La femme de cette scène n’existe pas. Elle est une esquisse construite à partir des règles d’un véritable centre d’appels, et tout ce qu’elle fait est autorisé par ces règles. Il est neuf heures du matin chez un courtier en assurance en ligne, et son casque émet un clic. Le système lui attribue sans lui demander son premier prospect de la journée. C’est un homme qui est arrivé jusqu’à l’écran de paiement la veille au soir, puis a fermé la page. Elle peut essayer de le convaincre ou le renvoyer dans la file commune pour quelqu’un d’autre. Elle ne gagnerait rien si un collègue lui vendait le contrat, et la file en contient une douzaine d’autres comme lui.

Elle le renvoie. Cela ne sera pas retenu contre elle.

Ce que le courtier a changé

Le centre d’appels est réel, mais pas son nom. Les auteurs d’une nouvelle prépublication l’appellent Platform X, un pseudonyme conservé dans le cadre d’un accord de confidentialité. C’est un courtier en ligne agréé, fondé en 2017, qui vend des assurances santé, maladies graves, accidents et vie pour des dizaines d’assureurs. Ses agents téléphonent aux personnes qui ont interrompu un achat en cours, soit environ dix mille appels par jour ouvré dans l’échantillon étudié. Un client arrivé jusqu’à l’écran de paiement est un prospect chaud. Celui qui a quitté plus tôt est un prospect froid.

Jusqu’en 2024, les prospects chauds et froids partageaient une file, et le système attribuait le suivant au premier agent disponible. Le 28 août 2024, l’entreprise a modifié l’aiguillage. Un agent vocal d’IA, qui appelait le soir depuis décembre 2023 et servait de renfort en journée depuis juin 2024, prenait désormais les prospects froids par défaut. Les humains gardaient la priorité sur les chauds. La part des prospects froids confiés à l’IA est passée de moins de 25 % à plus de 60 %. Le raisonnement de la direction, tel que rapporté dans l’article, était simple : une IA dont le coût par appel est presque nul peut traiter des prospects souvent non rentables pour les humains, libérant ceux-ci pour les prospects rémunérateurs.

L’article de Xinyu Fu, Shulong Luo, Narayan Ramasubbu, Peng Shen, Xincheng Wang et Yucheng Wang n’a pas été évalué par les pairs et repose sur cette seule entreprise. Son protocole est une discontinuité de régression dans le temps : il compare les appels des 60 jours avant la bascule à ceux des 60 jours suivants, soit 409 622 traités par les humains et 157 468 par l’IA, sur environ 13 000 journées-agent. Les auteurs indiquent que rémunération, scripts, formation, évaluation et recrutement n’ont pas changé, et que le nombre d’appels par journée-agent n’a pas bondi à la date de bascule.

Un meilleur travail, de moins bons résultats

L’aiguillage a fait ce que souhaitait la direction. Sur les trois premiers appels de la journée d’un agent, la probabilité d’obtenir un prospect chaud a augmenté de 23,4 points de pourcentage. Le gain diminuait au fil du service, jusqu’à zéro lors des derniers appels.

La conversion a suivi le mouvement inverse. Sur ces trois premiers appels, la part des prospects transformés en ventes a baissé de 4,5 points de pourcentage, puis de 2,5 sur les trois suivants. Elle restait inchangée au milieu de la journée et augmentait de 3,4 points tout à la fin. Les ventes baissaient le plus là où les prospects s’amélioraient le plus.

Selon les auteurs, les agents ont changé deux comportements. Ils renvoyaient plus souvent le prospect dans la file, de 8,1 points de pourcentage sur les trois premiers appels, et parlaient environ 13 % moins longtemps sur les appels conservés. Les agents touchent un salaire de base modeste et des commissions qui constituent l’essentiel de leur rémunération nette ; renvoyer un prospect n’entraînait aucune sanction et n’entrait pas dans leur évaluation. Ni les taux de commission ni la récompense d’une vente n’ont changé.

La théorie du prospect suivant

Les analyses antérieures de l’IA au travail, telles que les résument les auteurs, attendent des gains d’une répartition des tâches entre humains et machines selon l’avantage comparatif, comme l’avançaient Acemoglu et Restrepo en 2019, ou d’une IA qui aide le travailleur, comme dans l’étude du service client de Brynjolfsson, Li et Raymond. Aucune ne prédit qu’attribuer un meilleur travail aux humains dégraderait leurs résultats. Les auteurs se tournent plutôt vers une idée de l’économie de la recherche d’emploi : la personne compare ce qu’elle a en main à ce qui devrait se présenter. Stigler écrivait sur l’économie de l’information en 1961, McCall sur la recherche en 1970, et Lippman et McCall ont fait la synthèse du domaine en 1976. Appliquée au centre d’appels, la logique est qu’un agent attendant un bon prospect ensuite accepte moins volontiers de peiner sur un prospect médiocre maintenant. L’IA avait relevé ses attentes envers toute la file. L’effet devait être maximal tôt dans la journée, quand de nombreux prospects restaient, et c’était le cas.

Les auteurs ont aussi testé des explications concurrentes. Selon l’une d’elles, les agents ralentissaient simplement, avec des intervalles plus longs entre les appels. Ils ne trouvent pas de tel écart aux premières positions. Les autres explications concernaient la composition des clients et du personnel, ainsi que l’apprentissage au travail. Ils jugent que l’explication par la valeur de réserve convient le mieux, avec leur propre réserve : la réattribution et la durée des appels n’expliquent qu’une part modeste de la baisse de conversion. L’effet de « comportement » doit donc plutôt être lu comme l’ensemble de ce que les agents faisaient différemment, et non comme la preuve de ces deux seuls comportements.

Compter les gains

C’est dans les calculs que l’article devient inconfortable. Dans le modèle des auteurs, le meilleur ordre des prospects chauds augmente leur rendement de 0,58 %, tandis que le changement de comportement le réduit de 17,6 %, soit environ trente fois plus. La conversion des prospects chauds est passée de 4,4 à 3,7 %. Sur tous les appels humains, elle est passée de 3,2 à 2,9 %. Les auteurs résument l’effet quotidien sur les performances humaines comme proche de zéro, à mettre en regard de cette baisse sur les prospects chauds eux-mêmes.

Les totaux de l’entreprise paraissent meilleurs qu’ils ne le sont. Les humains ont passé 31,8 % d’appels en moins après la bascule, et l’IA environ quatre fois et demie plus. Les conversions pour 50 appels humains ont augmenté de 6,3 %, mais l’article attribue cela à la redistribution du volume, le dénominateur ayant diminué plus vite que le numérateur. Par jour, les humains perdaient 50,5 conversions de prospects chauds et l’IA en récupérait 7,7 sur les froids, un rapport d’environ sept pour un. Ce sont les calculs des auteurs sur leurs propres données ; ils imputent le phénomène à l’aiguillage plutôt que d’en faire un verdict sur la décision de l’entreprise.

Les auteurs ne concluent pas que les entreprises devraient donner un moins bon travail aux humains ou retirer l’IA. Ils proposent d’échelonner la mise à disposition des prospects chauds dans la journée ou d’y mêler du travail moins rémunérateur, pour que le prochain appel ne paraisse pas tellement meilleur que l’actuel. Dans leur modèle, rétablir le rythme des prospects chauds d’avant l’expansion augmenterait les conversions par appel d’environ 13,5 %, avec un intervalle de 10,5 à 16,6 %. Ce chiffre vient d’une calibration, pas d’une expérience. Les auteurs énumèrent eux-mêmes les questions ouvertes : l’effet persiste-t-il avec une file peu fournie, dans le traitement des sinistres ou la modération de contenus, ou lorsque les travailleurs ne peuvent pas renvoyer les tâches ?

Une matinée ordinaire

Retour à l’esquisse de la femme à son bureau, toujours inventée. À dix heures, elle a renvoyé quatre prospects et en a gardé deux ; les deux appels se sont terminés plus tôt qu’elle ne l’aurait permis un an auparavant. Dans cette esquisse, elle ne se sent pas paresseuse. Elle a l’impression d’attendre le bon, parce que l’heure écoulée lui a montré combien ils sont nombreux. L’article ne peut pas dire ce que pensait un agent. Il peut seulement dire que, parmi les appels mesurés, les meilleurs prospects de la journée étaient ceux qu’on laissait partir le plus facilement.

Références

  • Acemoglu, D., & Restrepo, P. (2019). Artificial intelligence, automation, and work. In A. Agrawal, J. Gans, & A. Goldfarb (Eds.), The Economics of Artificial Intelligence: An Agenda (pp. 197-236). University of Chicago Press.
  • Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at Work. Quarterly Journal of Economics, 140(2), 889-942.
  • Fu, X., Luo, S., Ramasubbu, N., Shen, P., Wang, X., & Wang, Y. (2026). When Better Opportunities Backfire: Service Worker Responses to Parallel AI Deployment in Customer Acquisition. arxiv.org
  • Lippman, S. A., & McCall, J. J. (1976). The Economics of Job Search: A Survey. Economic Inquiry, 14(2), 155-189.
  • McCall, J. J. (1970). Economics of Information and Job Search. Quarterly Journal of Economics, 84(1), 113-126.
  • Stigler, G. J. (1961). The Economics of Information. Journal of Political Economy, 69(3), 213-225.