Données réelles d'utilisation des LLM : une étude de 7 mois révèle les habitudes de travail

Résumé Rapide

Une étude de 7 mois révolutionnaire a fourni les premières données concrètes sur la façon dont les employés utilisent réellement les grands modèles de langage (LLM) au travail. Contrairement aux prévisions des analystes ou aux présentations des fournisseurs, cette recherche est basée sur des comptages de transactions directes provenant des journaux d'utilisateurs réels.

L'étude a suivi 527 employés de juin à décembre 2025, offrant un aperçu sans précédent de l'adoption pratique de l'IA. Les résultats remettent en question les hypothèses courantes sur l'utilisation de l'IA au travail et révèlent des implications de coût importantes pour les entreprises qui choisissent entre les modèles d'abonnement et à la consommation.

Conception de l'Étude

L'entreprise a décidé de donner l'exemple, fournissant à tous les employés un service clair pour tester différents modèles du marché. L'objectif était d'observer les gains de productivité pratiques plutôt que les bénéfices théoriques. Une décision cruciale a été de choisir une tarification à la consommation plutôt que des abonnements fixes, ce qui s'est avéré essentiel pour une mesure précise.

Les chercheurs ont suivi 122 346 requêtes sur la période de sept mois. Les données ont révélé que 416 utilisateurs sur 527 s'étaient activement engagés avec les outils au moins une fois. Cela représente un taux d'adoption de 79% parmi les employés ayant accès à la technologie.

« Les grands modèles montrent aux utilisateurs, mais cachent soigneusement le nombre de requêtes et le trafic. Parce qu'il est extrêmement faible. »

L'étude a utilisé un agrégateur de réseaux neuronaux qui incluait des capacités de génération d'images. Cette approche complète a permis de suivre des cas d'utilisation diversifiés à travers différents modèles d'IA, notamment Gemini 3 Pro Preview, les derniers modèles GPT et les offres d'Anthropic.

Modèles d'Utilisation & Coûts

Les données financières révèlent des contrastes saisissants entre les modèles à la consommation et par abonnement. Les dépenses totales ont atteint 6 851 $ (environ 535 000 roubles) sur sept mois. Cela se décompose en 184 roubles par utilisateur actif par mois — un chiffre qui serait nettement plus élevé avec des abonnements.

Si l'entreprise avait choisi des abonnements standards à 20 $ par mois, les coûts auraient été 8,5 fois plus élevés pour le même niveau d'utilisation. Cela met en évidence l'inefficacité économique des tarifs forfaitaires pour des modèles d'utilisation de l'IA variables.

Répartition clé des coûts :

• 64% du budget alloué à la génération d'images
• L'usage textuel pur coûtait seulement 62 roubles par utilisateur par mois
• Coût annuel par utilisateur actif : 184 $
• 79% des employés ont activement utilisé les outils

Les données montrent que la génération d'images a consommé la majorité des ressources, suggérant que la création de contenu visuel est une application principale de l'IA au travail. Les requêtes basées sur le texte, bien que précieuses, représentaient une plus petite partie de l'utilisation globale.

Le Défi du Prompt

Un facteur critique limitant l'adoption de l'IA est la barrière de la formulation des prompts. La recherche de Jakob Nielsen indique que seulement 20% de la population peut structurer efficacement des prompts pour des résultats optimaux. Cet écart de compétences explique pourquoi de nombreux employés essaient brièvement les outils IA puis les abandonnent.

L'étude a observé que les utilisateurs qui comprenaient comment appliquer les modèles à leurs besoins de travail spécifiques sont devenus des utilisateurs fidèles et récurrents. Ce schéma suggère que la formation et l'éducation sont aussi importantes que l'accès aux outils pour une intégration réussie de l'IA.

« Ils essaient quelques fois et partent. »

La moyenne de 42 requêtes par utilisateur par mois indique un engagement modéré plutôt qu'une forte dépendance. Ce modèle d'utilisation soutient l'argument en faveur de modèles de tarification flexibles plutôt que d'abonnements fixes, car la plupart des employés n'ont pas besoin d'une assistance IA quotidienne.

Implications Pratiques

L'étude fournit des aperçus actionnables pour les organisations envisageant l'implémentation de l'IA. Premièrement, l'utilisation réelle diffère considérablement des projections des fournisseurs. Les entreprises devraient baser leur budgétisation sur des données de transaction réelles plutôt que sur des maximums théoriques.

Deuxièmement, la dominance de la génération d'images (64% du budget) suggère que les outils visuels d'IA peuvent être plus précieux pour la productivité au travail que les modèles textuels seuls. Les organisations devraient en tenir compte lors de la sélection des plateformes d'IA.

Troisièmement, l'efficacité des coûts des modèles à la consommation devient évidente à grande échelle. Pour 527 employés, la différence entre les tarifications par abonnement et à l'usage représente des économies substantielles sans sacrifier l'accès aux modèles de pointe.

Enfin, le taux d'utilisation active de 79% démontre que lorsque les employés ont accès à des services d'IA clairs et accessibles, l'adoption suit naturellement. La clé est de fournir les bons outils avec des modèles de tarification appropriés qui correspondent aux modèles d'utilisation réels.

Principaux Enseignements

Cette étude de 7 mois fournit les premières preuves concrètes de la façon dont les LLM sont réellement utilisés dans les environnements de travail. Les données remettent en question plusieurs hypothèses courantes sur l'adoption et la rentabilité de l'IA.

Les organisations devraient envisager des modèles à la consommation plutôt que des abonnements, car ils alignent les coûts sur l'utilisation réelle. La différence de coût de 8,5x

La formation reste cruciale pour l'adoption. Seuls 20% des utilisateurs peuvent interpeller efficacement les systèmes d'IA, suggérant que des programmes éducatifs devraient accompagner le déploiement des outils.

Enfin, l'accent sur l'IA visuelle (64% du budget sur les images) indique que la valeur de l'IA au travail s'étend au-delà du traitement du texte. Les entreprises devraient évaluer leurs besoins spécifiques avant de s'engager dans une seule solution d'IA.