Si l’IA fait le travail des juniors, d’où viendront les seniors de demain ?

IA et organisation
Une ligne de production de documents impeccables, dont un seul est faux ; en dessous, un junior qui s'efface, à côté d'un senior, tient le cordon d'arrêt.

Depuis l’arrivée de l’IA générative, il n’y a pas si longtemps, nous ressentons tous un changement de paradigme grandissant. Avouons-le : nous avons tous des émotions et des sentiments divers sur le sujet, entre FOMO (Fear Of Missing Out), enthousiasme, crainte, perte de repères ou opportunisme. Mais je pense qu’une question nous trotte tous dans la tête, que l’on soit parent, étudiant sur le point d’entrer dans le monde du travail, manager ou dirigeant : si l’IA fait le travail des juniors, d’où viendront les seniors de demain ?

Où sont les juniors ?

Nous avons déjà de premiers retours. Aux États-Unis, selon une étude de Stanford1, l’emploi des 22-25 ans dans les métiers les plus exposés à l’IA est désormais 19 % sous sa tendance, alors que leurs collègues plus expérimentés ne sont pas touchés. Une étude de Harvard2 va dans le même sens : dans les entreprises qui adoptent l’IA générative, l’emploi junior a baissé d’environ 9 % en dix-huit mois. C’est trop rapide pour s’expliquer par des tâches réellement automatisées ; les auteurs y voient une anticipation : les entreprises cessent d’embaucher pour des postes qu’elles pensent bientôt confiés à l’IA. Autrement dit, on coupe le vivier sur une promesse, pas sur un résultat.

Et l’Europe ne fait pas mieux, au contraire : selon la Linux Foundation3, les postes techniques d’entrée y ont reculé de 3 % en 2025, quand ils progressaient de 14 % dans le reste du monde.

Un junior brillant, mais vraisemblable

Il y a peu, un business plan est passé entre mes mains. Un proche, avec qui j’échangeais sur cette opportunité, a eu l’idée, comme nous le faisons tous maintenant, d’en faire la due diligence avec Perplexity. En quelques minutes à peine, l’analyse était là : complète, bien structurée, très positive sur l’opportunité, avec quelques points d’attention mineurs.

Mais quelque chose me gênait, le fameux gut feeling. C’était trop beau, trop positif. De plus, ayant déjà lu les documents, je trouvais le dossier un peu léger. Nous avons donc refait l’exercice. Cela nous a pris une bonne demi-journée, mais nous avons pu relever que les prévisions étaient trop ambitieuses, que les conditions sous-jacentes étaient mentionnées mais pas détaillées, que les différents calculs de valorisation ne collaient pas, et j’en passe… Nous avons alors eu la bonne idée de renvoyer tout cela dans la conversation initiale avec Perplexity, qui n’a eu d’autre réponse que : « Vous avez raison… ». C’est d’ailleurs un comportement bien documenté de ces modèles, qui ont tendance à donner raison à leur utilisateur4.

Ce qui est intéressant dans cette anecdote, c’est que cette personne était loin d’être un junior : elle fait ce genre d’analyse régulièrement. Cela montre que le jugement et l’esprit critique s’entretiennent par l’expérience et l’apprentissage continu ; ils ne s’acquièrent pas une fois pour toutes.

Mais que se serait-il passé si un junior avait dû faire cette analyse, ou présélectionner les business cases viables pour les remonter à son supérieur ? Sans doute aurait-il utilisé l’IA ; on l’y aurait même encouragé. Ou, plus probablement encore, il n’y aurait pas eu de junior du tout : on aurait demandé à un senior d’en traiter davantage, pour une question de productivité, grâce à un assistant d’IA.

Car les assistants d’IA d’aujourd’hui sont des juniors de très haut niveau : rapides, infatigables, à l’aise à l’écrit. Mais ce qu’ils produisent est vraisemblable, pas fiable. Il leur faut quelqu’un pour cadrer la demande, l’affiner et lire le résultat d’un œil critique. Une expérience menée par des chercheurs de Harvard avec le Boston Consulting Group (BCG)5 l’a d’ailleurs mesuré. Sur un cas conçu pour que l’IA se trompe, les consultants qui l’utilisaient ont trouvé la bonne réponse moins souvent que ceux qui travaillaient sans (60 à 70 % contre 84,5 %). Plus troublant encore, leurs recommandations étaient jugées de meilleure qualité, même lorsqu’elles étaient fausses.

L’ironie de l’automatisation

En 1983, bien avant l’IA générative, une psychologue de l’ingénierie, Lisanne Bainbridge6, décrivait ce qu’elle appelait les ironies de l’automatisation. On automatise parce qu’on juge l’humain peu fiable, puis on lui laisse ce que la machine ne sait pas faire : les cas difficiles. Un opérateur qui ne fait plus que surveiller perd la main, et surveille mal un système qui fonctionne presque toujours.

« Perhaps the final irony is that it is the most successful automated systems, with rare need for manual intervention, which may need the greatest investment in human operator training. »

(« L’ironie ultime est peut-être que ce sont les systèmes automatisés les plus réussis, ceux qui demandent rarement une intervention manuelle, qui exigent le plus d’investissement dans la formation des opérateurs. »)

Lisanne Bainbridge, Ironies of Automation, 1983

Ce sont exactement les arguments utilisés aujourd’hui pour vendre des business cases d’automatisation (par l’IA ou non) : l’humain serait « perfectible », et son esprit devrait être réservé aux cas spécifiques, pas aux cas standards. Ironie supplémentaire : ces cas standards sont justement ceux sur lesquels les juniors apprennent. On peut donc voir chez Bainbridge une vision avant-gardiste. Et le phénomène ne fera que s’accentuer : plus l’IA est « bonne », plus il faut des personnes capables de voir quand elle a tort. Et cette capacité se forme en faisant.

Avec un peu de recul, si j’en suis là aujourd’hui, c’est que j’ai eu la chance de toucher un peu à tout dans la data et l’IA. De formation, je suis data scientist, mais j’ai rapidement compris tous les impacts sous-jacents sur le comportement de mes modèles une fois en production. Je suis venu aux chaînes de traitement, à la gouvernance et aux plateformes de données parce que mes modèles portaient des biais qui venaient d’en amont. J’ai appris les dépendances en trébuchant dessus.

Et c’est, je crois, la définition d’un senior : quelqu’un qui peut comprendre et anticiper. C’est la différence entre regarder un tutoriel pour monter un meuble et le monter soi-même. Le meuble tout fait a l’air très bien, jusqu’au déménagement, quand il faut le démonter.

Ce qui change la donne, contrairement à la calculatrice qui a remplacé le boulier sans risque, c’est que l’IA est vraisemblable : on ne peut pas cesser de savoir quoi vérifier. Ce qui nous ramène à nos fameux gains de productivité, que l’on n’estime qu’en temps gagné, alors que le danger n’est pas un travail mal fait, c’est un travail faux qui a l’air bien fait.

La forme, oui. Mais le fond ?

L’objection honnête, c’est que l’IA aide d’abord les débutants. L’expérience menée avec BCG l’indique bien : sur les tâches où l’IA est à l’aise (imaginer un produit, rédiger, convaincre), les consultants sous la moyenne ont progressé de 43 %7. De même, les agents les moins expérimentés d’un support client résolvent 34 % de demandes de plus par heure avec un assistant d’IA, selon une étude de chercheurs de Stanford et du MIT publiée par le National Bureau of Economic Research8.

Mais, à y regarder de plus près, l’étude de Harvard sur l’emploi citée plus haut montre que, même si les juniors sont plus performants, on en embauche moins : les tâches qu’ils faisaient « disparaissent », et les tâches plus seniors ne redescendent pas jusqu’à eux. Et l’étude sur le support client révèle que l’IA avait été entraînée sur les conversations des meilleurs agents : indirectement, elle diffusait le savoir-faire des seniors. Alors, sans seniors, de qui l’IA continuera-t-elle d’apprendre ?

Au final, se sentir productif n’est pas être productif.

Le saviez-vous ? Dans une étude de 2025, des développeurs expérimentés pensaient que l’IA les avait rendus 20 % plus rapides. Mesurés, ils avaient été 19 % plus lents9.

De Ford à Toyota

J’en suis convaincu depuis longtemps : les métiers de service ressemblent de plus en plus à une ligne de production. Et, sur ce terrain, l’industrie a déjà essayé deux façons d’en faire tourner une : le fordisme et le jidoka.

Le fordisme a déqualifié l’ouvrier : un geste, répété, sans besoin de comprendre l’ensemble, avec les dégâts que l’on connaît. Peut-être l’avez-vous déjà rencontré dans un département (ou plusieurs).

Toyota a répondu par le jidoka, « l’automatisation à visage humain » : tout opérateur peut arrêter la ligne dès qu’un défaut apparaît, pour qu’il n’atteigne jamais le poste suivant10. Mais cela ne fonctionne, évidemment, qu’avec des opérateurs qui comprennent l’ensemble de la ligne de production.

C’est, à mes yeux, le modèle que les entreprises de service devraient suivre avec l’IA. Ce sera en outre, selon moi, la meilleure manière de démontrer la viabilité réelle d’un projet d’automatisation par l’IA. Mais cela demande des « opérateurs » de ligne qualifiés, ayant une connaissance complète des processus, de ce qui les sous-tend et de leur fonctionnement.

D’ailleurs, la réglementation le dit déjà. L’AI Act demande aux organisations de prendre des mesures pour développer la « maîtrise de l’IA » de leur personnel, et de confier le contrôle humain à des personnes disposant des compétences, de la formation et de l’autorité nécessaires11. Le paradoxe, c’est que trop d’organisations le vivent comme une contrainte et y répondent par une session de sensibilisation, qui servira de preuve en cas d’audit. L’Omnibus numérique de juillet 2026 l’a d’ailleurs assoupli : il ne s’agit plus d’assurer un niveau suffisant, seulement de prendre des mesures. Se contenter d’une session, c’est pourtant passer à côté de l’intention profonde de l’Union européenne sur le sujet, d’autant que ces principes figuraient déjà en 2019 dans les Lignes directrices en matière d’éthique pour une IA digne de confiance12, dont la première exigence était l’action et le contrôle humains. Certes, pas à l’échelle que je décris plus haut, mais le principe était là.

Ce que les managers peuvent faire

Après tous ces constats, quelles sont les solutions possibles ? Je laisse de côté l’éducation et l’apprentissage, qui sont à mon goût des enjeux nationaux et européens : ce sont les fondations de la société que nous voulons dans vingt ou quarante ans, et elles devraient se poser maintenant, car l’éducation change lentement.

Chaque entreprise et chaque manager ont un rôle important à jouer dans la pérennité de la qualité des connaissances. Voici trois pratiques que j’ai appliquées et que je n’hésiterais pas à reprendre.

D’abord l’esquisse, ensuite la comparaison, et jouer le challengeur. Faites passer vos juniors par la feuille blanche avant l’IA, puis challengez-les. Avec les miens, je commençais par leur donner des cadres de travail. Je prenais le temps de les leur expliquer, puis je les laissais s’en servir et revenir vers moi avec leur point de vue. Une fois suffisamment à l’aise, je les laissais créer leur propre structure. Mais ils devaient venir avec leur propre brouillon. Le point clé est d’être capable de passer soi-même l’étape de la feuille blanche, si possible avec un brouillon papier. Ensuite seulement, comparer avec ce que produit l’IA. L’idée est que le junior doit être capable de répondre aux fameux « cinq pourquoi ». Le senior ne corrige pas ; il questionne.

Le saviez-vous ? La méthode des « cinq pourquoi » vient, elle aussi, de chez Toyota : face à un problème, demander « pourquoi ? » cinq fois de suite pour remonter à sa cause profonde13.

Réinvestir une part du gain. Fléchez explicitement une partie du temps gagné grâce à l’IA vers la formation : binômes, relectures commentées. Même si c’est difficile à comptabiliser, c’est ainsi que la productivité devrait financer la compétence. Bainbridge le disait déjà il y a quarante ans : plus l’automatisation est réussie, plus il faut investir dans la formation des personnes.

Accorder le droit à l’erreur, et la couvrir. Laissez vos juniors se tromper, devant de vrais interlocuteurs, et soyez là pour rattraper. C’est le point le plus important, mais aussi le plus difficile, car il demande beaucoup de gestion des parties prenantes et, surtout, le soutien de la direction. Entendons-nous bien, ce n’est pas la porte ouverte à tout, mais c’est en tombant que l’on apprend à marcher. J’ai toujours cherché des interlocuteurs qui acceptaient une erreur, tant que je la couvrais, pour que les juniors puissent monter vite.

Un exemple simple, mais représentatif. Dans le monde du conseil, faire monter ses juniors en compétence est l’un des fondements du métier, car la valeur se mesure au niveau de séniorité perçu par le client. Dans mes expériences précédentes, je faisais en sorte, assez tôt, que les juniors présentent eux-mêmes aux clients les analyses qu’ils avaient réalisées ou la solution qu’ils avaient développée, et tentent de répondre à leurs questions, selon le client et le type de réunion, bien sûr. Toujours sous mon regard : si je sentais que le junior n’arriverait pas à répondre, ou que le client ne comprenait pas la réponse, j’intervenais. Comme toute première fois, ce n’est jamais parfait, mais les juniors ressentaient rapidement ce qui n’allait pas et pouvaient en faire leur propre critique, puis nous en parlions ensemble. Cela leur permettait d’avancer plus vite et de comprendre quel est vraiment le dernier maillon de leur travail : un livrable qui fonctionne pour le client, qu’il comprend et peut s’approprier, et des commanditaires satisfaits.

D’expérience, la productivité augmente, mais aussi la confiance du junior et sa connaissance des vraies limites de ses compétences ; il apprend plus vite et devient d’autant plus rapidement autonome. Certes, ma production individuelle était plus faible (ou faite en dehors des heures de bureau), mais celle de l’équipe était bien supérieure.

Et pour les juniors

J’ai toujours pensé qu’il y avait deux chemins, comme en médecine : le spécialiste et le généraliste.

Pour le spécialiste : il faudra toujours quelqu’un pour challenger, nettoyer, optimiser et adapter ce que l’IA produit. Car, à un certain niveau, la moindre optimisation fait économiser des coûts conséquents. Dans le monde du développement, par exemple, un code médiocre coûte très cher à maintenir et à exploiter, et surdimensionner le matériel ne répond pas au problème de fond. En revanche, cela deviendra un véritable métier d’expert, qui en comprend toutes les subtilités.

Pour le généraliste, comme je l’expliquais plus haut, il faudra des personnes qui comprennent toute la chaîne assez bien pour voir et anticiper les impacts, challenger et faire tourner l’ensemble. Et qui soient capables, au-delà de l’opérer, de créer et de piloter ces processus, avec ou sans juniors dans la boucle à terme. C’est le chemin que j’ai choisi : j’ai toujours été intéressé par la compréhension globale de mon domaine et par la maîtrise de ce qui s’y joue en profondeur. Pour cela, j’ai pratiqué chaque maillon de la chaîne : c’est ce qui permet d’estimer ce qu’un choix, à un endroit, change ailleurs.

Quel que soit le chemin, utilisez l’IA après l’effort, pas à sa place. Et si cela peut vous convaincre : une étude du MIT14 a montré que 83 % des étudiants qui avaient rédigé une dissertation avec l’IA ne pouvaient pas en citer une phrase quelques minutes plus tard. En revanche, ceux qui avaient d’abord écrit seuls, puis utilisé l’IA, étaient les plus engagés de tous.

Conclusion

Maintenant, projetons-nous dans quinze ou vingt ans : qui saura voir que le business plan dont je parlais plus haut était trop beau ?

Les seniors de demain ne viendront pas tout seuls. Il faut les former, différemment, mais pas moins, et avec du temps de seniors réellement consacré à cette formation : réinvestir le gain de productivité actuel pour qu’il soit durable.

Je terminerai par cette question, qui s’adresse à toute équipe de direction : chez vous, qui saura dire que le résultat est faux ?

  1. Erik Brynjolfsson, Bharat Chandar, Ruyu Chen, Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence, Stanford Digital Economy Lab, révisé en août 2026. https://digitaleconomy.stanford.edu/publications/canaries-in-the-coal-mine ↩︎
  2. Seyed M. Hosseini, Guy Lichtinger, Generative AI as Seniority-Biased Technological Change, Harvard, mai 2026. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5425555 ↩︎
  3. Mirko Boehm, Who will be the senior engineers of 2036?, Linux Foundation Europe, juin 2026. https://linuxfoundation.org/blog/who-will-be-the-senior-engineers-of-2036 ↩︎
  4. Mrinank Sharma et al., Towards Understanding Sycophancy in Language Models, Anthropic, ICLR 2024. https://www.anthropic.com/news/towards-understanding-sycophancy-in-language-models ↩︎
  5. Fabrizio Dell’Acqua et al., Navigating the Jagged Technological Frontier, Harvard Business School et BCG, 2023. https://papers.ssrn.com/abstract=4573321 ↩︎
  6. Lisanne Bainbridge, Ironies of Automation, Automatica, 1983. Une présentation (en anglais) : https://blog.acolyer.org/2020/01/08/ironies-of-automation/ ↩︎
  7. Fabrizio Dell’Acqua et al., Navigating the Jagged Technological Frontier, Harvard Business School et BCG, 2023. https://papers.ssrn.com/abstract=4573321 ↩︎
  8. Erik Brynjolfsson, Danielle Li, Lindsey R. Raymond, Generative AI at Work, NBER, 2023. https://www.nber.org/papers/w31161 ↩︎
  9. Joel Becker et al., Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity, METR, 2025. https://arxiv.org/abs/2507.09089 ↩︎
  10. Lean Enterprise Institute, Jidoka. https://www.lean.org/?p=3876 ↩︎
  11. Règlement (UE) 2024/1689 sur l’intelligence artificielle, article 4 (maîtrise de l’IA, modifié par l’Omnibus numérique sur l’IA, en vigueur depuis le 27 juillet 2026) et article 26, paragraphe 2 (contrôle humain confié par les déployeurs). https://eur-lex.europa.eu/eli/reg/2024/1689/oj ; explorateur (non officiel) : https://artificialintelligenceact.eu/ai-act-explorer/ ↩︎
  12. Groupe d’experts de haut niveau sur l’IA, Lignes directrices en matière d’éthique pour une IA digne de confiance, Commission européenne, 2019. https://digital-strategy.ec.europa.eu/fr/library/ethics-guidelines-trustworthy-ai ↩︎
  13. Lean Enterprise Institute, 5 Whys. https://www.lean.org/lexicon-terms/5-whys/ ↩︎
  14. Nataliya Kosmyna et al., Your Brain on ChatGPT, MIT Media Lab, 2025. https://arxiv.org/abs/2506.08872 ↩︎

Discuter de cet article

Partagez votre avis ici

Votre message est envoyé à l'auteur par e-mail ; il n'est pas publié sur le site.