L’IA ne fait pas que gagner du temps : elle rend de nouveaux projets possibles

Quand plusieurs années de travail deviennent quelques semaines

Le 18 août 2026, OpenAILaboratoire d’IA américain à l’origine des modèles GPT et de ChatGPT, accessibles par API et non téléchargeables. a publié un retour d’expérience consacré à Asana. L’entreprise explique avoir utilisé Codex pour supprimer Enzyme, un ancien utilitaire de test React devenu un blocage pour moderniser son stack frontend.

Selon Asana, le travail a représenté 1,5 semaine d’effort d’ingénierie, répartie sur deux semaines calendaires. Le plan précédent était estimé à au moins cinq années de travail. Les coûts de modèles et d’infrastructure ont atteint environ 12 000 dollars, contre une estimation d’environ 6 millions de dollars pour le plan de staffing initial.

Ces chiffres doivent toutefois être lus avec une précaution importante : il s’agit d’une customer story publiée par OpenAI à propos de l’un de ses propres produits. Et surtout, les cinq années et les 6 millions de dollars correspondent à une estimation interne d’un plan alternatif qui n’a jamais été exécuté. On compare donc ici un résultat réel à un scénario hypothétique, pas deux projets menés en parallèle dans les mêmes conditions.

Cette réserve posée, le passage le plus intéressant du retour d’expérience vient juste après : Asana explique que cette expérience a changé sa perception des projets de longue durée qu’elle juge désormais réalistes.

C’est peut-être là que se trouve le vrai bouleversement.

L’IA ne sert plus seulement à faire plus vite ce que nous faisions déjà. Elle commence aussi à rendre envisageables des travaux que nous avions abandonnés avant même de les commencer.

Le gain de productivité change de nature

Pendant longtemps, parler de productivité revenait à poser une question simple : combien de temps faut-il pour produire la même chose ?

Une tâche prend quatre heures au lieu de huit : la productivité double. Un rapport demande une journée au lieu d’une semaine : le gain paraît facile à mesurer.

Avec des agents capables de prendre en charge des blocs de travail beaucoup plus importants, cette logique devient insuffisante.

Si un projet qui semblait demander plusieurs années peut être ramené à quelques semaines, le résultat n’est pas seulement une économie d’heures. C’est un changement de catégorie.

Le projet passe de « trop coûteux pour être prioritaire » à « suffisamment accessible pour être tenté ».

Cette nuance est importante, car une grande partie du travail dans les entreprises ne disparaît pas faute d’intérêt. Elle disparaît faute de ressources.

Une migration technique peut être repoussée pendant des années. Un outil interne ne sera jamais développé parce qu’il coûterait trop cher. Une analyse approfondie ne sera pas menée parce qu’elle demanderait trop de spécialistes. Une PME renoncera à une automatisation parce que le retour sur investissement paraît trop lointain.

Quand le coût d’exécution chute fortement, cette liste de projets abandonnés commence à se réduire.

Asana ne prétend d’ailleurs pas que cette compression sera universelle. Son CTO, Amritansh Raghav, le formule explicitement : tous les projets qui durent plusieurs années ne se transformeront pas soudainement en projets de quelques semaines. La prudence est importante. L’enjeu n’est pas de généraliser un ratio spectaculaire, mais de constater que certaines contraintes de faisabilité peuvent désormais bouger très fortement.

Une expertise plus large à portée de petites équipes

Cette évolution ne concerne pas uniquement les grands groupes ou les équipes de développement.

Elle peut avoir un impact particulièrement fort pour les petites structures.

Une agence qui devait auparavant réunir plusieurs profils spécialisés peut désormais confier une partie de l’exploration, de la recherche, de la production ou de l’automatisation à des systèmes d’IA. Un indépendant peut s’aventurer sur des sujets qui auraient nécessité l’intervention de plusieurs experts. Une PME peut envisager de construire un outil interne ou une interface spécifique qui n’aurait jamais passé le filtre budgétaire quelques années plus tôt.

OpenAI a publié en juillet 2026 une étude portant sur plus de 800 000 messages d’utilisateurs américains de ChatGPT. Elle estime que 43,5 % des messages non génériques, donc spécifiques à une profession, concernent des tâches habituellement rattachées à une autre profession. Le chiffre vient d’OpenAI et l’échantillon est américain : il ne faut donc pas le transposer mécaniquement au contexte français ou aux PME européennes. Mais la tendance qu’il décrit est intéressante : l’IA ne réduit pas seulement le temps consacré à une tâche, elle peut élargir le périmètre de ce qu’une personne est capable de prendre en charge.

Ce phénomène pourrait modifier la manière dont nous évaluons les compétences d’une équipe.

La question ne serait plus uniquement : « avons-nous en interne toutes les expertises nécessaires ? »

Elle deviendrait : « avons-nous suffisamment de compréhension, de jugement et de capacité de pilotage pour orchestrer les bonnes expertises, humaines et artificielles ? »

Des solutions autrefois trop chères deviennent accessibles aux clients

Cette baisse du coût d’exécution peut aussi transformer la relation commerciale.

Prenons un projet qui aurait nécessité plusieurs mois de conception et de développement, donc un budget difficilement acceptable pour une PME. Si une équipe assistée par l’IA peut réduire fortement le temps nécessaire pour explorer les options, produire les premières versions, automatiser certaines tâches et tester des alternatives, le périmètre économique change.

Une solution qui devait coûter 100 000 euros ne deviendra pas automatiquement un projet à 10 000 euros. Les métiers ne sont pas interchangeables et les gains varient énormément selon les contextes.

Mais une partie des projets jusqu’ici considérés comme « trop petits pour justifier l’investissement » pourrait devenir viable.

C’est probablement l’un des effets les plus intéressants de l’IA pour les agences, les consultants, les studios et les sociétés de services : non pas seulement produire la même prestation avec davantage de marge, mais proposer à davantage de clients des solutions auparavant réservées aux entreprises disposant de budgets beaucoup plus importants.

Cette démocratisation ne signifie pas que tout devient facile. Elle signifie que le coût d’entrée baisse.

Et lorsque le coût d’entrée baisse, de nouveaux marchés peuvent apparaître.

L’humain reste le cœur de la machine

Le cas Asana est aussi intéressant parce qu’il contredit une lecture trop simple de l’automatisation.

Codex n’a pas été lancé puis abandonné pendant deux semaines dans l’espoir qu’un projet terminé apparaisse spontanément.

Le point de départ tenait en seulement cinq phrases. D’après le retour d’expérience, jusqu’à quatre agents travaillaient ensuite en parallèle, chacun sur une copie séparée du code. Un ingénieur vérifiait leur progression deux fois par jour et examinait chaque changement proposé. Asana note même que des instructions simples ont mieux fonctionné qu’un dispositif plus élaboré.

Ce détail est révélateur. Le rôle humain ne consiste pas nécessairement à écrire des consignes toujours plus complexes. Il consiste surtout à bien définir le problème, organiser le travail, observer les résultats, corriger la trajectoire et décider ce qui peut être accepté.

Autrement dit, l’exécution a été massivement accélérée, mais le pilotage restait humain.

C’est un point essentiel.

Plus la capacité de production augmente, plus la qualité du cadrage devient importante. Produire dix fois plus vite une mauvaise solution ne crée aucune valeur. Explorer cinquante directions ne sert à rien si personne ne sait distinguer celles qui méritent d’être poursuivies.

L’expertise humaine change donc de rôle davantage qu’elle ne disparaît.

Elle se concentre sur ce que les outils automatisés gèrent encore mal : comprendre les besoins réels, hiérarchiser les contraintes, reconnaître les compromis acceptables, anticiper les effets de bord, valider la qualité et prendre la responsabilité de la décision finale.

Dans ce modèle, le spécialiste ne perd pas nécessairement de sa valeur parce que l’exécution devient moins coûteuse. Son jugement peut au contraire devenir plus précieux, car il pilote une capacité de production beaucoup plus importante.

La vraie question n’est peut-être plus « combien de temps avons-nous gagné ? »

La plupart des discussions autour de l’IA en entreprise continuent de se concentrer sur les heures économisées.

C’est compréhensible : le temps est mesurable, il permet de produire des tableaux de ROI et il donne des chiffres faciles à communiquer.

Mais si les systèmes actuels commencent réellement à modifier le type et l’ambition des projets qu’une équipe peut entreprendre, alors le principal effet économique de l’IA pourrait se trouver ailleurs.

Il faudra regarder les projets qui n’auraient jamais existé sans elle.

Les outils internes qui auraient été jugés trop chers. Les analyses qu’une petite entreprise n’aurait jamais commandées. Les refontes repoussées indéfiniment. Les prototypes qu’une équipe n’aurait pas eu le temps de tester. Les services qu’un indépendant n’aurait pas été capable de proposer seul.

Dans ces situations, la productivité ne se traduit pas par « faire la même chose avec moins de monde ».

Elle signifie « être capable de faire davantage de choses avec les mêmes ressources ».

La différence paraît subtile. Elle est pourtant fondamentale pour comprendre ce que l’IA peut changer dans les prochaines années.

Car lorsque la frontière de ce qui est économiquement réalisable se déplace, ce n’est plus seulement l’organisation du travail qui change.

C’est le champ des possibles.