La version courte
Édition 2026Points clés
Chaque élément à emporter renvoie à sa ligne de données canonique. Les chiffres déclarés appartiennent à leur producteur cité ; les résultats modélisés sont étiquetés comme calculs.
- Expérience de rédaction : temps de tâche réduit avec assistance IA : 40 % (expérience 2023 ; publiée en juillet 2023).MIT / Noy et Zhang
- Expérience de rédaction : qualité de sortie évaluée plus élevée : 18 % (expérience 2023 ; publiée en juillet 2023).MIT / Noy et Zhang
- Expérience de conseil : augmentation du nombre de sous-tâches complétées : 12,2 % (étude initialement publiée en 2023 ; résumé d'étude publié avril 2026).Harvard Business School AI Institute / Dell’Acqua et collègues
- Expérience de conseil : qualité approximativement plus élevée sur l'exercice d'innovation : 32 % (étude initialement publiée en 2023 ; résumé d'étude publié avril 2026).Harvard Business School AI Institute / Dell’Acqua et collègues
- Tâche de stratégie : réponses correctes sans IA : 84,5 % (étude initialement publiée en 2023 ; résumé de l'étude publiée en avril 2026).Harvard Business School AI Institute / Dell’Acqua et collègues
- Tâche de stratégie : réponses correctes avec accès GPT-4 : 70,6 % (étude initialement publiée en 2023 ; résumé de l'étude publiée en avril 2026).Harvard Business School AI Institute / Dell’Acqua et collègues
- Tâche de stratégie : réponses correctes avec GPT-4 et aperçu de l'invite : 60 % (étude initialement publiée en 2023 ; résumé de l'étude publiée en avril 2026).Harvard Business School AI Institute / Dell’Acqua et collègues
- Expérience Copilot : réduction du temps d'achèvement sur une tâche de codage : 55,8 % (15 mai-20 juin 2022).Peng, Kalliamvakou, Cihon et Demirer
- Expérience METR début 2025 : temps d'achèvement plus long avec l'IA autorisée : 19 % (février-juin 2025).METR
- Participants METR : accélération perçue de l'IA après l'expérience : 20 % (février-juin 2025).METR
L'IA aide-t-elle pour les courtes tâches d'écriture professionnelle ?
L'expérience de rédaction a révélé moins de temps passé et une qualité évaluée plus élevée avec assistance. Ses affectations ne nécessitaient pas la précision factuelle complète ni le contexte organisationnel de nombreux documents réels destinés aux clients.
| Résultat par rapport au contrôle | Changement déclaré |
|---|---|
| Réduction du temps de tâche | 40%Expérience randomisée |
| Augmentation de la qualité évaluée | 18%Expérience randomisée |
L'amélioration du score de qualité et la réduction du temps sont des résultats différents et ne doivent pas être additionnés.
Source primaire : MIT / Noy et Zhang — 14 juillet 2023
L'IA peut-elle améliorer une tâche de conseil et en nuire à une autre ?
Oui. L'étude sépare les tâches que le modèle pouvait gérer d'un problème stratégique sur lequel il était peu fiable. La productivité sur le premier ensemble n'établit pas la précision sur le second.
| Résultat et condition | Pourcentage déclaré |
|---|---|
| Plus de sous-tâches accomplies lors de l'exercice d'innovation | 12.2%Expérience randomisée |
| Qualité supérieure sur l'exercice d'innovation, approximativement | 32%Expérience randomisée |
| Réponse stratégique correcte : pas d'IA | 84.5%Expérience randomisée |
| Réponse stratégique correcte : accès GPT-4 | 70.6%Expérience randomisée |
| Réponse stratégique correcte : GPT-4 plus aperçu des invites | 60%Expérience randomisée |
L'estimation de la qualité est approximative. Il s'agit de preuves historiques de GPT-4, et non d'une référence des modèles actuels.
Source primaire : Harvard Business School AI Institute / Dell’Acqua et collègues — 9 avril 2026
Pourquoi les études de codage rapportent-elles des effets de productivité différents ?
Une tâche de codage autonome et la maintenance dans un référentiel mature sont des tâches différentes. Les études ont également utilisé différentes générations de modèles et méthodes de recrutement. Leurs résultats doivent rester séparés plutôt que moyennés.
| Étude et résultat | Changement déclaré |
|---|---|
| Affectation Copilot : réduction du temps d'achèvement | 55.8%Expérience randomisée |
| METR : augmentation du temps d'achèvement réel | 19%Expérience randomisée |
| METR : accélération anticipée avant le travail | 24%Perception du participant |
| METR : accélération perçue après le travail | 20%Perception du participant |
Le suivi ultérieur de METR a signalé de sérieux problèmes de sélection et de mesure du temps. Ses auteurs ne considèrent pas ce suivi comme une estimation fiable de l'effet actuel ; le ralentissement historique n'est pas une affirmation concernant tous les développeurs en 2026.
Sources primaires : Peng, Kalliamvakou, Cihon et Demirer — 13 février 2023 · METR — 10 juillet 2025 · METR — 24 février 2026
Que signifie chaque changement de temps mesuré sur la même base ?
Un indice de référence facilite la lecture de l'arithmétique sans regrouper les études. Chaque condition de contrôle se voit attribuer le même indice de départ ; l'indice assisté résultant ne fait référence qu'à sa propre expérience.
| Expérience | Indice de temps assisté ; contrôle = 100 |
|---|---|
| Expérience de rédaction | 60Calcul normalisé |
| Affectation Copilot | 44.2Calcul normalisé |
| Tâches de référentiel METR | 119Calcul normalisé |
Normalisation Workspace369, pas un nouveau résultat observé. Moins signifie moins de temps. Une réduction du temps n'est pas la même augmentation en pourcentage du débit, et aucune estimation de débit n'est revendiquée.
Sources primaires : MIT / Noy et Zhang — 14 juillet 2023 · Peng, Kalliamvakou, Cihon et Demirer — 13 février 2023 · METR — 10 juillet 2025
Comment une entreprise doit-elle tester les gains de temps de l'IA ?
Définir une tâche répétable et un standard d'acceptation avant de comparer le travail assisté et non assisté. Inclure la préparation des invites, la vérification des faits, l'examen et le retravail. Maintenir les exigences d'accès aux données client et d'approbation humaine inchangées dans la comparaison.
Suivez à la fois le temps et la qualité. N'appliquez pas un pourcentage de tâche de rédaction à l'ensemble d'une masse salariale et ne supposez pas le même résultat pour un agent autonome.
Comment ce rapport a été construit
Méthodologie et limitations
- Il s'agit d'une comparaison de preuves sélectionnées, et non d'une revue systématique ou d'une méta-analyse. Les études ont été incluses pour des tâches identifiables, des preuves du producteur original et des définitions de résultats clairement énoncées.
- Les chiffres de rédaction et de conseil utilisent les résumés publics de leurs institutions de recherche sur les études publiées. L'article de codage et le rapport METR fournissent des détails expérimentaux originaux. Les versions de document de travail et publiées ne sont pas mélangées.
- Les résultats mesurés et les accélérations perçues portent des étiquettes de preuves distinctes. Le calcul de l'indice temporel utilise uniquement les changements de temps d'achèvement mesurés ; les croyances de l'enquête en sont exclues.
- Les versions du modèle et les dates d'étude restent attachées aux conclusions. Nous avons vérifié le suivi METR et conservé son avertissement concernant la fiabilité des estimations plus récentes.
Ce que ces chiffres ne peuvent pas vous dire
- Les expériences sélectionnées ne peuvent pas établir un retour sur investissement universel de l'IA. Différentes tâches, conditions de contrôle, participants et tests de qualité empêchent un pourcentage groupé défendable.
- Les tailles d'échantillon décrivent la portée de l'étude, et non des réplications indépendantes. L'implication des fournisseurs dans l'étude Copilot est pertinente pour l'interprétation.
- Les résultats antérieurs n'établissent pas les capacités des modèles actuels. La normalisation n'inclut pas les coûts de mise en œuvre ni ne démontre des économies annuelles soutenues.
Fraîcheur et corrections
Maintenu par l'équipe éditoriale de Workspace369. Réviser trimestriellement et lorsque un producteur cité publie une étude de remplacement. Prochaine révision éditoriale : décembre 2026. Conserver les versions de modèles historiques et les dates d'observation. La date d'édition ne change que lorsque les preuves ou le contenu sont substantiellement révisés ; elle ne change pas la période d'observation sous-jacente.
Première édition : . Extraction des données, attribution de la source et calculs vérifiés pour cette édition. Aucune expertise indépendante n'est revendiquée.
Vous avez trouvé une erreur ou une nouvelle publication principale plus récente ? Envoyer une correction avec la source et la statistique affectée. Les corrections confirmées doivent être enregistrées dans l'historique des révisions avant la republication.
Sources primaires et provenance
Chaque cellule numérique déclarée est directement liée à son producteur. Les téléchargements incluent les localisateurs exacts de table ou de classeur, les périodes d'observation, les dates d'accès, les formules et les références d'entrée.
- MIT / Noy et ZhangAnnonce de recherche du MIT pour l'expérience de rédaction scientifique publiée ↗Publié le 14 juillet 2023. Consulté le 12 septembre 2026.Observations factuelles sélectionnées paraphrasées avec attribution. Aucun rapport source, graphique, données de participants ou base de données propriétaire n'est redistribué ; les droits de source restent avec leur producteur.
- Harvard Business School AI Institute / Dell’Acqua et collèguesRetour aux débuts de l'IA au travail : examen institutionnel de l'expérience de conseil publiée ↗Publié le 9 avril 2026. Consulté le 12 septembre 2026.Observations factuelles sélectionnées paraphrasées avec attribution. Aucun rapport source, graphique, données de participants ou base de données propriétaire n'est redistribué ; les droits de source restent avec leur producteur.
- Peng, Kalliamvakou, Cihon et DemirerL'impact de l'IA sur la productivité des développeurs : preuves de GitHub Copilot, arXiv v1 ↗Publié le 13 février 2023. Consulté le 12 septembre 2026.Observations factuelles sélectionnées paraphrasées avec attribution. Aucun rapport source, graphique, données de participants ou base de données propriétaire n'est redistribué ; les droits de source restent avec leur producteur.
- METRMesurer l'impact de l'IA début 2025 sur la productivité des développeurs expérimentés en open source ↗Publié le 10 juillet 2025. Consulté le 12 septembre 2026.Observations factuelles sélectionnées paraphrasées avec attribution. Aucun rapport source, graphique, données de participants ou base de données propriétaire n'est redistribué ; les droits de source restent avec leur producteur.
- METRNous changeons la conception de notre expérience de productivité des développeurs ↗Publié le 24 février 2026. Consulté le 12 septembre 2026.Observations factuelles sélectionnées paraphrasées avec attribution. Aucun rapport source, graphique, données de participants ou base de données propriétaire n'est redistribué ; les droits de source restent avec leur producteur.
Conçu pour être vérifié, puis cité
Comment citer ce rapport
Pour une statistique déclarée par la source, citez l'éditeur d'origine et créez un lien vers la ligne exacte ici lorsque vous utilisez notre compilation. Pour un résultat modélisé, citez Workspace369 et incluez les hypothèses. Le lien vers cette page ne fait pas de nous le producteur original des données tierces.
Workspace369. (2026-09-12). Références de productivité IA et d'économies de temps. https://workspace369.com/research/ai-productivity-time-savings-benchmarks/. Sources primaires et périodes d'observation telles que listées dans le rapport.
Les téléchargements sont des ensembles de données de référence en langue anglaise, y compris sur les pages traduites. Les droits de source restent la propriété de leurs producteurs. Attribuez la compilation et les calculs de Workspace369 ; consultez les conditions de réutilisation de chaque source.