1. Le travail ne s'arrête jamais, et pourtant on n'a pas envie qu'il s'arrête
En général, on se dit : si l'IA nous fait gagner du temps, on aura plus de temps libre.
Mais quand on peut vraiment confier à l'IA, l'un après l'autre, la recherche, le brainstorming, la rédaction du cahier des charges, le développement, les corrections et les tests, c'est parfois l'inverse qui se produit.
Le temps libéré ne sert pas à se reposer. On se met à s'inventer du travail : « Ah, du coup je peux aussi faire ça », « ça aussi, on peut l'améliorer », « si je relie ce truc à celui-là, ça peut être génial ».
Et ce n'est pas une corvée. Une idée tombe pendant une balade. Une autre pendant une sortie. On en discute avec l'IA sur son téléphone, on transforme l'idée en cahier des charges et on le confie à un agent qui code. En rentrant à la maison, quelque chose a déjà avancé.
On n'a pas l'impression que le travail grignote la vie, mais plutôt que le monde réel tout entier est devenu une carte où l'on va récolter des idées.
Et la grande différence avec un jeu classique : là-bas, le contenu de fin de jeu est prévu par le studio. Ici, on peut l'ajouter soi-même.
Un chewing-gum qui ne perd jamais son goût.
2. Même la limite de cinq heures devient un temps de recharge, pas un game over
Sur les offres payantes de Claude, les limites d'utilisation par session se réinitialisent toutes les cinq heures, et il existe à part une limite hebdomadaire, réinitialisée à un jour et une heure fixes propres à chaque compte.[1]
Ce qui est drôle, c'est qu'atteindre la limite ne veut plus forcément dire « c'est fini pour aujourd'hui ».
Si le travail est bien découpé, quand une session s'arrête, on passe à une autre tâche indépendante. Ou on reprend après la réinitialisation. La limite finit par ressembler à une jauge d'endurance ou à un temps de recharge dans un jeu.
Bien sûr, il ne s'agit pas de contourner les conditions d'utilisation ou les limites d'un service. Il s'agit de découper le travail autorisé en tâches indépendantes, et d'utiliser l'attente pour mettre de l'ordre dans ce qui dépend de quoi, ou pour réfléchir au prochain projet.
Du coup, dans la tête, on passe de « l'IA s'est arrêtée » à « cet ouvrier est en pause, lançons une autre ligne ».
3. La loi de Parkinson passe du temps aux idées
La loi de Parkinson se résume souvent ainsi : « le travail s'étend jusqu'à occuper tout le temps disponible ». La formule vient d'un essai satirique de 1955, et des recherches l'ont ensuite testée à l'échelle individuelle.[2]
Avec l'IA, elle change un peu de forme.
Avant, si on avait huit heures, une tâche pouvait prendre les huit. Si l'IA ramène le travail réel à une heure, ça ne veut pas dire qu'il reste sept heures entièrement vides.
Pendant ces sept heures, on peut :
- repérer un nouveau problème
- penser à une fonctionnalité en plus
- réfléchir à une connexion avec un autre service
- relever ses exigences de qualité
- ressortir des idées abandonnées parce qu'elles coûtaient trop cher
Autrement dit, ce n'est pas seulement le travail existant qui gonfle pour remplir le temps : de nouvelles tâches germent dans le temps libéré.
Plus l'IA va vite, plus la capacité humaine à avoir des idées devient la nouvelle usine.
4. Plus de productivité peut créer plus de travail : un effet rebond à la Jevons
On pense tout de suite au paradoxe de Jevons et à ce qu'on appelle l'effet rebond.
À l'origine, c'est un débat sur l'efficacité énergétique : quand un progrès rend l'usage de quelque chose moins cher, on en consomme davantage, ce qui peut annuler une partie, voire la totalité, des économies attendues. Mais l'ampleur dépend du secteur et des conditions, et rien ne prouve qu'un fort « effet inverse » se produise à chaque fois.[3]
L'appliquer tel quel au travail avec l'IA comme une loi scientifique serait abusif, mais comme image, c'est redoutablement juste.
Si développer une chose prend trois jours, on jette 9 idées sur 10.
Si ça ne demande que 30 minutes d'instructions et de relecture, ces 9 idées reviennent.
Et là, ce n'est plus « la productivité est multipliée par 10, donc il faut dix fois moins de travail », mais « on fait maintenant tout ce qui n'était pas rentable avant ».
Plus il devient bon marché de construire, plus l'appétit d'idées grandit.
L'IA peut être une machine à supprimer du travail et, en même temps, une machine à en créer.
5. Pourquoi c'est si prenant ? Liberté, progression et retours rapides
La théorie de l'autodétermination explique que trois choses comptent beaucoup pour la motivation et le bien-être : sentir qu'on choisit (autonomie), sentir qu'on en est capable (compétence) et se sentir relié aux autres. Surtout, le sentiment de décider soi-même et celui de progresser vont de pair avec une motivation de bonne qualité.[4][5]
C'est en grande partie pour ça que les projets perso avec l'IA virent si facilement au jeu.
On ne remplit pas un tableau Excel refilé par quelqu'un d'autre.
On décide soi-même que « ça, ça a l'air sympa ».
En quelques minutes, le cahier des charges est prêt.
Une demi-heure plus tard, il y a déjà quelque chose qui tourne.
Si ça casse, on répare.
Et la réparation continue de servir ensuite.
Cette boucle renvoie très souvent de la liberté, une sensation de progrès et des retours clairs.
Dans un jeu, la barre d'expérience est un chiffre.
Avec l'IA, c'est du concret : ce qu'on ne savait pas faire hier tourne tout seul aujourd'hui.
Forcément, on accroche.
6. Pourquoi c'est plus fort qu'un jeu : le contenu de fin de jeu, on le crée soi-même
Un jeu classique, aussi immense soit-il, reste un monde préparé par ses développeurs.
On bat le boss final. On complète son équipement. On enchaîne le contenu le plus difficile. Un jour arrive le « il n'y a plus rien à faire ».
Avec un projet perso propulsé par l'IA, c'est précisément là qu'on ajoute une nouvelle quête.
On a fait un site ?
Alors on le traduit.
Il est traduit ?
Alors on le fait connaître.
C'est fait ?
Alors on mesure les réactions.
C'est mesuré ?
Alors on fait générer automatiquement les prochaines idées à partir de ces réactions.
Même ça, c'est automatisé ?
Alors on s'étend à l'audio, à la vidéo, à d'autres marchés, à d'autres produits.
Chaque fois qu'on remplit la condition de victoire, le joueur développe lui-même un nouveau DLC.
Ça colle parfaitement au plaisir de « construire des systèmes » à la Minecraft ou Factorio, sauf que dans la vraie vie, ce qu'on construit a un effet sur de vrais lecteurs, clients, revenus, apprentissages et heures de travail.
Ce qu'on reçoit, ce n'est pas de la monnaie de jeu : c'est la réalité qui répond.
C'est pour ça que le goût ne s'en va pas.
7. On monte en grade tout seul : de chef de projet à responsable produit, puis à patron
Au début, on agit comme un chef de projet :
« Comment boucler cette tâche ? » « Où est-ce que ça bloque ? » « Qui fait quoi ? »
Ensuite, on devient plutôt chef de produit ou product owner :
« Qu'est-ce qu'on doit construire ? » « Qu'est-ce qu'on apporte aux utilisateurs ? » « Quelle amélioration passe en premier ? »
Et quand l'IA prend aussi en charge le découpage des tâches, leur répartition, le développement et la première vérification, les questions montent encore d'un cran :
« À quel produit donner les ressources ? » « Quel marché développer ? » « Quelle activité arrêter ? » « Quels systèmes relier entre eux ? » « Quelle nouvelle fonction ajouter à l'entreprise ? »
À ce stade, on n'améliore plus une fonctionnalité : on conçoit une petite entreprise.
| Étape | Question principale de l'humain |
|---|---|
| Développeur | Comment le faire ? |
| PM | Comment le terminer ? |
| PdM / PO | Quoi faire ? |
| Direction | Où mettre les ressources ? |
| Gestion de portefeuille | Que faire grandir, que supprimer ? |
Ce n'est pas l'IA qui nous a rendus importants.
C'est qu'en déléguant les couches du bas, une seule personne peut toucher aux couches du haut, qui demandaient autrefois du personnel et des capitaux.
Et c'est ça qui est passionnant.
8. Seul, mais avec un organigramme
Encore plus étonnant : on n'a même plus besoin de superviser directement chaque ouvrier IA.
On peut organiser des étages comme ceci :
- Humain : objectifs, priorités, ce qui est amusant, décision finale
- IA de conversation : brainstorming, recherche, ébauche du cahier des charges
- IA manager : découpage des tâches, ce qui dépend de quoi, répartition, plan d'assemblage
- IA qui code : code, tests, corrections
- Surveillance : vérification des résultats, comparaison des changements, détection des échecs
Ce n'est pas humain → ouvrier IA.
C'est humain → manager IA → ouvriers IA.
Quand ça fonctionne, le travail humain s'éloigne encore plus du flicage de chaque détail et se concentre sur « qu'est-ce que je fais faire à l'entreprise maintenant ? ».
Zéro salarié. Un organigramme impressionnant.
La micro-entreprise du futur est une drôle de bête.
9. Plutôt que « plus d'agents en parallèle », « une répartition qui évite les collisions »
Quand on ajoute des ouvriers IA, un nouveau problème apparaît.
Dix ouvriers ultra-rapides qui réparent tous le même fil en même temps, ce n'est pas rapide.
C'est le meilleur moyen de tout casser.
Une étude de 2026 sur les pull requests (demandes de modification du code) créées par des agents IA sur GitHub a observé des conflits au moment de fusionner le travail d'agents actifs en même temps. Dans l'échantillon étudié, les paires d'agents différents travaillant en parallèle avaient un taux de conflits de texte plus élevé que les paires issues du même agent.[6]
Une autre étude de 2026 a testé, pour des travaux logiciels longs et complexes, une méthode appelée CAID : un point central distribue les tâches, chacune avance en parallèle sans attendre les autres, chaque ouvrier a son propre espace isolé, puis tout est assemblé de manière ordonnée. Elle a obtenu de meilleurs résultats qu'un seul agent travaillant seul.[7]
L'important n'est pas « combien d'IA je lance », mais :
- ne pas laisser deux ouvriers toucher au même fichier en même temps
- tracer clairement qui s'occupe de quoi
- regarder d'abord ce qui dépend de quoi
- séparer les espaces de travail
- tout assembler à la fin et tester
Autrement dit, le prochain goulot d'étranglement n'est pas la puissance de calcul, mais l'organisation de l'équipe.
Et quand le manager IA se met à gérer ça aussi, l'humain est vraiment propulsé dans le fauteuil de PDG.
10. Ce qui devient rare : plus le temps de code, mais l'attention, le goût et le cap
Quand l'IA peut abattre des montagnes de développement, ce qui manque le plus change.
Ce n'est pas la quantité de code.
Même les idées, l'IA peut en proposer pas mal.
Ce qui finit par manquer, c'est l'attention et le jugement :
- qu'est-ce qui est vraiment intéressant
- qu'est-ce qui est ringard
- jusqu'où aller
- est-ce le bon moment
- qu'est-ce qu'on jette
- qu'est-ce qu'on ne croit pas sans vérifier
- quel échec est un « accident isolé » et lequel révèle un « défaut du système »
Ce n'est pas « l'IA peut faire 100 choses, donc on en fait 100 ».
Dans un monde où 100 choses sont possibles, diriger, c'est choisir les 3 qui comptent vraiment.
Le goulot s'est déplacé : de la fabrication vers le cap.
11. Le seul piège d'un jeu sans fin : les conditions de game over, c'est aussi à nous de les fixer
Ne jamais finir, c'est génial. Mais c'est aussi ce qui peut devenir dangereux.
Ce n'est pas parce que l'IA tourne 24 heures sur 24 que l'humain doit en faire autant.
On rogne sur le sommeil parce que c'est amusant. On élargit le périmètre à l'infini parce qu'on peut toujours améliorer. On pousse des tonnes de changements non vérifiés parce qu'on peut tout paralléliser. On a tellement d'ouvriers qu'on ne sait plus qui a touché à quoi.
Et là, l'automatisation censée nous libérer devient une boîte qui exploite son unique salarié, version haute performance : nous.
La solution peut elle aussi se penser comme du game design :
- mettre un point de contrôle avant les changements destructeurs
- ne pas modifier la même zone en même temps
- relire les résultats pour vérifier qu'ils sont bien appliqués
- tester ce qui compte
- prévoir un chemin de retour en cas d'échec
- compter son sommeil et sa vie parmi ce dont tout dépend
- garder une liste « sympa, mais pas maintenant »
Le but n'est pas de travailler moins.
C'est de ne pas casser ce qui rend le jeu amusant, pour pouvoir y jouer longtemps.
12. Conclusion : ce n'est pas le travail qui est amusant, c'est un travail qui permet d'agrandir son propre monde
Quand on se dit « en fait, le travail, c'est peut-être amusant », ce qui amuse n'est sans doute pas le travail en général.
Ce n'est pas d'enchaîner pendant des heures des tâches décidées par d'autres.
C'est trouver soi-même un problème. Fixer soi-même le prochain objectif. Confier la réalisation à l'IA. Voir quelque chose de concret apparaître. Regarder le résultat et avoir l'idée suivante.
C'est cette boucle qui est amusante.
Quelqu'un qui, comme chef de projet, se demandait « comment améliorer ça » passe, en confiant le découpage et la réalisation à l'IA, à la question « quel genre d'entreprise je veux en faire ».
Et quand le manager IA commence à répartir le travail entre les ouvriers IA, on monte encore d'un étage.
La question qui reste à la fin est toute simple :
Qu'est-ce qui serait amusant à créer maintenant ?
Dans un jeu classique, c'est le studio qui répond.
Dans ce jeu-là, c'est le joueur.
Voilà pourquoi ça ne s'arrête pas.
Et c'est justement ça, le meilleur.
Références (7)
- Anthropic Help Center, “What is the Max plan?” / “How do usage and length limits work?” – Zurücksetzen der Sitzungslimits alle fünf Stunden und separate Wochenlimits. und https://support.claude.com/en/articles/11647753-how-do-usage-and-length-limits-work support.claude.com
- Brannon, L. A., Hershberger, P. J., & Brock, T. C. (1999). “Timeless demonstrations of Parkinson's first law.” Psychonomic Bulletin & Review, 6(1), 148–156 pubmed.ncbi.nlm.nih.gov
- Sorrell, S. (2009). “Jevons’ Paradox revisited: The evidence for backfire from improved energy efficiency.” Energy Policy, 37(4), 1456–1469; siehe auch spätere Übersichtsarbeiten zu Rebound-Effekten sciencedirect.com
- American Psychological Association, “Self-determination theory: A quarter century of human motivation research. apa.org
- Gagné, M., & Deci, E. L. (2005). “Self-determination theory and work motivation.” Journal of Organizational Behavior, 26(4), 331–362 selfdeterminationtheory.org
- Xu, G., Subramanian, A., & Karthik, N. (2026). “AI Agent Pull Requests on GitHub: Frequency, Structure, and Merge Conflict Rates.” arXiv:2607.04697 arxiv.org
- Geng, J., & Neubig, G. (2026). “Effective Strategies for Asynchronous Software Engineering Agents.” arXiv:2603.21489 arxiv.org
