"Collaborating with AI Agents" (étude MIT Sloan School, 2026)
Etude menée par Harang Ju (Johns Hopkins Carey Business School) et Sinan Aral (MIT Sloan School of Management), publiée le 6 février 2026 et intitulée « Collaborating with AI Agents: A Field Experiment on Teamwork, Productivity, and Performance ».
1. Contexte et problématique de recherche
Si la littérature scientifique a largement documenté les gains de productivité apportés par les outils d'IA générative comme les chatbots ou les assistants de code, la majorité des études antérieures ont traité l'IA comme un outil individuel et passif. Ces travaux évaluait des interactions ponctuelles sans espace de travail collaboratif synchrone, sans perception continue de l'environnement et sans capacité pour l'IA d'exécuter des actions autonomes complexes.
L'émergence des agents IA autonomes et multimodaux, capables d'observer un espace de travail partagé, de prendre des initiatives et d'interagir en temps réel avec des humains, pose une question fondamentale : comment la collaboration avec des agents IA transforme-t-elle les dynamiques d'équipe, les processus de communication, la délégation du travail et la performance finale ?.
Pour répondre à cette question, les chercheurs ont développé Pairit, une plateforme expérimentale novatrice permettant de simuler des collaborations en temps réel entre équipes humain-humain et humain-IA.
2. Dispositif expérimental et données collectées
L'expérimentation repose sur un protocole rigoureux combinant un essai contrôlé randomisé en laboratoire et une évaluation sur le terrain :
Plateforme Pairit : Pairit offre un espace de travail partagé comprenant un chat en temps réel, un éditeur de texte synchrone et un outil de sélection/génération d'images (intégrant l'API DALL-E 3). L'agent IA reposait sur le modèle multimodal gpt-4o d'OpenAI, recevant à chaque cycle de 10 secondes le contexte visuel et textuel complet de l'interface ainsi qu'un système de réflexion par chaîne de pensée (Chain-of-Thought). L'agent pouvait exécuter toutes les actions accessibles aux humains (envoyer des messages, rédiger ou modifier du texte, sélectionner ou générer des images), à l'exception de la soumission finale de la publicité.
Échantillon et tâche : L'étude a réuni 2 234 participants aux États-Unis, répartis aléatoirement en 1 751 équipes (1 258 binômes humain-IA et 493 binômes humain-humain). Les équipes avaient 40 minutes pour concevoir des campagnes publicitaires d'affichage numérique (titre, texte principal, description et image) destinées à promouvoir le rapport annuel d'un think tank.
Volume de données : L'expérience a généré un ensemble de données massif comprenant 11 024 publicités, 182 607 messages de chat, 1 889 559 modifications de texte, 62 119 retouches d'images et 10 074 images générées par IA.
Évaluation sur le terrain (X / Twitter) : Au-delà des évaluations en laboratoire par 1 995 juges humains, les chercheurs ont déployé 2 000 publicités directement dans l'écosystème publicitaire de la plateforme X à travers 400 campagnes ciblant des zones géographiques distinctes. Cette campagne a généré 4 932 373 impressions et 7 546 clics, permettant de mesurer le coût par clic (CPC), le taux de clic (CTR) et la durée de lecture réelle du rapport via DocSend (VTD).
3. Principaux résultats : Productivité, Qualité et Diversité
L'analyse révèle trois grands phénomènes caractérisant la collaboration avec les agents IA :
Gain massif de productivité individuelle : Les participants travaillant avec un agent IA ont produit 50 % de publicités en plus par travailleur et par unité de temps par rapport à ceux travaillant avec un partenaire humain (\(p < 0,001\)). De plus, les annonces rédigées avec l'IA affichaient un taux de complétion des textes nettement supérieur.
La « frontière découpée » des capacités (Jagged Frontier) : La collaboration avec l'IA introduit des arbitrages marqués selon la modalité du travail :
Texte : Les équipes humain-IA ont produit un texte publicitaire de qualité significativement supérieure à celle des équipes humain-humain (\(β = 0,327, p < 0,001\)).
Image : En revanche, les équipes humain-humain ont obtenu une qualité d'image supérieure (\(β = -0,133, p < 0,001\)). L'IA excellant dans la prédiction de mots mais restant limitée dans l'évaluation esthétique ou prédictive des images.
Effondrement de la diversité (Diversity Collapse) : La dépendance aux agents IA a provoqué une homogénéisation des productions. Mesurée par la distance cosinus des plongements vectoriels (embeddings) par rapport au centroïde du traitement, la diversité des annonces des équipes humain-IA était nettement inférieure à celle des équipes humain-humain (\(β = -0,094, p < 0,001\)).
4. Performance réelle dans l'expérimentation sur le terrain
L'expérimentation sur X démontre comment ces variations de qualité se traduisent en métriques économiques réelles :
Impact de la qualité de l'image sur le CPC : Les images de meilleure qualité (apanage des équipes humain-humain) réduisent le coût par clic de 0,29 $ (soit une baisse de 2,5 %, \(p < 0,05\)).
Impact de la qualité du texte sur le CTR et la durée de lecture : La qualité supérieure du texte (apanage des équipes humain-IA) augmente significativement le taux de clic (CTR, \(+0,007 %, p < 0,001\)) ainsi que la durée de lecture du rapport annuel DocSend (VTD, \(+3,7 %\) de temps de lecture par point de qualité de texte supplémentaire).
Compensation globale : Parce que l'IA améliore le texte mais dégrade l'image, les effets globaux sur le terrain s'équilibrent, rendant les performances globales des annonces humain-IA et humain-humain similaires sur le marché publicitaire.
5. Mécanismes sous-jacents : La reconfigurations du travail d'équipe
L'apport central de l'étude est d'expliquer pourquoi et comment ces résultats apparaissent à travers trois mécanismes de travail d'équipe :
Communication axée sur la tâche : Les individus travaillant avec une IA envoient 62 % de messages en plus. Le contenu de leur communication change radicalement : ils émettent 25 % de messages axés sur la tâche en plus (instructions, planification, directives) et 18 % de messages interpersonnels en moins (liens sociaux, soutien émotionnel).
Workflow de délégation (Delegation Workflow) : Les humains adoptent une posture de supervision plutôt que de co-exécution. Ils effectuent 62 % de modifications directes du texte en moins et délèguent 17 % de travail en plus à l'IA (l'IA générant 58 % du texte final contre 50 % dans une répartition équilibrée entre humains).
Rôle de la reconnaissance du partenaire : 94,5 % des participants ont identifié correctement leur partenaire IA. La prise de conscience que le partenaire est une IA incite l'humain à éliminer les politesses inutiles, à adopter un style de communication purement directif et à déléguer davantage tout en renforçant le contrôle qualité.
Effet modérateur du style de communication : Dans les équipes humain-humain, la communication interpersonnelle favorise la productivité et la création de confiance (\(β = 4,25, p < 0,001\)). À l'inverse, dans les équipes humain-IA, la communication interpersonnelle nuit à la productivité (\(β = -4,799, p < 0,001\)) et à la qualité, tandis que la communication directive axée sur la tâche augmente la productivité (\(β = 4,693, p < 0,001\)) et la qualité globale.
6. Implications théoriques et managériales
Redéfinition de la théorie du travail d'équipe : L'agent IA ne doit plus être modélisé comme un outil passif mais comme un coéquipier actif. La collaboration homme-machine modifie la nature de la coordination (qui devient directive plutôt que négociée), élimine les coûts de maintenance sociale et déplace le rôle humain de la réalisation technique vers le pilotage et la délégation.
Management hybride des capacités : Les managers doivent structurer les flux de travail en tenant compte de la frontière découpée des capacités de l'IA : confier à l'IA la rédaction initiale et l'analyse de données, tout en réservant à l'humain la sélection visuelle, l'évaluation esthétique et le jugement stratégique final.
Gestion des risques d'atrophie et de diversité : Une délégation excessive à l'IA risque d'entraîner un effondrement de la diversité créative de l'entreprise et d'atrophier les compétences humaines dans les domaines où l'IA semble performante. Les organisations doivent maintenir des phases d'idéation 100 % humaines avant d'engager la phase d'exécution assistée par IA.
En somme, l'étude démontre que les gains de productivité et de performance tirés des agents IA ne dépendent pas uniquement de la puissance des modèles, mais de la capacité des humains à adapter leurs dynamiques de communication et de délégation à ces nouveaux coéquipiers numériques.