L'humain et l'IA ne font pas toujours mieux ensemble : ce que révèlent 420 études.

Ajouter une IA au travail humain améliore en moyenne les résultats par rapport à un humain seul. Mais cela ne suffit pas à créer une équipe supérieure au meilleur des deux partenaires. C’est le paradoxe mis en évidence par une nouvelle méta-analyse de chercheurs de Harvard Business School et du MIT Sloan School of Management.

Le résultat invite les entreprises à éviter un raccourci fréquent : maintenir un humain dans chaque boucle ne garantit ni la meilleure qualité ni la meilleure performance. La bonne question n’est pas seulement « comment aider les salariés avec l’IA ? », mais aussi « pour quelles tâches l’humain, l’IA ou leur combinaison obtient-il réellement le meilleur résultat ? »

Ce que les chercheurs ont mesuré

Michelle Vaccaro, Abdullah Almaatouq et Thomas W. Malone ont développé AutoAnalysis, une méta-analyse automatisée et appelée à s’actualiser avec les nouvelles publications. La version déposée sur arXiv le 30 octobre 2026 synthétise 1 955 tailles d’effet issues de 420 publications évaluées par les pairs.

Les expériences retenues devaient comparer quantitativement des personnes travaillant seules à des personnes assistées par une IA générative. En moyenne, la combinaison humain-IA obtient un résultat supérieur à celui des humains seuls, avec une taille d’effet standardisée de 0,53. Les auteurs parlent ici d’« augmentation humaine » : l’outil aide effectivement la personne.

Mais la barre est plus haute lorsqu’on recherche une véritable synergie. Il faut alors comparer l’équipe humain-IA non plus seulement à l’humain, mais au meilleur résultat obtenu soit par l’humain seul, soit par l’IA seule. Sur les expériences qui comportaient ces trois conditions, la combinaison fait moins bien en moyenne, avec une taille d’effet de −0,35.

Cette seconde conclusion repose sur un ensemble beaucoup plus restreint : 171 tailles d’effet provenant de 54 expériences, contre 1 955 tailles d’effet pour la comparaison avec l’humain seul. Elle doit donc être présentée avec davantage de prudence que le chiffre global des 420 publications.

Aider un humain n’est pas créer une meilleure équipe

La distinction est essentielle. Imaginons, à titre d’exemple, qu’un analyste obtienne seul une note de 60, une IA une note de 80 et l’analyste assisté par l’IA une note de 70. L’IA améliore bien le travail humain, mais l’organisation aurait obtenu un meilleur résultat en confiant directement la tâche au système.

À l’inverse, une combinaison peut être utile lorsqu’elle exploite des compétences réellement complémentaires : l’IA traite rapidement un grand volume d’information, tandis que la personne apporte un contexte absent des données, vérifie une exception ou prend en charge une sous-tâche différente.

La méta-analyse observe justement de meilleurs résultats lorsque le travail est réparti entre l’humain et l’IA, plutôt que lorsque les deux interviennent indistinctement sur la même opération. Les explications fournies par l’IA sont également associées à une meilleure augmentation du travail humain. Ces relations restent toutefois exploratoires : elles ne démontrent pas que la division des tâches ou l’explication causent à elles seules l’amélioration.

Les résultats changent fortement selon les tâches

Il n’existe pas un effet unique de la collaboration humain-IA. L’hétérogénéité statistique dépasse 92 % dans les deux analyses principales, ce qui signifie que les résultats varient fortement selon les participants, les modèles, les tâches, les méthodes de collaboration et les indicateurs choisis.

L’augmentation humaine est plus importante lorsque l’IA est déjà meilleure que l’humain en autonomie. Cet avantage apparaît surtout dans les tâches de décision étudiées. Dans les tâches de création, les performances autonomes de l’humain et de l’IA sont plus proches.

Ces moyennes ne permettent donc pas de conclure qu’il faudrait supprimer la supervision humaine. La performance mesurée par les études n’épuise pas les enjeux de responsabilité, de conformité, de sécurité, de confiance ou d’apprentissage. Une validation humaine peut rester indispensable même si elle ralentit le processus ou réduit légèrement un score de précision.

Une méta-analyse produite avec des agents IA

La méthode constitue elle-même une expérience de collaboration humain-IA. Des agents ont recherché les articles, examiné leur admissibilité, lu les textes et extrait les données. À partir de 15 495 références, le système en a retenu 420, puis calculé les 1 955 tailles d’effet. Les auteurs ont déclaré avoir utilisé l’IA générative pour développer le dispositif et rédiger le manuscrit, dont ils assument la responsabilité.

Cette automatisation permet une mise à jour régulière, mais elle ajoute un risque : un agent peut manquer une étude, mal interpréter un protocole ou extraire un chiffre incorrect. Les chercheurs ont contrôlé des échantillons de 30 articles à chaque étape et utilisé un second agent d’une autre famille de modèles. Ils reconnaissent cependant que ces audits sont petits, réalisés par les auteurs et ne constituent pas une validation indépendante complète.

Autre limite : le travail est un preprint déposé sur arXiv et n’a pas encore été évalué par une revue scientifique. Il ne retient que des expériences en anglais, publiées dans des revues ou conférences évaluées par les pairs, avec les données nécessaires au calcul. Il ne mesure pas non plus les effets à long terme sur l’apprentissage, la conservation des compétences ou la performance globale d’une organisation.

Ce que les directions d’entreprise devraient tester

La leçon pratique n’est pas de choisir une fois pour toutes entre automatisation et assistance. Elle est de comparer les configurations sur chaque tâche importante.

Une entreprise peut commencer par trois tests simples : mesurer la qualité, le délai et le coût avec un humain seul ; répéter l’exercice avec l’IA seule lorsque le risque le permet ; puis tester plusieurs formes de collaboration. Il faut ensuite observer où la personne apporte une valeur spécifique et où son intervention dégrade, ralentit ou ne change pas le résultat.

Cette démarche conduit souvent à répartir le travail plutôt qu’à imposer une validation humaine uniforme. L’IA peut préparer, classer ou produire une première analyse ; l’humain peut traiter les cas ambigus, arbitrer selon le contexte ou assumer une décision sensible. Pour certaines tâches bien délimitées et contrôlables, l’automatisation peut aussi être la meilleure option.

Les 420 publications ne livrent donc pas une recette universelle. Elles corrigent surtout une idée rassurante mais trop simple : mettre un humain et une IA ensemble ne produit pas automatiquement le meilleur des deux mondes. La complémentarité doit être conçue, mesurée et révisée à mesure que les outils progressent.