Productivité et métiers ·
Enquête sur l’IA en science : gains de temps déclarés et vérification
Une enquête en ligne auprès de 637 scientifiques relève des gains de temps déclarés et du travail de vérification. Échantillon non représentatif, avec possible biais de sélection; aucun lien causal démontré.
Publié en septembre 2026 par des chercheurs de Google, de Google DeepMind et de MIT FutureTech, avec des universitaires d’autres établissements, le rapport AI in Science: Early Insights s’appuie sur trois sources : environ 15 millions d’interactions anonymisées Gemini, un inventaire de 2 690 modèles spécialisés et une enquête auprès de 637 scientifiques actifs aux États-Unis et au Royaume-Uni. La présentation de Google reprend ces volets en chiffres arrondis. Le corpus de 15 millions d’interactions ne correspond pas à 15 millions d’échanges scientifiques : après filtrage, environ 360 000 ont été classés comme relevant d’un travail scientifique. L’analyse des interactions exclut l’usage payant de l’API Gemini, y compris l’usage Enterprise via Google Cloud.
Quels gains les répondants déclarent-ils ?
L’enquête en ligne a été menée du 27 juillet au 11 août 2026 par l’institut More in Common, pour le compte de Google DeepMind. Un peu moins des trois quarts des répondants déclarent que l’IA leur fait gagner du temps net, contre 6 % qui déclarent en perdre. Le gain moyen déclaré est d’environ 6,9 heures par semaine. Environ 44 % disent que, sur les deux dernières années, leur principal goulet d’étranglement s’est déplacé vers l’aval (travail de laboratoire, rédaction), contre environ 14 % vers l’amont. Parmi les répondants qui disent avoir gagné du temps, 46 % déclarent consacrer plus d’un quart de ce temps à auditer ou vérifier les résultats de l’IA (rapport et résultats de l’enquête).
Quelles limites faut-il garder en tête ?
Ces chiffres décrivent des réponses déclaratives d’un échantillon non probabiliste, non pondéré et explicitement non représentatif de l’ensemble des scientifiques; aucune marge d’erreur n’est annoncée. Les auteurs signalent également un possible biais de sélection : les scientifiques déjà favorables à l’IA ou qui l’utilisent fréquemment pourraient avoir été plus enclins à répondre, ce qui pourrait surestimer le taux d’adoption et les gains hebdomadaires moyens. Le rapport précise que ses résultats établissent des associations, pas l’effet causal de l’utilisation de l’IA sur la productivité. La relation entre usage de l’IA et temps consacré à la vérification est en outre moins robuste selon les spécifications testées (limites méthodologiques du rapport).
Comment interpréter ces résultats au travail ?
Pour une organisation, la leçon possible est de suivre le processus complet. Si un outil accélère la rédaction d’une première version, mais alourdit la relecture ou le contrôle qualité, mesurer uniquement le temps de génération donnera une image incomplète. Un pilote peut comparer le temps total, les corrections nécessaires, les erreurs détectées et la capacité de l’équipe à traiter davantage de dossiers ou d’expériences. C’est une piste éditoriale : le rapport étudie la recherche scientifique et ne démontre pas que ces mêmes gains s’appliquent à tous les métiers.