Quand l’IA accélère une tâche, le goulot d’étranglement se déplace.

L’automatisation ne supprime pas les limites d’un système de travail, elle déplace souvent la contrainte vers la décision, la validation ou les ressources.

Quand une équipe va deux fois plus vite sur une étape, elle ne va pas automatiquement deux fois plus vite au total.

C’est presque frustrant.

Mais c’est une règle assez classique des systèmes de travail.

Le 6 septembre 2026, OpenAI publiait des données internes sur l’utilisation de ses agents de programmation par les chercheurs. Le nombre d’expériences augmente, la quantité de code produite aussi et les agents prennent en charge des tâches de plus en plus complexes.

OpenAI note pourtant lui-même que le rythme global de la recherche ne suivra pas nécessairement toutes ces métriques.

Pourquoi ?

Parce qu’un goulot supprimé en révèle un autre.

Vous gagnez dix secondes au stand. Puis vous attendez derrière la safety car.

Imaginez une équipe qui réduit de moitié son temps d’arrêt aux stands.

Excellent.

Mais si la course est neutralisée, ce gain ne produit pas le même effet.

Dans une entreprise, on retrouve ce phénomène partout.

Vous automatisez la préparation d’un dossier.

Le dossier arrive désormais en dix minutes au lieu d’une heure.

Mais la validation du manager prend toujours deux jours.

Vous générez les devis plus vite.

Mais le client attend ensuite l’accord du service financier.

Vous automatisez l’analyse.

Mais personne n’a défini qui décide quand le résultat est ambigu.

Le goulot a bougé.

L’IA rend certaines tâches presque gratuites

C’est un changement important.

Des tâches qui demandaient trente minutes peuvent en prendre trois.

Des variantes qu’on ne testait jamais parce qu’elles coûtaient trop cher deviennent faciles à produire.

On peut lancer davantage d’expériences.

Préparer davantage d’options.

Explorer davantage de pistes.

Mais la capacité humaine à juger dix options n’augmente pas automatiquement.

Parfois, elle devient même le nouveau problème.

La décision prend plus de place

OpenAI observe que la planification de haut niveau reste une petite part de la production des agents.

Les humains continuent à définir les priorités, juger les idées, décider ce qui mérite d’être poursuivi, arrêté ou déployé.

C’est une information utile bien au-delà de la recherche en IA.

Plus l’exécution devient facile, plus le choix de ce qu’il faut exécuter devient important.

Si vous pouvez produire dix rapports au lieu de deux, lesquels mérite-t-on vraiment de lire ?

Si vous pouvez lancer cinquante campagnes, lesquelles valent la peine ?

Si vous pouvez générer vingt scénarios, qui choisit les trois crédibles ?

Le piège du volume

L’un des effets pervers de l’IA peut être de transformer un manque de capacité en excès de matière.

Avant, une personne arrivait avec une proposition.

Maintenant, elle peut arriver avec huit.

Ça peut enrichir la réflexion.

Ça peut aussi simplement déplacer le travail vers celui qui doit tout relire.

Je vois donc une nouvelle question apparaître dans beaucoup de métiers :

qu’est-ce qu’on décide de ne pas produire ?

Ce n’est pas une question très technologique.

Elle devient pourtant centrale.

Cartographier l’après

Quand on choisit une tâche à automatiser, j’ajouterais une étape simple.

Dessinez ce qui se passe juste après.

Qui reçoit le résultat ?

Que doit faire cette personne ?

Combien de temps cela prend ?

Que se passe-t-il si le volume double ?

Quelle étape risque de saturer ?

On peut parfois découvrir que le meilleur investissement n’est pas d’accélérer davantage la première tâche.

Il est de traiter la suivante.

Mesurer le cycle complet

Si une automatisation fait gagner 40 minutes mais que le dossier attend ensuite trois jours, le temps de traitement interne s’est amélioré.

Le délai client, peut-être pas.

Je préfère donc regarder le cycle complet.

Début.

Attente.

Transformation.

Validation.

Retour éventuel.

Fin.

La voiture ne gagne pas parce qu’elle a été la plus rapide dans un secteur.

Elle gagne sur l’ensemble du tour.

L’IA rend l’organisation plus visible

C’est peut-être l’un de ses effets les plus intéressants.

Quand une tâche longue devient soudain très rapide, les lenteurs suivantes deviennent impossibles à ignorer.

On découvre les validations inutiles.

Les données mal rangées.

Les décisions floues.

Les rôles ambigus.

Les dépendances.

L’IA ne corrige pas tout ça automatiquement.

Elle met parfois simplement un projecteur dessus.

Et c’est déjà utile.

Le bon projet ne consiste donc pas uniquement à demander : « que peut-on accélérer ? »

Il faut aussi demander :

si cette étape devient cinq fois plus rapide demain, qu’est-ce qui bloque juste après ?

C’est souvent là que commence le vrai travail.

Sources vérifiées

• OpenAI, Research acceleration, 6 septembre 2026
• Atlassian, 3 septembre 2026