IA générative et travail: au-delà du bruit, ce que la recherche révèle déjà

Productivité : un gain réel mais piégé

Premier constat, l'IA générative améliore la performance sur certaines tâches, en particulier pour les profils les moins expérimentés. Noy et Zhang (2023) montrent que ChatGPT réduit le temps de rédaction tout en augmentant la qualité, avec un effet de réduction des inégalités marqué entre les travailleurs. Dell'Acqua et al. (2026) confirment ce résultat auprès de consultants du Boston Consulting Group, à l'intérieur de ce qu'ils nomment la « frontière technologique dentelée » (jagged technological frontier), un concept qui renvoie au périmètre de tâches où l'IA est effectivement compétente.

Mais au-delà de cette frontière, dès que la tâche exige de porter un jugement sur des données hétérogènes, les professionnels assistés par l'IA produisent des résultats moins fiables que ceux qui travaillent seuls. Le danger est insidieux car les réponses erronées de l'IA présentent une cohérence apparente qui favorise l'excès de confiance. C'est ce que Mathias Baitan, Directeur général de ISFB, formulait dans sa tribune pour ISFB Insight (« À l'ère de l'IA, la finance a plus que jamais besoin d'humains bien formés », avril 2026). La confusion entre accès rapide à l'information et compréhension réelle constitue un risque structurel documenté.

Une intensification silencieuse du travail

Le deuxième constat est celui de l'intensification. Une étude ethnographique de huit mois menée dans une entreprise technologique américaine, relayée récemment dans la Harvard Business Review à partir d’un travail en cours (Ranganathan et Ye, 2026), propose que l’IA n’allège pas le travail mais le densifie. Sans injonction managériale explicite, les employés accélèrent leur rythme, élargissent le périmètre de leurs tâches et estompent les frontières entre travail et pause. En abaissant le coût d’exécution des tâches, l’IA rend possible l’extension du travail. Les auteurs évoquent ainsi une dynamique d’expansion insidieuse, qu’ils qualifient de workload creep.

Cette intensification semble relever d'un mécanisme général. Plusieurs études convergent sur un même paradoxe. L'IA améliore en effet la productivité directe, mais elle peut aussi générer du technostress, qui épuise les ressources mentales (Chuang, Chiang & Lin, 2025 ; Högemann et al., 2025). Chez de jeunes professionnels, Högemann et al. (2025) en décrivent certaines dimensions comme l’ambiguïté réglementaire, renvoyant au manque de directives claires au sein des organisations concernant l'utilisation officielle des outils d'IA générative, la dépendance perçue, le risque de dégradation des compétences, les doutes sur la fiabilité des productions de l’IA et le déplacement du travail vers davantage de supervision et de conceptualisation.

Motivation, rapport au savoir, créativité : des déplacements

Dans un article d’opinion à visée conceptuelle, Hermann et al. (2025) mobilisent la théorie de l'autodétermination de Deci et Ryan (2000), l'un des cadres les plus établis en psychologie de la motivation. Celle-ci pose que l'engagement durable dans une activité repose sur trois besoins fondamentaux : se sentir à l’origine de ses actes, se sentir efficace et se sentir connecté aux autres. Or, Hermann et al. proposent que l'IA générative menace précisément ces trois leviers. Cette menace ne serait toutefois pas homogène, et les auteurs suggèrent que les effets psychologiques de l’IA peuvent différer selon le niveau d’expertise, le type de tâches et la position occupée. D'autres travaux complètent le tableau. Ainsi, sur le plan créatif, Doshi et Hauser (2024), proposent que l’IA améliore la qualité individuelle des productions tout en homogénéisant les contenus à l'échelle collective.

Ces résultats convergent avec la synthèse du laboratoire LaborIA (2024), qui distingue des « configurations aliénantes », comme l’excès de confiance, la délégation passive, la perte de conscience professionnelle, et des « configurations capacitantes » où l'IA augmente véritablement les aptitudes, ceci lorsque l'organisation crée les conditions d’un équilibre entre logique de productivité et logique du travail réel.

Ce que cela signifie pour le secteur bancaire

Dans notre article de mars 2024 pour ISFB Insight (« IA et développement des compétences dans le secteur bancaire : quelles prémisses ? »), nous posions les termes initiaux d’une réflexion sur l’IA générative dans la banque : nouvelles compétences, valeur ajoutée humaine et accompagnement des transformations. Deux ans plus tard, certains travaux de recherche permettent d’en préciser quelques conditions.

Moharrak et Mogaji (2025) identifient cinq facteurs critiques pour l’intégration de l’IA générative dans la banque, qu’ils désignent comme la reconnaissance, les exigences, la fiabilité, le cadre réglementaire et la capacité de réponse. Plus précisément, la reconnaissance renvoie à la prise en compte du potentiel réel de l’IA générative dans les services financiers, mais aussi de la spécificité de ce secteur, où les usages ne peuvent être pensés sur un modèle générique. Les exigences concernent les prérequis du déploiement : des données financières spécialisées, complètes et fiables, des ressources humaines hautement qualifiées, ainsi qu’une infrastructure technique robuste, sécurisée et capable de traiter des volumes importants en temps réel. La fiabilité renvoie à l’exigence d’outils précis, dignes de confiance et interprétables, et suppose donc tests, validation, suivi continu et dispositifs de gouvernance. Le cadre réglementaire désigne la tension entre, d’un côté, le potentiel d’innovation de l’IA générative et, de l’autre, l’évolution plus lente des cadres réglementaires dans un secteur fortement régulé, ce qui appelle des règles adaptatives, un dialogue étroit avec les régulateurs et un effort continu de formation. Enfin, la capacité de réponse renvoie aux choix stratégiques et aux ajustements continus par lesquels les établissements tentent d’intégrer l’IA de manière prudente et évolutive. L’étude met en outre en évidence un enjeu transversal de clarification des responsabilités entre concepteurs, institutions financières et autorités de régulation.

Ainsi, dans une industrie à faible tolérance à l’erreur, ces résultats suggèrent la nécessité d’une supervision humaine forte. Dans le contexte bancaire vietnamien étudié par Ben Youssef, Bouebdallah et Long (2025), la préparation de l’organisation constitue un levier déterminant d’une adoption réussie de l’IA. Elle implique une infrastructure technologique robuste et un capital humain formé, prêt à s’adapter.

Former, pas seulement déployer

L'ensemble des travaux évoqués jusqu’ici converge vers un constat qui devrait interpeller toute organisation engagée dans l'intégration de l'IA. Déployer la technologie sans préparer les conditions de son usage revient à créer les conditions de son échec. Kim et Lee (2024) montrent ainsi que l'adoption de l'IA augmente le risque d'épuisement professionnel par accumulation silencieuse de nouvelles exigences, et que la confiance de l'individu en sa capacité à maîtriser ces outils en constitue un modérateur important. En effet, les employés dotés d'une forte auto-efficacité perçoivent l'IA comme un défi gérable et une opportunité de développement, ce qui atténue considérablement l'impact sur leur niveau de stress.

À la lumière des auteurs mobilisés, le présent article plaide conjointement pour le discernement dans l’usage de l’IA générative et pour l'investissement dans la formation. Celle-ci doit être non seulement technique, mais tournée prioritairement vers l'esprit critique, la compréhension des limites de la machine et l'aptitude à maintenir un engagement cognitif actif dans un environnement transformé. C'est aussi un argument en faveur d'une gouvernance lucide, capable de structurer les conditions d'usage plutôt que de les laisser se définir par défaut sous la pression de l'accélération.

Le secteur bancaire dispose, à cet égard, d’avantages structurels comme sa culture de la conformité, de la gestion des risques et de la responsabilité individuelle, qui constituent un socle sur lequel il est possible de construire un rapport exigeant à ces technologies. Encore faut-il que cette construction soit accompagnée par la formation continue, par le renforcement des compétences de discernement, et par le dialogue sur les pratiques, à tous les niveaux de l'organisation.