Dans quels usages l'IA est-elle la plus performante aujourd'hui ?

Les mathématiques de compétition sont l'usage où le niveau est le mieux établi. En juillet 2025, une version de Gemini dite Deep Think a résolu 5 des 6 problèmes de l'Olympiade internationale de mathématiques, en langage naturel et dans les 4 h 30 de l'épreuve ; ses copies, notées par les correcteurs de l'Olympiade avec les critères des élèves, ont obtenu 35 points sur 42, le score d'une médaille d'or. La limite est la recherche : sur 68 problèmes ouverts posés par le mathématicien Paul Erdős, retenus par Epoch AI, le meilleur modèle en avait résolu 3 en septembre 2026.

Le code vient ensuite. Sur SWE-bench, un banc d'essai qui demande de corriger de vrais bogues dans des logiciels libres écrits en Python, les meilleurs modèles résolvaient 4,4 % des problèmes en 2023 et 71,7 % en 2024 . Sur SWE-bench Verified, une sélection de 500 de ces problèmes, l'édition 2026 de l'AI Index de Stanford rapporte un passage de 60 % à près de 100 % en un an. Le travail réel des développeurs se mesure moins bien : dans l'essai contrôlé de METR, des développeurs expérimentés de logiciels libres ont mis 19 % de temps en plus avec les outils du début de 2025, et la mise à jour de février 2026 ne permet pas de chiffrer l'effet des outils plus récents, comme le détaille notre analyse sur la productivité. Le code est aussi l'usage où la durée des tâches réussies progresse le plus vite, mesurée par METR (notre analyse sur la vitesse de progression).

Ces 2 usages ont un point commun : le résultat se vérifie. Une preuve se relit, un correctif passe ou non les tests.

La rédaction est l'usage où les essais contrôlés mesurent les gains les plus nets, avec des modèles de 2023. Des professionnels diplômés qui devaient écrire un communiqué, une note ou un courriel délicat ont mis 40 % de temps en moins avec ChatGPT, et leurs textes ont été mieux notés par des professionnels du même métier. Dans une entreprise de service client, l'assistant a fait résoudre 14 % de demandes en plus par heure, 34 % chez les téléconseillers débutants, avec peu d'effet chez les plus expérimentés.

Les livrables de bureau sont mesurés par GDPval, un banc d'essai d'OpenAI : 220 tâches de 44 métiers (une présentation, un tableur, un document), construites par des professionnels de 14 ans d'expérience en moyenne, qui demandent en moyenne près de 7 heures à un humain. Des experts du métier comparent en aveugle le livrable du modèle et celui d'un expert. En septembre 2025, 47,6 % des livrables de Claude Opus 4.1 ont été jugés aussi bons ou meilleurs ; ceux de GPT-5 ont été jugés meilleurs, sans compter les égalités, dans 39,0 % des cas. OpenAI précise que les tâches sont décrites d'avance et traitées en une seule fois, sans échange, alors qu'un travail réel demande souvent de reconstituer son contexte.

La recherche d'information n'a pas un niveau, elle en a plusieurs. Un modèle se trompe peu quand il résume un texte qu'on lui fournit (3 à 15 % de résumés erronés), davantage quand il répond de mémoire, et beaucoup quand il doit retrouver la source d'un article (plus de 60 % de réponses incorrectes). Notre analyse sur la fiabilité des réponses détaille ces mesures. Nous n'avons trouvé aucune mesure publique sur l'analyse de longs documents de plusieurs centaines de pages.

Le jugement hors du domaine du modèle est le seul cas de cette échelle où l'IA a fait baisser le résultat, sur une tâche construite pour la mettre en défaut. En 2023, 758 consultants du Boston Consulting Group ont traité des tâches avec ou sans GPT-4. Sur 18 tâches à la portée du modèle, ceux qui l'utilisaient en ont fini 12,2 % de plus, 25,1 % plus vite. Sur un cas d'entreprise conçu pour que GPT-4 se trompe, où le tableur seul menait à une mauvaise conclusion que des détails des entretiens corrigeaient, ils ont donné la bonne réponse dans 60 % et 70 % des cas selon le groupe, contre 84,5 % sans IA. Les auteurs parlent d'une frontière irrégulière : le modèle échoue sur des tâches qui semblent de même difficulté que celles qu'il réussit. La mesure date de GPT-4 et n'a pas été refaite à l'identique.

Les projets longs menés seuls sont les moins réussis. Le Remote Labor Index, publié en octobre 2025 par Scale AI et le Center for AI Safety, confie à des agents 240 projets réels de travailleurs indépendants, qui avaient demandé plus de 6 000 heures de travail. Dans l'étude, avec des livrables produits surtout en juin 2025, le meilleur agent produisait un résultat jugé acceptable pour 2,5 % des projets. Le classement de Scale AI, qui note les agents sur les mêmes 230 projets non publiés, donne 41 % au meilleur modèle en novembre 2026, sans date de mesure.

La fréquence d'un usage et la performance mesurée ne suivent pas le même ordre. Dans ChatGPT, de mai 2024 à juin 2025, les demandes de conseils pratiques, la recherche d'information et l'écriture font environ 77 % des conversations, le code 4,2 % des messages, d'après une étude d'OpenAI et de chercheurs de Harvard et Duke publiée par le NBER. Au travail, l'écriture fait 40 % des messages, et les 2 tiers des demandes d'écriture portent sur un texte que l'utilisateur fournit. La recherche d'information compte parmi les usages les plus courants et parmi ceux dont les taux d'erreur mesurés varient le plus.