Agents IA, robots, et nous : les partenariats technologiques à l’ère de l’IA

• Le travail de demain sera reconfiguré autour d’un partenariat entre humains, agents et robots ; environ 57 % du temps de travail peut être automatisé avec les technologies actuelles, mais il s’agit d’un potentiel technique, pas d’une prévision de destruction d’emplois
• Plus de 70 % des compétences demandées aujourd’hui par les employeurs sont utilisées à la fois dans des tâches automatisables et non automatisables ; la plupart des compétences restent donc pertinentes, mais leur mode d’application change
• La demande en maîtrise de l’IA (capacité à utiliser et piloter des outils d’IA) a été multipliée par 7 en deux ans, ce qui en fait la compétence à la croissance la plus rapide dans les offres d’emploi
• D’ici 2030, cela pourrait générer à lui seul environ 2,9 billions de dollars de valeur économique aux États-Unis, à condition de repenser non pas les tâches individuelles, mais l’ensemble des workflows
• Selon le Skill Change Index, les compétences numériques et de traitement de l’information connaîtront les plus fortes transformations, tandis que les compétences liées au soin et au soutien devraient le moins évoluer

---

Aperçu essentiel

• Le travail de demain évolue vers un partenariat fondé sur l’IA entre humains, agents et robots
• Avec les technologies actuelles, environ 57 % du temps de travail aux États-Unis est théoriquement automatisable, mais il s’agit d’un potentiel technique et son adoption réelle devrait prendre des décennies
• Certains rôles devraient se réduire, d’autres croître ou se transformer, et de nouveaux rôles devraient émerger
• Plus de 70 % des compétences demandées par les employeurs sont utilisées dans des tâches automatisables comme non automatisables ; la plupart des compétences restent donc valables, mais leur contexte d’application évolue
• Le Skill Change Index mesure l’exposition de chaque compétence à l’automatisation sur les cinq prochaines années ; les compétences numériques et de traitement de l’information seront les plus touchées, tandis que les compétences de care devraient peu évoluer
• La demande en maîtrise de l’IA a été multipliée par presque 7 en deux ans, enregistrant la croissance la plus rapide dans les offres d’emploi aux États-Unis
• D’ici 2030, cela pourrait générer environ 2,9 billions de dollars de valeur économique aux États-Unis, mais cela suppose que les organisations préparent leur main-d’œuvre et reconçoivent les workflows dans leur ensemble plutôt que les tâches prises isolément

L’IA redéfinit les frontières du travail

• Renforcement de l’autonomie et des capacités des agents et des robots

  • Par le passé, les machines étaient conçues pour suivre des règles et n’opéraient que selon des schémas prédéfinis
  • Avec l’arrivée de l’IA, des agents et robots capables d’exécuter des tâches cognitives et physiques apprennent à partir de vastes jeux de données et acquièrent davantage de capacités
  • Ils peuvent répondre à différents types d’entrées, y compris en langage naturel, et s’adapter au contexte au lieu de s’appuyer sur des règles préétablies
  • Avec les technologies actuelles, environ 57 % du temps de travail aux États-Unis est théoriquement automatisable, mais l’adoption réelle dépend de facteurs comme les politiques publiques, le coût du travail, le coût de mise en œuvre et le temps de développement
  • Il a fallu plus de 30 ans pour généraliser l’électricité, et les robots industriels ont suivi une trajectoire similaire sur plusieurs décennies ; en 2023, seules environ un cinquième des entreprises faisaient tourner la plupart de leurs applications dans le cloud

• L’IA affecte tous les types de travail

  • Les tâches non physiques représentent environ deux tiers du temps de travail aux États-Unis
  • Environ un tiers des tâches non physiques exigent des compétences sociales et émotionnelles que l’IA ne maîtrise pas encore
  • Le reste correspond à des tâches adaptées à l’automatisation, comme le raisonnement et le traitement de l’information, qui représentent environ 40 % de la masse salariale totale aux États-Unis
  • Les tâches physiques représentent environ 35 % du temps de travail aux États-Unis ; malgré les progrès de la robotique, la plupart nécessitent encore des compétences motrices fines, de la dextérité et de la perception situationnelle que la technologie ne reproduit pas encore de manière fiable
  • Pour environ 40 % de la main-d’œuvre américaine, les tâches physiques représentent plus de la moitié du temps de travail (conducteurs, ouvriers du bâtiment, cuisiniers, aides-soignants, etc.)
  • Les progrès des robots devraient transformer certains métiers, y compris des rôles peu rémunérés dans la production ou la préparation alimentaire
  • Les robots continueront aussi d’assurer des tâches dangereuses ou impossibles pour l’humain, comme les interventions sous-marines, la recherche et le sauvetage, ou l’inspection d’environnements à risque

• Les humains restent indispensables

  • Au niveau actuel des capacités, les agents peuvent exécuter 44 % du temps de travail aux États-Unis, et les robots 13 %
  • Pour étendre davantage l’automatisation, il faudrait des capacités aujourd’hui propres aux humains, comme l’interprétation des intentions et des émotions (pour les agents) ou le contrôle moteur fin (pour les robots)
  • Avec les avancées technologiques, certains rôles devraient se réduire, d’autres s’élargir ou changer d’orientation, et de nouveaux rôles devraient être créés
  • Exemple de la radiologie : entre 2017 et 2024, l’emploi des radiologues a progressé d’environ 3 % par an malgré les avancées de l’IA, celle-ci améliorant la précision et l’efficacité tandis que les médecins se concentrent sur les décisions complexes et les soins aux patients
    • Mayo Clinic a augmenté ses effectifs en radiologie de plus de 50 % depuis 2016 tout en déployant des centaines de modèles d’IA
  • L’IA crée déjà de nouveaux types de tâches et de rôles (génération et amélioration d’agents par les software engineers, création de nouveaux contenus par les designers et créateurs avec des outils génératifs, etc.)

Sept types de travail

• Environ 800 métiers ont été analysés selon leur potentiel d’automatisation physique et non physique, puis classés en sept catégories
• Les métiers au plus faible potentiel d’automatisation sont classés comme centrés sur l’humain (people-centric), tandis que ceux où la part de tâches automatisables est élevée sont classés comme centrés sur les agents (agent-centric) ou centrés sur les robots (robot-centric)
• Les rôles qui combinent de manière équilibrée deux ou trois dimensions sont classés comme rôles mixtes ou hybrides

• Rôles centrés sur l’humain

  • On les retrouve dans la santé, le bâtiment et la maintenance, entre autres, et ils représentent environ un tiers des emplois aux États-Unis
  • Salaire annuel moyen d’environ 71 000 dollars
  • Environ la moitié du temps de travail y est consacrée à des activités physiques impossibles à reproduire avec les technologies actuelles

• Rôles centrés sur les agents et sur les robots

  • Ce sont les rôles au potentiel d’automatisation le plus élevé, représentant environ 40 % de l’ensemble des emplois
  • Il s’agit majoritairement de rôles centrés sur les agents dans les services juridiques et administratifs, avec un salaire annuel moyen d’environ 70 000 dollars, incluant de vastes volumes de travail cognitif techniquement traitables par des systèmes d’IA, comme la rédaction de documents
  • Les rôles centrés sur les robots (conducteurs, opérateurs de machines, etc.) impliquent de fortes exigences physiques, parfois des risques, et affichent un salaire annuel moyen d’environ 42 000 dollars
  • Les rôles agent-robot représentent environ 2 % de l’ensemble des travailleurs, avec un salaire annuel moyen d’environ 49 000 dollars ; les tâches physiques y occupent 53 % du temps de travail, principalement dans des environnements de production comme la fabrication automatisée ou la logistique, où l’intelligence logicielle pilote des systèmes physiques

• Rôles hybrides

  • Ils couvrent une grande diversité de métiers combinant humains, agents et robots, et emploient environ un tiers de la main-d’œuvre
  • Les niveaux de rémunération, l’intensité physique et le potentiel d’automatisation y varient fortement, mais l’humain reste indispensable dans tous les contextes
  • Rôles humain-agent : enseignants, ingénieurs, professionnels de la finance, etc., dont le travail peut être amélioré par des outils numériques et d’IA ; salaire annuel moyen de 74 000 dollars ; environ un cinquième des travailleurs américains
  • Rôles humain-robot : présents dans la maintenance et la construction, où les machines ajoutent puissance et précision à l’effort humain ; les tâches physiques y représentent environ 81 % du temps de travail ; salaire annuel moyen de 54 000 dollars ; cela concerne moins de 1 % des travailleurs américains
  • Rôles humain-agent-robot : présents dans le transport, l’agriculture et la restauration, où les trois formes de travail se combinent presque à parts égales ; les tâches physiques y représentent environ 43 % du temps de travail ; salaire annuel moyen de 60 000 dollars ; cela concerne environ 5 % des travailleurs américains

Évolution des exigences en matière de compétences

• L’analyse des offres d’emploi montre qu’environ 6 800 compétences sont fréquemment mentionnées dans plus de 11 millions d’offres
• Presque toutes les professions comptent au moins une compétence fortement transformée relevant du quartile supérieur d’ici 2030
• Dans un tiers des professions, plus de 10 % des compétences devraient connaître de grands changements

• Des exigences de compétences plus précises et plus spécialisées

  • Le nombre de compétences propres associées à chaque profession est passé en moyenne de 54 à 64 en dix ans, ce qui montre que les employeurs décrivent les rôles de manière plus précise
  • Les domaines à hauts salaires tendent à exiger davantage de compétences et une spécialisation plus poussée
    • Les offres pour les data scientists et les économistes listent plus de 90 compétences distinctes
    • Celles des chauffeurs automobiles en listent moins de 10
  • Les métiers à hauts salaires mettent l’accent sur les compétences de gestion, d’information et numériques
  • Les rôles faiblement rémunérés se concentrent sur les tâches pratiques, l’utilisation d’équipements et les activités de soin et de support

• Compétences transférables et 8 compétences à forte fréquence

  • Chaque vague de transformation des compétences a modifié la manière de travailler, mais la différence aujourd’hui, c’est la vitesse
  • Jusqu’en 2023, la demande de compétences liées à l’IA progressait à un rythme comparable à celui d’autres compétences numériques comme le cloud computing et la cybersécurité
  • Après l’essor de l’IA générative, l’accélération a été brutale : au cours des deux dernières années, environ 600 nouvelles compétences sont apparues dans les offres d’emploi (soit près d’un tiers du total ajouté sur les dix dernières années), dont beaucoup sont liées à l’IA et aux technologies associées
  • Ces changements rapides augmentent la valeur des compétences transférables
  • Malgré la hausse de la spécialisation, 8 compétences à forte fréquence (communication, relation client, rédaction, résolution de problèmes, leadership, gestion, opérations et souci du détail) restent durablement utiles, quels que soient le secteur et le niveau de salaire
  • Ces compétences forment le tissu conjonctif du marché du travail et sont au cœur du développement des talents
  • De nombreuses autres compétences restent aussi transférables d’un métier à l’autre : par exemple, plus de la moitié des compétences requises pour un Account Executive apparaissent également dans 175 autres métiers

• Forte accélération de la demande de maîtrise de l’IA (AI Fluency)

  • La demande de maîtrise de l’IA (capacité à utiliser et gérer des outils d’IA) a presque été multipliée par 7 en deux ans, jusqu’au milieu de 2025
  • Elle est désormais devenue une exigence dans des professions qui emploient environ 7 millions de travailleurs
  • La demande de compétences techniques en IA (concevoir et déployer des systèmes d’IA) progresse aussi, mais plus lentement
  • 75 % de la demande de compétences en IA se concentre dans trois familles de métiers : informatique et mathématiques, management, et business et finance
  • Le reste provient de 10 autres familles de métiers, dont l’architecture et l’ingénierie, l’installation, la maintenance et la réparation, ainsi que l’éducation
  • Dans 9 familles de métiers comme la construction, le transport et la restauration, qui représentent environ 40 % de la main-d’œuvre et des revenus inférieurs au revenu médian, la demande de compétences liées à l’IA reste limitée
  • Les employeurs accroissent aussi leur demande de capacités adjacentes à l’IA comme l’optimisation des processus, l’assurance qualité et la formation
  • À l’inverse, les mentions dans les offres d’emploi diminuent pour les domaines que les machines exécutent déjà bien ou améliorent fortement (recherche, rédaction, calculs simples), même si ces compétences restent essentielles pour la majorité des travailleurs

• La plupart des compétences humaines restent valables, mais leur usage évolue

  • Environ 72 % des compétences sont nécessaires à la fois pour des tâches que l’IA peut accomplir et pour celles qui doivent rester humaines
  • Une minorité de compétences devrait rester proprement humaine, car ancrée dans l’empathie, la créativité et la compréhension contextuelle, comme la résolution des conflits interpersonnels ou le design thinking
  • À l’autre extrémité du spectre, certaines compétences, comme la saisie de données, le traitement financier ou le contrôle d’équipements, sont susceptibles de devenir majoritairement pilotées par l’IA
    • Dans ces domaines, les humains se retireront de l’exécution directe pour se concentrer sur la conception, la validation des résultats et le traitement des exceptions
  • Entre ces deux extrêmes s’étend une vaste zone intermédiaire où humains et IA collaborent côte à côte
    • Cela donne naissance à des partenariats technologiques : les machines gèrent les tâches routinières, tandis que les humains cadrent les problèmes, donnent des instructions aux agents IA et aux robots, interprètent les résultats et prennent les décisions
    • Les humains apportent le jugement et la compréhension contextuelle qui manquent encore aux machines, en combinant collaboration et supervision

Skill Change Index (SCI)

• Le SCI est un indicateur pondéré dans le temps qui mesure l’exposition potentielle de chaque compétence à l’automatisation selon différents scénarios d’adoption
• Parmi les 100 compétences les plus demandées, l’effet de l’IA varie fortement
  • Les compétences centrées sur l’humain, comme le coaching, présentent l’exposition à l’automatisation la plus faible
  • Les compétences manuelles et routinières, comme le traitement des factures, présentent l’exposition la plus forte
  • Des compétences comme l’assurance qualité se situent au milieu de la distribution, dans une zone où l’IA ne remplace pas la compétence mais en transforme l’usage

• Exposition de 7 000 compétences

  • Les compétences numériques et de traitement de l’information occupent les rangs les plus élevés dans le SCI, ce qui reflète l’amélioration des capacités de traitement et d’analyse des données par l’IA
  • Les compétences de soin et de support devraient connaître le moins de changements

• Trois trajectoires d’évolution des compétences

  • Compétences à forte exposition (quartile supérieur) : forte probabilité de baisse de la demande ; il s’agit surtout de compétences spécialisées que l’IA maîtrise déjà bien, comme les processus comptables ou certains langages de programmation
  • Compétences du quartile intermédiaire : leur nature et leur mode d’application sont plus susceptibles d’évoluer que leur niveau de demande ; il s’agit surtout de compétences transférables combinant jugement humain et outils numériques, la maîtrise de l’IA y étant aussi incluse ; les compétences comme la rédaction et la recherche seront appliquées différemment par les humains
  • Compétences à faible exposition (quartile inférieur) : forte probabilité de pérennité ; il s’agit surtout de compétences fondées sur le lien humain et le soin, comme le leadership ou les compétences en santé

Valeur économique et refonte des workflows

• L’automatisation fondée sur l’IA pourrait générer aux États-Unis, d’ici 2030, environ 2 900 milliards de dollars de valeur économique annuelle dans un scénario d’adoption intermédiaire
• Pour concrétiser ces gains, il faut non pas automatiser des tâches isolées, mais reconcevoir des workflows complets afin que humains, agents et robots puissent collaborer efficacement

• La plupart des entreprises n’obtiennent pas encore de gains concrets

  • Environ 90 % des entreprises déclarent avoir investi dans l’IA, mais moins de 40 % disent constater des gains mesurables
  • Cet écart s’explique par le fait que beaucoup de projets sont encore au stade pilote ou expérimental, ou que les organisations appliquent l’IA à des tâches isolées au lieu de repenser l’ensemble des workflows
  • Exemple : dans une banque, il y a une différence entre fournir aux employés un chatbot d’usage temporaire et déployer des agents sur mesure dans un processus repensé avec des humains pour l’approbation, le traitement et la gestion des prêts

• Répartition des gains de productivité

  • Analyse de 190 processus métier à l’échelle de l’économie américaine
  • Environ 60 % des gains de productivité potentiels se concentrent dans des workflows liés à des domaines sectoriels (les activités centrales de chaque industrie)
    • Industrie manufacturière : gestion de la supply chain
    • Santé : diagnostic clinique et prise en charge des patients
    • Finance : conformité réglementaire et gestion des risques
  • Des gains supplémentaires proviennent des fonctions transverses qui soutiennent tous les secteurs, comme l’IT, la finance et les services administratifs

Étude de cas : workflows intégrant l’IA

• Consultez 80 cas d’implémentation où les workflows sont repensés autour de l’IA
• Les managers et experts passent progressivement d’un rôle d’exécutants à celui d’orchestrateurs et validateurs
• Des experts métier, comme les analystes de données, les underwriters et les ingénieurs, nouent des partenariats avec des agents qui réalisent l’analyse initiale ou génèrent des premières versions
• Les compétences humaines les plus précieuses se déplacent vers la maîtrise de l’IA, l’adaptabilité et l’évaluation critique des livrables, ce qui permet aux personnes de se concentrer sur des tâches à plus forte valeur ajoutée

• Cas commercial : entreprise technologique mondiale

  • Cherche à élargir sa portée et à approfondir ses relations clients
  • Dans le modèle existant, les équipes commerciales humaines utilisaient des méthodes de priorisation incohérentes, avec une capacité limitée à personnaliser l’approche pour des milliers de petits comptes, si bien que seuls les prospects les plus prometteurs recevaient une attention sur mesure
  • Introduction de plusieurs agents IA pour automatiser les premières étapes du processus commercial
    • Agent de priorisation : attribue un score et classe les comptes à partir de données publiques et propriétaires
    • Agent de prise de contact : contacte les clients
    • Agent de réponse client : gère le suivi et classe les leads en intéressés, non intéressés ou incertains
    • Agent de planification : programme des appels et des rappels pour les leads à fort potentiel
    • Agent de transfert : transmet le dossier à un expert lorsqu’un jugement humain est nécessaire
  • Résultat : hausse attendue du chiffre d’affaires annuel de 7 à 12 % grâce à l’augmentation des nouveaux revenus, des ventes croisées et de la rétention, avec un gain de temps de 30 à 50 % sur l’ensemble des fonctions commerciales
  • Les spécialistes du business development peuvent consacrer davantage de temps à des interventions stratégiques comme la rédaction de propositions, la négociation de partenariats et le développement des relations
  • À terme, il serait possible d’ajouter des agents de coaching (feedback en temps réel pour l’équipe commerciale) et des agents de gestion (assistants pour traiter les tâches administratives de routine)

• Cas des opérations client : grand groupe de services publics

  • Traite plus de 7 millions d’appels d’assistance par an malgré la présence de nombreuses options de self-service sur l’application et le site web
  • Le système existant de réponse vocale interactive ne résolvait qu’environ 10 % des demandes, le reste étant transféré à des agents humains du service client
  • Déploiement d’une IA conversationnelle agentique auprès de l’ensemble de la base clients
    • Agent d’appels entrants : authentifie les clients
    • Agent d’identification d’intention : détermine l’objet de l’appel
    • Agent de planification d’appels : gère les rendez-vous
    • Agent de self-service : s’intègre aux systèmes backend
  • Résultat : traite désormais environ 40 % de tous les appels et en résout plus de 80 % sans intervention humaine
    • En cas d’escalade nécessaire, transmet l’appel avec les détails du compte vérifiés et l’historique de conversation afin d’assurer un transfert fluide
    • Réduction du coût moyen par appel d’environ 50 %
    • Hausse de 6 points du score de satisfaction client grâce à des temps d’attente plus courts, un traitement plus cohérent et une résolution plus rapide
    • Les agents humains gèrent les problèmes plus complexes, plus sensibles sur le plan émotionnel et à plus forte valeur
  • À terme, il serait possible d’ajouter des agents d’identification des problèmes clients (détection des interruptions de service et surveillance pour contacter proactivement les clients) et des agents de coaching (fourniture d’instructions en temps réel aux agents humains pendant les appels)
  • Les agents IA avancés pourraient à terme traiter 80 à 90 % des demandes clients

• Cas de rédaction médicale : groupe biopharmaceutique mondial

  • Cherche à améliorer le processus de rédaction des rapports d’étude clinique qui documentent les données de sécurité et d’efficacité de nouveaux médicaments
  • Dans le modèle existant, les rédacteurs médicaux collectaient manuellement les données d’étude, rédigeaient de longs rapports et coordonnaient plusieurs cycles de relecture
  • Des capacités limitées et des délais longs restreignaient la capacité à répondre à une demande croissante de soumissions
  • Développement d’une plateforme IA reconfigurant le workflow de rédaction des rapports
    • Synthétise des données d’étude structurées et non structurées, génère en quelques minutes une première version complète, applique les modèles maison et de conformité, et effectue une auto-vérification des erreurs
  • Le rôle des rédacteurs médicaux évolue, passant de la rédaction manuelle à la collaboration avec le système IA et à l’application du jugement clinique
  • Résultat : réduction d’environ 60 % du temps de traitement de la première version examinée par un humain, et baisse d’environ 50 % des erreurs
    • Combiné à d’autres changements de processus et de technologies associés, l’effort de mise sur le marché peut être raccourci de plusieurs semaines, avec d’autres améliorations attendues
  • À terme, des agents pourraient intervenir à chaque étape clé, du plan de recherche clinique jusqu’à la soumission : agent de planification de la recherche clinique (assemblage des protocoles d’essai), agent de cartographie des données (analyse et synthèse des données), agent de rédaction de rapport (génération du draft complet), agent de validation (vérification de la conformité), agent de relecture (détection des erreurs), agent de préparation à la soumission (génération des documents destinés aux autorités réglementaires)
  • Appliqué à l’ensemble du cycle de recherche, cela pourrait raccourcir les délais de plusieurs mois

• Cas de modernisation IT : banque régionale

  • Utilise des agents IA pour moderniser une application bancaire destinée aux PME
  • Vise à mettre à jour divers langages de programmation afin d’accélérer la vitesse de développement interne
  • Approche existante : plusieurs mois de travail, un budget important et de vastes compétences d’ingénierie nécessaires pour documenter manuellement, refactorer et tester des millions de lignes de code
  • Lancement d’un pilote utilisant des agents IA pour plusieurs tâches de modernisation
    • Agent d’évaluation : analyse la base de code legacy pour identifier les dépendances
    • Agent fonctionnel : génère l’architecture cible
    • Agent de codage : migre le code vers un nouveau framework et effectue des tests automatisés
  • Les développeurs collaborent avec 15 à 20 agents pour valider et améliorer les livrables en matière d’intégrité architecturale, de conformité réglementaire et d’exactitude fonctionnelle
  • Au cours de la modernisation, l’application passe du desktop au mobile, de l’on-premise au cloud, et d’une architecture monolithique à une architecture de microservices
  • Comme les agents IA prennent en charge l’essentiel de l’exécution répétitive, le travail humain se recentre sur la planification, l’orchestration et les tests
  • Premiers résultats : une précision du code pouvant atteindre 70 %
  • La banque prévoit d’étendre l’usage des agents à l’ensemble de l’effort de modernisation après le module pilote, avec une réduction estimée pouvant aller jusqu’à 50 % du temps humain nécessaire
  • À terme, des agents de planification de la modernisation (coordination du processus), des agents d’assurance qualité et des agents de test pourraient apporter leur soutien

• L’IA recompose le travail managérial et les compétences

  • À mesure que l’IA prend en charge davantage de tâches d’analyse et d’aide à la décision, la nature du travail managérial évolue, passant de la supervision de personnes à l’orchestration de systèmes où collaborent humains, agents IA et robots
  • Les managers peuvent réallouer du temps à des activités à plus forte valeur, comme l’influence et le mentorat, mais cela exige aussi une plus grande maîtrise technique
    • Exemple : un manager commercial peut consacrer plus de temps au coaching de son équipe afin qu’elle utilise des insights fondés sur l’IA et renforce les relations
    • Exemple : un manager du service client peut superviser une main-d’œuvre hybride composée d’humains et d’agents IA, et former à la fois les systèmes IA et les employés pour améliorer le service

Questions clés pour les dirigeants d’entreprise

• Repenser l’entreprise pour créer de la valeur future

  • Les premières initiatives en IA se concentrent souvent sur l’amélioration de l’existant plutôt que sur la remise à plat des workflows
  • Les gains les plus importants viennent d’une refonte complète des processus
  • Pour construire de la valeur future, il faut se projeter plusieurs années en avant puis raisonner à rebours afin d’identifier quels rôles, compétences et structures devront évoluer en lien avec l’IA
  • Les dirigeants doivent dès maintenant choisir où investir dans des refontes majeures et où améliorer les modèles actuels pour obtenir des gains à court terme

• Piloter l’IA comme une transformation centrale de l’entreprise

  • L’IA a un impact sur presque toutes les fonctions
  • Les dirigeants peuvent l’aborder comme un projet technologique ou comme une transformation plus large de l’entreprise
  • Confier la responsabilité au service IT peut accélérer le déploiement, mais le changement durable et un véritable avantage stratégique dépendent d’un engagement visible de la haute direction et d’une attention continue à l’impact de l’IA sur les personnes et l’entreprise dans son ensemble

• Construire une culture de l’expérimentation et de l’apprentissage

  • Le déploiement de l’IA s’accompagne d’incertitudes, surtout au début
  • Les organisations qui testent rapidement et s’adaptent ont tendance à apprendre le plus vite
  • Tout dépend d’une culture qui soutient la curiosité, la prise de risque, l’apprentissage à partir des échecs et la collaboration
  • Le changement culturel est difficile, mais il est essentiel face à l’ampleur des transformations que l’IA est susceptible d’exiger

• Instaurer la confiance et garantir la sécurité

  • L’IA transforme la manière dont les entreprises assument leurs responsabilités et exercent leur supervision
  • L’attention se déplace de la vérification de chaque résultat vers la définition de politiques claires, la validation de la logique de l’IA, la gestion des exceptions et l’identification des moments où l’intervention humaine est la plus nécessaire
  • Le défi consiste à maintenir le bon équilibre entre une supervision suffisante pour gérer les risques et garantir la sécurité, sans freiner l’innovation ni l’efficacité

• Donner aux managers les moyens de diriger des équipes hybrides

  • L’IA redéfinit ce que signifie manager
  • En automatisant la supervision de routine, elle permet aux managers de se concentrer sur le coaching, l’influence et l’orchestration d’équipes hybrides composées de personnes, d’agents et de robots
  • Les managers jouent aussi un rôle clé dans les tests de biais, la vérification des performances et le maintien de l’intégrité
  • À mesure que l’automatisation réduit le contrôle direct, il peut devenir plus difficile de rester responsable des résultats
  • De nouveaux indicateurs de performance et systèmes de feedback sont nécessaires pour évaluer les contributions et interactions humaines et machine

• Décider comment utiliser les capacités libérées par l’IA

  • Les entreprises doivent décider comment utiliser les capacités libérées par l’IA : les réinvestir dans le développement des collaborateurs et des tâches à plus forte valeur ajoutée, ou se concentrer sur davantage d’efficacité et de réduction des coûts
  • La plupart feront un peu des deux
  • Gérer cette transition suppose d’identifier quels rôles peuvent évoluer et d’offrir aux employés des parcours de progression fondés sur les compétences clairement définis
  • Avec l’IA, l’apprentissage et la formation en continu deviennent encore plus importants comme force organisationnelle
  • À mesure que les métiers évoluent et que les besoins en compétences changent plus vite, aider les travailleurs à comprendre comment leurs compétences se transfèrent vers de nouveaux types d’activité renforce la résilience des personnes comme des entreprises
  • La maîtrise de l’IA doit s’étendre à tous les niveaux de l’organisation
  • Les entreprises peuvent développer ces compétences grâce à des outils numériques, des projets pratiques et du coaching, et peuvent élargir l’accès à l’apprentissage et ouvrir de nouvelles opportunités via des partenariats avec d’autres organisations et institutions

Questions clés pour les institutions

• Faire évoluer l’enseignement et la formation

  • À mesure que les besoins en compétences évoluent, l’éducation joue un rôle clé
  • Il faut développer dès l’école primaire les bases de la maîtrise de l’IA — esprit critique, remise en question des résultats, contestation des hypothèses, détection des biais et des erreurs — afin que chacun apprenne à utiliser et orienter efficacement ces technologies
  • Il est possible de repenser les programmes pour combiner savoirs techniques et compétences humaines transférables comme l’adaptabilité, la pensée analytique et la collaboration
  • Les universités peuvent intégrer l’IA dans l’ensemble des disciplines, et les établissements professionnels et community colleges peuvent élargir la formation aux métiers spécialisés
  • L’IA peut favoriser un apprentissage plus personnalisé et continu
  • Avec la hausse des besoins de reskilling, il faut investir dans l’apprentissage tout au long de la vie
  • Les systèmes éducatifs et les employeurs doivent coopérer plus étroitement, via des programmes partagés, des modèles flexibles, des apprentissages rémunérés et des certifications rapides, pour faciliter les transitions entre métiers et secteurs

• Des systèmes qui relient les compétences transférables à de nouvelles opportunités

  • À mesure que l’IA transforme le travail, beaucoup de personnes devront se tourner vers des métiers entièrement nouveaux
  • Les compétences transférables sont essentielles pour ces transitions, mais elles n’ont de valeur que si le marché du travail sait les reconnaître et les rémunérer
  • Des définitions claires des compétences, des moyens fiables de démontrer les aptitudes — tests ou certifications validées — et de meilleures plateformes de matching peuvent le permettre
  • En renforçant les liens entre employeurs, écoles et organismes de certification, on peut élargir l’accès au travail et aux opportunités

• Réponse des économies locales et des communautés

  • L’impact de l’IA varie fortement selon les secteurs et les territoires
  • Comprendre ces écarts grâce aux données constitue la première étape d’une action efficace
  • Une vision claire de l’endroit où les changements se produisent permet aux groupements sectoriels, aux acteurs de l’éducation, aux agences pour l’emploi et aux syndicats de coopérer autour de stratégies de formation et de transition professionnelle adaptées aux besoins locaux

Définitions des termes

• Adoption : déploiement des technologies d’IA et d’automatisation dans les activités de travail et les workflows réels, dans le contexte d’une organisation ou de la main-d’œuvre ; elle détermine dans quelle mesure, à quelle vitesse et avec quelle ampleur le potentiel d’automatisation est capté
• Agents : machines qui réalisent des activités de travail dans le monde numérique, en augmentant ou en remplaçant les capacités non physiques des humains (génération en langage naturel, raisonnement social et émotionnel, créativité, etc.)
• Agents alimentés par l’IA (AI-powered agents) : agents intégrant de l’IA, capables d’agir de manière plus autonome et d’orchestrer des workflows ; également appelés agentic AI
• Robots alimentés par l’IA (AI-powered robots) : robots intégrant de l’IA, capables d’agir de manière plus autonome et d’orchestrer des workflows
• Intelligence artificielle (Artificial Intelligence, AI) : capacité d’un logiciel à exécuter des tâches qui nécessitent traditionnellement l’intelligence humaine, en augmentant ou en remplaçant potentiellement les capacités humaines
• Capacités (Capabilities) : aptitudes physiques ou non physiques qui soutiennent l’application des compétences, évaluées sur la base du niveau de performance humaine requis pour réaliser des activités de travail ; les capacités non physiques incluent des capacités cognitives (langage naturel, raisonnement logique, créativité, navigation, etc.) ainsi que sociales et émotionnelles
• IA générative (Generative AI) : application d’IA qui prend des données non structurées en entrée et génère des données non structurées à l’aide de foundation models (grands réseaux neuronaux artificiels entraînés sur d’importants volumes de données diverses)
• Travail non physique (Nonphysical work) : travail mobilisant des capacités cognitives ou sociales/émotionnelles plutôt que des mouvements physiques (résolution de problèmes, traitement de l’information, création, collaboration avec autrui, etc.)
• Métiers (Occupations) : ensemble de professions partageant des tâches ou activités de travail similaires, pouvant être décrites en termes de compétences, de contexte de travail et d’autres qualifications ; aux États-Unis, le système utilisé est la Standard Occupational Classification maintenue par le Bureau of Labor Statistics
• Travail physique (Physical work) : travail impliquant une interaction directe avec le monde physique et nécessitant des capacités liées au mouvement, comme la motricité globale, la motricité fine ou la mobilité ; il inclut généralement la manipulation ou le déplacement d’objets, d’outils ou de machines, l’assemblage ou le positionnement de matériaux, ou l’exécution d’actions reposant sur la force ou la dextérité humaines
• Robots : machines qui réalisent des activités de travail dans le monde physique, en augmentant ou en remplaçant les capacités physiques humaines (motricité globale, motricité fine, mobilité)
• Compétences (Skills) : connaissances, capacités et attributs qu’une personne mobilise pour effectuer des activités de travail, souvent acquis par l’enseignement formel, la formation et l’expérience professionnelle ; Lightcast et ESCO proposent des systèmes de classification des compétences orientés marché
• Potentiel technique d’automatisation (Technical automation potential) : part du temps de travail qui pourrait théoriquement être automatisée à un niveau donné de capacité technologique ; le potentiel technique d’automatisation de l’économie américaine est évalué à partir d’une analyse détaillée des activités de travail de chaque métier ; des bases de données publiées par le Bureau of Labor Statistics et O*NET sont utilisées pour décomposer environ 800 métiers en quelque 2 000 activités, puis déterminer les capacités requises pour chacune en fonction de la manière dont les humains les exécutent aujourd’hui au travail
• Activités de travail (Work activities) : comportements de travail observables qui décrivent ce que font les personnes pour atteindre les objectifs d’un métier ; aux États-Unis, O*NET les classe officiellement comme Detailed Work Activities (DWA)
• Workflows : séquences structurées d’activités de travail qui font progresser collectivement le travail vers un objectif défini, guidées par des processus (règles, dépendances, flux d’information, etc.) et impliquant des personnes et des technologies