Ce que l'IA retire d'un poste

Vous dirigez une équipe produit. Deux discours vous arrivent en même temps. Le premier dit que rien ne change vraiment : chaque métier garde son expertise et devient « augmenté ». Le second dit que l'IA fera bientôt l'essentiel du travail. Les deux ont un point commun : ils parlent du métier comme d'un bloc. Or un métier n'est pas un bloc.

L'économie du travail l'a compris il y a plus de vingt ans. En 2003, David Autor, Frank Levy et Richard Murnane proposent de regarder un emploi comme une collection de tâches. Certaines sont routinières et suivent des règles explicites : l'informatique les remplace. D'autres demandent d'analyser, de résoudre un problème, d'échanger avec quelqu'un : l'informatique les complète. Cette lecture explique pourquoi les emplois intermédiaires ont fondu depuis les années 1980 pendant que les deux extrémités grossissaient.

Le choix de cette loupe n'a rien d'un détail technique. En 2013, Carl Benedikt Frey et Michael Osborne publient une estimation restée célèbre : 47 % des emplois américains seraient « à risque ». Leur méthode classe des métiers entiers, automatisables ou non. Trois ans plus tard, Melanie Arntz, Terry Gregory et Ulrich Zierahn reprennent la question pour l'OCDE, mais en partant des tâches que les gens déclarent réellement effectuer. Deux personnes au même intitulé ne font pas les mêmes choses, et cette différence suffit à ramener la part des emplois hautement automatisables à 9 % en moyenne sur 21 pays. Même technologie, autre unité, résultat divisé par cinq.

En France, le Conseil d'orientation pour l'emploi arrivait en 2017 à une lecture voisine : moins de 10 % des emplois menacés, mais environ la moitié appelés à évoluer fortement. Le métier survit, son contenu change.

Ce mouvement se mesure sur la durée. David Autor et ses coauteurs ont montré en 2024 qu'environ 60 % des emplois américains de 2018 portaient un intitulé qui n'existait pas en 1940. Les métiers se recomposent tâche par tâche, et de nouveaux contenus de travail apparaissent pendant que d'autres partent.

Retenez la loupe. Toute la suite du carnet s'en sert.

Depuis 2023, les chiffres sur l'IA et le travail se multiplient, et ils se contredisent souvent en apparence. La plupart du temps, ils ne mesurent simplement pas la même chose. Il y en a trois familles.

Ce que l'IA pourrait faire. C'est l'exposition. Tyna Eloundou et ses coauteurs, chez OpenAI puis dans la revue Science en 2024, ont passé au crible les tâches du référentiel américain des métiers. Une tâche y compte comme exposée si un modèle de langage peut réduire de moitié son temps d'exécution à qualité égale. La version de travail de 2023 annonçait qu'environ un actif sur cinq avait au moins la moitié de ses tâches exposées. La version publiée dans Science en 2024 sépare deux cas : environ 1,8 % des emplois ont plus de la moitié de leurs tâches à la portée d'un modèle seul, et un peu plus de 46 % si l'on compte les logiciels existants et à venir construits sur ces modèles. L'essentiel de l'exposition tient donc aux outils qu'on bâtit autour du modèle. L'Organisation internationale du travail a refait l'exercice en 2025 sur près de 30 000 tâches : un travailleur sur quatre dans le monde exerce un métier exposé, mais seuls 3,3 % de l'emploi mondial relèvent de la catégorie qui concentre la plus forte part de tâches exposées.

Ce qu'on lui confie vraiment. C'est l'usage. Anthropic publie depuis février 2025 un indice tiré de millions de conversations anonymisées avec Claude, rattachées aux mêmes tâches. Le premier rapport montrait qu'environ 36 % des métiers utilisent l'IA pour au moins un quart de leurs tâches, mais seulement 4 % pour au moins les trois quarts. L'équilibre entre « l'IA m'aide » et « l'IA fait à ma place » bouge vite : en août 2025, l'automatisation passait pour la première fois devant, à 49 % des usages, avant de repasser derrière trois mois plus tard. Anthropic situe malgré tout la tendance de fond vers plus d'automatisation. En mars 2026, l'indice observait que les utilisateurs installés depuis plus de six mois itèrent davantage et délèguent moins.

Ce que ça change. C'est l'effet, sur les salaires, les heures, les effectifs. Le résultat le plus solide vient du Danemark. Anders Humlum et Emilie Vestergaard ont croisé une enquête menée dans onze métiers exposés, auprès de 25 000 personnes, avec les registres officiels de salaires et d'heures. Deux ans après l'arrivée de ChatGPT, l'effet est nul et mesuré avec précision : les auteurs excluent tout effet supérieur à 2 %. Les gens ont adopté l'outil, ils disent gagner du temps, et ni leur paie ni leur semaine n'ont changé. Ce qui bouge, selon les auteurs, c'est l'organisation du travail : de nouvelles tâches apparaissent (produire du contenu, superviser l'IA, l'intégrer), et certains utilisateurs passent vers des métiers mieux payés, trop peu nombreux encore pour changer la moyenne.

Un directeur produit français raconte le même écart vu de l'intérieur. Chez Youtrust (ex-Yousign, 200 personnes), Christopher Parola estime que 70 % du code est désormais écrit par des agents, pour 20 à 30 % de valeur livrée en plus seulement, dans un épisode du podcast Just a Click publié le 28 septembre 2026. Ce sont ses chiffres, personne ne les a vérifiés. Il donne deux raisons : les commerciaux et les clients ne peuvent pas absorber autant de nouveautés, et le temps gagné part dans un travail qu'on ne faisait pas avant. Dans une table ronde diffusée en juin par le podcast Clef de voûte, il parlait de développeurs qui écrivent 80 % de leur code avec des agents, et d'un ratio d'un product manager pour huit développeurs resté le même. Ses chiffres bougent d'une intervention à l'autre : ce sont des estimations.

Ces trois mesures se complètent. Ils racontent qu'entre ce qu'une technologie permet et ce qu'elle produit dans une organisation, il y a tout le travail d'organisation, justement. Et qu'un chiffre d'exposition cité seul, sans dire lequel des trois il est, ne vaut pas grand-chose en comité de direction.

Pour les équipes de développement, l'effet sur le travail livré a déjà son instrument : les indicateurs DORA, publiés chaque année par une équipe de recherche de Google Cloud. Ils mesurent la performance d'une équipe qui livre du logiciel en cinq indicateurs rangés en deux familles. La vitesse : le délai entre une modification et sa mise en production, la fréquence des mises en production, le temps de rétablissement après une mise en production ratée. L'instabilité : la part des mises en production qui demandent une intervention immédiate, et celle des mises en production imprévues, faites pour corriger un incident. Le rapport DORA 2025 conclut que l'IA joue d'abord un rôle d'amplificateur : elle grossit les forces des organisations qui fonctionnent bien et les dysfonctionnements des autres. Le rapport 2024 mesurait qu'une hausse de 25 % de l'adoption de l'IA allait de pair avec 1,5 % de vitesse en moins et 7,2 % de stabilité en moins. En 2025, la relation s'inverse pour la vitesse, mais la stabilité continue de baisser : l'IA accélère le développement, et l'accélération fait apparaître les faiblesses en aval. Ces indicateurs mesurent l'équipe entière ; on les a détaillés dans le carnet « Mesurer l'impact de l'IA sur les équipes IT », et ils complètent la grille de la section 7.

C'est le résultat le plus utile de ce carnet, et il vient de deux économistes du MIT. En juin 2025, David Autor et Neil Thompson publient un travail intitulé simplement « Expertise ». Leur question : quand une partie des tâches d'un métier est automatisée, le travail qui reste vaut-il plus ou moins qu'avant ?

Ils mesurent l'expertise requise par chaque tâche et suivent quarante ans d'évolution des métiers américains. Leur réponse tient en deux scénarios.

Premier scénario : la machine retire l'exécution. Les tâches les moins expertes partent. Ce qui reste demande plus d'expérience et de jugement. Le métier devient plus expert, les salaires montent, et il faut moins de monde pour le tenir. C'est ce qui est arrivé aux commis comptables.

Second scénario : la machine retire l'expertise. Les tâches qui demandaient le plus de savoir-faire partent. Le métier s'ouvre à des profils moins formés : l'emploi augmente, les salaires baissent. C'est ce qui est arrivé aux commis de stock et d'inventaire.

Les auteurs citent d'autres exemples, comme les correcteurs, dont l'expertise requise a augmenté, et les dispatchers, dont elle a baissé. Une précaution s'impose : leurs quarante ans de données portent surtout sur l'informatisation, avant l'IA générative. Transposer leurs scénarios aux modèles d'aujourd'hui est donc une déduction de notre part.

La déduction est pourtant éclairante. Quand on entend « l'IA va reprendre 70 % de votre poste », le chiffre ne dit rien tant qu'on ne sait pas de quel côté tombent ces 70 %. Si c'est l'exécution, le poste qui reste est plus exigeant, mieux valorisé, mais moins nombreux. Si c'est la partie experte, il devient accessible à beaucoup plus de monde et se dévalorise. Deux avenirs opposés pour le même pourcentage.

Les témoignages d'entreprises montrent à quoi ressemble l'exécution qui part. Fabian Veit, qui dirige Make, une plateforme d'automatisation, raconte l'automatisation en cours des notes de frais de Celonis, sa maison mère de 3 000 personnes : plusieurs personnes passaient leurs journées à les contrôler au regard de la politique de l'entreprise. Un agent lit désormais chaque note, la confronte à la règle et range le dossier en valide, en exception ou à relire par un humain ; il avance que 80 % des dossiers peuvent passer ainsi automatiquement, et présente ce gain comme un moyen de grandir sans gonfler l'équipe, sans dire ce que sont devenues les personnes. Chez Pennylane, un agent maison reçoit des tickets de bugs « un peu fastidieux » que l'équipe n'aurait pas toujours priorisés, et le choix de lui confier un ticket reste une décision humaine. Dans les deux cas, ce qui part est le contrôle et la correction répétitifs, et ce qui reste est l'exception, la règle et l'arbitrage. Ces témoignages ne disent rien des salaires ni des effectifs, et Pennylane dit n'avoir supprimé aucun rôle.

Pour situer les ordres de grandeur, l'observatoire paritaire de la branche du numérique et du conseil (OPIIEC, 2025) a repris, pour chaque métier de la branche, le score moyen d'automatisation calculé par l'OIT : 39 % pour les développeurs des entreprises hors numérique, 42 % pour les graphistes, 48 % pour les comptables, ces deux derniers métiers étant classés parmi ceux dont l'impact reste difficile à déterminer. Pour les développeurs, l'étude précise que l'IA jouera un rôle d'assistant « sans se substituer au rôle d'expert ». L'enquête menée par l'OPIIEC auprès des entreprises de la branche note que 7 % des entreprises de la branche ont réduit leurs effectifs sur certains métiers, notamment développeurs et concepteurs, quand 21 % les ont augmentés et 28 % ont créé des postes dédiés à l'IA.

On aimerait pouvoir dire : tel métier est exposé, tel autre ne l'est pas. Les expériences les plus solides disent autre chose.

En 2023, Fabrizio Dell'Acqua et une équipe de Harvard ont réparti au hasard 758 consultants du Boston Consulting Group, environ 7 % de ses consultants de terrain, avec ou sans GPT-4. Sur les tâches à la portée du modèle, les consultants équipés ont réalisé 12,2 % de tâches en plus, 25,1 % plus vite, avec une qualité jugée supérieure de plus de 40 %. Sur une tâche choisie pour être hors de sa portée, parce qu'elle cachait un piège dans les données, ils ont eu 19 points de bonnes réponses en moins que leurs collègues sans IA. La réponse du modèle avait l'air juste, ils l'ont prise. Le compte rendu du BCG ajoute que les idées produites avec l'outil étaient 41 % moins variées.

Les chercheurs ont appelé ça la frontière dentelée. Elle passe entre deux tâches qui se ressemblent, à l'intérieur du même poste. Savoir de quel côté on se trouve devient une partie de l'expertise.

Les développeurs en donnent une autre illustration. En juillet 2025, l'organisme indépendant METR publie une expérience sur seize développeurs chevronnés de projets open source, travaillant sur 246 tâches réelles de projets auxquels ils contribuent depuis des années. Avec les outils d'IA de début 2025, ils ont été 19 % plus lents. Ils s'attendaient à gagner 24 %, et ils croyaient après coup avoir gagné 20 %.

METR a publié une suite en février 2026, sur 57 développeurs et plus de 800 tâches. Cette fois, le temps baisse : de 18 % pour les participants de la première étude, de 4 % pour les nouveaux. Mais METR juge lui-même ce résultat peu fiable : 30 à 50 % des développeurs évitaient de soumettre les tâches qu'il aurait fallu faire sans IA, ce qui fausse la comparaison. L'organisme pense le gain réel probablement plus élevé et change sa méthode.

On en retient l'écart entre ce qu'on ressent et ce qu'on mesure, et la difficulté même de mesurer. Quiconque veut savoir quelle part de son poste l'IA reprend vraiment devra le mesurer.

Le résultat le plus commenté de ces douze derniers mois porte sur les débuts de carrière, et il a la forme d'un paradoxe.

D'un côté, l'IA aide d'abord les débutants. Erik Brynjolfsson, Danielle Li et Lindsey Raymond ont suivi 5 172 agents du service client d'une grande entreprise technologique pendant le déploiement progressif d'un assistant. Le nombre de problèmes résolus par heure augmente de 15 % en moyenne, d'environ 30 % pour les agents les moins expérimentés, de 36 % pour les moins qualifiés. Les plus expérimentés gagnent un peu en vitesse et perdent un peu en qualité. L'outil a appris des échanges des meilleurs agents et le restitue aux nouveaux.

De l'autre côté, ce sont précisément ces profils que les entreprises cessent d'embaucher. Erik Brynjolfsson, Bharat Chandar et Ruyu Chen suivent à Stanford les données de paie de millions de salariés américains. Dans leur version d'août 2026, avec des données jusqu'à juin, l'emploi des 22-25 ans dans les métiers les plus exposés accuse un retard de 19 % sur celui des jeunes des métiers moins exposés, contre 15 % un an plus tôt. En niveau, il a reculé d'environ 11 % depuis novembre 2022, quand celui des jeunes des métiers les moins exposés progressait d'environ 10 %. Les salariés expérimentés ne montrent pas d'écart comparable, et rien n'indique une destruction d'emplois à l'échelle de l'économie. Le recul passe surtout par moins d'embauches de jeunes, et les salaires de base ne bougent pas. Les auteurs restent prudents : des écarts existaient déjà avant ChatGPT, l'écart s'atténue quand on tient compte du niveau d'études, il apparaît moins dans les enquêtes nationales, et ils le présentent eux-mêmes comme un indicateur précoce et descriptif, sans valeur causale.

Une autre équipe de Harvard, Guy Lichtinger et Seyed Mahdi Hosseini Maasoum, arrive au même endroit par une autre porte. Sur 62 millions de parcours professionnels, ils repèrent les entreprises qui adoptent l'IA générative à leurs offres d'emploi. Six trimestres après début 2023, l'emploi junior y avait reculé de 7,7 % par rapport aux autres entreprises, pendant que l'emploi senior continuait de monter. Là encore, le recul vient des embauches. Christopher Parola décrit le même mécanisme vu de l'intérieur : chez Youtrust, des départs de développeurs n'ont pas été remplacés, et certaines équipes sont passées de six à huit personnes à quatre à six, sans licenciement et sans préciser s'il s'agissait de postes juniors.

Les auteurs de Stanford avancent une piste : l'IA remplace plus facilement le savoir codifié, celui qu'on apprend dans les livres et que les débutants apportent, et complète le savoir tacite que l'expérience donne aux seniors. On peut en tirer une question simple : si l'IA rend un débutant immédiatement productif, ou permet à un senior de faire seul le travail d'exécution qu'il confiait à des juniors, combien de postes d'entrée restera-t-il ? Gartner avertit d'ailleurs en juillet 2026 que les organisations qui suppriment leurs postes de développeurs juniors grâce à l'IA pourraient, d'ici 2028, assécher leur vivier de talents.

Ce signal est, pour l'instant, américain. Eurofound a publié le 16 septembre 2026 une analyse qui ne trouve aucun choc d'emploi propre aux jeunes lié à l'IA générative dans l'Union européenne. Le taux d'embauche des jeunes y est passé de 16,5 % en 2019 à 17,9 % en 2022 puis 15,9 % en 2025, et le nombre de jeunes salariés dans les métiers qui utilisent beaucoup l'IA a augmenté de 16,4 % entre 2019 et 2025. En France, l'étude de la branche du numérique juge l'effet sur les juniors incertain. L'écart peut tenir au décalage d'adoption, au droit du travail ou à la conjoncture : personne ne sait encore trancher.

Les dirigeants produit français interrogés cette année par le podcast Clef de voûte ne racontent pas de réduction d'effectifs, sans que leurs témoignages aient la moindre valeur statistique. Chez Pennylane, Tancrède Besnard, cofondateur et directeur produit, dit n'avoir supprimé aucun rôle et annonce des recrutements de product managers. Alan continue de recruter, tout en lançant des équipes de deux personnes là où il en mettait davantage. Le rapport entre product managers et développeurs ne suit aucune règle commune : un pour huit, inchangé, chez Youtrust selon Christopher Parola ; un pour deux ou trois, à l'essai, chez Weglot, qui a avancé le recrutement d'un product manager parce que l'équipe produit ne suivait plus ; un pour deux dans les prochaines années, selon la prévision du directeur produit de Front.

Sans faire de pronostic, on tient là un indicateur à suivre dans chaque organisation, et il se suit facilement : combien de postes d'entrée a-t-on ouverts cette année, et pour apprendre quoi ?

La loupe des tâches a ses angles morts, et il faut les connaître avant de s'en servir.

Une fiche de poste décrit le travail prévu. Le travail réel lui échappe. L'ergonomie francophone l'a établi de longue date : entre la tâche prescrite et l'activité réelle, il y a tout ce que les gens font pour que ça marche malgré les contradictions du système. Le développeur qui prend le temps de reprendre un module parce que la qualité l'exige. Le designer qui refuse une solution trop compliquée pour l'utilisateur. Le product manager qui écarte une demande pressante au nom des besoins réels. Aucune de ces décisions n'est dans la fiche. Le psychologue du travail Yves Clot fait d'ailleurs de la tâche une seule des dimensions du métier, à côté de la personne, des relations et de ce qu'il appelle le genre professionnel, la façon de faire qu'un collectif partage.

Une tâche peut changer de mains et rester experte. Le sociologue Andrew Abbott a montré en 1988 que les professions se disputent en permanence des territoires de problèmes. Quand une technologie redistribue les cartes, des tâches très expertes passent d'un métier à l'autre. Qu'une tâche change de mains ne prouve donc pas qu'elle était simple. L'expérience menée chez Procter & Gamble par Fabrizio Dell'Acqua et ses coauteurs, publiée en 2025, l'illustre. Sur 776 professionnels, une personne seule équipée de l'IA fait aussi bien qu'une équipe sans IA. Sans IA, les profils de R&D proposent des solutions techniques et les commerciaux des solutions commerciales. Avec l'IA, chacun propose des solutions équilibrées. L'expertise de l'autre devient accessible par l'outil, et elle reste la sienne.

Ce savoir-faire tacite n'est pas hors d'atteinte. Le philosophe Michael Polanyi disait que nous savons plus que nous ne savons dire, et l'automatisation a longtemps buté sur ce qu'on ne sait pas écrire en règles. Les modèles apprennent par l'exemple, et l'étude du service client citée plus haut montre qu'ils peuvent restituer aux novices le savoir-faire des meilleurs. Le tacite résiste quand il n'a laissé aucune trace écrite. Il résiste beaucoup moins quand des milliers d'échanges l'ont consigné. Les entreprises qui confient des tâches à des agents le découvrent dans l'autre sens : dans une table ronde diffusée en juin, un responsable produit raconte qu'en préparant des agents d'analyse concurrentielle, son équipe s'est rendu compte que « beaucoup d'informations étaient dans la tête des sachants », la grille tarifaire d'un concurrent par exemple, qu'un agent n'a pas.

Les rôles produit offrent ces glissements à observer tous les jours. Dans les équipes qu'on côtoie, des product managers agissent directement sur le produit et livrent parfois eux-mêmes de petites corrections en production, une partie du travail qui revenait aux développeurs. D'autres prototypent sans designer, en s'appuyant sur le design system de la maison. Des designers automatisent une grande partie de la recherche utilisateur. Dans une mission récente pour un groupe de services, on a vu des testeurs passer à la supervision d'une recette automatisée, des développeurs glisser vers une posture d'architecte, et des profils produit déborder sur la technique.

Trois praticiens en ont témoigné cette année dans le podcast Just a Click, et leurs récits recoupent ces observations.

Chez OpenAI, Katia Gil Guzman, qui travaille sur l'expérience des développeurs, explique que tous les product managers codent désormais avec l'outil maison : au lieu de faire des maquettes, ils implémentent directement dans le produit, sur une branche à part. Elle reçoit aujourd'hui des propositions de code d'un designer et d'un product manager qui n'ont jamais été ingénieurs, et les juge prêtes à l'emploi, à quelques commentaires près. Le document de spécification remonte au niveau de la vision et des dépendances, et un ingénieur relit toujours avant la mise en ligne. Elle précise elle-même que les jetons ne coûtent rien en interne, une situation que peu d'entreprises connaissent.

Chez Youtrust, Christopher Parola décrit deux glissements. Les product managers « parlent quasiment plus aux data analysts » : ils interrogent eux-mêmes les données, un travail qui change de mains. Et ses designers, qui demandaient un après-midi pour digérer leurs entretiens utilisateurs, en tirent l'essentiel en quinze minutes grâce à la transcription et à un modèle. Il voit beaucoup de directeurs produit et de dirigeants dire qu'ils se sont remis à coder avec des agents, et il n'est pas d'accord. Il conteste aussi l'idée que le product manager doive coder. Si son PM peut coder le front, demande-t-il, pourquoi garder un développeur front ? Pour lui, le PM a « un métier, une autre valeur », et « ce n'est pas parce qu'il peut coder qu'il doit le faire ». C'est la question de l'expertise posée par un praticien.

Chez Believe, Benoît Terpereau, qui y dirige le produit, part d'un chiffre qu'il attribue à des études, sans les citer : un tiers seulement du code livré apporterait de la valeur, et accélérer sans discernement amplifie le gaspillage. Sa méthode en trois temps confie au modèle la préparation d'entretiens moins biaisés et la synthèse des retours, et fait tester des prototypes fonctionnels par de vrais utilisateurs. Il pose un principe : un product manager ne devrait pas passer une journée sans parler à un utilisateur.

Une praticienne rapporte avoir entendu un product manager demander à une UX researcher de ne plus livrer de rapports, mais des prototypes qui montrent directement ce que la recherche implique ; elle y voit une provocation intéressante. On y lit pour notre part une tension à surveiller : d'un côté le besoin d'actionnable, de l'autre l'interprétation, les limites de méthode et le contexte, que le prototype peut écraser. C'est la dispute de territoire que décrit Abbott, version IA.

Le podcast Clef de voûte, qui interroge des dirigeants produit, montre que la question divise jusque dans les entreprises les plus avancées. Chez Alan, le responsable de l'ingénierie compte « plusieurs centaines de pull requests » lancées par des non-ingénieurs, designers, product managers et équipes opérations, et passées en production. Ils travaillent dans l'environnement des ingénieurs, dont les règles et les contrôles automatiques portent l'exigence de qualité, et un ingénieur relit. Chez Pennylane, Tancrède Besnard juge « encore un peu prématuré », sans l'exclure, qu'un product manager arrivé depuis trois semaines livre une fonctionnalité en production, à cause de la dette technique et de la question de qui maintiendra ce code. Il cite comme une erreur du début le product manager qui porte un sujet « de bout en bout », mal vécu par les experts. Ce qui marche aujourd'hui, selon lui : que des product managers ou des designers interrogent le code, comme il l'a fait lui-même pour comprendre un bug. Chez Front, Paul Teyssier, qui dirige le produit, dit rêver de parties du code que des analystes, des product managers ou des designers puissent toucher, avec une règle déjà posée : les ingénieurs répondent du code en production. Dans un débat entre trois dirigeants produit et tech diffusé en juillet, l'un juge que la mise en production restera mieux faite par un développeur ; une autre raconte que son équipe produit pousse depuis quelques semaines de petites améliorations directement dans le code.

Le glissement touche aussi les designers. Chez Figma, qui vend ces outils, le responsable du design, Noah Levin, estime qu'une vingtaine de ses quelque soixante designers avaient un parcours technique, et qu'en un an environ les autres sont devenus capables de produire des maquettes interactives proches du code. À Config, la conférence annuelle de Figma, un participant interrogé par Clef de voûte rapporte l'inquiétude des designers : « If PMs are doing UX, then what is our job? » (si les product managers font de l'UX, quel est notre travail ?). Christopher Parola rappelle que la friction précède l'IA : quand il est arrivé chez Yousign, des designers protestaient déjà que des product managers mènent des entretiens utilisateurs. L'entreprise a inscrit « nothing is not your job » parmi ses trois principes de fonctionnement.

Ce qui reste aux experts se discute aussi. Tancrède Besnard rapporte la réaction de l'un des ingénieurs les plus expérimentés de Pennylane : passer ses journées à relire le code que d'autres livrent d'un clic serait « un gâchis », mais construire le système qui décide quel code un humain relit, lequel remonte et lequel s'approuve seul, « c'est un vrai problème d'ingénierie ». Pour lui, la crainte principale des équipes est de perdre la valeur de leur expertise, et il répond qu'elle en aura davantage : « si c'est gratuit de coder, c'est gratuit pour les concurrents aussi ».

On mène aussi l'expérience chez nous. Avec l'IA, Humanskills, le groupe dont Monsieur Guiz fait partie, construit des outils pour ses consultants, mène des refontes de sites, et remplace une partie des logiciels qu'il louait par ses propres outils : l'intranet, un outil de gestion des événements, un outil de votes et d'ateliers en direct, entre autres. Ces derniers sont des réadaptations de produits qui existent déjà sur le marché. Des développeurs nous ont donné des règles à suivre. Aujourd'hui, c'est une équipe de designers qui pousse des fonctionnalités en production, et Guillaume Morin, qui dirige Monsieur Guiz et la transformation IA du groupe, en livre lui-même. Sur ce point, notre pratique fait ce que Christopher Parola déconseille. On y lit un déplacement : le savoir-faire des développeurs se retrouve dans ces règles, que d'autres appliquent. Katia Gil Guzman décrit la même chose chez OpenAI, où des consignes écrites dans le code servent à encoder le jugement de l'équipe, pour que des product managers y travaillent sans tout casser.

Deux limites. Pour l'essentiel, le logiciel du marché reste : on ne refait ni une messagerie ni une banque en ligne. Et ces outils restent hébergés et construits chez des fournisseurs américains, de cloud comme de modèles d'IA. On ne veut pas s'installer dans cette dépendance : il nous faut une stratégie de repli, et la voie de sortie passe plutôt par l'auto-hébergement, les petits modèles et l'open source, dont les modèles ouverts qui émergent en France. Le mouvement dépasse notre cas : selon l'enquête annuelle de McKinsey publiée en août 2026, près d'un tiers des répondants (32 %) disent que leur organisation a renoncé à acheter au moins un logiciel ou une fonctionnalité, parce qu'elle pouvait les construire en interne avec des agents de code.

Une précision s'impose : nous n'avons trouvé aucune étude universitaire qui mesure ces rôles. Product managers, product designers et UX researchers sont noyés dans des catégories plus larges des nomenclatures statistiques. Tout ce qu'on sait d'eux vient de praticiens, d'éditeurs ou de cabinets. C'est un terrain où l'observation de première main a toute sa place.

Les indices nationaux mesurent des métiers statistiques. Les décisions se prennent sur des postes, dans une organisation donnée. Ravin Jesuthasan et John Boudreau ont posé dès 2018 une méthode pour passer de l'un à l'autre : décomposer le poste en tâches, décider pour chacune si elle revient à la personne, à la machine ou aux deux, puis recomposer. Florian Cordel, l'un des vice-présidents produit de Cegid, décrit une pratique voisine, qu'il dit commencer à explorer : dessiner le cycle du produit en cases, avec des acteurs désignés par des lettres plutôt que par leurs titres de poste, pour décider ce qui revient à l'agent et ce qui revient à l'humain sans rouvrir les querelles de territoire entre métiers. On la complète avec ce que les études récentes ont appris.

1. Les tâches réelles. Ce qu'on mesure : ce que fait vraiment la personne sur un mois, avec la fréquence et le temps passé. Comment : ateliers avec les titulaires, outils de suivi de projet, observation. Partir de ce que la personne fait vraiment.

2. L'exposition de chaque tâche. Ce qu'on mesure : ce que l'IA sait faire aujourd'hui, en aide ou à la place. Comment : essais concrets avec les outils de la maison, grilles inspirées des indices publics.

3. Le niveau d'expertise de chaque tâche. Ce qu'on mesure : exécution, intermédiaire ou experte, selon l'expérience et le jugement requis. Comment : regards croisés entre pairs.

4. Le temps vraiment confié à l'IA. Ce qu'on mesure : le temps délégué, mesuré. Comment : traces d'usage des outils et relevés de temps. Le ressenti trompe, l'expérience METR l'a montré.

5. L'effet sur le poste. Ce qu'on mesure : la part d'exécution et d'expertise avant et après. Comment : rapprocher les étapes 3 et 4 : le poste devient-il plus expert ou se banalise-t-il ?

6. L'effet sur l'équipe. Ce qu'on mesure : pour un poste du développement logiciel : la vitesse et la stabilité des livraisons de l'équipe. Comment : les cinq indicateurs DORA, suivis avant et après, comparés aux repères publiés chaque année, et complétés par la part de code produite par l'IA et le taux de réécriture.

7. Ce qui reste. Ce qu'on mesure : le noyau humain : jugement, coordination, relation, supervision. Comment : discussion avec l'équipe, qui en tire la nouvelle forme du rôle.

Une étape manque à presque toutes les études d'exposition : demander aux gens ce qu'ils veulent déléguer. La base WORKBank de Stanford l'a fait en 2025 auprès de 1 500 personnes, sur 844 tâches de 104 métiers. Les travailleurs sont favorables à l'automatisation pour 46,1 % des tâches, et le partenariat à égalité entre la personne et l'IA est le niveau qu'ils préfèrent dans 45,2 % des métiers. Les chercheurs ont aussi rapproché, à l'aide d'un modèle, les jeunes entreprises financées par l'incubateur Y Combinator des tâches qu'elles visent : 41 % de ces rapprochements portent sur des tâches que les travailleurs souhaitent peu voir automatiser. Les investissements ne vont pas forcément là où les équipes attendent de l'aide.

La mesure, justement, est ce que les entreprises les plus avancées disent ne pas encore savoir faire. Chez Front, l'indicateur le plus suivi est la part de l'organisation qui utilise l'IA chaque jour, 70 % ; Paul Teyssier regrette qu'il mesure « activity, not outcomes », l'activité et pas les résultats, et dit du gain de dix fois qu'il avait avancé publiquement : « probably my dream and not the reality ». Il préfère le temps de cycle, de l'idée à sa mise entre les mains des clients, qu'il n'a jamais vu mesuré de bout en bout. Chez Alan, l'équipe n'a posé aucun indicateur au départ, de peur qu'un compte de pull requests ne fausse la lecture de la qualité, et commence à mesurer le temps de relecture du code écrit par l'IA. Son responsable de l'ingénierie se méfie des taux d'usage : « 100 % de mes équipes l'utilisent » peut cacher des gens qui, déçus d'un premier essai, s'en tiennent à poser des questions à l'outil sans jamais aller plus loin.

Cette grille a une vertu de plus : elle transforme une discussion anxiogène en exercice concret. Les gens y parlent de ce qu'ils font tous les jours, un sujet dont ils sont les meilleurs experts. Dans la mission citée plus haut, les équipes ont adopté leur nouvelle place une fois qu'elles l'avaient vue dans le fonctionnement cible.

Les rôles produit ne sont mesurés nulle part. Les observations de ce carnet sur les product managers, designers et UX researchers viennent du terrain et de témoignages publics ; aucune étude ne les a mesurées. Les entreprises les plus avancées disent elles-mêmes ne pas savoir encore mesurer leurs gains.

Les mesures d'exposition vieillissent vite. La plupart reposent sur les modèles de 2023, avant les agents de code et les outils de prototypage qui ont justement déplacé les frontières entre rôles en 2025 et 2026.

Les données d'usage viennent des éditeurs. Anthropic et les autres mesurent ce qui se passe chez leurs utilisateurs, chacun avec le biais de sa clientèle.

Le paradoxe des juniors n'est pas expliqué de part et d'autre de l'Atlantique. Les États-Unis le mesurent, l'Europe ne le voit pas à ce jour, et personne ne sait dire pourquoi.

Le travail réel échappe aux indices. Aucune mesure d'exposition ne tient compte de l'écart entre la tâche prévue et l'activité réelle.

L'étude de Stanford sur les jeunes a connu trois versions en un an. Les deux premières donnaient 13 % puis 16 % de recul relatif, par régression ; la version d'août 2026 met en avant un écart descriptif de 19 %, qui valait 15 % avec les données de juillet 2025. Les deux mesures ne se comparent pas : citer toujours la mesure, la version et sa date.

L'étude d'Eloundou et al. existe en deux versions : la prépublication de 2023 (« un actif sur cinq » avec au moins la moitié de ses tâches exposées) et la version publiée dans Science en 2024 (1,8 % avec un modèle seul, 46 % avec les logiciels construits dessus). Citer la version publiée.

Les chiffres de l'étude sur le service client sont ceux de la version publiée en 2025 (15 % en moyenne, environ 30 % pour les moins expérimentés). La version de travail de 2023, encore souvent reprise, donnait 14 % et 34 %.

L'expérience METR de 2025 et sa suite de 2026 vont dans des sens opposés, et METR juge la seconde peu fiable. Ni l'une ni l'autre ne dit à elle seule si l'IA accélère les développeurs.

Le travail d'Autor et Thompson porte sur quarante ans d'informatisation. Sa transposition à l'IA générative est une lecture de notre part.

Le mémo du PDG de Shopify d'avril 2025, souvent cité sur les petites équipes, n'en parle pas. Il demande aux équipes de montrer pourquoi l'IA ne peut pas faire un travail avant de demander des effectifs.

Klarna est souvent présenté comme l'entreprise qui a remplacé son service client par l'IA puis réembauché. Les faits vérifiables : en février 2024, son assistant traitait les deux tiers des conversations, l'équivalent de 700 agents ; en mai 2025, son PDG a jugé que la recherche d'économies était allée trop loin et a annoncé un recrutement pour qu'un client puisse toujours parler à un humain. Les chiffres de réembauche qui circulent ne sont pas sourcés.

Les témoignages du podcast Clef de voûte viennent de transcriptions automatiques, revérifiées sur chaque citation reprise ici. Les chiffres sont ceux des invités sur leur propre entreprise, que personne n'a vérifiés, et ils bougent : Christopher Parola parlait de 80 % de code écrit par des agents dans une table ronde diffusée en juin, de 70 % en septembre. Dans les épisodes à plusieurs voix, seules les attributions certaines sont nommées.