Les humains relient les points. L’IA va au fond de chacun.

Il y a beaucoup d’angoisse autour de l’idée que l’IA remplace les humains, et elle mérite mieux que les deux réponses qu’elle reçoit d’habitude : la panique, ou la consolation. La panique dit que le remplacement vient pour tout le monde. La consolation dit « l’IA ne fera jamais ce que vous faites » — et elle expire en silence chaque fois que la technologie progresse.

Cet article défend un autre type d’argument. Il n’affirme pas que l’IA va cesser de progresser ; nous construisons des systèmes d’IA pour gagner notre vie, et nous parions chaque jour qu’elle ne cessera pas. Il affirme quelque chose de plus solide : que la valeur durable des humains ne dépend pas de la victoire dans une course à la capacité. Elle vient de la position, pas de la supériorité — de la place qu’occupent les humains dans la structure du travail, pas de ce que les machines ne savent pas encore faire. Et la version honnête de cet argument se révèle vraiment rassurante.

Spécifier ce que vous voulez n’a jamais été un problème informatique

Jeff Dean — cofondateur de Google Brain et ancien Chief Scientist de Google, l’un des ingénieurs à qui l’on doit le plus les fondations sur lesquelles tourne l’IA moderne — a mis le doigt cette année sur quelque chose d’important : « Nous avons toujours dit aux informaticiens qu’il est vraiment important de spécifier ce que le logiciel que l’on écrit doit accomplir, avant de l’écrire. Nous avons maintenant des systèmes à base d’agents capables de faire l’écriture — mais l’importance de spécifier ce que l’on veut a en réalité augmenté. »

Il s’adressait à des ingénieurs, mais le propos échappe entièrement à l’ingénierie. Spécifier ce que vous voulez n’est pas un acte technique. C’est de l’identification de problème — remarquer ce qui est réellement cassé. C’est de la priorisation — décider lequel de cent problèmes possibles vaut la peine d’être résolu maintenant. C’est de l’expertise métier — savoir à quoi ressemble une bonne solution dans ce secteur, pour ce client, sous ces contraintes. Rien de tout cela n’est de la frappe au clavier. Tout cela est du jugement.

Et il y a un socle plus profond en dessous. L’économie est faite de désirs humains. Tout problème qui vaut la peine d’être résolu est, au bout d’une chaîne quelconque, un problème humain — la douleur de quelqu’un, l’objectif de quelqu’un, le travail de quelqu’un qui s’allège. Tant que l’IA travaille pour les humains, décider ce qui vaut la peine d’être voulu est un travail humain par construction. L’IA répond toujours mieux ; décider ce qui vaut la peine d’être demandé reste à nous.

Les superpouvoirs asymétriques

Regardez ce que chaque camp fait réellement le mieux, et une division nette apparaît.

L’IA est extraordinaire en profondeur par point : traiter des volumes énormes de texte non structuré, l’organiser et le structurer, le fouiller, l’interpréter, aller exhaustivement au fond de n’importe quel sujet isolé — plus au fond qu’aucun humain n’a le temps d’aller, et sur tous les points à la fois.

Les humains sont meilleurs pour relier les points — et la raison n’est pas la puissance de calcul. Les humains relient des points à travers toute leur expérience personnelle, professionnelle, universitaire et vécue : ce que le client a dit dans le couloir, la façon dont l’humeur de l’équipe a changé cette semaine, ce que l’on a ressenti la dernière fois qu’une décision comme celle-ci a mal tourné, ce que c’est d’être la personne de l’autre côté du livrable. L’IA sait ce qui a été écrit. Une grande partie du contexte qui décide des situations réelles n’est jamais écrite nulle part.

Les philosophes appellent cela le paradoxe de Polanyi : nous savons plus que nous ne pouvons dire. La part du savoir qui peut être dite est numérisée à une vitesse stupéfiante — nos propres produits transforment, à chaque cycle, une part croissante du savoir tacite d’une organisation en précédent enregistré, et nous en sommes fiers. Mais la part qui ne peut pas être dite — le savoir qui tient au fait d’y avoir été, à un regard, à une expression, à une manière d’entrer dans une pièce — ne se transfère pas, parce qu’elle n’a jamais été codée. Un humain lit des épaules affaissées et sait ce qu’elles veulent dire, non pas grâce à un jeu de données, mais parce qu’il les a portées.

L’affirmation honnête n’est donc pas « l’IA ne reliera jamais les points ». C’est : les humains relient les points non enregistrés — ceux qui sont ancrés dans l’expérience vécue, incarnée, humaine — et ceux-là restent rares précisément parce qu’ils n’entrent jamais dans les données d’entraînement, alors qu’il s’en produit davantage chaque jour, dans chaque pièce, hors de tout enregistrement.

L’argument qui survit à l’avenir

Supposons que nous ayons tort sur tout ce qui précède. Supposons que l’IA finisse par devenir meilleure que les humains en tout — spécification, connexion, jugement, tout. La valeur humaine s’effondre-t-elle ?

L’économie a répondu à cette question il y a deux cents ans, et la réponse est non. L’avantage comparatif — le principe qui sous-tend tout échange — dit que même lorsqu’une partie est absolument meilleure en tout, les deux parties gagnent encore à se partager le travail, parce que ce qui compte n’est pas qui est le meilleur, mais ce que chaque heure coûte en alternatives abandonnées. Si l’IA est mille fois meilleure que vous pour le traitement et deux fois meilleure pour le jugement, chaque heure d’IA passée sur le jugement est une heure qui n’est pas passée là où elle est mille fois meilleure. L’allocation rationnelle met encore les humains sur le jugement — même dans le scénario où l’IA gagne dans toutes les catégories.

C’est l’argument qui n’expire pas. Il n’exige pas de parier contre la technologie. Il n’exige que ce qui est certainement vrai : que la capacité est finie et que la demande, elle, ne l’est pas.

Votre poste est un ensemble de tâches

L’angoisse a la forme d’un poste : « l’IA va-t-elle prendre mon emploi ? ». Mais la réalité a la forme d’une tâche — et la différence compte énormément.

Un poste est un ensemble de tâches qu’il a eu du sens de regrouper pour une seule personne. L’histoire de l’automatisation n’est pas celle d’emplois qui disparaissent ; c’est celle d’ensembles qui sont recomposés. Le cas d’école : quand les distributeurs automatiques de billets se sont répandus aux États-Unis, tout le monde a tenu les guichetiers de banque pour finis. Au lieu de cela, le nombre de guichetiers par agence est tombé d’environ 21 à 13 — ce qui a rendu l’ouverture d’une agence moins chère — alors les banques ont ouvert 43 % d’agences urbaines en plus, et l’emploi total de guichetiers a augmenté pendant des décennies. Le poste a survécu par recomposition : moins de comptage d’argent, plus de relation.

L’honnêteté exige aussi la fin de l’histoire : après 2010, la banque sur mobile — l’automatisation de presque tout l’ensemble — a enfin fait ce que les distributeurs automatiques n’avaient jamais fait. La leçon n’est pas « l’automatisation ne déplace jamais personne ». La leçon est : l’automatisation partielle recompose un poste ; l’automatisation quasi totale le dissout. Ce qui fait que la question pratique, pour n’importe quel professionnel, n’est pas « suis-je à l’abri ? », mais « qu’y a-t-il dans mon ensemble de tâches ? ».

Faites donc l’inventaire. Dressez la liste de vos tâches réelles. Le travail en profondeur — traiter, rédiger des brouillons, chercher, compiler, suivre — part vers la moitié automatisable de l’ensemble ; déléguez-le aussi vite que les outils le permettent, car ce n’est pas dans cette moitié que votre valeur se cumule. L’autre moitié — décider ce qui vaut la peine d’être fait, juger si ce qui revient est vraiment bon pour les humains qu’il sert, relier les points non enregistrés, être celui qui répond du résultat — c’est la moitié sur laquelle il faut miser double, parce que c’est autour d’elle que l’ensemble recomposé sera construit.

Une IA peut être prudente. Elle ne peut pas avoir peur.

Il y a une part de la valeur humaine que presque personne ne nomme, peut-être parce qu’elle n’est guère flatteuse : les gens ont besoin de quelqu’un à blâmer.

C’est moins cynique qu’il n’y paraît. Savoir qui répond d’un résultat, c’est ainsi que la confiance passe à l’échelle — c’est pour cela que les contrats portent des signatures et que « qui signe, répond » est la plus vieille règle des affaires. Une grande part de ce que nous appelons diligence est de la peur en costume de travail : l’humain vérifie deux fois parce que son nom, sa réputation, son emploi sont attachés au résultat. Une IA peut être prudente — sa prudence est le fruit d’une conception, souvent excellente. Mais elle ne peut pas avoir peur. Elle n’a rien à perdre, aucun nom à salir, aucune conséquence à porter. Et c’est la peur des conséquences, non la prudence, qui garantit le comportement quand personne ne regarde.

Les organisations qui automatisent la responsabilité en même temps que la tâche l’apprennent à leurs dépens. Dan Davies appelle le résultat un accountability sink (un puits de responsabilité) : un système où les décisions sont déléguées à des procédures de façon si complète que, lorsque quelque chose va mal, il n’y a personne à blâmer — tout le monde a suivi les règles, et le résultat a quand même été mauvais. Les gens détestent les accountability sinks avec une intensité particulière ; la rage universelle contre les agents conversationnels du service client ne porte pas sur la qualité des réponses, elle porte sur le fait de se heurter à un mur là où devrait se trouver une personne responsable.

La conséquence de conception est simple : la responsabilité n’est pas une capacité, c’est une relation sociale — et c’est pourquoi elle ne peut pas être automatisée, seulement réassignée d’un humain à un autre. L’IA peut exécuter le travail. La garantie, elle, doit venir d’un humain qui signe.

Le regard fonctionne dans les deux sens

Encore une chose qu’une IA ne peut pas faire : être quelqu’un qu’il vaut la peine d’impressionner.

Personne n’est fier d’impressionner une IA, et personne n’a honte de la décevoir. La fierté et la honte exigent un juge qui ressent — dont la déception coûte quelque chose, dont le respect signifie quelque chose. C’est pourquoi la présence d’un manager motive comme aucun tableau de bord ne l’a jamais fait : être vu par quelqu’un capable de vous juger pour de vrai change votre façon de travailler. Le regard va dans les deux sens — l’humain lit l’équipe à travers son expérience vécue, et l’équipe travaille pour un humain dont le jugement a un poids que l’on ressent.

C’est aussi pourquoi, dans une organisation hybride bien conçue, les machines peuvent faire la mesure, mais le verdict reste humain. Une évaluation signée par une personne devant qui vous pouvez être fier est un instrument tout autre qu’une note calculée à votre sujet.

Quelqu’un doit pouvoir suivre le travail

Mettez les pièces bout à bout et elles forment une seule structure. L’IA ne peut pas craindre de conséquences → donc elle ne peut pas porter la responsabilité → donc elle ne peut pas être le juge → donc l’humain garde la signature, l’évaluation et le regard.

La théorie du management a un nom pour ce qui casse quand cette structure manque : le problème principal–agent. Chaque fois que quelqu’un (le principal) délègue à un autre (l’agent), il existe un écart d’information — le principal ne voit pas tout ce que fait l’agent, et le désalignement grandit dans cet écart. L’humanité a déjà résolu ce problème une fois, pour des agents humains. La solution s’appelle le management : des plans convenus à l’avance, un travail rendu visible, une reddition de comptes, une évaluation, des conséquences.

La même solution est aujourd’hui réutilisée pour l’IA — et c’est la forme pratique de tout ce qui précède. Si les humains doivent garder la direction et garantir l’alignement des intérêts, le travail de l’IA doit être lisible par des humains : suivi et rapporté dans des artefacts que les gens comprennent vraiment — des plans, des délais, des cycles, des évaluations — et non dans des traces et des logs. Quand les humains n’arrivent pas à suivre le travail, ils ne l’ont pas délégué ; ils l’ont abandonné. (Comment nous construisons cette lisibilité — pour des agents IA de n’importe quel fournisseur — est le sujet du premier article de cette série, Superviser les agents IA d’une façon que les humains comprennent ; ce que cela fait au rôle du manager est le sujet du deuxième, Les managers ne deviennent pas obsolètes. Le management manuel, si.)

Hybride par conception, pas par consolation

Donc : l’avenir du travail humain n’est pas un prix de consolation, et il ne dépend pas de l’IA butant sur un plafond.

Les humains précisent ce qui vaut la peine d’être voulu, parce que les désirs sont les leurs. Les humains relient les points qui vivent hors des registres, parce qu’ils étaient dans la pièce. Les humains portent la responsabilité, parce que seul quelqu’un qui a quelque chose à perdre peut le faire. Les humains jugent, parce que seul un juge qui ressent peut conférer de la fierté. Et même dans le cas limite où l’IA nous dépasse en tout, l’avantage comparatif confie encore la décision finale aux personnes — de l’arithmétique, pas du sentiment.

L’IA creuse chaque point. Les humains les relient, les choisissent, en répondent. Ce rôle n’est pas plus petit que celui que nous avions. Bien mené, c’est le rôle que nous avons toujours dit vouloir — chaque côté jouant sa superpuissance, par conception.

Références

• Jeff Dean (ancien Chief Scientist de Google ; cofondateur de Google Brain), The 1% Rule for Building in AI — Y Combinator Startup School, 2026 (citation à 32:26 ; notre traduction).
• James Bessen, recherches sur les distributeurs automatiques et l’emploi des guichetiers de banque (résumé sur l’AEI) — les guichetiers par agence sont passés de ~21 à ~13, les agences urbaines ont progressé de 43 %, l’emploi total de guichetiers a augmenté pendant des décennies ; le déclin n’est venu qu’avec l’automatisation quasi totale, après 2010.
• Dan Davies, The Unaccountability Machine (2024) — « accountability sinks » : des systèmes où les décisions sont déléguées à des procédures de sorte qu’aucun individu ne puisse être tenu pour responsable.