Que vaut encore l’expertise à l’ère de l’IA ?

L’intelligence artificielle permet déjà de produire en quelques heures certaines analyses qui auraient avant demandé plusieurs jours de travail. Cette compression du temps pose une question embarrassante aux métiers de l’expertise : si le coût de production d’un diagnostic, d’une étude ou d’une recommandation diminue fortement, pourquoi le client continuerait-il à payer le même prix ? La réponse oblige à distinguer ce que l’IA rend effectivement abondant de ce qui constitue réellement la valeur d’un expert.

Pendant longtemps, une mission de conseil, une étude technologique ou une analyse stratégique pouvaient être décrites par un enchaînement assez prévisible. Il fallait rechercher de l’information, lire des documents, en extraire les éléments pertinents, rapprocher plusieurs sources, produire des tableaux, envisager quelques hypothèses, rédiger une première analyse, la confronter à des collègues puis fabriquer un livrable. Une partie importante du coût de l’expertise provenait tout simplement du nombre d’heures nécessaires pour accomplir ces opérations.

• Dans cet article
• I. Le coût de certaines tâches intellectuelles baisse réellement
  • a. Il faut distinguer le coût de production de la valeur de l’expertise
  • b. L’IA rend aussi l’expertise beaucoup plus facile à imiter
  • c. Un gain de productivité ne dit pas qui va récupérer la valeur créée
  • d. L’exemple des avocats : le temps facturé ne mesure plus le service rendu
• II. Ce qui devient rare c’est la capacité de juger la réponse de l’IA
• III. L’expertise pourrait devenir moins individuelle et davantage organisationnelle
• IV. Le problème le plus délicat : comment former les experts si l’on automatise le travail qui les formait ?
• V. Toutes les expertises ne seront pas affectées de la même manière
• VI. Le client paiera-t-il encore pour un rapport de cinquante pages ?
• VII. Pour les organisations, gagner du temps est insuffisant
• VIII. Ce qu’il faut retenir
• IX. Références
• X. Ressources

L’intelligence artificielle générative modifie très directement cette économie. Une première recherche documentaire, la comparaison de plusieurs solutions techniques, la synthèse d’une centaine de pages, l’exploration de scénarios ou la préparation d’une note peuvent être réalisées beaucoup plus rapidement. Les systèmes les plus récents ne se contentent d’ailleurs plus de rédiger : ils peuvent enchaîner des recherches, consulter des bases documentaires, exploiter des données et exécuter certaines étapes d’un raisonnement. Une activité intellectuelle qui mobilisait plusieurs journées d’un ingénieur, d’un consultant ou d’un analyste peut dans certains cas être considérablement comprimée.

C’est le point de départ de la tribune de Sami Mahroum publiée dans Le Monde le 22 mars 2026, intitulée « La valeur de l’ingénieur ou de consultant se mesure désormais moins en heures travaillées que dans sa maîtrise des systèmes d’IA ». Dans cette tribune très intéressante, l’auteur défend l’idée que l’IA fragilise le lien historique entre le temps de travail et la valeur économique, particulièrement dans les activités où un professionnel peut désormais superviser des systèmes capables de produire beaucoup plus que lui dans le même laps de temps. Son interrogation est légitime, et nous pourrions même nous demander : que devient l’économie de l’expertise lorsque le coût de fabrication de ce qui ressemble à une expertise chute beaucoup plus vite que le coût d’acquisition de l’expertise elle-même ?

L’IA ne fait en effet pas seulement gagner du temps aux experts. Elle rend également accessibles à beaucoup plus de personnes des productions qui avaient jusqu’ici les attributs visibles de l’expertise : un raisonnement structuré, une analyse comparative, un vocabulaire spécialisé, des hypothèses, des recommandations et parfois même les précautions méthodologiques attendues. Le problème économique n’est donc pas seulement celui de la productivité. Il concerne aussi la manière dont une organisation pourra reconnaître, acheter et rémunérer une expertise dans un monde où il devient extrêmement facile d’en produire l’apparence.

Le coût de certaines tâches intellectuelles baisse réellement

Il faut commencer par prendre au sérieux les gains de productivité. Les études disponibles ne permettent pas de généraliser à toutes les activités intellectuelles, mais elles montrent que l’effet est réel et parfois considérable sur certaines catégories de tâches.

L’expérience de Shakked Noy et Whitney Zhang publiée dans Science en 2023 (Experimental evidence on the productivity effects of generative artificial intelligence) constitue une référence importante. Les chercheurs ont demandé à 453 professionnels diplômés de réaliser des tâches de rédaction proches de celles rencontrées dans des activités de conseil, de marketing, de ressources humaines ou d’analyse. L’accès à ChatGPT a réduit d’environ 40 % le temps nécessaire à l’exécution des tâches et augmenté de 18 % la qualité moyenne des productions évaluées. L’intérêt de cette étude n’est pas seulement de documenter un gain de temps : elle montre que l’IA modifie simultanément la quantité de travail nécessaire et la distribution de la performance entre individus, les participants initialement les moins performants progressant davantage.

Les résultats obtenus par Erik Brynjolfsson, Danielle Li et Lindsey Raymond dans une entreprise de support client vont dans le même sens, mais cette fois dans un environnement de travail réel et sur une population beaucoup plus importante. Leur étude Generative AI at Work, publiée en 2025 dans le Quarterly Journal of Economics, porte sur 5 172 agents. Brynjolfsson

L’introduction d’un assistant d’IA augmente en moyenne de 15 % le nombre de problèmes résolus par heure, avec des gains particulièrement importants chez les travailleurs les moins expérimentés ou initialement les moins performants. Les auteurs trouvent également des éléments indiquant que l’assistant facilite l’apprentissage des salariés, ce qui est important pour notre sujet : l’IA n’agit pas seulement comme un substitut instantané à certaines tâches, elle peut aussi accélérer la diffusion de pratiques jusque-là détenues par les salariés les plus expérimentés.

Il faut évidemment rester prudent avant de transposer ces résultats à un ingénieur qui prépare une stratégie brevet, à un avocat qui négocie un contrat complexe ou à un chercheur qui évalue une technologie émergente. Les tâches étudiées sont circonscrites et les systèmes évoluent rapidement. Mais il devient difficile de soutenir que l’IA n’affecterait que marginalement le coût de production des activités intellectuelles. Elle affecte déjà le temps nécessaire à une série d’opérations qui représentaient jusqu’ici une part importante du coût d’une prestation experte.

Dans une mission de conseil ou d’innovation, cette évolution se voit très concrètement. Rassembler vingt sources sur un marché, comparer cinq technologies, identifier des acteurs, résumer des brevets ou préparer une première grille d’analyse pouvait mobiliser plusieurs heures, parfois plusieurs jours. Ce travail ne disparaît pas, car il faut toujours trouver les bonnes sources, déterminer le périmètre et vérifier les résultats, mais son coût marginal peut devenir beaucoup plus faible. Une partie de ce que le client achetait autrefois sous la forme d’heures de recherche, de synthèse et de mise en forme devient progressivement une commodité.

Il faut distinguer le coût de production de la valeur de l’expertise

C’est ici que commence la difficulté. Une expertise se matérialise généralement dans un objet visible : une note, un rapport, une étude, une présentation, un diagnostic, un calcul ou une recommandation. Il est donc tentant de considérer que la valeur du professionnel correspond à la valeur de cet objet et que, si l’objet devient moins coûteux à produire, l’expertise doit mécaniquement perdre de la valeur.

Cette assimilation a toujours été fragile. Lorsqu’une entreprise demande s’il faut investir plusieurs millions d’euros dans une technologie, choisir un partenaire de recherche, abandonner une piste de développement ou entrer sur un nouveau marché, elle n’achète pas seulement la production d’un document. Elle achète aussi la capacité de déterminer quelles informations sont pertinentes, de repérer les données manquantes, de reconstruire un contexte, d’évaluer la robustesse des hypothèses et finalement de prendre position dans une situation où les données disponibles ne suffisent pas à produire automatiquement une décision.

L’étude menée avec 758 consultants du Boston Consulting Group par Fabrizio Dell’Acqua et ses collègues permet de préciser cette distinction. L’article Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality a été publié dans Organization Science en mars 2026. Dell’Acqua et al., Organization Science, 2026 Pour dix-huit tâches réalistes situées à l’intérieur de ce que les auteurs appellent la « frontière technologique » de l’IA, les professionnels disposant de GPT-4 réalisent 12,2% de tâches supplémentaires, travaillent en moyenne 25,1% plus vite et produisent des réponses de meilleure qualité. Dans cette zone, continuer à faire manuellement tout ce que le système sait bien faire devient effectivement difficile à justifier économiquement.

Mais l’expérience comportait également une tâche complexe choisie précisément parce qu’elle se situait en dehors de cette frontière. Dans ce cas, les consultants utilisant l’IA avaient 19% de chances en moins de parvenir à la bonne solution que ceux travaillant sans elle. L’intérêt de ce résultat dépasse la simple constatation que l’IA peut se tromper. Les auteurs parlent d’une frontière irrégulière, parce que deux tâches qui paraissent proches en difficulté peuvent se situer de part et d’autre de la zone où le modèle est fiable. La compétence importante devient alors en partie une compétence de métajugement : savoir dans quelle situation l’outil peut être fortement mobilisé, et dans quelle situation il doit être surveillé, contredit ou écarté.

Cette frontière irrégulière modifie profondément l’économie de l’expertise. Lorsque le coût de génération d’une réponse devient très faible, l’étape coûteuse peut se déplacer vers la définition du problème et la validation du résultat. Un professionnel peut consacrer vingt minutes à produire plusieurs analyses avec une IA et deux heures à comprendre pourquoi trois d’entre elles reposent sur une hypothèse contestable. Ce qui s’automatise n’est donc pas nécessairement ce qui avait le plus de valeur dans la prestation, même si cela représentait historiquement une grande partie de son volume de travail.

L’IA rend aussi l’expertise beaucoup plus facile à imiter

Il existe une deuxième transformation, peut-être plus importante encore : produire un document ayant les attributs extérieurs d’une expertise devient extrêmement facile. Une personne maîtrisant imparfaitement un sujet peut obtenir une note correctement organisée, utilisant le vocabulaire du domaine, présentant plusieurs options, construisant une matrice de décision et explicitant certaines limites. Il était déjà possible de produire de mauvais rapports avant les IA génératives. Ce qui change est le coût auquel une analyse médiocre peut désormais prendre l’apparence d’une bonne analyse.

Cette question renvoie à un problème beaucoup plus ancien de l’économie de l’information. Dans leur revue de référence publiée en 2006 dans le Journal of Economic Literature, Uwe Dulleck et Rudolf Kerschbamer étudient les credence goods, que l’on traduit généralement par « biens de croyance ». Leur article, On Doctors, Mechanics, and Computer Specialists: The Economics of Credence Goods, propose une synthèse des problèmes rencontrés lorsque le client doit acheter une expertise précisément parce qu’il est incapable d’évaluer lui-même son besoin et la qualité du service rendu. Le médecin, le garagiste ou le spécialiste informatique disposent ainsi d’une information que leur client recherche précisément et qu’il ne peut pas facilement acquérir.

Une partie importante de l’expertise stratégique, juridique ou technologique possède cette caractéristique. Si un dirigeant était capable de déterminer avec certitude quelle architecture technologique doit être retenue, quel brevet constitue réellement un obstacle ou quelle stratégie permettra d’entrer sur un marché, il aurait moins besoin de solliciter un expert. Il fait appel à celui-ci précisément parce que l’évaluation de la solution exige des connaissances qu’il ne maîtrise pas entièrement.

Ce qui change est le coût auquel une analyse médiocre peut désormais prendre l’apparence d’une bonne analyse

L’IA ne supprime pas cette asymétrie informationnelle. Elle peut même l’aggraver en réduisant très fortement le coût de production d’un signal d’expertise. Imaginons plusieurs propositions de conseil soumises à une entreprise. Toutes comprennent une analyse du marché, un benchmark, une cartographie, des scénarios, quelques chiffres et des recommandations parfaitement formulées. Certaines ont été produites par des professionnels connaissant intimement le secteur, d’autres par des personnes disposant de quelques documents et d’un bon système d’IA. La différence de qualité réelle entre les deux peut devenir beaucoup plus difficile à percevoir à la seule lecture du livrable.

La conséquence est importante : plus la production visible de l’expertise devient abondante, plus la question de la crédibilité prend de l’importance. L’expérience antérieure, la réputation, la transparence sur les sources, la capacité à expliquer les hypothèses, l’accès à des informations difficiles à obtenir et la responsabilité assumée dans la recommandation peuvent devenir des signaux plus importants que la sophistication du rapport lui-même. L’IA peut ainsi diminuer le coût de fabrication d’un livrable expert tout en renforçant le problème économique consistant à identifier les professionnels auxquels il est raisonnable de faire confiance.

Un gain de productivité ne dit pas qui va récupérer la valeur créée

Supposons maintenant qu’un consultant parvienne réellement à réaliser en deux jours une mission qui lui en demandait auparavant cinq. Trois acteurs peuvent théoriquement bénéficier du gain : le consultant, son entreprise ou son client. Rien ne garantit que la valeur supplémentaire sera répartie également entre eux.

Cette distinction entre création de valeur et captation de valeur est classique en stratégie (voir cette vidéo dans les ressources). Dans leur article Value Creation and Value Capture: A Multilevel Perspective, publié en 2007 dans l’Academy of Management Review, David Lepak, Ken Smith et Susan Taylor distinguent précisément le fait de produire davantage de valeur de la capacité à en conserver une partie. Leur apport est particulièrement utile ici : la captation de la valeur dépend notamment de la concurrence, du pouvoir de négociation et de l’existence de mécanismes empêchant d’autres acteurs d’imiter facilement ce qui a permis de créer le surplus. Une hausse de productivité permise par l’IA ne permet donc absolument pas, à elle seule, de savoir qui en bénéficiera économiquement.

Prenons une mission historiquement vendue 10 000 euros et nécessitant cinq journées de travail. Si l’IA permet de la réaliser en deux journées, plusieurs scénarios sont possibles. Le prestataire peut conserver son prix et améliorer considérablement sa marge, le client peut exiger que le prix diminue proportionnellement au temps économisé, la concurrence peut faire baisser progressivement le prix de marché ou enfin, le prestataire peut réinvestir le temps gagné dans des analyses supplémentaires et maintenir à la fois son prix et une partie de son avantage économique.

Le cas du taux journalier devient alors particulièrement intéressant. Lorsque le professionnel vend explicitement son temps, l’amélioration de sa productivité peut se retourner contre lui. Celui qui réalise une tâche deux fois plus vite grâce à de meilleures méthodes facture mécaniquement moins s’il applique strictement un nombre de jours consommés. Le modèle peut ainsi rémunérer davantage le volume de temps mobilisé que l’efficacité obtenue, ce qui devient difficile à tenir lorsque les différences de productivité entre deux professionnels peuvent être fortement amplifiées par leurs usages respectifs de l’IA.

Il serait cependant trop simple d’annoncer pour autant la disparition du taux journalier et son remplacement général par une facturation « à la valeur ». Dans beaucoup d’activités, la valeur produite est difficile à isoler et plus encore à attribuer. Si une entreprise réussit son lancement de produit dix-huit mois après une mission de conseil, quelle part du succès doit être imputée au consultant, aux équipes commerciales, à la conjoncture ou aux décisions prises entre-temps ? Une tarification fondée sur le résultat devient pertinente lorsqu’un résultat est observable, relativement rapide et suffisamment attribuable. Ces conditions sont loin d’être réunies dans toutes les missions de stratégie, de R&D ou d’innovation.

L’évolution la plus probable est donc moins spectaculaire, mais plus profonde : plusieurs formes de tarification vont coexister, et le temps cessera progressivement d’être la justification suffisante du prix. Le client pourra continuer à acheter des jours lorsqu’il mobilise effectivement une capacité humaine identifiée, mais il pourra acheter davantage de forfaits, d’accès à des ressources propriétaires, de services continus ou de dispositifs associant experts et systèmes d’IA. La discussion se déplacera alors progressivement de la question du nombre de jours consommés vers celle des ressources et des capacités effectivement mobilisées par le prestataire.

Ce qui devient rare c’est la capacité de juger la réponse de l’IA

Ce déplacement apparaît déjà très clairement dans les activités d’innovation. Une IA peut produire rapidement une cartographie de technologies, identifier des concurrents, proposer des marchés potentiels, résumer des publications ou explorer différentes hypothèses de business model. Ces usages représentent un progrès réel, particulièrement lorsqu’ils éliminent des heures consacrées à rechercher, recopier, reformater ou rapprocher des informations dispersées.

Mais une cartographie technologique ne vaut pas seulement par le nombre d’acteurs qu’elle contient. Encore faut-il déterminer si les technologies recensées sont réellement comparables, si elles fonctionnent à la bonne échelle, si leur niveau de maturité est correctement apprécié, si les performances annoncées ont été démontrées dans les conditions qui intéressent l’industriel et si certaines solutions ont déjà échoué pour des raisons qui n’apparaissent pas dans les publications disponibles.

Dans mon activité plus directement, la même difficulté existe dans le développement partenarial. Identifier vingt laboratoires publiant sur une technologie est devenu beaucoup plus facile. Savoir lequel maîtrise réellement la bonne approche expérimentale, possède l’équipement utile, souhaite travailler avec des entreprises et pourrait être disponible dans le calendrier du projet nécessite une connaissance beaucoup plus contextuelle. L’information décisive n’est souvent pas celle que l’on peut extraire d’une publication ou d’un site web, mais celle qui permet de comprendre comment ces informations doivent être interprétées dans une situation particulière.

Une autre expérience de Fabrizio Dell’Acqua et de ses collègues permet d’aller plus loin. Leur article The Cybernetic Teammate: A Field Experiment on Generative AI and Teamwork, publié dans Organization Science en juin 2026, repose sur une expérimentation préenregistrée menée auprès de 791 professionnels de Procter & Gamble travaillant sur de véritables problèmes d’innovation produit. Les individus assistés par l’IA atteignent des performances comparables à celles d’équipes de deux personnes travaillant sans IA. L’outil réduit aussi partiellement les silos fonctionnels : sans IA, les professionnels de R&D ont davantage tendance à proposer des solutions techniques et les profils commerciaux des solutions orientées marché, avec l’IA, les propositions deviennent plus équilibrées quel que soit le métier d’origine.

Le résultat particulièrement intéressant pour notre sujet apparaît lorsque les chercheurs décomposent le processus d’innovation. Ils constatent que l’IA améliore surtout la qualité des idées générées, tandis que le jugement humain conserve de la valeur dans leur sélection. Cette distinction évite d’assimiler création d’options et décision. Une organisation peut demain être capable de produire cent hypothèses là où elle en produisait dix. Cette abondance ne supprime pas automatiquement la difficulté consistant à identifier celles qui méritent véritablement d’être poursuivies.

Dans les activités d’innovation, le problème change donc de forme. La rareté ne se situe plus systématiquement dans la capacité à produire une idée, une analyse ou une liste de possibilités. Elle peut se déplacer vers le cadrage du problème, la qualification des informations, l’identification des hypothèses critiques et la décision d’engager ou non des ressources. Une organisation qui se contente de mesurer combien de temps l’IA lui a fait économiser passe probablement à côté d’une partie importante de la transformation.

L’expertise pourrait devenir moins individuelle et davantage organisationnelle

L’autre conséquence concerne le lieu où réside l’expertise. Dans beaucoup de métiers, celle-ci a longtemps été associée à certaines personnes : un ingénieur qui connaît parfaitement une technologie, un consultant qui a travaillé vingt ans dans une industrie, un juriste capable d’anticiper les difficultés d’un contrat ou un business developer possédant une connaissance fine de son écosystème.

Or une partie de ce savoir peut désormais être mobilisée autrement. Lorsqu’une organisation accumule des comptes rendus de projets, des dossiers techniques, des décisions passées, des retours d’expérience, des bases de données, des procédures et des analyses, elle peut connecter des systèmes d’IA à cette mémoire. Un salarié qui n’a pas vécu les dix dernières années de l’organisation peut alors accéder beaucoup plus rapidement aux raisons pour lesquelles certaines options ont été retenues ou rejetées.

Cette perspective rejoint les travaux déjà plus anciens de Linda Argote et Paul Ingram sur le transfert de connaissances dans les organisations. Leur article Knowledge Transfer: A Basis for Competitive Advantage in Firms, publié en 2000 dans Organizational Behavior and Human Decision Processes, montre que la connaissance organisationnelle ne réside pas seulement dans les individus. Elle est aussi incorporée dans les interactions entre les personnes, les outils et les tâches. Les auteurs soulignent précisément que ces combinaisons sont difficiles à transférer d’une organisation à une autre, ce qui peut en faire une source d’avantage concurrentiel.

Cette idée prend une nouvelle portée avec l’IA générative. Un modèle généraliste accessible à tous constitue difficilement un avantage compétitif durable : un cabinet qui achète le même abonnement que ses concurrents ne possède pas, pour cette seule raison, une expertise supérieure. En revanche, la combinaison d’un modèle performant avec des décennies de dossiers bien structurés, des données propriétaires, un historique de décisions, des méthodes développées en interne et des experts capables d’évaluer les réponses devient beaucoup moins facile à reproduire.

Cela permet aussi de préciser ce que signifie réellement « maîtriser l’IA » pour une organisation. La maîtrise ne consiste probablement pas à disposer de quelques salariés sachant rédiger de meilleurs prompts. Ces techniques se diffusent rapidement et les interfaces évoluent. L’enjeu est de construire un véritable système d’expertise, dans lequel les outils permettent de mobiliser la mémoire organisationnelle sans perdre la capacité humaine à interpréter ce qu’elle contient.

Pour les cabinets de conseil, bureaux d’études ou directions d’innovation, le déplacement est considérable. L’entreprise qui vendait historiquement l’accès à un certain nombre de cerveaux pendant un certain nombre de jours peut progressivement vendre l’accès à une infrastructure combinant méthodes, données, histoire des projets, réseaux et professionnels expérimentés. Le prix devient alors moins corrélé au coût marginal de production d’une analyse, précisément parce que cette analyse mobilise un capital accumulé qui ne peut pas être reconstitué en quelques heures par le client.

Le problème le plus délicat : comment former les experts si l’on automatise le travail qui les formait ?

Cette évolution produit cependant une difficulté de long terme. Une grande partie de l’expertise se construit en réalisant précisément les tâches que les professionnels expérimentés voudraient aujourd’hui déléguer à l’IA.

Le chargé d’études examine des dizaines de dossiers avant d’acquérir ce que l’on appelle ensuite, un peu vaguement, « l’expérience »

Le jeune consultant passe du temps à rechercher des données, puis découvre progressivement quelles sources sont fiables et quelles comparaisons sont trompeuses. Le jeune juriste relit des contrats et rencontre ainsi des formulations problématiques qu’il apprendra plus tard à repérer immédiatement. Le jeune ingénieur réalise des calculs, prépare des essais, commet certaines erreurs et apprend à reconnaître des résultats physiquement improbables. Le chargé d’études examine des dizaines de dossiers avant d’acquérir ce que l’on appelle ensuite, un peu vaguement, « l’expérience ».

Les travaux classiques sur l’acquisition de l’expertise permettent d’éclairer cette question. Dans leur article de 1993 The Role of Deliberate Practice in the Acquisition of Expert Performance, publié dans Psychological Review, K. Anders Ericsson, Ralf Krampe et Clemens Tesch-Römer ont développé la notion de pratique délibérée : l’expertise ne résulte pas simplement du temps écoulé dans un métier, mais d’activités répétées et orientées vers l’amélioration de la performance. La portée de cette thèse a depuis été discutée, notamment concernant le poids exact de la pratique dans l’explication des écarts entre experts, et la célèbre simplification des « 10 000 heures » ne correspond pas à une loi générale.

Une réplication publiée en 2019 dans Royal Society Open Science conclut d’ailleurs que la pratique explique moins les écarts de performance entre violonistes experts que ne le suggérait l’étude originale. L’idée qui reste utile ici est plus modeste : le jugement professionnel se construit largement par l’exposition répétée à des situations dans lesquelles il faut produire, comparer, recevoir un retour et corriger ses erreurs.

Le problème n’est d’ailleurs pas propre à l’intelligence artificielle. Matthew Beane l’a observé dans un tout autre contexte, celui de la chirurgie robotique. Son étude ethnographique Shadow Learning: Building Robotic Surgical Skill When Approved Means Fail, publiée dans Administrative Science Quarterly, compare notamment l’apprentissage de la chirurgie traditionnelle et celui de la chirurgie robotisée. La nouvelle technologie limite fortement la participation progressive des chirurgiens en formation aux opérations. Les internes qui parviennent néanmoins à acquérir les compétences développent des formes d’apprentissage parallèles, que Beane qualifie de shadow learning. L’intérêt de ce travail pour l’IA ne réside évidemment pas dans une équivalence entre robot chirurgical et modèle génératif, mais dans le mécanisme organisationnel mis en évidence : une technologie peut améliorer l’exécution immédiate d’une activité tout en perturbant le processus par lequel les novices apprenaient progressivement à la maîtriser.

La comparaison mérite d’être prise au sérieux dans les métiers de l’expertise. Si une équipe automatise la recherche documentaire, la première analyse, la rédaction des notes et la construction des modèles parce que ces tâches sont facilement automatisables, elle doit se demander où les professionnels débutants acquerront désormais les compétences nécessaires pour évaluer ces mêmes productions quelques années plus tard.

Il serait pourtant erroné d’en conclure que l’IA conduit nécessairement à une déqualification. L’étude de Brynjolfsson, Li et Raymond montre précisément le mécanisme inverse dans le support client : les travailleurs moins expérimentés bénéficient davantage de l’assistance et les auteurs trouvent des éléments montrant que l’IA facilite leur apprentissage. Une IA peut donc supprimer une occasion d’apprentissage lorsqu’elle effectue entièrement une tâche à la place du salarié, mais elle peut également devenir un dispositif d’apprentissage lorsqu’elle expose le professionnel à des manières de faire issues de salariés plus expérimentés.

La vraie question organisationnelle n’est donc pas de savoir s’il faut protéger les juniors de l’IA. Elle consiste à déterminer quelles formes d’interaction avec l’IA construisent de la compétence et lesquelles permettent seulement d’obtenir une bonne performance apparente sans apprentissage correspondant. Un junior qui demande systématiquement au système de produire la réponse finale et la transmet après une lecture rapide peut devenir extrêmement productif sans progresser dans les mêmes proportions. Celui qui utilise le même outil pour générer plusieurs hypothèses, les comparer, rechercher les points faibles et comprendre les corrections apportées par un expert peut au contraire accélérer certains apprentissages.

Ce problème oblige les organisations à modifier leur conception de la productivité. Une tâche réalisée manuellement par un débutant peut sembler économiquement absurde si l’IA la réalise en trente secondes. Elle peut néanmoins avoir une valeur de formation. À l’inverse, maintenir artificiellement des heures de travail répétitif au seul motif que les générations précédentes ont appris ainsi serait tout aussi discutable. Il faut donc reconstruire délibérément les parcours d’apprentissage plutôt que laisser leur disparition devenir un effet secondaire de l’automatisation.

Toutes les expertises ne seront pas affectées de la même manière

Parler du « coût de l’expertise » comme s’il s’agissait d’une catégorie homogène serait cependant trompeur. Certaines expertises sont beaucoup plus exposées que d’autres à la baisse du coût de production induite par l’IA.

• Un premier ensemble regroupe les expertises reposant principalement sur des informations publiques et sur des opérations cognitives relativement standardisables. Produire une première synthèse d’un marché, reformuler un texte, identifier des tendances dans un corpus ou comparer les caractéristiques visibles de plusieurs solutions relève de plus en plus de cette catégorie. La concurrence devrait y exercer une forte pression sur les prix, car le client peut accéder à moindre coût à des capacités qui se rapprochent de celles du prestataire.
• Un deuxième ensemble concerne les activités pour lesquelles l’information est accessible mais l’interprétation demande une expérience importante. Deux ingénieurs peuvent disposer des mêmes publications et ne pas conclure de la même façon sur la faisabilité industrielle d’un procédé. Deux analystes peuvent consulter les mêmes chiffres et n’accorder aucune importance aux mêmes anomalies. Dans ces métiers, l’IA peut réduire fortement le coût de préparation de l’analyse sans supprimer la valeur du jugement.
• Un troisième niveau correspond aux expertises reposant sur des informations rares, des données propriétaires ou une connaissance contextuelle difficile à formaliser. La compréhension de l’histoire d’un partenariat, la connaissance d’une filière industrielle, l’accès à un réseau de spécialistes, le retour d’expérience accumulé sur des centaines de projets ou la maîtrise d’une base de données unique entrent dans cette catégorie. Les travaux d’Argote et Ingram (cf. supra) permettent justement de comprendre pourquoi ces ressources résistent davantage à l’imitation : une connaissance enchâssée dans les interactions entre personnes, outils et tâches peut circuler efficacement au sein d’une organisation tout en restant difficile à reproduire à l’extérieur.
• Enfin, certaines expertises intègrent une dimension de responsabilité. Un système peut suggérer un diagnostic, une stratégie ou une interprétation juridique mais quelqu’un doit néanmoins décider que cette réponse est suffisamment robuste pour être utilisée dans une situation réelle. Cette responsabilité possède une valeur économique propre, particulièrement lorsque le coût d’une erreur est élevé. La multiplication des systèmes capables de produire des recommandations peut donc augmenter, plutôt que diminuer, la valeur de ceux qui sont en mesure de les valider et d’en assumer les conséquences.

Cette distinction permet d’éviter deux erreurs symétriques. La première consiste à penser que toute expertise restera chère parce que « l’humain sera toujours indispensable ». Certaines prestations reposent effectivement sur des opérations que l’IA rend rapidement banales et leurs prix seront probablement fortement comprimés. La seconde consiste à considérer qu’une capacité de génération très performante rend automatiquement toute expertise accessible à faible coût. Elle oublie les données, l’expérience, le contexte, la responsabilité et les mécanismes de confiance qui entourent la production d’une décision.

Le client paiera-t-il encore pour un rapport de cinquante pages ?

Cette question mérite finalement d’être prise au sens presque littéral. Dans beaucoup d’activités de conseil, la quantité de travail visible a longtemps servi de preuve indirecte de la quantité de travail réalisée. Un rapport volumineux, un benchmark détaillé ou une présentation de plusieurs dizaines de diapositives matérialisaient des jours d’analyse. Cette convention pouvait être critiquable, mais elle permettait au client de voir ce qu’il avait acheté.

L’IA fragilise fortement ce signal. Produire cinquante pages n’est plus une démonstration crédible de l’importance du travail engagé. Un graphique impeccable, une bibliographie fournie ou une matrice sophistiquée ne permettent pas davantage de conclure que l’analyse a été difficile à produire. Les métiers de l’expertise devront probablement apprendre à démontrer autrement leur valeur.

Cela pourrait avoir des effets plutôt sains. Certaines prestations étaient peut-être surdocumentées parce que le volume constituait une manière commode de matérialiser des honoraires. Si le livrable cesse d’être confondu avec l’expertise, la relation avec le client peut se recentrer davantage sur les hypothèses, les arbitrages, la qualité de la décision et les conditions de mise en œuvre. Une note de cinq pages issue d’un excellent travail peut alors valoir davantage qu’un rapport de cent pages produit à faible coût, à condition que le client dispose des moyens de reconnaître cette différence.

Le déplacement de la valeur vers le jugement ne doit cependant pas devenir un nouvel argument commercial impossible à vérifier. Tous les consultants pourront expliquer qu’ils ne vendent plus du temps mais « du discernement », de la « confiance » ou de « l’impact ». Le risque serait simplement de remplacer une métrique imparfaite par un vocabulaire plus élégant mais encore moins contrôlable. La question de la preuve restera donc centrale : quelles sources ont été utilisées, quelles hypothèses ont été testées, quelles incertitudes demeurent, quels experts ont validé l’analyse et quelles décisions précédentes attestent de la qualité de la méthode ?

C’est ici que l’économie de l’expertise rejoint la gouvernance de l’IA. Plus les organisations utiliseront des systèmes génératifs dans des décisions importantes, plus elles auront besoin de pouvoir retracer la production d’une recommandation. L’expertise ne sera peut-être plus mesurée en jours, mais elle devra devenir davantage explicable dans son processus, sous peine de n’être qu’une nouvelle forme d’affirmation d’autorité.

Pour les organisations, gagner du temps est insuffisant

La première étape de l’adoption de l’IA dans beaucoup d’organisations consiste naturellement à mesurer les gains de productivité : combien d’heures économisées sur une étude, combien de documents produits plus rapidement, combien de demandes traitées par salarié. Ces indicateurs sont légitimes et les travaux empiriques montrent qu’ils peuvent être significatifs. Ils ne suffisent cependant pas pour comprendre ce que l’IA transforme dans une activité d’expertise.

Une organisation devrait aussi examiner quelles compétences deviennent plus facilement accessibles et lesquelles deviennent, par contraste, plus rares. Elle devrait savoir si ses nouveaux outils ne font que réduire le coût de production ou s’ils permettent aussi de mieux capitaliser les connaissances accumulées. Elle devrait enfin surveiller ce que deviennent ses mécanismes d’apprentissage : les salariés progressent-ils plus rapidement grâce aux outils ou deviennent-ils progressivement moins capables d’évaluer les productions qu’ils utilisent ?

Cette analyse conduit également à une question de stratégie. Si l’usage de modèles accessibles à tous permet à l’entreprise d’améliorer sa productivité mais ne crée aucune différenciation durable, l’avantage obtenu risque d’être rapidement absorbé par la concurrence. Les travaux de Lepak, Smith et Taylor (cf. supra) sur la captation de valeur trouvent ici une application directe : ce qui compte n’est pas seulement de produire plus efficacement, mais de disposer de ressources ou de mécanismes permettant de conserver une partie du surplus.

L’enjeu stratégique n’est donc pas d’accumuler les usages de l’IA comme autant de raccourcis permettant de supprimer des heures. Il est de comprendre comment une organisation transforme un outil largement disponible en une capacité qui lui est propre. Dans le premier cas, elle réduit temporairement ses coûts dans des proportions que ses concurrents pourront vraisemblablement reproduire. Dans le second, elle peut construire une expertise collective reposant sur des actifs, une mémoire et des pratiques qui restent plus difficiles à imiter.

Ce qu’il faut retenir

• L’IA fait réellement baisser le coût de production de nombreuses opérations qui entraient jusqu’ici dans la fabrication d’une expertise. Les expériences conduites sur des tâches professionnelles montrent que ces gains peuvent être importants et que les personnes les moins expérimentées en bénéficient souvent davantage. Une partie du travail intellectuel qui justifiait hier plusieurs journées de facturation va donc devenir difficile à valoriser de la même manière.
• Cette baisse du coût de production ne signifie toutefois pas que le coût économique de toute expertise s’effondre. La production d’une réponse et la capacité à établir qu’elle est pertinente sont deux choses différentes. La frontière irrégulière mise en évidence par les travaux de Dell’Acqua et de ses collègues montre précisément pourquoi : l’IA peut améliorer fortement la performance sur certaines tâches et la détériorer sur d’autres qui leur ressemblent. À mesure que la génération devient moins coûteuse, le cadrage, l’évaluation et la responsabilité prennent davantage d’importance.
• La transformation affectera également la manière dont la valeur est répartie. Une amélioration de productivité ne dit rien, à elle seule, de la part qui reviendra au professionnel, à son entreprise ou au client. Lorsque les mêmes outils sont accessibles à tous, la concurrence peut rapidement transférer le gain vers l’acheteur sous forme de baisse des prix. Les organisations qui souhaitent conserver une partie de cette valeur devront donc construire des actifs plus difficiles à reproduire : données propres, mémoire organisationnelle, méthodes, réseau, réputation et processus de validation.
• Enfin, l’IA oblige à réfléchir au processus par lequel l’expertise elle-même se construit. Les tâches élémentaires que l’on automatise aujourd’hui ont souvent constitué les exercices grâce auxquels les professionnels d’hier ont appris leur métier. Les travaux sur le support client montrent que l’IA peut contribuer à accélérer certains apprentissages, ceux consacrés à la chirurgie robotique montrent qu’une technologie peut au contraire fragiliser des mécanismes traditionnels de transmission lorsqu’elle éloigne les novices de certaines situations de travail. Il ne s’agit donc pas de conserver artificiellement les anciennes tâches, mais de reconstruire des parcours permettant d’acquérir le jugement que l’organisation continuera d’attendre de ses experts.

La question pertinente n’est finalement pas de savoir combien d’heures l’intelligence artificielle permettra d’économiser. Pour une entreprise, un cabinet de conseil, un bureau d’études ou une organisation de recherche, elle consiste plutôt à déterminer quelles composantes de son expertise deviennent abondantes, lesquelles deviennent plus rares et comment elle entend désormais construire, reconnaître et rémunérer ces dernières. C’est probablement à cet endroit que se jouera une bonne partie de la valeur des métiers experts à l’ère de l’IA.

Références

Ressources

• La différence entre « Création de valeur » et « Capture de valeur » selon la London School of Economics, en 4 min (Understanding Value Creation and Value Capture)

• l’article du Washington Journal of Law sur la nécessité pour les avocats et les entreprises du droit doivent revoir leur facturation à l’heure

• les Cahiers de l’observatoire du Conseil National des Barreaux, numéro consacré à l’IA