Le point de départ : le paradoxe de l'automatisation
Nous traversons une phase de la transformation numérique où beaucoup de travailleurs du savoir, qu'ils soient développeurs, consultants, avocats ou stratèges, ressentent une angoisse existentielle sourde (et parfois bruyante). L'idée répandue est la suivante : si une IA peut produire en quelques secondes des analyses complexes ou écrire du code, l'humain devient superflu.
Pourtant, celui qui tente d'utiliser l'IA comme un simple « pilote automatique » tombe dans le piège de l'abdication mentale. Qui se contente de déléguer aveuglément ses tâches ne perd pas seulement ses propres compétences : il ne développe pas non plus le moindre flair pour l'IA. Le vrai problème n'est donc pas d'être remplacé par des machines, mais la perte insidieuse de notre propre expertise (le deskilling).
Le moment Schumpeter : la destruction créatrice au bureau
Pour comprendre ce bouleversement, un détour par l'économiste Joseph Schumpeter et son concept de « destruction créatrice » (Creative Destruction) est utile. Toute innovation radicale doit détruire d'anciennes structures et d'anciens modèles économiques pour faire place à de nouveaux, plus porteurs de valeur. C'est exactement ce boulet de démolition qui balaie en ce moment nos open spaces : l'IA détruit à toute vitesse la valeur économique du travail cognitif besogneux et isolé.
Chez Schumpeter, cette destruction vient des concurrents, pas de l'auto-optimisation. D'où une conclusion plus tranchante : je peux attendre que le marché m'applique la destruction, ou je peux l'opérer moi-même, à titre préventif, à mon propre bureau. Cette destruction fait mal. Mais le concept de Schumpeter nous enseigne aussi que sur les ruines de l'ancien paradigme, quelque chose de nouveau finit toujours par naître.
Centaurisation : regarder l'échiquier, et au-delà
Quand Garry Kasparov a perdu contre Deep Blue d'IBM en 1997, il n'a pas déclaré les échecs morts. Il a inventé l'« Advanced Chess », où des humains jouaient avec des machines. Résultat stupéfiant des tournois freestyle du milieu des années 2000 : un joueur humain médiocre, plus une machine, plus un excellent processus, battait non seulement le superordinateur le plus puissant, mais aussi des grands maîtres dépourvus d'un tel processus. Le centaure était né : l'humain apporte la stratégie, l'intuition et le cadre éthique (le buste), la machine fournit la puissance de calcul et la tactique (le corps de cheval).
Mais une analyse honnête exige de raconter aussi la fin de l'histoire : aux échecs, le centaure a entre-temps disparu. Les moteurs modernes sont si supérieurs que l'intervention humaine dégrade aujourd'hui statistiquement le résultat. Le modèle du centaure aurait-il donc une date de péremption ?
Non, et la raison est décisive : les échecs sont un système fermé. Information parfaite, règles fixes, fonction de gain univoque. Exactement les conditions dans lesquelles les machines peuvent évincer complètement l'humain. Le travail intellectuel, c'est l'inverse : un système ouvert. Ce que « gagner » veut dire est négociable, selon le contexte, les parties prenantes, l'éthique et des objectifs qui se déplacent encore pendant le travail lui-même. Un moteur peut trouver la meilleure réponse à une question posée. Mais quelle question il faudrait poser, à qui la réponse profite et quels dommages collatéraux sont acceptables, ce n'est pas un problème de calcul : c'est une affaire de cadrage.
La leçon des échecs n'est donc pas « le centaure gagne toujours », mais, plus précisément : le centaure survit là où la fonction de gain n'est pas définie. Et c'est précisément là que nous devrions déplacer notre part humaine : loin des tâches qu'on peut faire entrer de force dans des systèmes fermés (car là, nous perdons), vers la définition des objectifs, des contextes et des garde-fous.
Du terrain : ma propre destruction créatrice
Pour adopter ce modèle du centaure dans mon propre travail, je dois d'abord accepter la destruction créatrice à mon propre bureau. Pour mettre en place des processus vraiment productifs, appuyés sur l'IA, je dois :
- Repenser radicalement mes propres processus : je dois redéfinir où se situe ma véritable valeur ajoutée humaine et ce qui relève de la pure routine.
- Tailler dans le vieux bois : des workflows et des habitudes éprouvés, mais inefficaces à l'ère de l'IA, doivent tout simplement mourir.
- Apprendre de nouveaux outils : savoir se servir de ChatGPT ne suffit pas. Il s'agit d'outils entièrement nouveaux et de leur enchaînement.
La souveraineté comme prémisse
Outre la refonte des processus, il y a un second chantier, qui constitue ma véritable singularité face à la simple « optimisation de prompts » :
- Poser la conformité comme prémisse : il ne me suffit plus de penser vaguement à la « protection des données ». Un usage souverain de l'IA exige une conformité absolue. Je dois définir des garde-fous clairs : est-ce qu'un prompt viole mes NDA ? À qui appartient la propriété intellectuelle du résultat ? Comment garantir qu'aucune donnée client sensible ni aucun secret d'entreprise ne fuite vers des modèles publics ? Sans ce cadre juridique, l'outil le plus puissant devient un risque incalculable.
- Séparer strictement les flux (cloud vs local) : conséquence directe du point 4, je dois établir un ensemble de règles : quelles tâches non critiques peuvent profiter de la puissance de calcul massive du cloud, et quelles données sensibles doivent rester strictement isolées.
- Muscler le matériel : la conséquence logique a été pragmatique : j'ai investi dans une machine locale nettement plus puissante, afin de pouvoir faire tourner en toute sécurité, et entièrement en local, les processus gourmands en données et critiques sur le plan de la conformité.
(J'y reviendrai dans de prochains billets, car tout cela est pour l'instant un « work in progress ».)
Scénarios de centaurisation
De ces premières expériences de terrain se dégagent trois modes de collaboration homme-machine. La différence décisive entre eux : comment traitent-ils la fonction de gain de leur propre travail ?
- Le « Self-Automator » (délégation passive) : nous déléguons tout à l'IA dans le cloud et traitons ainsi implicitement notre travail comme un système fermé, comme s'il existait pour chaque tâche une réponse « juste » et univoque que la machine finira bien par trouver. C'est le piège : qui définit son travail ainsi l'a déjà déplacé sur le terrain exact où les machines évincent l'humain. Résultat : un double deskilling. Nous perdons le métier et le jugement nécessaire pour vérifier le résultat. Le Self-Automator ne se rend pas lui-même superflu parce que l'IA est si bonne, mais parce qu'il a lui-même cessé de poser les questions ouvertes.
- Le cyborg (co-création fusionnelle) : l'humain et la machine travaillent de façon synchrone et itérative, les frontières s'estompent, chaque paragraphe, chaque ligne de code naît du dialogue. Ce mode brille sur les tâches partiellement fermées : le cadre est posé, mais l'exécution réclame un ajustement permanent (pair programming avec l'IA, révision de textes, analyse exploratoire de données). Le risque : à force de travailler en fusion permanente, on perd le recul nécessaire pour la question stratégique de savoir si l'ensemble va seulement dans la bonne direction.
- Le centaure (division du travail curatée) : ici, la ligne de partage reste nette. L'humain garde la main sur le quoi (objectifs, contexte, garde-fous, évaluation), la machine prend en charge le comment. Ce mode l'emporte partout où la fonction de gain est ouverte : stratégie, priorisation, arbitrage éthique, décision sur le problème qu'il faut réellement résoudre.
Le fin mot de l'histoire : le cyborg et le centaure ne sont pas des concurrents, mais des allures. Un travailleur du savoir souverain passe consciemment de l'une à l'autre : centaure pour le cadrage, cyborg pour l'exécution, et jamais Self-Automator. Cela ne devient dangereux que lorsque le changement se fait inconsciemment : qui s'enlise en mode cyborg sans jamais remonter en selle de centaure glisse insidieusement vers l'auto-automatisation. Ce changement de mode conscient est le véritable newskilling de notre époque. (La distinction centaure/cyborg vient d'Ethan Mollick ; l'idée que le changement de mode est la véritable compétence est la leçon de mon propre work in progress.)
Le levier : l'IA comme amplificateur de décisions
Dans un billet précédent, j'ai formulé cette thèse : « Automating knowledge work with AI means emphasizing the quality of decision-making. » Les scénarios montrent maintenant pourquoi ce n'est pas une banalité, mais le véritable mécanisme derrière tout le reste.
Quand l'exécution du travail intellectuel devient quasi gratuite, le goulot d'étranglement se déplace. Autrefois, la ressource rare, c'était la mise en œuvre : rédiger des analyses, produire du code, créer des documents. Désormais, la ressource rare, c'est la décision sur ce qui doit être mis en œuvre, dans quel cadre et avec quel objectif. Et là où se trouve le goulot, la valeur se concentre. Sur le plan économique, rien de nouveau : le facteur rare fixe le prix. La seule nouveauté, c'est que le facteur rare s'appelle désormais le discernement.
Mais cette thèse a une sœur jumelle sombre, souvent négligée : l'automatisation impose la qualité des décisions, que nous le voulions ou non. Car l'IA est un amplificateur de décisions. Un bon cadrage est démultiplié mille fois par la machine. Un mauvais aussi. Autrefois, qui glissait une hypothèse erronée dans une analyse produisait un document défectueux. Aujourd'hui, qui glisse une hypothèse erronée dans un processus automatisé produit des documents défectueux en série, à la vitesse de la machine, avec une présentation professionnelle et toutes les apparences du sérieux.
C'est précisément la vraie raison de l'échec du Self-Automator. Non pas parce qu'il décide trop peu, mais parce qu'il décide inconsciemment. Chaque prompt non vérifié, chaque résultat repris les yeux fermés est une décision qu'il prend sans la reconnaître comme telle. Il ne délègue pas le travail, il délègue sans s'en rendre compte son jugement. Le centaure, lui, a compris : la machine ne prend pas mes décisions à ma place, elle rend chacune d'elles plus lourde de conséquences.
On comprend du même coup pourquoi la compétence de vérification n'est pas une vertu académique, mais une condition d'exploitation : dans un système qui amplifie mes jugements, la qualité de mes jugements est la seule manette que je tiens encore moi-même.
L'évolution : l'avènement du « Creative Generalist »
Ce qui nous amène au véritable superpouvoir du centaure. Qui confie le travail spécialisé répétitif à l'IA n'est plus cantonné à son silo d'origine. Le centaure devient Creative Generalist.

Comme la machine facilite énormément l'accès à des savoirs d'autres disciplines, un expert en stratégie peut soudain intégrer des concepts de programmation à sa réflexion, ou un sociologue mener, grâce à l'IA, des analyses économiques poussées. La barrière d'accès aux concepts d'autres secteurs s'abaisse, et cela ouvre de nouveaux horizons de pensée. La part proprement créatrice de l'humain ne réside plus seulement dans l'accumulation de savoirs spécialisés, mais dans l'art de relier magistralement, en « Creative Generalist », des points issus de disciplines différentes pour en tirer des solutions inédites.
Mais une objection guette ici, et je dois me la poser moi-même : le Creative Generalist n'est-il pas simplement un Self-Automator avec une meilleure image de soi ? Si je mets en garde contre le deskilling par délégation aveugle, pourquoi emprunter justement le savoir d'autres disciplines serait-il sans danger ? Un stratège qui reprend des concepts de programmation générés par l'IA sans être capable de juger une seule ligne de code n'est pas un généraliste. C'est un risque plein d'assurance.
La réponse tient dans une distinction qui devient centrale à l'ère de l'IA : compétence de production vs compétence de vérification. Je n'ai pas besoin de savoir programmer pour intégrer des concepts de programmation à ma stratégie, mais je dois en comprendre assez pour repérer le moment où l'IA me sert un non-sens plausible. Cette compétence de vérification ne tombe pas du ciel. Elle naît d'un apprentissage symbiotique : discuter avec les modèles, remettre en question leurs affirmations, faire des erreurs de l'IA une occasion d'apprendre. Dans chaque discipline étrangère, le généraliste se construit un minimum de profondeur, non pas pour y travailler, mais pour avoir voix au chapitre dans les décisions.
La formule honnête est donc la suivante : le Creative Generalist n'est pas un état qu'on atteint en ayant accès à l'IA, mais une discipline qu'on acquiert à force de travail. Qui saute l'étape de la compétence de vérification n'est pas un centaure à l'horizon élargi, mais un Self-Automator qui se rend superflu dans plusieurs disciplines à la fois.
Pistes de solution : comment rester en selle
Comment institutionnaliser cette posture ?
- Repenser la division du travail : les IA prennent en charge la partie « force brute » du savoir. L'humain, en généraliste créatif, se concentre sur le cadrage, le contexte et la synthèse interdisciplinaire : les parties ouvertes du système.
- Apprentissage symbiotique : un centaure discute avec les modèles. Les erreurs de l'IA sont autant d'occasions d'affûter son propre modèle mental sur de nouveaux domaines et sur son setup local, et de bâtir la compétence de vérification sans laquelle rien du reste ne fonctionne.
- La culture de l'« override » : la compétence la plus importante est le changement de mode conscient : savoir quand il faut être centaure (reprendre la main, cadrer) et quand on peut être cyborg (fusionner, itérer). Seul celui qui sait vérifier peut reprendre la main.
Conclusion, à visage découvert
La destruction créatrice bat son plein dans le travail intellectuel. Nous ne sommes pas face à un avenir dystopique de l'humain contre l'IA. Le véritable avantage concurrentiel ne résidera pas dans le simple accès à la puissance de calcul du cloud, mais dans notre capacité à devenir des Creative Generalists, à changer d'allure avec souveraineté et à garantir la conformité et la sécurité de nos données.
Mais l'honnêteté intellectuelle impose de nommer trois contre-scénarios :
- Le scénario des échecs : et si l'IA agentique prenait aussi en charge la curation, et que le centaure n'avait été, comme aux échecs, qu'une phase de transition ? C'est possible. Mon pari : dans les systèmes ouverts sans fonction de gain définie, le cadrage reste humain. Mais ce pari, je dois le réexaminer régulièrement, et non le traiter comme une loi de la nature.
- Le scénario de l'inflation : si tout le monde peut devenir Creative Generalist, la valeur marchande de ce rôle baisse. L'avantage ne tient alors plus à l'étiquette, mais à l'excellence de l'exécution : dans le processus, dans la compétence de vérification, dans la discipline. C'est exactement pour cela que le prompt est interchangeable, et le processus non.
- Le scénario du privilège : ma solution (matériel local, cadres de conformité maison, autonomie sur mes propres workflows) suppose des ressources et une liberté de décision dont beaucoup de travailleurs du savoir salariés ne disposent pas. La centaurisation est (encore) aussi une question de position. Ceux qui l'ont ont la responsabilité de transmettre ce qu'ils ont appris ; ceux qui ne l'ont pas devraient la réclamer dans leur organisation.
La vraie question stratégique n'est donc pas de savoir si l'IA va nous remplacer, mais quelles parties de notre travail nous avons nous-mêmes rabaissées au rang de systèmes fermés, sans nous en apercevoir. Qui taille dans le vieux bois, réinvente radicalement ses processus et cultive sa propre compétence de vérification finit non seulement par y voir plus sûr, mais aussi par regarder plus loin, au-delà de son pré carré, pour faire ce qu'une machine ne sait pas faire. Pas encore. Et garder ce « pas encore » en ligne de mire, c'est la tâche essentielle du centaure.
