Pourquoi supprimer ses juniors se paiera vers 2035

Une entreprise qui confie à une intelligence artificielle le travail que faisait son débutant réalise une bonne opération. Elle économise un salaire, une formation, et les mois pendant lesquels un junior coûte plus qu’il ne rapporte. Le calcul tient. Il tient encore quand toutes les entreprises du secteur le font en même temps, et c’est précisément là que le problème commence.

Nolan Lovett, chercheur en développement des ressources humaines, a donné un nom à ce mécanisme dans un article publié le 26 juillet dans la revue Human Resource Development Review, et déposé en accès libre sur arXiv : la tragédie des communs cognitifs. L’expertise d’un métier, explique-t-il, fonctionne comme un pâturage partagé. Chaque entreprise y puise des professionnels expérimentés, aucune n’est obligée d’en produire.

Le premier organisme qui coupe gagne, les autres paient

Le raisonnement est repris de Garrett Hardin et de son problème de surpâturage, formulé en 1968. Une entreprise qui supprime un poste de débutant récupère 100 % du gain : salaire en moins, formation en moins, tâche exécutée plus vite. Le coût, lui, se répartit sur toutes les entreprises qui recruteront plus tard dans un vivier appauvri. Celle qui continue à former se retrouve en désavantage face à celle qui débauche des gens déjà formés.

Les chiffres du marché du travail vont déjà dans ce sens. Lovett s’appuie sur une analyse de paies couvrant plus de 25 millions de salariés américains : dans les métiers les plus exposés à l’IA, l’emploi des 22-25 ans a reculé de 16 % entre octobre 2022 et septembre 2025. Sur la même période et dans les mêmes métiers, l’emploi des 35-49 ans a progressé de plus de 8 %. Dans les métiers peu exposés, aucun écart de ce genre entre les âges. Une seconde étude, portant sur 58 millions de profils LinkedIn, retrouve le même décalage par génération.

Vérifier une IA demande ce que l’IA empêche d’apprendre

Le point le plus dérangeant du papier porte sur la vérification. Lovett l’appelle le lien de validation : pour juger correctement le travail d’un système opaque, il faut le savoir-faire que l’on n’acquiert qu’en ayant fait le travail soi-même, longtemps. Or c’est exactement ce savoir-faire que la suppression des tâches d’apprentissage empêche de constituer.

Une expérience citée dans l’article montre à quoi ressemble l’échec. Des participants exposés à des recommandations biaisées les ont détectées dans 80,7 % des cas, et ont pourtant continué à les suivre. Repérer qu’un résultat cloche et savoir dire pourquoi, au point de passer outre, sont deux capacités différentes. La première ne suffit pas.

Le décalage dans le temps est ce qui rend la chose difficile à voir. Les experts disponibles aujourd’hui sont le produit d’investissements de formation faits entre 2003 et 2020. Les postes supprimés à partir de 2023 ne se feront sentir sur la disponibilité des professionnels expérimentés qu’entre 2030 et 2045, très longtemps après les décisions qui les auront causés.

Tous les métiers ne sont pas logés à la même enseigne

Le papier retient cinq facteurs qui déterminent l’exposition : à quel point l’IA peut exécuter les tâches qui servaient d’apprentissage, le poids de la réglementation, la gravité des conséquences en cas d’erreur, la force des ordres professionnels, et la facilité à découper le travail en morceaux séparés.

De là, trois groupes. Le développement logiciel, l’analyse financière et la recherche juridique cumulent des tâches très substituables, peu de contraintes réglementaires et un travail facile à découper : ce sont les plus exposés. La médecine et l’ingénierie disposent de garde-fous qui ralentissent le mouvement sans l’annuler. Les soins infirmiers et les métiers du bâtiment restent largement à l’écart.

Faut-il encore embaucher un débutant ?

Le problème collectif ne se résout pas à l’échelle d’une équipe de trois personnes, et l’article ne prétend pas le contraire : c’est un travail conceptuel, l’auteur précise lui-même que l’adoption est récente et que les signaux les plus nets viennent des secteurs en pointe, pas de l’ensemble des professions.

Deux données du papier sont en revanche exploitables tout de suite. Dans une enquête citée, 40 % des salariés interrogés ont reçu dans le mois un contenu produit par IA substantiellement erroné, et ont passé près de deux heures en moyenne à réparer chaque cas. Dans une autre, 60 % déclarent avoir assez confiance dans les résultats pour ne pas les vérifier systématiquement.

La capacité à repérer une sortie fausse est donc déjà la ressource rare, et c’est elle qu’un client paie. Pour qui vend de la prestation intellectuelle, la conséquence pratique est de continuer à faire à la main un échantillon de ce qu’on délègue à la machine. Pas par principe, mais parce que c’est le seul moyen connu de garder le jugement qui permet de dire, dans deux ans, qu’une réponse plausible est fausse.

Sources

Nolan Lovett, « The Tragedy of the Cognitive Commons », Human Resource Development Review