L'IA génère plus de travail humain, pas moins, et cela change tout pour ceux qui dirigent
Il existe un récit qui circule confortablement dans les conseils d'administration : l'intelligence artificielle va éliminer des postes, réduire la masse salariale et libérer du capital. C'est un récit commode parce qu'il prend la forme d'une décision financière propre et nette. Le problème, c'est que les données ne le soutiennent pas.
Jeff Bezos l'a dit sans ambages lors d'une récente interview sur CNBC : l'IA ne va pas vider le marché du travail, elle va générer une pénurie de talents. Son analogie était précise. Un ingénieur qui a creusé une tranchée à la pelle pendant des années ne disparaît pas quand on lui donne une excavatrice. Il creuse plus, plus vite, sur des projets qui n'étaient pas viables auparavant. Le travail s'élève, il ne s'éteint pas.
Ce qui se passe à la frontière réelle de l'adoption de l'IA confirme cette thèse d'une manière qui devrait incommoder ceux qui ont pris des décisions d'effectifs sur la base du récit opposé.
Quand l'automatisation multiplie le travail expert
Dan Shipper, PDG d'Every, a publié une analyse qui mérite d'être lue attentivement. Son entreprise a automatisé tout ce qu'il était possible d'automatiser avec des agents d'IA. Le résultat : l'équipe est passée de quatre à plus de trente personnes. Non pas malgré l'automatisation, mais précisément grâce à elle.
La mécanique derrière ce phénomène est moins paradoxale qu'il n'y paraît. Lorsque l'IA prend en charge les parties standardisées d'un processus, elle n'élimine pas le besoin de jugement expert : elle le multiplie. Quelqu'un doit définir ce qui constitue un bon résultat. Quelqu'un doit examiner l'output de l'agent avant qu'il n'arrive au client. Quelqu'un doit décider quoi faire de cet output dans le contexte plus large de l'organisation. L'IA effondre la tâche intermédiaire. Les humains soutiennent les extrémités.
Shipper le décrit avec une géométrie du processus qui a des implications organisationnelles concrètes : au début, les humains établissent le cadre. Au centre, l'IA exécute. À la fin, les humains jugent, étendent et décident. Ce n'est pas un cycle qui réduit la charge humaine. C'est un cycle qui déplace cette charge vers les décisions de plus grande densité cognitive.
Les données d'Anthropic sur l'utilisation de ses modèles avec des utilisateurs réels pointent dans la même direction. Dans les tâches typiques de travail de la connaissance, le temps d'exécution chute d'environ 80 %. Cette économie ne se traduit pas par moins de travail ; elle se traduit par un plus grand volume d'initiatives, une plus grande vitesse dans les cycles de décision et une plus grande surface de coordination humaine. McKinsey estime qu'avec l'adoption d'agents d'IA à grande échelle, environ 57 % des heures de travail aux États-Unis sont techniquement automatisables avec la technologie disponible aujourd'hui. Si ce chiffre se vérifiait, la valeur économique supplémentaire potentielle atteindrait 2 900 milliards de dollars annuels d'ici 2030 sur ce seul marché. Le problème ne réside pas dans la capacité de la technologie. Il réside dans la question de savoir qui supervise, coordonne et intègre ce nouveau volume d'output.
La recherche du MIT Sloan qui a suivi l'impact de l'IA entre 2010 et 2023 a mis en évidence quelque chose qui apparaît rarement dans les titres : lorsque l'IA n'automatise qu'une partie des tâches d'un poste, l'emploi dans ce poste peut croître. Et dans les rôles à hauts salaires avec une forte exposition à l'IA, la croissance de l'emploi a été d'environ 3 % sur cinq ans. Ce n'est pas de la destruction. C'est une reconfiguration.
Le coût organisationnel de croire au mauvais récit
Ce qui m'intéresse dans l'analyse de Shipper, ce n'est pas seulement la mécanique du processus. C'est ce qu'elle révèle sur les conversations que de nombreuses organisations sont en train d'éviter.
Lorsqu'une équipe dirigeante adopte l'IA sous prémisse qu'elle va réduire sa dépendance au talent humain expert, elle construit une stratégie sur une prémisse fausse. Et les stratégies construites sur de fausses prémisses ne s'effondrent pas d'un coup. Elles pourrissent lentement. Le symptôme le plus courant est un backlog croissant de décisions que l'IA ne peut pas prendre, accumulé au-dessus d'une équipe qui a été réduite ou qui n'a pas été formée pour opérer dans le nouveau schéma.
Ce que Shipper identifie comme le nouveau goulot d'étranglement organisationnel est un problème de gouvernance, pas de technologie. L'IA produit à une vitesse que la structure humaine de supervision ne peut pas toujours absorber. Et lorsque cet écart n'est pas nommé, l'organisation commence à fonctionner sur des outputs que personne n'a réellement bien examinés — seulement examinés rapidement. La différence entre les deux a des conséquences qui mettent des mois à devenir visibles et qui se présentent alors comme des erreurs inexplicables.
Il existe un autre effet que peu d'organisations mesurent honnêtement : l'homogénéisation de l'output. Lorsque tout le monde dans un secteur utilise les mêmes modèles pour produire des documents, des analyses, des présentations et des communications, le résultat est une convergence vers la médiocrité lisible. Shipper le dit sans détour : l'abondance génère l'uniformité, et l'uniformité détruit la valeur différentielle. L'analyse financière qui ressemble à celle de tous les concurrents n'apporte aucun avantage. La stratégie de communication qui sonne comme la moyenne du secteur ne construit pas de positionnement. Dans ce contexte, la véritable rareté devient le jugement humain qui produit quelque chose qui ne ressemble pas à ce que l'IA choisirait par défaut.
Goldman Sachs Research est parvenu à une conclusion similaire sous un autre angle. Son analyse constate que jusqu'à présent, il n'existe pas de corrélation statistique significative entre l'exposition locale à l'IA et la croissance du chômage, les taux de licenciements, les salaires ou les heures travaillées. Zéro impact macro mesurable, malgré le volume de narratifs sur la destruction de l'emploi. Ce qu'ils observent en revanche, c'est une redistribution des tâches au sein des postes, accompagnée d'une demande croissante des compétences que l'IA ne peut pas répliquer : coordination complexe, critère contextuel, confiance interpersonnelle.
Le travail que l'organisation ne voit pas encore
Il existe un type de travail que l'adoption de l'IA crée et que peu d'organisations comptabilisent correctement : le travail de maintien des agents en bon fonctionnement.
Shipper dispose dans son entreprise d'une équipe dédiée exclusivement à s'assurer que les agents d'IA opèrent dans des paramètres acceptables. Ce n'est pas un coût temporaire d'implémentation. C'est un coût opérationnel structurel. Les modèles se dégradent dans certains contextes, produisent des outputs qui nécessitent une calibration continue, et le seuil de ce qui compte comme « suffisamment bon » évolue avec le temps et avec les exigences du client. Cela requiert des ingénieurs, du jugement et des décisions qui ne peuvent pas être redéléguées à l'IA.
Boston Consulting Group estime que dans les deux ou trois prochaines années, entre 50 % et 55 % des postes aux États-Unis vont être reconfigurés de manière significative par l'IA. Reconfigurés, pas éliminés. Cette distinction n'est pas sémantique. Elle signifie que l'organisation qui arrive à ce processus sans avoir préparé ses collaborateurs à opérer dans des schémas de supervision, de jugement et d'intégration des outputs va découvrir qu'elle dispose d'outils puissants et d'une capacité humaine désalignée par rapport à ce que ces outils exigent.
L'erreur la plus coûteuse qu'une équipe dirigeante puisse commettre en ce moment n'est pas de se déplacer trop lentement avec la technologie. C'est de se déplacer à vitesse technologique tout en faisant fonctionner la structure humaine à la vitesse du passé. L'IA accélère le cycle de production. Si l'organisation ne construit pas simultanément la capacité de supervision, de gouvernance et de jugement à cette même échelle, ce qui s'accélère n'est pas la valeur. C'est le volume d'outputs que personne ne valide réellement.
La question qu'il vaut la peine de porter au cours des prochains mois n'est pas de savoir combien de postes l'IA peut automatiser. C'est de savoir combien de postes de jugement expert l'organisation doit créer pour que cette automatisation produise quelque chose qui en vaille la peine.
Shipper résume cela par une phrase qui mérite plus d'attention qu'elle n'en reçoit habituellement dans les conversations de niveau C : une fois qu'une situation est réduite à du texte, elle est convertie en corpus. Et le corpus est un cadavre. Ce que l'humain doit faire, c'est précisément ce qui n'a pas encore eu lieu, ce qui ne peut pas être déjà documenté, ce qui doit être nommé maintenant, dans ce contexte, avec ce client, dans ces conditions. C'est là que l'IA n'atteint pas. Et c'est là, paradoxalement, qu'il y a le plus de travail à faire.
