Stanford et Carnegie Mellon : le duo humain-machine bat encore l’automatisation totale

Une étude menée en 2025 par Stanford University et Carnegie Mellon University met un peu d’ordre dans le débat. Les agents autonomes échouent encore 32 % à 49 % plus souvent que des humains travaillant seuls. Et quand on passe à une formule hybride, avec un humain qui garde la main tout en s’aidant d’outils génératifs, les résultats dépassent ceux des agents entièrement autonomes de 68,7 %. La machine aide, clairement. Pour remplacer de façon fiable le jugement humain, en revanche, on n’y est pas encore.

ChatGPT Télécharger

Sur le terrain, les chiffres racontent la même histoire. D’après les données reprises dans cette étude, un usage en appui améliore l’efficacité de 24,3 %.

Ce qui surprend davantage, c’est que l’automatisation totale peut produire l’effet inverse. Toujours d’après ces données, elle peut ralentir le travail de 17,7 %, tout simplement parce qu’il faut encore vérifier, corriger et déboguer ce que l’outil produit. C’est ce décalage qui pousse beaucoup d’entreprises à revoir leurs attentes. Plutôt que de supprimer des postes à grande échelle, les déploiements les plus crédibles cherchent surtout à aller plus vite sur la rédaction, la recherche d’information, la synthèse documentaire ou la préparation de décisions.

Et ces limites ne relèvent pas seulement de l’organisation. Elles sont aussi très techniques.

Les grands modèles de langage fondés sur l’architecture transformer sont redoutablement efficaces pour prédire des mots et produire un texte fluide. Mais ils restent exposés aux hallucinations, aux incohérences, à une mémoire imparfaite, à des raisonnements parfois fragiles, et à une compréhension assez limitée du contexte réel.

Il y a aussi un autre problème, plus concret dans l’usage quotidien : leur comportement n’est pas déterministe. Une même requête peut donner des réponses différentes selon le moment, la formulation choisie, ou simplement l’historique de la conversation. Pour le service client, la conformité, la santé ou la finance, cette variabilité reste un frein bien réel.

À court terme, l’un des cas d’usage les plus tangibles concerne les réunions.

Comptes rendus, résumés de stand-up, préparation de réunions de synchronisation, récupération d’éléments de contexte avant une session d’idéation : sur ce type de tâches, ces outils peuvent alléger la charge mentale sans pousser dehors les participants qui comptent vraiment. Dans certains cas, ils peuvent même éviter une présence en direct assez peu utile, en générant un résumé fiable des échanges et des actions à suivre. Le gain n’est donc pas dans la disparition de la réunion. Il est dans une chose plus simple : rendre le temps humain plus utile.

Le potentiel économique, lui, reste énorme. D’après les estimations citées dans cette étude, les technologies génératives pourraient apporter entre 2 600 et 4 400 milliards de contribution annuelle à l’économie mondiale.

Les équipes qui travaillent déjà avec ces outils parlent aussi d’un autre type de bénéfice : des tâches réalisées 77 % plus vite, et des gains de productivité de 45 %, toujours selon les données citées dans l’étude.

C’est une très bonne nouvelle. Mais ces bénéfices n’arrivent pas tout seuls. Confiance, responsabilité, biais, protection de la vie privée, stress au travail, dépendance cognitive : la collaboration entre humains et machines demande de la gouvernance, de la formation, et des règles claires. Mieux vaut donc rester prudent. Dans les secteurs à haut risque, l’humain doit rester au centre du processus pour valider les décisions finales.

Au fond, la leçon est moins spectaculaire que les promesses de remplacement total. La technologie la plus utile n’est pas forcément celle qui écarte l’humain. C’est celle qui l’aide à mieux travailler.

Suivez-moi sur Twitter : @pierrevitre