En août 2026, Sunil Pai résume son quotidien avec les agents de code en une phrase : il peut maintenant construire trois mauvaises choses avant le déjeuner.1
Pai adore cette vitesse. Des dizaines de milliers de lignes en une semaine, des idées testées en un après-midi qui auraient demandé des jours d'engagement, les tests écrits au lieu d'être promis. Mais sa feuille de route ne s'est pas raccourcie d'un cran.
Ce qu'il observe surtout, c'est qu'il atteint les décisions difficiles plus vite. Toute l'implémentation qui les séparait du reste a été écrasée.1
De là sort une question que son essai formule mieux que la plupart des rapports sur l'avenir du travail. Est-ce qu'on confond la tâche avec le métier ?1
Ce texte prend la phrase comme hypothèse de travail, pas comme devise. Si elle tient debout, elle devrait se vérifier sur des cas passés où le coût d'exécution d'une tâche s'est effondré. On devrait y retrouver le métier, transformé, vivant autour de la tâche automatisée.
Et on devrait tomber sur les cas limites, ceux où la tâche était bel et bien tout le métier.
Embaucher une machine
Pour comprendre d'où vient cette distinction, il faut passer par une théorie marketing qui a vieilli sans prendre une ride. Les Jobs to Be Done, formalisées autour de Clayton Christensen, partent d'une observation simple. Personne ne se lève le matin en voulant acheter un produit.
Les gens « embauchent » un produit ou un service pour progresser vers quelque chose, dans des circonstances données, et des forces fonctionnelles, sociales et émotionnelles pèsent ensemble sur cette décision.2
L'exemple documenté le plus célèbre de Bob Moesta concerne des condominiums dans la région de Detroit. Le promoteur ciblait des retraités et des parents divorcés, baissait les prix, ajoutait des finitions haut de gamme. Rien n'y faisait.
En interrogeant les acheteurs réels, Moesta entend parler en boucle d'un objet improbable : la table de salle à manger. Tant qu'ils ne savent pas quoi en faire, ces gens ne peuvent pas déménager. L'objet représentait la famille, et l'anxiété de l'abandonner bloquait la vente.
« Je pensais qu'ils étaient dans la construction de maisons neuves, raconte Moesta. En fait ils étaient dans le déménagement de vies. »
L'offre a été repensée autour de ce job (pièces de réception plus grandes, services de déménagement, deux ans de stockage, salle de tri sur place) et le prix a pu grimper de 3 500 dollars, rentablement.
En 2007, pendant que le secteur reculait de 49 %, ce promoteur a grandi de 25 %.2
Pai applique exactement cet angle aux outils IA. Besoin de trente secondes de musique de fond pour une présentation ? Une machine qui disparaît vingt secondes et revient avec quelque chose d'utilisable a fait un travail parfait, car vous ne vouliez pas devenir musicien.
Vous vous êtes assis au clavier parce que vous aviez envie de faire de la musique ? Alors tendre le morceau fini est un malentendu spectaculaire. Vous vouliez déplacer les accords, entendre ce qui se passe, changer d'avis, tomber sur quelque chose que vous cherchiez même pas.1
Le corollaire intéresse moins les philosophes que les gens qui construisent des produits. Sur beaucoup de choses, Pai refuse toute collaboration : contester auprès de l'assurance, récupérer un remboursement, replanifier une réunion à travers six calendriers.
Faites-le partir, et ne m'invitez pas à une expérience collaborative delightful avec le dieu-ordinateur. Ailleurs, la participation est le but. L'autonomie d'un agent est une capacité, pas une direction produit. C'est le job qui décide de son usage.1
Des tâches, pas des emplois
Les économistes ont une version moins colorée de la même intuition, travaillée depuis vingt ans. Dans leur cadre, un emploi est un paquet de tâches. Une vague d'automatisation n'automatise pas le paquet entier : elle en retire certaines tâches.3
David Autor l'a formulée pour la vague informatique. La machine reprend à l'humain les tâches routinières, celles qu'on peut écrire noir sur blanc dans une procédure.
En face, elle rend plus précieuses les qualités qui se codifient mal, comprendre un problème tordu, s'adapter quand le contexte bascule, inventer ce que personne n'a demandé.
La complémentarité pèse autant que la substitution : quand produire une unité coûte moins cher, la demande peut monter assez pour employer davantage de monde.3
Acemoglu et Restrepo ont affiné ce modèle avec deux effets nommés. Le déplacement, quand l'automatisation retire des tâches au travail. La restauration, quand de nouvelles tâches apparaissent où le travail retrouve un avantage.
Leur lecture empirique des trente dernières années américaines montre un déplacement accéléré, surtout dans l'industrie, accompagné d'une restauration plus faible qu'avant. Le cadre tient. Il n'offre aucune garantie automatique non plus.4
Ce cadre est précisément ce qui manque à la plupart des annonces d'automatisation, dans les deux sens. Une démo qui réussit la tâche ne prouve rien sur le métier.
Un rapport qui projette des millions d'emplois supprimés ne prouve rien non plus tant qu'il confond le coût d'une tâche et la valeur du paquet entier.
Vingt à treize
Voici le dossier de référence, chiffré et contre-intuitif. À partir du milieu des années 1990, les distributeurs automatiques de billets se multiplient aux États-Unis, jusqu'à plus de 400 000 installations. Tout le monde, dirigeants de banques compris, suppose la fin du guichetier.5
Ce qui s'est passé tient en trois chiffres relevés par l'économiste James Bessen. Entre 1988 et 2004, le nombre moyen de guichetiers nécessaires pour faire tourner une agence urbaine est tombé d'environ vingt à environ treize.
Les agences étant devenues moins chères à exploiter, les banques en ont ouvert davantage : 43 % de plus en zone urbaine. Et l'emploi de guichetiers équivalent temps plein a grimpé d'environ 2 % par an après 2000, plus vite que l'emploi total du pays.56
Pendant ce temps, le contenu du métier changeait sous les pieds des gens qui l'exerçaient. Manipuler du cash comptait moins. Vendre, conseiller, entretenir une relation comptait plus, au point que les banques se mettent à parler d'équipe de relation client.
Bessen retrouve le même schéma ailleurs : après les lecteurs de codes-barres aux caisses, les caissiers ont augmenté ; après les logiciels d'e-discovery dans les cabinets, les assistants juridiques aussi.57
Il faut lire l'épilogue aussi honnêtement que la suite.
Bessen ne vendait pas d'éternité : dès 2016, le Département du Travail américain projetait une baisse d'environ 8 % des guichetiers sur la décennie suivante.7
La vague qui a fini par vider les agences n'était d'ailleurs pas le DAB mais la banque mobile, qui a déplacé le client hors du bâtiment.
Ça, la machine à cash ne l'avait jamais fait. La mécanique décrite par Autor et Bessen (automatiser la tâche, transformer le métier, attendre la prochaine vague) reste donc exacte. Elle dit juste que la transformation dure jusqu'à la vague suivante.
Arrêtez de former
En 2016, Geoffrey Hinton, aujourd'hui prix Nobel de physique, donne le conseil le plus brutal que ce secteur ait entendu depuis des années. Selon lui, il faudrait arrêter de former des radiologues, car dans cinq ans au plus l'apprentissage profond lirait les images mieux qu'eux.
Il ajoute que nous avons déjà largement assez de radiologues, et compare le professionnel en exercice à un coyote déjà passé au bord de la falaise, qui n'a simplement pas encore regardé vers le bas.8
Dix ans plus tard, le bilan est presque comique. Le New York Times relève en mai 2025 que la Mayo Clinic de Rochester a vu ses effectifs de radiologie croître de 55 % depuis la prédiction, jusqu'à environ 400 radiologues.
Le Collège américain de radiologie prévoit que l'offre de spécialistes continuera de progresser de 26 % sur les trente prochaines années. Le service fait tourner plus de 250 modèles d'IA concentrés en radiologie et en cardiologie.
Son chef, Matthew Callstrom, résume ce qu'ils avaient compris dès 2016 : « Est-ce que l'IA remplacerait les radiologues ? Nous ne le pensions pas. Nous savions à quel point c'est difficile, et tout ce que cela implique. »9
Les chiffres du secteur confirment l'écart entre la prédiction et la réalité. Environ trois quarts des dispositifs médicaux à base d'IA autorisés par la FDA ciblent la radiologie, selon un article de perspective publié en 2025.
Et les pénuries de spécialistes restent massives : 40 % de postes de consultants attendus non pourvus au Royaume-Uni d'ici 2028.10 Fortune chiffrait début 2026 les salaires de la spécialité jusqu'à 571 000 dollars.11
Hinton a lui-même repris sa prédiction. Il avait parlé trop largement, en désignant seulement l'analyse d'image, et il se dit trompé sur le calendrier mais pas sur la direction. Peut-être.
Ce que le cas montre déjà, c'est que la partie automatisée, reconnaître des motifs dans des pixels, n'était que le début du diagnostic. La demande d'imagerie a explosé, et les modèles n'ont pas pu tout absorber. Ce qui reste à faire demande plus de spécialisation, pas moins.910
Onze minutes pour deux
Le service client offre le test grandeur nature le plus propre, parce qu'une entreprise y a publié les chiffres, puis le retour arrière.
Février 2024. Klarna présente son assistant client propulsé par OpenAI. En un mois, il gère 2,3 millions de conversations, les deux tiers des chats du service client, l'équivalent de travail de 700 agents à temps plein.
Résolution d'un dossier en moins de deux minutes contre onze auparavant, 25 % de demandes répétées en moins, estimation de 40 millions de dollars d'amélioration du profit sur l'année.12
L'entreprise avait gelé ses recrutements autour de cette période, puis laissa son effectif descendre de 22 % jusqu'à environ 3 500 salariés, essentiellement par attrition.1314
Mai 2025. Le PDG Sebastian Siemiatkowski annonce au Bloomberg que Klarna recrute de nouveau des humains.
Son constat est sec : le chatbot rendait une prestation de moindre qualité, et une marque qui prête de l'argent doit dire clairement à ses clients qu'un humain restera disponible s'ils en veulent un.1314
Attendez : l'image ci-dessus montre Lee Sedol, et je vais y venir. Terminons d'abord Klarna, parce qu'une nuance compte pour rester honnête. Le chiffre des 700 agents équivalents ne désignait pas 700 licenciements.
Les agents du service client de Klarna travaillaient pour des prestataires externes, et l'entreprise a précisé que ces personnes étaient réaffectées à d'autres clients quand Klarna en demandait moins.
La communication de février 2024 mélangeait volontairement performance technique et compression d'effectifs, mais le lien direct a toujours été nié.15 Ce qui est documenté sans ambiguïté, c'est le gel du recrutement, l'attrition assumée, puis le retour explicite vers l'humain quand la qualité a déçu.
La lecture task/job est ici presque clinique. La tâche, résoudre un ticket standard, a été clouée : plus vite, moins cher, satisfaction identique sur les cas simples. Le métier du service client chez une société qui prête de l'argent inclut autre chose.
Être considéré comme responsable de vos problèmes financiers, voilà ce qui n'apparaît dans aucune métrique de ticket, et voilà ce qui a fait revenir les humains. On peut trouver le retournement cynique ou lucide. Dans les deux cas, il valide la distinction plutôt qu'il ne la réfute.
Plus lent, persuadé d'aller vite
Les développeurs méritaient une mesure sérieuse, parce que nul ne vante ces outils avec plus de conviction qu'eux.
METR, un organisme indépendant qui passe son temps à évaluer des modèles, a monté en 2025 l'essai contrôlé randomisé le plus soigné disponible : 16 développeurs expérimentés, 246 tâches réelles tirées de dépôts open source qu'ils connaissaient depuis cinq ans en moyenne, attribution aléatoire de chaque tâche à une condition avec ou sans IA, outils au choix du type Cursor Pro et Claude 3.5/3.7 Sonnet.16
Avant l'essai, les participants misaient sur une réduction de 24 % de leur temps grâce aux modèles. Après coup, ils estimaient avoir gagné 20 %. Le chronomètre dit l'inverse : 19 % de temps en plus quand les outils sont autorisés.16
METR encadre honnêtement son résultat : un instantané des outils du premier semestre 2025, dans un contexte particulier, pas un verdict sur l'avenir du codage assisté.
En février 2026, l'organisme expliquait que ses données de suivi devenaient difficiles à interpréter à cause d'effets de sélection, et changeait de protocole.17 Le chiffre de 19 % vieillira mal ou bien. Personne ne peut le dire encore.
Mais l'écart entre le ressenti et le chrono raconte exactement notre distinction. Écrire des lignes est la partie visible du métier, celle qu'on sait chronométrer. Les modèles en produisent vite, très vite, et cette vitesse ressemble à de l'avancement.
Or le paquet réel contient aussi décider de ce qui mérite d'exister, relire, arbitrer, garder la responsabilité du résultat, et ce paquet-là n'a pas bougé dans le bon sens.
Je trouve cette inversion du ressenti plus instructive que le chiffre brut : elle montre que la sensation d'accélération vient de la tâche, tandis que le coût reste logé dans le paquet.
Pai encore : l'implémentation a été écrasée, la décision arrive plus tôt, et c'est elle qui coûte.1
Un monde effondré
Lee Sedol maintenant, parce qu'un essai qui n'inspecte que ses exemples favorables ne vaut pas grand-chose.
Mars 2016. AlphaGo bat le meilleur joueur de go de sa génération quatre parties à une.
Lee remporte la quatrième par un coup 78 si inattendu qu'on le qualifie de divin, la seule victoire humaine en match contre ce système.18
Novembre 2019, il annonce sa retraite et explique à l'agence Yonhap que même s'il redevenait numéro un, il existerait une entité invincible au-dessus de lui.19 Juillet 2024, dans le New York Times : la défaite face aux machines, dit-il, a signifié l'effondrement de son monde entier.
Il ne pouvait plus prendre plaisir au jeu, alors il a arrêté.20
Le cas ne contredit pas la thèse, il en trace la frontière. Quand un métier se définit entièrement par la performance de la tâche (être l'être humain qui joue le mieux possible), automatiser la tâche vide le métier de son centre, et il ne reste pas grand-chose autour.
Le go comme pratique a survécu, voire prospéré : les professionnels étudient les coups des moteurs, les amateurs jouent plus nombreux. Le go comme compétition de sommet a perdu son sens pour l'homme qui incarnait ce sommet.
Les conducteurs d'ascenseur ont connu la version extrême du même mécanisme, le jour où fiabilité et confiance ont rattrapé la machine.
Devant une annonce d'automatisation, la question utile devient donc : quelle part du métier est de la performance de tâche pure, et quelle part vit autour ?
Autour de la tâche
Reprendre les quatre dossiers côte à côte montre ce que le mot « autour » recouvre concrètement.
Chez le guichetier : vendre, conseiller, porter la relation. Chez le radiologue : intégrer l'image à une histoire de patient, trancher, répondre de la décision face au patient et à l'équipe. Chez le service client : incarner une entreprise qu'on peut tenir responsable.
Chez le développeur : choisir ce qui mérite d'être construit, relire, arbitrer, garder la responsabilité du résultat. Pai liste la même chose côté logiciel. Remarquer que les utilisateurs demandent la mauvaise chose faute de vocabulaire pour la bonne.
Voir que deux fonctions individuellement raisonnables rendent le produit pire ensemble. Choisir une direction défendable parmi plusieurs, embarquer les autres, livrer, vivre avec.1 Sa défense du métier de product manager est testée par l'expérience plutôt que par la théorie, et c'est pourquoi elle convainc.
Trois précisions pour finir de cadrer. D'abord, rien de tout cela n'est une loi de protection. Acemoglu et Restrepo mesurent précisément que la restauration s'affaiblit, et le guichetier finira probablement par rejoindre l'opérateur d'ascenseur.
La distinction task/job sert à comprendre ce qui se passe, pas à promettre que ça ira.45 Ensuite, les métiers touchés ne sont pas identiques à eux-mêmes après coup : le guichetier relationnel n'exerçait pas le métier du guichetier de 1970, et Bessen note que les exigences de compétences sont montées.
« Le métier a survécu » ne veut pas dire « chaque personne s'en est mieux sortie ». Enfin, les chiffres flatteurs viennent souvent de l'entreprise elle-même, comme chez Klarna. Les traiter comme des résultats de mesure plutôt que comme de la communication est la moindre des prudences.
L'échelle d'agence
Reste la conséquence pour ceux qui construisent les outils. Si la valeur se trouve autour de la tâche, alors demander « où met-on un agent ? » est la mauvaise première question.
Pai la remplace explicitement par une autre : que essaie-t-on de faire, quelle partie est pénible, où sommes-nous bloqués sur une expertise qui manque, quelle partie est la raison de tout le reste ?1
Une équipe de Stanford a produit en 2025 la meilleure base dont on dispose pour tester cette idée à grande échelle. 1 500 travailleurs issus de 104 professions interrogés sur 844 tâches, avec pour chacune le niveau d'autonomie souhaité de l'agent, confronté à l'évaluation d'experts IA sur ce qui est techniquement faisable.
Ils appellent cela l'échelle d'agence humaine, de H1 (l'agent fait tout seul) à H5 (présence humaine essentielle).2122
Deux résultats donnent chair à l'intuition de Pai. Le niveau majoritairement souhaité par les travailleurs est H3, le partenariat égal, dans 47 professions sur 104. Pas la délégation totale, pas l'outil discret : un coéquipier.
Et sur 47,5 % des tâches, les travailleurs veulent garder plus d'agence que les experts jugent techniquement nécessaire ; l'écart atteint deux niveaux entiers sur 16,4 % des tâches.21
Autrement dit, une part substantielle de l'effort d'automatisation du secteur construit des produits que les gens concernés ne veulent pas tels quel, tandis que la demande réelle porte sur des formes de collaboration plus fines que le débat binaire entre automatisation et augmentation.
Pai termine son essai par une phrase qu'il soupçonne lui-même d'avoir l'air imprimée sur un tote bag : transformer l'intelligence en échelle. Le reste de l'essai donne au slogan un contenu précis.
Lui a dû passer des années à devenir programmeur avant de toucher le levier que représente le code.
La question qui l'intéresse tient en une ligne : ces outils peuvent-ils abaisser les prérequis pour toucher ce levier, pour des gens qui n'ont ni le temps, ni l'argent, ni l'envie de réorganiser leur vie autour d'un terminal ?1
C'est aussi la question la plus honnête à poser à chaque démonstration d'agent. Pas « quelle tâche a-t-il automatisée ? » ; cette réponse arrive toujours, spectaculaire.
Mais : qui garde le jugement, qui porte la responsabilité, qui coordonne, et est-ce que l'outil laisse le métier plus grand qu'il ne l'a trouvé ?