Dans l'enquête de 2025 sur le workslop, une cheffe de projet a reçu de sa supérieure un livrable qui, selon ses mots, était un « travail de mauvaise qualité ». Cela a représenté « une énorme perte de temps et un vrai désagrément », écrit-elle, et comme il venait de sa supérieure, elle s'est « sentie mal à l'aise à l'idée de lui en parler et de lui demander de le refaire ». Elle a donc fait le travail elle-même, au détriment de ses autres projets (BetterUp Labs).
Tout le problème tient dans cette anecdote : quel que soit l'auteur du brouillon, c'est elle qui en a payé le prix, avec ses propres projets et avec la question de savoir s'il était prudent de dire quoi que ce soit. Ce guide explique ce qu'ont trouvé les chercheurs, comment aborder le sujet sans accuser personne, et quelles habitudes d'équipe empêchent le problème de revenir.
Ce que l'enquête a mesuré
Le terme vient de chercheurs de BetterUp Labs et du Stanford Social Media Lab, qui ont défini le workslop comme « du contenu professionnel généré par IA qui se fait passer pour du bon travail, mais n'a pas la substance nécessaire pour faire réellement avancer une tâche » (Fortune). Leur article a paru dans la Harvard Business Review en 2025, accompagné d'un texte complémentaire sur les raisons pour lesquelles les gens en produisent. L'enquête portait sur 1 150 employés de bureau américains à temps plein.
Environ 40 % disaient avoir reçu du workslop d'un collègue au cours du mois précédent. Les répondants estimaient qu'environ 15 % des contenus qu'ils reçoivent au travail correspondent à cette description. Chaque incident demandait environ 1 h 56 à traiter (la page de BetterUp arrondit à 2 heures), ce que les chercheurs ont chiffré à 186 $ par employé et par mois, soit environ 9 millions de dollars par an pour une entreprise de 10 000 personnes (CNBC).
Deux précautions avant de citer ces chiffres en réunion budgétaire. Ils proviennent d'une seule enquête fondée sur du déclaratif, et le chiffre en dollars est calculé à partir des salaires déclarés par les répondants (Entrepreneur). Pour nous, la tendance est solide, mais les décimales sont fragiles. Personne n'a encore publié d'étude avant/après sur une équipe qui aurait réglé le problème, et nous aimerions en voir une.
Le coût social est le chiffre que nous montrerions en premier à un manager sceptique. Selon le compte rendu de CNBC, environ la moitié des destinataires ont dit voir ensuite l'expéditeur comme moins créatif, moins compétent ou moins fiable, et environ un sur trois en a parlé à un collègue ou à un supérieur. Kate Niederhoffer, de BetterUp Labs, a décrit sa propre réaction à la réception d'un tel contenu : « Est-ce qu'ils ne sont pas capables de faire le travail eux-mêmes ? Je ne leur fais pas confiance. Je ne veux plus retravailler avec eux. »
Le reconnaître sans deviner
Jeff Hancock, fondateur du Stanford Social Media Lab, a expliqué à CNBC que l'IA a supprimé l'effort qui limitait autrefois la quantité de remplissage qu'une personne pouvait produire : « Je peux générer très facilement beaucoup de contenu inutile ou improductif. » Le signe qu'il cite est la « prose pompeuse » : trois paragraphes là où une seule puce suffirait. Les exemples de CNBC : du mauvais code, des présentations aux informations incomplètes et des e-mails à la formulation étrange.
Remarquez ce que contient cette liste : rien n'exige de prouver qu'un modèle a écrit le texte. Un rapport aux chiffres inventés pose problème, que ce soit une personne ou un chatbot qui les ait inventés, et c'est cette version-là que vous pouvez montrer en réunion. Nous éviterions les scores de détecteurs d'IA comme preuve dans une conversation professionnelle : un pourcentage devine qui a écrit le texte, alors qu'une source manquante, un chiffre faux ou une décision absente peuvent être vérifiés par n'importe qui (voyez le classement des détecteurs de contenu IA et notre comparatif pour savoir ce qu'ils prétendent mesurer).
En parler à un collègue, étape par étape
CNBC Make It a publié un guide pratique sur ce sujet par Melody Wilding, coach de dirigeants et autrice de Managing Up. Ses conseils, que nous suivrions presque à la lettre, se résument en quatre étapes (CNBC).
- Commencez par un objectif commun. Phrases proposées par Wilding : « Nous voulons tous les deux que la direction soit satisfaite de ce document », ou « Puisque nos deux noms figurent dessus, j'espère que vous serez d'accord pour dire qu'il doit résister à l'examen du client. »
- Nommez les problèmes précis et évitez le verdict général. Deux sections où les données ne correspondent pas à ce dont vous aviez discuté. Une mise en forme qui change à mi-parcours. Un chiffre sans source.
- Dites ce que cela a coûté. Exemple de Wilding : « J'ai passé du temps à refaire ce document, ce qui m'a obligé à repousser un projet pour mon responsable. » Un coût que l'on peut nommer est difficile à contester.
- Demandez un seul changement pour la prochaine fois : une relecture rapide des brouillons IA avant qu'ils ne vous parviennent, ou un petit mot lorsque l'IA a été utilisée. La formule de Wilding : « Cela m'aiderait de savoir quand l'IA a été utilisée. »
Wilding déconseille le « tout ça a l'air généré par IA » lancé en bloc, surtout si vous ne pouvez pas le prouver : l'autre se met sur la défensive et on perd de vue ce qui doit changer. Quand vous abordez l'IA, elle suggère de nuancer et d'admettre que vous l'utilisez aussi : « Je me trompe peut-être, mais certains passages ressemblent à du contenu produit avec l'aide d'une IA. Je m'en sers aussi, donc ce n'est pas le problème. » Nous commencerions quand même par les défauts, et nous ne parlerions d'IA qu'ensuite, voire pas du tout.
Quand l'expéditeur est votre manager
Remonter la hiérarchie est plus difficile, et l'enquête montre pourquoi : la cheffe de projet citée plus haut s'est tue parce que le brouillon venait de sa supérieure. Wilding conseille de reconnaître d'abord que vous utilisez vous-même l'IA, ce qui montre à votre manager que vous n'êtes pas opposé aux outils et garde la discussion centrée sur la qualité et le temps. Chiffrez ensuite le coût et reliez-le à quelque chose qui lui importe, comme le projet que vous avez dû retarder.
Ici, c'est la demande qui porte la conversation, plus que la plainte. Ne demandez pas à votre manager d'arrêter d'utiliser l'IA. Demandez un petit changement de processus qu'il peut accepter sans perdre la face : il parcourt le brouillon une fois avant de le transmettre, ou il ajoute une ligne précisant quelles parties ont été écrites par le modèle. Nous doutons qu'un manager refuse une étape de relecture quand l'alternative est d'entendre la même plainte de trois personnes.
Le travail n'a pas disparu, il s'est déplacé
Notre position de principe : l'IA doit supprimer du travail, pas le reporter sur quelqu'un d'autre. Le workslop est le cas le plus net du second scénario. La tâche de l'expéditeur se réduit à un prompt et un copier-coller, tandis que le destinataire hérite de la vérification, de la réécriture et de la réunion gênante pour demander ce qu'on a voulu dire.

Les chiffres plus récents vont dans le même sens. L'étude de Workday, une enquête mondiale auprès de 3 200 salariés à temps plein, tous utilisateurs actifs d'IA, a montré que 85 % d'entre eux disaient gagner entre une et sept heures par semaine grâce à l'IA, mais que près de 40 % du temps gagné était perdu en reprises : correction d'erreurs, réécriture de contenus et vérification des résultats (Workday, publiée en 2026 ; voir aussi CNBC). Seuls 14 % obtenaient de façon constante des résultats nets clairs et positifs. C'est la version à l'échelle de l'entreprise de ce que ressent le destinataire d'un seul mauvais brouillon. Si le « temps gagné » d'une équipe n'est compté que côté expéditeur, il est surévalué de tout ce que paie le côté destinataire.
Cela tranche aussi la question de l'outil. ChatGPT, Claude, Microsoft 365 Copilot et Gemini peuvent tous produire du vide bien présenté sur commande, et tous peuvent aussi produire un bon premier jet qu'une personne attentive corrige ensuite. Grammarly se situe de l'autre côté de la ligne : il travaille sur un texte que vous avez déjà écrit. Nous n'accuserions pas le produit pour le workslop. C'est l'habitude qui change le résultat. Si vous voulez comparer des outils de rédaction, le classement ToolRank des assistants d'écriture IA et notre comparatif des assistants d'écriture sont un bon point de départ.
Des règles d'équipe qui tiennent
Le conseil de Hancock, rapporté par Fortune, est que les équipes maintiennent des exigences élevées et se critiquent ouvertement : celles qui se concentrent sur la qualité du travail « se critiquent entre elles, acceptent les critiques » et voient moins de workslop. Les chercheurs suggèrent d'appliquer au travail réalisé par un humain et une IA les mêmes attentes qu'entre deux collègues (Fortune). Trois règles en découlent, avec les articles de CNBC.
Dire quand l'IA a été utilisée
Hancock a expliqué à CNBC que déclarer l'usage de l'IA permet à vos collègues de comprendre vos prompts et vos objectifs et de combler les lacunes. En pratique, tenez-vous-en à une ligne : « Premier jet rédigé avec Claude, chiffres vérifiés avec l'export de la finance. » Cela prend dix secondes, indique au lecteur à quel point il doit être vigilant, et supprime le jeu de devinettes qui rend la conversation délicate. Intégrez-la au modèle des points d'avancement et des rapports pour que personne n'ait à le signaler de lui-même.
Relire avant d'envoyer
L'expéditeur est responsable de la première lecture. Cela signifie chaque ligne, chaque chiffre, chaque citation et chaque lien, vérifiés par la personne dont le nom figure sur le document. Notre guide sur la vérification des contenus générés par IA décrit un processus de vérification qui passe à l'échelle ; pour une équipe, retenez en bref qu'il faut vérifier tout ce sur quoi un lecteur pourrait agir.

Rédiger une définition de « terminé »
La plupart du workslop passe parce que personne n'a jamais dit ce que « terminé » veut dire. Une définition de « terminé » peut tenir en quatre lignes : qui est le public, quelle décision le document appuie, d'où vient chaque chiffre, et qui d'autre que l'auteur l'a lu. Un brouillon qui ne peut pas répondre à ces questions n'est pas terminé, quel que soit son auteur, humain ou non. Si votre équipe a déjà une politique d'usage de l'IA, ajoutez-y ces lignes ; notre modèle de politique d'usage de l'IA en propose une version que les équipes ont tendance à respecter.
Notre choix pour commencer, c'est la transparence, car elle ne demande ni outil ni validation. La définition de « terminé » vient ensuite, puisqu'il faut une réunion pour s'accorder. Utilisez ensuite la checklist ci-dessous pour voir quelles habitudes votre équipe a déjà.
Quand ça tourne mal
La conversation peut se retourner contre vous de plusieurs façons prévisibles. Certains ne savaient tout simplement pas que leur brouillon était mince : ils ont vu un document d'allure assurée et l'ont transmis. D'autres se braquent, souvent quand le retour sonne comme un verdict sur leur compétence, et l'ouverture par l'objectif commun existe pour eux. Et quelques-uns continueront d'envoyer du slop quoi que vous disiez : dans ce cas, c'est le coût en temps documenté que vous apportez à un manager.
Il y a aussi un échec plus discret : devenir le réparateur attitré de l'équipe. Si vous corrigez en silence chaque brouillon, l'expéditeur n'apprend jamais, et vous absorbez les deux heures à chaque fois. Une conversation franche coûte moins cher qu'une année de nettoyage. Elle donne aussi à l'expéditeur la seule chose que le modèle ne peut pas lui offrir : la réaction d'un collègue devant la page finie, et la plupart des gens préfèrent l'apprendre de vous en privé plutôt que d'un client en public.
Ce que personne n'a tranché, c'est si de telles règles réduisent le volume. Les chercheurs recommandent des garde-fous et un état d'esprit de « pilote », et la conclusion de Hancock concerne les équipes à hautes exigences, mais nous n'avons vu aucun résultat mesuré pour une équipe ayant adopté une règle de transparence. Si vous en essayez une, suivez les heures que vous passez en reprises avant et après. Ce chiffre convaincra votre manager mieux que n'importe quelle enquête.
Questions fréquentes
Qu'est-ce que le workslop IA ?
C'est du travail généré par IA qui paraît soigné mais n'a pas la substance pour faire avancer une tâche, si bien que le collègue qui le reçoit doit faire la réflexion et le nettoyage. Le terme a été inventé dans une étude de 2025 de BetterUp Labs et du Stanford Social Media Lab, publiée dans la Harvard Business Review.
Combien coûte le workslop ?
Dans l'enquête de BetterUp et Stanford auprès de 1 150 employés de bureau américains, chaque incident demandait environ 1 h 56 à traiter, et les chercheurs ont estimé le coût à 186 $ par employé et par mois. Ils ont projeté environ 9 millions de dollars par an pour une entreprise de 10 000 personnes. Ces chiffres sont des estimations déclaratives issues d'une seule enquête.
Comment dire à un collègue que son travail doit être corrigé sans l'accuser d'avoir utilisé l'IA ?
Pointez les problèmes précis (une source manquante, des données qui ne concordent pas, une mise en forme qui change en cours de route) et reliez-les à un objectif que vous partagez. Ne faites aucune supposition sur la façon dont le travail a été produit. Wilding conseille de demander un changement de processus, comme une relecture avant l'envoi ou une note indiquant quand l'IA a été utilisée.
Dois-je passer son travail dans un détecteur d'IA ?
Nous ne le ferions pas. Le score d'un détecteur est une supposition sur l'auteur du texte, que l'expéditeur peut contester, et il éloigne la conversation du vrai défaut. Un chiffre faux ou une source manquante se règlent plus facilement.
Peut-on utiliser ChatGPT, Claude, Copilot ou Gemini au travail ?
Oui, et beaucoup de gens le font déjà : selon Gallup, la part des salariés américains qui utilisent l'IA dans leur poste quelques fois par an ou plus a presque doublé, passant de 21 % à 40 % entre 2023 et 2025 (Gallup). Le critère est le même que pour tout autre brouillon : vous l'avez lu, vous l'avez vérifié, et vous y mettriez votre nom. Dites à vos collègues quand un document est parti d'un modèle.