La conversation avait commencé exactement comme commencent aujourd’hui beaucoup de discussions sur l’intelligence artificielle : par la productivité.
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.
1. En 2001, je pensais simplement déployer un SIRH
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.
2. Le travail junior a toujours produit deux choses
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.
3. Puis un jeune consultant a rendu le problème très concret
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 ?
4. La connaissance devient abondante. Le jugement, beaucoup moins.
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.
5. Le business case contient une ligne que nous ne voyons pas encore
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.
6. Mes étudiants m’ont fait voir l’autre moitié du problème
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 :
Le Time-to-Judgment
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.
7. Passer des parcours de carrière à une architecture de l’expérience
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.
1. Construire une Experience Map, pas uniquement une Skills Map
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.
2. Utiliser un modèle en deux temps pour les activités à forte valeur d’apprentissage
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.
3. Construire un portefeuille de décisions
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.
4. Préserver les frictions qui développent
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.
8. Vingt-cinq ans plus tard, je comprends enfin ce que mon premier métier m’apprenait
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.