire inexistants. Les tâches confiées à la GenAI vont certes plus vite, mais, à l’échelon du workflow, le traitement n’accélère pas et parfois même il ralentit. Faute d’impact mesurable sur la productivité, beaucoup de projets restent ainsi confinés à des usages ponctuels, peinent à passer à l’échelle ou finissent par être abandonnés.
Cas compliqués et effort de vérification
Cet écart entre la productivité de l’IA et celle du workflow en conditions réelles a plusieurs explications. Premièrement, en mode expérimental, les cas particuliers ou ardus sont souvent traités manuellement parce qu’ils sont identifiés comme tels en amont ou parce que l’IA montre ses limites. Rarement considéré dans les indicateurs, ce traitement manuel des cas particuliers conduit à des mesures de productivité faussées jusqu’à la confrontation avec la réalité de la mise en production.
Deuxièmement, l’accélération de la génération a pour effet d’augmenter considérablement le travail de vérification par des humains. Non seulement le volume de contenus à vérifier, à valider, à intégrer grandit, mais le caractère vraisemblable de ces contenus et les erreurs imprévisibles qui s’y cachent exigent un effort et une attention soutenus. Face à l’accumulation de contenus à vérifier, les relecteurs tendent à revoir leurs exigences à la baisse, se concentrent sur les contenus critiques et en laissent passer d’autres. Des outputs de mauvaise qualité poursuivent ainsi leur route et finissent par devoir être revérifiés en aval. Quand bien même le temps de traitement moyen est accéléré, les cas nécessitant un travail important de revérification finissent par engorger le workflow, la file d’attente s’allonge et le traitement dans son ensemble n’est pas accéléré (lead time).
Goulot et file d’attente
L’introduction de l’IA générative a pour effet de reconfigurer les workflows de manière discrète. On passe en général d’un mode manuel combinant production et jugement, à un mode automatisé séparant génération par la machine et vérification humaine. Une nouvelle étape de validation apparaît ainsi dans le processus qui peut se transformer en goulot si elle n’est pas bien conçue et anticipée.
L’IA modifie aussi la variabilité du processus. En moyenne, les cas peuvent être traités plus rapidement, mais certains outputs erronés, ambigus ou difficiles à vérifier prennent beaucoup plus de temps, mobilisent les experts et génèrent des reprises. Dans une file d’attente, le temps moyen ne suffit pas à évaluer la performance du système: quelques cas longs peuvent ralentir l’ensemble du flux, surtout lorsque la capacité de vérification est limitée. Le gain obtenu en amont est absorbé par la congestion en aval.
Plus lent, le traitement manuel n’affiche que peu de variabilité. A l’inverse, le traitement automatisé est plus rapide, mais plus variable: certains outputs contenant des erreurs non-détectées doivent être retravaillés et engorgent la file d’attente. Source: Bartolucci, 2026
Penser en terme de flux
La productivité obtenue grâce à l’IA au niveau de la tâche ne se matérialise ainsi dans la réalité à l’échelon du workflow que sous certaines conditions. Il faut d’une part que l’IA générative prenne en charge une proportion significative des cas dans toute leur variété et complexité. Et il faut d’autre part que le temps de vérification ajouté aux reprises occasionnées par les erreurs non-détectées, soit inférieur au temps humain requis pour un traitement manuel.
Pour déployer utilement l’IA générative, les organisations doivent donc raisonner à l’échelle du workflow global. Cela suppose de comparer le flux avant et après introduction de l’IA, d’identifier les nouvelles étapes créées par le couplage humain-machine, d’anticiper les goulots émergents et de mesurer les phénomènes de file d’attente. Il ne s’agit pas d’évaluer seulement le temps économisé à la génération, mais aussi l’effet sur le débit du processus, le lead time, la charge de vérification, les reprises et la capacité humaine réellement libérée.
Deux voies d’amélioration
Différentes stratégies permettent d’alléger la contrainte de vérification humaine et le goulot d’étranglement qu’elle constitue. Une première voie consiste à automatiser une partie du contrôle: tests automatisés (dans la génération de code), contrôles de cohérence, validation de formats, comparaison avec des sources de référence, détection d’anomalies. Une autre voie consiste à mettre en place des mécanismes d’escalade afin que l’humain ne soit sollicité que lorsque la sensibilité de la tâche, l’incertitude du modèle ou le taux d’erreur observé le justifient.
Ces deux voies ouvrent elles-mêmes de nouveaux chantiers techniques et organisationnels. Pour automatiser la vérification, il faut disposer de critères contrôlables, de tests fiables et de référentiels stables. Filtrer les escalades exige de son côté de définir des seuils de risque, de les mesurer et d’assumer que certains cas ne feront pas l’objet d’une revue humaine complète. Dans les deux cas, l’idée est d’éviter que la supervision humaine ne se mue en file d’attente indifférenciée, tout en conservant un niveau de contrôle adapté à la criticité du processus.
Référence:
Bartolucci, S., & Vivo, P. (2026). Queue&AI: When Faster Tasks Slow Down the Workflow.
