Cinquante-six pour cent des travailleurs américains ayant utilisé l'IA au travail la semaine précédente ont gagné deux heures ou moins. Treize pour cent n'ont rien gagné du tout, ou ont eu besoin de temps supplémentaire pour terminer le travail (U.S. Census Bureau, 2026 ; Nextgov/FCW, 2026).
C'est la première mesure fédérale et indépendante des fournisseurs du temps gagné grâce à l'IA au travail. Ce n'est ni un argumentaire de licences, ni un export de télémétrie customer success, ni une enquête menée par une entreprise qui vend des sièges. Et pour un Head of Operations qui construit un business case IA pour 2026, elle tranche une question que les données des éditeurs ne peuvent structurellement pas trancher : ce que l'utilisateur médian récupère réellement.
La réponse est une à deux heures. Le problème n'est pas que le chiffre soit faible. C'est qu'une à deux heures éparpillées ne sont pas l'unité dans laquelle votre business case est libellé.
Ce que le Census a réellement mesuré sur le temps gagné grâce à l'IA au travail
La Household Trends and Outlook Pulse Survey de mars 2026, publiée le 11 août, a demandé aux actifs interrogés s'ils avaient utilisé l'IA pour l'une des 11 tâches professionnelles listées. Environ 55% ont répondu oui (Census Bureau, 2026).
La liste des tâches mérite une lecture attentive, car elle décrit la forme de l'adoption réelle et non celle d'une feuille de route :
- 37% — recherche d'informations ou d'aide technique
- 32% — rédaction de communications, de documentation ou d'instructions
- 32% — génération d'idées
- 31% — interprétation, traduction ou synthèse d'informations
- 27% — tâches administratives
Rien de tout cela n'est agentique. C'est de la recherche, de la rédaction et de la compression — le milieu substituable du travail de la connaissance, pas la propriété de bout en bout des processus autour de laquelle sont écrits la plupart des plans de déploiement 2026.
Vient ensuite la question du temps. Parmi les travailleurs ayant utilisé l'IA la semaine précédente, la distribution est la suivante : 25% ont gagné moins d'une heure, 31% une à deux heures, environ 30% trois heures ou plus (répartis à peu près également entre trois heures et quatre heures ou plus), 10% n'ont gagné aucun temps et 3% ont déclaré que le travail avait pris plus de temps avec l'IA que sans (Census Bureau, 2026 ; CBS News, 2026).
Une note méthodologique qui compte pour la façon dont vous citerez ces données en interne : la question du Census porte sur les tâches accomplies la semaine précédente, et non sur un total hebdomadaire net par personne. Si tant est, ce cadrage est généreux. L'usage est également plus mince que ne le suggèrent les gros titres sur l'adoption : seuls 24% des utilisateurs d'IA y ont touché chaque jour de la semaine de référence, tandis que 46% l'ont utilisée au moins un jour.
Deux lectures fédérales indépendantes, un seul chiffre : environ deux heures
La caractéristique la plus utile de ce jeu de données, c'est qu'il s'agit de la deuxième mesure d'origine fédérale à atterrir presque au même endroit.
L'enquête nationalement représentative de Bick, Blandin et Deming — celle qui sous-tend les travaux de la St. Louis Fed sur l'adoption — demandait aux utilisateurs d'IA générative combien d'heures supplémentaires il leur aurait fallu pour terminer le travail de la semaine précédente sans elle. La réponse : 5,4% des heures travaillées, soit environ 2,2 heures sur une semaine de 40 heures (St. Louis Fed, 2024).
Deux instruments différents, deux années différentes, deux conceptions de question différentes. Les deux atterrissent autour de deux heures.
Voici le point que la plupart des gens prennent à l'envers. Les éditeurs ne sont pas loin de ce chiffre non plus. L'étude Total Economic Impact de Forrester sur Microsoft 365 Copilot construit son moteur de valeur sur environ 9 heures gagnées par utilisateur et par mois — environ 2,25 heures par semaine — et aboutit malgré tout à un ROI de 116% pour son organisation composite, avec 36,8 M$ de bénéfices contre 17,1 M$ de coûts sur trois ans (Forrester, 2025).
Le désaccord entre les données fédérales et le modèle des éditeurs ne porte donc pas sur les heures. Il porte sur ce que vaut une heure. Et c'est une hypothèse de modélisation qui vous appartient, pas une que le fournisseur peut valider à votre place.
Votre business case ne se trompe pas sur les heures. Il se trompe sur leur nature.
L'arithmétique standard, c'est heures gagnées × coût horaire chargé × effectif. Elle est propre, elle survit à une revue financière, et elle est fausse d'une manière précise : elle suppose que le temps récupéré est fongible avec le temps acheté.
Il ne l'est pas. Deux heures par semaine, réparties sur une douzaine de tâches interrompues, c'est du slack. Cela s'absorbe dans la journée de travail — fins de journée légèrement plus tôt, revues légèrement plus longues, compression de fin de semaine légèrement moindre. Cela ne se consolide pas en un incrément de capacité réallouable, parce que rien dans le modèle opérationnel n'est conçu pour le collecter. Dans une entreprise de 200 ETP, aucun mécanisme ne rassemble les quatre-vingt-dix minutes éparses de quarante personnes en un projet financé.
C'est la version mid-market d'un résultat macroéconomique. La comptabilité par tâche d'Acemoglu sur l'effet agrégé de l'IA — part des tâches affectées multipliée par l'économie de coût moyenne par tâche — produit au plus une hausse de 0,66% de la productivité globale des facteurs sur dix ans, précisément parce que des gains significatifs par tâche sur une fraction modeste du travail ne s'agrègent pas comme l'intuition l'exige (Acemoglu, 2024). Votre compte de résultat exécute la même arithmétique à plus petite échelle, avec le même résultat.
Le test opérationnel est binaire et sans indulgence : une tâche entière a-t-elle quitté le bureau de quelqu'un ?
Si un rapprochement mensuel, un cycle de premier jet, une catégorie de tickets de niveau un ou la construction d'un rapport sont désormais entièrement absorbés — c'est de la capacité, et elle est monétisable. Elle se manifeste par un poste que vous ne remplacez pas, un prestataire que vous ne renouvelez pas, une file qui s'écoule sans heures supplémentaires. Si au contraire chaque tâche requiert encore une personne et que chacune est un peu plus rapide, vous avez acheté du confort. Le confort est un achat légitime. Ce n'est pas une ligne de coût, et cela n'aurait jamais dû être modélisé comme telle.
Les 13% que personne ne valorise
Dix pour cent des utilisateurs d'IA n'ont gagné aucun temps. Trois pour cent en ont eu besoin de plus qu'ils n'en auraient eu besoin sans elle (Nextgov/FCW, 2026).
Je n'ai jamais vu de business case mid-market qui porte une queue négative. Chaque modèle que j'examine traite les gains comme ayant un plancher à zéro et une distribution au-dessus. Les données fédérales disent qu'environ un utilisateur sur huit est à zéro ou en dessous — et ces utilisateurs consomment tout de même une licence, un créneau de formation et de l'attention managériale.
Cela reformule l'ampleur du déploiement. Un déploiement universel à prix fixe par siège vous achète toute la distribution, y compris son huitième inférieur. Un déploiement ciblé sur les profils de tâches correspondant au haut de la distribution — rédaction à fort volume, synthèse, rôles à forte intensité de recherche d'information — vous en achète une version tronquée. Sur 500 sièges, l'écart entre ces deux courbes constitue tout l'argument du ROI, et il est décidé par le périmètre d'achat, pas par la technologie.
L'objection : « Notre pilote a montré davantage »
C'est probablement vrai. Deux raisons structurelles, toutes deux à garder en tête avant d'extrapoler.
Les pilotes sélectionnent sur l'enthousiasme. Les volontaires d'un pilote IA proviennent de la queue droite de la distribution même que le Census vient de publier — les 30% qui obtiennent trois heures ou plus. Déployer sur l'ensemble de la population vous rapproche de la médiane, pas de la moyenne du pilote. Un pilote qui a rendu quatre heures par semaine et par participant ne prédit pas quatre heures par semaine et par salarié ; il prédit le plafond.
Le temps gagné auto-déclaré est l'estimation d'un contrefactuel. Les instruments du Census comme ceux de la St. Louis Fed demandent aux gens d'imaginer le temps qu'ils auraient mis sans l'IA. C'est une tâche cognitive difficile, et rien n'indique clairement qu'elle soit biaisée à la baisse. Rien ici ne corrige la possibilité que les déclarations surestiment.
Aucun de ces deux points ne signifie que la technologie sous-performe. Les deux signifient la même chose sur le plan opérationnel : votre business case doit être bâti sur la médiane d'une population complète et stressé au décile inférieur — pas bâti sur la cohorte pilote et projeté par espoir.
Trois décisions avant la clôture du trimestre
- Relibellez le modèle en tâches, pas en heures. Reprenez votre business case IA actuel et identifiez chaque ligne où des heures gagnées sont converties en euros. Pour chacune, nommez la tâche précise qui a quitté le bureau d'une personne précise. Les lignes qui survivent restent. Celles qui ne peuvent nommer aucune tâche sont reclassées de gain de coût vers bénéfice de qualité ou d'expérience — réel, digne d'être financé, mais plus porteur du ROI.
- Valorisez explicitement le huitième inférieur. Ajoutez une ligne pour les quelque 13% d'utilisateurs à gain net nul ou négatif. Multipliez par le coût complet du siège plus l'accompagnement. Si cette ligne modifie sensiblement votre délai de retour, la réponse est un déploiement plus étroit, pas une meilleure bibliothèque de prompts.
- Instrumentez un processus de bout en bout avant le renouvellement. Choisissez un seul flux de travail à fort volume et bien délimité. Mesurez le temps de cycle et le nombre d'intervenants avant et après — au niveau du processus, pas de l'individu. Une mesure propre au niveau du processus vaut plus qu'une année d'heures auto-déclarées, et c'est la seule preuve qui distingue le slack de la capacité.
La question à poser avant le renouvellement
L'apport du Census Bureau n'est pas que le temps gagné grâce à l'IA soit faible. Deux heures par semaine pour plus de la moitié d'une population active qui adopte à 55%, c'est un gain réel et large, et il converge avec l'estimation fédérale indépendante.
L'apport, c'est que ce chiffre est désormais public, non commercial et assez stable pour qu'on puisse planifier avec — ce qui supprime la dernière excuse d'un business case qui multiplie des minutes éparses par un coût horaire chargé et appelle le produit « capacité ».
Avant de signer le renouvellement, posez une question à votre équipe et exigez un nom, pas un chiffre : quelle tâche ne requiert plus personne ? Si personne ne sait répondre, vous n'avez pas acheté de capacité cette année. Vous avez acheté une semaine un peu plus légère — et il vaut mieux le savoir avant que le contrôle de gestion ne le découvre dans le rapport d'écarts.
