Que fait vraiment ce poste, au-delà de la fiche ?
Si la réponse vient de la fiche, on mesure le prévu, et on rate ce qui fait tenir le poste.
Rarement en entier : l'IA reprend des tâches, et le sort d'un métier dépend de ce qui part. Quand elle retire l'exécution, le métier devient plus expert ; quand elle retire l'expertise, il se banalise. Ce carnet rassemble des études vérifiées sur leurs sources d'origine, des témoignages de dirigeants produit et une grille pour mesurer, poste par poste, ce que l'IA change au travail.
En raisonnant par métier, on trouvait en 2013 que 47 % des emplois américains étaient menacés par l'automatisation. En raisonnant par tâche, l'OCDE en trouvait 9 % trois ans plus tard. Même technologie, autre loupe.
Moins de 2 % des emplois américains ont plus de la moitié de leurs tâches à la portée d'un modèle seul, 46 % en comptant les logiciels existants et à venir construits dessus. Au Danemark, deux ans après l'arrivée de ChatGPT, l'IA n'a eu aucun effet mesurable sur les salaires ni sur les heures.
Quand l'automatisation retire l'exécution, le métier devient plus expert et mieux payé, avec moins de monde. Quand elle retire la partie experte, il se banalise. Les commis comptables ont vécu le premier cas, les commis de stock le second.
Équipés de l'IA, des consultants gagnent plus de 40 % de qualité sur des tâches à sa portée ; d'autres, équipés eux aussi, perdent 19 points de bonnes réponses sur une tâche voisine. Avec les outils de début 2025, des développeurs expérimentés se croyaient plus rapides alors qu'ils étaient plus lents.
Aux États-Unis, 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, alors que ce sont les débutants que l'IA aide le plus sur le poste. En Europe, rien de tel à ce jour.
Une tâche peut changer de mains et rester experte. Les rôles produit en donnent des exemples : chez certains, designers et product managers livrent du code en production, d'autres jugent que c'est encore un peu tôt, ou que la mise en production reste le métier des développeurs, et aucune étude ne les mesure encore.
On propose une grille en sept étapes, et cinq questions à poser avant de recomposer un rôle.
Parce que l'IA reprend des tâches, rarement des métiers entiers, et que deux personnes au même intitulé ne font pas la même chose. En raisonnant par métier, on trouvait en 2013 que 47 % des emplois américains étaient menacés ; en raisonnant par tâche, l'OCDE en trouvait 9 % trois ans plus tard.
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.
Sur 1960 à 1998, ils mesurent ce glissement à l'intérieur des métiers. D'autres travaux se sont ensuite servis de cette grille pour expliquer pourquoi, aux États-Unis, les emplois intermédiaires ont reculé 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, 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.
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 : de nouveaux contenus de travail apparaissent pendant que d'autres partent.
Retenez la loupe. Toute la suite du carnet s'en sert.
Parce qu'ils mesurent trois choses différentes : ce que l'IA pourrait faire, ce qu'on lui confie vraiment et ce que ça change. 46 % des emplois américains ont plus de la moitié de leurs tâches à la portée des logiciels existants et à venir ; au Danemark, l'IA n'a eu aucun effet mesurable sur les salaires ni sur les heures.
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.
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 l'accès à un modèle de langage, ou à un logiciel construit dessus, réduit d'au moins 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, en comptant déjà pour moitié les logiciels à venir.
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 les près de 30 000 tâches de la nomenclature polonaise des métiers : 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.
Anthropic publie depuis février 2025 un indice tiré de conversations anonymisées avec Claude (environ un million pour le premier rapport), 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 (rapport de septembre 2025), avant de repasser derrière trois mois plus tard (rapport de janvier 2026).
Dans son rapport de janvier 2026, Anthropic situait malgré tout la tendance de fond vers plus d'automatisation. Celui de mars 2026 montre pourtant l'augmentation en légère hausse, et observe que les utilisateurs installés depuis plus de six mois itèrent davantage et délèguent moins.
On mesure ici les salaires, les heures, les effectifs. Le résultat le plus solide vient du Danemark. Anders Humlum et Emilie Vestergaard ont croisé deux vagues d'enquête menées dans onze métiers exposés, d'environ 25 000 réponses chacune, 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 et disent gagner du temps, sans effet mesurable sur leur paie ni sur leur semaine. 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.
Ces trois mesures se complètent. Elles 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. Un chiffre sur l'IA et l'emploi cité seul, sans dire laquelle des trois mesures il est, ne vaut pas grand-chose en comité de direction.
Un directeur produit français raconte, vu de l'intérieur, l'écart entre ce que l'outil permet et ce qu'il produit. 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 ; en septembre, il décrit un profil produit pour quatre à six profils techniques, un ratio « légèrement » changé. Ses chiffres bougent d'une intervention à l'autre : ce sont des estimations.
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 :
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 elle reste négative pour la stabilité : 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 partie 7.
La nature de ce qui part. Quand l'automatisation retire l'exécution, le métier devient plus expert et mieux payé, avec moins de monde. Quand elle retire la partie experte, il s'ouvre à des profils moins formés, avec plus d'emplois et des salaires plus bas. Le même pourcentage de tâches reprises annonce donc deux avenirs opposés pour un poste.
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 :
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.
Les témoignages d'entreprises le montrent. 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. Fabian Veit 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.
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 dans une étude antérieure à celle de 2025 : 39 % pour les développeurs (cités parmi les métiers transverses de la branche, hors secteur du numérique), 42 % pour les graphistes, 48 % pour les comptables. Ces deux derniers métiers sont 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 ». Selon l'enquête menée par l'OPIIEC auprès des entreprises de la branche, 7 % 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.
La question se pose mal métier par métier, parce que la frontière des capacités de l'IA passe au milieu des postes. Au Boston Consulting Group, des consultants équipés de l'IA ont rendu un travail jugé plus de 40 % meilleur sur des tâches à sa portée ; d'autres, équipés eux aussi, ont eu 19 points de bonnes réponses en moins sur une tâche voisine.
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, entre deux expériences, chacune avec ou sans GPT-4. Dans la première, sur des 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 %.
Dans la seconde, sur une tâche choisie pour être hors de sa portée, parce qu'elle cachait un piège dans les données, les consultants équipés 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, les estimations brutes vont vers un gain de temps (18 % pour les participants de la première étude, 4 % pour les nouveaux), sans être significatives. METR juge lui-même ce résultat peu fiable : 30 à 50 % des développeurs disent ne pas soumettre certaines tâches parce qu'ils ne veulent pas les 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.
Aux États-Unis, c'est le signal à surveiller : dans les métiers les plus exposés, l'emploi des 22-25 ans accuse un retard de 19 % sur celui des jeunes des autres métiers, un écart que ses auteurs présentent comme descriptif. L'IA aide pourtant d'abord les débutants sur le poste. L'Europe ne voit rien de tel à ce jour.
Le résultat le plus commenté de ces douze derniers mois porte sur les débuts de carrière, et il a la forme d'un paradoxe.
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 qualifiés et les moins expérimentés, de 36 % pour le cinquième le moins qualifié.
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.
Or ce sont des profils de ce type que les entreprises embauchent moins. 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, cet emploi a reculé d'environ 11 % depuis novembre 2022, quand celui des jeunes des trois cinquièmes de 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 n'évoluent pas différemment selon l'âge et l'exposition.
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, Seyed M. Hosseini et Guy Lichtinger, arrive au même endroit par une autre porte. Sur 65 millions de parcours professionnels, ils repèrent les entreprises qui adoptent l'IA générative par leurs offres d'emploi d'intégrateurs d'IA. Six trimestres après début 2023, l'emploi junior y avait reculé d'environ 9 % par rapport aux autres entreprises, quand l'emploi senior gardait sa tendance. Là encore, le recul vient surtout 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. Les deux études ne mesurent pas la même chose : Eurofound suit les 15-29 ans et l'usage réel de l'IA, Stanford les 22-25 ans et l'exposition. L'écart entre les deux continents peut aussi 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 aucun licenciement, 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 :
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 ?
Des tâches changent de mains. Chez certains, des product managers et des designers livrent du code en production, des product managers prototypent eux-mêmes, des designers confient à l'IA une partie de la recherche utilisateur. Les entreprises les plus avancées se divisent sur ce qu'il faut leur ouvrir, et aucune étude ne mesure encore ces rôles.
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. 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.
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.
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 ». C'est la question de l'expertise posée par un praticien.
« Ce n'est pas parce qu'il peut coder qu'il doit le faire. »
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 aux product managers de son programme IA : ne pas passer une journée sans interagir avec un utilisateur.
Une praticienne rapporte avoir entendu un product manager demander à un ou 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, en gardant la règle que répète son vice-président de l'ingénierie : 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 Tancrède Besnard, 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 nous faisons 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, l'auteur de ce carnet, qui pilote aussi 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. Pour pouvoir en sortir, 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.
Poste par poste, en sept étapes : inventorier les tâches réelles, évaluer l'exposition et le niveau d'expertise de chacune, relever le temps vraiment confié à l'IA plutôt que le ressenti, puis en déduire l'effet sur le poste, sur l'équipe et ce qui reste. Et demander aux gens ce qu'ils veulent déléguer, ce que presque aucune étude ne fait.
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 en quatre étapes pour passer de l'un à l'autre : décomposer le poste en tâches, repérer celles où une meilleure performance rapporte le plus, choisir ce qu'on automatise, puis recomposer le poste.
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. Pour chaque étape, ce qu'on mesure, puis comment :
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 plutôt que les résultats. Du gain de dix fois qu'il avait avancé publiquement, il dit : « probably my dream and not the reality » (sans doute mon rêve plutôt que la réalité).
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 (Clef de voûte, 27/04/2026).
Chez Alan, l'équipe n'a posé aucun indicateur au départ, préférant n'en avoir aucun plutôt qu'un indicateur peu fiable : un compte de pull requests, par exemple, aurait faussé la lecture de la qualité. Elle 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.
Comment évoluent les rôles produit, que rien ne mesure encore ; ce que valent des mesures d'exposition fondées sur les modèles de 2023 ; et pourquoi l'emploi des débutants décroche aux États-Unis sans que l'Europe le voie.
Citer toujours la mesure, la version et la date : plusieurs études citées ici ont changé de chiffres d'une version à l'autre, et les chiffres que des dirigeants donnent sur leur propre entreprise n'ont été vérifiés par personne.
Elles tiennent sur une page, et la grille de la partie 7 sert à y répondre. Notre position sur la méthode reste la même que sur le reste de l'IA : tester et se faire une conviction, se planter rapidement s'il le faut, mais pouvoir avancer. L'IA va très vite, et pour suivre le rythme, on est obligé de changer la manière dont on prend des décisions.
Si la réponse vient de la fiche, on mesure le prévu, et on rate ce qui fait tenir le poste.
C'est la question d'Autor et Thompson. Elle dit si le poste va devenir plus expert ou se banaliser.
Si personne ne le sait, personne ne sait ce qui a changé.
Ce qu'elles refusent dit souvent où se trouve leur métier.
Et d'où viendront les seniors dans cinq ans ?
Carnet écrit à partir d'une recherche du 29 septembre 2026 croisant trois moteurs et des transcriptions de deux podcasts, chaque affirmation vérifiée sur sa source d'origine, puis relu par plusieurs relecteurs contradicteurs. Faits revérifiés et texte remis en forme les 16 et 17 octobre 2026, puis relus par un relecteur contradicteur. Édition du 17 octobre 2026.
On aide les équipes à décomposer leurs rôles en tâches, à mesurer ce qui part vraiment et à recomposer les postes. Parlons-en.