Comment l’IA redéfinit les règles du travail dans la tech

L’IA déplace la productivité de l’exécution vers le jugement

L’IA peut supprimer des heures de travail de bas niveau de la journée d’un employé qualifié. Le changement le plus important concerne ce qui se passe ensuite. Les employés passent moins de temps à produire des premières versions, du code routinier et des analyses de base. Ils consacrent davantage de temps à examiner des options, prendre des décisions et résoudre des problèmes plus complexes.

Keith Jones, chercheur en cybersécurité avec plus de 30 ans d’expérience dans le domaine, a vécu ce basculement directement. Il utilise Claude d’Anthropic pour accomplir un travail qui absorbait autrefois une grande partie de sa journée. « J’ai vraiment l’impression d’avoir une équipe en coulisses, alors qu’en réalité, j’ai Claude », a déclaré Jones. Il peut désormais demander au système trois approches d’un problème et concentrer son attention sur leur évaluation.

Cela change la nature du travail intellectuel. Un développeur utilisant l’IA peut générer plusieurs implémentations dans le temps auparavant nécessaire pour en écrire une seule. Un analyste peut produire une première version avant d’assembler manuellement chaque élément d’entrée. Le rôle humain s’oriente vers la définition du problème, la fixation des contraintes, le choix d’une approche et la vérification du résultat.

Pour les dirigeants, la contrainte clé se déplace donc de la capacité de production vers le jugement humain. Une génération plus rapide a une valeur limitée si les employés ne peuvent pas déterminer si un résultat est exact, utile, sécurisé et adapté à l’entreprise. La maîtrise de l’IA doit inclure des compétences de délégation et de vérification, en plus de la familiarité avec des outils spécifiques.

Les entreprises devraient refléter ce changement dans leur manière de mesurer la productivité. Le volume de production est un indicateur de plus en plus faible de la valeur métier lorsque l’IA rend le contenu et le code peu coûteux à produire. Des mesures liées au temps de cycle, à la qualité, aux résultats clients, aux défauts et aux objectifs métier atteints donnent aux dirigeants une vision plus claire de la manière dont l’IA améliore les performances.

Le modèle opérationnel doit lui aussi évoluer. Les employés ont besoin de règles claires sur les tâches que l’IA peut prendre en charge, celles qui nécessitent une revue et celles qui exigent un contrôle humain direct. La formation doit se concentrer sur des workflows pratiques et sur la qualité des décisions. Jones résume bien l’état d’esprit utile : « Je considère l’IA comme un nouvel outil, et je vais l’apprendre comme j’ai appris n’importe quel autre outil. » L’objectif des dirigeants est de transformer cette capacité en un travail systématiquement meilleur.

Les résultats de l’IA nécessitent une couche humaine de contrôle qualité

L’IA peut générer du code et du texte en quelques secondes. La vérification reste le goulot d’étranglement. Les grands modèles de langage peuvent produire des faits inexacts, des informations inventées, une prose générique et des modifications de code inutilement importantes, tout en présentant ces résultats avec assurance.

Les résultats de faible qualité produits par l’IA sont souvent appelés « workslop ». Dans le développement logiciel, cela peut prendre la forme de code boilerplate, de changements excessifs ou d’implémentations qui semblent plausibles mais contiennent des défauts. Une hallucination est plus grave : le modèle présente des informations inexactes ou fabriquées comme si elles étaient valides. Ces deux problèmes créent du travail en aval, car une autre personne doit identifier et corriger les erreurs.

Craig Shue, professeur d’informatique et chef de département au Worcester Polytechnic Institute (WPI), lance un avertissement clair : « Ne croyez pas que la machine est infaillible. » Il ajoute qu’un LLM peut récupérer de la désinformation sur internet et l’intégrer dans une réponse. Une réponse fluide n’offre donc aucune garantie quant à l’exactitude des faits sur lesquels elle repose.

Les entreprises doivent intégrer la vérification dans les workflows d’IA. Les utilisateurs peuvent demander à un modèle de fournir ses sources et d’expliquer le raisonnement derrière une réponse. Pour les analyses sensibles, les employés devraient fournir au modèle des rapports approuvés, des transcriptions ou des fiches de données, et lui demander de travailler à partir de ces éléments. Cela réduit l’espace informationnel dans lequel des affirmations non étayées peuvent apparaître.

Le développement logiciel exige des contrôles plus stricts. Le code généré par l’IA doit être revu et testé localement avant d’entrer dans le projet principal. Les équipes doivent également limiter la portée des modifications apportées par l’IA. Une demande visant à corriger une seule fonction peut sinon produire des changements sur des centaines de lignes sans rapport, allongeant le temps de revue et introduisant un risque supplémentaire.

Le même principe s’applique au contenu métier. Les employés doivent assumer la responsabilité de chaque document, analyse ou recommandation généré par l’IA qu’ils transmettent. Faire suivre un résultat brut à un autre employé ne fait que transférer le coût de validation en aval. À grande échelle, ce comportement peut effacer une grande partie du gain de productivité apporté par l’IA.

Pour les dirigeants, la gouvernance doit être proportionnée aux conséquences d’une erreur. Un résumé interne à faible risque peut suivre un processus de revue léger. Le code de production, l’analyse financière, les travaux de sécurité, les contenus juridiques ou les décisions destinées aux clients exigent une validation plus forte. La question managériale critique est de savoir qui reste responsable du résultat final.

L’IA modifie donc l’endroit où les organisations concentrent leurs efforts de contrôle qualité. La génération devient plus rapide. La revue, la vérification et la responsabilité deviennent plus importantes. Les entreprises qui intègrent ces contrôles dans le workflow peuvent capter la vitesse de l’IA sans laisser des résultats peu fiables devenir un passif opérationnel.

La productivité de l’IA peut créer davantage de travail

77 % des employés interrogés dans une étude pluriannuelle d’Upwork ont déclaré que l’IA augmentait leur charge de travail. Parmi les travailleurs ayant obtenu les gains de productivité les plus élevés, 88 % ont également déclaré se sentir en burn-out. Ces chiffres révèlent un problème de management : une création de contenu plus rapide peut augmenter la quantité de travail qui circule dans une organisation.

L’IA réduit fortement le coût et le temps nécessaires pour produire des e-mails, des rapports, des présentations, des transcriptions de réunions, des analyses et du code. Cette capacité encourage les employés à produire davantage. Chaque résultat supplémentaire crée du travail pour quelqu’un d’autre, qui doit le lire, le prioriser, le vérifier, l’approuver ou y répondre.

J.P. Gownder, vice-président et analyste principal chez Forrester Research, décrit clairement le problème. « L’IA fait-elle gagner du temps aux gens ? La réponse courte est oui », a-t-il déclaré. « Mais les gens sont aussi submergés par des choses surproduites. Tout le monde veut avoir l’air occupé et produit davantage, mais pas nécessairement mieux. Les managers doivent s’y opposer, sinon cela ne vous fait pas vraiment gagner du temps. »

L’impact s’étend à l’IT. L’enquête Future of Work 2026 d’IDC a révélé que 24 % des professionnels IT identifient l’augmentation de la charge de travail comme une préoccupation majeure liée à l’IA. Les gains de productivité peuvent donc coexister avec une pression accrue sur les employés. Le volume de travail généré compte, car l’attention humaine reste limitée.

Les dirigeants devraient traiter cela comme un problème de contrôle des flux. L’IA augmente la capacité de production plus vite qu’elle n’augmente la capacité humaine disponible pour consommer et évaluer les résultats produits. Davantage de messages Slack, des mémos plus longs, des rapports plus volumineux et des changements de code générés par l’IA plus fréquents peuvent allonger les files de revue et accroître la charge cognitive dans les équipes.

La première réponse consiste à réduire les résultats inutiles. Les prompts doivent demander explicitement des réponses concises. Les outils de réunion doivent extraire les livrables, les décisions, les responsables, les échéances et les changements de statut, plutôt que d’obliger les employés à lire des dizaines de pages de transcription. Les équipes doivent prioriser les communications selon leur importance métier au lieu de considérer chaque document généré par l’IA comme méritant la même attention.

Les équipes logicielles ont besoin d’une discipline similaire. Un outil de coding IA à qui l’on demande de corriger un bug précis peut modifier des centaines de lignes sans rapport. Cela augmente la quantité de code que les ingénieurs doivent revoir et crée des occasions supplémentaires de défauts. Les prompts et les contrôles de développement doivent limiter les changements à la fonction ou au fichier concerné chaque fois que possible.

Les dirigeants doivent aussi décourager la circulation du « workslop » entre employés. Envoyer à un collègue des pages de contenu faible généré par l’IA lui transfère l’effort de filtrage et de vérification. À l’échelle de l’organisation, cela crée du travail caché et affaiblit l’argument de productivité en faveur de l’IA.

L’indicateur à suivre pour les dirigeants doit être le travail utile accompli. Le temps de cycle, les taux d’erreur, les reprises, les résultats clients et les décisions finalisées peuvent révéler si l’IA crée des gains significatifs. Le nombre brut de messages, le volume de documents et les lignes de code générées disent de moins en moins de choses aux dirigeants sur la performance.

L’IA crée un coût cognitif que les dirigeants doivent gérer

L’IA change la manière dont les personnes répartissent leur attention au cours de la journée de travail. Un professionnel du logiciel qui passait auparavant de longues périodes à construire et tester peut désormais alterner sans cesse entre prompting, revue, vérification des faits, correction et nouveau prompting. Chaque transition exige une nouvelle décision et une nouvelle évaluation d’un résultat généré par la machine.

Une recherche menée auprès de 1 500 travailleurs met ce sujet en lumière. Une étude du Boston Consulting Group et de l’University of California, Riverside, publiée dans Harvard Business Review en mars, a utilisé le terme « AI brain fry » pour décrire la tension associée à un usage intensif de l’IA. Les chercheurs ont constaté que jongler avec plusieurs outils d’IA peut provoquer une fatigue décisionnelle et augmenter les erreurs.

Cela compte parce que l’IA rend l’itération extrêmement peu coûteuse. Un utilisateur peut demander une autre version, une autre solution, une autre réécriture ou une autre implémentation de code en quelques secondes. Chaque option supplémentaire exige toujours une évaluation humaine. L’employé finit par devenir la ressource limitante du processus.

La réponse pratique commence par la réduction des interactions constantes. Les employés peuvent regrouper le travail avec l’IA dans des plages dédiées plutôt que de surveiller les résultats générés tout au long de la journée. Le traitement par lots protège des périodes plus longues de travail concentré et réduit les transitions répétées entre création, prompting et revue.

Les employés ont aussi besoin de périodes loin du traitement numérique. Une marche de 15 minutes, la lecture loin d’un écran ou une autre activité hors ligne délibérée peuvent permettre de récupérer après une revue et une prise de décision soutenues. C’est une question de conception du travail, car la capacité cognitive affecte directement l’exactitude et le jugement.

Le prompting lui-même peut aussi devenir une source d’effort gaspillé. Les employés continuent parfois à ajuster les instructions dans la recherche d’un résultat presque parfait. Lorsqu’un résultat est suffisamment proche, terminer ou refactoriser manuellement la dernière partie peut demander moins de temps et d’attention. Les équipes doivent laisser aux employés la latitude d’arrêter le prompting lorsque l’exécution directe devient plus efficace.

Les prompts réutilisables réduisent une autre source de surcharge cognitive. Les employés peuvent conserver deux ou trois modèles testés pour des tâches récurrentes, comme la refactorisation de code legacy ou la rédaction de documentation API. Ces modèles peuvent déjà contenir le ton attendu, les contraintes, les règles de validation et les exigences de sortie. L’employé ajuste alors les détails pertinents au lieu de reconstruire les instructions pour chaque tâche.

Pour les dirigeants de la direction générale, le nombre d’outils mérite aussi un examen attentif. Donner aux employés accès à une collection croissante de produits d’IA peut créer davantage de décisions sur le système à utiliser, la manière de le solliciter et la façon d’évaluer ses résultats. L’adoption doit donc être évaluée à travers la performance des workflows et la qualité, en tenant compte des exigences cognitives créées par chaque système supplémentaire.

L’objectif est une productivité durable. L’IA peut accélérer des tâches individuelles tout en augmentant le nombre de décisions qui les entourent. Les organisations qui gèrent l’attention, la charge de revue et les modes d’interaction seront mieux placées pour transformer cette vitesse en performance métier durable.

L’IA change ce que les employeurs recherchent chez les candidats

L’IA transforme les deux côtés du recrutement. Les employeurs utilisent de plus en plus des systèmes de suivi des candidatures pour filtrer les CV, tandis que les candidats utilisent l’IA générative pour préparer leurs candidatures. En parallèle, l’IA modifie aussi les responsabilités des postes eux-mêmes. Les candidats doivent désormais démontrer des performances mesurables, un jugement solide, de l’adaptabilité et un usage efficace de l’IA.

Leo Freitas, analyste et responsable de la recherche chez IDC Research, insiste sur les preuves de performance. « Il vous faut des réalisations démontrables », a-t-il déclaré. « Il est bon de montrer des compétences très humaines. » Pour les candidats, cela signifie montrer ce qu’ils ont accompli et comment leurs décisions ont créé de la valeur.

La conception du CV constitue une contrainte pratique. Teresa Hill, fondatrice et dirigeante du cabinet de conseil en growth marketing Anchor GTM, explique que les systèmes traditionnels de suivi des candidatures s’appuient fortement sur des informations structurées et sur la correspondance de mots-clés. Les candidats doivent donc reprendre les termes importants de la description de poste. Un CV pour un poste de « product marketing manager » doit utiliser cette expression complète, même si le candidat emploie aussi l’abréviation « PMM ».

Une structure simple améliore aussi la lisibilité par les machines. Des intitulés classiques comme « Experience » et « Education » donnent aux parseurs des informations prévisibles à traiter. Des mises en page élaborées et des noms de section inhabituels peuvent créer une ambiguïté inutile dans les systèmes de présélection automatisés.

Le contenu lui-même doit se concentrer sur les résultats. Une formulation qui décrit une responsabilité donne à un employeur des preuves limitées de performance. Une formulation qui relie le travail au chiffre d’affaires, aux économies de coûts, aux taux de conversion, aux délais de livraison, à la fidélisation client, à la fiabilité ou à un autre indicateur pertinent établit un historique plus clair de l’impact métier.

L’IA générative peut aider les candidats à organiser leurs idées et à affiner la structure. Une forte dépendance à un langage généré comporte un autre risque : les candidatures peuvent devenir génériques et perdre la voix propre du candidat. Les candidats doivent retravailler le texte assisté par l’IA jusqu’à ce qu’il reflète fidèlement leur expérience, leurs décisions et leur style de communication.

L’entretien constitue un test plus important. Les employeurs veulent de plus en plus comprendre comment les candidats utilisent l’IA. Les bonnes réponses expliquent quelles activités le candidat automatise, quels résultats font l’objet d’un examen supplémentaire et comment le candidat vérifie la qualité. Le simple fait de citer Claude, ChatGPT, Copilot ou d’autres produits démontre une familiarité avec les outils. Expliquer le processus de décision démontre un jugement professionnel.

Hill recommande également de mettre en avant la capacité d’apprentissage plutôt que de trop insister sur l’expertise dans un seul produit d’IA. C’est important parce que les produits et capacités d’IA évoluent rapidement. Un employé capable d’apprendre de nouveaux systèmes, d’en évaluer les limites et de repenser les workflows autour d’eux dispose d’une capacité plus durable.

Les candidats doivent aussi présenter des exemples concrets de créativité, de collaboration, de résolution de problèmes et de contrôle qualité. Les professionnels techniques peuvent renforcer ces exemples avec des résultats mesurables. Ils doivent être capables d’expliquer où l’IA a été utile, où une revue humaine était nécessaire et comment ils ont empêché les erreurs d’atteindre les clients ou les systèmes de production.

Pour les dirigeants et les responsables RH, l’implication s’étend à la conception du recrutement. Les processus d’embauche doivent tester le jugement et les résultats démontrés en plus des connaissances techniques. Les entretiens peuvent demander aux candidats de revoir une réponse générée par l’IA, d’y repérer les problèmes, de l’améliorer et d’expliquer le raisonnement derrière leurs décisions. Cela fournit une preuve directe d’une capacité qui devient plus précieuse à mesure que le travail généré par l’IA se développe.

Le signal de recrutement se déplace vers une exécution responsable. Les employeurs ont besoin de personnes capables d’utiliser l’IA de manière productive, de détecter des résultats faibles, de comprendre les conséquences métier et de rester responsables du résultat final.

La résilience de carrière exige des compétences en IA, des connaissances métier et une adaptation continue

Les investissements des entreprises se dirigent vers l’automatisation, et ce basculement accroît l’insécurité de l’emploi dans l’ensemble du secteur technologique. La réponse de carrière la plus solide est l’adaptation active. Les employés doivent identifier quelles parties de leur travail l’IA peut exécuter, renforcer les capacités qui conservent de la valeur dans un contexte d’automatisation et utiliser l’IA pour améliorer leurs propres performances.

Leo Freitas, analyste et responsable de la recherche chez IDC Research, s’attend à des changements substantiels dans le travail tout en rejetant les prédictions les plus extrêmes d’un remplacement rapide à l’échelle de l’économie. « Il existe cette vision apocalyptique selon laquelle l’IA prendra le travail de tout le monde en quelques années », a-t-il déclaré. « Je ne pense pas que cela arrivera, mais beaucoup de choses vont changer dans la nature de notre manière de travailler. »

Freitas recommande une autoévaluation directe : déterminer si l’IA peut exécuter le travail que vous faites actuellement. Cette question peut révéler où se concentre l’exposition future d’un employé. Les rôles dominés par des tâches numériques répétables subissent une pression plus forte à mesure que les capacités de l’IA s’améliorent. Les employés occupant ces postes peuvent évoluer vers des responsabilités avancées ou vers des domaines comme la sécurité, où la supervision humaine, la responsabilité et les décisions de risque restent importantes.

J.P. Gownder, vice-président et analyste principal chez Forrester Research, et Freitas soutiennent tous deux que la peur des licenciements liés à l’IA dépasse actuellement l’ampleur observée des pertes d’emploi directement causées par l’IA. Le déplacement sous-jacent des dépenses reste néanmoins important. Les entreprises allouent davantage de capital à l’automatisation, ce qui modifie les exigences en matière de compétences, les structures d’équipe et les attentes en matière de productivité individuelle.

L’apprentissage continu devient donc une exigence opérationnelle pour une carrière dans la technologie. Les employés peuvent utiliser des cours, des certifications, des formations de l’employeur et des projets pratiques pour développer leurs compétences. L’objectif doit être une capacité transférable : comprendre les systèmes d’IA, évaluer leurs résultats, apprendre rapidement de nouveaux outils et appliquer la technologie à des problèmes métier importants.

Keith Jones, chercheur en cybersécurité avec plus de 30 ans d’expérience dans le domaine, adopte cette approche. « Je considère l’IA comme un nouvel outil, et je vais l’apprendre comme j’ai appris n’importe quel autre outil », a-t-il déclaré. Cela permet de rester concentré sur les capacités pratiques à mesure que les produits et les interfaces évoluent.

L’expertise technique seule laisse aussi de la valeur inexploitée. Les employés qui comprennent la stratégie de l’entreprise, les conditions concurrentielles, les clients, les processus internes et le langage commercial peuvent relier les capacités techniques aux priorités métier. Ils peuvent identifier un problème, déterminer où la technologie peut améliorer le résultat, expliquer l’investissement au management et aider à mettre en œuvre le changement.

La connaissance institutionnelle devient particulièrement utile dans cet environnement. Les employés qui comprennent pourquoi les systèmes internes fonctionnent comme ils le font, quelles contraintes comptent et comment les différentes parties de l’organisation interagissent peuvent appliquer cette connaissance lors de la conception ou de la revue de processus activés par l’IA. Les dirigeants doivent rendre cette expertise visible et transférable plutôt que de la laisser isolée chez certains individus.

Les employés peuvent encore renforcer leur position en proposant de nouvelles applications, des systèmes orientés client, des améliorations de processus et des capacités techniques qui font progresser les objectifs de l’entreprise. Cela oriente le développement de carrière vers la création de nouvelle valeur métier à mesure que les tâches existantes deviennent plus faciles à automatiser.

Pour les dirigeants, la planification de la main-d’œuvre doit suivre la même logique. Les budgets de formation doivent cibler les capacités liées au futur modèle opérationnel de l’entreprise. La mobilité interne peut aider les employés à passer de tâches hautement automatisables vers des domaines exigeant des compétences techniques plus approfondies, une compréhension client, une sensibilité à la sécurité, de la gouvernance ou une prise de décision transverse.

L’adoption de l’IA continuera de transformer les rôles même là où les effectifs restent stables. Les descriptions de poste évolueront, les workflows seront repensés et les attentes augmenteront. Les organisations et les employés qui continuent d’apprendre pourront absorber ces changements plus rapidement et transformer les investissements dans l’automatisation en une meilleure performance métier.

Principaux enseignements pour les dirigeants

• L’IA déplace la valeur vers le jugement : L’IA peut supprimer le travail routinier et accélérer l’exécution. Les dirigeants doivent mesurer les gains à travers la qualité, le temps de cycle, les résultats métier et la qualité des décisions plutôt qu’à travers le volume de production.
• Rendez la vérification humaine obligatoire : L’IA peut produire des erreurs convaincantes, des informations fabriquées et des modifications de code inutiles. Mettez en place des contrôles fondés sur le risque pour revoir, tester et approuver le travail généré par l’IA avant qu’il n’atteigne la production ou les clients.
• Contrôlez la dérive de la charge de travail liée à l’IA : Upwork a constaté que 77 % des employés déclaraient une augmentation de leur charge de travail due à l’IA, tandis que 88 % de ceux ayant obtenu les gains de productivité les plus élevés ont également connu un burn-out. Réduisez les résultats à faible valeur et privilégiez un travail concis et utile.
• Gérez le coût cognitif de l’IA : Le prompting constant, les vérifications et les bascules entre outils d’IA peuvent accroître la fatigue décisionnelle et les erreurs. Utilisez des workflows par lots, des prompts réutilisables et des périodes de travail concentré pour protéger l’attention des employés.
• Recrutez pour le jugement face à l’IA et l’adaptabilité : Les candidats doivent de plus en plus démontrer des résultats mesurables, un usage efficace de l’IA, des compétences de vérification et la capacité d’apprendre rapidement. Les processus de recrutement doivent tester directement ces capacités.
• Construisez les carrières autour d’une valeur métier durable : Les employés doivent évaluer quelles tâches l’IA peut automatiser, développer leurs compétences et relier leur expertise technique aux priorités métier. Les dirigeants doivent soutenir l’apprentissage continu et la mobilité interne vers des rôles à plus forte valeur.