Imaginez une note d'analyse qui demandait trois jours de travail et se produit désormais en vingt minutes. Rien dans cette phrase ne dit si la note est juste.

Le 8 septembre 2026, OpenAI a publié deux textes le même jour. Le premier, intitulé The Work Now Within Reach, défend l'idée que la baisse du coût et la hausse des capacités rendent économiquement réalisables des travaux hors de portée jusqu'ici. L'usage personnel, les déploiements d'entreprise et l'outillage des développeurs s'y renforcent mutuellement. Le second annonce une solution proposée au problème de Navier-Stokes, l'un des problèmes du prix du millénaire, produite par un système interne et accompagnée d'une formalisation dans l'assistant de preuve Lean. Ces deux textes racontent la même histoire prise par deux bouts. La production intellectuelle devient bon marché. La vérification ne suit pas.

Je travaille les agents IA depuis fin 2024 et j'ai supervisé des Product Owners confrontés à cette accélération. Le risque se lit dans la mécanique elle-même. Quand les livrables affluent sans que personne ne sache dire qui les a lus, le gain de production atterrit sur le bureau de ceux qui doivent décider.

Pourquoi le coût d'une tâche ne dit rien de sa valeur

Le coût d'une tâche mesure ce qu'il faut dépenser pour l'obtenir. Sa valeur mesure ce qu'elle permet de décider. Les deux ont longtemps évolué ensemble, parce que la seule manière d'obtenir une synthèse de trente entretiens consistait à payer quelqu'un capable de la produire. Ce lien est rompu.

Une baisse de coût déplace une contrainte, elle n'en supprime aucune

Quand un poste de dépense s'effondre, le facteur limitant se déplace vers le poste voisin. Produire un plan d'action ne coûte plus rien. Décider s'il engage l'entreprise coûte toujours le même temps de cerveau humain.

Le travail économisé en amont réapparaît en aval

Une note rédigée en vingt minutes reste une note à lire, à confronter aux faits et à défendre devant un comité. Ce travail de réception ne baisse pas au même rythme que le travail de production. Il augmente même mécaniquement, puisque le volume de documents augmente. Mesurer le premier gain en ignorant le second coût fabrique une illusion de productivité parfaitement sincère.

Cette bascule prolonge ce que j'ai décrit dans un article précédent sur l'attention et le jugement qui se raréfient à l'ère de l'IA. La suite logique se joue dans la comptabilité interne. Tant que la vérification n'apparaît nulle part dans une charge d'équipe, elle n'existe pas dans les arbitrages.

Ce que la preuve de Navier-Stokes révèle du coût de la vérification

La preuve mathématique est le cas limite de cette asymétrie, puisque produire une démonstration devient rapide alors que la faire accepter reste long. L'annonce du 8 septembre 2026 le met en pleine lumière.

Un résultat produit en quelques jours, une acceptation qui prendra des années

Le résultat annoncé porte sur l'apparition d'une singularité en temps fini dans un écoulement tridimensionnel soumis à un forçage extérieur régulier, une variante de l'énoncé mis en jeu par le prix. Il s'accompagne d'un exposé de preuve et d'un travail de formalisation en Lean. Au 16 septembre 2026, l'examen indépendant de ce matériel par la communauté mathématique est toujours en cours.

Le règlement du prix ne laisse d'ailleurs aucune marge. Le Clay Mathematics Institute impose trois conditions cumulatives, une publication dans une revue à comité de lecture qualifiée, un délai d'au moins deux ans après cette publication, puis une acceptation générale par la communauté mathématique mondiale. Même dans l'hypothèse la plus favorable, aucune attribution n'est possible avant 2028. Ce calendrier ne dépend pas du fond mathématique. Il traduit le prix de la confiance.

Une preuve formalisée déplace la vérification, elle ne l'annule pas

Lean vérifie mécaniquement qu'une démonstration ne contient aucune faille logique. C'est considérable. Cela ne dit rien du fait que le théorème démontré soit bien celui qui intéresse quelqu'un, ni que les définitions retenues correspondent au problème réel. La machine contrôle la validité du raisonnement, l'humain reste seul juge de la pertinence de l'énoncé.

Un livrable peut être impeccable et répondre à la mauvaise question. Aucun outil de vérification ne rattrape une hypothèse de départ mal posée.Le point aveugle des organisations qui contrôlent la forme des documents plutôt que leur objet

Transposez dans une direction générale. Un dossier produit par une IA peut être cohérent, sourcé, bien écrit tout en portant sur un périmètre étranger à la décision à prendre. Le contrôle de forme passe sans encombre. Le contrôle de pertinence demande quelqu'un qui connaît le métier, l'historique et les acteurs. Cette personne coûte cher. Elle est rare. Son temps ne se multiplie pas.

Pourquoi vos salariés adoptent l'IA plus vite que votre entreprise

L'écart tient à ce que le particulier n'a personne à convaincre, alors que l'entreprise doit payer la preuve. Un salarié qui utilise un modèle pour préparer un courrier assume seul le risque d'erreur, dans un contexte où l'erreur coûte peu. Une organisation qui intègre le même modèle dans un processus client doit démontrer la conformité, tracer les décisions et répondre d'un incident. Ce différentiel mesure un coût de vérification bien plus qu'une maturité technologique.

Un écart qui se creuse avec la taille de l'organisation

Regardez la progression selon la taille. En France, le taux d'usage passe de 15 % sous 50 salariés à 58 % au-delà de 250, avec un profil comparable en Europe et aux États-Unis. Les grandes structures adoptent plus. Rien dans ces chiffres ne dit qu'elles transforment plus vite, sans doute parce qu'elles portent des exigences de contrôle que les petites n'ont pas. Le sujet n'est donc pas de savoir qui utilise l'outil. Il est de savoir qui a réorganisé son travail autour.

Les routines défensives expliquent le reste

Chris Argyris a décrit ce mécanisme longtemps avant l'IA. Dans Overcoming Organizational Defenses (Prentice Hall, 1990), il montre que les organisations produisent des routines défensives, définies comme des actions ou des politiques qui empêchent des personnes ou des parties de l'organisation de vivre l'embarras ou la menace. Leur logique consiste à rendre la contradiction non discutable, puis à rendre non discutable le fait qu'elle le soit. Ces routines se referment sur elles-mêmes. Un individu qui adopte l'IA n'affronte aucune de ces routines. Une organisation les traverse toutes. Elle ralentit là, jamais sur la technologie.

Ce point rejoint ce que j'ai développé sur la transformation IA comme défi d'abord organisationnel. Le facteur limitant se loge dans la structure de décision bien avant le modèle utilisé.

Ce qui devient réellement rare dans une organisation

Trois capacités deviennent rares, vérifier, juger et assumer. Aucune ne se délègue à un modèle. Aucune ne figure dans les tableaux de bord habituels.

Le jugement est un travail distinct de la prédiction

Ajay Agrawal, Joshua Gans et Avi Goldfarb décomposent une décision en sept éléments dans Prediction Machines (Harvard Business Review Press, 2022). L'IA n'en prend en charge qu'un seul, la prédiction. Le jugement, défini comme la détermination de ce que vaut un résultat dans un contexte donné, reste humain parce qu'il suppose de peser des récompenses et des risques que personne n'a écrits nulle part. Leur formule est nette, les machines à prédire ne fournissent pas de jugement, seuls les humains le font.

Vérifier, juger et assumer sont trois métiers différents

Un dirigeant qui multiplie les livrables sans financer ces trois postes fabrique du volume et perd de la décision. Le symptôme serait facile à repérer, des comités remplis de documents que personne n'a lus en entier. Manager à l'ère des agents IA revient d'ailleurs à cadrer et à vérifier bien plus qu'à distribuer du travail.

Comment le biais d'automatisation ronge la vérification

La vérification ne disparaît pas par décision, elle s'érode par confort. La recherche en facteurs humains documente ce mécanisme depuis trente ans, bien avant l'IA générative.

Une aide fiable réduit les comportements de contrôle

Kathleen Mosier, Linda Skitka et leurs coauteurs ont étudié dès 1996 ce biais d'automatisation, ces erreurs commises quand l'opérateur se fie aux indications d'un système automatisé au lieu de chercher et de vérifier l'information lui-même, ainsi que l'effet de la responsabilisation sur ces erreurs, dans un travail au titre transparent, Automation Bias, Accountability, and Verification Behaviors. Raja Parasuraman et Victor Riley avaient posé le cadre général l'année suivante dans Humans and Automation (Human Factors, 1997), en distinguant l'usage, le mésusage, l'abandon et l'abus de l'automatisation. Parasuraman et Dietrich Manzey ont ensuite relié cette complaisance à un phénomène d'attention dans Complacency and Bias in Human Use of Automation (Human Factors, 2010).

Le point qui compte pour un dirigeant tient en une ligne. Plus l'outil se trompe rarement, moins la vérification se fait. L'erreur résiduelle passe alors inaperçue. La qualité de l'outil travaille contre la vigilance de celui qui l'utilise.

La perception du gain diverge de la mesure du gain

L'organisation METR a publié en juillet 2025 un essai randomisé contrôlé portant sur 16 développeurs open source expérimentés et 246 tâches réelles. Les participants équipés d'outils d'IA ont mis 19 % de temps en plus pour accomplir leurs tâches, alors qu'ils anticipaient un gain de 24 % et estimaient après coup avoir gagné 20 %. L'échantillon est petit. L'étude porte sur un contexte particulier. METR a annoncé en février 2026 une révision de sa méthodologie. Prenez-la comme un signal, pas comme une loi. Le signal reste dérangeant, puisqu'il porte sur un écart de près de quarante points entre le gain ressenti et le gain mesuré.

Un chiffre ressenti peut pourtant piloter une décision d'investissement. Avant tout déploiement, la question de savoir comment le gain sera mesuré et par qui mérite donc d'être posée.

Comment financer la vérification sans casser la vitesse

La réponse tient en trois décisions de direction, prises avant le déploiement plutôt qu'après le premier incident. Aucune ne ralentit la production, toutes rendent son résultat utilisable.

1. Classer les livrables par niveau de preuve exigé

Triez les productions de vos équipes selon ce que coûterait une erreur. Un compte rendu interne, une note de cadrage et un document opposable à un tiers n'appellent pas le même contrôle. Cette classification se fait avant d'ouvrir l'outil. Faite après, elle devient une justification de ce qui a déjà été envoyé.

2. Nommer un responsable de la vérification pour chaque livrable engageant

Désignez une personne qui répond du contenu, distincte de celle qui a lancé la production. Son nom figure sur le livrable. Sans nom, la vérification se dilue dans le collectif et personne ne la fait, ce qui est le mécanisme classique d'évitement de la responsabilité décrit dans les cinq dysfonctionnements d'une équipe.

3. Budgéter le temps de vérification au moment où le gain est annoncé

Dès qu'une équipe revendique un gain de production, inscrivez les heures de contrôle correspondantes dans sa charge. Un gain qui ne finance pas sa propre vérification devient une dette de décision, payée plus tard par ceux qui découvriront l'erreur. Cette ligne budgétaire rend le sujet visible en comité.

Le préalable, écrire les règles d'usage

Ces trois décisions supposent un cadre écrit. Sans lui, chacun improvise sa propre politique de contrôle, ce que confirme le constat qu'un cadre sur deux utilise l'IA sans aucune règle écrite. Une charte d'usage de l'IA en entreprise devient alors utile, à condition qu'elle nomme des responsables plutôt que des principes.

Ma conviction au 16 septembre 2026

Les organisations qui tireront quelque chose de l'IA ne seront pas celles qui produiront le plus. Ce seront celles qui auront reconstruit une chaîne de confiance, du livrable jusqu'à la signature. La preuve de Navier-Stokes en donne l'image la plus pure. Un système produit en quelques jours un résultat que des humains mettront des années à valider. Cette lenteur n'est pas un défaut du processus. Elle est le processus.

Votre entreprise fonctionne sur le même principe, avec des enjeux plus modestes et des délais plus courts. La question n'a pas changé depuis que les organisations existent. Qui répond de ce qui est écrit ?