La peur de l'IA repose souvent sur une vieille erreur : croire que le travail est un stock fixe. Comme si l'économie était une liste de tâches déjà écrite, et que toute machine qui en prend une partie laissait mécaniquement moins de place aux humains. L'intuition est confortable, parce qu'elle est visuelle. Mais elle est rarement ce que l'histoire économique nous montre.
Bastiat avait formulé l'idée autrement, il y a près de deux siècles : il y a ce qu'on voit, et ce qu'on ne voit pas. Cette grille de lecture, oubliée la plupart du temps, redevient utile aujourd'hui. Parce que la diffusion rapide des outils d'IA générative dans les entreprises produit exactement le même malentendu que celui que Bastiat décrivait pour les machines de son époque.
Cet article n'a pas pour but de minimiser les risques bien réels — transitions, pression sur les juniors, polarisation possible des compétences. Il propose simplement de remettre la peur dans son contexte : ce qu'on voit n'est qu'une moitié du film. Et pour bien décider — comme indépendant, dirigeant de PME, ou responsable d'équipe — il faut apprendre à regarder la deuxième.
1. La peur de l'IA part souvent d'une fausse intuition
L'argument intuitif ressemble à ceci : il y a une quantité de travail à faire dans l'économie, l'IA fait une partie de ce travail, donc il en reste moins pour les humains. Mathématiquement, ça se tient. Sur deux semaines, dans une équipe précise, parfois ça se vérifie même au sens strict.
Le problème, c'est que cette logique repose sur une hypothèse implicite : le stock de travail serait fixe. Or, dans la réalité, ce stock évolue en permanence. Quand une activité devient moins chère à produire, on en produit davantage. Quand un coût s'effondre, des projets qui n'étaient pas rentables le deviennent. Quand un outil rend possible une nouvelle catégorie d'usage, il fait apparaître une demande qui n'existait pas.
Confondre une tâche remplacée avec un métier supprimé, ou un métier compressé avec une valeur économique détruite, c'est précisément l'erreur que pointe Bastiat. Une tâche peut disparaître pendant que le métier qui l'englobe se reconfigure. Un métier peut se contracter pendant qu'un autre, en aval ou en amont, se développe. Et la valeur économique totale peut tout à fait augmenter pendant qu'on observe localement des suppressions.
La vraie question n'est donc pas "est-ce que l'IA va supprimer du travail ?" — la réponse est oui, à certains endroits, comme toute technologie d'automatisation l'a toujours fait. La vraie question est : où va le travail qui se libère, et qu'est-ce qu'on rend possible quand un input cognitif devient massivement moins cher ?
2. Ce qu'on voit : automatisation, pression, métiers compressés
Commençons par ne pas nier l'évidence. Ce que l'IA générative fait disparaître est visible, mesurable, et parfois douloureux.
On voit, dans les équipes qui ont adopté ces outils sérieusement, des tâches automatisées qui prenaient encore quelques heures il y a deux ans : rédaction de premiers brouillons, classification de tickets, résumés de réunions, génération de tests unitaires, premier passage de code review, mise en forme de documents. Ces tâches ne disparaissent pas toujours intégralement, mais leur coût marginal s'effondre.
On voit aussi des métiers qui se compressent. Les fonctions support qui consistaient à produire massivement du texte calibré (FAQ, contenu marketing standardisé, documentation interne) ne disparaissent pas, mais demandent moins de mains pour un même output. Plusieurs études — l'OCDE dans son Employment Outlook 2023, l'ILO dans son rapport sur l'IA générative — pointent dans la même direction : l'IA change surtout la composition des emplois et les compétences requises, plus qu'elle ne supprime mécaniquement tous les postes concernés.
On voit ensuite une pression spécifique sur les juniors. Une partie de ce qui leur était traditionnellement confié — la production des premiers livrables, la digestion d'informations brutes, la mise en forme — est ce que l'IA fait justement le mieux aujourd'hui. C'est un vrai problème, parce que c'est aussi par ce type de tâches que beaucoup apprenaient le métier. La transmission, la formation pratique, l'accès au premier emploi qualifié sont des sujets qu'il faut prendre au sérieux, pas balayer d'un revers de main au nom du progrès.
Tout cela existe. Le nier serait idiot. Mais s'arrêter là, c'est lire la première moitié du livre.
3. Ce qu'on ne voit pas : les projets rendus possibles
L'autre moitié est plus difficile à observer, parce qu'elle est diffuse et qu'elle se déploie sur plusieurs années.
Ce qu'on ne voit pas — ou pas encore — ce sont les projets qui deviennent possibles parce que le coût de la cognition s'effondre. Un indépendant qui automatise son back-office et accepte des missions qu'il aurait refusées faute de temps. Une PME qui construit un outil interne sans avoir à recruter une équipe complète de développeurs. Un produit de niche qui devient enfin rentable parce que l'effort de support et de documentation tient désormais dans les capacités d'une seule personne. Une petite structure qui se met à agir comme une organisation beaucoup plus grande, parce qu'elle peut sous-traiter à des assistants logiciels une bonne partie de la coordination invisible.
Cet effet est documenté empiriquement. L'étude de Brynjolfsson, Li et Raymond (NBER WP 31161) sur plus de 5 000 agents de support client montre qu'un assistant IA augmente la productivité moyenne de 14 %, avec un effet beaucoup plus marqué — autour de 34 % — chez les travailleurs les moins expérimentés. Autrement dit, l'IA ne remplace pas mécaniquement les humains : elle aplatit l'écart entre les profils, en diffusant les bonnes pratiques que seuls les meilleurs maîtrisaient auparavant. C'est un déplacement, pas une éviction.
Au passage, de nouvelles tâches apparaissent, moins visibles parce qu'elles sont encore mal nommées. Orchestrer des outils logiciels devient un métier en soi. Contrôler la qualité d'un output généré demande un type de jugement spécifique. Intégrer plusieurs systèmes hétérogènes redevient critique. Adapter un produit aux contraintes d'un secteur métier devient un avantage différenciant. Ces compétences existaient déjà, mais leur valeur relative monte.
On voit le travail déplacé. On voit moins bien la richesse rendue possible ailleurs.
4. Bastiat, les machines, et le coût de la cognition
C'est exactement le piège que Bastiat décrivait, dans son chapitre Les Machines de Ce qu'on voit et ce qu'on ne voit pas. À son époque, on accusait déjà les machines de détruire l'emploi des artisans. Sa réponse, brutalement résumée, était la suivante : oui, visiblement, certains emplois disparaissent quand une machine remplace une partie du geste. Mais invisiblement, le gain de productivité finance d'autres consommations, d'autres investissements, d'autres activités — et celles-là créent du travail ailleurs, parfois dans des secteurs qui n'existaient pas avant.
Sa formule reste utile : "Maudire les machines, c'est maudire l'esprit humain." On peut la transposer sans difficulté à l'IA : maudire l'IA en tant que telle, c'est maudire notre capacité collective à transformer un gain de productivité en nouvelles possibilités.
Le parallèle est précis, pas seulement métaphorique. Quand un input puissant devient massivement moins cher — l'énergie au XIXᵉ, le transport au XXᵉ, le calcul à la fin du XXᵉ, l'information dans les années 2000, et aujourd'hui la cognition utile — on n'utilise jamais cet input juste pour faire la même chose avec moins de monde. On en fait plus, on en fait autrement, on découvre des usages qu'on ne pouvait pas se permettre avant.
C'est ce qui s'est passé avec l'électricité (industries entières créées), avec le moteur à combustion (logistique mondiale rendue possible), avec le cloud (création de SaaS impensables en on-premise), avec le mobile (économies entières en aval). Il n'y a aucune raison sérieuse de penser que la cognition assistée échappera à ce schéma — ni d'ignorer, à l'inverse, que ces transitions ont chaque fois eu des perdants concrets pendant des décennies. Les deux choses sont vraies. C'est précisément pour ça que la lecture en "ce qu'on voit / ce qu'on ne voit pas" reste pertinente.
5. Le vrai sujet : apprendre à capter le déplacement
Une fois ces deux moitiés posées, la question utile n'est plus "pour ou contre l'IA". Elle devient : comment capter le déplacement, plutôt que le subir ?
À un niveau individuel, ça veut dire prendre au sérieux les compétences qui ne sont pas remplaçables par les outils actuels — jugement, contexte métier, capacité à comprendre un client, à découper un problème, à intégrer plusieurs outils, à porter une responsabilité. Pas de panique : ce sont des compétences qui se construisent, et qui se construisent plus vite quand l'outillage de base est bon.
À un niveau d'équipe ou de PME, ça veut dire réinvestir le gain de productivité dans des choses qu'on ne faisait pas avant. Si un workflow tient désormais à trois personnes au lieu de cinq, le sujet n'est pas seulement de comprimer le budget. C'est de regarder ce qu'on peut maintenant lancer qu'on s'interdisait avant : un nouveau produit, un canal client négligé, une refonte d'outil interne, une stratégie d'acquisition différenciée. Beaucoup de PME ratent cette deuxième étape parce qu'elles s'arrêtent à la première — automatiser pour réduire — alors que c'est dans la deuxième que se trouve la vraie valeur.
À un niveau collectif, enfin, ça veut dire ne pas laisser la transition à la seule loi du marché. Les rapports de l'ILO comme ceux de l'OCDE insistent là-dessus : la qualité de l'absorption de l'IA dépend de politiques de transition, de formation continue, de protection sociale adaptée, et de dialogue avec les acteurs concernés. Refuser cette part du débat sous prétexte que "le marché s'ajustera" est aussi naïf que de penser que l'IA va supprimer tous les emplois.
Conclusion
Le vrai risque n'est pas que l'IA rende tous les humains inutiles. Aucune lecture sérieuse de l'histoire économique ne soutient ce scénario, et les premières études empiriques sur la diffusion réelle des outils d'IA pointent toutes vers un déplacement du travail plutôt qu'une disparition nette.
Le vrai risque, c'est de ne regarder que les tâches qui disparaissent, sans apprendre — assez vite, et collectivement — à voir celles qui deviennent possibles. C'est le piège que Bastiat décrivait il y a presque deux siècles, et c'est exactement celui dans lequel beaucoup de débats publics sur l'IA tombent aujourd'hui.
Voyez-vous plutôt l'IA comme une destruction nette de travail, ou comme un déplacement massif encore mal compris ?
Références
- Frédéric Bastiat, Ce qu'on voit et ce qu'on ne voit pas (1850) — chapitre Les Machines : https://fr.wikisource.org/wiki/Ce_qu%E2%80%99on_voit_et_ce_qu%E2%80%99on_ne_voit_pas
- ILO, Generative AI and Jobs: A global analysis of potential effects on job quantity and quality : https://www.ilo.org/publications/generative-ai-and-jobs-global-analysis-potential-effects-job-quantity-and
- OECD, Employment Outlook 2023 — Artificial intelligence and the labour market : https://www.oecd.org/en/publications/oecd-employment-outlook-2023_08785bba-en/full-report/artificial-intelligence-and-the-labour-market-introduction_ea35d1c5.html
- Brynjolfsson, Li, Raymond, Generative AI at Work, NBER Working Paper 31161 : https://www.nber.org/papers/w31161