Le réflexe qui coupe le fil
Dans la plupart des PME romandes, l'IA n'est pas entrée par un grand projet stratégique. Elle est entrée par les outils bureautiques. Copilot qui résume une réunion, Claude qui reformule un texte interne, un assistant maison qui structure un dossier sensible [^ Gartner. (2024). Generative AI is Now the Most Frequently Deployed AI Solution in Organizations. Enquête menée fin 2023 auprès de 644 organisations aux États-Unis, en Allemagne et au Royaume-Uni : 29 % déclaraient avoir déployé une IA générative, ce qui en faisait déjà la solution d'IA la plus répandue, devant le NLP et l'optimisation.]. Et avec elle, presque toujours, une phrase finit par arriver autour de la machine à café : « Est-ce que mon travail va encore servir ? »
Le réflexe classique des dirigeants consiste à rassurer vite. « Ne vous inquiétez pas, l'IA reste seulement un outil. » La phrase calme la salle un instant, puis se dissout dans le couloir. Elle coupe le fil au lieu de le suivre. L'équipe continue de tourner en rond.
Pendant que certains rassurent à l'aveugle, les leaders sérieux écoutent ce que la peur mesure réellement. Une peur diffuse cache presque toujours un problème précis : un rôle mal défini, une responsabilité implicite, une tâche jamais documentée, une validation humaine jamais nommée. Erik Brynjolfsson, codirecteur du Stanford Digital Economy Lab, a forgé un avertissement utile pour qui veut éviter ce piège.
Tant que l'on conçoit l'IA pour imiter l'humain plutôt que pour augmenter ses capacités, on optimise la mauvaise variable. Le bon niveau d'observation reste la tâche, pas le métier. — Erik Brynjolfsson, The Turing Trap[^ Brynjolfsson, E. (2022). The Turing Trap: The Promise & Peril of Human-Like Artificial Intelligence. Daedalus, 151(2), 272–287. Paraphrase de la thèse centrale de l'article : tant que l'on évalue l'IA sur sa capacité à remplacer un humain (« imitation game »), on optimise la mauvaise variable.]
La peur de l'IA n'est donc pas toujours une résistance ; c'est parfois le premier diagnostic disponible. Comme Thésée dans le labyrinthe de Crète, vos équipes n'affrontent pas le Minotaure — le mythe du remplacement —, elles affrontent le dédale : un enchevêtrement de prédictions, de promesses et de craintes où l'on tourne en rond. Le seul outil utile est celui qu'Ariane tend à Thésée : un fil que l'on déroule, étape par étape, sans jamais le lâcher. Ne commencez pas par rassurer. Commencez par tendre le fil.
Pourquoi les prédictions sur l'IA et l'emploi se trompent-elles toutes ?
Avant de tendre le fil, encore faut-il sortir d'un brouillard. Depuis dix ans, les chiffres défilent dans les comités de direction. Frey et Osborne, à Oxford, annonçaient en 2013 que 47 % des emplois américains étaient « à risque élevé » d'automatisation[^ Frey, C. B., & Osborne, M. A. (2013). The Future of Employment: How Susceptible Are Jobs to Computerisation?. Oxford Martin School. Le chiffre de 47 % désigne la part de l'emploi américain dans la catégorie « risque élevé » d'un classifieur gaussien appliqué à 702 métiers, pas une prédiction de suppressions effectives.]. Quatre ans plus tard, McKinsey évaluait entre 400 et 800 millions le nombre de travailleurs déplacés d'ici 2030 selon les scénarios[^ McKinsey Global Institute. (2017). Jobs Lost, Jobs Gained: Workforce Transitions in a Time of Automation. Les auteurs eux-mêmes précisent que « plus d'emplois seront modifiés que supprimés ».]. Début 2025, le Forum économique mondial avançait un autre chiffre. 92 millions d'emplois supprimés, 170 millions créés. Solde net : +78 millions à horizon 2030[^ World Economic Forum. (2025). Future of Jobs Report 2025. Rapport construit sur les projections de plus de 1 000 employeurs représentant 14 millions de travailleurs dans 22 secteurs et 55 économies. Le solde net positif est rarement repris dans les manchettes anxiogènes.].
Trois prédictions, trois méthodes, trois résultats. Thomas Davenport et Miguel Paredes ont passé en revue cette littérature dans la dernière livraison de Harvard Data Science Review. Leur constat : ces chiffres impressionnent plus qu'ils n'aident à décider[^ Davenport, T. H., & Paredes, M. (2025). Can We Predict What Jobs AI Will Take?. Harvard Data Science Review, 7(4). Davenport (Babson College, MIT Initiative on the Digital Economy) et Paredes (Silicon Foundry, AI Fund) plaident pour une approche par tâches : exposition à l'IA, faisabilité, valeur attendue, besoin de validation humaine, formation requise. Source principale de cet article.].
Le récit corporate amplifie encore l'effet. En février 2024, Klarna annonçait que son assistant IA gérait 2,3 millions de conversations par mois. L'équivalent, disait-elle, « du travail de 700 agents à temps plein ». Quinze mois plus tard, l'entreprise reconnaissait que la qualité du service s'était dégradée et reprenait le recrutement d'agents humains[^ Klarna. (2024). Klarna AI assistant handles two-thirds of customer service chats in its first month. Communiqué officiel, février 2024. En mai 2025, Sebastian Siemiatkowski confirmait la reprise du recrutement d'agents humains après une baisse de la qualité de service (FinTech Weekly, 12 mai 2025 ; Forbes, 18 mai 2025). Sur la même période, l'effectif global de Klarna est passé de 5 500 à 3 400 personnes.]. La séquence est devenue typique : annonce spectaculaire, onde de peur médiatique, réversion discrète. Les communiqués corporate forment une seconde source de prédictions — moins rigoureuse que les rapports académiques, mais souvent plus anxiogène.
Plus dérangeant encore : trente-trois mois après le lancement de ChatGPT, le Yale Budget Lab ne détecte « aucune disruption discernable » du marché du travail américain attribuable à l'IA générative[^ Gimbel, M., Kinder, M., Kendall, J., & Lee, M. (2025). Evaluating the Impact of AI on the Labor Market. The Budget Lab at Yale. Le rythme de changement du « mix occupationnel » depuis novembre 2022 est plus lent que dans les années 1940-1950. Les auteurs précisent que cette stabilité macro n'exclut pas des effets sectoriels significatifs.]. Daron Acemoglu, prix Nobel d'économie 2024, va dans le même sens. Il estime que l'IA générative ajouterait au mieux 0,71 % à la productivité totale des facteurs sur dix ans. Bien loin des promesses macroéconomiques en circulation[^ Acemoglu, D. (2024). The Simple Macroeconomics of AI. MIT Economics. Acemoglu applique le théorème de Hulten : un gain agrégé borné par la fraction de tâches affectées multipliée par l'économie de coût moyenne. L'auteur ajoute que ses propres estimations sont probablement encore trop généreuses.].
Le problème n'est pas l'existence du risque, mais la précision artificielle qu'on lui prête. Une tâche automatisable ne devient pas mécaniquement un poste supprimé. L'histoire industrielle offre même un contre-exemple devenu célèbre.
Quand les distributeurs automatiques ont déferlé sur les banques américaines, le nombre de guichetiers n'a pas chuté : il a augmenté. L'ATM a déplacé les tâches, pas le métier. — D'après James Bessen, Boston University[^ Bessen, J. (2015). How Computer Automation Affects Occupations: Technology, Jobs, and Skills. Boston University School of Law. Mécanique : la baisse du coût unitaire de la transaction a fait exploser la demande de services bancaires et déplacé le rôle du guichetier vers le conseil. Bessen montre sur 30 ans de données que les métiers qui utilisent l'ordinateur croissent plus vite que la moyenne.]
Une PME vaudoise ne pilote pas avec une statistique mondiale : elle pilote avec ses dossiers, ses délais, ses responsabilités. Ignorez les prophéties générales. Mesurez vos tâches réelles.
Que cache vraiment la peur de l'IA dans vos équipes ?
La peur devient utile à l'instant où elle devient spécifique. « L'IA va me remplacer » reste une phrase trop large pour ouvrir une décision. Il faut la traduire en signaux opérationnels.
Quatre signaux reviennent. Le rôle est mal défini : la personne ne sait plus où commence sa vraie valeur. Les tâches sont invisibles : l'organisation connaît les postes, mais pas le travail quotidien. La validation reste floue : personne ne sait qui assume le résultat final. La compétence manque de repères : l'équipe ne sait pas distinguer une réponse brillante d'une réponse plausible mais fausse.
Ces signaux ne sont pas anecdotiques. Une étude du Stanford Digital Economy Lab, surnommée « Canaries in the Coal Mine », observe une baisse de 16 % de l'emploi des 22–25 ans dans les métiers les plus exposés à l'IA générative. Les tranches plus expérimentées, elles, restent stables ou en croissance[^ Brynjolfsson, E., Chandar, B., & Chen, R. (2025). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab. Méthode : données de paie à haute fréquence du plus grand fournisseur ADP américain. Les salaires ne baissent pas — l'ajustement se fait par l'emploi, pas par la rémunération, et il se concentre sur les rôles dont les tâches étaient les moins encadrées.]. Autrement dit, l'IA n'érode pas des emplois en bloc : elle érode les marges des rôles dont les tâches étaient les moins documentées.
Dans une équipe administrative, le même diagnostic apparaît en quelques jours. L'IA résume un dossier en trente secondes, mais qui vérifie les omissions ? Qui assume le ton envoyé à un partenaire ? Qui décide si le message respecte les règles internes ? Quand le fil se tend, il ne signale pas seulement un danger : il révèle une zone de flou. Et le flou coûte cher : il ralentit les décisions et multiplie les allers-retours. Traitez chaque peur comme une question de gouvernance, pas comme une crise de communication.
La matrice du fil tendu
Pour sortir du débat abstrait, j'utilise une matrice simple en atelier. Elle croise deux dimensions tangibles : la peur qu'on entend dans l'équipe et la cartographie qu'on trouve sur le papier.
Télécharger l'outil en A4
La règle d'usage est simple : on n'applique pas la matrice à toute l'entreprise, mais à un flux visible — une demande partenaire, un plan de communication, une synthèse de réunion, une réponse à un dossier sensible. Pour chaque tâche, quatre questions suffisent : l'IA peut-elle préparer quelque chose ? L'humain doit-il valider quelque chose ? Le risque est-il juridique, réputationnel ou qualitatif ? La responsabilité finale est-elle écrite quelque part ?
Le fil devient alors un instrument et non plus une alarme. Il ne s'emmêle plus ; il oriente. Déroulez le fil avant de choisir l'outil.
Cas concret : une équipe qui croyait perdre sa valeur
Une PME romande d'environ 180 employés veut fluidifier le pilotage de ses projets clients. L'équipe de coordination teste l'IA sur les comptes-rendus de réunion, le suivi des actions et la mise à jour des plannings. Les premiers résultats impressionnent : synthèses propres en quelques minutes, listes d'actions structurées, plannings tenus à jour. Puis la peur arrive, toujours sous la même forme : « Si l'IA fait le suivi, que reste-t-il de notre rôle ? »
La question semble porter sur la production ; en réalité, elle porte sur la valeur. En cartographiant son travail, l'équipe découvre six tâches derrière le verbe « piloter » : capter le contexte d'une réunion, hiérarchiser les actions, arbitrer entre des priorités contradictoires, anticiper les risques côté client, négocier les délais avec les équipes internes, assumer la décision en cas de retard. L'IA peut intervenir sur deux d'entre elles — préparer la trame du compte-rendu, tenir la liste des actions au clair. Elle ne porte pas la responsabilité. Elle ne connaît pas les tensions entre les services. Elle ne sent pas qu'un client va mal réagir à un retard. Davenport et Paredes formulent la même intuition à l'échelle macro : l'IA ne remplace pas des emplois en bloc, elle reconfigure le portefeuille de tâches qui les composent. C'est ce portefeuille, pas le métier, qu'il faut piloter.
Le processus change alors de forme. Avant, la coordinatrice rédigeait ses comptes-rendus tard le soir et relançait les actions par e-mail. Après, l'IA prépare la trame en fin de réunion et tient la liste à jour ; la coordinatrice retrouve son vrai rôle : arbitrer, anticiper, décider. Le gain ne vient pas seulement de la vitesse, mais de la clarté retrouvée sur qui décide quoi.
Trois erreurs qui transforment la peur en résistance
Rassurer trop vite. Un dirigeant réunit ses équipes après une démo Copilot et promet : « personne ne sera remplacé ». Trois mois plus tard, la peur revient — intacte. La formule paraît humaine, mais devient fragile sans diagnostic. Les équipes entendent une parole, pas une méthode. Le fil reste emmêlé sous la moquette. Promettez une cartographie, pas une certitude.
Commencer par les outils. L'équipe IT teste cinq chatbots avant d'avoir cartographié un seul processus. On compare des modèles, on collectionne des prompts. Pendant ce temps, les vrais leviers — qui valide, qui décide, qui assume — restent invisibles. Pendant que certains testent des outils, les leaders déroulent le fil.
Confondre automatisation et remplacement. Quand l'IA résume un rapport de 40 pages, elle ne remplace pas l'analyste : elle lui rend une demi-heure pour le travail de jugement. Une tâche automatisable peut déplacer la valeur, renforcer le contrôle, réduire les erreurs. Le raccourci entre tâche et poste crée une peur inutile. Classez chaque tâche selon une logique simple : préparer, accélérer, contrôler, exclure.
Comment cartographier les tâches avant de déployer l'IA ?
Le passage à l'action ne demande pas un grand programme. Un seul flux concret suffit cette semaine : une synthèse de dossier, une réponse à une demande partenaire, la préparation d'un message interne sensible. Réunissez trois personnes : celle qui fait le travail, celle qui valide, celle qui assume le risque. Dessinez le processus sur une page, listez chaque tâche réelle, puis repérez les nœuds sur le fil. Où la peur apparaît-elle ? Où la responsabilité reste-t-elle floue ? Où l'IA pourrait-elle préparer une base ? Où l'humain doit-il rester décisionnaire ?
Terminez par un seul test de trente jours, avec un périmètre clair, une personne responsable et un critère de réussite. Exemple : l'IA prépare les premières synthèses internes pendant un mois. L'équipe mesure le temps gagné, les erreurs détectées, les validations nécessaires. À la fin de l'expérience, vous n'avez plus une opinion sur l'IA, mais un diagnostic appuyé par des faits.
La vraie question n'a jamais été « qui »
La peur de l'IA n'est pas un bruit à supprimer ; c'est un nœud sur le fil qui traverse l'organisation. Si vous le coupez, vous perdez le chemin. Si vous le suivez, vous trouvez le vrai chantier : celui des tâches floues, des rôles exposés et des validations jamais écrites. Les prédictions globales ne diront jamais quoi faire lundi matin. Votre fil, lui, le peut.[^ Brevet Fédéral AI Business Specialist – CEFCO. Programme officiel. La cartographie des tâches évoquée ici — AI Canvas, diagnostic de processus avant automatisation — structure un des modules du Brevet Fédéral, que je conçois et enseigne.]
La question utile n'a donc jamais été « qui l'IA va-t-elle remplacer ? ». Elle est plus modeste, plus précise et plus exigeante : quelles tâches devons-nous repenser, superviser et clarifier maintenant ?
Cette semaine, choisissez un seul flux qui crée de la peur ou du flou : un dossier client, une synthèse interne, une validation sensible. Réunissez la personne qui fait, celle qui valide et celle qui assume. Déroulez le fil pendant 90 minutes. Puis seulement, choisissez l'outil.
Source et méthodologie
Type d'étude : revue critique des prédictions chiffrées sur l'impact de l'IA sur l'emploi, publiée comme Active Industrial Learning column dans une revue scientifique à comité de lecture.
Recherche principale : Davenport, T. H., & Paredes, M. (2025). Can We Predict What Jobs AI Will Take? Harvard Data Science Review, 7(4). DOI : 10.1162/99608f92.8975ddd1
Auteurs : Thomas Davenport (Babson College, MIT Initiative on the Digital Economy) et Miguel Paredes (Silicon Foundry, AI Fund, Milemark Capital, Pacífico Business School).