Ce que les chiffres disent des agents au travail

Quelqu’un qui cherche une preuve que les agents élèvent la production trouvera deux sortes de preuves. Elles ne mesurent pas la même chose.

Une expérience donne l’outil à certaines personnes et pas aux autres, puis compte ce qu’elles terminent. Une enquête demande aux entreprises si le coût ou le revenu a bougé. Une expérience peut montrer un changement dans un métier. Une enquête peut montrer si les entreprises croient en voir un. Aucun de ces chiffres n’est une prévision pour la prochaine entreprise qui allume un outil.

Les nombres de ce texte sont publics. Chacun renvoie à l’article ou à l’enquête dont il vient. Les liens sont à la fin.

Le chiffre de production le plus net vient du support client. Erik Brynjolfsson, Danielle Li et Lindsey Raymond ont suivi le déploiement progressif d’un assistant génératif auprès de 5 179 agents d’une entreprise logicielle du Fortune 500. L’article est le NBER Working Paper 31161. L’assistant proposait des réponses. L’agent restait responsable de la conversation et pouvait ignorer la suggestion.

Les dossiers résolus par heure ont augmenté d’environ 14 pour cent. Pour les agents plus récents et moins qualifiés, la hausse était d’environ 34 pour cent. Un agent avec deux mois de poste, muni de l’outil, résolvait les dossiers au rythme d’un agent sans outil et avec plus de six mois d’ancienneté. L’article signale aussi un meilleur sentiment client et une meilleure rétention du personnel. Pour les agents les plus expérimentés, le changement de productivité était faible, et par endroits la qualité de leurs conversations a baissé.

C’est un résultat de production. Plus de travail terminé par heure, concentré là où les gens avaient le plus à apprendre, avec une personne encore dans la conversation.

Fabrizio Dell’Acqua et ses collègues ont mené une expérience préenregistrée avec 758 consultants du Boston Consulting Group. Sur 18 tâches réalistes à l’intérieur de ce que le modèle savait faire, les personnes qui utilisaient GPT-4 ont achevé 12,2 pour cent de tâches en plus et les ont terminées 25,1 pour cent plus vite. Le récit de BCG sur la même expérience indique une qualité environ 40 pour cent plus élevée sur une tâche créative de produit.

Sur une tâche de gestion choisie pour se trouver hors de cette portée, les personnes qui utilisaient l’outil avaient 19 pour cent de chances en moins de produire une solution correcte. L’outil reste fluide quand il se trompe. En administration, en analyse et en gestion des processus, la ligne de partage n’est pas l’importance de la tâche. C’est la possibilité de reconnaître une mauvaise réponse sans refaire le travail.

L’enquête mondiale de McKinsey s’est déroulée du 25 juin au 29 juillet 2025. Elle a entendu 1 993 personnes dans 105 pays. Quatre-vingt-huit pour cent ont dit que leur organisation utilise l’IA dans au moins une fonction. Soixante-deux pour cent ont dit expérimenter au moins avec des agents : 23 pour cent en train d’étendre un agent quelque part dans l’entreprise, et 39 pour cent encore en expérimentation. Dans une fonction donnée, pas plus de 10 pour cent ont dit étendre des agents. Sept pour cent ont dit que l’IA est déployée à l’échelle de toute l’organisation.

Trente-neuf pour cent ont attribué un effet quelconque sur l’EBIT à l’IA, et la plupart d’entre eux l’ont situé sous 5 pour cent de l’EBIT. Soixante-quatre pour cent ont dit que l’IA favorise l’innovation. Les baisses de coût déclarées apparaissaient le plus souvent en ingénierie logicielle, en production industrielle et en informatique. Ces chiffres sont ce que les répondants ont dit. Ce n’est pas ce qu’une expérience a compté. C’est quand même l’image publique la plus large de là où en étaient les entreprises en 2025.

McKinsey appelle très performant un répondant qui attribue plus de 5 pour cent de l’EBIT à l’IA et qui signale aussi une valeur significative. Ce groupe représente environ 6 pour cent de l’enquête. Cinquante-cinq pour cent d’entre eux disent avoir refondu les flux de travail, contre 20 pour cent des autres. Soixante-cinq pour cent ont un processus défini pour décider quand une personne doit vérifier la sortie d’un modèle, contre 23 pour cent.

Le motif rejoint les expériences. L’outil élève la production sur le travail qui a un contrôle. Il n’élève pas le résultat de l’entreprise tant que le flux n’est pas reconstruit autour de ce contrôle, avec une personne qui peut refuser la sortie.

Scraplay ne transporte pas ces pourcentages chez un client. Une hausse de 34 pour cent appartenait à des agents de support plus récents, dans une entreprise, avec un assistant, pendant les années couvertes par cet article. Le chiffre de l’entreprise suivante sera différent.

Ce que nous prenons dans les preuves, c’est la forme du travail. Nous cherchons un poste que vous savez déjà accepter : une réponse de support, une étape de processus, un rapport, un passage de données. Un agent peut occuper ce poste. Une personne garde le refus. Nous mesurons le temps, les tâches terminées et les erreurs, les mêmes classes de mesure que ces études. Ensuite, le chiffre qui compte est celui de votre propre flux.

Si la tâche n’a pas de contrôle, l’expérience en conseil est l’avertissement. Ce travail reste à une personne.