Analyse · Méthode de travail

AI Brain Fry : ce que montre l'étude et comment mener plusieurs exécutions d'IA en rythme

AI Brain Fry est le nom que donne une étude HBR de mars 2026 à la fatigue mentale causée par une utilisation excessive ou une supervision excessive des outils d'IA. Cet article remet les chiffres en perspective, explique pourquoi les changements de contexte et la supervision coûtent autant d'attention, et décrit un rythme de travail pour plusieurs exécutions d'IA en parallèle.

En bref
  • Terme : l'étude HBR de chercheurs du cabinet de conseil BCG (5 mars 2026) appelle « AI Brain Fry » la fatigue mentale causée par une utilisation excessive ou une supervision excessive des outils d'IA. Ce n'est pas un diagnostic médical.
  • Prévalence : 14 % des utilisateurs d'IA dans les grandes entreprises américaines l'ont déjà vécu (1 488 répondants, auto-évaluation). Ce ne sont pas 14 % de l'ensemble des salariés, et la question portait sur « déjà vécu ».
  • Pourcentages : les valeurs concernant la supervision, la fatigue, la fatigue décisionnelle, les erreurs et le burn-out sont des différences relatives de valeurs d'échelle, pas des parts de personnes. Exemple : celui qui supervise beaucoup d'IA déclare en moyenne 14 % d'effort mental en plus.
  • Changements de contexte : le fait que les changements aient un coût est démontré en laboratoire (Monsell 2003, Rubinstein et al. 2001). Dans l'étude, le lien avec les questions sur le changement de tâche est moins net que celui avec la surcharge d'informations.
  • Contrepoint : moins de travail de routine grâce à l'IA allait de pair avec des valeurs de burnout inférieures de 15 %. Une étude de terrain a trouvé en moyenne 15 % de cas résolus en plus par heure (Brynjolfsson et al. 2025).
  • Rythme de travail : démarrage, concentration, récolte, lire les notifications seulement pendant la récolte et ne lancer que le nombre d'exécutions que tu peux vérifier. Pour certains éléments, il existe des indices venant d'autres domaines (Fitz 2019 sur les notifications regroupées, Masicampo et Baumeister 2011), mais aucun n'a été vérifié pour la supervision de l'IA.

Certains jours, 5 à 6 exécutions d'IA tournent en même temps chez moi. Le lancement prend quelques minutes. Ensuite, les résultats arrivent les uns après les autres, et chacun demande à être vérifié, corrigé ou validé. Je saute entre textes, recherches et brouillons. Je ne peux pas dire si c'est déjà de l'AI Brain Fry, car il n'existe pas de diagnostic pour cela.

Si tu utilises des agents IA ou que tu introduis l'IA dans ton entreprise, tu finis par faire tourner plusieurs exécutions en même temps et par te poser la même question : combien puis-je encore en vérifier de façon pertinente ? Cet article distingue ce que l'étude prouve sur l'AI Brain Fry, cite la recherche sur les changements de contexte, présente le point de vue opposé et décrit mon rythme de travail.

AI Brain Fry : définition et différence avec le burn-out

Le terme « AI Brain Fry » a été introduit par Bedard, Kropp, Hsu, Karaman, Hawes et Rosen Kellerman dans l'article HBR « When Using AI Leads to ‘Brain Fry’ » du 5 mars 2026. Tous travaillent au cabinet de conseil BCG, 2 d'entre eux préparent en plus un doctorat à l'University of California, Riverside. Leur définition, traduite librement : fatigue mentale causée par une utilisation excessive ou une supervision excessive des outils d'IA, au-delà de sa propre capacité cognitive. Aucun terme ne s'est imposé en allemand. Les médias parlent d'« épuisement lié à l'IA », de « burn-out de l'IA » ou d'« AI Fatigue », un portail spécialisé titre « cerveau frit ».

L'AI Brain Fry ne doit pas être assimilé au burn-out. Les auteurs décrivent le burn-out comme un stress professionnel chronique avec épuisement émotionnel. Le brain fry est, selon eux, une surcharge aiguë de l'attention, de la mémoire de travail et du pilotage de sa propre pensée. Ce n'est pas un diagnostic médical.

Une remarque sur l'origine : BCG vend lui-même du conseil sur l'introduction de l'IA. L'article recommande de consacrer 70 % de l'effort des projets d'IA aux personnes et aux processus. Cela ne rend pas les chiffres faux, mais montre un intérêt propre au sujet.

Les chiffres de l'étude et comment les lire

1 488 salariés à temps plein de grandes entreprises américaines ont été interrogés, une seule fois et par déclaration personnelle. Je n'ai trouvé ni questionnaire ni working paper décrivant la méthodologie. Pour chaque chiffre, ce qui compte, c'est ce qu'il mesure réellement :

Ce que dit l'étudeComment lire ce chiffre
14 % des utilisateurs d'IA ont dit avoir déjà vécu un Brain FryPart de personnes, mais uniquement parmi les utilisateurs d'IA dans de grandes entreprises américaines, et la question était « déjà vécu ». Ce serait faux de dire : « 1 personne sur 7 en souffre. »
Supervision élevée plutôt que faible de l'IA : 14 % d'effort mental en plus, 12 % de fatigue mentale en plus, 19 % de surcharge d'informations en plusDifférences relatives de valeurs d'échelle issues de l'auto-évaluation entre 2 groupes, pas des parts de personnes.
Avec brain fry : 33 % de fatigue décisionnelle en plus, 11 % de petites erreurs en plus et 39 % de grosses erreurs en plusCe sont également des valeurs d'échelle issues d'une auto-évaluation, pas des erreurs comptées. « Le Brain Fry provoque 39 % d'erreurs graves en plus » serait faux.
Intention de démissionner : 25 % sans, 34 % avec le brain fryParts de personnes en comparaison. Je ne peux pas recalculer à partir des valeurs rapportées le chiffre relatif que cite HBR, c'est pourquoi il ne figure pas ici.
Selon la fonction : 26 % des employés dans les fonctions marketing, 6 % dans les fonctions juridiques ont indiqué avoir vécu le Brain FryDes fonctions de grandes entreprises américaines, pas des secteurs.
Outils d'IA utilisés simultanément : la productivité perçue augmente nettement de 1 à 2, puis plus faiblement, et baisse légèrement à partir du quatrièmeCe qui est mesuré, c'est la productivité perçue. On ne sait pas si l'on a compté des outils ou des agents. Il n'en découle aucune limite pour les agents.

Pour le quotidien, 2 constats comptent plus que n'importe quel pourcentage. Le premier : ce qui était lié à la charge et à la fatigue mentale, c'était surtout la supervision continue des sorties de l'IA, ainsi qu'un volume de travail accru par l'IA. La supervision est au centre de l'étude. Le second concerne les changements de contexte : les réponses libres citent la surcharge d'informations et les changements de tâche comme facteurs importants. Mais le lien statistique avec les questions sur le changement de tâche est moins net que celui avec la surcharge d'informations. Dans cette étude, le changement de contexte ne convient pas comme « cause principale ».

Une réserve encore : les auteurs écrivent que l'utilisation de l'IA « may be causing » l'épuisement et que la supervision l'« predicted ». Ce sont des mots prudents, pour une bonne raison. Dans une étude transversale, le sens inverse est aussi envisageable : celui qui est déjà surchargé vit peut-être la supervision comme plus pesante.

Changements de contexte et supervision : pourquoi ils coûtent autant d'attention

La psychologie étudie depuis des décennies le fait que les changements de tâche coûtent du temps et de la précision, mais pas à propos du travail avec l'IA. Les informations proviennent des résumés des études, et pour Mark, des articles.

  • Coûts de changement : Après un changement de tâche, les gens répondent plus lentement en laboratoire et font le plus souvent plus d'erreurs. La préparation réduit les coûts, mais ne les supprime pas (Monsell 2003, article de synthèse sur des tâches simples). Ils augmentent avec la complexité des règles, diminuent avec les indices et sont plus élevés pour les tâches peu familières (Rubinstein, Meyer, Evans 2001).
  • Résidus d'attention : l'attention se détache mal des tâches inachevées, et la performance sur la tâche suivante en souffre. Le terme technique est « Attention Residue » (Leroy 2009, 2 expériences).
  • Interruptions : Chez 24 employés d'une entreprise (observés 3,5 jours chacun, durée de l'étude 13 mois), 57 % des unités de travail ont été interrompues. Ils sont revenus au travail interrompu le même jour en moyenne après 25 min 26 s. La dispersion est énorme (écart type 54 min 48 s), et 77 % ont été repris le même jour (Mark, Gonzalez, Harris 2005). En laboratoire, les personnes interrompues travaillaient plus vite, mais avec plus de stress et d'effort (Mark, Gudith, Klocke 2008, 48 participants, surtout des étudiants).
  • Supervision de l'automatisation : Celui qui surveille un système automatisé contrôle moins en cas de charge multiple (complacency) et suit les suggestions trop vite, même en tant qu'expert (automation bias). La formation n'empêche pas cela (Parasuraman et Manzey 2010, article de synthèse).

Ma lecture : celui qui mène 5 exécutions passe d'une tâche à 5 tâches et vérifie en continu les résultats des autres. Les deux ensemble correspondent à ce que décrivent l'étude et cette recherche. Ce n'est pas prouvé pour le travail avec l'IA. Les études en laboratoire et en bureau datent d'avant les agents IA, et les études sur les interruptions ont de petits échantillons.

Il est établi que les changements coûtent. Aucun remède n'a été vérifié pour la supervision de l'IA.

L'autre côté : déléguer la routine soulage

La même étude a un deuxième message, qui passe facilement inaperçu à côté des chiffres de charge. Les salariés qui avaient moins de travail routinier grâce à l'IA ont indiqué des scores de burn-out inférieurs de 15 %. Les scores de fatigue mentale n'étaient pas plus bas. C'est encore une corrélation issue de déclarations personnelles, mais elle va à l'encontre d'une lecture de l'utilisation de l'IA comme une charge en bloc. Étaient aussi liés à moins de fatigue le fait que la direction réponde aux questions sur l'IA (15 % de moins) et le fait que les salariés aient l'impression que leur entreprise accorde de l'importance à l'équilibre vie professionnelle-vie privée (28 % de moins).

Une étude de terrain donne des indications dans la même direction. Brynjolfsson, Li et Raymond ont analysé dans «Generative AI at Work» (publiée en 2025) les données de 5 172 collaborateurs du support, chez qui un assistant d'IA a été introduit de manière échelonnée en 2020 et 2021. En moyenne, ils ont résolu 15 % de cas en plus par heure. Les moins expérimentés et les moins qualifiés en ont davantage profité, tandis que chez les plus expérimentés, les gains de vitesse et les pertes de qualité étaient faibles. Le bien-être des collaborateurs n'a pas été mesuré directement, et un support avec un assistant de 2020 n'a rien à voir avec la direction de plusieurs agents.

Dans les données, la charge et l'allègement figurent côte à côte. Ma lecture : tout dépend de la quantité de supervision qui rentre dans sa propre capacité. Il n'en découle pas qu'il faille moins d'IA.

Dans les données, la charge et l'allègement figurent côte à côte.

Rythme de travail : démarrage, concentration, récolte

À partir d'ici, je décris ma façon de travailler. C'est l'expérience d'un entrepreneur solo et non une méthode éprouvée. Quand il existe des preuves venant d'autres domaines pour un élément, c'est indiqué. Savoir si ces éléments fonctionnent de la même façon pour la supervision de l'IA reste ouvert.

L'idée de base : je limite mes points de contact avec l'IA et je laisse ouverte la durée des exécutions. Elles peuvent durer longtemps, tant que je ne regarde qu'à heures fixes. Il en résulte 3 blocs :

BlocCe qui se passeDurée
DépartLancer toutes les tâches l'une après l'autre, chacune avec un résultat clair15 à 30 min
FocusUne tâche à part que je suis le seul à pouvoir résoudre. Ne pas lire les résultats, ne pas regarder les exécutions90 à 120 min
RécolteVérifier les résultats, les valider, lancer les corrections comme nouvelles missions (c'est en même temps le prochain démarrage)30 à 45 min
Départ, concentration, récolte : tu ne regardes les exécutions qu'à des heures fixes.

Départ : des tâches du même type en lot

Au démarrage, une mission propre compte. Je lance les tâches de même type en lot, 5 à 6 en parallèle. Ce qui ne rentre pas dans le lot attend le prochain démarrage. La préparation et les indices réduisent les coûts de changement (Rubinstein, Monsell). C'est pourquoi une phrase dans la mission vaut la peine, pour dire à quoi tu reconnais le résultat final et ce que tu comptes en faire. C'est une transposition depuis le laboratoire.

Focus : ne lire les notifications qu'à la récolte

Pendant le bloc de focus, je ne lis aucun résultat et je ne regarde aucune exécution. Les notifications peuvent arriver, elles ne sont lues qu'à la récolte. C'est moins que regrouper : elles arrivent toujours une par une, je les laisse simplement de côté.

Pour le regroupement, il existe une expérience de terrain sur smartphone. Fitz et ses collègues (2019) ont fait recevoir à 237 personnes les notifications comme avant, regroupées 3 fois par jour ou pas du tout. Le groupe avec regroupement a rapporté plus d'attention, une meilleure humeur et moins de stress. Le groupe sans aucune notification n'en tirait guère d'avantages, mais avait plus d'anxiété et plus de peur de rater quelque chose. Regrouper valait donc mieux que couper. Pour soutenir ainsi le bloc de concentration, il faut faire livrer les notifications de façon groupée. L'étude ne montre pas si laisser simplement le téléphone de côté apporte la même chose. Les réglages pour iPhone et Pixel figurent dans l'article sur la disponibilité permanente.

Récolte : vérifier, valider, noter les changements

À la récolte, je vérifie les résultats les uns après les autres, je valide et je lance les corrections comme nouvelles missions. Le prochain démarrage commence en même temps. Celui qui passe entre 2 résultats ou revient à sa propre tâche peut noter en 1 phrase où et comment il reprend. Masicampo et Baumeister ont montré en 2011, dans des expériences de laboratoire, qu'un plan concret sur quand et comment un objectif sera atteint met fin à l'effet perturbateur d'un objectif inachevé. Je n'ai trouvé aucune étude pour savoir si cela vaut pour des résultats d'IA laissés de côté.

Après la récolte et le nouveau départ, avant que le prochain bloc de concentration commence, une vraie pause aide. Une méta-analyse (22 échantillons, 2 335 personnes) a constaté que les micro-pauses augmentent la vitalité et réduisent la fatigue, les deux dans une faible mesure (Albulescu et al. 2022). L'effet sur la performance dans un travail exigeant n'est pas établi, la recommandation s'appuie sur le bien-être.

Autant d'exécutions que tu peux en vérifier

Le goulot d'étranglement, c'est la vérification, pas le lancement. Une journée est pleine quand la récolte ne tient plus dans le temps de travail. Cela rejoint les retours d'expérience. Addy Osmani relie le nombre d'agents à son rythme de relecture et écrit que, pour la plupart des gens, c'est un petit nombre à un chiffre (The Orchestration Tax, 2026). Simon Willison dit ne pouvoir se concentrer que sur la vérification et l'intégration d'une seule modification importante à la fois (2025).

Le seuil de l'étude HBR à 3 outils ne convient pas comme référence pour les exécutions, car on ne sait pas ce qui a été compté. Pour tester, une règle simple suffit : ne lance que le nombre d'exécutions que tu vérifies à fond dans le prochain bloc de récolte. Regarde au bout d'une semaine combien de résultats sont restés en attente.

Limites de l'état des études

L'étude sur le Brain Fry repose sur des déclarations personnelles et une coupe transversale, elle vient des États-Unis et de grandes entreprises et a paru dans un magazine de management sans évaluation par les pairs. La question sur le Brain Fry est un item unique oui-non avec « déjà », pas un questionnaire validé. Les 33 % de fatigue décisionnelle en plus sont une valeur d'échelle. Le mécanisme sous-jacent (Ego Depletion) n'a pas pu être démontré de façon fiable dans 2 grandes études de réplication (Hagger et al. 2016, Vohs et al. 2021).

Pour les remèdes, c'est plus mince. Fitz, Masicampo et Albulescu ont étudié des smartphones, des tâches de laboratoire et des pauses, pas la supervision de l'IA. Sur les entrepreneurs solo avec plusieurs agents, je n'ai trouvé aucune étude. Mon vécu est un point de donnée isolé. Celui qui mène des exécutions similaires peut tester le rythme comme hypothèse et le mesurer à sa propre récolte.

Comment je conduis les exécutions d'IA au quotidien et ce qui tourne mal, je le montre dans la newsletter AI Sync, qui paraît chaque dimanche.

Le faire soi-mêmeTu as tout ce qu'il te faut.

Tout ce qui figure sur cette page peut être mis en œuvre sans moi. J'ajoute ici les nouveaux outils et les changements, et chaque dimanche, la newsletter propose une astuce à ce sujet.

Vers AI Sync
Faire réaliserProcessus d'IA qui livrent regroupés pour validation

Je mets en place avec toi des processus d'IA qui livrent leurs résultats regroupés à heures fixes pour validation, et nous définissons ensemble qui vérifie quoi. Sur place d'Eisenstadt à Mattersburg et Wiener Neustadt, en ligne dans tout l'espace germanophone.

En savoir plus

Questions fréquentes

Qu'est-ce que l'AI Brain Fry ?

AI Brain Fry est un terme issu d'une étude HBR menée par des chercheurs du cabinet de conseil BCG (5 mars 2026). Il désigne la fatigue mentale due à une utilisation excessive ou à une supervision excessive des outils d'IA, au-delà de sa propre capacité. Ce terme n'est pas un diagnostic médical. L'étude repose sur les déclarations de 1 488 salariés de grandes entreprises américaines.

À quel point l'AI Brain Fry est-il fréquent ?

Dans l'étude, 14 % des utilisateurs d'IA ont répondu oui à la question de savoir s'ils l'avaient déjà vécu. Cela vaut pour les utilisateurs d'IA dans de grandes entreprises américaines, la question portait sur « déjà vécu un jour ». Selon la fonction, la valeur variait fortement : 26 % des employés dans les fonctions marketing, 6 % dans les fonctions juridiques. Pour les entrepreneurs solo ou les PME en Autriche, je ne connais aucun chiffre.

L'AI Brain Fry, est-ce la même chose que le burnout ?

Non. Les auteurs décrivent le burn-out comme un stress professionnel chronique avec épuisement émotionnel, et le brain fry comme une surcharge aiguë de l'attention et de la mémoire de travail. Dans l'étude, moins de travail routinier grâce à l'IA était associé à des scores de burn-out inférieurs de 15 %, les scores de fatigue mentale n'étaient pas plus bas. Les médias parlent pourtant souvent de « burn-out lié à l'IA ».

Combien d'outils ou d'agents d'IA en même temps, c'est trop ?

Je n'ai trouvé de chiffre fixe dans aucune étude. Dans l'étude, la productivité perçue augmentait nettement de 1 à 2 outils utilisés en même temps, puis plus faiblement, et baissait légèrement à partir du quatrième. On ne sait pas ce qui a été compté exactement. Le développeur Addy Osmani lie le nombre d'agents à sa capacité de vérification et cite pour la plupart un petit nombre à un chiffre. C'est une valeur d'expérience.

Que faire contre l'AI Brain Fry ?

Il n'existe aucune mesure éprouvée pour la supervision de l'IA. Dans d'autres domaines, il y a des indications pour les notifications regroupées, 3 fois par jour (Fitz et al. 2019, 237 personnes), un plan concret pour les tâches inachevées (Masicampo et Baumeister 2011) et de courtes pauses contre la fatigue (Albulescu et al. 2022). L'étude elle-même cite la délégation de la routine et la fixation de limites pour la supervision. Que cela fonctionne pour la supervision de l'IA reste une question ouverte.

L'IA fatigue-t-elle ou soulage-t-elle ?

Les deux apparaissent dans les données. Une supervision élevée de l'IA plutôt que faible allait de pair avec 12 % de fatigue mentale en plus (différence relative selon déclaration personnelle). Moins de travail routinier allait de pair avec des scores de burn-out inférieurs de 15 %. Dans une étude de terrain auprès de 5 172 collaborateurs du support, ceux avec un assistant IA ont résolu en moyenne 15 % de cas en plus par heure (Brynjolfsson et al. 2025).

Modifications apportées à cet article

  • 10 novembre 2026Première version.
Christoph Harrison
Christoph HarrisonConseiller en IA et technicien réseau, Eisenstadt

Fondateur de Harrison Networks et de Lumen Media. Utilise l'IA tous les jours dans sa propre entreprise et la met en œuvre avec des PME dans le conseil en IA.

Contact

Écris-moi en allemand ou en anglais, s'il te plaît.

Christoph Harrisondisponible pour de nouveaux projets