Dans l’enquête NVIDIA 2026 sur le retail et les produits de grande consommation, 91 % des répondants déclarent utiliser ou évaluer l’IA ; cela ne mesure ni les entreprises mondiales en général ni un usage quotidien. L’IA peut déplacer une partie du travail vers la vérification et le retraitement par les utilisateurs, mais la répartition de cette charge selon le salaire, le pouvoir de contestation ou la position hiérarchique doit être établie au cas par cas. Dans certains contextes organisationnels asiatiques caractérisés par une forte distance hiérarchique, les salariés peuvent être moins enclins à exprimer un feedback ascendant. Selon l’étude mondiale Workday publiée le 14 janvier 2026, près de 40 % du temps économisé grâce à l’IA est perdu en correction, réécriture et vérification de sorties de faible qualité.

L’essentiel

  • 91 % des entreprises mondialisées utilisent l’IA en 2026, contre 55 % en 2023 (Workday Global Research 2026).
  • 40 % des gains de productivité sont annulés par les coûts de correction imposés aux receveurs aval, soit 9 M$ de perte annuelle pour une organisation de 10 000 personnes.
  • Le mécanisme est asymétrique : les gains vont à ceux qui déploient l’outil, les coûts tombent sur ceux qui ne peuvent pas refuser la tâche.
  • En Asie, la hiérarchie bloquant le feedback remontant aggrave l’accumulation silencieuse de ces pertes.
  • Les organisations ayant reconfiguré leurs workflows avant le déploiement IA ont évité ce transfert de coût.

L’IA double la vitesse de l’émetteur, pas celle du système

Un rédacteur qui génère un rapport en vingt minutes au lieu de deux heures gagne du temps. Son manager valide plus vite. Mais en aval, le contrôleur qualité, le traducteur local, l’agent de support client ou l’opérateur de saisie reçoit un document dont les erreurs sont plus nombreuses, plus subtiles, et arrivées plus tôt qu’il n’était prévu. La vitesse de production a été découplée de la qualité de ce qui est produit. Le gain réel est dans le premier maillon ; le coût réel est dans les suivants.

L’enquête Workday 2026 documente ce mécanisme à l’échelle. Workday estime que près de 40 % du temps économisé grâce à l’IA est perdu en retraitement. Séparément, NVIDIA rapporte que 91 % des répondants retail/CPG utilisent ou évaluent l’IA. Ces équipes ne figurent généralement pas dans les tableaux de bord de productivité IA. Elles peuvent absorber un coût que les indicateurs d’adoption ne captent pas.

Le chiffre de 186 dollars par employé et par mois représente le coût moyen de ce retraitement, calculé sur l’ensemble des postes exposés. À l’échelle d’une organisation de 10 000 personnes, cela dépasse 9 millions de dollars annuels. La plupart des décideurs qui ont approuvé le déploiement IA n’ont pas prévu ce poste dans leur analyse de retour sur investissement.

En Asie, la hiérarchie amplifie le mécanisme

Le problème existe partout. Dans certains contextes asiatiques de forte distance hiérarchique, les remontées de problèmes peuvent être plus indirectes ; l’effet spécifique sur les coûts de l’IA reste à établir.

Dans certains contextes organisationnels, signaler les résultats défectueux d’un outil fourni par la direction peut être difficile. Un employé qui reçoit un contenu IA de mauvaise qualité peut consacrer du temps à sa correction sans que cette charge soit systématiquement signalée. L’outil est officiellement un succès. Les gains de productivité sont affichés côté émetteur. Les pertes sont invisibles côté receveur.

L’absence de canaux de remontée fiables et la peur de représailles peuvent créer des angles morts informationnels, mais leur forme et leur intensité varient selon les organisations et les contextes nationaux. Certaines organisations asiatiques peuvent cumuler des facteurs de risque spécifiques, mais une généralisation régionale comparative n’est pas établie.

L’économie du partage des gains : trois ans de prédictions

Daron Acemoglu, économiste du MIT dont les travaux récents portent précisément sur la gouvernance de l’IA au travail, formule une thèse directement applicable à ce mécanisme. Dans un article publié dans le New Yorker en 2026, il soutient que l’IA générative ne crée de prospérité partagée qu’à condition que des institutions ou des normes organisationnelles pèsent activement sur la distribution des gains. Selon Acemoglu, les institutions, les structures de marché et les normes influencent la manière dont les bénéfices et les coûts du changement technologique sont distribués.

Les données Workday 2026 illustrent ce mécanisme. Le gain de productivité mesurable va à l’émetteur, souvent un cadre ou un salarié qualifié disposant d’outils IA performants. Le coût de correction va au receveur, souvent un agent d’exécution avec peu de latitude pour négocier sa charge de travail ou faire remonter le problème. La technologie amplifie les inégalités selon les lignes de pouvoir existantes.

La thèse d’Acemoglu a ses contradicteurs. Tyler Cowen, économiste de George Mason University dont les travaux sur la stagnation et l’innovation sont régulièrement cités, argue que les frictions de transition sont provisoires et que les marchés du travail s’ajustent. Dans cette lecture, le coût de correction imposé aux receveurs est une inefficacité temporaire que la concurrence entre employeurs finira par corriger, puisqu’une organisation qui perd 9 millions de dollars en retraitements invisibles finit par être battue par une concurrente qui a mieux configuré ses workflows.

Cet argument mérite d’être pris au sérieux. Mais il présuppose que l’information circule. Des obstacles au signalement peuvent limiter la remontée d’informations sur les difficultés rencontrées en aval. Le marché ne corrige que ce qu’il observe. Quand le coût est silencieux et que celui qui le porte n’a pas de moyen de le rendre visible, l’ajustement spontané tarde, ou n’arrive pas.

Les organisations qui ont évité le transfert de coût ont une chose en commun

Le rapport Workday 2026 souligne l’importance d’adapter les rôles et les processus lors du déploiement de l’IA. La formulation est simple. Ce qu’elle recouvre est structurellement différent.

Reconfigurer un workflow avant de déployer l’IA suppose d’identifier qui reçoit ce que l’outil va produire, dans quel délai, et avec quelles capacités de vérification. Le déploiement standard part de l’émetteur, mesure le gain de l’émetteur, et s’arrête là. Le déploiement rigoureux part du système complet, en intégrant les points de friction aval, avant de définir les paramètres de vitesse acceptable.

Cette distinction n’est pas technique. Elle est organisationnelle et politique. Elle requiert que les équipes aval aient eu voix au chapitre dans la conception du déploiement, ce qui implique soit une culture d’entreprise favorisant la remontée d’information, soit un processus formalisé qui compense l’absence de cette culture. Les deux existent. Les deux nécessitent une intention de la direction, pas seulement un déploiement technologique.

L’accès partagé aux infrastructures de recherche en Europe illustre un mécanisme analogue : quand des ressources productives sont conçues par un groupe et utilisées par un autre, la gouvernance de l’interface devient l’enjeu central, davantage que la technologie elle-même.

Plusieurs grandes entreprises coréennes et japonaises ont commencé à intégrer des audits de charge aval dans leurs protocoles de déploiement IA. LG CNS, filiale numérique du groupe LG, a mis en place en 2025 un comité d’évaluation des effets de bord dans lequel siègent des représentants des équipes d’exécution, avant toute extension d’un outil à une nouvelle ligne métier. La démarche reste minoritaire dans la région, mais elle signale qu’une solution organisationnelle au problème existe et fonctionne.

La prochaine phase d’adoption : ce qu’elle déterminera

L’horizon 2030-2032 laisse ouverte une question que les données actuelles ne tranchent pas encore : la productivité générée par l’IA se traduira-t-elle en salaires réels et en redistribution, ou restera-t-elle captée dans les marges du capital et dans les coûts imposés aux exécutants non compensés.

Deux trajectoires sont plausibles, selon les choix institutionnels et organisationnels des quatre prochaines années.

Les gains mesurés au niveau des tâches ne se traduisent pas toujours en gains mesurables à l’échelle de l’entreprise ; le suivi du retraitement et de la charge de vérification varie selon les outils de mesure et les organisations. Les organisations peuvent conserver des indicateurs qui ne captent pas la charge aval. Les employés chargés du contrôle qualité de l’IA peuvent voir leur charge de travail augmenter sans que cette contribution soit systématiquement prise en compte dans leur évaluation.

Dans la seconde trajectoire, les entreprises qui ont compris le mécanisme de transfert de coût le mesurent, l’internalisent dans leurs indicateurs de performance IA, et reconstruisent leurs workflows pour redistribuer la charge. Cela implique de rémunérer différemment le travail de vérification IA, qui n’existait pas sous cette forme avant le déploiement. Des études menées à Harvard Business School sur la décomposition des tâches montrent que le travail de relecture critique de sorties IA constitue une compétence distincte de la relecture humaine traditionnelle : elle requiert une connaissance des biais de l’outil, de ses modes de défaillance, et une capacité à distinguer l’erreur plausible de l’erreur évidente. Cette compétence n’est pas reconnue dans les classifications actuelles.

Les ingénieurs d’Amérique latine qui accélèrent les startups IA américaines illustrent cette recomposition : la chaîne de valeur IA distribue déjà les tâches à l’échelle mondiale, mais les compétences de contrôle et les rémunérations qui les accompagnent suivent des logiques encore largement héritées du monde pré-IA.

Le signal à surveiller d’ici 2028 est le suivant : les entreprises qui mesurent les coûts aval les intègrent-elles dans leurs négociations salariales avec les équipes concernées. Dans l’affirmative, la deuxième trajectoire est engagée. Si les audits de charge aval ne s’accompagnent pas d’une réflexion sur la répartition des coûts et des bénéfices, les effets distributifs du changement technologique décrits par Acemoglu peuvent persister.

Gouverner le déploiement ou laisser la hiérarchie l’absorber

La pression institutionnelle qu’Acemoglu appelle ne doit pas nécessairement venir des États. Elle peut venir des organisations elles-mêmes, à condition qu’elles aient les bons indicateurs et une structure de gouvernance interne qui donne de la visibilité aux équipes aval.

Trois leviers ont été testés avec des résultats documentés. Le premier est l’audit de charge aval préalable au déploiement, sur le modèle de LG CNS. Le deuxième est l’intégration d’un indicateur de coût de retraitement dans les tableaux de bord de suivi des projets IA, ce que quelques grandes entreprises de services financiers en Australie et à Singapour ont commencé à expérimenter. Le troisième est la création d’une prime de contrôle qualité IA, distincte des primes de performance traditionnelles, qui reconnaît explicitement le travail de vérification comme une tâche à part entière.

Aucun de ces leviers ne requiert une intervention réglementaire immédiate. Tous nécessitent une décision de gouvernance que la direction doit prendre avant le déploiement, pas après. L’expérience des organisations qui ont réussi à éviter le transfert de coût suggère que cette décision doit être prise au moment où l’outil est encore en phase pilote, quand le workflow peut encore être reconfiguré sans coût politique interne.

Une norme minimale émerge lentement dans les entreprises les plus avancées : tout déploiement IA à grande échelle devrait inclure une cartographie des receveurs, une mesure de leur charge de retraitement, et une revue de leur capacité à la signaler. Elle se répand par contagion professionnelle plus que par prescription réglementaire. Elle pourrait s’accélérer si les grandes entreprises de conseil qui accompagnent les déploiements en Asie l’intégraient à leurs méthodologies standard.

La question qui reste ouverte est celle du rythme. La relation entre l’adoption de l’IA en Asie et la capacité des organisations à reconfigurer leurs workflows reste à établir. Workday documente un décalage entre l’usage de l’IA et l’adaptation des rôles et processus ; la source NVIDIA examinée ne permet pas de confirmer le même indicateur de maturité organisationnelle.

Sources

  1. Workday Global Research 2026 & NVIDIA APAC Survey, résumé et données via AI Business Weekly : https://aibusinessweekly.net/p/ai-productivity-statistics
  2. Daron Acemoglu (2026), Can A.I. Be Pro-Worker?, The New Yorker : https://www.newyorker.com/contributors/john-cassidy
  3. NVIDIA APAC Survey 2025, cité via la source principale (aibusinessweekly.net)
  4. Harvard Business School, études sur la décomposition des tâches IA (task-level study) : Harvard Business School Working Knowledge, sans URL directe disponible