Le travail n’a pas disparu avec l’arrivée des agents. Il a changé de forme, et cette nouvelle forme use le cerveau bien plus qu’on ne le croit.
Une bonne partie de ma semaine consiste à accompagner des équipes de développement dans l’adoption de l’IA générative. J’anime les formations internes, j’arbitre les débats du type « quel outil faut-il standardiser ? », et j’utilise Claude Code et GitHub Copilot tous les jours. L’enthousiasme fait partie de mon métier.
Pourtant, la question qui revient le plus souvent après une session ne porte ni sur les prompts ni sur les modèles. Elle ressemble à ceci : « Je livre plus que jamais. Alors pourquoi suis-je vidé à 16 heures ? »
Fran Soto pose la même question dans un numéro récent de la newsletter Strategize Your Career, et sa réponse est un bon point de départ : l’effort est passé de l’écriture du code à sa relecture, aux allers-retours entre agents et aux décisions à prendre pour eux. Je partage ce diagnostic, mais je pense qu’il s’arrête trop tôt. Depuis dix-huit mois, des chercheurs de METR, de Berkeley, du BCG et de l’équipe DORA de Google ont publié des données qui expliquent une grande partie de ce que ressentent les développeurs. Un article de 1983 sur l’automatisation industrielle explique le reste.
Cet article relie les deux : ce que vivent les développeurs, et ce que disent les études sur les causes. Il se termine par ce que je recommande désormais aux équipes, du développeur à l’organisation qui fixe le rythme.
Cette fatigue n’est pas imaginaire. Six études, publiées entre début 2025 et le printemps 2026, vont dans le même sens sous des angles différents.
| Étude | Qui et comment | Résultat |
|---|---|---|
| Bedard et al., BCG et UC Riverside, HBR, mars 2026 | Enquête auprès de 1 488 salariés américains à temps plein dans de grandes entreprises | Baptise le phénomène « AI brain fry » : une fatigue mentale due à l’usage ou à la supervision d’outils d’IA au-delà de ses capacités cognitives. 14 % des utilisateurs d’IA disent l’avoir vécu, avec plus d’erreurs, plus de fatigue décisionnelle et davantage d’intentions de démission. Le développement logiciel figure parmi les métiers les plus touchés. |
| Ranganathan et Ye, UC Berkeley, HBR, février 2026 | Huit mois d’observation dans une entreprise tech américaine de 200 personnes | Les salariés ont travaillé plus vite, pris en charge des tâches hors de leur rôle et débordé sur les soirées et les pauses, souvent sans qu’on le leur demande. Les auteures parlent d’une dérive de la charge de travail, liée à la fatigue et à des décisions moins bonnes. |
| Stanford Social Media Lab et BetterUp, HBR, septembre 2025 | Enquête auprès de 1 150 employés de bureau américains | 40 % ont reçu du « workslop » (un contenu IA qui a l’air fini mais ne l’est pas) au cours du mois précédent. Chaque cas a demandé près de deux heures pour être traité. |
| DORA, State of AI-assisted Software Development, septembre 2025 | Près de 5 000 professionnels de la tech | 90 % utilisent l’IA au travail et plus de 80 % se sentent plus productifs, mais 30 % font peu ou pas confiance au code généré. L’IA amplifie les forces et les faiblesses existantes d’une équipe, et reste associée à plus d’instabilité des livraisons. |
| Essai randomisé de METR, juillet 2025 | 16 développeurs open source expérimentés, 246 tâches réelles dans leurs propres dépôts | Avec les outils de début 2025, les tâches ont pris 19 % de temps en plus. Les développeurs attendaient un gain de 24 % et, après coup, pensaient encore que l’IA les avait accélérés de 20 %. |
| Lee et al., Microsoft Research et Carnegie Mellon, CHI 2025 | 319 travailleurs du savoir, 936 cas d’usage réels | L’esprit critique se déplace vers la vérification, l’intégration et la responsabilité de la tâche. Plus on fait confiance à l’IA, moins on exerce son esprit critique. |
Deux signaux ressortent de ce tableau. Le premier est un écart de perception. Les développeurs de METR se sentaient plus rapides tout en étant mesurablement plus lents, ce qui me dit que notre sensation de vitesse est un mauvais instrument de mesure. L’étude portait sur des outils de début 2025 et ses auteurs se gardent de généraliser, mais c’est cet écart entre ressenti et mesure que je parierais voir survivre aux nouveaux modèles.
Le second signal est l’intensité. Berkeley et le BCG décrivent le même mécanisme sous deux angles : l’IA rend le démarrage d’une tâche presque gratuit, donc on en démarre davantage, et la facture arrive plus tard sous forme d’attention dispersée. La plupart de ces chiffres sont déclaratifs, il faut donc les lire comme des signaux forts plutôt que comme une science établie. Ce qui me convainc, c’est qu’une enquête, une étude de terrain et un essai contrôlé arrivent au même endroit.
Les mots comptent, parce qu’ils mènent à des remèdes différents. La fatigue est le coût normal d’une semaine chargée, et un week-end la répare. Le burn-out est le produit de mois de stress chronique : épuisement, cynisme envers son travail et sentiment d’être moins efficace. C’est une raison d’en parler à quelqu’un, pas d’installer une nouvelle appli de productivité. Le « brain fry » se situe entre les deux. Il est aigu, lié à une façon précise de travailler (trop de fils d’IA en parallèle, trop de supervision), ce qui veut dire qu’il pointe vers quelque chose que l’on peut changer. Les auteurs du BCG le distinguent explicitement du burn-out, et le terme est assez récent pour que je l’utilise comme une description utile, pas comme un diagnostic.
Imaginez un mardi ordinaire en 2026. Une session Claude Code refactore un module de paiement, une deuxième génère des tests pour une API REST, une troisième prépare une migration de base de données. Vous êtes en réunion. Votre téléphone vous signale que l’une d’elles attend une réponse. Rien de tout cela ne ressemble à un travail difficile, et pourtant tout cela vous épuise. Quatre coûts se cachent dans cette scène.
Avant les agents, le métier avait ses respirations intégrées. On attendait la compilation, on attendait la suite de tests, on fixait une stack trace puis on allait chercher un café. Soto le dit bien : la supervision ne s’arrête jamais, parce qu’avec plusieurs agents en route, il y a toujours quelque chose de terminé qui attend. Les agents continuent de travailler pendant le trajet du retour, et l’envie d’aller voir où ils en sont aussi.
L’étude de Berkeley a observé la même chose à l’échelle d’une entreprise : dès que démarrer une tâche ne coûtait plus qu’un prompt, les gens ont glissé du travail dans la pause déjeuner, les soirées et les minutes entre deux réunions. Personne ne leur a retiré ces pauses. Nous les avons abandonnées nous-mêmes, un prompt à la fois.
Sophie Leroy, qui étudie les interruptions à l’université de Washington Bothell, a forgé le concept de résidu attentionnel : quand on passe d’une tâche A à une tâche B, une partie de l’esprit reste sur A, et la performance sur B baisse, surtout si B est exigeante. Le résidu est maximal quand A est inachevée et qu’on sait qu’il faudra y revenir en urgence.
C’est la description exacte du travail avec des agents en parallèle. Chaque session que l’on quitte est inachevée par construction. Soto avoue demander plusieurs fois par jour à chaque agent « où en est-on et que reste-t-il à faire ? », et je me reconnais dans ce réflexe. L’agent n’est pas perdu. C’est moi qui le suis, parce que je porte quatre contextes à moitié chargés dans ma tête.
Dès 2008, le laboratoire de Gloria Mark à UC Irvine a fait un constat dérangeant : les personnes interrompues terminent leurs tâches plus vite, mais elles déclarent nettement plus de stress, de frustration, de pression temporelle et d’effort. La vitesse et la tension montent ensemble, ce qui résume assez bien le développement agentique d’aujourd’hui.
Relire son propre code coûte peu, parce qu’on a construit le modèle mental en l’écrivant. Relire le diff d’un agent oblige à construire ce modèle à partir de zéro, en quelques minutes, pour un code dont il faut deviner l’intention. Si cette intention n’a pas été posée clairement au départ, on fait ce travail de réflexion pendant la revue, sous pression.
L’étude Microsoft et Carnegie Mellon décrit précisément ce déplacement : l’IA réduit l’effort de production et augmente l’effort de vérification, d’intégration et de prise de responsabilité. Elle relève aussi un piège : plus on fait confiance à l’IA, moins on relit avec un œil critique. Le relecteur fatigué a donc le choix entre dépenser une énergie qu’il n’a plus et laisser passer le diff.
Quand produire une option ne coûte rien, on se retrouve avec plus d’options. Trois approches pour la migration, deux versions du plan de test, une suggestion de refactorer le module voisin tant qu’on y est. Chacune est une petite décision, et chacune retombe sur vous. Les chercheurs du BCG l’ont mesuré : les personnes en « brain fry » déclarent plus de fatigue décisionnelle et plus d’erreurs, mineures comme graves.
Au total, la journée devient plus dense sans devenir plus longue. On travaille le même nombre d’heures, mais une plus grande part se passe à pleine charge cognitive, avec moins de ces moments de faible intensité qui permettaient au cerveau de récupérer.
Chaque grand saut de productivité en programmation est venu d’une abstraction à laquelle on pouvait cesser de penser. Je ne lis jamais l’assembleur produit par mon compilateur, et je n’en ai pas besoin, parce que le compilateur est déterministe : même entrée, même sortie, à chaque fois.
Un agent IA nous fait aussi monter d’un niveau d’abstraction, mais cette abstraction fuit. Même avec une bonne spécification, des fichiers de skills solides et un workflow discipliné, l’agent peut emmener le code là où vous ne vouliez pas aller. Alors on redescend au niveau de la ligne pour vérifier, et on cumule dans la même journée le stress du manager et celui du relecteur.
Les spécialistes de l’automatisation connaissent ce problème depuis longtemps. En 1983, la psychologue cognitive Lisanne Bainbridge publiait un article de cinq pages intitulé Ironies of Automation, consacré aux opérateurs de centrales électriques et d’usines chimiques. Deux de ses ironies décrivent le développeur assisté par IA avec une précision gênante.
La première concerne la surveillance. Bainbridge citait des travaux sur la vigilance montrant que même une personne très motivée ne peut pas maintenir une attention efficace au-delà d’une demi-heure environ sur une source où il ne se passe presque rien. Sa conclusion était sans appel : guetter des anomalies rares est humainement impossible à bien faire, il faut donc le confier à des alarmes automatiques. Pensez maintenant à la relecture du vingtième diff de la journée, après dix-neuf diffs corrects.
La seconde concerne la compétence. Un opérateur qui ne fait que surveiller pratique moins, et quand l’automatisme tombe en panne, celui qui doit reprendre la main en est moins capable. Le développeur qui n’a pas écrit de code concurrent à la main depuis six mois est justement celui à qui l’on demande de repérer une race condition subtile dans le code de l’agent. Plus l’agent progresse, plus ses erreurs se font rares, et plus elles sont difficiles à attraper.
C’est pour cela que « relire plus attentivement » n’est pas une stratégie. Un lecteur de l’article de Soto, Andrii Tretiak, raconte ce qui a marché pour lui après un an de travail agentique : il a arrêté de lire chaque diff ligne par ligne, a confié ce travail à des contrôles automatisés séparés, et lit désormais leurs constats, en n’allant lui-même dans le code que là où une erreur coûterait cher. C’est le conseil de Bainbridge appliqué quarante ans plus tard : garder l’attention humaine pour les endroits où elle rapporte, et construire des alarmes pour tout le reste.
Je travaille dans l’IT bancaire, et c’est ici que la question de la fatigue cesse d’être un sujet de bien-être pour devenir un risque opérationnel.
Dans une startup, un développeur épuisé qui valide les yeux fermés la pull request d’un agent livre un bug. Dans un établissement régulé, la même signature figure dans une piste d’audit. Le principe des quatre yeux, la séparation des tâches et la gestion des changements existent pour qu’une personne identifiée réponde de ce qui arrive en production. Les agents multiplient le nombre de changements qui ont besoin de cette signature. Ils ne multiplient ni le nombre de relecteurs, ni les heures de leur journée.
Les régulateurs partent déjà du principe qu’un humain fatigué fait trop confiance à la machine. L’article 14 de l’AI Act européen exige que les personnes chargées de superviser les systèmes d’IA à haut risque restent conscientes du biais d’automatisation, c’est-à-dire la tendance à se fier excessivement aux résultats automatisés. Des juristes ont relevé que c’est le seul biais cognitif que le texte nomme explicitement. Un assistant de code n’est pas un système à haut risque au sens de l’AI Act, mais la logique vaut pour toute équipe dont le travail consiste à valider ce que produit une machine. Si vous travaillez pour un groupe européen, comme beaucoup d’équipes d’ingénierie ici à Tunis, attendez-vous à ce que les auditeurs demandent comment vos développeurs relisent le code généré par l’IA, et si cette relecture est réelle.
Le plus inconfortable, c’est que le code où la revue compte le plus, comme les flux de paiement, le contrôle d’accès ou le reporting réglementaire, reçoit lui aussi sa part de changements générés par des agents, et que ceux qui le relisent sont aussi fatigués que les autres en fin de journée.
Ce que je défends dans ce contexte :
Soto propose trois habitudes : limiter les tâches ouvertes, faire des pauses programmées et fixer une heure de fin de journée. Je les applique et je les recommande. Elles traitent les symptômes à la portée d’un individu. Les études montrent que les causes se trouvent aussi dans la façon dont les équipes relisent et dans ce que les organisations attendent, d’où un plan d’action à trois niveaux.
Parce que les agents ont pris la partie du métier qui vous laissait souffler et vous ont laissé celle qui ne s’arrête jamais. Taper du code était lent, mais c’était un travail de faible intensité, avec des pauses intégrées. Juger du code, changer de contexte et prendre des décisions est le travail le plus coûteux que fasse un cerveau, et les outils vous permettent désormais de le faire toute la journée.
L’IA est plus rapide. Votre attention ne l’est pas, et elle ne grandit pas avec le nombre d’onglets de terminal ouverts. La génération court désormais devant la compréhension, et c’est dans l’écart entre les deux que naît la fatigue.
Je veux toujours que chaque développeur que je forme utilise ces outils. Je veux aussi qu’il mesure sa réussite à la quantité de bon travail qu’il peut tenir sur un an, et non à ce qu’il peut générer en une semaine. Concrètement : moins de fils en parallèle, des revues appuyées par des machines, l’intention écrite avant le prompt, et des organisations qui décident à quoi sert le temps gagné. Si la fatigue dure des mois et s’accompagne de cynisme envers votre travail, ce n’est plus du « brain fry », et cela mérite une conversation avec quelqu’un de confiance.
