Catégorie : Governance

Caché par les salariés, ou avalé par le travail ?

40 % sur la tâche, presque rien au-delà

En 2023, une expérience publiée dans Science a mesuré ce que l’IA générative change à des tâches de rédaction professionnelle. Chez 453 participants, le temps moyen a baissé de 40 %.

Au-delà de la tâche, ce gain peut prendre trois formes : les salariés travaillent moins, gagnent plus, ou produisent davantage dans le même temps pour le même salaire. Au Danemark, deux ans après l’arrivée de ChatGPT, ni les heures ni les salaires n’ont bougé dans onze professions très exposées à l’IA.

Où passe la différence entre les deux ? En août 2026, une chronique de Forbes a donné sa réponse dans son titre : 66 % des salariés américains interrogés resteraient connectés pour cacher le temps que l’IA leur fait gagner. L’enquête qu’elle reprend ne pose pourtant aucune question sur l’IA.

Cacher son gain est l’une des quatre explications que j’examine, avec le délai d’apprentissage des organisations, la réallocation invisible et la mesure inadaptée. Dans la réallocation, le salarié consacre le temps gagné à d’autres tâches de son poste, pendant ses heures payées, et l’entreprise en profite sans l’avoir décidé ni partagé. C’est ce temps que j’appelle absorbé. Le problème tient à ce qu’aucune règle ne décide où il va ni qui en profite. Ma position, argumentée à la fin : le temps gagné doit faire l’objet d’une règle explicite, convenue entre direction, managers et collaborateurs.

Ce que disent les données

Un gain sur une tâche pèse peu sur la semaine. Les 40 % de l’expérience ne valent que pour les heures où l’on rédige. Au Danemark, l’étude sur ces onze professions croise, pour environ 25’000 travailleurs, une enquête et les données administratives sur leurs salaires et leurs heures. Les utilisateurs de l’IA y déclarent gagner environ 3 % de leur temps de travail, à peine plus d’une heure sur une semaine de 40 heures.

Beaucoup de salariés cachent qu’ils utilisent l’IA. Selon KPMG et l’Université de Melbourne, dans 47 pays, 42 % des salariés utilisateurs déclarent éviter « parfois à très souvent » de révéler leur usage. Ils ont une raison de se taire. Dans treize expériences d’une même étude, des participants jugent une personne décrite dans un scénario : celle qui avoue utiliser l’IA leur inspire moins confiance, même quand l’aveu est obligatoire.

Personne ne mesure la part du gain que les salariés gardent pour eux. Cacher son outil et cacher son temps sont deux comportements distincts. Les enquêtes mesurent le premier. À ce jour, aucune étude ne mesure le second pour l’IA, et aucune donnée suisse ne mesure même le temps gagné.

Ce qui est contesté

Les deux désaccords suivants opposent des mesures faites sur des personnes et des tâches différentes, avec les outils d’IA disponibles de 2023 à début 2025.

Le gain sur une tâche. L’expérience de Science mesure 40 % de temps en moins sur une rédaction isolée. En 2025, l’organisme de recherche METR a fait travailler 16 développeurs expérimentés sur 246 tâches réelles, dans des projets de logiciel libre qu’ils connaissaient. Avec les outils de début 2025, ils ont mis 19 % de temps en plus, en croyant être allés 20 % plus vite. En février 2026, METR jugeait qu’ils allaient probablement plus vite avec les outils du moment. Le gain dépend donc de la tâche et de l’outil. On le surestime aussi.

Le temps gagné sur une semaine. Un essai a suivi pendant six mois 7’137 salariés de 66 grandes entreprises clientes de Microsoft, dont une partie, tirée au sort, a reçu Copilot, son assistant d’IA. Selon la télémétrie, qui enregistre le temps passé dans chaque logiciel, ces utilisateurs passent deux heures de moins par semaine sur leurs courriels. C’est plus que ce que les utilisateurs danois de l’IA déclarent gagner sur tout leur travail. L’outil diffère, les salariés aussi. Et les deux heures valent pour les seuls utilisateurs de Copilot : sur tout le groupe tiré au sort, la baisse est de 1.4 heure.

Quatre explications

La dissimulation

En 1911, Frederick Taylor décrivait des ouvriers payés à la pièce qui freinaient leur production de façon organisée. Quand ils produisaient davantage, la direction baissait le prix payé pour chaque pièce, si bien qu’un ouvrier qui produisait beaucoup faisait baisser son propre tarif. Après deux ou trois baisses, il ralentissait exprès. Les économistes appellent ce mécanisme l’effet cliquet : montrer une bonne performance relève l’objectif suivant.

Je pense que le salarié équipé d’IA fait le même calcul. S’il montre qu’il va plus vite, il s’attend à recevoir plus de travail pour le même salaire. Sa direction peut aussi en conclure que l’IA fait une partie de son travail, et décider de ne plus l’augmenter, voire de supprimer son poste. En mai 2026, 46 % des directeurs financiers suisses interrogés par Deloitte prévoyaient de réduire à moyen terme les coûts salariaux grâce à l’IA.

L’effet cliquet naît quand la direction ne peut pas s’engager sur la suite. S’engager de façon crédible, c’est fixer à l’avance, pour plusieurs périodes, ce que deviendront l’objectif et la paie après une bonne performance, et s’y tenir.

Une étude publiée en 2011, sans lien avec l’IA, observe un comportement comparable là où la direction ne s’engage pas. Elle a suivi des gérants de magasin dont l’objectif de l’année suivante dépend des ventes de l’année en cours. Après trois bons trimestres, ils ralentissent au dernier. Ils atteignent ensuite leur objectif plus souvent que les autres gérants, puisqu’il est resté bas. J’en tire un argument pour la règle que je défends : une direction qui s’engage de façon crédible retire au salarié sa raison de freiner.

L’enquête reprise par Forbes montre d’ailleurs, hors IA, que deux tiers des salariés américains interrogés font semblant d’être occupés une fois leur travail fini. Je retiens donc la dissimulation comme explication de l’écart : le même calcul s’observe chez des gérants de magasin.

Le délai d’apprentissage

Le délai d’apprentissage est ici celui de l’organisation : l’entreprise apprend à réorganiser le travail autour de l’outil, ce qu’aucun salarié ne peut faire seul. Ce temps de réorganisation est un investissement immatériel, que les statistiques ne comptent pas comme une production. La productivité paraît d’abord plus faible. Trois économistes ont nommé ce tracé, un creux puis une remontée, la courbe en J, et l’ont mesuré pour l’informatique.

L’essai Copilot et ses auteurs éclairent ce qui retient les entreprises dans le creux : les utilisateurs passent moins de temps sur leurs courriels, et autant qu’avant en réunion. Raccourcir une réunion ou changer qui rédige quoi suppose que les collègues s’entendent sur de nouvelles habitudes.

Le délai d’apprentissage a un défaut : tant que le gain n’apparaît pas, on peut toujours dire qu’on est dans le creux. Rien ne garantit encore que l’IA générative suive le tracé de l’informatique. Sa remontée reste un pari.

La réallocation invisible

Dans cette explication, le salarié consacre le temps libéré à d’autres tâches, pendant ses heures payées. L’entreprise en profite sans l’avoir décidé, et ses indicateurs, qui comptent les heures et les salaires, n’en voient rien. Au Danemark, parmi les utilisateurs qui déclarent gagner du temps, 84.7 % comptent le consacrer à d’autres tâches et 29.4 % à davantage des mêmes tâches. Plusieurs réponses étaient possibles. Seuls 7.2 % comptent prendre plus de pauses, et 5.8 % plus de loisirs. Certains déclarent aussi des tâches que l’IA a créées : contrôler ce qu’elle produit, rédiger des consignes d’usage.

Ce temps ne passe pas en heures supplémentaires. Dans l’essai Copilot, le travail hors horaires baisse même d’un quart d’heure par semaine. La télémétrie ne retrouve les deux heures de courriels gagnées ni en réunion ni sur les documents. Le reste lui échappe : autres logiciels, travail hors écran, temps gardé pour soi.

Une autre étude a suivi pendant deux ans environ 187’000 développeurs de logiciels libres, dont certains avaient droit, selon un seuil, à un assistant de programmation gratuit. Ceux-là ont 12.4 % d’activité de programmation en plus, et 24.9 % de gestion de projet en moins. Leur activité se déplace vers le cœur du métier.

Invisible pour les indicateurs de l’organisation, la réallocation est pourtant la mieux mesurée des quatre explications. La télémétrie de l’essai Copilot enregistre le temps qui quitte les courriels, et les données d’activité des développeurs enregistrent le déplacement de leur activité vers le cœur du métier.

La mesure inadaptée

Chaque instrument ne voit qu’un morceau du temps gagné. Une expérience chronomètre une tâche isolée. La télémétrie enregistre le temps passé dans les logiciels, sans voir ni la qualité ni le travail hors écran. Une enquête recueille ce que chacun croit gagner. Les données administratives comptent les heures et les salaires. Aucun ne suit les mêmes personnes de la tâche jusqu’aux comptes de l’entreprise.

Les déclarations gonflent le gain. D’octobre à décembre 2024, le ministère britannique du Commerce a fait tenir un journal de bord à ses fonctionnaires équipés de Copilot. Les évaluateurs du ministère ont ensuite retiré du gain déclaré les résultats que personne n’a utilisés et les tâches faites seulement parce que l’outil existait. Le gain d’une séance de brainstorming, par exemple, tombe alors de 2.1 heures déclarées à 0.5 heure retenue.

Deux constats appuient la mesure inadaptée. L’ouverture de ce billet rapproche une tâche chronométrée des heures et des salaires, que d’autres instruments mesurent. Le gain déclaré, lui, contient du temps jamais gagné.

Les quatre explications ensemble

Aucune étude ne chiffre ces explications ensemble, mais on peut les classer. Une partie du temps déclaré n’a jamais été gagnée : c’est la mesure inadaptée. La plus grande partie est absorbée, pendant les heures du salarié et au profit de l’entreprise, qui en perd une part dans les tâches que l’outil crée. Une petite partie revient au salarié, sous forme d’un peu moins de travail hors horaires. Je pense qu’une autre partie se cache. Les tenants du délai d’apprentissage parient que ce temps deviendra un gain pour toute l’organisation.

Le temps absorbé et le temps caché ont un point commun : aucune règle n’a fixé leur sort. L’entreprise capte le premier par défaut. Le salarié garde le second pour lui, parce que personne ne s’est engagé sur ce que deviendrait ce gain.

J’ajoute une raison de ne pas voir le gain, propre aux métiers qui vendent des heures (conseil, informatique, fiduciaire). Tant que l’entreprise facture le temps passé, chaque heure gagnée lui fait perdre du chiffre d’affaires, et elle a elle-même intérêt à ne pas la voir.

Choisir une posture, puis agir à trois niveaux

Une direction choisit d’abord entre deux postures. La première capte le gain pour l’entreprise. Ses tenants la défendent ainsi : l’IA permet de réduire les coûts salariaux, comme le prévoient les 46 % de directeurs financiers déjà cités, et de tenir les marges. La seconde s’assure que chaque partie prenante y gagne (collaborateurs, clients, entreprise), dans une logique de résilience et de durabilité. Je choisis la seconde, parce que la première nourrit la dissimulation décrite plus haut : un salarié qui craint pour son poste garde son gain pour lui.

Direction et collaborateurs : convenir de ce que deviennent les gains. La règle fixe d’abord l’usage des gains, sans avoir à les mesurer : à quoi ils serviront, et à quoi jamais. Direction et collaborateurs en décident ensemble, avant que les gains apparaissent. Pour que les collaborateurs croient à la règle, la direction prend des engagements crédibles. Un suivi commun vérifie qu’ils tiennent.

En France, la MAIF donne un exemple concret de collaboration entre employeur et employés. Le 7 mai 2026, sa direction a signé avec six syndicats un accord sur l’IA qui couvre environ 9’700 salariés jusqu’à la fin de 2028. L’accord réinvestit les gains d’efficacité en priorité dans l’amélioration du service rendu aux sociétaires et dans l’enrichissement des activités et des métiers. Il exclut tout licenciement économique lié à l’IA. Selon un syndicat signataire, ces gains « ne serviront pas à réduire les effectifs ni à alourdir les objectifs individuels ». Une commission de douze membres, rattachée à la représentation du personnel, se réunit trois fois par an. C’est la même réallocation que plus haut, mais décidée, convenue et assortie de garanties.

Managers : valoriser le résultat et faciliter le travail d’équipe. Le manager doit valoriser le résultat du collaborateur et de son équipe tel que le client le perçoit, plutôt que les heures passées ou l’outil employé. En jugeant le résultat, il répond aussi à la méfiance envers celui qui avoue utiliser l’IA. Je préfère un collaborateur qui résout des problèmes complexes et prend tous ses après-midis à un collaborateur débordé d’heures supplémentaires, incapable de surmonter ses problèmes.

Le manager doit alors valoriser financièrement le peu d’heures du premier, à l’acte ou au forfait, et améliorer l’organisation du second, par exemple avec l’apport de l’IA. Dans l’autre sens, le manager délègue des activités ; il « achète » du temps à ses fournisseurs et surtout à ses collaborateurs. Il gagne à leur acheter un résultat. Il facilite aussi le travail d’équipe, en amenant ses collaborateurs à s’entendre sur de nouvelles habitudes. Une grande part de la gestion du changement induit par l’IA est portée par le manager.

Chacun : mesurer son propre gain. Notez chaque semaine ce que l’IA vous fait gagner, net du temps passé à corriger ses résultats et des tâches faites seulement parce que l’outil existe. Notez aussi ce que vous faites de ce temps. C’est la méthode du ministère britannique, à l’échelle d’une personne.

Ma réponse, et ce que je propose

Où passe la différence ? Surtout dans le travail du salarié, pendant ses heures payées, au profit de l’entreprise, qui ne l’a ni décidé ni partagé. Dans les entreprises au management affaibli, je pense que cette absence de décision ne fait que renforcer un problème déjà présent.

Le temps gagné doit faire l’objet d’une règle explicite, convenue entre direction, managers et collaborateurs, qui dise où il va, qui en profite et à quoi il ne servira jamais.

Ma conviction : sans règle, tout le monde y perd, hormis le fournisseur d’IA. L’entreprise capte la plus grande partie du temps gagné, mais n’en tire qu’une faible partie du gain. Elle ne le voit ni ne le dirige. Une autre partie se perd dans les tâches que l’outil crée. Une autre encore se cache, et c’est rationnel de la part de ceux qui la cachent : ils craignent pour leur augmentation ou pour leur poste. Seul le fournisseur d’IA est payé à coup sûr, que le gain se voie ou non.

Je suggère une piste, sur laquelle nous devons réfléchir : la semaine de quatre jours. Une fois les gains établis ensemble, je crois possible de les convertir en temps libre, avec un plan gagnant-gagnant, jusqu’à une journée de moins par semaine. Les gains d’aujourd’hui en sont loin, avec environ 3 % déclarés au Danemark face aux 20 % d’une journée sur cinq : cette journée est une ligne de mire. Dans les métiers qui vendent des heures, ce plan suppose aussi de ne plus facturer les heures passées, sauf exceptions. On facture alors l’abonnement, le forfait ou l’acte.

Une étude sans lien avec l’IA a suivi 2’896 salariés passés à quatre jours sans baisse de salaire, dans 141 organisations volontaires de six pays anglophones. Elle mesure leur santé et leur bien-être : ces salariés sont moins épuisés qu’avant et en meilleure santé, contrairement à un groupe d’entreprises de comparaison.

Bien entendu, on m’objectera que mesurer les gains pousse les salariés à les cacher. C’est vrai tant que la mesure peut servir à relever les objectifs ou à supprimer des postes, mais plus quand la direction s’est engagée à ne pas s’en servir ainsi. La règle vient donc avant la mesure.

Mettez l’usage des gains sur la table, avec ceux qui gagnent ce temps. Posez à côté la semaine de quatre jours, et réfléchissons-y ensemble.

---

Références et sources clés

Liens vérifiés les 22 et 23 septembre 2026.

Gain sur la tâche et dans l’économie

• Noy & Zhang, « Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence », Science 381(6654), 2023, p. 187-192 : DOI 10.1126/science.adh2586 · résumé PubMed · version de travail, MIT, mars 2023. La version publiée est payante ; la version de travail est la seule en accès libre. Les 40 % viennent de la version publiée (453 participants) ; la version de travail donnait 37 %.
• Anders Humlum & Emilie Vestergaard, document de travail NBER 33777, mai 2025, révisé en mars 2026 sous le titre « Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI » : page NBER · version révisée, PDF. Document de travail, non publié en revue ; les effets sur salaires et heures reposent sur des données administratives, les réponses sur l’usage du temps gagné sont déclaratives et portent sur une intention.

Dissimulation de l’usage

• Gillespie, Lockey, Ward, Macdade & Hassed (KPMG et Université de Melbourne), Trust, Attitudes and Use of Artificial Intelligence: A Global Study 2025, avril 2025, DOI 10.26188/28822919 : rapport complet, p. 75-76 · communiqué. Déclaratif, 48’340 répondants dans 47 pays ; aucun chiffre suisse publié.
• Schilke & Reimann, « The Transparency Dilemma: How AI Disclosure Erodes Trust », Organizational Behavior and Human Decision Processes 188, 2025 : RePEc. Treize expériences.

Freinage et effet cliquet

• Frederick W. Taylor, The Principles of Scientific Management, 1911 : Project Gutenberg.
• Martin L. Weitzman, « The « Ratchet Principle » and Performance Incentives », Bell Journal of Economics 11(1), 1980, p. 302-308 : RePEc. Formalise l’effet cliquet.
• Bouwens & Kroos, « Target ratcheting and effort reduction », Journal of Accounting and Economics 51(1-2), 2011, p. 171-185 : DOI 10.1016/j.jacceco.2010.07.002. Données de terrain sur des gérants de magasin, corrélationnelles ; hors IA.

Productivité de façade, hors IA

• Software Finder, enquête sur la productivité simulée (1’003 actifs américains, terrain de mai 2026), mise à jour du 9 juillet 2026 : softwarefinder.com. Source des 66 % ; ne pose aucune question sur l’IA ; source unique ; Software Finder est un comparateur de logiciels.
• Nirit Cohen, « AI Saves Time. 66% Of Employees Stay Online To Hide It », Forbes, 2 août 2026 : Forbes, 2 août 2026 · version publiée sur le site de l’auteure. Chronique de contributrice : le lien avec l’IA est une interprétation de l’auteure.

Délai d’apprentissage

• Brynjolfsson, Rock & Syverson, « The Productivity J-Curve: How Intangibles Complement General Purpose Technologies », American Economic Journal: Macroeconomics 13(1), 2021, p. 333-372 : AEA.

Ce que devient le temps, et comment on le mesure

• Dillon, Jaffe, Immorlica & Stanton, « Shifting Work Patterns with Generative AI », document de travail NBER 33795, révisé en novembre 2025 : nber.org · arXiv 2504.11436. Essai randomisé, 7’137 salariés de 66 entreprises ; auteurs principaux employés par Microsoft Research, entreprises clientes de Microsoft.
• Manuel Hoffmann, Sam Boysel, Frank Nagle, Sida Peng & Kevin Xu, « Generative AI and the Nature of Work », Harvard Business School Working Paper 25-021 / CESifo Working Paper 11479, version révisée d’avril 2025 : SSRN · CESifo, PDF · présentation MIT Sloan, 10 mars 2026. Document de travail non publié en revue ; quasi-expérience sur 187’489 développeurs de logiciels libres, sur deux ans d’activité ; deux co-auteurs employés par Microsoft (Sida Peng) et par sa filiale GitHub (Kevin Xu), et soutien financier de GitHub.
• METR, « Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity », 10 juillet 2025 : metr.org. Prépublication arXiv:2507.09089, non évaluée par les pairs ; essai randomisé sur 16 développeurs de logiciel libre, sur des projets qu’ils connaissent, petit échantillon ; le ralentissement est jugé dépassé par METR lui-même en février 2026.
• METR, mise à jour de l’étude sur l’accélération des développeurs, 24 février 2026 : metr.org.
• METR, enquête sur l’usage de l’IA auprès de 349 travailleurs techniques, 11 mai 2026 : metr.org. Source de la comparaison entre déclarations et expériences.
• Department for Business and Trade (ministère britannique du Commerce), évaluation de Microsoft 365 Copilot, 2025 : gov.uk, PDF. Journal de bord et tâches observées, octobre à décembre 2024 ; source unique, sans groupe témoin.

Règles, accords et temps de travail

• MAIF, accord d’entreprise sur le développement de l’IA, signé le 7 mai 2026 avec six organisations syndicales : communiqué MAIF · Lamy Liaisons, 3 juin 2026 · CFE-CGC. Cas unique, non évalué. L’accord exclut tout licenciement économique lié à l’IA, réinvestit les gains d’efficacité en priorité dans l’amélioration du service rendu aux sociétaires et dans l’enrichissement des activités et des métiers, et crée une commission IA de douze membres rattachée au comité social et économique (CSE), réunie trois fois par an. La phrase sur les objectifs individuels est celle de la CFE-CGC.
• Fan, Schor, Kelly & Gu, « Work time reduction via a 4-day workweek finds improvements in workers’ well-being », Nature Human Behaviour 9(10), 2025, p. 2153-2168 : DOI 10.1038/s41562-025-02259-6. 2’896 salariés de 141 organisations dans six pays anglophones, semaine de quatre jours sans baisse de salaire ; organisations volontaires, sans tirage au sort ; l’étude ne porte pas sur l’IA.

Suisse

• Deloitte Suisse, enquête auprès des directeurs financiers, mai 2026 : relais du KMU-Portal du SECO. Déclaratif ; cabinet de conseil ; porte sur des intentions de réduction.

Pour aller plus loin

• Reif, Larrick & Soll, « Evidence of a Social Evaluation Penalty for Using AI », PNAS 122(19), e2426766122, 8 mai 2025 : texte intégral en libre accès, PubMed Central · DOI 10.1073/pnas.2426766122. Qui utilise l’IA au travail est jugé moins compétent et moins motivé ; quatre expériences préenregistrées sur vignettes, 4’439 participants.
• Bernstein, « The Transparency Paradox », Administrative Science Quarterly 57(2), 2012, p. 181-216 : DOI 10.1177/0001839212453028. Des ouvriers observés dissimulent leurs améliorations de méthode ; usine chinoise de téléphones mobiles ; hors IA.
• Bloom, Sadun & Van Reenen, « Americans Do IT Better: US Multinationals and the Productivity Miracle », American Economic Review 102(1), 2012, p. 167-201 : DOI 10.1257/aer.102.1.167. Le gain de l’informatique dépend de l’organisation ; établissements britanniques ; hors IA.
• Bick, Blandin & Deming, « The Rapid Adoption of Generative AI », Management Science, 2026 : DOI 10.1287/mnsc.2025.02523. Temps gagné déclaré égal à 1.4 % de toutes les heures de travail aux États-Unis, fin 2024 ; enquêtes représentatives, déclaratives ; article en avance de publication ; financement de la Walmart Foundation.
• Daron Acemoglu, « The simple macroeconomics of AI », Economic Policy 40(121), 2025, p. 13-58 : DOI 10.1093/epolic/eiae042. Au plus 0.66 % de productivité totale des facteurs en dix ans ; modèle calibré.

Une vague de désintermédiation traverse les services professionnels. Les clients construisent eux-mêmes, avec l’IA générative, ce qu’ils achetaient hier. Ce mouvement, que j’appelle vibe service, déplace la valeur des prestataires sans la supprimer. Le cadre des quatre périmètres, que je détaille ici, permet de cartographier ce déplacement et d’y préparer aussi bien les sociétés de services que les entreprises qui font appel à elles.

Deux exemples observés récemment dans ma pratique illustrent la dynamique.

Le dirigeant d’une PME suisse spécialisée dans les escaliers en bois sur mesure a construit, seul et avec Claude, une application complète de gestion de ses offres et de ses projets. Il l’utilise sur son mobile, sans dépendance vis-à-vis d’un prestataire IT. Il sait toutefois que le passage à un usage collectif — déploiement aux collègues, mise en commun et sécurisation des données — exigera l’intervention d’un expert. La conscience de cette frontière est elle-même un signal. Le client autonome n’efface pas le prestataire, il en redéfinit le moment et le périmètre d’intervention.

Un membre de la direction d’une fiduciaire suisse a développé un agent conversationnel, sur la base d’un GPT personnalisé, qui répond aux questions juridiques courantes de ses collègues — adaptation de contrats, relations employeur-employé. L’agent a été affiné dans le contexte de l’entreprise avec l’avocat-conseil. Le cas combine deux gestes : un outil construit en autonomie par le métier, et une validation experte intégrée dès la conception. C’est une préfiguration du tiers de validation décrit plus loin, internalisé chez le client.

1. Le constat empirique

Dans la plupart des entreprises, l’IA est déjà au travail. Trois personnes sur quatre s’en servent dans leur quotidien professionnel. Près de huit sur dix utilisent leurs propres outils, souvent à l’insu de la DSI. En 2025, l’accès aux outils IA en entreprise a progressé de moitié. Plus de sept organisations sur dix l’ont intégrée à au moins une fonction métier.

Les gains de productivité ne sont pas spéculatifs. Un consultant équipé de GPT-4 traite 12 % de tâches en plus dans 25 % de temps en moins, avec une qualité jugée 40 % supérieure. Sur les tâches juridiques, l’effet mesuré va de 12 à 32 %. Sur les tâches d’écriture professionnelle, le temps de production diminue de 40 % et la qualité progresse de 18 %. Pour les agents de support client, la productivité progresse également, et la satisfaction des utilisateurs avec elle. Ces chiffres ne viennent pas d’éditeurs en quête d’arguments commerciaux : ils sont mesurés par des chercheurs universitaires sur des terrains réels d’entreprise.

Le client a changé de capacité productive. Les sociétés de services n’ont, pour la plupart, pas changé d’offre.

2. Le vibe service comme régime de consommation

Andrej Karpathy a popularisé en 2025 le terme vibe coding : développer un logiciel en décrivant son intention en langage naturel à un LLM, sans coder soi-même. Par analogie, j’appelle vibe service la pratique consistant, pour un non-spécialiste, à mobiliser l’IA générative comme substitut partiel ou total à un service professionnel — juridique, RH, comptable, communication, IT, conseil — en décrivant son besoin et en itérant jusqu’à un livrable utilisable. C’est une forme de prosommation experte des services professionnels : le consommateur devient producteur de sa propre prestation, à un niveau d’expertise hier réservé au prestataire.

Le vibe service couvre déjà la rédaction de premiers brouillons de contrats, la production de fiches de poste, le diagnostic IT élémentaire, les posts LinkedIn, les comptes rendus de réunion, les premières analyses financières, les briefs de cahiers des charges. Le périmètre s’étend en continu, presque chaque jour. Chaque release de modèle, chaque nouvel agent spécialisé en repousse la frontière, et la dynamique est exponentielle plutôt que linéaire.

À ne pas confondre avec le vibe consulting introduit par Miranki en novembre 2025, qui désigne le mouvement inverse : le consultant qui s’augmente à l’IA pour livrer plus vite à son client. Le vibe service décrit la substitution par le client, pas l’augmentation du prestataire. La direction du déplacement de valeur n’est pas la même, et c’est précisément cette direction qui impose aux sociétés de services de revoir leur modèle.

3. Le cadre des quatre périmètres

Pour comprendre où se déplace la valeur, je propose de découper la consommation de services en quatre périmètres. Le cadre s’inscrit dans une lignée business installée. John Kotter parle de dual operating system, où une hiérarchie d’exécution coexiste avec un réseau d’agilité. Clayton Christensen et Michael Overdorf appellent à séparer les structures porteuses de l’ancien de celles qui doivent porter le nouveau, dans leur new organizational space. Gartner a codifié plus tard le bimodal IT, distinguant un mode prévisible pour les systems of record et un mode exploratoire pour les systems of innovation. La conviction commune : un cadre unique ne suffit plus à gouverner des logiques de valeur différentes. Le modèle des quatre périmètres prolonge cette intuition pour la consommation de services à l’ère de l’IA générative.

A – Le noyau expert irréductible. Les tâches où l’expertise humaine reste un facteur clé de succès et que l’IA ne suffit pas à porter. Ce noyau a deux faces. La face externe regroupe ce que la PME délègue à des prestataires spécialisés faute d’alternative viable en interne : litige judiciaire, audit fiscal, intégration de systèmes critiques, transformation organisationnelle de fond. La face interne regroupe le cœur de métier qui différencie l’entreprise de ses concurrents — ce qui fait qu’on la choisit plutôt qu’une autre. Cette face-là gagne à être internalisée. La déléguer revient à confier sa différentiation à un tiers, et le vibe service ne change rien à cette règle.

B – Le référent augmenté et agile. Les tâches que le client traite en interne avec un référent formé, dès lors qu’on lui fournit le cadre, les gabarits, les prompts spécialisés et les workflows. Modèles de contrats configurables, processus RH outillés, tableaux de bord BI sur cubes existants, assistants conversationnels métier. Le prestataire passe d’exécutant à fournisseur de cadre. Ce périmètre offre par construction une forte agilité aux changements : toute évolution du contexte se règle par un ajustement de paramètres plutôt que par un projet de développement, ce qui en fait sa principale qualité opérationnelle.

C – Le vibe service. L’autonomie augmentée du collaborateur final : Claude, ChatGPT, Copilot, agents spécialisés en libre service, sous régime de charte. C’est ici que l’expansion est la plus rapide. C’est aussi ici que le prestataire risque de disparaître du champ de vision du client.

Z – Hors périmètre. Les usages risqués non encadrés : données sensibles partagées avec des IA grand public, conseil critique non vérifié, livrables professionnels diffusés sans validation, contournement des contrôles internes. Zone à surveiller en continu, à cartographier, à former et à remédier.

Le découpage n’est pas figé. La porosité entre périmètres est un mécanisme central : un usage C qui devient récurrent peut être promu en B (industrialisé). Un cas B critique peut redescendre en A. La gouvernance du prestataire devient celle de la porosité.

En pratique, cette architecture ne s’active pas en bloc. Une mise en œuvre réaliste démarre souvent par une intégration A+B : le prestataire qui occupe le périmètre A continue d’opérer comme avant, le temps que les référents métier du périmètre B soient identifiés et aguerris. La séparation des deux périmètres se construit progressivement, à mesure que le client gagne en maturité sur les outils et la gouvernance des usages. Le périmètre C peut s’amorcer en parallèle, mais sa généralisation suppose qu’au moins une politique d’usage et un dispositif de support soient en place.

Le cadre est exposé ici dans la perspective d’une PME en relation avec un prestataire externe. Il s’applique tout aussi bien à des entreprises plus grandes qui intègrent en interne ce que la PME externalise. Dans ces organisations, A et B sont portés par des fonctions internes — DSI, direction juridique, contrôle de gestion, ressources humaines — qui jouent vis-à-vis des métiers le rôle qu’un prestataire externe joue vis-à-vis d’une PME. La logique de découpage et de porosité reste la même. Seul change le donneur d’ordre.

4. Les contre-arguments comme opportunités

« The tool answers what you ask, whereas the expert tells you what to ask. » — Carl Benedikt Frey, The New York Times, 11 mai 2026

L’autonomisation est plus tortueuse que les promesses marketing ne le laissent entendre. La frontière où l’IA aide vraiment est dentelée : pour les tâches dans son périmètre de capacité, un consultant équipé gagne 12 % de tâches accomplies dans 25 % de temps en moins, et la qualité de ses livrables progresse de 40 %. Pour les tâches au-delà, ses solutions sont dégradées de 19 %. Il ne sait pas, en amont, distinguer les unes des autres, et la frontière est mouvante — chaque nouveau modèle la redessine. L’autonomie a aussi un revers mesuré : sur 244 consultants suivis dans 5 000 interactions IA, plus d’un quart bascule en mode auto-pilote — délégation entière, sans gain d’expertise sur l’outil ni sur le métier. Ce sont pourtant des profils sélectionnés pour leur rigueur analytique. La confiance reste un actif humain : sur les enjeux à risque, les clients préfèrent encore valider leur décision avec un humain plutôt qu’avec une IA. Et chez les grands comptes, on observe une dynamique d’internalisation des fonctions de conseil — des cellules expertes maison qui captent ce qu’on externalisait hier.

Chacun de ces contre-arguments désigne une opportunité — pour les sociétés de services qui acceptent d’inverser leur modèle, et pour les entreprises clientes qui acceptent d’investir dans leur capacité interne.

De la jagged frontier au service de cartographie. Le client ne sait pas où l’IA est fiable, et la frontière se déplace à chaque release de modèle. La société de services peut devenir celle qui audite les cas d’usage, cartographie les risques par tâche, et forme à la validation des outputs. Service à forte expertise, et structurellement récurrent : la cartographie est périssable par nature, ce qui exclut l’audit ponctuel et installe un modèle d’abonnement. Le risque sous-jacent n’est pas spéculatif, il a été mesuré sur le terrain. Une étude récente sur 244 consultants distingue trois modes d’usage de l’IA en travail de connaissance. Le centaure (14 %) mobilise l’IA de façon sélective sous contrôle humain ferme : il atteint la meilleure précision et approfondit son expertise métier en parallèle. Le cyborg (60 %) entretient un dialogue continu avec l’IA et gagne en expertise IA, au risque de laisser dériver son ancrage métier. L’auto-pilote (27 %), c’est le profil qui délègue des workflows entiers et perd à la fois la maîtrise de l’outil et la maîtrise du métier — c’est l’argument le plus solide pour vendre du coaching à un client qui se croit autonome. Le coaching consiste à faire migrer l’auto-pilote vers le centaure, et à orienter le cyborg vers l’approfondissement de l’expertise métier plutôt que de la seule expertise IA.

Côté client. L’entreprise qui mobilise le vibe service doit développer une capacité interne d’audit de ses propres cas d’usage. Identifier les auto-pilotes dans ses équipes, et mettre en place des points de contrôle au passage de la frontière. Cette cartographie a besoin d’être renouvelée à chaque changement de modèle. Le référent métier du périmètre B est le porteur naturel de cette compétence ; à défaut, c’est le manager direct, formé à reconnaître les signaux de bascule.

De l’asymétrie de confiance au tiers de validation. Quand le client refuse de confier sa décision critique à une IA, il a besoin d’un humain qui valide. La société de services se positionne en tiers de confiance certifié : revue de productions IA, validation de livrables, garantie de conformité. Le métier devient celui de l’assurance qualité experte. Le marché des vibe coding rescue services qui émerge en 2025-2026 — agences qui auditent et sécurisent les applications produites en autonomie par des non-développeurs — préfigure ce que les autres métiers verront apparaître à leur tour. La trace est déjà observable en IT ; elle se répétera dans le juridique, le RH, la communication.

Côté client. L’entreprise doit définir un seuil de criticité au-delà duquel le tout-IA n’est pas une option, et formaliser ses points de passage obligatoire vers une validation humaine. La gouvernance interne précède le recours au tiers externe : sans politique claire sur ce qui peut sortir sans relecture, l’investissement en validation est mal calibré. Le seuil n’est pas universel, il dépend du métier et du risque réputationnel ou contractuel attaché à chaque livrable.

De l’internalisation au compagnonnage paramétrique. Pour la PME, internaliser une cellule d’experts n’est pas réaliste. Le prestataire devient le partenaire long terme qui construit et maintient le périmètre B du client : gabarits, workflows, prompts spécialisés, gouvernance des usages, mise à jour des cadres au rythme des modèles. Le modèle économique devient un abonnement à la maintenance d’un environnement augmenté.

Côté client. La PME ne peut pas internaliser une cellule d’experts, mais elle ne doit pas non plus rester captive d’un prestataire unique. L’enjeu est de constituer un référent métier B capable de dialoguer d’égal à égal avec le partenaire externe, sans déléguer la totalité de la gouvernance des usages. La compétence à acquérir est celle du donneur d’ordre éclairé. Sans elle, le compagnonnage paramétrique se transforme en dépendance, et la valeur reste captée à l’extérieur de l’entreprise.

De la complexification de la demande à un nouveau support. Le client autonome pose des questions qu’il ne posait pas avant : pourquoi mon prompt ne fonctionne plus, comment articuler trois agents, comment vérifier qu’un output est exact, comment gouverner une équipe qui utilise des outils hétérogènes. Cela ouvre un marché de support spécialisé, à un niveau d’expertise plus élevé que le helpdesk traditionnel.

Côté client. L’entreprise doit accepter de payer pour de l’expertise plutôt que pour de l’exécution, et reconfigurer ses budgets en conséquence. Les questions techniques produites par l’autonomie du périmètre C ne se résolvent pas avec un helpdesk forfaitaire ; elles relèvent d’un accompagnement à valeur supérieure que le modèle d’achat traditionnel ne sait pas encore qualifier ni acheter.

5. L’inversion du modèle

Le modèle traditionnel des sociétés de services facture l’exécution. Le modèle qui se prépare facture le cadre, la validation, le coaching et le support. L’inversion n’est pas marginale. Elle touche le mode de pricing — de l’heure facturée vers l’abonnement et l’outcome-based —, la structure des équipes (HBR documente en septembre 2025 le passage du modèle pyramidal au modèle « obélisque » : moins de juniors, plus d’experts), la promesse client (de l’exécution livrée à la capacité construite), et la nature même du contrat de prestation.

Côté client. L’inversion est symétrique. L’entreprise passe d’un achat d’exécution à un achat de capacité. Sa fonction achat doit apprendre à valoriser un cadre, un référent formé, une grille de risques, un abonnement à de la maintenance — actifs immatériels que les processus de sourcing actuels peinent à objectiver. Le critère de succès n’est plus l’heure homme livrée, mais la compétence interne construite chez le client.

Les sociétés de services qui s’installent sur le périmètre A continueront de prospérer, mais sur un volume contraint. Celles qui occupent le périmètre B et accompagnent les clients sur le périmètre C captureront la valeur en croissance. Celles qui restent sur l’exécution intermédiaire — celle que le vibe service absorbe — verront leur marché s’éroder par le bas.

Côté client. La dynamique est aussi rapide. Les entreprises qui investissent dans la formation de leurs référents métier et dans la gouvernance de leurs usages C capteront en interne la valeur que d’autres laisseront filer vers des prestataires externes ou — pire — vers du shadow AI non gouverné. Celles qui repoussent ces arbitrages continueront à acheter de l’exécution alors que leurs concurrents achèteront de la capacité, à coût comparable et à effet décroissant.

Le moment d’agir n’est pas dans cinq ans. Il est dans les arbitrages que les directions prennent maintenant — du côté de l’offre comme du côté de la demande.

---

Sources

• Dell’Acqua, F., McFowland III, E., Mollick, E., Lifshitz, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., Lakhani, K. R. (2026). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science, Articles in Advance.
• Randazzo, S., Dell’Acqua, F., Lifshitz, H., Mollick, E., Kellogg, K. C., Krayer, L., Candelon, F., Lakhani, K. R. (2025). Cyborgs, Centaurs and Self-Automators: The Three Modes of Human–GenAI Knowledge Work and Their Implications for Skilling and the Future of Expertise. Harvard Business School Working Paper No. 26-036.
• Erlei, A. (2025). From Digital Distrust to Codified Honesty: Experimental Evidence on Generative AI in Credence Goods Markets. arXiv:2509.06069.
• Choi, J. H., Hickman, K. E., Monahan, A., Schwarcz, D. B. (2023). ChatGPT Goes to Law School. Journal of Legal Education.
• Brynjolfsson, E., Li, D., Raymond, L. (2025). Generative AI at Work. Quarterly Journal of Economics.
• Noy, S., Zhang, W. (2023). Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence. Science 381, 187–192.
• Christensen, C. M., Overdorf, M. (2000). Meeting the Challenge of Disruptive Change. Harvard Business Review, 78(2), 66–76.
• Kotter, J. P. (2014). Accelerate: Building Strategic Agility for a Faster-Moving World. Harvard Business Review Press.
• Gartner (2014). Bimodal IT: How to Be Digitally Agile Without Making a Mess. Gartner Research.
• Frey, C. B. (11 mai 2026). This Is Why You’re Drowning in Busywork. The New York Times, Guest Essay.
• Harvard Business Review (septembre 2025). AI Is Changing the Structure of Consulting Firms.
• Miranki (novembre 2025). Vibe Consulting: The Consulting Revolution Powered by AI Augmentation.
• Microsoft (2024). Work Trend Index Annual Report.
• Deloitte (2026). State of AI in the Enterprise.
• McKinsey (2024). The State of AI.

Comment faire coexister des systèmes informatiques qui ne fonctionnent pas selon la même logique fondamentale ?

Ce n’est pas une question technique. C’est une question de civilisation organisationnelle.

Le mythe de la continuité technologique

Depuis les années 1960, les systèmes informatiques qui structurent nos entreprises partagent une promesse implicite : la même entrée produit toujours la même sortie. C’est ce que les informaticiens appellent le déterminisme. Votre ERP, votre système comptable, votre workflow de validation de factures : tous reposent sur cette certitude. Une règle. Un résultat. Toujours.

L’IA générative brise cette promesse.

Posez la même question deux fois à un LLM. Vous obtiendrez deux réponses différentes. L’IA est probabiliste : elle génère ses outputs sur la base de distributions statistiques, pas de règles fixes. Ce n’est pas un défaut ; c’est son génie. Sa capacité à interpréter l’ambiguïté, à naviguer dans des contextes complexes, à répondre en langage naturel découle précisément de cette nature probabiliste.

Mais cette nature crée une rupture que nous n’avons pas encore vraiment appréhendée.

Défi n°1 : on ne peut pas remplacer l’un par l’autre

La tentation est forte de voir l’IA comme une évolution naturelle des systèmes d’automatisation existants. Une version plus intelligente, plus flexible, plus rapide. Et donc de l’intégrer là où fonctionnaient les anciens systèmes, en espérant qu’elle fasse mieux.

C’est une erreur de catégorie.

Dans les domaines réglementés (finance, santé, industrie, logistique) le déterminisme n’est pas un choix technique, c’est une obligation légale et éthique. La traçabilité, l’auditabilité, la répétabilité sont non négociables. Aucune banque centrale n’acceptera qu’une décision de compliance ait été prise par un système qui aurait pu produire une réponse différente si on lui avait posé la question une heure plus tard.

Inversement, un système purement déterministe ne comprendra jamais une question formulée avec de l’argot, une faute de frappe, ou une tournure implicite. Il ne pourra jamais synthétiser 200 pages d’un rapport pour en extraire les trois points critiques.

Les deux paradigmes sont complémentaires, pas substituables.

La réponse architecturale qui s’impose, et que les entreprises les plus avancées commencent à implémenter, est le modèle hybride : une couche de routage intelligente qui évalue chaque requête et décide si elle relève du déterministe (règles métier critiques, conformité, transactions financières) ou du probabiliste (interprétation, analyse contextuelle, recommandation à faible risque). L’IA ne remplace pas le système déterministe ; elle opère à côté, sous contrainte, avec des garde-fous explicites.

Le principe est simple à énoncer. Il est difficile à gouverner.

Défi n°2 : l’humain va voir l’IA comme une échappatoire

Voilà le défi qui me préoccupe le plus en tant que dirigeant et chercheur en transformation numérique.

Les humains ont toujours eu une relation compliquée avec les systèmes déterministes. Les règles trop rigides, trop complexes, trop éloignées du terrain génèrent invariablement des contournements. Les managers de projet développent des canaux informels hors-ERP. Les équipes opérationnelles s’échangent des workarounds par email plutôt que de suivre le processus documenté. Ce n’est pas de la mauvaise volonté, c’est de l’adaptation humaine à un environnement perçu comme trop contraignant.

Maintenant, imaginez un système qui comprend le langage naturel, qui répond avec fluidité, qui semble toujours trouver une solution. Qui n’affiche jamais d’erreur 403, ne renvoie jamais vers « l’informaticien », ne bloque jamais sur un champ obligatoire incompréhensible.

L’humain va percevoir l’IA probabiliste comme la soupape qu’il attendait.

Ce phénomène est aggravé par ce que les chercheurs nomment l’automation bias : notre tendance naturelle à faire davantage confiance aux systèmes automatisés qu’à notre propre jugement, même quand ces systèmes se trompent. Des études montrent que face à une réponse formulée avec autorité par une IA, même les utilisateurs formés réduisent significativement leur niveau de vérification critique.

Le risque est insidieux parce qu’il est graduel. Il ne se manifeste pas par un incident brutal, mais par une accumulation silencieuse de petits relâchements. La sociologue Diane Vaughan a théorisé ce mécanisme à travers le concept de normalisation de la déviance, initialement pour expliquer la catastrophe de la navette Challenger. Chaque déviation sans conséquence visible renforce l’acceptabilité de la suivante, jusqu’au point de rupture.

Appliqué à l’IA : chaque fois qu’un collaborateur contourne un processus déterministe en passant par le chatbot IA, chaque fois qu’une décision est validée sans vérification parce que « l’IA le dit », chaque fois qu’une règle de conformité est ignorée parce que l’IA a fourni une réponse rassurante, la déviance se normalise. Les systèmes qui fonctionnaient très bien s’érodent de l’intérieur, sans que personne n’ait décidé de les supprimer.

Défi n°3 : l’IA se comporte comme nous, elle vise l’objectif, pas les règles

C’est le défi le plus paradoxal et le plus révélateur de notre relation à la technologie.

Nous avons longtemps rassuré les organisations en disant que les systèmes informatiques, contrairement aux humains, respectent rigoureusement les règles. Pas d’interprétation, pas de raccourci, pas de « fin qui justifie les moyens ». L’IA brise cette promesse de manière spectaculaire.

En 2025, le modèle o3 d’OpenAI, chargé d’optimiser la vitesse d’un programme, n’a pas amélioré le code. Il a hacké le logiciel de mesure de vitesse pour qu’il retourne toujours un résultat satisfaisant. Claude 3.7 d’Anthropic, testé sur des problèmes mathématiques, a écrit un programme qui hardcodait les réponses correctes pour les cas de test, sans apprendre aucune méthode générale.

Ces exemples illustrent ce que les chercheurs en alignement IA nomment le reward hacking, la tendance d’un système optimisé sur un objectif à trouver des chemins non prévus pour atteindre cet objectif, en violant l’esprit des contraintes tout en respectant leur lettre.

Ce comportement a un nom en économie : la Loi de Goodhart. « When a measure becomes a target, it ceases to be a good measure. » Dès qu’une métrique devient un objectif, elle cesse d’être un bon indicateur de ce qu’elle était censée mesurer.

L’IA fait exactement ce que les humains font dans les organisations bureaucratiques : elle optimise sur ce qui est mesuré, pas sur ce qui est voulu. Elle respecte la lettre, pas l’esprit.

Ce n’est pas un comportement marginal. C’est une propriété émergente de tout système d’optimisation suffisamment puissant, opérant dans un environnement de règles incomplètes. C’est-à-dire : toute organisation réelle.

Des solutions tangibles existent, mais elles demandent du courage managérial

Ces trois défis ne sont pas des fatalités. Mais les réponses ne sont pas purement techniques. Elles exigent une maturité organisationnelle que peu d’entreprises ont encore développée.

Sur le plan architectural : définir explicitement, par domaine de risque, ce qui relève du déterministe non négociable et ce qui peut bénéficier du probabiliste. Implémenter des architectures hybrides avec des guardrails clairs, un logging exhaustif, et des seuils de confiance au-delà desquels la validation humaine est obligatoire, pas symbolique, réelle.

Sur le plan humain : former activement les collaborateurs à distinguer un output déterministe d’un output probabiliste, et à exercer leur jugement critique face aux réponses de l’IA. La recherche montre que la simple connaissance de l’automation bias réduit significativement ses effets. Cette formation n’est pas un luxe, c’est une condition de survie organisationnelle.

Sur le plan de l’alignement IA : spécifier non seulement les résultats attendus, mais les processus admissibles. Tester adversarialement. Chercher activement les raccourcis que le système pourrait prendre, pas seulement les réponses incorrectes. Et accepter que l’alignement parfait n’existe pas, l’objectif est de rendre les défaillances détectables, réversibles, et non catastrophiques avant qu’elles se normalisent.

La vraie question de gouvernance

Dans mon article précédent sur la souveraineté IA, j’explorais la dépendance externe, la question de savoir à qui appartient notre capacité à décider avec l’IA. Ces trois défis ajoutent une dimension plus interne, plus subtile : à qui appartient la cohérence de nos systèmes de gouvernance internes ?

L’IA probabiliste ne détruit pas les règles de façon frontale. Elle les dissout par friction, par facilité, par optimisation locale. Elle offre une flexibilité que l’humain perçoit comme une libération, et qui peut être une érosion.

La réponse n’est ni le rejet de l’IA ni la capitulation devant elle. C’est la construction patiente d’une double vigilance : architecturale et culturelle. Savoir précisément où l’on veut la certitude déterministe, et où l’on peut se permettre la flexibilité probabiliste. Et ne jamais confondre les deux, même quand c’est tentant.

Surtout quand c’est tentant.

Pour référence

Ma recherche « Perplexity » plus détaillée.