Économie cognitive : ce que l’IA change dans le travail

Produire une synthèse ou proposer une réponse mobilise des opérations que l’intelligence artificielle peut désormais réaliser en partie. Cette évolution donne une nouvelle actualité à l’économie cognitive, une approche qui place les croyances et les raisonnements des acteurs au centre de l’analyse économique. L’ouvrage de Bernard Walliser, L’Économie cognitive, paru en 2000, fournit un point de départ pour examiner ces transformations [1]. Parler aujourd’hui d’une « ère de l’économie cognitive » propose une lecture de leur portée : la manière dont les organisations produisent et utilisent leurs connaissances devient un objet de transformation à part entière.

Qu’est-ce que l’économie cognitive ?

Dans l’approche présentée par Walliser, l’analyse économique s’intéresse aux informations dont disposent les acteurs, aux croyances qu’ils forment et aux décisions qui en découlent. Le sommaire de son ouvrage traite de la révision des croyances individuelles, puis de leurs relations avec les choix et les interactions [1]. Cette perspective aide à examiner des acteurs qui apprennent et ajustent leurs raisonnements. Elle donne une place explicite à la manière dont ils interprètent une situation, au-delà des seules informations disponibles.

L’expression prend aussi une portée plus large lorsqu’elle désigne une économie où les connaissances contribuent fortement à créer de la valeur. Ces deux usages doivent être distingués. Le premier concerne un programme d’analyse économique ; le second propose de caractériser une transformation de la production. L’article retient leur rapprochement pour examiner le travail avec l’IA, sans les présenter comme deux définitions identiques.

L’économie de la connaissance fournit un précédent à cette discussion. Dès 1996, l’OCDE décrivait des économies fondées sur la production, la diffusion et l’utilisation de connaissances, en soulignant le rôle de l’apprentissage [2]. L’IA générative s’inscrit dans cette histoire. Son arrivée permet d’examiner ce qui change lorsque des systèmes contribuent directement à préparer des productions jusque-là réalisées par des professionnels.

Pourquoi l’IA donne-t-elle une nouvelle portée à cette idée ?

L’IA générative peut intervenir dans une chaîne de travail avant qu’une décision soit prise. Elle peut proposer une première formulation, rapprocher des informations ou produire des options que les professionnels examinent ensuite. Selon les tâches et les dispositifs, elle modifie la répartition des opérations entre la personne et le système. Cette répartition mérite d’être étudiée dans le détail, car un résultat utile dans une activité ne garantit pas le même effet dans une autre.

Brynjolfsson, Li et Raymond (2025) ont étudié le déploiement progressif d’un assistant auprès de 5 172 agents de support client [3]. L’accès à l’outil augmente en moyenne de 15 % le nombre de problèmes résolus par heure, avec des effets différents selon l’expérience et le niveau initial des agents. Les moins expérimentés bénéficient davantage de l’assistance. Les auteurs présentent aussi des indices d’apprentissage, dont des progrès qui subsistent lors d’interruptions de l’outil.

Ces résultats portent sur une entreprise et un dispositif de support défini. Ils documentent une possibilité de diffusion de pratiques professionnelles par l’assistance de l’IA, plutôt qu’un effet uniforme sur tous les métiers. Pour une direction, ils invitent à préciser les tâches concernées et les personnes qui peuvent bénéficier de l’intervention. La moyenne observée ne permet pas de déduire le gain attendu dans un autre contexte.

La performance dépend de ce que l’on délègue

Dell’Acqua et ses collègues ont étudié l’assistance de GPT-4 dans une expérience préenregistrée avec 758 consultants. Le travail, d’abord diffusé en 2023, a été publié dans Organization Science en 2026 [4]. Pour des tâches situées dans le périmètre de capacité du système étudié, les participants assistés réalisaient davantage de tâches, plus rapidement, avec une meilleure qualité. Sur une tâche sélectionnée en dehors de ce périmètre, l’assistance diminuait au contraire la probabilité de parvenir à une solution correcte.

Les auteurs proposent l’idée d’une frontière technologique irrégulière. Des tâches qui paraissent comparables du point de vue d’un professionnel peuvent donner lieu à des effets très différents de l’assistance [4]. Cette frontière décrit les résultats obtenus avec le système et les tâches de l’étude. Son emplacement doit être réexaminé lorsque les outils ou les situations changent.

Pour une organisation, une conséquence pratique consiste à définir les opérations déléguées et les conditions de leur contrôle. La question du temps gagné doit inclure le temps de vérification et de reprise. Une évaluation peut distinguer la production d’une première proposition de son utilisation dans une décision. Cette distinction donne des critères plus précis qu’un objectif général d’augmentation de l’usage.

Produire davantage d’information ne garantit pas une meilleure décision

La facilité à obtenir une réponse ouvre une question de jugement : comment déterminer qu’elle convient à la situation ? Un texte peut être fluide et reposer sur une hypothèse inadaptée. Il peut aussi omettre une contrainte connue du métier, mais absente de la demande. Le travail de vérification doit porter sur ces éléments, en fonction des conséquences de la décision préparée.

Lee et ses collègues (2025) ont interrogé 319 professionnels qui ont décrit 936 situations d’utilisation de l’IA générative [5]. Dans cette enquête, une confiance plus forte dans l’IA est associée à un moindre recours déclaré à la pensée critique. Les réponses décrivent aussi un déplacement de l’effort vers la vérification de l’information et l’intégration des productions. Ces données reposent sur des déclarations ; elles ne démontrent pas une dégradation causale des capacités intellectuelles.

La formule selon laquelle l’IA « libère du temps pour réfléchir » demande donc à être éprouvée dans le travail. Du temps peut être réinvesti dans une vérification approfondie, dans d’autres tâches ou dans une hausse du volume attendu. Ces possibilités ne produisent pas les mêmes conditions d’apprentissage. L’organisation doit préciser ce qu’elle attend des professionnels après l’obtention d’une première réponse.

Comment organiser le travail dans une économie cognitive ?

Le déploiement d’un outil conduit à examiner la manière dont une organisation transforme une information en action. Qui formule la demande et avec quels éléments de contexte ? Comment une proposition est-elle discutée avant d’être retenue ? Les réponses orientent la conception du travail autant que le choix technique. Le tableau suivant propose des points d’attention pour concevoir le travail avec l’IA.

Une première piste consiste à préciser les critères de qualité avant d’organiser l’assistance. Selon l’activité, ces critères peuvent porter sur l’exactitude d’une information ou sur sa pertinence pour une décision particulière. Les professionnels doivent pouvoir expliquer ce qui rend une proposition utilisable. Cette explicitation aide ensuite à choisir un mode de vérification adapté.

Le traitement des désaccords mérite aussi une règle de fonctionnement. Lorsqu’une proposition générée contredit l’expérience d’un professionnel, il faut pouvoir examiner les éléments en présence et décider comment les départager. Une obligation de suivre la recommandation réduirait la place donnée à ce retour. À l’inverse, une règle de contestation sans temps disponible pour l’appliquer resterait difficile à utiliser.

Ces choix prolongent les questions développées dans notre article sur l’intelligence artificielle et le management. Ils demandent de préciser les responsabilités au moment où une production est acceptée et utilisée. La formation peut préparer ces pratiques, à condition que les règles de travail permettent de les exercer. Le contenu d’un programme doit partir des situations concernées.

Développer l’adaptabilité demande des conditions d’apprentissage

Le terme « cognitif » pourrait conduire à réduire la transformation aux aptitudes individuelles. Cette lecture négligerait l’organisation de la circulation des connaissances. Le rapport de l’OCDE distinguait déjà l’accès à l’information des savoir-faire nécessaires pour la sélectionner et l’utiliser [2]. Pour une entreprise, cette distinction invite à examiner les occasions de confronter les résultats et les moyens de conserver ce qui a été appris.

Une proposition pour les transformations IA consiste à réserver des moments où les professionnels expliquent leurs choix sur des cas de travail. Les écarts entre une première production et le résultat retenu peuvent alors être examinés. Ces échanges permettent d’identifier une compétence à développer ou une règle à modifier. Leur valeur doit être évaluée à partir de ce qu’ils changent ensuite dans les pratiques.

La formation à l’IA en entreprise peut intégrer cette préparation au jugement et à la vérification. Elle doit s’articuler avec le temps disponible et les responsabilités confiées. Pour apprécier une transformation, une direction peut suivre la qualité des décisions préparées avec l’outil et le volume de reprises nécessaire. Ces observations permettent de revoir le dispositif lorsque l’usage augmente sans amélioration du travail réalisé.

FAQ sur l’économie cognitive

Cette lecture concerne-t-elle uniquement les métiers de bureau ?

Non. On peut aussi examiner la circulation des connaissances dans une activité technique ou de production. L’analyse peut porter sur la manière d’interpréter un signal, de transmettre un savoir-faire ou de décider face à un incident. L’importance de ces opérations doit être étudiée dans chaque métier, en relation avec ses conditions matérielles.

L’économie cognitive désigne-t-elle le principe du moindre effort ?

Non, les expressions renvoient ici à des sujets différents. Le principe d’économie d’effort mental concerne les façons de limiter l’effort nécessaire à certaines opérations. L’économie cognitive, au sens du livre de Walliser, analyse le rôle des processus cognitifs dans les phénomènes économiques. Une définition est nécessaire pour éviter de passer d’un sens à l’autre [1].

Sommes-nous entrés dans une nouvelle ère économique ?

L’expression propose une interprétation de transformations en cours, plutôt qu’une période dont le début serait établi par un indicateur unique. Les travaux cités montrent des modifications du travail avec l’IA dans des contextes précis. Leur portée doit être distinguée d’un diagnostic sur l’ensemble de l’économie. Pour une entreprise, l’analyse peut commencer par les tâches qui changent et leurs résultats observables [3, 4].

À propos de l’auteur

Maxime Rabéchault est fondateur de UNREST, cabinet de développement organisationnel et de change enablement fondé sur les sciences comportementales. Il est également enseignant vacataire à l’IAE Paris-Sorbonne. Son travail porte sur les pratiques professionnelles et les conditions qui permettent aux organisations de réussir leurs transformations.

Références

1. Walliser, B. (2000). L’Économie cognitive. Odile Jacob. Présentation et sommaire de l’éditeur.
2. OCDE (1996). The Knowledge-Based Economy. OCDE/GD(96)102. Rapport.
3. Brynjolfsson, E., Li, D. et Raymond, L. (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889–942. Article.
4. Dell’Acqua, F. et al. (2026). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science. Première diffusion en document de travail en 2023. Article publié.
5. Lee, H.-P. et al. (2025). The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. CHI ’25, article 1121, 1–22. Article.