ElegArtech
Plus
Échanger

← Gouvernance des SI

Une presse imprime des tracés divergents, examinés par une grande loupe articulée ; l'outil de gravure reste posé à côté.

Gouvernance des SI · Gouvernance & transformations · · 27 min

L'IA ne prend pas le métier, elle en déplace le centre

« L'IA me prend mon métier. » La phrase circule chez les développeurs comme chez les radiologues. Les études de terrain montrent autre chose. Des experts compétents adoptent l'outil en conservant intacts leur geste de référence, leur manière de contrôler et leur critère du travail bien fait, et l'outil ne change alors presque rien. Ce statu quo apparent finit parfois par leur coûter le poste qu'il devait protéger. Le métier n'est pas pris. Il est à redéfinir, et cette redéfinition se heurte autant à l'expertise acquise qu'à des organisations qui ne la rendent ni possible ni visible.

Par Alexandre Berge · Chronique

Dans un même hôpital, des outils comparables produisent deux métiers différents

Un après-midi, dans le service d'imagerie thoracique d'un grand hôpital universitaire américain, les résultats de l'outil d'IA ne s'affichent pas sur le scanner qu'examine la docteure V. Elle écrit au technicien, l'appelle faute de réponse, met le dossier de côté et en ouvre un autre. Quelques minutes plus tard, elle apprend que le service d'IA est en panne. Elle revient au premier scanner, en parcourt encore les coupes plusieurs fois et rédige son compte rendu sans l'avis de la machine. Dans le service d'imagerie mammaire du même hôpital, les radiologues ouvrent eux aussi, à chaque dossier, les résultats d'un outil comparable. Ils les écartent aussitôt. « It's not worth my time to evaluate it » (cela ne vaut pas le temps de l'évaluer), dit l'une d'eux.

La scène est tirée de l'ethnographie de Sarah Lebovitz, Hila Lifshitz-Assaf et Natalia Levina (Organization Science, 2022) : dix mois d'observation à partir de janvier 2019, plus de 500 heures, plus de 1 000 diagnostics documentés, 40 radiologues répartis dans trois services (imagerie thoracique, mammaire et pédiatrique, où l'outil estime l'âge osseux) et 33 entretiens. Les trois outils reposent sur des réseaux de neurones, affichent des performances publiées comparables à celles des radiologues et ne fournissent aucune explication. Partout, les médecins forment d'abord leur propre jugement, puis consultent celui de la machine. L'usage est donc général. Partout aussi, l'IA contredit souvent le médecin, et cette contradiction sans raisons accroît l'incertitude au lieu de la réduire.

Dans un seul service, celui du thorax, les radiologues intègrent régulièrement les résultats à leur diagnostic final. Les auteures appellent cela l'augmentation engagée et l'attribuent à des pratiques d'interrogation de l'IA (les gestes par lesquels un professionnel relie son propre énoncé à celui de la machine) : zoomer sur la zone signalée, faire défiler les coupes voisines pour voir si la forme se prolonge comme un vaisseau ou s'interrompt comme un nodule, modifier le contraste, comparer avec les examens antérieurs. Au terme de cette interrogation, le médecin écarte le résultat, s'y range en connaissance de cause ou produit une troisième lecture. Dans les deux autres services, l'IA est soit ignorée, soit acceptée sans examen. Les auteures parlent alors d'augmentation « non engagée », guillemets compris, et la jugent en pratique plus proche de l'automatisation que de la collaboration.

Le point décisif tient en une observation des auteures elles-mêmes : les attitudes envers l'adoption de nouvelles technologies ne différaient pas significativement d'un service à l'autre. Ce qui différait, c'était l'existence d'une pratique pour relier un savoir humain à un énoncé de machine. Et cette pratique n'a rien d'une rupture avec l'expertise. Les gestes d'interrogation sont ceux que les radiologues thoraciques employaient déjà pour réduire leur propre doute. Ils ont été réorientés vers un nouvel objet. L'écart ne se joue pas dans la manipulation de l'outil, que tous maîtrisent, mais dans la capacité à faire de la contradiction de la machine une partie du travail.

L'expertise juge l'outil avec les critères du geste qu'il menace

Pourquoi des professionnels compétents ne font-ils pas ce déplacement ? La psychologie expérimentale offre un premier mécanisme. Merim Bilalić, Peter McLeod et Fernand Gobet (Cognition, 2008) ont soumis des joueurs d'échecs de niveau candidat maître à des positions comportant une solution familière en cinq coups et une solution optimale en trois. Les joueurs déclaraient chercher mieux après avoir trouvé la solution connue. L'oculométrie (l'enregistrement des mouvements du regard) montre que leurs yeux restaient fixés sur les cases de la solution familière. C'est l'effet Einstellung : une solution acquise oriente l'attention même quand l'expert croit explorer. Dans l'étude compagne que résume l'article, la solution familière ramenait la performance d'experts à celle de joueurs inférieurs d'environ trois écarts types.

Le domaine de validité doit être tenu fermement. Il s'agit de problèmes d'échecs résolus en quelques minutes en laboratoire. L'extrapolation à un radiologue ou à un développeur qui évalue une proposition d'IA à l'aune de la solution qu'il a déjà en tête est plausible, non démontrée. Elle est d'ailleurs nuancée par un résultat de terrain. Erik Brynjolfsson, Danielle Li et Lindsey Raymond ont suivi 5 179 agents de support client équipés d'un assistant conversationnel. L'outil augmente en moyenne de 14 % le nombre de demandes résolues par heure, et de 34 % chez les agents novices ou peu qualifiés. Chez les plus qualifiés, l'effet sur la vitesse est faible et la qualité recule, avec des baisses petites mais statistiquement significatives du taux de résolution et de la satisfaction client. Les auteurs avancent que les recommandations peuvent distraire les meilleurs agents ou les pousser vers l'option la plus rapide plutôt que vers leur propre réponse. L'expertise ne produit donc pas mécaniquement le rejet. Elle peut aussi produire une déférence mal calibrée. Le problème commun n'est pas la résistance, c'est l'absence d'un critère pour situer l'énoncé de la machine par rapport au sien.

À l'échelle d'une profession, Andrew Nelson et Jennifer Irwin (Academy of Management Journal, 2014) ont nommé un second mécanisme, le paradoxe de l'expertise : une maîtrise étroitement liée à l'identité professionnelle limite la capacité à reconnaître la valeur d'une technologie qui imite, modifie ou améliore cette fonction d'une manière qui ne correspond pas à la compréhension que le groupe a de son propre travail. Parmi les conditions qu'ils avancent figurent un recouvrement entre la tâche de la technologie et une tâche centrale de l'identité, et un mode d'exécution contraire à l'idée que le métier se fait de la bonne façon de procéder. L'IA générative remplit les deux conditions pour les développeurs, les juristes ou les traducteurs. Elle produit le livrable même qui fonde leur identité, par une méthode statistique étrangère à leur raisonnement.

La menace, ici, n'a rien d'imaginaire. Fabrizio Dell'Acqua et ses coauteurs ont réparti au hasard 776 professionnels de Procter & Gamble, issus des fonctions commerciales et de R&D, entre quatre conditions (seul ou en binôme, avec ou sans IA) pour traiter de vrais problèmes d'innovation produit, lors d'ateliers d'une journée tenus de mai à juillet 2024. Un individu équipé de l'IA atteint une qualité comparable à celle d'un binôme sans IA, en passant 16,4 % de temps en moins. Sans IA, les commerciaux proposent surtout des idées commerciales et les ingénieurs de R&D des idées techniques. Avec l'IA, cette distinction disparaît en grande partie. Des salariés dont l'innovation produit n'est pas le cœur de métier atteignent, avec l'outil, un niveau comparable à celui d'équipes comptant au moins un spécialiste. Un détail dit la difficulté du jugement : les participants équipés de l'IA étaient moins nombreux à s'attendre à figurer parmi les 10 % meilleures propositions, alors que la qualité mesurée de leur travail était supérieure. Le critère hérité ne se trompe pas seulement sur la machine. Il se trompe aussi sur le travail produit avec elle.

Sans recentrage identitaire, l'adoption reste une façade

L'étude qui éclaire le mieux le passage de l'usage au changement réel ne porte pas sur l'IA. Hila Lifshitz-Assaf (Administrative Science Quarterly, 2018) a suivi de 2009 à 2012 la direction des sciences de la vie spatiale de la NASA (98 professionnels dans 28 unités, 104 entretiens), au moment où l'institution soumettait ses problèmes de recherche à des plateformes d'innovation ouverte. Le résultat le plus cité concerne la prévision des éruptions solaires. Les meilleurs algorithmes de l'époque les anticipaient une à deux heures à l'avance, avec 50 % de précision. Un ingénieur radio semi-retraité, étranger à l'héliophysique, propose un algorithme qui les prévoit huit heures à l'avance avec 75 % de précision. Testée par les héliophysiciens de la NASA, sa solution atteint 80 à 85 %.

La suite intéresse davantage. Sur les deux années suivantes, 43 % des professionnels démantèlent leurs frontières de travail (13 % entièrement, 30 % partiellement), 33 % les protègent. Parmi ces derniers, 11 % combattent ouvertement le modèle. Les 22 % restants pratiquent ce que l'auteure appelle une perforation feinte. Ils participent aux défis, saluent publiquement la démarche, puis choisissent des projets périphériques et isolent les solutions reçues sans jamais les tester. Un scientifique responsable explique qu'il a vite choisi un sujet avant de retourner à ses autres chantiers : « We quickly picked something . . . and went back to address the 12 other things we're working on » (nous avons vite choisi quelque chose, puis nous sommes retournés aux douze autres sujets en cours). Dans un laboratoire, les membres ignorent que leurs propres chefs participent au dispositif. Dans un autre, interrogé sur une solution obtenue par ce biais, le responsable répond qu'il ne la retrouve pas et ne se souvient plus où il l'a rangée. Vue de loin, cette adoption ressemble à l'autre. Seul l'examen des flux de connaissances, projet par projet, la révèle. L'auteure conclut : « When there was no identity work, no true change occurred in the knowledge work » (sans travail identitaire, aucun changement réel n'est intervenu dans le travail).

Le travail de recentrage identitaire (Lifshitz-Assaf, 2018)

Hila Lifshitz-Assaf observe à la NASA des scientifiques et ingénieurs dont l'identité était celle de « problem solvers » (ceux qui résolvent le problème). Ceux qui adoptent réellement le nouveau modèle cessent de se définir par la méthode, le comment, pour se définir par la finalité, le pourquoi. Ils deviennent des « solution seekers » (ceux qui cherchent la solution, d'où qu'elle vienne). Le recentrage consiste à abandonner certaines activités professionnelles ou à en adopter de nouvelles pour mieux servir les buts fondamentaux du métier. Il ne supprime pas l'expertise : formuler un problème, évaluer une solution externe avec la même exigence qu'une solution maison et l'intégrer exigent des capacités nouvelles, construites sur l'ancienne compétence. Le concept est issu d'une étude longitudinale dans une seule organisation. Son application à l'IA générative relève de l'analogie, non de la preuve.

Trois éléments de cette étude répondent directement à la question des experts face aux agents. D'abord, le recentrage ne se décrète pas. Il a été nommé lors d'une réunion interne par une scientifique très respectée, excédée par les querelles d'approche, qui lance à ses collègues que leur responsabilité est de chercher des solutions, d'où qu'elles viennent. Il a ensuite été repris, discuté et contesté pendant deux ans. Ensuite, il s'agit d'une recomposition et non d'une table rase. Une ingénieure le résume d'une formule : « It is a shift from thinking ‘The lab is my world’ to ‘The world is my lab’ » (c'est passer de “le labo est mon monde” à “le monde est mon labo”). Ceux qui ouvrent leurs frontières appliquent aux solutions externes les mêmes tests de qualité qu'aux solutions internes : leur exigence change d'objet, pas de niveau. Enfin, ni l'âge, ni le sexe, ni l'ancienneté, ni la position hiérarchique, ni le volume de publications n'expliquaient les réactions. Le seul trait distinctif était la trajectoire. Ceux qui avaient changé de rôle horizontalement, entre projets, unités ou disciplines, réagissaient plus favorablement. Ce qui prépare au déplacement n'est ni la jeunesse ni la compétence technique, c'est l'expérience antérieure d'avoir déjà redéfini son travail.

La façade ne protège pas le métier, elle en prépare la perte

La perforation feinte de la NASA a laissé les choses en l'état. Ailleurs, la même conduite a produit l'inverse de ce qu'elle cherchait. Stella Pachidi, Hans Berends, Samer Faraj et Marleen Huysman (Organization Science, 2021) ont suivi pendant vingt-quatre mois, de mars 2013 à mars 2015, le service commercial dédié aux entreprises moyennes d'un grand opérateur de télécommunications (environ 16 000 salariés). Plus de cent responsables de comptes y suivent chacun 250 à 300 clients. Ils décrivent leur métier comme un travail de « farming » (la culture patiente de la relation) : déjeuners, invitations à des événements sportifs, connaissance de la vie de leurs interlocuteurs, intuition qui en découle. En janvier 2012, les data scientists d'un autre département proposent un modèle prédictif qui classe les clients et produit, pour chaque responsable, une liste priorisée d'opportunités.

Les responsables de comptes ne croient pas à la manière dont le modèle produit ses recommandations. Ils ne le refusent pas ouvertement. Ils feignent de l'utiliser, notamment en enregistrant sous le code du modèle des pistes commerciales qu'ils ont trouvées eux-mêmes. Les data scientists, de leur côté, présentent la hausse des pistes ainsi enregistrées comme la preuve de l'efficacité de leur outil. Les deux mises en scène se renforcent. Quand la pression s'accroît, les responsables enregistrent davantage encore de pistes sous ce code pour paraître conformes. En février 2014, la direction annonce une réorganisation qui rend les responsables de comptes superflus à la fin de l'année et confie le contact client à des prestataires externes. Les data scientists prennent la main sur le choix des clients à appeler, du moment et de l'offre. La décision répond d'abord, selon les auteurs, à un besoin de réduire les coûts dans un secteur en difficulté. Mais elle est présentée comme le passage à une organisation fondée sur les données, et justifiée par le succès apparent du modèle. La conformité feinte, destinée à préserver une manière de connaître le client, a contribué à précipiter son remplacement.

Le même contournement silencieux apparaît ailleurs. Angèle Christin (Big Data & Society, 2017) a observé de 2011 à 2016 des rédactions web à New York et à Paris, puis des juridictions pénales américaines. Dans un tribunal de taille moyenne, les outils d'évaluation du risque sont achetés et promus, mais les scores sont rangés vers la fin des dossiers, rarement annotés, et jamais évoqués dans les audiences observées. « I don't look at the numbers » (je ne regarde pas les chiffres), dit un juge. Des agents de probation ajustent les données saisies pour obtenir le score qu'ils jugent juste. Dans la banque allemande étudiée par Franz Strich, Anne-Sophie Mayer et Marina Fiedler (Journal of the Association for Information Systems, 2021), où un système décide seul des prêts jusqu'à 100 000 dollars, un conseiller expérimenté explique : « If I change one year to two years, that easily tricks the system » (si je change un an en deux ans, le système se laisse facilement tromper). Le fournisseur a répondu par un logiciel de détection de ces manipulations.

La substitution peut aussi passer entièrement inaperçue. Lauren Waardenburg, Marleen Huysman et Anastasia Sergeeva ont suivi pendant trente et un mois, d'octobre 2016 à avril 2019, le service de renseignement d'un commissariat d'une grande ville néerlandaise (565 heures d'observation, 33 entretiens). Ses analystes traduisent pour la hiérarchie les prédictions hebdomadaires d'un algorithme qui signale, sur une carte découpée en petits carrés, les zones et les créneaux les plus exposés aux cambriolages et aux vols. Faute d'obtenir des data scientists l'explication d'une prédiction, les analystes ont fini par construire leur propre tableur fondé sur les régularités passées, sans capacité prédictive, et par transmettre de brefs conseils sans en indiquer la source. La hiérarchie, pour l'essentiel, ne s'est pas aperçue du changement, et a attribué en partie à l'algorithme une baisse de 47 % des cambriolages.

Ces conduites ont un point commun. Elles préservent l'ancien savoir à l'abri du regard, donc hors de toute discussion. Le jugement du commercial, du juge ou de l'analyste continue d'agir, mais l'organisation ne le voit plus, ne le mesure plus et ne peut plus le défendre. Le récit officiel attribue les résultats à l'outil, et le jour où la direction tranche, elle tranche sur ce récit. La façade n'est pas une protection du métier. C'est un renoncement à le redéfinir à découvert.

Chez les développeurs, le travail a changé avant le critère du métier

Les développeurs et les créateurs d'agents sont le cas limite de cette thèse, puisque leur compétence technique est entière. Theocharis Tavantzis, Stefano Lambiase et Daniel Russo (ESEM 2026) ont interrogé 21 ingénieurs de seize organisations, de la start-up de moins de dix salariés au groupe d'environ 200 000, utilisant des outils allant de l'assistant conversationnel aux agents de code. Presque tous décrivent un glissement de l'écriture vers la relecture (18 entretiens sur 21), vers l'architecture (15) et, pour une partie, vers l'orchestration d'agents (12). « I can run three agents at the same time » (je peux faire tourner trois agents en même temps), dit un chef d'équipe technique. Un ingénieur de test de vingt-quatre ans d'expérience résume l'autre face : « The code works, yet it does not feel like mine » (le code fonctionne, pourtant il ne me semble pas être le mien). Neuf entretiens font état d'un sentiment d'imposture, quatorze d'un recul du mentorat entre seniors et juniors.

Ce que cette étude documente n'est pas un refus. C'est un travail déjà déplacé, la relecture et l'orchestration, que le métier n'a pas encore réévalué. La valeur, la fierté et la reconnaissance restent attachées à l'écriture du code. Les auteurs rappellent, d'après des travaux antérieurs, que l'IA réduit d'abord le temps passé sur le travail que les développeurs jugent le plus valorisant, quand les tâches fastidieuses restent en l'état. Le décalage entre ce que les ingénieurs font et ce qu'ils considèrent comme leur métier est exactement l'espace que le travail de recentrage identitaire devrait combler, et que rien, dans les organisations décrites, ne les aide à combler.

L'étude d'Anuschka Schmitt, Krzysztof Gajos et Osnat Mokryn (2024), menée en 2023 dans une entreprise américaine de logiciels de taille moyenne (questionnaire auprès de 35 ingénieurs, onze entretiens approfondis), montre comment l'identité se protège avant même de se recomposer. Les seniors se sentent peu menacés. Ils jugent l'IA générative limitée, pas différente des technologies antérieures, et ramènent leur rôle à la responsabilité et à la supervision des juniors. Certains interviennent pour restreindre l'usage d'outils comme Copilot. Juniors et seniors déplacent la menace vers d'autres qu'eux : les premiers vers les postes d'entrée, les seconds vers les tâches de service et les rôles juniors. Les juniors, eux, craignent de perdre tout terrain commun avec des seniors qu'ils voient enfermés dans leurs routines. Le geste de défense est le même que chez les bibliothécaires ou les chercheurs de la NASA : redéfinir l'outil pour qu'il ne touche pas ce qui compte, plutôt que redéfinir ce qui compte.

L'enquête de Hao-Ping Lee et de ses collègues de Microsoft Research (CHI 2025) auprès de 319 travailleurs du savoir, sur 936 situations réelles, précise la nature du nouveau contrôle. L'effort cognitif se déplace de l'exécution vers la vérification de l'information, l'intégration des réponses et la conduite de la tâche. Une confiance plus élevée dans l'outil est associée à moins de pensée critique, une confiance plus élevée en ses propres compétences à davantage. Les données sont déclaratives et corrélationnelles. Elles suggèrent néanmoins que la vérification n'est pas un résidu de l'exécution. C'est une compétence distincte, qui dépend de l'expertise du domaine mais ne s'exerce pas spontanément.

La mise à jour publiée par METR le 24 février 2026 renseigne moins sur la productivité que sur la réorganisation déjà accomplie. L'organisme y explique que son nouvel essai, mené à partir d'août 2025 auprès de 57 développeurs de logiciels libres expérimentés, donne un signal peu fiable, parce que 30 % à 50 % des participants déclarent ne pas soumettre certaines tâches qu'ils ne veulent plus faire sans IA. Un participant n'a terminé aucune tâche tirée dans la condition sans IA. Chez ces praticiens, la question n'est plus de savoir s'il faut utiliser l'outil. Elle est de savoir ce que devient leur jugement quand le découpage de leur travail suppose déjà l'agent.

Ces études ne portent pas sur les mêmes objets. L'assistant étudié par Brynjolfsson et ses coauteurs suggère des réponses dans une conversation client, les outils de Lee et de ses collègues sont surtout conversationnels, ceux de Tavantzis et de METR incluent des agents qui modifient du code de manière autonome. Plus l'outil prend en charge une séquence entière, plus le contrôle porte sur des propriétés du résultat (tests, sécurité, cohérence avec l'architecture) plutôt que sur chaque opération, et plus la spécification de l'intention devient le cœur du travail. Cette progression est cohérente avec les observations. Elle n'a pas encore été mesurée de manière comparative.

Quand la prudence des experts est fondée, l'obstacle se trouve dans l'organisation

La thèse d'experts freinés par leurs schémas hérités serait une caricature si elle ignorait les cas où ils ont raison. Le premier est la dépossession organisée par la conception du système. Dans la banque étudiée par Strich et ses coauteures (64 entretiens en 2019), les conseillers saisissent les données et communiquent la décision du système, sans pouvoir l'influencer ni la renverser. « I just enter the data and ask the customers for their information, but anyone can do that » (je me contente de saisir les données et de demander leurs informations aux clients, n'importe qui peut le faire), dit un conseiller expérimenté. Les nouveaux venus vivent le même outil comme un accès au métier. Dans ce cas, la réaction défensive n'est pas une rigidité. C'est la réponse lisible à un système qui ne laisse aucune place au jugement. Aucun recentrage identitaire n'est possible quand l'organisation a retiré l'objet même de la responsabilité.

Le deuxième cas est le temps non compté. Chez Lebovitz et ses coauteures, chaque radiologue mammaire examinait plus de 100 patientes par jour, en moins de trois minutes par dossier en moyenne. Les auteures montrent que l'interrogation de l'IA coûte du temps dans les trois services, y compris pour les cas simples, et que des directions convaincues par la promesse d'efficacité des fournisseurs pousseraient vers l'augmentation non engagée. Elles relèvent aussi que des cartes de saillance (une visualisation des zones de l'image qui pèsent dans le résultat), techniquement possibles pour l'algorithme d'âge osseux, n'avaient pas été déployées dans l'hôpital. L'écart entre services tient donc en partie à la matérialité de l'imagerie, à la cadence imposée et à des choix de conception, non à une disposition des médecins.

Le troisième cas est l'incitation. Onze des ingénieurs interrogés par Tavantzis et ses coauteurs signalent une pression de la direction à l'adoption, et l'un d'eux décrit des indicateurs mensuels fixant des objectifs de consommation de jetons (les unités de texte facturées par les modèles), assortis d'un classement des salariés par niveau d'activité. Quinze font état d'une hausse de la charge assignée. Chez Schmitt et ses coauteurs, des hackathons consacrés à l'IA générative sont vécus par certains comme une injonction, et une règle interne sur les données propriétaires conduit les uns à renoncer à l'outil, les autres à chercher des contournements. Une organisation qui mesure l'usage et le volume produit récompense précisément l'adoption sans révision du contrôle. C'est aussi ce qui, chez l'opérateur de télécommunications, a rendu la façade commode à court terme et coûteuse ensuite.

Les données d'Anders Humlum et Emilie Vestergaard (version du 13 mars 2026), qui relient des enquêtes auprès de 25 000 salariés danois de onze métiers exposés aux registres administratifs, mesurent ce rôle de l'employeur. Sans initiative de l'employeur, environ 8 % des utilisateurs de chatbots déclarent avoir pris en charge des tâches entièrement nouvelles. Ce taux atteint environ 17 à 18 % (les deux valeurs figurent dans le document) quand l'employeur encourage l'usage, équipe ou forme. Environ 35 % de ces nouvelles tâches relèvent de la revue de qualité et de la conformité des sorties de l'IA. Dans le même temps, les auteurs n'observent aucun effet sur les salaires ni sur les heures déclarées, ce qui exclut des effets supérieurs à 2 % deux ans après le lancement de ChatGPT. La réorganisation du travail précède sa reconnaissance.

À la question de savoir si les experts conservent leurs pratiques parce qu'ils ne savent pas faire autrement ou parce que l'organisation sanctionnerait une autre façon de faire, les études répondent : les deux, et rarement séparément. Le mécanisme cognitif existe, mais il n'est démontré qu'en laboratoire. Le mécanisme identitaire est documenté sur le terrain. Le mécanisme organisationnel est le mieux établi et le plus sous-estimé. Le recul du mentorat que décrivent quatorze des vingt et un ingénieurs de Tavantzis, et la crainte des juniors de Schmitt de perdre le contact avec les seniors, en indiquent le prix de long terme. La voie par laquelle un débutant apprend à juger se rétrécit au moment où le jugement devient le cœur du métier.

Les bibliothécaires ont mis quinze ans à cesser d'être les maîtres de la recherche

Le parallèle le plus éclairant n'est pas une entreprise mais une profession. Nelson et Irwin ont codé 199 articles publiés de 1980 à 2010 dans American Libraries et Library Journal, écrits par et pour des bibliothécaires. Au début des années 1990, ceux-ci se définissent comme les maîtres de la recherche documentaire : une bonne recherche fournit la réponse juste, issue d'une collection cataloguée. Les moteurs de recherche, qui renvoient des milliers de résultats de qualité inégale, ne sont pas perçus comme une menace parce qu'ils ne font pas, aux yeux du métier, ce que fait un bibliothécaire.

Le mécanisme n'est ni un manque de capacité ni une crainte de cannibalisation. Les bibliothécaires programmaient des bases de données et des catalogues en ligne depuis les années 1960. Ils ont jugé la recherche sur internet selon leur propre critère de réussite et l'ont trouvée défaillante. Leurs réponses ont épousé ce critère : des annuaires sélectionnés à la main, des métadonnées à faire remplir par les auteurs de pages. Un guide du web développé dans une bibliothèque du Tennessee recensait 2 000 ressources en 2000, quand Google avait indexé un milliard de pages.

Le basculement a suivi quatre identités successives : maîtres de la recherche, maîtres de l'interprétation, enseignants de la recherche, puis passeurs entre les personnes et l'information. Il ne s'est pas produit par rupture mais par petites étapes, chacune ouvrant un espace à la suivante, en commençant par admettre l'usager comme copilote de la requête. À la fin de la décennie 2000, les bibliothécaires avaient cédé la recherche aux moteurs et contribuaient à ces outils, par exemple avec des résolveurs de liens qui ont fini intégrés à Google Scholar. L'identité finale n'était pas l'ancienne augmentée d'un outil. Elle s'était reconstruite à partir de la technologie qui la menaçait. Le basculement des bibliothécaires a pris une quinzaine d'années. Les responsables de comptes de l'opérateur de télécommunications en ont eu un peu plus de deux entre la présentation du modèle et l'annonce de leur remplacement.

Le mécanisme, sans les exemples

Le mécanisme commun peut se formuler ainsi. Lorsqu'une technologie prend en charge l'acte par lequel un groupe d'experts définit son métier, et qu'elle l'accomplit selon une méthode étrangère à la leur, les experts l'évaluent avec les critères de l'acte ancien. Elle ne crée de valeur que s'ils déplacent le centre de leur identité de l'exécution vers la formulation du problème, l'interrogation du résultat et la responsabilité de la décision, en réutilisant leur savoir pour cette interrogation plutôt qu'en l'abandonnant. Lorsque ce déplacement n'a pas lieu, l'issue la plus fréquente n'est pas le refus déclaré mais la conformité de façade, qui garde l'ancien savoir hors de vue et laisse le récit de l'outil décider à sa place. Et le déplacement ne survit que si l'organisation lui donne du temps, un droit de décision et une reconnaissance.

Le mécanisme se reproduit sous quatre conditions : un recouvrement entre la tâche de l'outil et le geste central du métier, une opacité ou une méthode étrangère qui rend la comparaison difficile, des indicateurs qui comptent la production et l'usage plutôt que la vérification, et une conception du système qui réduit ou supprime le droit de réviser. Plus ces conditions se cumulent, plus l'adoption de façade et la déférence non calibrée deviennent les issues probables.

Ses signes sont observables : un taux d'usage élevé sans modification des décisions finales, des résultats de l'outil relégués en fin de dossier ou réenregistrés sous son nom alors qu'ils viennent d'ailleurs, des ajustements discrets des données saisies, des recommandations transmises sans indication de leur source, une hausse de la charge sans hausse de la rémunération, un recul de l'accompagnement des débutants, et un discours sur le métier qui reste centré sur le geste d'exécution alors que l'activité réelle est déjà faite de relecture.

Plusieurs points restent non établis. Aucune étude longitudinale publiée ne relie encore, pour les agents de code, un recentrage identitaire mesuré à une performance mesurée. Le lien entre effet Einstellung et usage professionnel de l'IA reste une hypothèse. Et l'observation selon laquelle les plus qualifiés gagnent moins avec l'IA ne prouve aucune rigidité. Elle s'explique aussi par un effet de plafond et par la difficulté de leurs tâches.

Grille de lecture

  1. Dans les décisions finales, quelle part des désaccords entre l'outil et le professionnel donne lieu à une révision motivée, à un rejet motivé, ou ne laisse aucune trace ?
  2. Les indicateurs d'usage de l'outil pourraient-ils progresser sans qu'aucune décision finale ne change, et quelqu'un vérifie-t-il ce point ?
  3. Le temps consacré à vérifier les productions de l'outil apparaît-il dans les indicateurs de charge et d'évaluation, ou seuls le volume et l'usage y figurent-ils ?
  4. Le professionnel dispose-t-il d'un droit de modifier le résultat du système, ou seulement d'un rôle de saisie et de transmission ?
  5. Interrogés sur leur métier, les professionnels le décrivent-ils par le geste d'exécution ou par la finalité et la responsabilité ?

Ce que la docteure V. attendait de la machine

La phrase de départ, « l'IA me prend mon métier », pose mal la question. Elle suppose que le métier tient dans un geste, et que perdre le geste revient à perdre le métier. Les études montrent l'inverse. La docteure V. a perdu le monopole du repérage et gagné une étape du diagnostic, la confrontation raisonnée de deux lectures. Les chercheurs de la NASA qui ont ouvert leurs frontières ont cessé de se définir par la manière de résoudre pour se définir par ce qu'il fallait trouver. Les commerciaux de l'opérateur de télécommunications, eux, ont gardé leur geste intact en le cachant, et c'est leur métier qui a disparu.

Le partage ne passe donc pas entre les experts qui adoptent l'outil et ceux qui le refusent. Il passe entre ceux qui redéfinissent à découvert ce que leur savoir sert à garantir, et ceux qui le protègent dans l'ombre en laissant l'outil s'attribuer ce qu'ils font encore. Ce partage ne dépend pas d'eux seuls. Une organisation qui retire le droit de réviser, ne compte pas le temps de la vérification et mesure l'usage plutôt que les décisions rend la redéfinition impossible et la façade rationnelle.

La question utile n'est plus de savoir ce que l'IA prend. Elle devient celle-ci : de quoi ce métier répond-il, une fois que l'exécution ne lui appartient plus, et qui, dans l'organisation, a intérêt à ce que cette réponse reste visible ?

Note méthodologique

L'article s'appuie sur des études de terrain qualitatives, une expérience de laboratoire, une expérience contrôlée en entreprise, une étude quasi expérimentale et des enquêtes déclaratives. Hormis les expériences et l'étude quasi expérimentale, aucune n'établit de causalité, et les liens identitaires décrits sont des mécanismes observés, non des effets mesurés. Le rôle de la conformité feinte dans la réorganisation de l'opérateur de télécommunications est attribué à l'analyse de Pachidi et de ses coauteurs, qui situent la décision d'abord dans un objectif de réduction des coûts. Les chiffres de Brynjolfsson, de Dell'Acqua et de leurs coauteurs proviennent des documents de travail du NBER. Ceux de Waardenburg et de ses coauteures proviennent de la version de l'étude publiée dans la thèse de la première auteure. Les valeurs de Humlum et Vestergaard divergent légèrement selon les sections de leur document. Faits arrêtés au 15 novembre 2026. Le choix du recentrage identitaire comme concept central et des bibliothécaires comme parallèle relève de l'interprétation de l'auteur. Recherche de sources, croisement des données et structuration du raisonnement s'appuient sur une assistance par intelligence artificielle. Le choix de l'angle et du cadre théorique, la vérification des sources, les arbitrages et l'établissement du texte final relèvent de l'auteur.

image générée par IA (ChatGPT Images 2.5)

Sources

Études de terrain

Études quantitatives et expérimentales

Cadres théoriques

Parallèle historique

  • Andrew J. Nelson, Jennifer Irwin, « "Defining What We Do—All Over Again": Occupational Identity, Technological Change, and the Librarian/Internet-Search Relationship », Academy of Management Journal, vol. 57, n° 3, juin 2014, version d'auteur consultée le 15 novembre 2026. https://pages.uoregon.edu/ajnelson/NelsonIrwin_AMJ_2014.pdf

Derniers articles

Gouvernance des SI