Aller au contenu
Articles
ArticlesTraduction IA· 26 octobre 2026

Le plan directeur de la disruption : pourquoi le logiciel montre ce qui attend le travail intellectuel

par 12 min de lecture

Les révolutions technologiques ne transforment pas une économie partout à la fois. Elles commencent là où la technologie fonctionne, où son usage est attractif et où les organisations peuvent adapter leur façon de travailler, puis elles se propagent à partir de là.

L'IA générative suit ce schéma. Le changement est aujourd'hui particulièrement visible dans le développement logiciel : ceux qui développent cette technologie s'en servent en même temps pour réorganiser leur propre travail.

Mais la portée dépasse largement le code. Juristes, auditeurs, consultants et marketeurs traitent des problèmes différents, mais une bonne partie de leurs tâches suit la même structure : comprendre la demande, réunir l'information, produire un résultat, le vérifier, le retravailler.

Ma thèse : ce que nous observons dans le développement logiciel se transposera sous une forme comparable à d'autres domaines de savoir. Pas à l'identique, pas au même moment, mais selon un schéma similaire : de l'assistance à la délégation, puis à la refonte de l'organisation. Sur ce blog, ces fils ont déjà été explorés un par un : centaurisation, dilemme GenZ, écart de ROI. Cet article les relie.

Le FMI estime qu'environ 60 % des emplois dans les économies avancées sont exposés à l'IA. Exposé ne veut pas dire remplaçable : certaines tâches gagnent en productivité, d'autres passent sous pression. L'ordre de grandeur montre néanmoins une chose : cette histoire ne concerne pas que le secteur technologique.

Les vagues ne suivent d'ailleurs aucun classement des métiers. Le critère, la centaurisation l'a déjà fourni : ce qui compte, c'est la facilité avec laquelle une tâche peut être décrite, alimentée en contexte et vérifiée. Là où le retour est rapide et les erreurs maîtrisables, la délégation devient rentable en premier. Les vagues ne passent donc pas d'un secteur à l'autre. Elles traversent les processus de travail de chaque secteur.

Vague 1 : le développement logiciel, première grande démonstration

Dans « Le coding est la killer app de l'IA », l'économie du logiciel était au centre. Ici, il s'agit de la question suivante : qu'est-ce qui est transposable au reste du travail intellectuel ?

Le logiciel réunit des conditions favorables : le processus est numérique, compilateurs et tests automatisés fournissent du feedback. Cette boucle de rétroaction n'est pas parfaite : un logiciel peut passer les tests tout en restant vulnérable ou à côté du besoin client. Mais elle rend possible un cycle performant : générer, exécuter, vérifier, améliorer.

Dès octobre 2024, le patron de Google, Sundar Pichai, déclarait que l'IA générait plus d'un quart du nouveau code chez Google, relu et validé par des développeurs (Google). Pas une économie de travail équivalente, mais un processus de production central était atteint.

L'étude publiée par Anthropic en octobre 2026 sur ses propres équipes va plus loin : elle relie l'introduction d'agents de code à une hausse de la production technique et examine des indicateurs de qualité comme les suppressions de code ultérieures. La corrélation observée ne prouve pas à elle seule un effet causal.

Que les développeurs tapent plus vite importe peu. Ce qui compte, c'est que l'unité de délégation change. Une autocomplétion propose la ligne suivante ; un agent prend en charge un problème délimité, enchaîne plusieurs étapes et renvoie une proposition de solution à valider. Le travail humain se déplace : préciser, sélectionner, coordonner, évaluer. L'expertise ne devient pas superflue, c'est son centre de gravité économique qui bouge.

Voilà le plan directeur : l'aide à l'exécution devient de plus en plus délégation de l'exécution. Pourquoi la délégation peut malgré tout être rentable, « IA vs junior » l'a décrit sous le nom de Correction Effort : ce n'est pas le premier jet sans faute qui tranche, mais la vitesse et la fluidité avec lesquelles naît la version suivante. L'IA n'a pas besoin d'être infaillible pour devenir attractive ; elle doit offrir, dans le processus concret, vérification et reprise comprises, le meilleur rapport coût-bénéfice. C'est cette logique de coûts, et non une foi aveugle dans la technologie, qui explique l'aspiration des vagues.

Vague 2 : le travail documentaire, de la rédaction à la vérification

La vague suivante touche le travail fondé sur des documents, des règles et des précédents : conseil juridique, comptabilité, analyse financière, compliance.

Une revue de contrat n'est pas une opération indivisible : quelqu'un doit comprendre le contexte business, identifier les clauses pertinentes, les comparer aux exigences, signaler les écarts et en évaluer les conséquences. L'IA n'a pas besoin de remplacer tout le processus pour en changer l'économie : si le premier jet et la comparaison coûtent moins cher, l'effort se reporte sur les exceptions, la négociation et la validation.

L'analogie avec le logiciel aide ici, et c'est aussi là qu'elle atteint ses limites. Un développeur exécute un test en quelques secondes. Qu'une interprétation juridique tienne la route, on ne le saura peut-être qu'en négociation ou devant le juge. Une décision comptable peut dépendre d'informations qui ne figurent même pas dans le document analysé.

La question décisive n'est donc pas seulement de savoir si l'IA peut produire une réponse plausible, mais si nous pouvons la vérifier de façon rentable et attribuer clairement la responsabilité.

L'étude d'Anthropic décrit aussi une hausse du débit dans les processus juridiques et administratifs : un indice que le changement ne restera pas cantonné au logiciel (Anthropic).

Pour les prestataires de services professionnels, cela signifie : si le travail préparatoire devient moins cher, il faut repenser la structure des effectifs, la formation, les prix et les processus de contrôle.

La question de la formation est particulièrement inconfortable : si l'IA reprend le travail d'entrée de carrière, où les jeunes professionnels acquièrent-ils la compétence de contrôle avec laquelle ils sont censés superviser ces systèmes ?

Ce blog a déjà posé cette question dans le dilemme GenZ et esquissé de premières réponses : audits de brouillons générés par l'IA, dialogues socratiques, « grunt work » simulé. Des pistes pour de nouveaux parcours d'apprentissage, pas encore la preuve qu'on peut avancer entièrement l'expérience professionnelle dans le temps. L'essentiel reste de savoir comment les apprenants acquièrent une profondeur métier et développent de manière démontrable leur compétence de contrôle. Sinon, ce n'est pas seulement l'échelle de carrière qui s'érode, mais l'instance de contrôle sans laquelle aucun centaure ne fonctionne.

Vague 3 : le travail créatif et stratégique, une frontière irrégulière

Un récit rassurant a la vie dure : la routine s'automatise, la créativité et la stratégie restent à l'abri.

Dans une expérience menée auprès de 758 consultants du Boston Consulting Group, les participants assistés par l'IA ont, sur des tâches adaptées, accompli 12,2 % de tâches en plus, 25,1 % plus vite, avec une qualité jugée nettement meilleure.

Mais sur une tâche hors de portée du modèle, les utilisateurs de l'IA ont moins souvent trouvé la bonne solution. Les chercheurs parlent d'une « frontière technologique déchiquetée » : les performances ne se répartissent pas de façon homogène selon les catégories familières.

L'IA livre des analyses de marché, des idées de campagne ou des recommandations stratégiques convaincantes. Mais la force de persuasion d'un texte ne prouve pas que les hypothèses sont justes, que les contraintes ont été prises en compte ou qu'une recommandation est applicable.

La frontière ne passe pas proprement entre routine et créativité, entre junior et senior : elle passe en plein milieu des processus de travail.

Pour le conseil et le marketing se pose la question du business model : pour quoi le client paie-t-il quand un premier jet crédible demande moins d'effort ? La réponse se trouve probablement dans la compréhension du contexte, un diagnostic solide, la mise en œuvre et la responsabilité.

Toute présentation n'est pas une stratégie. Tout texte ne crée pas de demande. Toute analyse ne change pas une décision. Qui vendait jusqu'ici la fabrication de slides devra désormais expliquer en quoi la décision s'en trouve meilleure.

Créativité et stratégie ne disparaissent pas, mais ce qui les distingue de la simple production de livrables devient plus important.

Vague 4 : la refonte de l'entreprise, quand la productivité locale ne suffit plus

La comparaison avec McKinsey sur ce blog l'a résumé : l'IA agentique n'est pas un déploiement logiciel, c'est du design organisationnel. La quatrième vague, c'est exactement cela : pas le prochain secteur sur la liste, mais la conséquence organisationnelle des trois premières.

Supposons que le développement produise un prototype plus vite, que le juridique relise les contrats plus tôt, que le marketing produise ses supports avec moins d'effort. L'entreprise dans son ensemble n'en devient pas forcément plus rapide : la validation budgétaire prend des semaines, les équipes ne s'accordent pas sur la cible, personne n'a le pouvoir de décider de l'étape suivante. C'est toute la différence entre productivité par tâche et performance organisationnelle.

Outre une production accrue, l'étude d'Anthropic décrit un effort croissant pour instruire, surveiller et vérifier les agents ; le temps passé en réunion par les collaborateurs techniques sans responsabilité managériale a augmenté (Anthropic). Quand dix agents livrent en même temps, l'ancien goulot de production se transforme vite en nouvel embouteillage de vérification.

La quatrième vague ne signifie donc pas simplement : « L'IA remplace le middle management. »

Certaines tâches de coordination s'automatisent plus facilement, d'autres prennent de l'importance. La question organisationnelle centrale est la suivante : quelles décisions exigent un jugement humain, quelles activités peuvent être déléguées, et comment relier les deux ?

Une organisation appuyée sur l'IA a peut-être besoin de moins de passages de relais, mais de responsabilités plus claires. Un abonnement Copilot ne fait pas encore un nouveau modèle opérationnel.

Le test économique : plus de business par collaborateur ?

Le dénominateur économique commun de ces vagues, c'est l'effet de levier : plus de business sans hausse proportionnelle des effectifs. Le chiffre d'affaires par collaborateur en est un indicateur intéressant, mais il n'explique pas sa propre cause.

Une entreprise AI-native peut atteindre un chiffre d'affaires par tête élevé parce que ses équipes utilisent l'IA de façon productive, ou parce qu'elle profite d'une demande énorme pour son produit, qu'elle passe à l'échelle via son infrastructure de calcul ou qu'elle achète des prestations hors de ses propres effectifs.

L'indicateur décrit un résultat, pas un effet de productivité isolé. Le coût par instance de processus correctement bouclée est un indicateur d'efficacité opérationnelle ; le chiffre d'affaires par collaborateur, un résultat d'entreprise. Un vrai ROI exige en plus les investissements, le coût total et un bénéfice imputable sur une période donnée, ce bénéfice pouvant venir de coûts plus bas, d'une meilleure qualité, de risques réduits ou d'un business supplémentaire. Le chiffre d'affaires par tête n'isole ni l'un ni la contribution de l'usage interne de l'IA. Pour les cabinets de conseil, cette distinction est cruciale.

Un rapport produit plus vite crée d'abord de la capacité libre, pas automatiquement du chiffre d'affaires en plus. Le cabinet doit gagner davantage de missions, proposer une prestation de plus grande valeur ou investir le temps gagné dans de meilleurs résultats pour ses clients.

Si tous les concurrents peuvent produire le même livrable à moindre coût, le gain de productivité peut finir chez le client : en prix plus bas plutôt qu'en marges plus élevées. Et une production moins chère ne signifie pas une prestation globale moins chère : si la construction du contexte, les boucles d'agents et le contrôle grossissent aussi, le gain supposé s'évapore ailleurs. Plus d'efficacité ne garantit pas plus de chiffre d'affaires par tête, et plus de code n'a de valeur que s'il résout un problème pertinent.

L'avantage concurrentiel ne tient pas au volume maximal de livrables, mais à la capacité de convertir la capacité de production supplémentaire en valeur facturée.

Des vitesses différentes ne sont pas une immunité durable

Les quatre vagues ne forment pas une feuille de route figée : elles se chevauchent, et même au sein d'un métier, les tâches peuvent être touchées de façon très inégale.

Les différences géographiques ne se réduisent pas non plus à « l'Amérique agit, l'Europe régule » : accès aux données, intégration, responsabilité juridique et exigences clients déterminent la manière dont une organisation concrète peut utiliser l'IA.

Le danger est ailleurs : un changement visible lent peut être confondu avec une sécurité durable. L'enquête State of AI de McKinsey (citée ici d'après le billet de blog) montre un écart entre attentes et évolution rapportée : en 2025, 32 % s'attendaient à une baisse des effectifs liée à l'IA ; pour 2026, 14 % l'ont effectivement rapportée. Reste à vérifier séparément si les tâches et les parcours de carrière changent malgré tout, à travers le recrutement de juniors, la répartition des tâches et les occasions d'apprendre.

C'est ici que commence le Social Innovator's Dilemma : les institutions bâties autour de parcours de carrière établis et de modèles RH doivent transformer précisément les structures auxquelles elles doivent leur succès.

La tâche n'est pas de préserver chaque activité telle quelle, mais de garantir la capacité d'apprendre, le développement professionnel et la participation économique dans des conditions de production nouvelles, et de redéfinir comment naît l'expérience, comment se mesure la performance et comment se répartit la responsabilité.

Conclusion : le logiciel est une bande-annonce, pas un calendrier

La leçon du développement logiciel n'est pas que chaque travailleur du savoir doit apprendre à coder, mais que la relation entre expertise et exécution change. Quand une part croissante de l'exécution devient délégable, la contribution rare se déplace : de la production de la première réponse vers la définition du problème, l'évaluation du résultat et la responsabilité de ses conséquences.

Ce n'est ni automatiquement un succès ni exclusivement positif. Un déploiement mal conçu peut produire plus de livrables sans valeur ajoutée, accélérer les erreurs et affaiblir les processus d'apprentissage qui forment les experts de demain.

La boucle est ainsi bouclée : la centaurisation décrit le modèle de travail, le dilemme GenZ les parcours d'apprentissage menacés, l'écart de ROI le travail de traduction à fournir par l'entreprise. Si l'on supprime les tâches d'entrée de carrière sans créer d'occasions d'apprentissage équivalentes, la même délégation met en péril la compétence de contrôle dont dépend son usage responsable. C'est précisément pour cela que la quatrième vague n'est pas une mode managériale, mais le moment où le Social Innovator's Dilemma devient un chantier organisationnel.

2026 - Le point de bascule du Social Innovator's DilemmaDocIsInDaHouse

Le logiciel est la première grande démonstration. Pour les autres organisations du savoir, la question stratégique est la suivante : quelles parties de ce schéma valent aussi pour nous, et que devons-nous changer pour cela ?

Live long and prosper 😉✋

À lire aussi
Thème
Travail & Automatisation
12 PublicationsTout voir →
▶Écouter