🤖 AI

Will AI Agents Free Us From Meaningless Work? A Human-Centered Analysis

Cette étude comble le fossé entre le potentiel d'automatisation de l'IA et les préférences des travailleurs en démontrant que les tâches perçues comme du « travail inutile » sont non seulement jugées comme nécessitant moins de supervision humaine, mais prédisent également fortement le désir des travailleurs de les déléguer à des agents d'IA.

Auteurs originaux : Davide Ghia, Jaspreet Ranjit, Tania Cerquitelli, Daniele Quercia

Publié 2026-06-12

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Davide Ghia, Jaspreet Ranjit, Tania Cerquitelli, Daniele Quercia

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que votre travail n'est pas un seul gros bloc de travail, mais une boîte géante de briques Lego. Certaines briques sont brillantes, colorées et amusantes à assembler — elles représentent les parties de votre travail qui vous font vous sentir utile et heureux. D'autres sont ternes, grises, et vous avez l'impression de simplement les empiler sans aucune raison.

Ce document traite de la manière d'identifier quelles sont ces « briques grises et ternes » et pose la question : Devrions-nous laisser un robot s'en charger ?

Voici le compte rendu simplifié de ce que les chercheurs ont découvert :

1. Le détecteur de « conneries »

Les chercheurs sont partis d'une théorie d'un certain Graeber, qui disait que certains emplois sont des « jobs de merde » (bullshit jobs) — des tâches qui semblent inutiles, superflues, ou comme si vous faisiez semblant de travailler.

Habituellement, on parle de cela concernant des emplois entiers (comme « Je déteste être manager »). Mais cette étude s'est concentrée sur des tâches spécifiques (comme « remplir ce formulaire précis »). Ils ont demandé à 202 travailleurs de noter 171 tâches différentes sur une échelle de « connerie ».

Le résultat : Ils ont créé un « Détecteur de conneries ».

Tâches à faible niveau de connerie : Ce sont comme les briques Lego amusantes. Elles impliquent de prendre des décisions, d'aider directement les gens ou de créer quelque chose de réel (ex : « Organiser une collecte de fonds » ou « Réconforter un patient »).
Tâches à haut niveau de connerie : Ce sont les briques ternes. Elles sont répétitives, bureaucratiques et semblent n'exister que pour satisfaire un manuel de règles (ex : « Traiter une demande de prêt » ou « Rédiger des documents juridiques juste pour le dossier »).

2. La liste de souhaits pour les robots

Une fois qu'ils ont su quelles tâches étaient considérées comme des « conneries », ils ont demandé aux travailleurs : « Si une IA pouvait faire cela pour vous, à quel point voudriez-vous qu'elle le fasse ? »

La grande découverte : Il existe une ligne directe entre « Cela semble inutile » et « Je veux qu'un robot le fasse ».

Plus une tâche semble dénuée de sens, plus les travailleurs veulent la confier à une IA.
C'est presque comme un distributeur automatique : plus le snack est ennuyeux, plus vous voulez que quelqu'un d'autre l'attrape pour vous.

3. Comment le robot doit-il se comporter ?

C'est la partie la plus intéressante. Les chercheurs ont demandé : « Si le robot effectue cette tâche ennuyeuse, quel genre de personnalité devrait-il avoir ? »

Pour les tâches de type « conneries » : Les travailleurs ne voulaient pas d'un robot profond, créatif ou capable d'expliquer ses sentiments. Ils voulaient un robot rapide, simple, pratique et décisif. Ils voulaient que le robot fasse juste le travail et disparaisse.
- Analogie : Si vous faites la vaisselle (une tâche ennuyeuse), vous ne voulez pas d'un lave-vaisselle qui s'arrête pour vous raconter une blague ou vous demander votre avis sur le savon. Vous voulez juste qu'il frotte vite et qu'il s'arrête.
Pour les tâches « significatives » : Les travailleurs voulaient l'opposé. Ils voulaient des robots flexibles, imaginatifs et capables d'expliquer les choses.
L'exception : Même pour les tâches ennuyeuses, les travailleurs voulaient que le robot soit poli et empathique. Ils ne voulaient pas qu'un robot impoli rende leur journée déjà ennuyeuse encore pire.

4. Le test de « faisabilité »

Enfin, ils ont demandé : « Est-ce que ces tâches ennuyeuses nécessitent réellement qu'un humain les surveille ? »

Le résultat : Oui ! Les tâches que les travailleurs qualifiaient de « conneries » étaient aussi celles qui, selon eux, nécessitaient le moins de supervision humaine.

Tâches significatives = Nécessitent un pilote humain pour diriger le navire.
Tâches de conneries = Peuvent être exécutées en mode pilote automatique.

L'essentiel

Le document suggère que nous n'avons pas besoin de deviner quels emplois automatiser. Nous n'avons qu'à demander aux travailleurs : « Quelles parties de votre journée vous semblent être une perte de temps ? »

Si une tâche ressemble à une « connerie » (insignifiante et bureaucratique), les travailleurs sont prêts à la confier à une IA, et ils attendent de l'IA qu'elle soit un travailleur rapide, pragmatique, qui se contente de dégager le terrain. Cela aligne ce que les travailleurs veulent (être libérés de l'ennui) avec ce qui est réellement possible (des tâches qui n'ont pas besoin d'un humain pour les piloter).

En bref : Laissons les robots s'occuper des briques grises et ennuyeuses pour que les humains puissent se concentrer sur les briques brillantes et colorées.

Résumé technique : Les agents IA vont-ils nous libérer du travail dénué de sens ? Une analyse centrée sur l'humain

Énoncé du problème
Le discours actuel sur l'IA en milieu de travail se concentre principalement sur les gains de productivité et la réduction des coûts, négligeant souvent les effets sur l'autonomie, la satisfaction et le bien-être des travailleurs. Il existe une lacune critique dans la compréhension de la manière dont les travailleurs eux-mêmes identifient les tâches spécifiques devant être automatisées. La recherche préalable opère généralement au niveau de la profession, omettant le fait que les travailleurs éprouvent des niveaux de sens variables selon les tâches au sein d'un même rôle. De plus, il manque des mesures validées au niveau de la tâche pour quantifier le « sens perçu » (ou son absence, qualifiée de « bullshit » ou travail absurde) et sa relation avec les préférences d'automatisation et la faisabilité de la délégation. Sans de telles mesures, il est impossible d'examiner empiriquement comment les expériences subjectives des tâches influencent l'acceptation de l'IA ou les comportements préférés des agents.

Méthodologie
Les auteurs ont mené une étude empirique fondée sur la théorie de Graeber sur les « bullshit jobs » (emplois absurdes) pour combler ces lacunes.

Construction du jeu de données : L'étude a utilisé un ensemble de 171 tâches professionnelles issues de la base de données occupationnelle O*NET, sélectionnées pour leur complexité, leur caractère multi-étapes et leur nature principalement informatique. Ces tâches couvraient 22 professions.
Participants : 202 travailleurs basés aux États-Unis (âge moyen de 42,6 ans, représentation de genre diversifiée) possédant une expérience professionnelle pertinente ont évalué un sous-ensemble de tâches correspondant à leur expertise.
Instrument d'enquête : Les participants ont rempli une enquête structurée comprenant 21 items au niveau de la tâche, répartis en quatre blocs :
1. Absence de sens perçue (Bullshitness) : Mesurée via une échelle de cinq items adaptée de la théorie de Graeber, capturant des dimensions telles que l'inutilité, le caractère non nécessaire, la déconnexion des objectifs organisationnels, l'embarras et la performance pour les apparences. Les items ont été évalués sur une échelle de Likert en cinq points.
2. Préférences d'automatisation : Évaluées via des items mesurant le désir de délégation à l'IA (de « Pas du tout » à « Entièrement »).
3. Agentivité humaine requise : Mesurait l'étendue de la supervision humaine nécessaire si l'IA assistait la tâche (de « L'IA gère entièrement » à « Implication humaine continue »).
4. Traits d'IA préférés : Évaluation de 12 traits bipolaires (ex. : Rapide vs Explicable, Poli vs Direct) pour déterminer les comportements souhaités de l'agent.
Analyse : Les auteurs ont utilisé l'analyse factorielle exploratoire (AFE) pour valider l'échelle de « bullshitness » et des modèles à effets mixtes pour analyser les relations entre l'absence de sens, le désir d'automatisation et l'agentivité humaine requise.

Principales contributions

Validation d'une mesure au niveau de la tâche : L'étude introduit et valide une échelle unidimensionnelle de l'« absence de sens perçue » au niveau de la tâche. L'AFE a confirmé une structure à facteur unique (Alpha de Cronbach = 0,877) capturant l'expérience subjective de tâches perçues comme inutiles, superflues ou déconnectées de résultats significatifs.
Lien entre le sens et les préférences de délégation : La recherche fournit des preuves empiriques que l'absence de sens perçue prédit fortement le désir de déléguer les tâches à l'IA.
Alignement de la préférence et de la faisabilité : L'étude démontre que les tâches perçues comme étant du « bullshit » sont non seulement souhaitées pour l'automatisation, mais sont également perçues comme nécessitant moins de supervision humaine, suggérant qu'elles sont des cibles faisables pour des agents autonomes.

Résultats

Validité de la mesure : L'échelle de cinq items a réussi à capturer une dimension latente de l'absence de sens. L'analyse qualitative a révélé que les tâches à faible niveau de « bullshit » impliquent généralement la prise de décision, un impact concret et une coordination centrée sur l'humain. À l'inverse, les tâches à haut niveau de « bullshit » étaient caractérisées par la routine, la répétitivité, la standardisation procédurale et la maintenance administrative (ex. : préparer des documents juridiques ou traiter des demandes de prêt).
Désir d'automatisation (RQ2) : Un modèle à effets mixtes a montré une corrélation positive forte entre l'absence de sens perçue et le désir d'automatisation ( $\beta$ = 0,39, $p < ,001$ ). À mesure que les tâches sont perçues comme moins significatives, la volonté des travailleurs de les déléguer à l'IA augmente de manière monotone.
Comportements d'IA préférés : Lors de l'automatisation de tâches à haut niveau de « bullshit », les travailleurs préfèrent des agents IA qui sont rapides, simples, pratiques, décisifs et respectueux des règles. Les traits associés à la délibération, la flexibilité, l'imagination ou une précision extrême étaient moins valorisés. Notamment, la politesse et l'empathie restent valorisées même pour les tâches sans sens, suggérant un besoin d'interactions socialement fluides pour atténuer la frustration.
Faisabilité et Agentivité (RQ3) : Il existe une corrélation négative significative entre l'absence de sens perçue et l'agentivité humaine requise ( $\beta$ = -0,216, $p < ,001$ ). Les tâches jugées comme étant du « bullshit » sont perçues comme nécessitant moins de jugement et de supervision humaine, ce qui les rend adaptées à des niveaux plus élevés d'autonomie de l'IA.

Signification et affirmations
L'article soutient que la perception du sens de la tâche sert d'heuristique pratique et centrée sur l'humain pour guider les décisions de délégation de l'IA. En opérationnalisant l'absence de sens, les auteurs suggèrent que les « tâches de bullshit » représentent un point de convergence naturel où les préférences des travailleurs (désir de décharger la tâche) s'alignent sur la faisabilité technique perçue (faible besoin de supervision humaine).

Les auteurs affirment que cette approche complète les approches techniques ou basées sur les caractéristiques des tâches existantes. Plus précisément, ils postulent que pour les tâches à haut niveau de « bullshit », la conception de l'agent doit privilégier une exécution contrainte et efficace (vitesse, simplicité) plutôt que des capacités comme l'explicabilité ou la créativité. Inversement, les tâches significatives nécessitent une implication humaine soutenue. L'étude conclut qu'ancrer les décisions d'automatisation dans l'expérience vécue du sens et de l'agentivité des travailleurs offre une voie pour déployer des systèmes d'IA agentiques qui améliorent la productivité sans compromettre les aspects significatifs du travail humain.

Limites
Les auteurs reconnaissent que leurs conclusions sont basées sur des participants résidant aux États-Unis, ce qui peut limiter la généralisabilité. L'étude se concentre sur les caractéristiques des tâches plutôt que sur des facteurs contextuels tels que les pratiques organisationnelles ou la rémunération. De plus, les résultats reflètent une faisabilité perçue plutôt que technique et représentent un instantané d'un paysage technologique en évolution rapide.