Un chercheur boucle en trois heures une analyse qui lui en coûtait trente. Que fait-il des vingt-sept heures rendues ? Un travail théorique mené par des économistes de Princeton et de l’université de Washington répond sans détour : il les met dans un nouveau projet, pas dans la solidité de celui qu’il vient de terminer.
Le temps gagné rend l’heure suivante plus chère
Le modèle des économistes repose sur un arbitrage élémentaire. Quand une partie des tâches disparaît, l’heure de chercheur devient plus précieuse, et chaque heure passée à consolider un projet existant est une heure qui n’ouvre pas le suivant : le coût d’opportunité. Sur les grands modèles de langage (LLM), les auteurs écrivent : « En tant que technologie qui démultiplie le travail humain, les LLM augmentent le coût d’opportunité de notre temps, ce qui nous pousse à en faire plus, moins bien, plutôt qu’autant, mieux. »
La promesse vendue avec ces assistants suppose l’arbitrage inverse : les corvées absorbées, le chercheur consacrerait le temps libéré à mieux faire ce qu’il faisait déjà. Autant de travail, mais plus solide. Le modèle ne trouve aucune raison pour que le calcul penche de ce côté-là.
Les auteurs idéalisent délibérément ces outils. Dans leur modèle, l’assistant ne se trompe jamais, n’hallucine pas, ne coûte presque rien. Toutes les critiques habituelles sont neutralisées d’avance pour isoler le seul effet du gain de temps. Rien ne dépend donc des défauts de l’IA : sa vitesse seule suffit à dégrader le travail.
Le laboratoire vu comme un terrain de chasse
La mécanique est empruntée à l’écologie comportementale : la théorie du fourragement optimal, qui décrit comment un animal répartit son effort entre plusieurs parcelles et à quel moment il quitte la sienne pour une plus riche. Transposée au laboratoire, elle simule la façon dont un chercheur répartit son travail entre plusieurs projets.
Un projet s’y déroule en deux temps. Le chercheur teste d’abord la viabilité de l’idée, puis choisit d’abandonner ou de continuer. S’il continue, une part du travail est obligatoire : produire les figures, mettre en forme, soumettre. Une autre part est volontaire : lancer des expériences supplémentaires, pousser l’analyse, retravailler l’écriture. Cette part volontaire est la première sacrifiée dès que le temps devient cher.
Trois branchements possibles, deux qui appauvrissent
Le papier place l’assistant à trois endroits du cycle, et obtient trois issues distinctes.
- Sur l’évaluation des idées. Repartir de zéro devient bon marché, donc les chercheurs deviennent plus sélectifs et seuls les projets les plus prometteurs avancent. Mais ces projets-là reçoivent eux aussi un traitement plus expéditif, puisque le temps épargné se place mieux ailleurs. Configuration typique des disciplines techniques.
- Sur la publication. Rédaction, mise en forme et analyse accélérées abaissent le coût de sortie d’un article. Des projets trop faibles pour justifier l’effort deviennent rentables à publier. Le nombre d’articles monte, la profondeur de chacun baisse. Configuration typique des disciplines de terrain.
- Sur la phase volontaire. L’assistant accélère l’expérience de contrôle, la seconde analyse, la vérification. Le gain arrive là où la contrainte de temps faisait rogner depuis toujours, et la qualité monte pour de bon.
Deux configurations sur trois dégradent donc le soin apporté au travail. La différence entre elles ne tient pas à la puissance de l’outil, identique dans les trois cas, mais à l’endroit où on le pose.
Rédiger n’était pas le goulot d’étranglement, vérifier l’était
Cette conclusion théorique a déjà un écho de terrain. Un retour d’expérience publié par OpenAI sur huit chantiers scientifiques rapporte des accélérations allant jusqu’à soixante fois : un contrôle qualité de séquençage d’ARN est passé de quinze heures et demie à un quart d’heure. Le travail n’a pas disparu pour autant : il s’est déplacé du développement vers la validation des résultats et la maintenance sur la durée. Ces huit chantiers ont mobilisé Codex comme Claude Code, parfois en alternance sur un même projet : le phénomène ne dépend pas de l’assistant choisi.
L’outil a donc vidé l’étape qui n’était pas la contrainte, et laissé intacte celle qui l’était. Une étude de METR, organisme d’évaluation des modèles, ajoute un cran d’ironie : dans son essai randomisé, des développeurs expérimentés ont mis 19 % de temps en plus avec l’IA, tout en s’estimant 20 % plus rapides. Le gain n’a même pas besoin d’exister pour changer les arbitrages ; il suffit qu’il soit perçu.
Revue de code, tests, documentation : la part qui saute
Le raisonnement dépasse largement les laboratoires. Toute équipe qui produit un livrable exigeant a la même structure : une part obligatoire pour livrer, une part facultative qui fait la qualité et qui saute la première quand le planning se tend. Revue de code, tests de non-régression, documentation, seconde lecture d’un jeu de données.
Avant d’outiller une étape, mieux vaut donc regarder où retombe le temps gagné que le compter. Branché sur l’emballage, l’assistant fabrique du volume. Branché sur la vérification, il fabrique de la fiabilité. Et un indicateur d’équipe qui compte les livrables plutôt que leur tenue oriente mécaniquement vers la première option.
Les auteurs posent eux-mêmes la limite de leur travail : c’est un modèle, pas une mesure de terrain. Il ne prédit pas ce qui arrivera aux publications scientifiques ; il montre qu’un outil parfait suffit à dégrader la production dès lors que les incitations restent inchangées. Tant que les revues, les financeurs et les directions comptent des articles ou des tickets fermés, choisir la troisième configuration relèvera du courage individuel contre le compteur collectif.
