Un consultant junior équipé d’un assistant IA produit aujourd’hui un travail que seul un senior aurait rendu il y a cinq ans. C’est documenté, mesuré, et présenté comme une victoire. Ce que les mêmes études notent en bas de page : ce senior n’a jamais existé. Il n’a pas eu le temps de se former.

Le débat sur l’IA et l’emploi s’est longtemps organisé autour d’une question simple : quels métiers vont disparaître ? La réponse, jusqu’ici, a été rassurante pour les cols blancs : les machines automatisent les tâches répétitives, les humains gardent le reste. Cette lecture est désormais incomplète. Une série de travaux récents, dont un article disponible sur arXiv depuis le 27 août 2025 (“Training for Obsolescence?”, arXiv:2508.19625), déplace le problème. La question n’est plus “quels métiers” mais “à quel moment d’une carrière”. Et la réponse est inconfortable : l’IA améliore les débutants, laisse les seniors indifférents, et détruit précisément les postes intermédiaires par lesquels les uns devenaient les autres.

L’essentiel

  • Sur les dix plus grandes villes britanniques et allemandes entre 1991 et 2021, les postes de niveau intermédiaire ont reculé nettement, pendant que les extrêmes du marché du travail – emplois managériaux et très qualifiés d’un côté, emplois peu qualifiés de l’autre – ont progressé ou tenu.
  • L’effet “barbell” documenté par Acemoglu et Loebbing (2022) et confirmé par Brynjolfsson et al. (2023) montre que cette polarisation n’est pas un récit mais une mesure : les marchés du travail urbains européens se vident par le milieu.
  • L’IA générative améliore la performance des juniors sur des tâches analytiques et rédactionnelles, mais apporte peu aux profils expérimentés – dont les gains viennent moins des outils que du jugement accumulé.
  • Le vrai risque n’est pas le chômage de masse à court terme, mais l’assèchement du flux par lequel une organisation renouvelle son expertise : sans l’apprentissage intermédiaire, les entreprises se retrouvent avec un sommet sans corps.
  • Le levier de réponse est organisationnel : rendre explicites les savoirs tacites, concevoir des parcours de montée en compétence qui ne reposent plus sur l’observation passive des tâches que l’IA absorbe.

Le milieu qui se vide depuis trente ans

Pour comprendre ce que l’IA fait au marché du travail européen, il faut d’abord regarder ce que les technologies précédentes ont déjà fait. Les données des dix plus grandes villes britanniques et allemandes sur la période 1991-2021 – analysées par Oesch et al. pour l’Institut für Arbeitsmarkt- und Berufsforschung (IAB) – racontent une histoire cohérente. Les emplois managériaux et professionnels ont fortement progressé. Les emplois peu qualifiés ont tenu ou progressé modérément. Les postes intermédiaires – secrétaires, comptables, techniciens, agents administratifs – ont reculé de façon marquée. Ce n’est pas une anecdote : c’est la géographie structurelle du marché du travail urbain européen depuis trois décennies.

Acemoglu et Loebbing (2022) ont donné un nom à ce phénomène : l’effet “barbell”, la barre d’haltère. Le milieu disparaît, les extrémités résistent. Brynjolfsson et al. (2023) ont précisé la dynamique en montrant que les gains de productivité de l’IA générative se concentrent principalement chez les travailleurs peu expérimentés – avec un impact minimal sur les profils seniors. Ces postes intermédiaires n’étaient pas seulement des cases dans un organigramme. Ils étaient les échelons d’une progression : l’endroit où un junior devenait quelqu’un d’utile à l’échelle suivante.

L’automatisation des années 2000 et 2010 avait déjà attaqué ces postes. L’IA générative accélère le mouvement, mais en introduisant une variable nouvelle : elle s’attaque désormais aussi aux tâches cognitives de ces niveaux, pas seulement aux tâches procédurales. Rédiger un premier jet, synthétiser un document, produire une analyse préliminaire : ce sont précisément les exercices par lesquels un jeune diplômé apprenait à penser dans un cadre professionnel.

Ce que l’IA fait vraiment à l’apprentissage junior

L’article “Training for Obsolescence?” (arXiv:2508.19625, soumis le 27 août 2025) pose la question directement : si l’IA améliore la performance des débutants, que leur reste-t-il à apprendre ? La réponse est plus nuancée que le titre ne le suggère, mais elle est dérangeante.

Les études expérimentales – menées notamment par des équipes du NBER sur des juristes, des consultants et des développeurs juniors – montrent que l’IA générative compresse le temps nécessaire pour produire un livrable acceptable. Un junior équipé rivalise sur le résultat final avec un profil intermédiaire non équipé. C’est réel. Mais ce que ces études mesurent, c’est la qualité du livrable, pas la compréhension de ce qui le sous-tend.

La différence est massive. Quand un junior passait trois ans à rédiger des mémos sous supervision, à reformuler des analyses, à voir ses productions corrigées et annotées par un senior, il ne produisait pas seulement des documents : il internalisait une façon de structurer un problème, de hiérarchiser ce qui compte, de reconnaître une erreur de raisonnement avant qu’elle devienne une erreur de jugement. Cet apprentissage tacite – “tacit knowledge” dans la littérature économique – est difficile à décrire mais facile à repérer quand il manque. Un profil de cinq ans d’expérience réelle n’est pas un profil de deux ans avec de bons outils. Il a traversé des situations où les outils ne suffisaient pas.

L’IA ne supprime pas ce besoin d’apprentissage. Elle supprime les exercices qui le rendaient possible. Le junior produit plus vite, mais il s’entraîne moins. Ce n’est pas une hypothèse : c’est la conséquence mécanique du fait que les tâches de bas niveau, autrefois confiées pour former, sont désormais déléguées à un modèle.

La trajectoire brisée : du junior au senior sans l’entre-deux

Le problème central n’est pas que les juniors travaillent différemment. C’est que la progression vers l’expertise suit un chemin qui passe par des étapes, et que certaines de ces étapes sont en train d’être effacées.

On peut formaliser la chose simplement. Une carrière cognitive suit trois phases. D’abord, la phase d’exposition : on exécute des tâches simples, on observe comment elles s’inscrivent dans un système plus large, on fait des erreurs et on apprend à les reconnaître. Ensuite, la phase d’intégration : on prend en charge des projets entiers, on gère l’incertitude, on arbitre entre contraintes contradictoires. Enfin, la phase de jugement : on tranche là où les données ne tranchent pas. C’est la valeur du senior.

L’IA générative est excellente pour compresser la phase d’exposition. Elle est marginalement utile en phase d’intégration. Elle est peu ou pas utile en phase de jugement – ce que les études NBER confirment en montrant que les gains de performance décroissent avec l’expérience. Un senior qui utilise l’IA ne devient pas sensiblement plus productif qu’un senior sans IA sur les tâches qui définissent sa valeur. En revanche, un junior qui utilise l’IA pour sauter la phase d’exposition n’entre jamais en phase d’intégration avec les ressources cognitives nécessaires.

C’est le paradoxe de la trajectoire brisée : l’outil qui accélère le départ empêche d’arriver. Et ce n’est pas un problème individuel. C’est un problème organisationnel. Les entreprises qui forment aujourd’hui leurs juniors via l’IA se retrouveront dans cinq ans avec des profils brillants sur les livrables courts et démunis face aux décisions complexes. Le sommet sans corps.

Ce phénomène résonne avec ce qu’on sait du télétravail et des dynamiques de transmission informelle : les environnements de travail qui éliminent la friction éliminent souvent avec elle les canaux d’apprentissage non planifiés.

Ce que les entreprises font – et ce qu’elles pourraient faire

Les organisations ne sont pas passives. Certaines ont identifié le problème et commencent à l’adresser, avec des degrés d’ambition variables.

La réponse la plus courante est le mentorat renforcé : désigner explicitement des seniors comme responsables de la progression des juniors, indépendamment des livrables. C’est mieux que rien. C’est insuffisant si les juniors n’ont plus de tâches concrètes à traverser ensemble avec leur mentor.

Une réponse plus structurée consiste à rendre explicite ce qui était tacite. Des cabinets de conseil comme McKinsey et BCG ont commencé à décomposer les compétences de jugement en protocoles transmissibles : comment structure-t-on un problème ambigu ? Quels signaux indiquent qu’une analyse est incomplète ? Comment reconnaître qu’un client ne pose pas la bonne question ? Ces compétences, autrefois apprises par osmose et par erreur, deviennent des modules de formation formels. Ce n’est pas parfait – l’osmose avait une richesse que le module ne restitue pas entièrement – mais c’est une adaptation réelle.

Un nombre croissant d’entreprises européennes ont introduit des rotations obligatoires sur des projets à incertitude élevée pour leurs profils juniors : des missions où l’IA est délibérément sous-utilisée, pas parce qu’elle serait interdite, mais parce que le problème est trop mal défini pour qu’elle aide. C’est une façon de maintenir les conditions de l’apprentissage intermédiaire à l’intérieur d’un environnement qui les fait disparaître mécaniquement.

La question de fond est celle du design organisationnel. Qui est responsable de la montée en compétence d’un profil junior dans un environnement où les tâches d’entraînement sont externalisées à un modèle ? Cette responsabilité existait avant par défaut : le flux naturel du travail la produisait. Elle doit maintenant être conçue, explicitement attribuée, et mesurée. Les organisations qui ne l’auront pas formalisé d’ici trois à cinq ans seront en difficulté au moment précis où elles auront le plus besoin de profils capables de jugement autonome.

La polarisation n’est pas une fatalité

L’effet barbell est documenté depuis les années 1990. Il a survécu à plusieurs cycles technologiques. Cela ne signifie pas qu’il est inévitable – cela signifie qu’il est structurel si rien n’est fait pour l’infléchir.

Des politiques publiques peuvent ralentir ou modifier la dynamique. La formation continue est le levier le plus souvent cité, mais il est trop vague pour être actionnable tel quel. Ce qui fonctionne, c’est la formation ciblée sur les compétences de jugement et de gestion de l’incertitude – précisément ce que l’IA ne peut pas transmettre. L’Allemagne, via son système dual de formation professionnelle, a une infrastructure qui permet ce type d’adaptation : l’alternance intègre structurellement l’apprentissage par la pratique dans des contextes réels et variés. La question est de savoir si ce modèle peut être étendu aux professions cognitives de niveau intermédiaire, pas seulement aux métiers techniques.

Au Royaume-Uni, le débat sur l’apprentissage par l’IA dans les universités touche une question connexe : si les étudiants délèguent les exercices de rédaction et d’analyse à des modèles dès la licence, ils arrivent sur le marché du travail avec des diplômes mais sans les muscles cognitifs que ces exercices étaient censés développer. Plusieurs universités britanniques – Oxford et Imperial College parmi d’autres – expérimentent des formats d’évaluation qui contraignent l’exercice en présentiel précisément pour recréer les conditions de l’apprentissage cognitif. C’est une réponse partielle, mais c’est une réponse.

Le débat entre Acemoglu, qui s’inquiète de la captation des gains technologiques par le capital au détriment du travail, et Brynjolfsson, plus optimiste sur la complémentarité humain-machine à long terme, reste entier. Les mêmes données peuvent conduire à des conclusions opposées selon le cadre d’analyse utilisé – ce qui est précisément l’enjeu ici : ni le catastrophisme qui prédit la disparition massive des emplois cognitifs, ni l’optimisme béat qui voit dans l’IA un simple multiplicateur de productivité ne rendent compte de ce que montrent les données sur les trajectoires individuelles.

Ce que les individus peuvent anticiper

Les organisations adapteront – ou n’adapteront pas – leurs pratiques de formation. Les individus en début de carrière n’ont pas à attendre. Quelques orientations ressortent clairement de la littérature sur l’apprentissage et la cognition.

La première : utiliser l’IA comme vérificateur, pas comme producteur. Rédiger d’abord, comparer ensuite. L’exercice de production, même imparfaite, est ce qui construit le muscle. Le delta entre sa propre version et celle du modèle est une source d’apprentissage ; le modèle seul n’en est pas une.

La deuxième : rechercher délibérément les situations où l’outil ne suffit pas. Les projets ambigus, les clients difficiles, les contraintes contradictoires sont inconfortables et formateurs. Les éviter parce que l’IA gère bien les cas simples revient à s’entraîner uniquement sur les exercices faciles.

La troisième : investir dans les relations de mentorat. Les seniors qui ont traversé les phases d’intégration et de jugement portent un savoir que les modèles ne reproduisent pas. L’accès à ce savoir, dans un environnement qui le rend moins visible par défaut, devient une ressource rare.

La question qui restera ouverte dans les prochaines années est celle du marché lui-même : si les compétences de jugement deviennent plus rares parce que moins de personnes ont pu les acquérir, est-ce que les organisations qui ont investi dans leur transmission interne prendront un avantage décisif sur celles qui ne l’ont pas fait ? Les données sur la polarisation suggèrent que oui. Mais l’avantage n’est visible qu’au moment où le besoin se fait sentir – c’est-à-dire trop tard pour les organisations qui auront attendu.

Sources

  1. “Training for Obsolescence? The AI-Driven Education Trap” (arXiv:2508.19625, soumis le 27 août 2025) : https://arxiv.org/abs/2508.19625
  2. Acemoglu & Loebbing, “Automation and New Tasks: How Technology Displaces and Reinstates Labor” (2022), NBER : https://www.nber.org/papers/w25684
  3. Brynjolfsson et al., recherches sur la complémentarité humain-IA et la distribution des gains de productivité (2023), NBER
  4. Oesch et al., études sur la polarisation des marchés du travail urbains européens, Institut für Arbeitsmarkt- und Berufsforschung (IAB)
  5. Oesch, Morris & Westenberger (2025), “Polarised upgrading in UK & German cities” : https://pmc.ncbi.nlm.nih.gov/articles/PMC12718246/
  6. Acemoglu & Loebbing (2022), “Automation and Polarization”, NBER WP 30528 : https://www.nber.org/system/files/working_papers/w30528/w30528.pdf
  7. Brynjolfsson, Li & Raymond (2023), “Generative AI at Work”, NBER WP 31161 : https://www.nber.org/papers/w31161
  8. BCG (2026), “When Everyone Uses AI, Companies Risk Losing Critical Skills” : https://www.bcg.com/publications/2026/when-everyone-uses-ai-companies-risk-critical-skills