1. Le travail ne finit jamais, mais on n’a pas envie qu’il finisse
L’histoire habituelle dit que si l’IA accélère le travail, l’humain aura plus de temps libre.
En pratique, l’inverse peut arriver. Quand recherche, brainstorming, spécification, implémentation, correction et vérification peuvent être délégués à la chaîne, la capacité libérée ne devient pas forcément du vide.
Elle devient du temps pour produire de nouvelles idées.
Une idée arrive pendant une promenade. Une autre pendant une sortie. On en discute avec une IA sur téléphone, on transforme l’idée en spécification, puis on l’envoie à un agent d’implémentation. Au retour, quelque chose a déjà avancé.
On a moins l’impression que le travail envahit la vie que de voir le monde réel devenir une carte où récolter des idées.
Et contrairement à un jeu normal, le joueur peut créer lui-même de nouveau contenu d’endgame.
Un chewing-gum qui garde son goût pour toujours.
2. Même la limite de cinq heures ressemble à un cooldown plutôt qu’à une fin
La documentation actuelle d’Anthropic décrit, pour les offres Claude payantes, des limites d’usage par session réinitialisées toutes les cinq heures, ainsi que des limites hebdomadaires séparées réinitialisées à une heure fixe propre au compte.[1]
Ce qui est intéressant, c’est qu’atteindre une limite ne signifie plus forcément « fin de journée ».
Si le travail est bien découpé, une session peut s’arrêter pendant qu’une tâche indépendante continue. Après réinitialisation, la première ligne reprend. La contrainte commence à ressembler à de l’endurance ou à un cooldown de jeu.
Il ne s’agit pas de contourner les limites ou les conditions du service. Il s’agit de structurer le travail autorisé en unités indépendantes et d’utiliser l’attente pour les dépendances ou l’idée suivante.
Le modèle mental passe de « l’IA s’est arrêtée » à « ce travailleur est en pause ; lançons une autre ligne ».
3. La loi de Parkinson s’étend du temps à la génération d’idées
La loi de Parkinson est souvent résumée ainsi : « le travail s’étend jusqu’à remplir le temps disponible ». La formule vient d’un essai satirique de 1955, et des recherches ultérieures ont aussi testé des versions de l’effet au niveau individuel.[2]
L’IA transforme le phénomène.
Autrefois, une tâche de huit heures pouvait prendre huit heures. Si l’IA réduit l’exécution à une heure, les sept heures restantes ne restent pas nécessairement vides.
Elles servent à trouver un autre problème, ajouter une fonction, connecter un service, élever les standards ou ressusciter une idée autrefois trop coûteuse.
Ce n’est donc pas seulement le travail existant qui remplit le temps.
Du temps libéré par l’efficacité germe du nouveau travail.
Plus l’IA est rapide, plus la capacité humaine à remarquer et inventer devient une infrastructure de production.
4. Plus de productivité peut créer plus de demande de travail : un rebond à la Jevons
L’analogie avec le paradoxe de Jevons et l’effet rebond est utile.
Ces concepts viennent de l’économie de l’énergie : quand l’efficacité réduit le coût effectif d’usage, la consommation peut augmenter et annuler une partie des économies attendues. L’ampleur dépend du contexte et un fort « backfire » n’est pas une loi universelle.[3]
En faire directement une loi scientifique du travail avec IA serait excessif. Comme métaphore, cela fonctionne très bien.
Si une idée demande trois jours d’implémentation, neuf idées sur dix peuvent mourir.
Si trente minutes d’instructions et de revue suffisent, ces neuf idées peuvent revenir.
Une productivité multipliée par dix ne signifie donc pas forcément dix fois moins de travail. Elle peut rendre rentables des tâches auparavant abandonnées.
Quand le coût d’exécution chute, la demande d’idées s’élargit.
L’IA peut supprimer du travail et, en même temps, créer plus de travail qui mérite d’être fait.
5. Pourquoi est-ce si amusant ? Autonomie, compétence et feedback rapide
La Self-Determination Theory identifie l’autonomie, la compétence et la relation comme des besoins psychologiques fondamentaux liés à la motivation et au bien-être, et distingue la motivation autonome de formes plus contrôlées.[4][5]
Les projets personnels avec IA activent fréquemment plusieurs de ces ingrédients.
On ne remplit pas un tableur donné par quelqu’un d’autre.
On choisit soi-même ce qui paraît intéressant.
Une spécification prend forme en quelques minutes.
Peu après, quelque chose fonctionne réellement.
Si ça casse, on répare.
Si on améliore le processus, le bénéfice reste pour les exécutions suivantes.
Autonomie, sentiment de maîtrise et feedback clair reviennent à haute fréquence.
Dans un jeu, la barre d’expérience est un nombre.
Avec l’IA, c’est quelque chose qui n’existait pas hier et qui tourne automatiquement aujourd’hui.
La boucle de récompense est puissante.
6. Pourquoi cela peut être plus fort qu’un jeu : on peut construire l’endgame lui-même
Tout jeu conventionnel, aussi grand soit-il, existe dans un monde préparé par ses développeurs.
On bat le boss final, complète son équipement, finit le contenu difficile, puis peut arriver le moment où « il n’y a plus rien à faire ».
Avec un projet personnel alimenté par l’IA, on peut alors créer une nouvelle quête.
Un site est construit ? On le localise. Localisé ? On le distribue. Distribué ? On mesure la réaction. Mesurée ? On génère automatiquement les prochaines idées. Cela aussi est automatisé ? On ajoute audio, vidéo, nouveau marché, nouveau produit.
À chaque fois que le contenu est terminé, le joueur publie lui-même un DLC.
Cela ressemble à Minecraft ou Factorio, sauf que les systèmes touchent de vrais lecteurs, clients, revenus, apprentissages et heures économisées.
La réalité répond.
Le goût dure donc très longtemps.
7. Le rôle est promu tout seul : PM, puis PO, puis dirigeant
Au début, on agit comme un Project Manager :
Comment terminer ? Où est le goulot ? Qui fait quoi ?
Puis on se rapproche du Product Manager / Product Owner :
Que faut-il construire ? Quelle valeur donner à l’utilisateur ? Quelle amélioration prioriser ?
Quand l’IA prend aussi la décomposition, l’assignation, l’implémentation et la première vérification, les questions humaines montent encore :
Quel produit reçoit des ressources ? Quel marché développer ? Quelle activité arrêter ? Quels systèmes connecter ? Quelle capacité construire ensuite ?
On ne corrige plus une fonction.
On conçoit une petite entreprise.
| Couche | Question humaine |
|---|---|
| Implémentation | Comment construire ? |
| PM | Comment terminer ? |
| PdM / PO | Quoi construire ? |
| Direction | Où allouer les ressources ? |
| Portefeuille | Que développer, que supprimer ? |
L’IA ne donne pas magiquement un « grade » supérieur à l’humain.
La délégation rend simplement accessibles à une personne des couches d’abstraction qui demandaient auparavant une équipe et du capital.
C’est cela qui est fascinant.
8. Une seule personne peut quand même avoir un organigramme
L’étape suivante est encore plus étrange : l’humain n’a même plus besoin de gérer directement chaque travailleur IA.
Par exemple :
- Humain : but, priorité, goût, décision finale
- IA conversationnelle : recherche, brainstorming, brouillon de spécification
- IA manager : décomposition, dépendances, dispatch, plan d’intégration
- Agents de code : implémentation, tests, réparations
- Monitoring : readback, diff, détection d’échecs
Ce n’est plus humain → travailleur IA.
C’est humain → manager IA → travailleurs IA.
Quand cela fonctionne, l’humain s’éloigne du micromanagement et se rapproche de la question « que doit faire l’entreprise ensuite ? »
Zéro salarié.
Un organigramme étonnamment élaboré.
L’entreprise d’une personne du futur est une créature étrange.
9. « Plus d’agents en parallèle » compte moins que « ne pas les laisser se percuter »
Plus de travailleurs IA créent un nouveau problème.
Dix travailleurs ultra-rapides réparant le même câble ne vont pas dix fois plus vite.
Ils peuvent seulement le casser plus vite.
Une étude de 2026 sur les pull requests d’agents IA sur GitHub a observé beaucoup de concurrence et, dans l’échantillon analysé, des taux de conflits textuels plus élevés pour des paires concurrentes entre agents différents que pour des paires d’un même agent.[6]
Une autre étude de 2026 a proposé CAID : délégation centralisée, exécution asynchrone, espaces isolés et intégration structurée. Sur les tâches évaluées, l’approche a dépassé des baselines à agent unique.[7]
La question n’est donc pas seulement le nombre d’agents :
- éviter les éditions simultanées de la même responsabilité
- définir des frontières
- modéliser les dépendances
- isoler les espaces
- intégrer et tester à la fin
Le prochain goulot n’est pas le calcul.
C’est l’organisation.
Quand une IA manager prend cette couche, l’humain est encore poussé vers le fauteuil du CEO.
10. La ressource rare passe du temps de code à l’attention, au goût et à la direction
Quand l’IA traite beaucoup d’implémentation, la rareté change.
Ce n’est plus le volume de code.
Même les idées peuvent être générées en masse.
Ce qui reste rare, c’est le jugement :
Qu’est-ce qui est vraiment intéressant ? Qu’est-ce qui est laid ou incohérent ? Jusqu’où aller ? Est-ce utile maintenant ? Que faut-il supprimer ? Que faut-il vérifier ? Quel échec est isolé et lequel révèle un système cassé ?
La gestion n’est pas de faire 100 choses parce que l’IA peut en faire 100.
Dans un monde où 100 choses sont possibles, gérer signifie choisir les trois qui comptent.
Le goulot a bougé.
De l’exécution vers la direction.
11. Le piège de l’endgame infini : il faut aussi concevoir les conditions de game over
Le contenu infini est fantastique.
L’infini lui-même peut devenir dangereux.
L’IA peut fonctionner 24 heures. L’humain n’en a pas besoin.
On peut dormir moins parce que le projet est amusant, élargir le scope sans fin parce que tout devient faisable, envoyer trop de changements avant vérification, perdre la trace de qui a touché quoi.
L’automatisation construite pour la liberté devient alors une entreprise privée d’exploitation très performante.
La solution peut aussi être pensée comme du game design :
- des gates pour les changements destructifs
- pas d’édition simultanée de la même responsabilité
- readback des résultats
- tests des chemins importants
- voies de récupération
- sommeil et vie humaine comme dépendances
- backlog « amusant, mais pas maintenant »
Le but n’est pas de réduire le travail.
Il est de garder le jeu amusant longtemps.
12. Conclusion : le travail n’est pas automatiquement amusant ; pouvoir agrandir son propre monde peut l’être
Quand quelqu’un se dit « peut-être que travailler est amusant », ce qui est amusant n’est probablement pas le travail en général.
Ce n’est pas passer de longues heures sur des tâches définies par d’autres.
C’est trouver soi-même un problème, choisir le prochain objectif, déléguer l’exécution, voir quelque chose de réel apparaître, puis utiliser ce résultat pour inventer la suite.
Cette boucle est amusante.
Quelqu’un qui pensait auparavant comme un PM à « comment améliorer » peut commencer à penser « quelle entreprise construisons-nous ? » quand l’IA prend la décomposition et l’implémentation.
Quand une IA manager distribue le travail aux IA exécutantes, l’humain monte encore d’une couche.
La dernière question est presque trop simple :
Qu’est-ce qui serait amusant à construire ensuite ?
Dans un jeu normal, le studio répond.
Dans ce jeu, le joueur répond.
C’est pour cela qu’il ne finit pas.
Et c’est précisément pour cela qu’il est amusant.
Sources
- Anthropic Help Center, “What is the Max plan?” / “How do usage and length limits work?” — five-hour session resets and separate weekly usage limits. and 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; see also later reviews of rebound effects 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
