I was meeting the HR Director of a large pan-African industrial group, and we were discussing what AI could change in HR, which activities could be automated and how organisations could capture real value from the technology. These are familiar questions for me. I have spent much of my career working at the intersection of HR, technology and transformation.
Then the discussion moved somewhere else.
If AI progressively takes over the analysis, preparation, research and first-level problem solving traditionally performed by younger professionals, what happens to the way they become experienced professionals?
The question stayed with me because I had been approaching the same issue from another direction while writing my book, The Death of Skills. In the book, I question our tendency to look at talent mainly through the skills people already possess, and argue for a broader view based on potential, learning speed and trajectory.
But there is something we rarely say about trajectory.
A trajectory needs a path.
And I am beginning to wonder whether, in our legitimate effort to make work more efficient, we may be removing some of the steps that once helped people grow.
I started my career as an engineer working on HR information systems at Royal Air Maroc. We were deploying HR Access across a group of more than 6,000 employees and ten subsidiaries, with developers and HR experts working together on payroll, time management, recruitment and other HR processes.
At the time, I naturally focused on systems, interfaces, specifications and data. Yet much of what shaped me happened around the system rather than inside it.
I remember the many discussions where something that looked perfectly clear in a specification became much less obvious once payroll experts, HR teams and developers sat around the same table. Sometimes we discovered a technical problem. At other times, the technology was simply revealing an unclear process, a business rule nobody had fully challenged, or two departments that believed they agreed because they were using the same words.
I did not call this learning. I was simply trying to get the job done.
Years later, after moving into Talent and Recruitment and eventually becoming Head of HR, I understood how valuable those situations had been. They had taught me to move between technical logic and organisational reality, and to listen for the problem behind the problem.
AI would have saved me many hours in 2001, and I would gladly have used it.
But there is something I would not want it to have saved me from: the exposure.
Because I can see today that the system was not the only thing we were building.
The work was also building us.
We usually evaluate work through its visible output. A report has to be produced, candidates need to be screened, data must be analysed, a process needs to be tested or a presentation has to be prepared.
But junior work has always produced something else at the same time.
A recruiter reviewing hundreds of applications gradually develops pattern recognition. A consultant building an analysis learns what information matters and what can be ignored. An HRIS consultant testing processes begins to understand why apparently small exceptions can become major implementation risks.
The company receives the deliverable.
The individual accumulates experience.
For decades, these two outputs were almost impossible to separate, so organisations never really needed to think about them separately. Learning was embedded inside work.
AI changes this.
We can now obtain the first output without necessarily creating the second.
That is why I increasingly think of some junior activities as having an apprenticeship layer. The task itself may not deserve to survive, but the learning experience hidden inside it may still be valuable.
This changes the automation question.
Instead of asking only, “Can AI do this task?”, I believe leaders should also ask:
“What was this task teaching the person who used to do it?”
The answer will sometimes be “nothing important.” In that case, automate it without hesitation.
But sometimes the answer will be much more uncomfortable.
The same question came back to me during an exchange with a junior consultant.
He had worked with AI on an analysis, and the result was very good: well structured, clear, professional and much more mature than what a young consultant would typically have been able to produce so quickly only a few years ago.
My reaction was not to question the use of AI. Quite the opposite. This is exactly the kind of productivity improvement we should encourage.
But our conversation made me think about something else.
The most interesting question was no longer whether the analysis was good. It was what the consultant had learned while producing it.
Could he explain why one assumption mattered more than another? What would he change if the client’s context were different? Which recommendation would he remove first if implementation capacity became limited? How would he recognise that a perfectly logical recommendation would simply not work in that particular organisation?
The issue was not that he could not answer those questions. The exchange simply made visible a new reality.
AI can make the output mature much faster than the professional.
For most of my career, the sophistication of someone’s work gave at least some indication of the experience behind it. That relationship is becoming weaker.
A junior can now produce a senior-looking deliverable.
But senior-looking output is not senior-level judgment.
And this creates a new challenge for managers: when the visible signals of expertise can be generated by AI, how do we know when expertise is actually there?
Over the years, my career moved from technology to recruitment, HR leadership, consulting, entrepreneurship and finally the leadership of complex HR transformation programmes across different countries.
Each transition changed the way I looked at the same problem.
As an engineer, I looked for logical consistency. As an HR leader, I learned that a technically correct decision could still create very human consequences. As a consultant, I learned that understanding the client’s problem usually matters more than arriving quickly with an answer. As a business leader, I learned that transformation eventually has to produce measurable value.
Today, these perspectives often come together in the same executive conversation.
That is what experience does. It connects things that, earlier in a career, we tend to see separately.
I see professional development as a progression through four levels:
Knowledge → Practice → Judgment → Accountability
Knowledge tells me what normally works. Practice allows me to apply it repeatedly. Judgment tells me when the normal answer does not fit the situation. Accountability changes the way I think because I know that someone will have to live with the consequences of my decision.
AI can compress the first level dramatically and support the second. It may even become an extraordinary tool for challenging judgment.
What it cannot do for us is magically create twenty years of exposure.
Knowing the ten major risks of a multi-country HR transformation is useful. Recognising, during a difficult steering committee, which apparently minor issue is actually threatening the programme is something different.
That difference is where experience begins.
This is where the problem becomes more uncomfortable because I also look at AI as someone who has managed a business.
If AI enables six consultants to deliver what once required ten, there is a real economic opportunity. Productivity improves, delivery capacity increases and margins can improve. Ignoring that would not be responsible management.
But imagine that we repeat the logic year after year.
We recruit fewer junior professionals because less junior work is required. The juniors we do recruit encounter fewer first-level problems because AI resolves more of them. Senior experts become increasingly productive because AI enables them to handle more work directly.
The model may perform extremely well for several years.
Then, one day, the organisation discovers that everybody wants senior people and not enough companies have been producing them.
This is what I call capability debt.
We already understand technical debt, data debt and process debt. Capability debt is created when a decision that improves today’s productivity reduces the organisation’s ability to generate tomorrow’s expertise.
It will not appear immediately in financial reporting. It will emerge later through weak succession pipelines, dependence on a few critical experts, higher external recruitment costs and professionals whose performance drops sharply when they face a situation that does not fit the pattern suggested by their tools.
The original productivity gain was real.
The business case was simply incomplete.
For a while, this reasoning can lead to a rather defensive conclusion: perhaps we need to protect junior work.
I do not believe that.
My experience as a professor has actually convinced me of the opposite. The students I teach today have access to an intellectual resource that my generation could never have imagined. They can test an idea, ask for another explanation, simulate a case, challenge an argument and explore a new field within minutes.
That can create extraordinary professionals.
In The Death of Skills, I introduced Time-to-Skill, the time required to build a capability that an organisation needs. AI has the potential to reduce Time-to-Skill dramatically.
But I now believe we need to look at another measure beside it:
How long does it take someone to understand not only the standard answer, but when to use it, when to modify it and when to reject it completely?
AI can shorten Time-to-Skill much faster than Time-to-Judgment.
This creates a fascinating possibility: we could produce a generation that learns faster than any generation before it, while exposing that same generation to fewer of the situations through which professional judgment was traditionally built.
The solution, therefore, cannot be to preserve old work.
It has to be to design experience deliberately.
This is where I think organisations need to go much further than AI training or new competency frameworks.
For critical professions, I would build what I call an Experience Architecture.
It would start with a simple question: What does someone need to have experienced, not only learned, before we trust them at the next level?
I see four practical mechanisms.
For every critical role, identify the experiences that create judgment.
A future transformation leader may need to have managed a failed assumption, handled a difficult client, defended an unpopular recommendation, dealt with a local exception to a global model and taken responsibility for a decision whose outcome was uncertain.
Those experiences are different from skills.
You cannot complete an online course and tick them off.
Not every task should begin with AI.
When the learning value is important, ask the professional to form an initial view before seeing the AI recommendation. Then compare both, identify the differences and discuss why they occurred.
The goal is not to prove that the human is better.
The value lies in the gap between what I expected and what I discovered.
That gap is where judgment develops.
Today we track courses completed, certifications and years of experience. I would increasingly track decisions.
Which decisions has this person actually made? Under what level of uncertainty? What assumptions did they make? What happened afterwards? Where did they disagree with AI or with a senior colleague, and what did they learn from the outcome?
Over time, this creates something much richer than a traditional development record.
It becomes evidence of judgment.
AI should remove administrative friction aggressively.
Nobody needs to become a better leader by spending hours reformatting a spreadsheet or copying information between systems.
But some friction has developmental value.
A difficult stakeholder conversation, a disagreement between HR and IT, a client challenging your recommendation, a local subsidiary refusing a global design, or discovering that a technically perfect answer fails when real people use it can all create expertise.
The challenge will be to distinguish wasteful friction, which should disappear, from developmental friction, which organisations need to preserve or recreate.
That is a much more sophisticated AI strategy than simply automating everything technically possible.
When I think back to that conversation with the HR Director of the pan-African industrial group, I now see why the question stayed with me.
It was not really a conversation about junior jobs.
It was a conversation about how an organisation reproduces its own expertise.
The junior consultant brought the same question to life from the opposite direction. AI was already giving him capabilities that my generation took much longer to acquire, and that is a positive development. The challenge is to make sure that faster access to capability also leads to deeper judgment.
This takes me back to my own first years at Royal Air Maroc.
There are many things I did then that I would automate immediately today. I have no nostalgia for inefficient work.
But I would not automate away the conversations with payroll experts, developers and HR managers who disagreed with me. I would not remove the moments when a perfectly logical design collided with reality, or the responsibility that came when the problem finally became mine to solve.
At 23, I thought these things were simply part of the job.
Twenty-five years later, I understand that they were how the job was building me.
AI gives us an extraordinary opportunity to remove unnecessary work and dramatically accelerate learning. We should take that opportunity.
But if work no longer develops people almost automatically, then organisations will have to become much more intentional about the experiences through which expertise is created.
Perhaps this is the real talent question of the AI era.
Not:
How much junior work can we automate?
But:
Once we have automated it, how will we build the people we will need ten years from now?
We are learning how to make juniors dramatically more productive.
Our next challenge is harder, and far more important:
learning how to make them experienced.
]]>J’échangeais avec la DRH d’un grand groupe industriel panafricain sur ce que l’IA pouvait changer dans les RH, les activités susceptibles d’être automatisées et la manière dont les entreprises pouvaient réellement créer de la valeur grâce à cette technologie. Ce sont des questions qui me sont familières. J’ai passé une grande partie de ma carrière à travailler à l’intersection des RH, de la technologie et de la transformation.
Puis notre discussion a pris une autre direction.
Si l’IA réalise progressivement l’analyse, la recherche, la préparation et la résolution des premiers problèmes traditionnellement confiés aux jeunes professionnels, comment ces derniers vont-ils acquérir l’expérience qui leur permettra un jour de devenir des seniors ?
Cette question m’est restée en tête parce que je l’abordais déjà, sous un autre angle, en écrivant mon livre, The Death of Skills. J’y défends notamment l’idée que le talent ne peut pas être compris uniquement à travers les compétences qu’une personne possède aujourd’hui. Il faut également regarder son potentiel, sa vitesse d’apprentissage et sa trajectoire.
Mais il y a quelque chose que nous disons rarement à propos d’une trajectoire.
Une trajectoire a besoin d’un chemin.
Et je commence à me demander si, dans notre volonté légitime de rendre le travail plus efficace, nous ne sommes pas en train de supprimer certaines des étapes qui permettaient justement aux personnes de grandir.
J’ai commencé ma carrière comme ingénieur, en travaillant sur les systèmes d’information RH chez Royal Air Maroc. Nous déployions HR Access dans un groupe de plus de 6 000 collaborateurs et dix filiales, avec des développeurs et des experts RH qui travaillaient ensemble sur la paie, la gestion des temps, le recrutement et de nombreux autres processus.
À cette époque, je me concentrais naturellement sur les systèmes, les interfaces, les spécifications et les données. Pourtant, une grande partie de ce qui m’a réellement formé s’est passée autour du système, et non dans le système.
Je me souviens de nombreuses discussions où une règle qui semblait parfaitement claire dans une spécification devenait beaucoup moins évidente lorsque des experts paie, des responsables RH et des développeurs se retrouvaient autour de la même table. Parfois, nous découvrions un problème technique. À d’autres moments, la technologie ne faisait que révéler un processus mal défini, une règle métier jamais réellement remise en question ou deux départements persuadés de parler de la même chose parce qu’ils utilisaient les mêmes mots.
Je n’appelais pas cela de l’apprentissage. J’essayais simplement de faire fonctionner le projet.
Des années plus tard, après être passé au Talent et au Recrutement, puis à la direction RH, j’ai compris la valeur de ces situations. Elles m’avaient appris à passer de la logique technique à la réalité de l’organisation et, surtout, à chercher le problème qui se cache derrière le problème.
L’IA m’aurait fait gagner énormément de temps en 2001, et je l’aurais utilisée avec enthousiasme.
Mais il y a une chose dont je n’aurais pas voulu qu’elle me protège : l’exposition à la réalité opérationnelle.
Car aujourd’hui, je comprends que nous ne construisions pas seulement un système.
Le travail nous construisait également.
Nous évaluons généralement le travail à travers son résultat visible. Un rapport doit être produit, des candidats doivent être analysés, des données doivent être étudiées, un processus doit être testé ou une présentation doit être préparée.
Mais le travail junior a toujours produit autre chose en parallèle.
Un recruteur qui analyse des centaines de candidatures développe progressivement une capacité à reconnaître des schémas. Un consultant qui construit une analyse apprend à distinguer l’information importante du bruit. Un jeune consultant SIRH qui teste des processus découvre pourquoi une petite exception peut devenir un risque majeur dans un projet.
L’entreprise reçoit le livrable.
La personne accumule de l’expérience.
Pendant des décennies, ces deux résultats étaient presque impossibles à séparer. Les organisations n’avaient donc pas réellement besoin de les penser séparément. L’apprentissage était intégré au travail.
L’IA change cette équation.
Nous pouvons désormais obtenir le premier résultat sans nécessairement produire le second.
C’est pourquoi je considère qu’une partie du travail junior possède ce que j’appelle une couche d’apprentissage invisible. La tâche elle-même ne mérite peut-être pas de survivre, mais l’expérience qu’elle créait reste précieuse.
La question de l’automatisation doit donc évoluer.
Au lieu de demander uniquement : « Est-ce que l’IA peut réaliser cette tâche ? », les dirigeants devraient également se demander :
« Qu’est-ce que cette tâche apprenait à la personne qui la réalisait ? »
Parfois, la réponse sera : rien de vraiment important. Dans ce cas, automatisons sans hésiter.
Mais parfois, la réponse sera beaucoup plus inconfortable.
La même question est revenue lors d’un échange récent avec un consultant junior.
Il avait utilisé l’IA pour travailler sur une analyse, et le résultat était très bon : structuré, clair, professionnel et beaucoup plus mature que ce qu’un jeune consultant aurait généralement pu produire aussi rapidement il y a encore quelques années.
Ma réaction n’a pas été de remettre en question l’utilisation de l’IA. Au contraire. C’est exactement le type de gain de productivité que nous devons savoir exploiter.
Mais notre échange m’a amené à regarder le sujet autrement.
La question la plus intéressante n’était plus de savoir si l’analyse était bonne. Elle était de savoir ce que le consultant avait appris en la produisant.
Pouvait-il expliquer pourquoi une hypothèse comptait davantage qu’une autre ? Que changerait-il si le contexte du client était différent ? Quelle recommandation supprimerait-il en premier si les capacités de mise en œuvre devenaient limitées ? Comment reconnaîtrait-il qu’une recommandation parfaitement logique ne fonctionnerait tout simplement pas dans cette organisation précise ?
Le sujet n’était pas de savoir s’il pouvait ou non répondre. Notre discussion révélait simplement une nouvelle réalité.
L’IA peut faire mûrir le livrable beaucoup plus vite que la personne.
Pendant une grande partie de ma carrière, le niveau de sophistication d’un travail donnait au moins quelques indications sur l’expérience de celui qui l’avait produit. Ce lien devient beaucoup plus faible.
Un junior peut désormais produire un livrable qui ressemble au travail d’un senior.
Mais un livrable de niveau senior n’est pas la même chose qu’un jugement de niveau senior.
Cela crée un nouveau défi pour les managers : lorsque les signes visibles de l’expertise peuvent être reproduits par une IA, comment savoir si l’expertise est réellement présente ?
Au fil des années, mon parcours m’a conduit de la technologie vers le recrutement, la direction RH, le conseil, l’entrepreneuriat puis le pilotage de transformations RH complexes dans différents pays.
Chaque étape a modifié ma manière de regarder un même problème.
En tant qu’ingénieur, je recherchais la cohérence logique. En tant que responsable RH, j’ai appris qu’une décision techniquement juste pouvait avoir des conséquences humaines très complexes. Comme consultant, j’ai compris que bien diagnostiquer le problème d’un client comptait souvent davantage que d’arriver rapidement avec une solution. Comme dirigeant, j’ai appris qu’une transformation devait, tôt ou tard, produire une valeur mesurable.
Aujourd’hui, toutes ces perspectives se retrouvent souvent dans une même conversation avec un dirigeant.
C’est aussi cela, l’expérience. Elle finit par relier des sujets que nous avions tendance à regarder séparément au début de notre carrière.
Je vois le développement professionnel comme une progression en quatre étapes :
Connaissance → Pratique → Jugement → Responsabilité
La connaissance permet de comprendre ce qui fonctionne généralement. La pratique permet de l’appliquer dans différentes situations. Le jugement permet de comprendre quand la réponse habituelle n’est plus la bonne. La responsabilité change enfin notre manière de réfléchir, parce que quelqu’un devra assumer les conséquences de la décision.
L’IA peut accélérer considérablement la première étape et enrichir la seconde. Elle peut même devenir un outil exceptionnel pour challenger notre jugement.
Mais elle ne peut pas créer magiquement vingt années d’exposition au réel.
Connaître les dix principaux risques d’une transformation RH internationale est utile. Reconnaître, au milieu d’un comité de pilotage difficile, que le problème apparemment secondaire que tout le monde minimise est en train de mettre le projet en danger est une autre capacité.
C’est là que commence l’expérience.
C’est ici que le sujet devient plus inconfortable, car je regarde également l’IA avec mon expérience de dirigeant.
Si l’IA permet à six consultants de produire ce qui nécessitait auparavant dix personnes, il existe une opportunité économique réelle. La productivité augmente, la capacité de delivery progresse et les marges peuvent s’améliorer. Ignorer cette possibilité ne serait pas une bonne décision de management.
Mais imaginons que nous répétions ce raisonnement année après année.
Nous recrutons moins de juniors parce que nous avons besoin de moins de travail junior. Les jeunes que nous recrutons rencontrent moins de problèmes de premier niveau parce que l’IA en résout davantage avant qu’ils n’arrivent jusqu’à eux. Les experts seniors deviennent également plus productifs et peuvent prendre en charge davantage de travail directement.
Le modèle peut fonctionner extrêmement bien pendant plusieurs années.
Puis, un jour, l’organisation découvre que tout le monde cherche des profils expérimentés, mais que de moins en moins d’entreprises ont réellement contribué à les former.
C’est ce que j’appelle la capability debt, ou dette de capacité.
Nous connaissons la dette technique. Nous parlons de plus en plus de dette data ou de dette processus. La capability debt apparaît lorsqu’une décision qui améliore la productivité aujourd’hui réduit la capacité de l’organisation à créer l’expertise dont elle aura besoin demain.
Elle n’apparaît pas immédiatement dans les comptes. Elle arrive plus tard sous la forme de plans de succession fragiles, d’une dépendance excessive à quelques experts, d’un coût croissant pour recruter des seniors sur le marché ou de professionnels très performants tant que la situation ressemble aux modèles proposés par leurs outils.
Le gain de productivité initial était réel.
Il manquait simplement une ligne dans le calcul.
Ce raisonnement pourrait facilement conduire à une conclusion défensive : protégeons le travail junior.
Je ne le pense pas.
Mon expérience d’enseignant m’a au contraire convaincu que nous pouvons construire quelque chose de beaucoup plus intéressant. Les étudiants que j’accompagne aujourd’hui ont accès à une ressource intellectuelle que ma génération n’aurait même pas imaginée : ils peuvent tester une idée, demander une autre explication, simuler un cas, challenger un raisonnement et explorer un domaine totalement nouveau en quelques minutes.
Cela peut produire des professionnels extraordinaires.
Dans The Death of Skills, j’introduis le concept de Time-to-Skill, le temps nécessaire pour développer une capacité dont l’organisation a besoin. L’IA peut réduire ce délai de manière spectaculaire.
Mais je pense désormais qu’il faut lui ajouter une autre mesure :
Combien de temps faut-il à une personne pour passer de la connaissance de la réponse standard à la capacité de comprendre ce qu’il faut réellement faire ici, maintenant, dans cette situation précise ?
Le Time-to-Skill et le Time-to-Judgment ne progressent pas forcément à la même vitesse.
L’IA peut réduire considérablement le premier sans réduire autant le second, surtout si les personnes sont moins exposées aux situations difficiles.
Nous pourrions alors créer la génération qui apprend le plus vite de toute l’histoire du travail, tout en lui donnant moins d’occasions de construire son jugement professionnel.
La solution n’est donc pas de préserver les anciennes tâches.
Elle consiste à concevoir l’expérience de manière intentionnelle.
C’est ici que, selon moi, les organisations doivent aller beaucoup plus loin que la formation à l’IA ou les nouveaux référentiels de compétences.
Pour les métiers critiques, je construirais ce que j’appelle une Experience Architecture, une architecture de l’expérience.
Elle commencerait par une question simple :
Qu’est-ce qu’une personne doit avoir réellement vécu, et pas seulement appris, avant que nous lui fassions confiance au niveau supérieur ?
Je vois quatre mécanismes concrets.
Pour chaque rôle critique, identifions les expériences qui construisent réellement le jugement.
Un futur leader de transformation devrait peut-être avoir vécu un projet où une hypothèse importante s’est révélée fausse, géré un client difficile, défendu une recommandation impopulaire, traité une exception locale dans un modèle global ou pris une décision dont l’issue restait incertaine.
Ce sont des expériences, pas des compétences.
On ne les acquiert pas simplement en terminant une formation en ligne.
Toutes les tâches ne devraient pas commencer par l’IA.
Lorsque la valeur d’apprentissage est importante, demandons d’abord au professionnel de construire son propre point de vue, puis de le comparer avec la recommandation de l’IA.
L’objectif n’est pas de démontrer que l’humain est meilleur que la machine.
La valeur se trouve dans l’écart entre :
« Voilà ce que je pensais »
et
« Voilà ce que j’ai découvert ».
C’est dans cet écart que le jugement se construit.
Aujourd’hui, nous suivons les formations réalisées, les certifications et le nombre d’années d’expérience.
Je pense que nous devrions progressivement suivre aussi les décisions.
Quelles décisions cette personne a-t-elle réellement prises ? Avec quel niveau d’incertitude ? Sur quelles hypothèses ? Que s’est-il passé ensuite ? Quand a-t-elle été en désaccord avec l’IA ou avec un senior ? Et surtout, qu’a-t-elle appris du résultat ?
Avec le temps, cela crée une vision beaucoup plus riche de la maturité professionnelle qu’un simple nombre d’années dans un poste.
Cela devient une preuve de jugement.
L’IA doit supprimer agressivement la friction administrative.
Personne ne devient un meilleur leader en passant trois heures à reformater un fichier Excel ou à recopier des informations d’un système dans un autre.
Mais toutes les frictions ne sont pas inutiles.
Une conversation difficile avec un client, un désaccord entre les RH et la DSI, une filiale locale qui challenge un modèle global ou la découverte qu’une solution techniquement parfaite ne fonctionne pas avec de vraies personnes peuvent tous créer de l’expertise.
Le vrai défi sera donc de distinguer la friction inutile, qu’il faut éliminer, de la friction développementale, qu’il faudra parfois préserver ou même recréer.
C’est une approche beaucoup plus ambitieuse de l’IA que l’automatisation de tout ce qui est techniquement automatisable.
Lorsque je repense aujourd’hui à cette conversation avec la DRH du groupe industriel panafricain, je comprends mieux pourquoi la question m’est restée.
Nous ne parlions pas réellement des emplois juniors.
Nous parlions de la manière dont une organisation reproduit sa propre expertise.
Le jeune consultant m’a montré le même problème sous un autre angle. L’IA lui donnait déjà des capacités que ma génération avait mis beaucoup plus de temps à acquérir, et c’est une excellente chose. Le défi consiste désormais à faire en sorte que cette accélération des capacités conduise également à un jugement plus profond.
Cela me ramène à mes premières années chez Royal Air Maroc.
Il existe beaucoup de tâches que j’automatiserais immédiatement aujourd’hui. Je n’éprouve aucune nostalgie pour le travail inefficace.
Mais je ne supprimerais pas les conversations avec les experts paie, les développeurs et les responsables RH qui n’étaient pas d’accord avec moi. Je ne supprimerais pas ces moments où une solution parfaitement logique rencontrait brutalement la réalité, ni la responsabilité qui apparaissait lorsque le problème devenait réellement le mien.
À 23 ans, je pensais que tout cela faisait simplement partie du travail.
Vingt-cinq ans plus tard, je comprends que c’est ainsi que le travail me construisait.
L’IA nous offre une opportunité extraordinaire de supprimer du travail inutile et d’accélérer considérablement l’apprentissage. Nous devons la saisir.
Mais si le travail ne développe plus les personnes presque automatiquement, les organisations devront devenir beaucoup plus intentionnelles dans la manière dont elles construisent l’expérience.
C’est peut-être cela, la véritable question Talent de l’ère de l’IA.
Non pas :
« Quelle quantité de travail junior pouvons-nous automatiser ? »
Mais :
« Une fois que nous l’aurons automatisé, comment construirons-nous les professionnels dont nous aurons besoin dans dix ans ? »
Nous sommes en train d’apprendre à rendre les juniors beaucoup plus productifs.
Le prochain défi est plus difficile, et beaucoup plus important :
apprendre à les rendre expérimentés.
]]>AI didn’t replace humans. It replaced mediocre processes. But it created a silent killer in the EMEA region: Architectural Debt.
I see it every week with my clients. Companies have stacked Generative AI tools like Lego bricks, without thinking about the foundations. The result? We have very intelligent chatbots connected to very “dirty” Data Lakes.
“An algorithm without governance is not a tool. It is a liability.”
As an Engineer turned HR Leader, I apply a simple rule: Logic before Magic. Before buying the next Copilot, ask your CTO these 3 questions:
If you can’t answer these, stop the pilot. Fix the architecture.
]]>Over the last twelve months, I traveled extensively across the EMEA region. From boardrooms in Paris to strategic summits in Dubai, I sat across from CHROs and CTOs. They all shared the same exhausted look.
The hype party of 2024 is over. 2025 was the year we had to clean up the mess.
As an Engineer and former HR Director, I always tell my clients that mathematics does not care about marketing. In 2025, the math finally caught up with the market.
Here is the true story of our industry last year.
Early in 2025, many clients asked me for “autonomous agents” to run their operations. It was the popular technology of the moment.
I asked them one simple question: “Show me your data architecture.”
What we found was not a clean lake. It was a swamp. Their old systems were rigid and their data was messy. When they tried to force advanced AI into this old architecture, the system failed.
This was the story of the year. Companies spent millions on AI engines but had no roads to drive them on. I spent my time advising companies on data sanitation rather than new features.
We learned that you cannot build a skyscraper on quicksand.
The mood shifted in August. That was when the experiments stopped.
I remember a meeting with a Global 2000 company. The HR team presented a pilot for an “Employee Experience Copilot.” It looked impressive. Then the CFO leaned forward.
He asked how much this reduced the cost per hire. He asked for the impact on the P&L. There was silence.
An MIT study released last summer confirmed what I saw on the ground. It showed that 95% of AI pilots had zero impact on profit. The projects that survived 2025 were the boring ones. Simple automation saved money. The flashy tools did not.
Then came the fear.
A massive vendor security breach in June exposed millions of applicant records. It sent a shockwave through the industry.
Suddenly, “Shadow AI” became my main conversation topic. In my audits, I found that nearly 20% of employees were pasting sensitive corporate data into public AI tools. They did this because their internal tools were too slow.
With the enforcement of the EU AI Act, leaders realized that AI was not just an asset. It was a legal risk. I spent the second half of the year helping leaders build governance walls.
The most profound change was human.
In May, a global tech giant announced they stopped hiring for junior HR administrative roles. Their AI agents were handling 94% of routine inquiries.
For the first time, the company workforce grew, but the HR department shrank. The administrative entry jobs are gone. However, this created a demand for a new profile. Companies are now desperate for HR Architects and Crisis Managers.
The lesson from 2025 is humility. The technology is ready. We were not.
In 2026, we must stop chasing buzzwords. We need to go back to engineering principles. We need to clean our data and focus on the P&L.
The magic button does not exist. But for those disciplined enough to build the right architecture, the potential is real.
Let’s get to work.
]]>Au cours des douze derniers mois, j’ai beaucoup voyagé à travers la région EMEA. Des conseils d’administration à Paris aux sommets stratégiques à Dubaï, je me suis assis face à des DRH et des CTO. Ils partageaient tous le même regard épuisé.
La fête de la “Hype” de 2024 est terminée. 2025 a été l’année où nous avons dû nettoyer le désordre.
En tant qu’ingénieur et ancien responsable RH, je dis toujours à mes clients que les mathématiques se moquent du marketing. En 2025, les maths ont fini par rattraper le marché.
Voici la véritable histoire de notre industrie l’année dernière.
Début 2025, de nombreux clients me réclamaient des “agents autonomes” pour gérer leurs opérations. C’était la technologie à la mode.
Je leur ai posé une question simple : « Montrez-moi votre architecture de données. »
Ce que nous avons trouvé n’était pas un lac pur. C’était un marécage. Leurs vieux systèmes étaient rigides et leurs données chaotiques. Lorsqu’ils ont essayé de forcer une IA avancée dans cette vieille architecture, le système a échoué.
C’est l’histoire de l’année. Les entreprises ont dépensé des millions pour des moteurs d’IA mais n’avaient pas de routes pour les faire rouler. J’ai passé mon temps à conseiller les entreprises sur l’assainissement des données plutôt que sur de nouvelles fonctionnalités.
Nous avons appris qu’on ne construit pas un gratte-ciel sur des sables mouvants.
L’ambiance a changé en août. C’est là que les expérimentations ont cessé.
Je me souviens d’une réunion avec une entreprise du Global 2000. L’équipe RH présentait un pilote pour un “Copilot d’Expérience Employé”. Cela semblait impressionnant. Puis le Directeur Financier (DAF) s’est penché en avant.
Il a demandé de combien cela réduisait le coût par recrutement. Il a demandé l’impact sur le P&L. Il y eut un silence.
Une étude du MIT publiée l’été dernier a confirmé ce que je voyais sur le terrain. Elle a montré que 95 % des pilotes d’IA avaient un impact nul sur le profit. Les projets qui ont survécu à 2025 étaient les plus ennuyeux. L’automatisation simple a permis d’économiser de l’argent. Les outils “tape-à-l’œil” non.
Puis vint la peur.
Une brèche de sécurité massive chez un grand éditeur en juin a exposé des millions de dossiers de candidats. Cela a envoyé une onde de choc à travers l’industrie.
Soudain, le “Shadow AI” est devenu mon principal sujet de conversation. Dans mes audits, j’ai découvert que près de 20 % des employés collaient des données d’entreprise sensibles dans des outils d’IA publics. Ils le faisaient parce que leurs outils internes étaient trop lents.
Avec l’application de l’IA Act européen, les dirigeants ont réalisé que l’IA n’était pas seulement un atout. C’était un risque juridique. J’ai passé la seconde moitié de l’année à aider les dirigeants à construire des murs de gouvernance.
Le changement le plus profond a été humain.
En mai, un géant technologique mondial a annoncé l’arrêt des recrutements pour les rôles administratifs RH juniors. Leurs agents IA géraient 94 % des demandes de routine.
Pour la première fois, l’effectif global de l’entreprise a augmenté, mais le département RH a rétréci. Les emplois administratifs d’entrée de gamme ont disparu. Cependant, cela a créé une demande pour un nouveau profil. Les entreprises cherchent désespérément des Architectes RH et des Gestionnaires de Crise.
La leçon de 2025 est l’humilité. La technologie est prête. Nous ne l’étions pas.
En 2026, nous devons arrêter de courir après les buzzwords. Nous devons revenir aux principes d’ingénierie. Nous devons nettoyer nos données et nous concentrer sur le P&L.
Le bouton magique n’existe pas. Mais pour ceux qui sont assez disciplinés pour construire la bonne architecture, le potentiel est réel.
Au travail.
]]>I read the World Economic Forum piece on the forces shaping work, and it resonates with my daily battles. The demographic shifts, the skills scarcity: these are not theoretical problems. They are operational threats. I see companies in Morocco and across MEA rushing to adopt “Generative AI” without having a clean Core HR database. You cannot generate intelligence from chaos.
My strategic advice for the coming year is simple: Return to fundamentals. Audit your data stack. Secure your governance. Train your people not just on tools, but on logic and ethics. Technology is a powerful accelerator, but if you accelerate a bad process, you just hit the wall faster. Be the architect of your transformation, not just a passenger on the vendor’s roadmap. Let’s make 2026 the year of boring, effective, measurable ROI.
]]>J’ai lu l’article du Forum Économique Mondial sur les forces qui façonnent le travail, et il résonne avec mes batailles quotidiennes. Les changements démographiques, la pénurie de compétences: ce ne sont pas des problèmes théoriques. Ce sont des menaces opérationnelles. Je vois des entreprises au Maroc et dans la région MEA se précipiter pour adopter “l’IA Générative” sans avoir une base de données Core HR propre. On ne peut pas générer de l’intelligence à partir du chaos.
Mon conseil stratégique pour l’année à venir est simple : revenez aux fondamentaux. Auditez votre stack de données. Sécurisez votre gouvernance. Formez vos gens non seulement aux outils, mais à la logique et à l’éthique. La technologie est un accélérateur puissant, mais si vous accélérez un mauvais processus, vous frappez juste le mur plus vite. Soyez l’architecte de votre transformation, pas juste un passager sur la roadmap du fournisseur. Faisons de 2026 l’année d’un ROI ennuyeux, efficace et mesurable.
]]>In my own career, from coding complex payroll algorithms for Royal Air Maroc to advising C-Suites, I realized that technical mastery without communication is useless, and empathy without technical grounding is powerless. The “Job Apocalypse” narrative is wrong. AI isn’t killing jobs; it is hybridizing them. We are seeing the rise of the “Technical Empath”: roles that require understanding the nuance of an LLM’s architecture while also navigating the nuance of human change management.
This requires a complete rethink of L&D. You cannot just buy a subscription to a coding boot camp and a subscription to a leadership seminar and hope they mix. You need integrated learning paths where technical application is taught through the lens of human impact. The future belongs to the polymaths. If your talent strategy is still sorting people into “Tech” and “Non-Tech,” you are preparing for a world that no longer exists.
]]>Dans ma propre carrière, du codage d’algorithmes de paie complexes pour Royal Air Maroc au conseil auprès des C-Suites, j’ai réalisé que la maîtrise technique sans communication est inutile, et que l’empathie sans ancrage technique est impuissante. Le récit de “l’Apocalypse de l’Emploi” est faux. L’IA ne tue pas les emplois ; elle les hybride. Nous assistons à la montée de “l’Empathique Technique”: des rôles qui nécessitent de comprendre la nuance de l’architecture d’un LLM tout en naviguant dans la nuance de la conduite du changement humain.
Cela exige une refonte complète du L&D. Vous ne pouvez pas simplement acheter un abonnement à un bootcamp de code et un abonnement à un séminaire de leadership en espérant qu’ils se mélangent. Vous avez besoin de parcours d’apprentissage intégrés où l’application technique est enseignée à travers le prisme de l’impact humain. L’avenir appartient aux polymaths. Si votre stratégie de talents classe encore les gens en “Tech” et “Non-Tech”, vous vous préparez pour un monde qui n’existe plus.
]]>J’ai récemment audité une institution financière où des analystes juniors collaient du code propriétaire dans des LLM publics pour le déboguer. Ils n’étaient pas malveillants ; ils essayaient d’être efficaces. Mais du point de vue de la gouvernance des données, c’était une catastrophe imminente. L’enquête met en lumière un échec du leadership, pas un échec de conformité. Les employés cachent l’utilisation de l’IA parce qu’ils n’ont pas été formés à l’utiliser en toute sécurité.
La solution n’est pas d’interdire ces outils; c’est impossible. La solution est d’architecturer des “Safe Zones”. Vous devez fournir des instances d’entreprise de ces outils (comme les intégrations IA internes de Cornerstone) où les données sont cloisonnées. Vous devez ramener ce comportement de l’ombre vers la lumière en offrant une alternative meilleure, plus sûre et sanctionnée. Si votre politique IT se résume à “Non”, vos employés entendront “Ne vous faites pas prendre”. Et c’est une posture de risque inacceptable pour 2026.
]]>