Réduire sa charge mentale grâce à l'IA : la méthode d'efficacité personnelle

Par Paul-Antoine TUAL, AI Transformation Leader, Croissance et Transitions, Août 2026.

Posture. Ce texte est un manuel d’efficacité personnelle à l’heure des agents, et il commence par une correction. Je croyais que l’IA me faisait gagner du temps ; les mesures disent qu’elle allège l’effort et que l’horloge, elle, bouge à peine. Toute la méthode qui suit est bâtie sur ce que les données soutiennent réellement, y compris quand elles m’ont donné tort. J’ai gardé mes pratiques, changé leurs justifications, et retiré deux chiffres que je citais de bonne foi depuis des mois.

Où est le gain, exactement

L’expérience subjective est unanime chez ceux qui travaillent sérieusement avec des agents : la journée pèse moins lourd. La mesure, elle, est beaucoup moins nette, et il faut la regarder en face avant de construire une méthode dessus.

L’étude la plus large disponible sur le sujet a été publiée en mai 2026 par une équipe de Stanford, du MIT et de New York University, sur 1 237 participants [1]. Le protocole compare le temps réellement passé à accomplir une tâche seul et avec un assistant. Résultat : sur les tâches simples, l’assistant ne fait gagner aucun temps, tout en réduisant l’effort ressenti ; il n’accélère réellement que les tâches difficiles, trois dans le protocole. Les participants, eux, prédisaient l’assistant nettement plus rapide partout, à tel point que le temps réel dépasse leur prédiction de près d’une minute. Le même biais disparaît quand on leur demande d’imaginer l’aide d’un autre humain : ils anticipent alors un gain modeste, de l’ordre de dix-sept secondes, et tombent à peu près juste. L’illusion est spécifique à la machine.

Le laboratoire METR a produit la mesure la plus rigoureuse du côté logiciel, et son histoire mérite d’être racontée en entier plutôt qu’en extrait. En juillet 2025, un essai contrôlé randomisé sur 16 développeurs expérimentés et 246 tâches, dans des dépôts qu’ils connaissaient depuis des années, conclut à 19 % de temps en plus avec les outils d’IA. Les mêmes développeurs attendaient un gain de 24 % avant l’essai et estimaient encore, après coup, avoir gagné 20 % [2]. Sept mois plus tard, METR publie la suite : 57 développeurs, 143 dépôts, plus de 800 tâches, et un résultat qui bascule dans l’autre sens, 18 % de gain pour la cohorte d’origine. Sauf que l’intervalle de confiance va de 38 % de gain à 9 % de perte, qu’il traverse donc zéro, et que METR précise elle-même la raison de sa prudence : « nous avons observé une augmentation significative du nombre de développeurs refusant de participer à l’étude parce qu’ils ne souhaitent pas travailler sans IA » [3]. Le laboratoire a barré son propre résultat de 2025 d’un bandeau « ces résultats sont périmés ».

Ces mesures convergent sur un point qui n’est pas celui qu’on attend. La vitesse résiste à la mesure : selon l’année, le protocole et la population, elle monte, elle baisse ou elle ne bouge pas. La baisse de l’effort ressenti, elle, se retrouve dans toutes les études. Pour un dirigeant de PME ou d’ETI, la conséquence pratique est directe : arrêtez de promettre des délais plus courts, promettez des journées moins lourdes, et organisez-vous pour encaisser ce gain-là. C’est un objectif d’efficacité personnelle, au sens propre : ce que vous récupérez, c’est de la capacité de jugement disponible, la ressource exacte dont une PME manque le plus au sommet.

Le gain mesurable, c’est la charge mentale.

Pourquoi ce gain s’évapore si l’on ne s’organise pas

Si l’horloge ne bouge pas alors que l’effort ressenti baisse, c’est que l’effort s’est déplacé vers une activité moins coûteuse à vivre. Elle a un nom sur ce site depuis un an : la taxe de vérification. J’écrivais dans Le travail asynchrone : tout le monde devient chef que tout ce qu’un agent produit doit être relu par quelqu’un qui en répond. La recherche ajoute une précision qui change la pratique : relire est un travail d’une autre nature, pas une version allégée du premier. Rédiger mobilise la production ; vérifier mobilise la détection d’erreur dans un texte syntaxiquement impeccable, ce que le cerveau fait mal parce que la fluidité du texte lui sert de signal de qualité.

D’où la sensation de facilité. Elle est réelle et elle est trompeuse : la fluidité d’une sortie est un mauvais indicateur de sa justesse. Un dirigeant qui valide vite parce que « c’est bien écrit » vient de payer la taxe de vérification en monnaie de singe.

La méthode qui suit tient en trois techniques, une par composante de la charge. La session de décision s’attaque aux bascules d’attention. La gestion d’équipe appliquée aux agents s’attaque à la taxe de vérification. Le réglage des canaux s’attaque à la friction d’interface. Aucune ne demande d’outil nouveau ; toutes demandent de la discipline.

Technique n°1 : la session de décision

Le principe est le cœur de la méthode, et il oppose deux régimes de travail : la session de décision contre l’exécution autonome. Chez moi, la session occupe la matinée, de 8 h à 12 h. Elle concentre tout ce qui engage : arbitrages, choix d’architecture, validation de plans, tout ce qui est irréversible. Elle produit des mandats écrits. Ensuite, et jusqu’au lendemain, plus aucune décision : les agents exécutent en autonomie, et je relis en bloc dans une fenêtre unique en fin d’après-midi.

Avant de détailler la mécanique, une honnêteté nécessaire, parce que c’est ici que je corrige mes propres notes. J’ai justifié cette fenêtre matinale pendant des années par deux arguments que je croyais solides, et les deux sont fragiles. Le premier est la fatigue décisionnelle, l’idée qu’un stock de volonté s’épuise au fil des arbitrages. Elle vient du modèle de la déplétion de l’égo, qu’une réplication conduite en 2016 par 23 laboratoires sur 2 141 participants n’a pas retrouvé (d = 0,04), et qu’une seconde réplication préenregistrée, 36 laboratoires et 3 531 participants, publiée en 2021 dans Psychological Science, n’a pas retrouvé davantage : d = 0,06, avec des données quatre fois plus probables sous l’hypothèse nulle que sous celle d’un épuisement [4]. Le stock de volonté n’existe probablement pas. Le second est le pic cognitif matinal : une étude publiée en 2023 dans Collabra: Psychology conclut, au niveau des variables latentes, à l’absence d’effet de synchronie général et robuste entre chronotype et heure de la journée, et penche pour un artefact méthodologique [5].

L’argument qui tient est structurel, et il suffit largement. En 2009, Sophie Leroy a formalisé le résidu attentionnel : quand on quitte une tâche A inachevée pour une tâche B, une partie de l’attention reste accrochée à A et dégrade la performance sur B, l’effet étant le plus marqué quand A était sous contrainte de temps [6]. Et en 2005, une observation directe de 24 travailleurs du savoir menée à l’université de Californie à Irvine a mesuré la structure réelle d’une journée de bureau : 11 minutes et 4 secondes en moyenne sur une même sphère de travail avant de basculer, 57 % des sphères interrompues, et pour le travail repris le jour même, 25 minutes et 26 secondes en moyenne avant d’y revenir, après être passé par 2,26 autres sujets [7].

Un détail mérite d’être signalé au passage, parce qu’il illustre ce qui arrive quand on cite sans vérifier. Le chiffre célèbre de « 23 minutes et 15 secondes pour se reconcentrer », repris dans des centaines d’articles et de présentations, n’y figure nulle part. Je l’ai cherché ligne à ligne dans le texte original. La mesure publiée est de 25 minutes et 26 secondes, avec un écart-type de 54 minutes et 48 secondes, c’est-à-dire une dispersion deux fois plus grande que la moyenne. La précision à la seconde du chiffre populaire est précisément ce qui aurait dû alerter.

La session de décision ne doit donc rien à un cerveau qui serait meilleur à 9 h. Regrouper les décisions supprime des bascules, et chaque bascule coûte un résidu attentionnel plus un délai de reprise dont la variance est énorme. Le matin n’a qu’une seule propriété solide : c’est le moment de la journée que vous pouvez protéger, parce que le reste du monde ne vous a pas encore rattrapé.

La session produit des mandats, pas des tâches. C’est ce qui la distingue d’une simple plage de « deep work ». Un mandat écrit nomme l’objectif, le périmètre autorisé, les limites, et surtout le point d’arrêt avant toute action irréversible. C’est la même exigence que celle du plan décision-complet décrit dans Nous avons retiré Git d’un produit en production : le document fige les choix, il laisse le résidu mécanique à l’exécution. Écrire un mandat prend vingt minutes et évite trois jours de travail mal orienté. Et si le goulot de votre organisation s’est déplacé de l’exécution vers la décision, ce que j’ai documenté chiffres à l’appui dans Le développement à décision gardée, alors la session de décision n’est pas un confort personnel : c’est l’endroit où passe désormais toute la valeur.

Technique n°2 : l’après-midi, managez vos agents comme une équipe

La deuxième technique découle de la première. Une fois les mandats émis, quelqu’un doit les faire vivre, et ce quelqu’un a changé de métier sans toujours s’en rendre compte. Superviser des agents qui livrent en différé, c’est faire de la gestion d’équipe : fixer l’intention, répartir, relire, en répondre. C’est la thèse de l’article sur le travail asynchrone, et elle a une conséquence rassurante pour un dirigeant : vous savez déjà faire. Tout ce que vous avez appris du management d’humains se transfère au management d’agents, ses défauts compris. Quatre gestes concentrent l’essentiel.

Le mandat est une fiche de poste. Un agent sans mandat clair est un collaborateur sans fiche de poste : on ne peut ni le piloter ni l’auditer. Objectif, périmètre, limites, cas d’escalade. Cela paraît bureaucratique ; c’est l’inverse, parce que c’est ce qui permet de déléguer davantage, en confiance, et de formuler la commande une seule fois plutôt que de la reprendre au fil de la conversation, le passage de la discussion à la commande structurée que décrit La fin du prompt engineering.

Le micro-management ne marche pas mieux avec des agents qu’avec des humains. Relire au fil de l’eau, répondre à chaque notification d’agent qui a terminé quelque chose, c’est fabriquer exactement les bascules que la session du matin vient de supprimer. Une notification d’agent qui interrompt une relecture de contrat coûte le même résidu attentionnel qu’un appel téléphonique. L’après-midi est une zone sans décision : les agents tournent, vous faites autre chose, y compris du travail de fond.

La revue groupée est votre rituel de management. Tout ce qui a été produit se relit d’un bloc, dans une fenêtre unique. C’est aussi le seul moment où l’on peut comparer deux sorties entre elles, ce qui est le meilleur antidote connu au réflexe de validation : lire deux versions oblige à trancher, lire une version incite à approuver.

Ce rituel répond à un risque précis, et c’est ici qu’il faut dire un mot de la « Claude-addiction », puisque le terme circule. Le risque professionnel du manager d’agents n’est pas la dépendance, c’est la complaisance. Une revue de portée publiée le 9 juillet 2026 dans Frontiers in Psychology, qui passe en revue 37 études empiriques évaluées par les pairs, conclut que la plupart des instruments censés diagnostiquer une addiction à l’IA « indexent la fréquence ou la préférence (par exemple, “je préfère toujours utiliser l’IA pour trouver une information”) plutôt que le handicap fonctionnel, confondant ainsi un usage efficace et augmentatif avec une dépendance » [8]. Utiliser un assistant tous les jours parce qu’il marche décrit un outil adopté, pas une pathologie. La complaisance, en revanche, est documentée depuis longtemps : la synthèse de référence de Parasuraman et Manzey établit que le biais d’automatisation s’observe aussi bien chez les novices que chez les experts, et qu’il ne se corrige ni par l’entraînement ni par la consigne [9]. Dire à ses équipes « soyez vigilants » ne produit aucun effet mesurable. Seule la conception du processus en produit : un point d’arrêt, une comparaison, une signature.

Gardez la main sur le métier. Un chef qui ne sait plus faire ne sait plus juger ce qu’il distribue. Une étude randomisée parue dans le British Journal of Educational Technology en 2025 montre que l’assistance générative améliore la performance immédiate tout en dégradant l’auto-régulation de la pensée, ce que les auteurs nomment « paresse métacognitive » [10] ; l’étude EEG du MIT Media Lab sur la « dette cognitive » pointe dans la même direction, avec les réserves qui s’imposent, 54 participants, dont 18 seulement sur la dernière session, et pas de relecture par les pairs [11]. La parade tient en une habitude de manager : au moins une tâche par semaine faite entièrement sans assistance. Pas par ascèse. Pour conserver l’étalon interne qui permet de juger le travail des autres.

Cette technique a une limite que je dois nommer, la même que pour une équipe humaine à qui l’on donnerait la signature. Elle suppose que rien d’irréversible ne puisse se produire entre deux revues. Si un agent peut envoyer un e-mail client, déclencher un paiement ou modifier une base de production sans point d’arrêt, la fenêtre de revue arrive trop tard et le rituel ne protège de rien. C’est la contrainte de conception détaillée dans Ingénierie des systèmes agentiques : l’humain dans la boucle. L’exécution autonome ne fonctionne que si le délai de nuisance est plus long que le délai de contrôle.

Technique n°3 : la voix pour émettre, l’écrit pour valider

Reste la friction la plus quotidienne, et celle sur laquelle chacun doit trouver son réglage : par quel canal parler à la machine, et par quel canal recevoir sa réponse. Les chiffres tranchent plus nettement qu’on ne l’imagine, à condition de séparer les deux sens.

Pour l’émission, la voix gagne. L’étude fondatrice sur le sujet, menée à Stanford en 2016 par Sherry Ruan et ses coauteurs, mesure une saisie vocale 3,0 fois plus rapide que le clavier en anglais, avec un taux d’erreur inférieur de 20,4 % [12]. La mesure date, et elle porte sur des claviers miniatures de téléphone, ce qui n’est pas la situation d’un dirigeant devant un clavier complet. Une mesure bien plus récente élargit le constat : sur plus de 1 000 cliniciens répartis dans plus de 60 établissements et 15 pays, la frappe médiane s’établit à 21,4 mots par minute contre 93 en dictée automatique, soit un facteur 4 à 5 [13]. Deux réserves à poser tout de suite : ce travail est un préprint non évalué par les pairs, et le protocole fait restituer un passage de 74 mots déjà rédigé. Transcrire un texte connu n’est pas composer une pensée neuve, et la dictée d’une intention floue produit un texte à retravailler, ce qui reprend d’une main le temps gagné de l’autre.

Pour la réception, l’écrit gagne, et pour une raison qui n’est pas celle du débit. La méta-analyse de référence de Marc Brysbaert, qui agrège 190 études et 18 573 participants, situe la lecture silencieuse d’un texte documentaire à 238 mots par minute contre 183 pour la lecture à voix haute [14]. L’écart de débit est réel mais modeste. Ce qui compte davantage, c’est qu’un texte se balaie, se relit en diagonale, se compare à un autre texte ouvert à côté, alors qu’un flux audio ou vidéo est strictement linéaire. Un canal linéaire convient à la prise de connaissance et interdit le contrôle.

La règle de réglage qui en découle tient en une ligne. Dictez ce que vous voulez, lisez ce que vous devez valider. La voix sert à sortir une intention de votre tête pendant qu’elle est encore chaude, y compris en marchant, y compris mal formulée, parce que la machine sait remettre en forme ; c’est le canal naturel de la session de décision, où l’on émet des mandats. L’écrit et le schéma servent au moment où vous engagez votre signature ; c’est le canal obligatoire de la fenêtre de revue. Quant à la vidéo et à l’audio générés, ils ont une place réelle, mais en aval : diffuser à une équipe une décision déjà prise, pas la prendre.

Trois questions pour votre lundi matin

Cette méthode ne s’installe pas en changeant d’outil, elle s’installe en répondant à trois questions dont les réponses se vérifient en une semaine.

Combien de fois par jour votre attention bascule-t-elle parce qu’un agent a fini quelque chose ? Si vous ne le savez pas, comptez-le pendant deux jours avant de changer quoi que ce soit.

Quelle est la dernière sortie d’IA que vous avez validée sans la lire vraiment, et qu’est-ce qui vous a fait croire qu’elle était bonne ? Si la réponse est « elle était bien écrite », vous connaissez maintenant le nom du phénomène.

Que savez-vous encore faire sans assistance, et quand l’avez-vous fait pour la dernière fois ?

Le gain réel de l’IA n’est pas dans l’horloge. Il est dans ce qui vous reste de disponible mentalement à 18 h pour trancher la seule chose que personne d’autre ne peut trancher à votre place. Encore faut-il ne pas l’avoir dépensé à relire au fil de l’eau ce que vous aviez mandaté le matin.

Pour installer cette discipline (session de décision, mandats écrits, revue groupée, points d’arrêt avant l’irréversible) dans votre organisation, voir la Méthode Junyr™ et l’audit offert de 30 minutes.

Pour aller plus loin

• Le cadre général : Le travail asynchrone : à l’ère des agents IA, tout le monde devient chef, d’où viennent la taxe de vérification et le risque de déqualification.
• La mécanique de décision : Le développement à décision gardée, qui explique pourquoi le goulot d’étranglement s’est déplacé de l’exécution vers la décision, et Nous avons retiré Git d’un produit en production, le registre de plans qui en découle.
• La contrainte de sécurité : Ingénierie des systèmes agentiques : l’humain dans la boucle, pour dimensionner les points d’arrêt avant les actions irréversibles.
• La formulation des mandats : La fin du prompt engineering, sur le passage de la conversation à la commande structurée.

Paul-Antoine TUAL, AI Transformation Leader · Croissance et Transitions (SAS) · Méthode Junyr™ · Junyr Mail™ · Junyr Agents™

---

Sources

[1] Sunny Yu, Myra Cheng, Ahmad Jabbar, Ilia Sucholutsky, Katherine M. Collins, Dan Jurafsky, Robert D. Hawkins, « Cognitive offloading and the speedup illusion in human-AI interaction », arXiv:2605.23177, 22 mai 2026, accepté à la 48ᵉ conférence annuelle de la Cognitive Science Society. N = 1 237 participants (401 sur l’échantillon de prédiction, 836 sur l’échantillon de réalisation). L’assistance ne réduit le temps que sur les tâches difficiles, trois dans le protocole, et pas du tout sur les tâches simples, où elle réduit malgré tout l’effort subjectif ; le temps réel dépasse le temps prédit de près d’une minute en condition assistée ; le biais est absent lorsque l’aide imaginée est humaine, les participants anticipant alors un gain d’environ dix-sept secondes, proche du réel. Affiliations : Stanford (Yu, Cheng, Jabbar, Jurafsky, Hawkins), New York University (Sucholutsky), MIT et Princeton AI Lab (Collins). Préprint accepté en conférence, à distinguer d’un article de revue. https://arxiv.org/abs/2605.23177

[2] METR, « Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity », 10 juillet 2025, arXiv:2507.09089. Essai contrôlé randomisé, 16 développeurs expérimentés, 246 tâches, dépôts de plus de 22 000 étoiles auxquels ils contribuaient depuis plusieurs années : 19 % de temps en plus avec les outils d’IA, alors qu’ils attendaient un gain de 24 % avant l’essai et estimaient encore un gain de 20 % après. METR a depuis apposé sur cette page un avertissement : « ces résultats sont périmés ». https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/

[3] METR, « We are Changing our Developer Productivity Experiment Design », 24 février 2026. Continuation de l’étude : 57 développeurs, 143 dépôts, plus de 800 tâches, dont 10 développeurs issus de l’étude d’origine. Pour ceux-ci, gain estimé de 18 % avec un intervalle de confiance allant de 38 % de gain à 9 % de perte ; pour les nouveaux recrutés, gain de 4 % avec un intervalle de 15 % de gain à 9 % de perte. Les deux intervalles traversent zéro. Citation reprise dans l’article : « We have observed a significant increase in developers choosing not to participate in the study because they do not wish to work without AI, which likely biases downwards our estimate of AI-assisted speedup. » https://metr.org/blog/2026-02-24-uplift-update/

[4] Kathleen D. Vohs, Brandon J. Schmeichel et alii, « A Multisite Preregistered Paradigmatic Test of the Ego-Depletion Effect », Psychological Science, vol. 32 n° 10, 2021, p. 1566-1581 : 36 laboratoires, 3 531 participants, effet non significatif (d = 0,06), analyse bayésienne donnant les données quatre fois plus probables sous l’hypothèse nulle. Fait suite au rapport de réplication enregistré de Martin Hagger et alii (2016), 23 laboratoires, 2 141 participants, d = 0,04. https://journals.sagepub.com/doi/abs/10.1177/0956797621989733

[5] Alodie Rey-Mermet, Nicolas Rothen, « The Interplay of Time-of-day and Chronotype Results in No General and Robust Cognitive Boost », Collabra: Psychology, vol. 9 n° 1, article 88337, 2023. Absence d’effet de synchronie général et robuste au niveau des variables latentes ; les auteurs concluent à un artefact méthodologique probable. https://online.ucpress.edu/collabra/article/9/1/88337/197502/

[6] Sophie Leroy, « Why is it so hard to do my work? The challenge of attention residue when switching between work tasks », Organizational Behavior and Human Decision Processes, vol. 109 n° 2, 2009, p. 168-181. Classique fondateur, cité comme tel. Aucun pourcentage de baisse de performance n’est avancé dans cet article : les chiffres de « 30 à 40 % » qui circulent sur le web ne s’y trouvent pas et ne sont pas repris ici.

[7] Gloria Mark, Victor M. González, Justin Harris, « No Task Left Behind? Examining the Nature of Fragmented Work », CHI 2005, université de Californie à Irvine. Observation directe de 24 travailleurs du savoir : 11 minutes et 4 secondes en moyenne par sphère de travail avant bascule, 57 % des sphères interrompues, 77,2 % du travail interrompu repris le jour même, en moyenne 25 minutes et 26 secondes plus tard (écart-type 54 minutes et 48 secondes) et après 2,26 autres sphères. Vérification faite dans le texte original : le chiffre de « 23 minutes et 15 secondes » largement attribué à cette étude n’y figure pas. https://ics.uci.edu/~gmark/CHI2005.pdf

[8] Francesca Maria Dagnino, Chiara Fante, Vittorio Guerrieri, Marcello Passarelli, « Addicted, attached, or just delegating? A scoping review on “problematic artificial intelligence use” », Frontiers in Psychology, 9 juillet 2026, DOI 10.3389/fpsyg.2026.1900953. Revue de portée sur 37 études empiriques évaluées par les pairs. Citation traduite dans l’article : « instruments index frequency or preference […] rather than impairment, thereby conflating efficient, augmentative use with dependence. » https://doi.org/10.3389/fpsyg.2026.1900953

[9] Raja Parasuraman, Dietrich H. Manzey, « Complacency and Bias in Human Use of Automation: An Attentional Integration », Human Factors, vol. 52 n° 3, 2010. Synthèse de référence, citée ici comme classique fondateur : la complaisance automatisée et le biais d’automatisation s’observent chez les novices comme chez les experts, et ne sont prévenus ni par l’entraînement ni par la consigne. https://journals.sagepub.com/doi/10.1177/0018720810376055

[10] Yizhou Fan, Luzhen Tang, Huixiao Le, Kejie Shen, Shufang Tan, Yuan Zhao et alii, « Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance », British Journal of Educational Technology, vol. 56 n° 2, 2025, p. 489-530, DOI 10.1111/bjet.13544. Étude expérimentale randomisée comparant quatre conditions de soutien sur une tâche d’écriture. https://bera-journals.onlinelibrary.wiley.com/doi/10.1111/bjet.13544

[11] Nataliya Kosmyna et alii, « Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task », MIT Media Lab, 2025. 54 participants sur les sessions 1 à 3, dont 18 seulement sur la session 4 ; EEG, trois groupes (assistant, moteur de recherche, sans outil). Non évaluée par les pairs, échantillon restreint, tâche unique en contexte éducatif : signalée ici avec ces réserves. https://www.media.mit.edu/publications/your-brain-on-chatgpt/

[12] Sherry Ruan, Jacob O. Wobbrock, Kenny Liou, Andrew Ng, James Landay, « Speech Is 3x Faster than Typing for English and Mandarin Text Entry on Mobile Devices », arXiv:1608.07323v1, 25 août 2016. Saisie vocale 3,0 fois plus rapide en anglais et 2,8 fois en mandarin qu’un clavier miniature de smartphone ; taux d’erreur inférieur de 20,4 % en anglais et de 63,4 % en mandarin. Reconnaissance vocale Deep Speech 2, claviers iOS QWERTY et Pinyin. Classique fondateur du domaine, cité comme tel : la mesure porte sur des claviers de téléphone, pas sur un clavier complet. Précision de référencement : la version 2 déposée en janvier 2018 porte un titre différent, « Comparing Speech and Keyboard Text Entry for Short Messages in Two Languages on Touchscreen Phones ». C’est la version 1 qui est citée ici. https://arxiv.org/abs/1608.07323v1

[13] « A multi-country study comparing typed to automatic speech recognition-based medical documentation speeds among Low- and Middle-Income Country Trained Clinicians », medRxiv 2025.05.11.25327386, 13 mai 2025. Plus de 1 000 cliniciens et personnels de santé, plus de 60 établissements, plus de 15 pays : frappe médiane de 21,4 mots par minute contre 93 en dictée automatique, soit un facteur 4 à 5. Préprint non évalué par les pairs ; le protocole repose sur la restitution d’un passage standardisé de 74 mots, ce qui mesure la transcription et non la composition. https://www.medrxiv.org/content/10.1101/2025.05.11.25327386v1.full

[14] Marc Brysbaert, « How many words do we read per minute? A review and meta-analysis of reading rate », Journal of Memory and Language, vol. 109, 2019. Méta-analyse de 190 études et 18 573 participants : 238 mots par minute en lecture silencieuse de textes documentaires, 260 en fiction, et 183 mots par minute en lecture à voix haute (77 études, 5 965 participants). Les auteurs relèvent que ces valeurs sont inférieures aux chiffres couramment cités. https://biblio.ugent.be/publication/8647789