Contexte : la mauvaise question
Depuis 2023, la question revient en boucle dans les conversations professionnelles, les articles de presse et les réunions de direction : **l'IA va-t-elle prendre mon emploi ?**
C'est une question compréhensible. Mais c'est la mauvaise question — non pas parce qu'elle est sans fondement, mais parce qu'elle est trop large pour être utile. Elle mélange l'inquiétude légitime, le calendrier incertain et la spécificité de chaque métier dans une anxiété indifférenciée. Elle enfonce dans l'attente passive plutôt que dans l'action réfléchie.
La bonne question est plus précise et plus fertile : **qu'est-ce qui constitue une expertise que l'IA générative actuelle ne peut pas reproduire de manière fiable, et comment construire durablement cette compétence ?**
Ce texte propose une grille de lecture simple pour y répondre. Elle s'appuie sur les analyses d'Acemoglu et Johnson (voir le TF de ce triptyque) et sur les travaux en sciences de l'apprentissage et du travail. Elle n'est pas une prophétie sur l'avenir de l'IA — elle est un outil utilisable aujourd'hui.
Décomposer son activité : tâches versus compétences
La première erreur est de raisonner au niveau du **métier** plutôt qu'au niveau des **tâches qui le composent**.
Un médecin généraliste fait des dizaines de choses différentes dans une journée : recueillir un historique symptomatique, interpréter un bilan sanguin, formuler un diagnostic différentiel, expliquer à un patient anxieux, prendre une décision sous incertitude clinique, coordonner avec des spécialistes, gérer la relation à long terme avec un patient chronique. Certaines de ces tâches sont très exposées à l'IA générative (interprétation de données standardisées, résumé de dossier) ; d'autres le sont beaucoup moins (décision contextuelle complexe, relation de confiance thérapeutique, gestion de l'incertitude radicale).
La même décomposition vaut pour un avocat, un analyste financier, un enseignant ou un consultant : chaque métier est un *bundle* de tâches d'expositions très différentes.
**La règle pratique** : l'IA générative excelle à traiter des tâches qui ont une structure implicite apprise sur des données historiques massives — et qui produisent des sorties évaluables de façon standardisée. Elle est fragile sur les tâches qui requièrent un jugement dans des situations nouvelles, une responsabilité assumée, ou une relation de confiance incarnée dans un contexte singulier.
Pour chaque activité professionnelle, l'exercice utile est donc :
- **Lister les tâches principales** de son activité quotidienne ou hebdomadaire.
- **Classer chaque tâche** sur deux axes : niveau de standardisation (élevé / faible) et dépendance au contexte singulier (faible / forte).
- **Identifier les tâches à faible standardisation et forte dépendance contextuelle** — c'est là que l'expertise humaine conserve un avantage comparatif durable à court et moyen terme.
La grille des trois irréductibles
Après la décomposition des tâches, une grille de trois dimensions permet d'identifier ce que l'IA ne peut pas encore reproduire de manière fiable.
Irréductible 1 : le jugement sous incertitude réelle
L'IA générative produit des réponses vraisemblables à partir de patterns statistiques appris sur des données passées. Elle est optimisée pour minimiser l'erreur attendue sur des situations proches de ce qu'elle a vu. Mais elle **ne sait pas ce qu'elle ne sait pas** — et ne peut pas évaluer quand une situation sort véritablement du périmètre de son entraînement.
Un expert humain sait reconnaître la limite de sa propre connaissance dans une situation nouvelle, formuler son incertitude explicitement, et décider de chercher davantage avant de conclure. Cette méta-cognition — savoir ce qu'on ne sait pas — est une compétence rare, construite par l'expérience accumulée de ses propres erreurs, que les modèles probabilistes simulent sans posséder réellement.
Exemples de contextes : diagnostic médical en situation clinique atypique, arbitrage juridique sur un précédent ambigu, négociation dans une crise sans protocole établi, décision stratégique sous contrainte de temps avec informations incomplètes.
Irréductible 2 : la contextualisation locale et relationnelle
Les modèles IA fonctionnent sur des patterns généraux extraits de corpus larges. Un expert humain peut **opérer dans un contexte singulier** : une organisation avec sa culture interne et ses non-dits, un patient avec son histoire personnelle et ses résistances, une communauté avec ses codes implicites. Cette compétence de contextualisation — adapter une grille générale à un cas particulier dans toute sa spécificité — est lente à construire et difficilement automatisable sans données locales massives spécifiques à ce contexte.
Elle est particulièrement décisive dans les domaines où **la relation de confiance est constitutive de la prestation** : thérapie, conseil stratégique de long terme, enseignement personnalisé, médiation, management d'équipe en période de crise.
Irréductible 3 : la responsabilité assumée
L'IA peut produire un rapport, un diagnostic ou une recommandation. Elle ne peut pas **s'engager** au sens plein du terme — assumer les conséquences devant un collectif, porter une décision en son nom propre, répondre d'une erreur avec des effets réels sur sa réputation, sa carrière ou sa conscience professionnelle.
L'expertise humaine ne se réduit pas à la production de sorties correctes. Elle implique une responsabilité qui est, en fin de compte, une présence au monde — une mise en jeu de soi — que les systèmes probabilistes ne peuvent pas incarner. Cette dimension est souvent invisible dans les débats techno-économiques, mais elle est au cœur de ce que les clients, les patients, les élèves et les collègues valorisent lorsqu'ils ont réellement le choix.
Ce que cette grille change pour construire son expertise
Une fois la décomposition effectuée et les irréductibles identifiés, trois orientations pratiques se dégagent.
**Investir dans la profondeur plutôt que dans l'étendue.** L'IA générative est performante en superficie — elle connaît un peu de tout et peut synthétiser rapidement. Ce n'est plus là que l'expertise humaine a un avantage comparatif significatif. L'avantage est dans la profondeur : maîtriser un domaine assez finement pour opérer dans ses zones d'ombre, ses cas limites, ses controverses non résolues. Comme le montre K. Anders Ericsson dans ses travaux sur la pratique délibérée, c'est précisément dans les situations limites que l'expertise véritable se distingue de la compétence apparente.
**Développer l'expertise de la limite.** C'est la capacité à savoir *quand* les outils standard — y compris les outils IA — ne s'appliquent plus, et à disposer d'un jugement propre pour aller au-delà. Dans les métiers du diagnostic, du conseil, de la création ou de l'enseignement, c'est souvent cette expertise de la limite qui fait la différence entre un praticien compétent et un expert reconnu. Elle ne s'acquiert que par l'exposition délibérée aux cas difficiles, aux erreurs analysées et aux feed-back exigeants.
**Cultiver les compétences relationnelles et contextuelles.** Les savoirs qui ne se formalisent pas facilement en texte — la lecture d'une dynamique de groupe, la négociation de confiance, l'interprétation d'un non-dit, l'adaptation à une culture organisationnelle — sont moins facilement capturables par des modèles entraînés sur du langage écrit. Les investir délibérément, notamment par l'exposition à des contextes variés et une réflexivité sur ses pratiques, est un hedge efficace contre l'automatisation des tâches périphériques.
Un rappel à partir d'Acemoglu : la direction n'est pas écrite
La grille ci-dessus est un outil de lecture pour aujourd'hui, pas une prophétie sur demain. Daron Acemoglu et Simon Johnson rappellent que **la trajectoire de l'IA n'est pas techniquement déterminée** — elle dépend de choix collectifs sur les usages, les régulations et les investissements.
Il est possible que les prochaines générations de modèles comblent certains des angles morts identifiés ici. Il est aussi possible — et souhaitable selon les auteurs — que des choix politiques délibérés orientent davantage l'IA vers l'augmentation humaine plutôt que vers la simple substitution.
Dans tous les cas, **construire une expertise profonde, contextuelle et responsable reste le meilleur investissement individuel à moyen terme** — parce que c'est précisément ce que les institutions, les équipes et les clients valorisent quand l'enjeu est réel et l'incertitude irréductible.
Conclusion : de l'anxiété à la posture
L'ère de l'IA générative ne demande pas moins d'expertise humaine — elle en demande une **différente** : plus profonde, plus consciente de ses propres limites, plus ancrée dans le jugement contextuel et la responsabilité assumée.
La bonne posture n'est pas de fuir les outils IA, ni de s'y dissoudre. C'est d'utiliser ces outils là où ils excellent — synthèse rapide, traitement de données standardisées, premier draft —, et de construire délibérément l'expertise là où ils ne peuvent pas aller : dans la zone d'ombre, d'incertitude et de responsabilité qui définit en fin de compte le travail humain à son meilleur.
**Question ouverte** : Dans votre propre activité, quelle est la tâche que vous faites chaque semaine qui ne pourrait pas être réalisée de façon satisfaisante par un outil IA actuel — et pourquoi précisément ?
—
Dans ce triptyque
Pour relier cette mise en perspective à ses deux autres dimensions :
Repères de sources
- Daron Acemoglu & Simon Johnson, *Power and Progress* (Basic Books, 2023) — voir TF du triptyque : https://www.basicbooks.com/titles/daron-acemoglu/power-and-progress/9781541702530/
- David Autor, Anna Salomons & Bryan Seegmiller, "New Frontiers: The Origins and Content of New Work, 1940–2018" (*Quarterly Journal of Economics*, 2022) : https://doi.org/10.1093/qje/qjac022
- K. Anders Ericsson & Robert Pool, *Peak: Secrets from the New Science of Expertise* (Houghton Mifflin Harcourt, 2016) — sur la pratique délibérée et la construction de l'expertise profonde
- Ethan Mollick, *Co-Intelligence: Living and Working with AI* (Portfolio/Penguin, 2024) : https://www.oneusefulthing.org
- MIT Sloan Management Review, "When to Trust AI" (2024) : https://sloanreview.mit.edu/article/when-to-trust-ai/
