Automatiser sans détruire la fabrique de l’expérience
Il y a quelque temps, je me suis intéressé à ces sites internet capables de fonctionner presque seuls grâce à des agents d’intelligence artificielle.
Un agent surveille les sources.
Un autre sélectionne les informations.
Un troisième les analyse et rédige.
Un quatrième publie et mesure les résultats.
La promesse est séduisante : produire davantage, plus vite, avec moins d’interventions humaines.
Mais cette réflexion m’a conduit à une question plus large.
Lorsque l’IA réalise les tâches autrefois confiées aux profils juniors, comment ces derniers apprennent-ils leur métier ?
Car une automatisation ne supprime pas seulement une charge de travail. Elle peut aussi supprimer une situation d’apprentissage.
La transformation commence peut-être avant les licenciements
Quand nous cherchons à mesurer les effets de l’IA sur l’emploi, nous regardons généralement les suppressions de postes.
Ce sont les manifestations les plus visibles : restructurations, plans de départs, réduction des effectifs.
Mais la transformation pourrait commencer beaucoup plus discrètement :
- par un poste junior qui n’est pas renouvelé ;
- par un stage qui n’est plus proposé ;
- par un premier niveau d’analyse confié à une IA ;
- par une équipe qui continue de fonctionner, mais recrute moins de débutants.
Une étude du Stanford Digital Economy Lab, fondée sur des données de paie américaines, observe ainsi une baisse relative de 16 % de l’emploi des 22-25 ans dans les professions les plus exposées à l’IA. Dans les mêmes métiers, la situation des travailleurs plus expérimentés apparaît nettement plus stable.
Les auteurs restent prudents : leurs résultats sont américains, descriptifs et ne permettent pas d’attribuer toute l’évolution observée à l’IA. Ils constatent néanmoins que l’ajustement semble principalement passer par l’emploi et le recrutement, plutôt que par une baisse des rémunérations. Lire l’étude du Stanford Digital Economy Lab
Le signal mérite d’autant plus notre attention que les jeunes rencontrent déjà davantage de difficultés pour entrer sur le marché du travail. En 2026, l’Organisation internationale du travail estime leur taux de chômage mondial à 12,4 %. Environ 260 millions de jeunes ne sont ni en emploi, ni en études, ni en formation. Consulter le rapport 2026 de l’OIT
L’hypothèse n’est donc pas que l’IA ferait soudainement disparaître des professions entières.
Elle est plus insidieuse :
L’IA pourrait préserver les métiers tout en réduisant progressivement le nombre de chemins permettant d’y entrer.
Les petites tâches ne sont pas toujours de petites expériences
Dans une approche strictement productive, certaines activités confiées aux débutants semblent être des candidates évidentes à l’automatisation :
- rechercher et classer des informations ;
- préparer la première version d’un document ;
- synthétiser un dossier ;
- contrôler la cohérence de données ;
- produire un compte rendu ;
- effectuer une première analyse ;
- documenter une procédure.
Ces tâches sont répétitives. Elles prennent du temps. Leur résultat peut parfois être obtenu en quelques secondes avec une IA.
Mais leur valeur ne se limite pas à ce qu’elles produisent.
En recherchant des informations, le débutant apprend à distinguer une source solide d’une affirmation fragile.
En préparant un document, il découvre les attentes implicites de son organisation.
En contrôlant des données, il apprend à repérer les anomalies.
En observant les corrections d’un collègue expérimenté, il comprend progressivement pourquoi une réponse apparemment correcte peut être inadaptée à une situation réelle.
Ces activités constituent les premières marches de l’expertise.
Elles permettent d’accumuler des cas, de rencontrer des erreurs, de recevoir des retours et de transformer progressivement des règles abstraites en jugement professionnel.
Si nous supprimons ces marches sans construire un autre escalier, nous ne supprimons pas seulement du travail junior. Nous fragilisons la manière dont l’organisation renouvelle ses experts.
Qui contrôlera l’IA quand ceux qui savent contrôler seront partis ?
Reprenons l’exemple d’un site alimenté par des agents autonomes.
L’IA peut surveiller plusieurs centaines de sources, retenir les informations importantes, produire une synthèse et préparer un article.
Un professionnel expérimenté peut ensuite relire le résultat, détecter un raisonnement douteux, rétablir une nuance ou écarter une source peu fiable.
Le système paraît efficace.
Mais une question reste ouverte : comment le prochain professionnel apprendra-t-il à effectuer ce contrôle ?
S’il n’a jamais comparé lui-même les sources, construit une analyse ou confronté plusieurs interprétations, il risque de savoir utiliser l’outil sans pouvoir réellement évaluer son résultat.
Nous pouvons alors créer un paradoxe : automatiser le travail des débutants tout en demandant aux experts de superviser l’IA, sans organiser la formation des futurs experts.
La performance assistée ne doit pourtant pas être confondue avec la compétence autonome.
Une expérience menée auprès de 1 174 adultes montre que l’IA peut réduire fortement les écarts de performance pendant son utilisation. Mais lorsqu’elle est retirée, une part importante de ces écarts réapparaît. La progression ultérieure semble surtout se produire lorsque l’usage intensif de l’outil s’accompagne d’un effort personnel soutenu. Cette étude reste un préprint réalisé sur une tâche simulée, mais elle souligne une distinction essentielle : obtenir un bon résultat avec une IA ne signifie pas nécessairement avoir appris à le produire ou à l’évaluer. Consulter l’étude
Des travaux de Microsoft Research aboutissent à une alerte complémentaire : plus les travailleurs déclarent avoir confiance dans les réponses de l’IA, moins ils disent mobiliser leur pensée critique. L’activité intellectuelle se déplace alors vers la vérification, l’intégration et la supervision du résultat. Encore faut-il posséder les compétences nécessaires pour le faire. Lire la recherche publiée à CHI 2025
Automatiser sans détruire la fabrique de l’expérience
Il ne s’agit pas de conserver artificiellement toutes les tâches répétitives.
Obliger des débutants à effectuer manuellement un travail sans valeur, au seul motif que « nous sommes tous passés par là », ne constitue pas une politique de formation.
L’enjeu consiste à distinguer ce qui peut disparaître de ce qui doit être remplacé.
Avant d’automatiser une activité, une entreprise pourrait examiner six questions.
1. Quelle valeur cette activité produit-elle aujourd’hui ?
Quel est son résultat concret ? Pour qui est-il utile ? Quel niveau de qualité exige-t-il ?
Cette première question permet de clarifier ce que l’on cherche réellement à automatiser.
2. Que permet-elle d’apprendre ?
La tâche expose-t-elle le collaborateur à des clients, des données, des incidents, des textes, des décisions ou des situations qu’il doit rencontrer pour comprendre son métier ?
Une activité peut avoir une faible valeur productive immédiate et une forte valeur formative.
3. Comment développe-t-elle le jugement professionnel ?
Quelles anomalies apprend-on à reconnaître ? Quelles nuances découvre-t-on ? Quelles décisions ne peuvent pas être réduites à une règle ?
C’est souvent dans l’écart entre la procédure et la situation réelle que se construit l’expertise.
4. Qui vérifiera demain le résultat de l’IA ?
Un humain restera-t-il responsable ? Disposera-t-il du temps, des informations et de l’autorité nécessaires pour remettre en cause la proposition de la machine ?
« L’humain dans la boucle » ne suffit pas si cet humain ne peut pas comprendre ce qu’il valide.
5. Comment cette personne acquerra-t-elle l’expertise nécessaire ?
Quels parcours permettront de former les futurs contrôleurs, décideurs et experts ?
Si la réponse repose uniquement sur les salariés expérimentés actuellement en poste, l’organisation reporte le problème sans le résoudre.
6. Quelle situation d’apprentissage remplacera la tâche automatisée ?
Cela peut prendre différentes formes :
- analyse de cas réels ;
- comparaison entre une production humaine et une production assistée ;
- vérification systématique des sources ;
- résolution régulière de situations sans IA ;
- participation progressive à des décisions plus complexes ;
- tutorat centré sur le raisonnement, et pas seulement sur le résultat ;
- droit de contester et de corriger les recommandations du système.
La question n’est donc pas de préserver chaque ancienne tâche. Elle est de reconstruire explicitement ce que cette tâche permettait d’apprendre implicitement.
Mesurer autre chose que le temps gagné
Une automatisation est généralement évaluée à partir du nombre d’heures économisées, du coût réduit ou du volume produit.
Ces indicateurs sont nécessaires, mais incomplets.
Une organisation devrait également observer :
- l’évolution du nombre de postes juniors ;
- le temps nécessaire pour devenir autonome ;
- la capacité à détecter les erreurs de l’IA ;
- le niveau de dépendance à l’outil ;
- la transmission entre collaborateurs expérimentés et débutants ;
- l’existence d’un vivier capable d’assumer demain les responsabilités actuelles.
Un gain de productivité immédiat peut masquer une dette de compétences.
Cette dette reste invisible pendant quelque temps. Les experts en poste compensent les erreurs, vérifient les résultats et prennent les décisions difficiles.
Elle apparaît plus tard, lorsque l’organisation découvre qu’elle dispose de nombreux utilisateurs d’IA, mais de moins en moins de personnes capables d’en contester les réponses.
Automatiser la production, pas l’apprentissage
Les sites autonomes, les agents d’IA et les processus automatisés ne constituent pas en eux-mêmes une menace.
Ils peuvent libérer du temps, élargir les capacités d’une petite équipe et rendre accessibles des services jusque-là trop coûteux.
Mais leur conception doit intégrer une question que les calculs de productivité oublient souvent :
Quel travail humain voulons-nous rendre inutile, et quelle expérience risquons-nous de rendre impossible ?
Une tâche réellement dépourvue de valeur et d’apprentissage peut être automatisée.
Une tâche qui formait le regard, le raisonnement ou le jugement peut également l’être — mais seulement si l’organisation sait par quoi elle remplacera cette expérience.
Le défi n’est donc pas simplement d’apprendre aux jeunes professionnels à utiliser l’IA.
Il est de leur permettre de devenir suffisamment compétents pour savoir quand ne pas lui faire confiance.
Dans votre organisation, quelle tâche confiée aux débutants est en train d’être automatisée — et qu’avez-vous prévu pour remplacer ce qu’elle leur apprenait ?