Bonjour ! Je suis votre journaliste financier et votre ami économiste. L’article que nous allons aborder aujourd’hui touche directement un point sensible chez de nombreux professionnels et dirigeants d’entreprise.
En bref, l’idée principale de cet article est la suivante : l’IA rend les résultats du travail moins coûteux, rendant ainsi obsolète la méthode traditionnelle consistant à évaluer les compétences des personnes en se basant sur leurs réalisations.
Auparavant, lorsque vous présentiez un code ou un rapport de qualité, votre patron supposait que vous maîtrisiez la technologie et le domaine concerné. Aujourd’hui, l’IA peut également produire de tels résultats, ce qui laisse le patron perplexe : est-ce votre compétence ou celle de l’IA ?
Pour que vous compreniez pleinement cette logique, j’ai découpé l’article en cinq points clés que je vais expliquer de manière simple.
---
Point 1 : Les anciens “portfolios” étaient comme des “cartes d’identité” des compétences, mais maintenant ils ne sont que des “copies”.
Logique fondamentale : passer de l’évaluation des résultats à l’évaluation de la capacité à les générer.
Pendant longtemps, il existait une règle non écrite sur le lieu de travail : les résultats reflètent les compétences.
- Un ingénieur qui fournissait un code fonctionnel stable était considéré comme compétent en matière de conception et de gestion des erreurs.
- Un responsable de produit qui rédigeait un plan logique était considéré comme connaissant bien les besoins des utilisateurs et les contraintes du métier.
- Un consultant qui présentait un PPT bien structuré était jugé capable de collecter des informations et de penser de manière organisée.
Pourquoi cette logique fonctionnait-elle ? Parce que la production de ces résultats était coûteuse : il fallait beaucoup d’apprentissage, de réflexion et d’essais-erreurs pour créer de bons codes ou de bons plans. Les résultats étaient donc considérés comme des preuves de compétences. Les entreprises ne pouvaient pas voir ce que vous pensiez, mais elles pouvaient voir ce que vous aviez produit. Si les résultats étaient bons, il était probable que vous soyez compétent.
Mais l’IA a bouleversé cet équilibre.
Aujourd’hui, une personne moyennement compétente peut utiliser l’IA pour générer rapidement un rapport complet ; un ingénieur inexpérimenté peut également utiliser des outils IA pour réaliser des fonctionnalités qui nécessitaient auparavant beaucoup de temps. Les résultats sont toujours bons, voire meilleurs, mais à quel point reflètent-ils vraiment vos compétences ?
Point 2 : Ne vous souciez pas de savoir si c’est vous qui l’avez fait, mais de savoir si vous comprenez pourquoi vous l’avez fait.
Logique fondamentale : passer de la vérification de l’authenticité des résultats à l’évaluation de la compréhension des processus.
Beaucoup de patrons paniquent lorsqu’ils découvrent que l’IA peut effectuer des tâches, et commencent à mettre en place des mesures pour éviter son utilisation : “Avez-vous écrit ce code vous-même ? Pouvez-vous le faire sans l’IA ?” L’auteur considère que cette approche est une impasse.
C’est comme si nous exigeions d’un programmeur d’éteindre son IDE, ses outils de recherche et son compilateur pour prouver qu’il sait programmer. L’IA deviendra bientôt une infrastructure essentielle, tout comme l’électricité ou Internet. Forcer les employés à revenir dans un monde sans IA est à la fois inutile et irréaliste.
La vraie question est :
- Question erronée : Quel pourcentage de ce code avez-vous réellement écrit vous-même ?
- Question pertinente : Si le résultat s’écarte du chemin prévu, pouvez-vous continuer à travailler correctement ?
Par exemple :
- Employé A : L’IA a généré une architecture ; il peut expliquer pourquoi ce choix a été fait, identifier les points faibles et savoir comment les corriger en cas de changement des besoins, ainsi que détecter d’éventuelles erreurs dans le modèle.
- Employé B : L’IA a généré une architecture ; il répond simplement que c’est la recommandation du modèle et que tout fonctionne sans erreur.
Même si les documents présentés par A et B sont identiques, la compétence d’A est bien supérieure à celle de B. La différence ne réside pas dans le document, mais dans la capacité de chacun à gérer les problèmes qui peuvent survenir.
Point 3 : Les compétences les plus précieuses du futur se trouvent au-delà des résultats produits.
Logique fondamentale : passer du rôle d’exécutant à celui de définiteur et de gardien des systèmes.
Puisque “faire vite” et “faire beaucoup” ne sont plus des atouts, quelles compétences deviennent-elles importantes ? L’auteur cite quatre types de compétences qui étaient auparavant cachées par les résultats, mais qui doivent maintenant être mises en évidence :
1. La capacité à définir les bonnes questions (la plus précieuse)
L’IA est douée pour répondre à “comment faire”, mais pas à “quoi faire”. Par exemple, si le client demande un système de service client intelligent, l’IA peut en créer un efficacement. Mais la vraie question pourrait être “le coût du service client est trop élevé” ou “la base de connaissances est désorganisée”, ce qui n’est pas nécessairement un problème technique. Le risque est que, si la direction est mauvaise, l’IA puisse exécuter des erreurs de manière très efficace. Définir ce qui mérite d’être réalisé est plus important que l’exécution elle-même.
2. La capacité à détecter les erreurs (la capacité à douter)
Les personnes expérimentées ne sont pas plus rapides que l’IA, mais elles savent où ne pas se fier facilement. Par exemple, elles connaissent les risques liés aux migrations de bases de données ou aux données de croissance manipulées. Ces intuitions et cette expérience, qui étaient auparavant cachées dans les résultats, doivent maintenant être clairement montrées.
3. La capacité à s’adapter à la confusion (l’adaptabilité)
L’IA est excellente pour gérer des problèmes bien définis, mais le monde réel est plein de chaos : changements soudains des besoins, données manquantes, incohérences entre interfaces, conflits d’objectifs. Ceux qui peuvent rétablir le modèle de problème en cas de déviations sont les gagnants. À l’avenir, la question n’est plus de savoir si vous pouvez fournir une réponse, mais si vous pouvez rester efficace lorsque les réponses ne sont plus évidentes.
4. La capacité à assumer la responsabilité des décisions (la responsabilité)
L’IA peut donner des conseils, mais elle ne peut pas prendre en charge les conséquences des actions. Les entreprises ont besoin de personnes capables de répondre à des questions telles que : pourquoi cette décision a-t-elle été prise ? Quelles sont les bases de cette décision ? Quels risques ont été pris en compte ? Comment les corriger en cas d’erreur ? Les compétences futures ne seront pas basées sur la quantité de contenu produit, mais sur la capacité à assumer la responsabilité des résultats générés par des systèmes automatisés.
Point 4 : Les règles de recrutement et de promotion doivent être complètement remaniées.
Logique fondamentale : passer de l’évaluation de la quantité à l’évaluation de la qualité et du processus.
Ce changement de perspective affectera trois mécanismes essentiels des entreprises :
1. Recrutement : les “devoirs à domicile” ne sont plus utiles
Auparavant, un candidat qui travaillait sur un projet pendant une semaine montrait ses compétences. Aujourd’hui, n’importe qui peut utiliser l’IA pour créer un bon travail en quelques heures. Les entretiens deviendront plus des simulations de situations réelles, avec des demandes erronées, des changements soudains ou des pièges intentionnels. L’objectif n’est pas de détecter les tricheries, mais de voir comment le candidat gère les problèmes en l’absence de réponses prédéfinies.
2. Promotion : être productif n’est plus synonyme d’être compétent
Auparavant, ceux qui produisaient beaucoup de code ou de documents avaient plus de chances de progresser. Aujourd’hui, l’IA a augmenté la quantité de résultats, rendant difficile de distinguer les compétences réelles des résultats générés par l’IA. Les critères de promotion devront se baser sur la capacité à réduire les erreurs, à identifier les risques à l’avance, à gérer les situations incertaines et à améliorer la qualité des décisions prises par l’équipe.
3. Évaluation des performances : il ne suffit plus de se baser sur la quantité de résultats
Si l’évaluation se basait uniquement sur la quantité, les employés utilisant l’IA pourraient facilement obtenir de bons scores, mais cela ne refléterait que la productivité superficielle. Les critères devront inclure ce qui ne devrait pas être fait, quels résultats ne devraient pas être acceptés, et quand il faut arrêter les actions basées sur des algorithmes.
Point 5 : Un paradoxe profond : plus les résultats sont faciles à obtenir, plus il est difficile d’évaluer les compétences des personnes.
Logique fondamentale : passer des attributs individuels à la maîtrise des systèmes.
Enfin, l’auteur souligne que le concept de compétence est en train de changer. Auparavant, les compétences étaient des attributs personnels (savoir écrire du code, analyser des données). À l’avenir, les compétences consisteront à maîtriser des systèmes de plus en plus puissants pour transformer des problèmes incertains en résultats fiables. Les mots clés ne seront plus “indépendance”, mais “stabilité” et “fiabilité”. Une personne peut être fortement dépendante de l’IA et néanmoins très compétente, à condition de savoir ce que fait le système et de pouvoir le gérer en cas d’erreurs.
En résumé :
L’IA n’a pas rendu les compétences humaines moins importantes ; elle a simplement fait en sorte que celles qui pouvaient être observées facilement par les résultats (comme l’écriture ou la vitesse de codage) deviennent plus difficiles à évaluer. Les entreprises doivent passer de l’évaluation des réalisations à l’évaluation des compétences réelles des personnes, et de la simple demande de résultats à la capacité à prendre des décisions et à gérer des systèmes complexes.
Cette analyse montre que l’avenir du travail et de l’organisation requiert des compétences différentes de celles du passé, et que les entreprises doivent s’adapter à ces changements.