Le métier de demain : chef·fe d’équipe IA ?

À quoi ressemble désormais une journée de travail ? Dès le matin, l’IA générative intervient dans des tâches devenues ordinaires : synthétiser des emails, rechercher des informations, explorer des idées, préparer une présentation ou rédiger un compte-rendu. Ce qui nécessitait auparavant de naviguer entre plusieurs outils, documents et interlocuteur·ices peut parfois être condensé en quelques échanges avec un grand modèle de langage (LLM). Fin 2025, près d’un·e salarié·e états-unien·ne sur deux déclarait utiliser l’intelligence artificielle au travail. L’IA n’est donc plus seulement un nouvel outil numérique, elle a déjà commencé à modifier la manière dont nous organisons le travail lui-même.

Les premiers chiffres sont impressionnants. Dans une étude publiée dans la revue Science et menée auprès de 453 professionnel·les diplômé·es du supérieur, ChatGPT a réduit de 40 % le temps consacré à des tâches de rédaction, tout en améliorant leur qualité de 18 %. Côté support client, une étude portant sur plus de 5 000 salarié·es mesure un gain moyen de productivité de 14 % — et jusqu’à 34 % chez les moins expérimenté·es. L’IA semble ainsi capable de diffuser une partie des méthodes et des connaissances des expert·es vers les novices. Mais le changement le plus profond n’est peut-être pas le temps gagné. Il concerne notre manière d’aborder un problème. Jusqu’ici, une grande partie du travail intellectuel consistait à rechercher l’information, la structurer, construire des hypothèses puis produire une réponse. Désormais, une partie de cette exploration peut être externalisée grâce à l’IA : demander plusieurs scénarios, rechercher les arguments contradictoires, comparer des stratégies, identifier des risques ou proposer un plan d’action. Le travail se déplace alors progressivement de la production vers la formulation du problème et l’arbitrage.

Il ne s’agit plus seulement de savoir comment faire, mais de s’interroger sur le véritable objectif, les contraintes à imposer, l’hypothèse qui mérite d’être explorée, la fiabilité du résultat… Et de répondre à cette question : que dois-je encore faire moi-même et que puis-je déléguer ? Cette évolution touche déjà chercheur·euses, consultant·es, ingénieur·es, juristes ou managers. La programmation en offre l’exemple le plus visible. Le « vibe coding », popularisé en 2025 par Andrej Karpathy, un informaticien slovaco-cana dien membre fondateur d’OpenAI, consiste à décrire ce que l’on veut construire et laisser l’IA produire une grande partie du code. Codex ou Claude Code vont plus loin : ils explorent un projet, planifient, modifient des fichiers, lancent les tests, analysent les erreurs puis se corrigent.

D’après un article du National Bureau of Economic Research publié en août dernier, passer d’un chatbot à un agent capable d’exécuter et de réviser son code ferait passer le taux de réussite de 74 à 96 % sur des tâches économétriques et statistiques. Une analyse d’environ 400 000 sessions de Claude Code montre aussi un partage des tâches révélateur : l’humain décide surtout quoi faire, tandis que l’IA prend davantage de décisions sur commentfaire. Un processus qui pourrait rapidement dépasser le code informatique.

Une étape supplémentaire apparaît déjà : ne plus travailler avec une seule IA, mais avec plusieurs agents spécialisés. Des environnements comme ECC (Everything Claude Code) poussent cette logique en combinant agents spécialisés, mémoire, règles et skills, c’est-à-dire des procédures permettant à chaque agent de savoir comment accomplir certaines tâches. Le principe dépasse largement le code. On peut imaginer un agent chargé de rechercher l’information, un autre de l’analyser, un troisième de construire différents scénarios et un dernier de vérifier la cohérence du résultat. À l’être humain revient le rôle de chef·fe d’orchestre : définir l’objectif, distribuer les tâches, comparer les productions et décider quand reprendre la main. Microsoft utilise déjà l’expression « agent boss » pour décrire ce nouveau rôle : un·e salarié·e qui supervise non plus seulement des logiciels, mais des agents capables d’accomplir des tâches en autonomie. Après avoir appris à utiliser des machines, puis des logiciels, nous pourrions donc apprendre à manager des équipes composées d’intelligences artificielles spécialisées.

Mais déléguer ne signifie pas nécessairement mieux travailler. En 2025, l’organisme de recherche à but non lucratif METR (Model Evaluation & Threat Research) a suivi 16 développeur·euses expérimenté·es travaillant sur leur propre code. En utilisant les assistants IA, ils·elles passaient en moyenne 19 % de temps supplémentaire à résoudre leurs tâches réelles, correction de bugs, modification de fonctions ou évolution du code — alors même qu’iels estimaient avoir gagné environ 20 % de temps ! Un paradoxe révélateur : l’IA peut accélérer certaines étapes, tout en ajoutant du temps de vérification, de correction ou de reprise. Une étude de Microsoft Research menée auprès de 319 professionnel·les montre également que plus les utilisateur·ices font confiance à l’IA, moins ils·elles déclarent mobiliser leur esprit critique. L’effort intellectuel ne disparaît donc pas, mais il change de place. Lire, écrire ou coder peut devenir plus rapide, mais vérifier une information, identifier une erreur subtile, confronter plusieurs propositions et choisir deviennent plus importants

Une nouvelle étape commence pourtant à apparaître : utiliser l’IA non seulement pour produire ou raisonner, mais aussi pour prendre rapidement des décisions simples. En septembre 2026, la start-up TypeSafe AI a dévoilé JEV, présenté comme un modèle IA « System One », en référence au mode de pensée rapide décrit par Daniel Kahneman, un des pionniers de l’économie comporte mentale. Contrairement à ChatGPT ou Claude, JEV n’a pas pour objectif de rédiger une longue réponse. Il reçoit une situation et renvoie directement une décision structurée accompagnée d’un niveau de confiance : sélectionner une action, classer une option, attribuer un score ou répondre oui/non.

Cette limitation fait justement son intérêt. JEV peut répondre en quelques centaines de millisecondes et à un coût très inférieur à celui d’un LLM. Ses performances restent à confirmer, mais le principe est intéressant : réserver les grands modèles aux raisonnements complexes et confier à des modèles rapides les microdécisions. Quel agent appeler ? Quelle tâche lancer ? Faut-il solliciter un humain ? Se dessine alors une nouvelle architecture du travail : l’humain fixe les objectifs, les LLM raisonnent et planifient, des agents exécutent, tandis que d’autres modèles coordonnent l’ensemble.

L’IA pourrait ainsi devenir une infrastructure cognitive presque invisible, capable d’organiser une partie croissante de notre travail, comme un·e chef·fe d’orchestre coordonne chaque musicien·ne sans jouer lui-même de tous les instruments. La question ne sera alors plus seulement « que puis-je demander à l’IA ? », mais « quelle part de mon raisonnement, de mon travail et de mes décisions suis-je prêt·e à lui déléguer ? ». La compétence la plus précieuse ne serait plus de produire davantage, mais de savoir quoi déléguer, quoi vérifier et sur quoi garder la main.