Blog

IA et emplois IT : ce qui change vraiment

L’IA ne supprime pas d’un coup les emplois IT. Elle transforme les tâches, expose certains rôles et oblige à mieux former.

Console d’exploitation avec panneaux IA et files de travail IT ouvertes

Un lundi matin, le responsable applicatif ouvre sa boîte mail et voit trois choses : une incidence répétée que personne n’a priorisée, une demande de rapport « urgente pour aujourd’hui » et un brouillon généré par un outil d’IA qui fonctionne à moitié. Le problème n’est pas l’outil. Le problème, c’est que l’entreprise mesure encore l’activité, pas la friction.

La vraie question n’est pas combien d’emplois vont disparaître, mais quelles tâches changent d’abord et qui décide de leur introduction.

Ma thèse est simple : dans l’IT, l’IA change d’abord les tâches, puis les postes. Et quand la direction confond exposition et remplacement, elle pose le mauvais diagnostic.

Ce que l’OIT dit, et ce qu’elle ne dit pas

En mai 2025, l’Organisation internationale du Travail (OIT) a publié une analyse actualisée sur la manière dont l’IA générative peut affecter différentes occupations. Le point central n’a rien d’alarmiste : l’exposition est calculée au niveau des tâches à l’intérieur des occupations, pas comme une prévision automatique de licenciements ni comme une prédiction mécanique de l’emploi futur. L’OIT rappelle elle-même que ces indicateurs sont des signaux d’alerte précoces, pas une boule de cristal. Analyse de l’OIT sur l’exposition professionnelle

Il y a aussi une limite importante : l’OIT parle d’exposition potentielle. Autrement dit, de ce qui pourrait être automatisé ou transformé si la technologie était pleinement déployée. Cela ne signifie pas adoption réelle, ni effet immédiat sur les salaires, ni destruction d’emplois. L’OIT souligne également que la plupart des emplois continueront à nécessiter une intervention humaine.

Pour une entreprise, cette distinction compte plus que le titre. Si vous traitez « exposition » comme « licenciement », vous couperez probablement la formation trop tôt. Si vous la traitez comme « redesign des tâches », vous pouvez faire évoluer le travail avant que le malaise ne se transforme en résistance.

Là où cela apparaît d’abord dans une équipe IT

L’IA entre souvent par la porte la moins spectaculaire. Elle ne commence pas par remplacer une fonction entière. Elle commence par faire gagner des minutes sur des tâches répétitives :

  • rédiger des réponses aux incidents fréquents ;
  • résumer la documentation technique et les tickets ;
  • proposer des tests ou des cas limites ;
  • générer des requêtes ou des scripts ;
  • classer les demandes arrivant par e-mail, chat ou formulaire.

Dans une entreprise industrielle ou de services, cela ne veut pas dire que « l’IA fait le travail ». Cela veut dire qu’une personne arrive plus vite à la partie qui exige du jugement. La différence est majeure.

Prenons une équipe de support interne de 12 personnes. La direction constate que le délai moyen de résolution baisse de 18 %. Cela ressemble à un succès. Mais en regardant de plus près, un fait gênant apparaît : le gain se concentre sur les tickets simples, alors que les cas complexes s’accumulent et que les escalades augmentent. Le tableau de bord montrait la vitesse ; il ne montrait ni la charge mentale ni la qualité du routage.

C’est là que naît la vraie friction : pas entre les personnes et les machines, mais entre les incitations. Si l’équipe est récompensée pour fermer plus vite, elle optimise la clôture. Si elle est récompensée pour résoudre la cause racine, la nature du travail change.

L’histoire que le tableau de bord ne montre pas

Imaginez une PME de distribution avec une petite équipe développement et support. La direction veut « ajouter de l’IA » à l’IT parce qu’elle a entendu que cela accélère le codage. L’équipe teste un assistant pour les requêtes et la documentation.

Deux semaines plus tard, l’effet secondaire est clair : les juniors résolvent plus vite, mais ils dépendent davantage de la relecture de ce qui est généré. Les seniors reçoivent plus de questions de validation et disposent de moins de temps pour la conception. Le résultat visible sur le tableau est bon ; le travail caché, lui, se dégrade.

La leçon n’est pas d’abandonner l’IA. La leçon est de séparer trois couches :

  1. Interprétation : l’IA propose un texte, du code ou une classification.
  2. Règle métier : ce qui est autorisé, ce qui est bloqué et où s’appliquent les exceptions.
  3. Validation humaine : qui relit avant d’envoyer, déployer ou clôturer.

Sans cette séparation, l’entreprise n’automatise pas. Elle déplace l’effort vers des validations invisibles.

La décision inconfortable : former ou réduire

C’est ici que commence la conversation inconfortable. Si une tâche devient plus rapide grâce à l’IA, faut-il réduire les effectifs ? Ma réponse : ne pas décider à l’instinct ni par effet de mode. Décidez après avoir mesuré pendant plusieurs semaines trois éléments : le volume de travail, la qualité de sortie et le temps passé à relire.

Si la productivité augmente mais que la qualité baisse, vous n’avez rien gagné. Si la productivité augmente mais que les juniors apprennent moins, vous créez de la dépendance. Et si la productivité augmente alors que le travail restant exige davantage de jugement, le problème n’est plus technique. Il est organisationnel.

La formation n’est donc pas un bonus “souple”. C’est le mécanisme qui permet à l’entreprise de capter de la valeur sans vider le métier de sa substance. Cela implique d’apprendre à mieux demander, mieux vérifier et mieux approuver. Pas seulement à « utiliser un outil ».

Une petite expérience qui vaut la peine d’être tentée

Avant de lancer un grand programme, testez un changement réversible sur une seule file de travail : par exemple, des incidents répétitifs à faible risque ou des brouillons de documentation interne.

Définissez quatre éléments :

  • Entrée : quel type de demande arrive.
  • Tâche IA : résumer, classer ou proposer une réponse.
  • Règle : ce qu’elle ne peut pas toucher et quand elle doit escalader.
  • Résultat mesurable : délai de première réponse, reprises de travail et nombre d’escalades.

Si, au bout de deux ou trois semaines, ni le temps ni la qualité ne s’améliorent, changez la tâche, pas le récit. Et si cela s’améliore, documentez quelle partie était réellement automatisable et laquelle restait humaine.

C’est un point de départ sensé pour une entreprise qui veut utiliser l’IA dans l’IT sans se raconter une fausse histoire de remplacement total. Chez Codefuente, nous commençons souvent par là : moins de promesses, plus de friction réelle, et un petit test qu’on peut annuler s’il n’apporte pas de valeur.

Trois actions pour cette semaine

  1. Listez cinq tâches IT et marquez celles qui sont répétitives, celles qui demandent du jugement et celles qui semblent seulement « automatisables ».
  2. Choisissez une petite file de travail et fixez une règle claire de validation humaine avant d’utiliser l’IA.
  3. Demandez à l’équipe où se trouve la reprise invisible : rédaction, relecture, validation ou escalade ?