Pourquoi l’IA accélère les employés mais pas les organisations : c’est la thèse qu’Atlassian pousse en 2026, chiffres à l’appui. Selon son étude State of Teams 2026, 89 % des dirigeants interrogés voient bien une hausse de la vitesse de travail au niveau individuel, mais 6 % seulement disent pouvoir citer des exemples précis de retour sur investissement à l’échelle de l’entreprise. Autrement dit, l’IA produit du débit, pas encore de la valeur collective. Lors d’un échange public relayé par la source d’origine, la responsable du Teamwork Lab d’Atlassian, la Dr Molly Sands, a résumé le problème : les entreprises optimisent l’usage individuel de l’IA alors que le travail, lui, se joue d’abord en équipe.
Le constat repose sur une base de données que l’éditeur présente comme large : plus de 12 000 travailleurs du savoir interrogés dans six pays, ainsi qu’environ 170 à 200 dirigeants de groupes du Fortune 1000 selon les supports cités par Atlassian. Le tableau qui en ressort est moins flatteur que les promesses habituelles autour des copilotes. 85 % des knowledge workers disent utiliser l’IA au travail, mais 29 % seulement affirment l’avoir intégrée à leurs workflows. Et 69 % jugent justement que leurs processus ne sont pas optimisés pour elle.
Atlassian voit un décalage massif entre vitesse individuelle et ROI organisationnel
Le cœur du message d’Atlassian tient dans ce décalage. L’IA accélère la rédaction, le résumé, la génération de code ou la production de contenus. En revanche, ces gains restent souvent bloqués au niveau de la personne qui utilise l’outil. La valeur ne remonte pas automatiquement à l’équipe, puis à l’organisation.
Cette lecture est aussi visible dans un autre chiffre martelé par l’éditeur : 24 % seulement des dirigeants ciblent leurs déploiements IA au niveau des équipes, alors qu’Atlassian estime que 80 % du travail se produit à cette échelle. Le raisonnement est simple : si l’investissement porte surtout sur des assistants personnels, il optimise la tâche isolée, pas la chaîne de travail complète.
Molly Sands défend d’ailleurs une idée récurrente dans les prises de parole d’Atlassian : le problème principal ne serait pas un manque d’outils, mais l’incapacité à changer la manière de travailler. Beaucoup d’entreprises suivent encore deux chemins qu’Atlassian juge insuffisants : soit une approche très descendante, où un outil IA est imposé sans refonte des processus, soit l’inverse, avec une adoption diffuse où chacun expérimente ses propres prompts, agents et usages de son côté.
Dans les deux cas, le résultat peut être le même : les salariés vont plus vite, mais pas forcément dans la même direction.
Le coût caché, selon Atlassian : coordination en panne et « fragmentation tax » à 161 milliards de dollars
Pour expliquer pourquoi l’IA ne transforme pas encore les organisations, Atlassian met en avant ce qu’il appelle la « fragmentation tax ». L’idée : les gains de productivité sont absorbés par la désynchronisation entre équipes, les outils non intégrés, les priorités contradictoires et le travail dupliqué.
L’éditeur chiffre ce coût à 161 milliards de dollars par an pour les entreprises du Fortune 500. Il s’agit d’une estimation propriétaire, basée selon Atlassian sur une extrapolation d’environ 6 heures de coordination perdues par semaine entre équipes performantes et équipes en difficulté. La méthode détaillée n’est pas documentée publiquement dans le rapport de recherche fourni ; il faut donc la lire comme une analyse interne d’Atlassian, pas comme un consensus académique.
Les indicateurs avancés restent néanmoins cohérents avec le diagnostic. 87 % des travailleurs du savoir disent manquer de temps ou de capacité pour se coordonner. 84 % évoquent des objectifs et priorités flous ou contradictoires. Et 75 % des salariés observent régulièrement du travail en doublon.
Atlassian insiste aussi sur la montée du work about work, tout ce qui entoure l’exécution sans produire directement de valeur : mises à jour de statut, validations, synchronisation entre outils, revues et arbitrages. L’IA augmente la quantité de matière produite, mais elle peut aussi gonfler la charge de tri et de vérification. On génère plus vite ; on aligne, on relit et on valide toujours lentement.
L’image la plus parlante du rapport est peut-être celle-ci : faute d’intégration, les humains deviennent les API entre les outils IA et les applications de travail. Ils copient un contexte dans un prompt, exportent une réponse dans un document, résument une réunion dans un ticket, puis retranscrivent une décision ailleurs. Le débit théorique de l’IA se heurte alors à une plomberie organisationnelle restée manuelle.
Les équipes qui s’en sortent partagent le contexte, refondent les workflows et cadrent l’expérimentation
Atlassian identifie toutefois une minorité d’environ 14 % d’équipes capables de convertir l’usage de l’IA en valeur tangible. Elles ont, selon l’éditeur, trois points communs : le contexte, les workflows et la culture.
Premier point, le contexte. Ces équipes documentent les objectifs, décisions, dépendances et responsabilités dans des artefacts partagés plutôt que dans la mémoire des individus. Atlassian appelle cela un « context graph » : un graphe de contexte qui relie items de travail, objectifs, personnes et décisions dans des outils comme Jira ou Confluence. L’enjeu est limpide : donner à l’IA accès à une version partagée de la réalité de l’équipe, au lieu de la nourrir de fragments locaux.
Deuxième point, les workflows. Les équipes les plus efficaces ne se contentent pas d’accélérer une tâche isolée ; elles repensent le processus de bout en bout. Une équipe technique va regarder toute la chaîne, du backlog au déploiement. Une équipe marketing, de la conception de campagne au reporting. C’est là que la formule de Molly Sands sur le information flow prend tout son sens : le retour sur investissement dépend moins de l’organigramme que de la façon dont l’information circule.
Troisième point, la culture. Les dirigeants des équipes les plus avancées encouragent explicitement les tests et admettent qu’une partie d’entre eux échouera. Atlassian met en avant les AI working agreements, des règles fixées au démarrage d’un projet : ce que l’équipe fait avec l’IA, ce qu’elle refuse de lui déléguer, quels agents ou prompts sont partagés, et quelles compétences communes doivent être développées.
Le Teamwork Lab a aussi expérimenté des contraintes temporaires pour accélérer l’apprentissage. Deux exemples sont cités : découper chaque tâche en unité de travail minimale, ou s’imposer pendant une semaine de ne pas écrire de code à la main. Atlassian précise que ces contraintes n’ont pas vocation à durer ; elles servent à comprendre rapidement jusqu’où l’IA aide, et où elle complique le travail.
Ce que cela change pour les entreprises : mesurer la valeur, pas l’adoption
Le fond de l’argument d’Atlassian est probablement là. Beaucoup d’organisations suivent aujourd’hui des métriques d’adoption : nombre d’utilisateurs, nombre de prompts, temps gagné sur une tâche. Pour Molly Sands, cela ne suffit pas. Les équipes qui progressent rattachent l’IA à un problème précis et à un indicateur d’impact, qu’il s’agisse de temps de cycle, de défauts, de satisfaction client ou d’un autre résultat métier. Le rapport ne donne pas ici de cas chiffré détaillé par entreprise, mais il insiste sur ce changement de focale.
Atlassian ajoute un autre signal d’alerte : 37 % des dirigeants disent que l’IA leur a fait perdre du temps lorsqu’elle est utilisée en solo, sans ancrage dans un workflow d’équipe. C’est une donnée qui résume assez bien le renversement à l’œuvre. L’outil censé faire gagner quelques minutes peut coûter davantage en revue, en coordination et en réconciliation derrière.
Pour les entreprises déjà équipées en outils collaboratifs, la conséquence pratique est moins de déployer un assistant de plus que d’organiser le contexte partagé : rattacher les productions importantes à un ticket, une page ou une épic, centraliser les décisions, expliciter les usages permis et interdits. C’est aussi le type de problématique que l’on voit remonter de plus en plus dans les sujets suivis par TechPi autour de l’IA au travail : la question n’est plus seulement « qui utilise l’outil ? », mais « comment l’équipe travaille avec ? ».
La prochaine étape à surveiller sera donc moins l’annonce d’un nouveau copilot que la capacité des entreprises à prouver un ROI au niveau collectif. Atlassian continuera de pousser ses concepts de context graph et d’AI working agreements. Reste à voir si ces idées sortiront du cadre marketing pour devenir, dans les prochains mois, une méthode de travail adoptée bien au-delà des équipes déjà convaincues.
