Botsitting : le travail invisible qui annule vos gains d'IA

Les chiffres sont partout. On vous dit que l'IA fait gagner 11 heures par semaine. Que 75 % des employés se sentent plus productifs. Que les agents IA transforment le travail.

Et pourtant, vous ne voyez rien dans vos résultats. Les délais n'ont pas bougé. Les marges non plus. Le chiffre d'affaires par employé stagne.

Vous n'êtes pas seul. Le Work AI Index 2026, publié en juillet par le Work AI Institute (Glean), met un nom sur ce décalage. Sur 6 000 travailleurs interrogés aux États-Unis, au Royaume-Uni et en Australie, 87 % utilisent l'IA au travail et 75 % disent qu'elle les rend plus productifs. Mais seules 13 % estiment que leur organisation progresse réellement grâce à elle.

L'écart entre la perception individuelle et le résultat collectif n'est pas une anomalie statistique. C'est le symptôme d'un travail invisible qui gruge les gains avant qu'ils n'atteignent le bilan.

Le paradoxe en trois chiffres

Le rapport Glean identifie un cycle qui explique pourquoi l'IA ne se traduit pas en performance organisationnelle.

Premier chiffre : 11 heures gagnées par semaine. C'est ce que les travailleurs déclarent économiser grâce à l'automatisation. Ce chiffre recoupe les données de McKinsey (6,4 heures médianes), de Salesforce (6,7 heures) et de Slack (6,1 heures). Même dans l'estimation la plus conservatrice, c'est l'équivalent d'une journée de travail complète.

Deuxième chiffre : 6,4 heures passées à corriger l'IA. Glean appelle ça le botsitting — le travail humain nécessaire pour rendre l'IA utilisable : lui fournir le contexte qu'elle n'a pas, vérifier ses résultats, déboguer ses erreurs, reformuler les requêtes, nettoyer les réponses trop confiantes mais inexactes qu'elle laisse derrière elle. En moyenne, une journée par semaine est consacrée à cette maintenance invisible.

Troisième chiffre : 69 % des utilisateurs admettent faire du botshitting. Le terme est brutal, mais le phénomène est réel : diffuser un travail généré par l'IA sans l'avoir examiné, sans pouvoir l'expliquer ni le défendre. Quand la charge de vérification devient trop lourde, les travailleurs coupent les coins ronds. Ils envoient le contenu sans le relire. Ils font confiance à une réponse qu'ils ne comprennent pas.

La boucle est bouclée : l'IA fait gagner du temps, mais le temps gagné est réinvesti dans la correction de l'IA. Et quand la correction devient insoutenable, la qualité s'effondre.

D'où vient ce décalage ?

Le problème n'est pas l'outil. Il est dans ce qui l'entoure.

Le rapport Glean identifie trois causes structurelles à cet écart entre productivité individuelle et résultat organisationnel.

Les données ne suffisent pas — il faut du contexte. Plus de la moitié des travailleurs (53 %) disent que l'information critique pour leur travail n'est pas accessible via leurs systèmes d'IA. Donner accès à des documents ne suffit pas si l'outil ne comprend pas comment ces documents sont utilisés, par qui, et dans quel processus. Une PME qui branche son IA sur un dossier partagé sans avoir documenté ses workflows ne lui donne pas le contexte. Elle lui donne des fichiers.

L'IA est déployée, pas intégrée. 77 % des travailleurs jonglent avec plusieurs outils d'IA chaque semaine. Un tiers en utilise quatre ou plus. Mais ces outils ne communiquent pas entre eux. Le résultat : l'employé passe d'une interface à l'autre, recopie des informations, reformule les mêmes requêtes. Le temps gagné par l'IA est perdu dans la friction entre les outils.

Les politiques d'entreprise poussent au shadow AI. 54 % des « hauts performeurs IA » utilisent des outils non approuvés, ou des outils approuvés de manière non conforme. 36 % cachent à quel point l'IA les aide — souvent parce qu'ils contournent un système officiel trop lent, trop restrictif ou déconnecté de la réalité du travail. Quand la politique de l'entreprise bloque l'usage efficace, les employés ne s'arrêtent pas. Ils passent en mode furtif.

Ce que les équipes qui réussissent font différemment

Les organisations qui transforment les gains individuels en progrès collectif ne sont pas celles qui achètent le plus d'IA. Glean identifie trois pratiques qui les distinguent.

Elles résistent à la « maladie de l'ajout d'IA ». Le réflexe d'acheter plus d'outils, de déployer plus de licences, de pousser les employés à utiliser l'IA sur toutes les tâches — qu'elle apporte de la valeur ou non. Les organisations performantes partent du travail à faire, pas de l'outil à vendre. Elles sélectionnent les cas d'usage où l'IA réduit réellement la friction, puis mesurent le résultat.

Elles construisent du contexte, pas seulement des données. Les travailleurs dans les organisations « riches en contexte » passent 9 % de temps en moins en botsitting. Ils sont 52 % moins susceptibles de diffuser du contenu qu'ils ne peuvent pas expliquer. Ils sont 64 % moins fatigués par l'IA. La différence : leurs systèmes d'IA savent qui fait quoi, dans quel processus, avec quelles dépendances. Pas juste « voici le dossier partagé, débrouille-toi ».

Elles forment au jugement, pas seulement au prompt. Les hauts performeurs IA ne se contentent pas de mieux rédiger leurs requêtes. Ils passent 40 % de leur temps IA à vérifier et corriger les résultats, contre 33 % pour les utilisateurs à faible impact. Ils sont 18 % plus susceptibles de refuser délibérément l'IA sur certaines tâches. Leur compétence clé n'est pas technique — c'est le discernement.

Trois actions pour votre PME

Ces données ne décrivent pas un problème de grande entreprise. Les PME sont encore plus exposées : elles ont moins de ressources pour absorber le travail invisible du botsitting, et moins de marge pour absorber les erreurs du botshitting.

Voici trois actions concrètes, calibrées pour une équipe de 5 à 50 personnes.

Mesurez le botsitting avant d'acheter plus d'IA. Pendant une semaine, demandez à votre équipe de noter le temps passé à corriger, vérifier ou reformuler des résultats d'IA. Si ce temps dépasse 30 % du temps « gagné », votre prochain investissement n'est pas un outil supplémentaire — c'est du contexte, de la formation ou de l'intégration.

Établissez une règle simple sur la vérification. Tout contenu destiné à un client, un partenaire ou une décision interne engageante doit être relu par un humain avant envoi. Pas de politique de 30 pages. Une règle claire, communiquée, appliquée. Les organisations « riches en contexte » du rapport Glean réduisent le botshitting de 31 % avec ce type de discipline.

Documentez vos processus, pas juste vos données. Avant de connecter un outil d'IA à vos fichiers, prenez une heure pour décrire : qui utilise ces fichiers, dans quel but, à quelle étape du workflow, avec quels critères de qualité. Cette documentation de contexte est ce qui fait passer l'IA d'un moteur de recherche sophistiqué à un assistant qui comprend votre travail.

Le rapport Glean est clair sur un point : l'écart entre les gains individuels et la performance organisationnelle n'est pas un bug temporaire. C'est une conséquence directe d'un déploiement qui néglige l'infrastructure humaine de l'IA. La bonne nouvelle — un mot qu'on utilise rarement ici — c'est que les correctifs ne demandent ni budget supplémentaire ni compétence technique avancée. Ils demandent de la discipline.

Mention IA : cet article a été rédigé avec l'assistance d'un outil d'intelligence artificielle et relu par un humain.

Sources consultées

• Work AI Institute (Glean), « Work AI Index 2026: Botsitting, Botshitting & the Hidden Human Labor of AI at Work », juillet 2026. glean.com/work-ai-institute/reports/work-ai-index
• McKinsey Global Institute, « Global AI Survey 2026 », 2026.
• Slack, « Workforce Index Q1 2026 », 2026.
• Digital Applied, « AI Agent Productivity Statistics 2026: 100+ ROI Data », avril 2026. digitalapplied.com