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. J’ai conservé les pratiques qui m’aident à travailler avec des agents, mais j’en ai resserré les justifications autour de ce que les données permettent réellement d’affirmer : un effet variable sur le temps, un effort parfois ressenti comme moindre et une charge de contrôle à organiser.

• Je traite les résultats de recherche comme des bornes, pas comme une preuve universelle de productivité.
• Je distingue le temps gagné, l’effort perçu, la qualité produite et le coût de la revue.
• Je présente la méthode comme une discipline personnelle à tester sur son propre travail.

Mesurer le temps, l’effort et la qualité

L’impression que l’IA allège la journée peut être sincère sans établir un gain de temps, car les études mesurent des tâches, des populations et des formes d’assistance différentes.

• Le ressenti décrit l’expérience de l’utilisateur ; il ne remplace pas un chronométrage.
• La vitesse dépend du niveau de difficulté, de la maîtrise de l’outil et du coût de vérification.
• Une méthode crédible suit séparément durée, qualité, reprises et effort perçu.

L’étude préenregistrée de Yu et al., présentée à la Cognitive Science Society en 2026, montre surtout un décalage entre vitesse anticipée et vitesse mesurée sur des tâches cognitives simples, avec 1 237 participants [1].

• Le temps d’exécution ne diffère pas significativement entre la condition autonome et la condition assistée par IA sur l’ensemble principal de tâches simples.
• Les participants anticipent pourtant une assistance IA plus rapide et sous-estiment le temps qu’elle demandera.
• L’effort subjectif baisse malgré un temps comparable, ce qui justifie de distinguer confort et accélération.
• Les quelques tâches difficiles du protocole suggèrent un effet différent selon la difficulté, sans autoriser une généralisation à tout travail de direction.

Les expériences de METR sur le développement logiciel illustrent pourquoi un chiffre isolé vieillit mal : le premier essai mesure un ralentissement, tandis que le suivant suggère une accélération sans fournir, selon METR, un signal actuel fiable [2][3].

• En 2025, 16 développeurs expérimentés accomplissent 246 tâches 19 % plus lentement avec IA, tout en estimant avoir gagné du temps.
• En 2026, la cohorte d’origine affiche un gain estimé de 18 %, mais l’intervalle de confiance s’étend de 38 % de gain à 9 % de perte.
• La nouvelle expérience porte sur 57 développeurs, 143 dépôts et plus de 800 tâches, avec des biais de sélection et de mesure reconnus par les auteurs.
• METR considère désormais le résultat de 2025 comme périmé pour décrire les outils actuels, sans pour autant valider un pourcentage de gain de remplacement.

Ces résultats ne permettent ni de promettre une accélération générale ni de réduire l’IA à un simple confort ; ils invitent à choisir des indicateurs qui rendent visibles ses différents effets sur le travail.

• Chronométrez le flux complet, y compris la formulation, l’attente, la revue et les reprises.
• Évaluez la qualité avec des critères définis avant l’exécution.
• Notez l’effort perçu à protocole constant pour voir si la journée devient réellement moins lourde.
• Réservez le terme « productivité » à une amélioration observée du rapport entre résultats et ressources.

Organiser la délégation pour préserver le jugement

L’IA déplace souvent une partie du travail vers ce que j’appelle la « taxe de vérification » : la personne responsable ne produit plus tout le contenu, mais doit encore établir que la sortie mérite d’être utilisée.

• Produire demande de construire une réponse ; vérifier demande de rechercher omissions, erreurs et hypothèses cachées.
• Une formulation fluide peut faciliter la lecture sans garantir l’exactitude.
• La revue doit donc disposer de critères, de sources et d’un responsable identifiable.
• Le travail asynchrone développe ce déplacement de l’exécution vers la supervision.

La sensation de facilité devient dangereuse lorsqu’elle sert de critère d’approbation, car une sortie agréable à lire peut rester fausse, incomplète ou inadaptée au contexte.

• Demandez quelles affirmations doivent être sourcées.
• Comparez la sortie à un exemple de référence ou à une seconde proposition.
• Faites apparaître explicitement les incertitudes et les décisions laissées à l’humain.

La méthode répartit cette charge en trois problèmes distincts afin que chaque routine réponde à un mécanisme précis plutôt qu’à une promesse générale d’efficacité.

• Une session de décision réduit les bascules pendant les arbitrages.
• Une supervision structurée organise la délégation et la vérification.
• Un choix de canal adapté réduit la friction entre expression et contrôle.

Technique n°1 : la session de décision

Dans ma pratique, la session de décision occupe 8 h–12 h et sépare les arbitrages qui engagent de l’exécution autonome, mais l’horaire importe moins que la netteté de la frontière.

• Pendant la session : arbitrages, choix d’architecture, validation de plans et rédaction des mandats.
• Après la session : exécution autonome dans le périmètre autorisé.
• En fin de journée : une fenêtre de revue groupée pour accepter, corriger ou arrêter.
• Pour une autre organisation : déplacer les créneaux plutôt que copier mes horaires.

Deux explications populaires ne suffisent pas à justifier un créneau matinal universel : les grandes réplications fragilisent la version simple de la déplétion de l’égo, et une étude récente ne retrouve pas de bénéfice général robuste lié au chronotype [4][5].

• La réplication de 2016, menée dans 23 laboratoires auprès de 2 141 participants, rapporte un effet très faible (d = 0,04).
• Celle de 2021, préenregistrée dans 36 laboratoires auprès de 3 531 participants, rapporte d = 0,06 et des données quatre fois plus probables sous l’hypothèse nulle.
• Ces résultats contestent un modèle général de « stock de volonté », sans prouver que toute fatigue subjective ou toute variation individuelle n’existe pas.
• Rey-Mermet et Rothen ne trouvent pas d’effet de synchronie général et robuste entre chronotype et heure au niveau des variables latentes.

L’argument le mieux étayé est structurel : limiter les changements de contexte réduit les occasions de laisser une tâche inachevée capter encore l’attention, même si les mesures historiques ne prédisent pas le coût exact de votre journée [6][7].

• Leroy décrit un résidu attentionnel lors du passage d’une tâche inachevée à une autre, particulièrement lorsque la première était soumise à une contrainte de temps.
• Mark et ses coauteurs observent 24 travailleurs du savoir restant en moyenne 11 min 04 s dans une même sphère de travail.
• Dans cette petite étude de terrain, 57 % des sphères sont interrompues.
• Le travail interrompu puis repris le même jour l’est en moyenne 25 min 26 s plus tard, après 2,26 autres sphères.

La formule souvent reprise des « 23 minutes et 15 secondes pour se reconcentrer » ne figure pas dans l’étude de Mark et doit être remplacée par la mesure publiée, avec son contexte et sa forte dispersion [7].

• L’étude mesure un délai de reprise, pas un temps universel nécessaire pour retrouver sa concentration.
• La moyenne publiée est de 25 min 26 s pour les activités reprises le même jour.
• L’écart-type atteint 54 min 48 s, ce qui interdit d’appliquer la moyenne à une interruption individuelle.

La session de décision vaut surtout comme règle de calendrier : choisissez la plage que vous pouvez réellement protéger et réduisez les interruptions autour des arbitrages les plus coûteux.

• Gardez les notifications, la messagerie et les réunions de suivi hors de la plage.
• Regroupez les décisions qui partagent le même dossier ou les mêmes contraintes.
• Autorisez les urgences selon des critères écrits plutôt qu’au fil des sollicitations.
• Vérifiez après une semaine si le nombre de bascules et de reprises a effectivement diminué.

La session produit un mandat assez précis pour permettre l’exécution et assez borné pour arrêter l’agent avant une conséquence que seul le responsable peut autoriser.

• Objectif : le résultat recherché et son destinataire.
• Périmètre : les fichiers, données, outils ou interlocuteurs autorisés.
• Qualité : les critères d’acceptation, sources et vérifications attendues.
• Limites : les hypothèses interdites, les cas d’escalade et le point d’arrêt avant l’irréversible.
• Les articles sur le plan décision-complet et le développement à décision gardée détaillent cette mécanique.

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

Superviser des agents emprunte au management la clarté des rôles, la délégation et la responsabilité finale, tout en exigeant des contrôles propres à des systèmes capables d’agir vite sans comprendre le contexte humain.

• Cadrer le travail avant son lancement.
• Laisser l’exécution avancer dans des limites explicites.
• Regrouper la revue sans retarder un contrôle nécessaire.
• Conserver les décisions et actions engageantes sous autorité humaine.
• L’article sur le travail asynchrone développe cette responsabilité de supervision.

Le mandat joue le rôle d’un contrat d’exécution : il rend la délégation contrôlable sans supposer qu’une conversation informelle suffira à maintenir le cap.

• Il définit le résultat, le périmètre et les critères d’acceptation.
• Il précise quand poursuivre, demander une décision ou s’arrêter.
• Il laisse une trace commune pour la revue et l’amélioration du processus.
• La fin du prompt engineering explique ce passage vers une commande structurée.

La supervision au fil de l’eau recrée les interruptions que la méthode cherche à réduire, sauf lorsqu’un risque ou une dépendance impose une intervention avant la revue prévue.

• Désactivez les notifications de progression sans décision à prendre.
• Faites remonter immédiatement un blocage, une dérive de périmètre ou une action irréversible.
• Pendant l’exécution, consacrez-vous à un travail indépendant qui peut supporter l’éventuelle escalade.

La revue groupée transforme une suite de notifications en un acte de contrôle cohérent, où plusieurs sorties peuvent être examinées selon les mêmes critères.

• Réunissez la sortie, les sources, les tests et les écarts signalés.
• Comparez les variantes lorsqu’une décision de forme ou de stratégie subsiste.
• Consignez l’acceptation, la correction demandée ou la raison du rejet.
• Gardez une revue immédiate pour ce qui ne peut attendre sans risque.

Le risque opérationnel à traiter ici est l’approbation insuffisamment critique ; la recherche sur les usages problématiques de l’IA reste trop hétérogène pour assimiler une utilisation fréquente à une addiction, tandis que le biais d’automatisation est documenté [8][9].

• La revue de portée de 2026 recense 37 études empiriques et critique des instruments qui mesurent parfois fréquence ou préférence plutôt que préjudice fonctionnel.
• La synthèse de Parasuraman et Manzey rapporte complaisance et biais d’automatisation chez des novices comme chez des experts.
• Leur analyse indique que formation et consignes générales ne suffisent pas toujours à prévenir ces biais ; elle ne prouve pas qu’elles sont inutiles dans tout contexte.
• Les garde-fous concrets sont des critères de revue, une comparaison, un point d’arrêt et une approbation attribuée.

Conserver une pratique directe du métier est une précaution raisonnable pour entretenir ses critères de jugement, mais les études disponibles portent sur des tâches d’apprentissage ou d’écriture et ne démontrent pas une fréquence universelle d’entraînement sans IA [10][11].

• L’étude randomisée de 2025 compare quatre formes d’assistance sur une tâche d’écriture et observe des effets sur la motivation, le processus et la performance.
• L’étude EEG du MIT reste un préprint portant sur 54 participants, dont 18 seulement lors de la dernière session, dans un cadre éducatif étroit.
• Dans la pratique, choisissez périodiquement une tâche critique à réaliser ou auditer sans assistance afin de tester votre propre étalon.
• Ajustez la fréquence au métier, au niveau d’expertise et au coût d’une erreur plutôt que d’imposer une règle hebdomadaire arbitraire.

La revue différée n’est sûre que si les actions potentiellement irréversibles attendent une autorisation ou restent récupérables jusqu’au prochain contrôle.

• Bloquez l’envoi d’un e-mail client avant approbation.
• Exigez une validation pour un paiement, une suppression ou une modification de production.
• Définissez les droits techniques selon le mandat, puis retirez-les à la fin du travail.
• Dimensionnez les points d’arrêt selon la gravité et la vitesse du dommage possible, comme détaillé dans l’article sur l’humain dans la boucle.

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

Le choix du canal devient plus simple lorsqu’on sépare l’émission d’une intention de la réception d’une sortie à contrôler, puis qu’on adapte le format à la tâche et au contexte.

• La voix facilite parfois la capture rapide d’un brouillon.
• Le texte soutient la vérification détaillée et la comparaison.
• Le schéma expose les relations que la prose dissimule.
• L’audio et la vidéo servent surtout la restitution séquentielle.

Les mesures disponibles montrent que la reconnaissance vocale peut transcrire plus vite qu’un clavier dans certains protocoles, sans établir qu’elle produit plus vite une pensée précise ou une meilleure instruction [12][13].

• En 2016, la saisie vocale est trois fois plus rapide en anglais qu’un petit clavier de téléphone, avec un taux d’erreur inférieur de 20,4 %.
• En 2025, un préprint auprès de plus de 1 000 cliniciens mesure une médiane de 93 mots/min en dictée automatique contre 21,4 à la frappe.
• Le second protocole fait réciter un passage standard de 74 mots ; il mesure la transcription, pas la composition.
• Utilisez donc la voix pour capturer, puis ajoutez structure, contraintes et validation dans un format relisible.

Pour contrôler une sortie, l’écrit offre des possibilités de navigation et de comparaison que le débit moyen de lecture ne résume pas, même si la méta-analyse de Brysbaert fournit un repère utile [14].

• Sur 190 études et 18 573 participants, la moyenne rapportée est de 238 mots/min pour la lecture silencieuse de non-fiction.
• La lecture à voix haute atteint 183 mots/min dans 77 études et 5 965 participants ; elle n’est pas équivalente à l’écoute d’un enregistrement.
• Un document permet de rechercher un terme, revenir sur une clause et comparer deux versions côte à côte.
• Un flux linéaire peut présenter une décision déjà prise, mais convient moins à l’audit détaillé de son contenu.

Ma règle pratique est « dictez pour capturer, lisez pour valider », avec des exceptions dictées par la précision attendue, la confidentialité et l’accessibilité.

• Dictez une intention encore brute, puis faites-la reformuler sans lui déléguer les choix manquants.
• Passez au texte ou au schéma pour fixer le mandat et rendre les écarts visibles.
• Utilisez l’audio ou la vidéo pour diffuser un contenu déjà vérifié.
• Conservez la décision finale dans un support qui permet de retrouver les preuves et les versions.

Trois questions pour votre lundi matin

Une semaine d’observation suffit pour vérifier si la méthode réduit votre charge sans dégrader la qualité, à partir de trois questions concrètes.

• Combien de fois votre attention change-t-elle parce qu’un agent demande une intervention ou annonce une sortie ?
• Quelle sortie avez-vous récemment approuvée sans appliquer vos critères de revue, et quel signal vous a convaincu ?
• Quelle compétence critique savez-vous encore exercer sans assistance, et quand l’avez-vous testée pour la dernière fois ?

Le résultat recherché est une capacité de jugement plus disponible au moment des décisions importantes, évaluée avec les mêmes exigences que les gains de temps annoncés.

• Comparez une semaine de référence et une semaine avec plages groupées.
• Suivez les interruptions, le temps complet, les erreurs détectées et l’effort perçu.
• Conservez la routine seulement si elle améliore cet ensemble sans déplacer le coût vers quelqu’un d’autre.

L’audit de maturité IA Junyr, gratuit et sans engagement, consacre 30 minutes à situer votre organisation, identifier son principal blocage et choisir un premier chantier raisonnable, puis vous envoie un livrable d’une page.

• Positionnement sur l’Échelle Junyr™ à partir de vos usages, données, gouvernance et compétences.
• Identification du frein principal au niveau suivant.
• Choix d’un premier projet qui a du sens dans votre contexte.

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 est passé de l’exécution à 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