Quand l’IA devient une infrastructure. Pour quel travail serons-nous payés ?

J’ai commencé ma carrière dans l’informatique avec Java. À l’époque, savoir écrire un programme donnait un avantage très concret : si une entreprise avait besoin d’un système qui épouse ses propres règles, il fallait des gens capables d’écrire le code pour qu’il voie le jour. Aujourd’hui, je conçois moi-même des systèmes qui utilisent l’IA et je me demande de plus en plus ce que deviendra cet avantage. J’ai l’impression que nous, les programmeurs, risquons de nous retrouver dans la situation des cavaliers après l’arrivée de l’automobile. On peut toujours monter à cheval. Il n’est simplement plus nécessaire de savoir le faire pour chaque trajet.
Mon hypothèse est la suivante : tout travail qui repose sur une démarche intellectuelle prévisible finira par être confié à l’IA. C’est la façon de travailler qui est prévisible. Une application peut être unique en son genre, et un avis d’expert peut porter sur une situation inédite. Si un système sait passer de manière fiable des données de départ au résultat, le vérifier et gérer les exceptions courantes, le travail peut être automatisé. Reste à calculer le coût total, erreurs, corrections et maintenance comprises.
Imaginons que la transition soit déjà derrière nous. Les puces sont disponibles en quantité suffisante, la concurrence a mis fin à la dépendance envers un seul fournisseur de puissance de calcul et l’IA est abordable pour une famille comme pour un petit atelier. Les habitudes ont changé elles aussi : responsables, salariés et clients savent s’en servir, et les processus de travail ont été réorganisés en conséquence. Les robots peuvent se déployer à leur propre rythme dans le monde physique. Il leur faut toujours des équipements, une installation et de la maintenance.
Dans ce monde, je veux savoir ce que devient le travail, ce que nous allons commencer à faire plus vite et qui aura les moyens d’acheter les fruits de cette accélération.
Les programmeurs, les opérateurs d’IA et la patronne de l’atelier
Imaginons un petit atelier. Il y a des rendez-vous, des artisans aux spécialités différentes et des interventions qui, au téléphone, semblent prendre « vingt minutes » et occupent une demi-journée dans le planning. Avant, la patronne devait adapter son fonctionnement à un logiciel standard ou commander des modifications. Maintenant, elle montre à l’IA de vrais rendez-vous et des exceptions, explique ses modalités de paiement et obtient une application adaptée à son fonctionnement. Un mois plus tard, les horaires et les conditions de versement de l’acompte changent. L’application évolue avec eux.
Dans un premier temps, un opérateur d’IA fera le lien entre la patronne et son nouveau système. Il recueille les besoins, relie les services et cherche pourquoi le rendez-vous du samedi a encore disparu. Puis une partie de ses interventions devient reproductible et le système la prend en charge. Définir le problème, concevoir l’architecture et vérifier le résultat relèvent de la même logique que l’écriture du code. La complexité du travail déplace la frontière de l’automatisation, et cette frontière continue d’avancer.
Voilà ce que j’entends quand je dis que « l’informatique se banalise ». Créer et modifier des logiciels devient une capacité de production à la portée de beaucoup. On verra des logiciels là où personne n’aurait pensé à commander un développement. Les infrastructures communes de paiement, de comptabilité et d’échange de données resteront demandées. Sur cette base, des applications seront créées pour des ateliers, des familles et des équipes en particulier. La demande de logiciels peut rester forte alors même que le prix du développement manuel baisse et que les équipes se réduisent.
Je ne tirerais pas un trait sur le raisonnement mathématique. Demandez à l’IA d’augmenter le nombre de rendez-vous de l’atelier et elle pourrait très bien y arriver : le planning se remplit, les clients attendent, les artisans s’épuisent et le bénéfice baisse. Quelqu’un doit remarquer que les rendez-vous, les prestations payées et le bénéfice sont trois grandeurs différentes. Il faut savoir formaliser un problème, vérifier les hypothèses, repérer les cas limites et changer de critère quand il conduit à l’absurde. L’IA pourra aussi nous y aider. Avec cette façon de penser, on pourra s’attaquer à des problèmes plus complexes dans son domaine, qu’il s’agisse de programmation, de logistique ou d’instruction en famille.
Il peut y avoir plus de travail et moins d’emplois
Supposons qu’une prestation demandait cinq heures de travail humain et n’en demande plus qu’une. Même avec trois fois plus de clients, le nombre total d’heures humaines diminue de 40 %. Il faudrait que la demande soit multipliée par cinq pour conserver le même nombre d’heures. Si la baisse des prix ouvre un marché où l’on achète la prestation huit fois plus souvent, le volume de travail humain augmente. Pour chaque secteur, je poserais donc deux questions : combien de temps humain reste nécessaire pour chaque prestation, et jusqu’où la demande peut-elle croître ? Il y a aussi un effet indirect : les particuliers et les entreprises peuvent dépenser ailleurs l’argent économisé. Daron Acemoglu et Pascual Restrepo sur l’automatisation et les nouvelles tâches.
Ce qui m’intéresse particulièrement, c’est l’entrée dans un métier. Où trouvera-t-on, dans dix ans, les personnes à qui confier des tâches complexes si l’on cesse aujourd’hui de donner des tâches simples aux débutants ? Dans un échantillon de données de paie américaines allant jusqu’en juin 2026, des chercheurs ont observé que l’emploi des 22–25 ans dans les métiers fortement exposés à l’IA avait progressé moins favorablement que celui de leurs pairs moins exposés, surtout en raison d’embauches moins nombreuses. Les auteurs y voient une observation précoce qui ne permet pas encore d’établir un lien de causalité. Au Danemark, dans les deux premières années qui ont suivi l’arrivée de ChatGPT, la répartition des tâches a changé et les chercheurs n’ont détecté aucune évolution notable des revenus ni des heures déclarées. Pour moi, c’est une raison de plus de regarder les offres pour débutants et les façons d’apprendre un métier : les salaires moyens peuvent bouger bien plus tard. Stanford Digital Economy Lab · Étude de Humlum et Vestergaard sur le Danemark.
En comptabilité courante, dans le service client et dans l’administration, une équipe pourra traiter beaucoup plus de dossiers. Dans le droit et la finance, une partie du travail se déplacera vers les litiges complexes, le contrôle des décisions importantes et la responsabilité des organisations. La pénurie de personnel ne garantit pas à elle seule de bons salaires. On peut manquer cruellement de personnes pour accompagner les aînés et continuer à les payer peu si les budgets des familles et des institutions sont limités. OCDE sur les besoins de main-d’œuvre dans les soins de longue durée.
La science va s’accélérer. La production pilote aura davantage de travail
La science est ce qui m’intéresse le plus dans ce scénario. Lorsqu’on peut comparer rapidement un vaste ensemble de travaux, explorer des variantes et concevoir des expériences, beaucoup plus d’hypothèses valent la peine d’être examinées. Mais si un laboratoire ne peut toujours tester que dix variantes par mois, sa file d’attente s’allonge. La véritable accélération commence lorsqu’on boucle le cycle « hypothèse → expérience → données → hypothèse suivante ».
On en voit déjà certains éléments. AlphaFold 3 a amélioré la prédiction par ordinateur de la structure des complexes moléculaires. En science des matériaux, A-Lab a relié la sélection informatique à des expériences physiques en laboratoire automatisé. J’en tire une conclusion très concrète : à mesure que la recherche d’idées coûte moins cher, la qualité des mesures, les instruments, l’automatisation des expériences et la vérification indépendante gagnent en valeur. AlphaFold 3 dans Nature · A-Lab dans Nature.
Vient ensuite la mise en pratique. On peut confier un prototype numérique à ses utilisateurs presque immédiatement. Un nouveau matériau industriel doit être produit dans les volumes requis et soumis à des tests de durabilité. Il faut aussi un premier client prêt à modifier son procédé. Dans l’énergie, les calculs s’accéléreront avant les travaux sur les réseaux. Dans le bâtiment, on peut comparer rapidement des variantes de projet, tandis que le chantier garde son calendrier. Je m’attends à ce que davantage de travail et d’investissements aillent là où le calcul rencontre le monde physique : vers la production pilote, les sites d’essai et les systèmes qui permettent de faire fonctionner les installations au quotidien.
La vitesse de calcul laisse aussi une question ouverte. Qui fixe les priorités de la recherche et paie la mise en œuvre ? On peut accélérer la mise au point de systèmes de stockage d’énergie bon marché, d’outils pour les métiers du soin ou de moyens de retenir les gens dans une application. Chaque objectif a ses commanditaires. Le progrès peut s’accélérer, et sa direction dépendra toujours de ceux qui prennent les décisions et disposent des ressources.
Les services personnalisés deviennent plus abordables. La présence humaine garde un prix
Avec Capybara, je vois particulièrement bien deux façons de personnaliser un service. Préparer des exercices sur une difficulté précise, adapter le rythme d’apprentissage et préparer le matériel du prochain cours coûte de moins en moins cher. Comprendre pourquoi, après une bonne séance, plus personne à la maison ne veut rouvrir le cahier demande aussi de s’intéresser aux habitudes, aux attentes et aux accords de la famille. Une famille peut payer quelqu’un pour l’accompagner si elle tient à ce qu’une personne en particulier connaisse sa situation et revienne deux semaines plus tard voir ce qui a réellement fonctionné.
Les soins, la réparation, le mentorat, les services à domicile et les métiers créatifs pourraient connaître une évolution comparable. L’IA prend en charge une partie de la préparation, de la traduction, des réservations et de la coordination. Une petite équipe peut accepter des commandes auparavant trop modestes ou atypiques. Dans les médias, le même mouvement donne une image presque inverse : la production numérique augmente, le prix de chaque création peut baisser, tandis que l’accès au public et les liens suivis avec les auteurs prennent du poids. Dans les deux cas, des outils abordables réduisent les coûts de production. Le revenu des prestataires dépend aussi du nombre de clients qu’ils trouvent et de ce que ces clients sont prêts à payer.
J’y vois un lien direct avec ce que je conçois dans DOGEstonia. Imaginons que plusieurs assistants d’IA puissent trouver les offres de petits commerces et de prestataires. Un atelier peut alors apparaître dans une recherche pour une intervention précise, même si le client n’en a jamais entendu parler. Si la plupart des gens passent par un seul assistant qui contrôle les résultats et la transaction, l’atelier dépend d’un nouvel intermédiaire. C’est ce qui m’intéresse dans l’idée d’un registre ouvert de nœuds commerciaux : qui décide des offres que l’acheteur voit à mesure que la recherche et le choix sont délégués à une machine ? OCDE sur la concurrence et les agents d’IA.
Avec quel argent achèterons-nous toute cette abondance ?
Pour moi, c’est la question centrale. Les économies permises par l’automatisation peuvent revenir aux acheteurs sous forme de prix plus bas, aux travailleurs sous forme de revenus ou de temps libre, aux propriétaires sous forme de bénéfices et à la société sous forme de services financés par l’impôt. Un même accès à l’IA peut produire des résultats très différents.
Imaginons une famille dont le revenu du travail a diminué. Elle peut obtenir gratuitement une traduction, des supports pédagogiques et sa propre application. C’est un vrai gain. Mais si le logement, l’alimentation, l’énergie et les soins absorbent l’essentiel de son budget, son pouvoir d’achat dépend surtout de ces prix. Là où l’offre est limitée, comme pour un logement dans un quartier recherché, une partie de l’argent économisé peut revenir aux propriétaires de la ressource rare. Dans le même temps, les investissements dans les équipements et la recherche peuvent augmenter fortement, même si les ménages deviennent plus prudents dans leurs propres dépenses.
J’entrevois plusieurs modes d’organisation qui peuvent coexister.
- Les revenus se concentrent chez les propriétaires d’actifs et de canaux de vente. Les services numériques bon marché se généralisent. Les prestations qui mobilisent une présence humaine sont plus souvent achetées par des familles aisées et de grandes organisations.
- Les gains de productivité se répartissent plus largement grâce à la propriété. Cela peut passer par des participations détenues par les salariés, des coopératives, des fonds de pension ou des fonds publics. Une famille perçoit un revenu supplémentaire quand sa part correspond à des actifs qui produisent réellement des recettes.
- Une partie du gain revient aux gens par les services publics, les prestations et les accords sur le temps de travail. Une semaine de travail plus courte libère du temps pour les enfants, les études et les projets personnels si le revenu couvre le coût de la vie. Les prestations élargissent les possibilités de choix. L’accès aux soins ou au logement dépend aussi de la capacité à en fournir.
FMI sur le partage des gains de l’IA générative · Korinek et Suh sur les scénarios économiques d’une automatisation poussée.
J’ai écrit récemment sur les études à choisir quand les métiers changent plus vite que les programmes. À l’échelle d’une famille, on se demande quelles compétences et quels centres d’intérêt peuvent aider quelqu’un à tracer sa voie. À l’échelle de l’économie, une autre question se pose. Si l’on peut produire davantage en travaillant moins, qui bénéficie du temps libéré et qui perçoit le revenu ? De la réponse dépend la possibilité, pour une famille, de profiter de ce que cette économie rend possible, de payer l’aide dont elle a besoin et de choisir à quoi consacrer son propre temps.
Pour les entreprises
Commençons par un processus dans votre entreprise
Si votre équipe recueille manuellement les rapports des prestataires, précise les informations par messages et reporte les données validées dans des documents, décrivez l’un de ces processus. Nous verrons ce qui peut être automatisé et quelles décisions doivent rester entre les mains de votre équipe — en commençant par écrit.
Examiner mon processus


