Un métier peut changer entièrement sans changer de nom. Les tâches se redistribuent, les outils se substituent aux gestes, les compétences se déplacent — et l’intitulé sur la fiche de poste reste identique. Ce guide démonte les mécanismes de cette transformation, distingue ce qui est mesuré de ce qui est supposé, et propose une méthode pour lire l’évolution de son propre travail.
Une chargée d’études rédige la première version d’une note avec l’aide d’un outil qu’elle relit intégralement, parce qu’elle sait que le texte peut être faux là où il paraît le plus assuré. Elle enchaîne sur une réunion avec trois collègues situés dans trois pays. En fin de matinée, un logiciel lui propose une liste de dossiers classés par priorité selon des critères qu’elle n’a pas définis. L’après-midi, elle travaille depuis chez elle, et consacre une heure à apprendre un outil qui n’existait pas lorsqu’elle a été recrutée.
Sur son contrat, l’intitulé n’a pas bougé. Dans les statistiques de l’emploi, son poste est le même qu’il y a cinq ans. Pourtant, presque aucune de ses journées ne ressemble à celles d’alors : ni les gestes, ni les outils, ni la répartition entre ce qu’elle produit elle-même et ce qu’elle vérifie.
C’est là que se situe la question difficile. Quand les tâches changent une à une, à partir de quel moment le métier lui-même a-t-il changé ? Et comment savoir si ce qui se joue relève d’un ajustement d’outillage, comme le secteur en a connu beaucoup, ou d’une transformation plus profonde de la manière dont le travail se répartit entre des personnes et des systèmes ?
Le débat public répond souvent par des listes de métiers condamnés et des pourcentages spectaculaires. Ce guide procède autrement : il sépare ce qui est aujourd’hui mesuré de ce qui est extrapolé, explique les mécanismes qui relient une technologie à un emploi, et donne de quoi analyser un métier — le sien, en particulier — plutôt que d’attendre un verdict.
Qu’entend-on réellement par « futur du travail » ?
L’expression est devenue une catégorie fourre-tout, où se croisent l’intelligence artificielle, le télétravail, la quête de sens et la semaine de quatre jours. Elle désigne en réalité quelque chose de plus précis : la manière dont un ensemble de forces redistribue progressivement les tâches entre les personnes et les machines, et transforme l’organisation du travail qui en résulte.
Emploi, métier, poste et tâche : ne pas tout confondre
Quatre mots, quatre niveaux, et une confusion permanente qui explique une grande partie des malentendus.
Une tâche est une opération particulière réalisée dans le cadre du travail : relire un contrat, saisir des données, accueillir un patient, souder une pièce, animer une réunion. C’est l’unité la plus fine, et celle sur laquelle les technologies agissent réellement.
Un métier est un ensemble de compétences, de responsabilités et de tâches associées à une activité professionnelle. Un même métier peut réunir des tâches très hétérogènes : répétitives et cognitives, physiques et relationnelles, exécution et décision.
Un poste est une fonction particulière occupée dans une organisation donnée. Deux personnes exerçant le même métier peuvent occuper des postes dont le contenu quotidien diffère largement.
L’emploi, enfin, relève surtout du vocabulaire statistique et économique, et sa définition varie selon les cadres de mesure. Ces distinctions sont pédagogiques et n’ont pas de valeur juridique universelle.
Toute l’analyse tient dans une phrase : un métier n’est pas une tâche unique. Une technologie qui prend en charge une opération ne supprime pas mécaniquement l’ensemble dont cette opération faisait partie. Elle en modifie la composition — ce qui peut vouloir dire beaucoup, ou presque rien, selon la place que cette tâche occupait.
Pourquoi le futur du travail ne se résume pas à la technologie
Réduire la question à l’intelligence artificielle revient à observer une seule variable dans une équation qui en compte huit. Les technologies pèsent, mais elles ne décident ni du niveau de la demande, ni de la démographie, ni de ce que les organisations choisissent d’adopter, ni de ce que les législateurs autorisent.
Une même technologie déployée dans deux pays, deux secteurs ou deux entreprises produit des effets différents, parce qu’elle rencontre des marchés du travail, des règles, des cultures d’organisation et des rapports de force distincts. C’est ce qui rend les prédictions globales si fragiles.
Quelles forces transforment aujourd’hui le travail ?
Huit forces agissent simultanément, et leurs effets s’additionnent ou s’annulent selon les contextes.
La technologie — intelligence artificielle, automatisation, outils numériques, plateformes — modifie ce qui peut être fait, à quel coût et par qui. La démographie agit tout aussi profondément : vieillissement des populations actives, renouvellement des générations, dynamiques migratoires, qui ne se répartissent pas également selon les régions. L’économie pèse par la croissance, les crises, les restructurations, le commerce et l’investissement.
Les compétences disponibles conditionnent ce qu’une économie peut effectivement produire, et leur renouvellement dépend de systèmes de formation dont l’inertie se mesure en années. L’organisation du travail — équipes distribuées, hybridation, méthodes de management — détermine comment les outils sont réellement employés. La transition environnementale transforme certains secteurs et déplace des emplois. La réglementation fixe ce qui est permis, encadré ou interdit. Les attentes sociales, enfin, portent sur l’autonomie, le temps, l’équilibre et le sens.
L’exemple le plus net de cette pluralité vient des marchés du travail eux-mêmes. Dans son actualisation de mai 2025, l’Organisation internationale du Travail a revu à la baisse sa prévision de croissance de l’emploi mondial pour l’année, ramenée de 1,7 % à 1,5 %, soit 53 millions d’emplois créés au lieu des 60 millions estimés précédemment. Le motif avancé ne tient pas à l’intelligence artificielle mais aux tensions géopolitiques et aux perturbations commerciales, dans un contexte de perspectives économiques affaiblies.
Cette révision n’est pas une prévision à retenir en soi — elle sera dépassée par d’autres. Elle illustre une chose : l’emploi mondial se déplace de plusieurs millions de postes sous l’effet de facteurs économiques, indépendamment de toute rupture technologique.
L’intelligence artificielle va-t-elle remplacer les emplois ?
C’est la question que tout le monde pose, et celle à laquelle aucune étude sérieuse ne répond par un chiffre. Voici ce que l’on sait, et surtout comment le lire.
Exposition ne signifie pas disparition
Le travail de référence le plus utile est l’indice mondial d’exposition professionnelle à l’IA générative publié le 20 mai 2025 par l’Organisation internationale du Travail et l’institut polonais NASK. Ses résultats sont souvent cités de travers.
L’étude estime qu’à l’échelle mondiale, un travailleur sur quatre exerce une profession présentant un certain degré d’exposition à l’IA générative, et que 3,3 % de l’emploi mondial relève de la catégorie d’exposition la plus élevée. L’exposition varie fortement selon le niveau de revenu des pays : environ 11 % de l’emploi total dans les pays à faible revenu, contre 34 % dans les pays à revenu élevé. Elle est également plus marquée pour l’emploi féminin — 4,7 % contre 2,4 % pour l’emploi masculin dans la catégorie la plus exposée, avec un écart qui se creuse dans les pays à revenu élevé.
Ces chiffres mesurent une exposition, c’est-à-dire la part des tâches d’une profession susceptibles d’être affectées par la technologie. Ils ne mesurent ni une automatisation effective, ni des suppressions d’emplois. Écrire que l’OIT prévoirait la disparition d’un quart des emplois mondiaux serait un contresens complet.
La chaîne à garder en tête comporte trois maillons distincts. Une tâche peut être exposée à une technologie. Une tâche exposée peut être automatisée, ou ne pas l’être. Et l’automatisation de certaines tâches conduit rarement à la suppression du métier qui les contenait. Chaque passage d’un maillon au suivant dépend de conditions qui n’ont rien d’automatique.
La conclusion des auteurs va d’ailleurs dans ce sens : la plupart des professions étant composées de tâches qui requièrent encore une intervention humaine, la transformation des emplois apparaît comme l’effet le plus probable de l’IA générative, plutôt qu’un remplacement massif.
Automatisation, augmentation, transformation
Trois mécanismes, souvent confondus, décrivent ce qui arrive concrètement à un métier.
L’automatisation signifie qu’une technologie réalise une tâche auparavant effectuée par une personne. L’augmentation signifie qu’elle assiste la personne dans la réalisation de cette tâche, sans la remplacer. La transformation décrit un effet plus large : la répartition des tâches, les méthodes de travail ou les compétences requises évoluent.
Prenons une juriste d’entreprise chargée de contrôler des contrats. Un outil qui repère automatiquement les clauses non conformes à une liste prédéfinie automatise une tâche de détection. Un outil qui lui propose une synthèse des risques, qu’elle valide et corrige, augmente son travail d’analyse. Mais si l’organisation, constatant que le contrôle devient plus rapide, décide de traiter davantage de contrats avec le même effectif et confie à la juriste un rôle accru de conseil auprès des équipes commerciales, alors son métier a été transformé — sans qu’aucun poste n’ait été supprimé, et sans que l’intitulé ait changé.
Ces trois mécanismes coexistent le plus souvent dans un même métier, parfois dans une même journée. Les traiter comme des catégories étanches empêche de comprendre ce qui se passe réellement.
Analyser les tâches plutôt que les titres
D’où découle la règle méthodologique la plus utile de ce guide : les titres de métiers sont de mauvais prédicteurs.
Deux personnes portant le même intitulé peuvent avoir des expositions très différentes, parce que la composition réelle de leur travail diffère. À l’inverse, deux métiers sans rapport apparent peuvent partager des tâches similaires — rédaction structurée, extraction d’informations, mise en forme de données — et connaître des évolutions comparables.
L’exercice utile consiste donc à décomposer : lister ce que l’on fait réellement dans une semaine, estimer le poids de chaque tâche, et se demander laquelle pourrait être assistée, laquelle pourrait être automatisée, laquelle réclame un jugement, une responsabilité ou une présence que l’organisation ne déléguera pas.
Quels métiers sont les plus exposés à l’IA ?
Le mot juste est exposé, pas menacé. L’exposition décrit une caractéristique des tâches, pas un pronostic sur l’emploi.
L’étude OIT–NASK relève que les professions administratives et de bureau demeurent les plus exposées, et que l’exposition a également progressé dans certaines professions qualifiées et techniques fortement numérisées. La raison tient à la nature des tâches concernées plutôt qu’au prestige ou à la qualification.
Sont plus exposées les tâches qui s’exécutent entièrement sur un ordinateur, portent sur du texte ou des informations structurées, consistent à produire, reformuler, classer, résumer ou extraire du contenu, et suivent des règles suffisamment stables pour être décrites. Le sont moins celles qui supposent une intervention physique dans un environnement variable, une interaction sociale située, une responsabilité engageant une personne identifiable, une coordination entre acteurs aux intérêts divergents, ou un jugement contextuel s’exerçant sur des informations incomplètes.
Une précision s’impose, et elle est importante : dire que ces dernières tâches sont aujourd’hui moins exposées ne revient pas à affirmer qu’elles seraient impossibles à automatiser. Personne ne peut le démontrer pour un futur indéfini. Ce que l’on peut dire, c’est que l’état actuel des systèmes, le coût de leur déploiement et le niveau de fiabilité exigé rendent leur substitution nettement moins probable à court terme.
Pourquoi le potentiel technologique ne prédit-il pas l’emploi ?
C’est le maillon que la plupart des prédictions oublient. Qu’une technologie puisse techniquement accomplir une tâche ne signifie pas qu’une organisation l’adoptera pour la faire.
Entre la démonstration et l’usage réel s’intercalent des conditions bien concrètes : le coût de l’outil et de son intégration au système d’information existant ; la fiabilité exigée, très variable selon qu’une erreur produit une gêne ou un dommage ; la disponibilité de données exploitables ; les compétences nécessaires pour l’employer correctement ; la question de la responsabilité en cas d’erreur ; le cadre réglementaire applicable ; la capacité de l’organisation à modifier ses processus ; et l’acceptabilité par celles et ceux qui devront travailler avec.
Cette liste n’est pas un catalogue d’obstacles à franchir : c’est la description ordinaire de la manière dont une innovation entre — ou n’entre pas — dans une organisation. L’histoire des technologies de bureau en offre une longue série d’illustrations, où l’écart entre le possible et l’adopté s’est compté en décennies.
La conséquence pratique est directe. Extrapoler l’avenir de l’emploi à partir des performances d’un modèle revient à sauter plusieurs étapes de raisonnement — et c’est précisément ce que font la plupart des prédictions qui circulent.
Quelles compétences compteront davantage ?
Les listes de « compétences indispensables » vieillissent mal, parce qu’elles nomment des outils plutôt que des capacités. Quatre registres méritent d’être distingués.
Compétences techniques
Elles concernent la maîtrise des outils numériques, des données et, selon les métiers, de systèmes d’IA. Leur particularité est de se démoder vite : un outil appris cette année sera remplacé. Ce qui résiste, c’est la compréhension des principes — ce qu’un système fait réellement, sur quoi il s’appuie, où il échoue — plutôt que la maîtrise d’une interface.
Expertise métier
C’est probablement le registre le plus sous-estimé. Utiliser un outil génératif sans connaissance approfondie du domaine ne garantit rien : le résultat paraîtra correct sans que l’utilisateur puisse en juger.
L’expertise permet précisément ce que l’outil ne fait pas : vérifier, contextualiser, repérer ce qui manque, savoir quelle question poser et reconnaître une réponse plausible mais fausse. Cette valeur de vérification tend à croître à mesure que produire un texte crédible devient facile. Ce n’est pas une loi économique — c’est une tendance observable, dont l’ampleur reste à mesurer.
Capacités cognitives et sociales
L’analyse, la résolution de problèmes mal posés, le jugement et la capacité à vérifier prennent de l’importance dans des environnements où l’information abonde et où sa fiabilité varie. S’y ajoutent la communication, la coordination, la négociation et la collaboration — non parce qu’elles seraient « inautomatisables », formule qu’aucune donnée ne soutient, mais parce qu’elles structurent des situations où plusieurs personnes doivent s’accorder sur une décision dont quelqu’un devra répondre.
Apprendre à apprendre
C’est la compétence la plus déterminante à long terme, et la moins enseignée. Lorsque les outils et les méthodes changent plusieurs fois au cours d’une carrière, la capacité à actualiser ses compétences pèse davantage que le contenu acquis à un moment donné. Elle dépend aussi de conditions matérielles : temps disponible, accès à la formation, soutien de l’employeur. Elle n’est pas seulement une affaire de volonté individuelle.
Formation continue : upskilling ou reskilling ?
Deux termes souvent employés indifféremment recouvrent deux trajectoires distinctes.
L’upskilling consiste à développer ou approfondir les compétences nécessaires dans son activité ou son domaine actuel : monter en niveau, absorber de nouveaux outils, élargir son champ. Le reskilling consiste à acquérir de nouvelles compétences permettant potentiellement de passer vers d’autres fonctions ou d’autres activités. Le premier prolonge une trajectoire, le second en change.
Une mise en garde s’impose, contre un discours répandu. Se former ne garantit pas un emploi. Une reconversion réussie dépend de la demande réelle sur le marché visé, de l’expérience valorisable que l’on peut faire reconnaître, de la localisation, des qualifications exigées à l’entrée, du contexte économique du secteur d’arrivée et de contraintes personnelles — âge, charges familiales, mobilité, ressources disponibles pendant la transition.
Présenter la formation comme la réponse individuelle à une transformation collective revient à déplacer sur les personnes une responsabilité qui relève aussi des entreprises et des politiques publiques.
Où travaillerons-nous ?
La question a été mal posée pendant plusieurs années, sous la forme d’un affrontement entre le bureau et le domicile. Elle devient plus productive lorsqu’on la reformule : quelles activités ont réellement besoin d’être synchronisées dans un même lieu ?
Bureau, distance et travail hybride
Le travail hybride désigne des organisations combinant présence sur site et travail à distance, selon des rythmes variables. Ce n’est pas un modèle unique mais une famille de configurations, dont l’efficacité dépend du métier, de l’équipe, du secteur, de la culture d’entreprise et de la qualité de l’infrastructure numérique.
Les travaux de l’Organisation internationale du Travail consacrés au temps de travail et à l’équilibre entre vie professionnelle et vie personnelle situent ces arrangements dans un cadre plus large : celui de l’organisation du temps, dont la flexibilité peut bénéficier aux travailleurs comme se retourner contre eux selon la manière dont elle est encadrée.
Le bureau comme espace de coordination
Certaines activités gagnent nettement à la coprésence : négocier, arbitrer un désaccord, intégrer une nouvelle recrue, transmettre un savoir-faire, résoudre collectivement un problème mal défini. S’y ajoute l’apprentissage informel — ce qu’on saisit en écoutant un collègue expérimenté au téléphone —, difficile à reproduire à distance et particulièrement précieux en début de carrière.
D’autres activités gagnent à l’inverse à la solitude : la concentration prolongée, la rédaction, l’analyse. Un bureau bruyant et ouvert peut les dégrader plus sûrement qu’un logement mal équipé.
Les limites du travail à distance
La distance rend certains mécanismes plus coûteux : la coordination doit être explicitée, l’information cesse de circuler par proximité, les signaux faibles se perdent, l’intégration des nouveaux arrivants demande un effort délibéré. Elle expose aussi à des risques propres — porosité entre travail et vie personnelle, isolement, surveillance accrue lorsque la confiance est remplacée par la mesure.
Aucun modèle ne s’impose universellement, et prétendre le contraire dans un sens ou dans l’autre revient à généraliser une expérience particulière.
Le temps de travail va-t-il changer ?
La question du temps est indissociable de celle du lieu, et souvent plus déterminante pour les personnes concernées.
La semaine de quatre jours est régulièrement citée comme figure de proue de cette évolution. Des expérimentations existent dans plusieurs pays et plusieurs secteurs, avec des protocoles hétérogènes, et il serait imprudent d’en tirer une conclusion générale. Ce qu’un lecteur doit savoir tient surtout aux variables qui rendent ces expériences difficilement comparables : le secteur d’activité, la réduction réelle du temps de travail — passer à quatre jours ne signifie pas nécessairement travailler moins d’heures —, l’organisation mise en place, l’intensification éventuelle du travail sur les jours restants, le maintien ou non de la rémunération, la nature des tâches concernées et la robustesse du protocole d’évaluation.
Affirmer que cette organisation augmenterait la productivité serait une généralisation que l’état des connaissances ne soutient pas. Le sujet mérite un traitement propre, appuyé sur les études disponibles plutôt que sur les communiqués des entreprises qui les ont menées.
Comment le management évolue-t-il ?
C’est le domaine où les transformations sont les plus concrètes, et les moins commentées.
Manager des équipes hybrides
Piloter une équipe dispersée déplace le management de la supervision vers la clarification : définir des objectifs explicites, rendre l’information accessible, organiser délibérément ce qui se produisait spontanément par proximité. La tentation inverse — compenser la distance par la mesure — produit généralement de la défiance plutôt que de la performance.
Management algorithmique
L’OCDE définit le management algorithmique comme l’utilisation de logiciels, pouvant inclure l’intelligence artificielle, afin d’automatiser entièrement ou partiellement des tâches traditionnellement effectuées par des managers humains. Concrètement, ces systèmes peuvent intervenir dans l’affectation des tâches, la transmission d’instructions, le suivi de l’activité, l’évaluation et certaines décisions organisationnelles.
Ce n’est pas une perspective : c’est un état de fait documenté. Dans ses travaux publiés en 2025, l’OCDE relève que ces outils sont déjà couramment utilisés dans la plupart des pays étudiés — une enquête portant sur plus de 6 000 entreprises en France, en Allemagne, en Italie, au Japon, en Espagne et aux États-Unis. Les managers interrogés estiment fréquemment que ces outils améliorent la qualité de leurs décisions et leur propre satisfaction au travail. Ils expriment simultanément des préoccupations : responsabilité mal établie en cas de décision contestable, difficulté à suivre la logique des outils, protection insuffisante de la santé des travailleurs.
Jusqu’où déléguer une décision à un système ?
C’est la question que ces constats posent, et elle est moins technique qu’organisationnelle. Une recommandation produite par un système n’engage personne ; une décision engage quelqu’un. Entre les deux, la frontière se déplace silencieusement lorsque la recommandation est suivie par défaut, faute de temps ou de moyen de la contester.
Trois questions permettent de la tenir : qui peut examiner la logique d’une décision assistée par un système ? Qui en répond devant la personne concernée ? Et par quel moyen concret celle-ci peut-elle la contester ? L’OCDE note d’ailleurs que la consultation des salariés apparaît comme un levier pour réduire les risques associés à ces outils et améliorer leur acceptation.
Le travail devient-il plus surveillé ?
La réponse dépend de ce que l’on appelle surveillance, et la nuance a de l’importance.
Mesurer une production, suivre l’avancement d’un projet ou évaluer un travail ne relève pas en soi de la surveillance : ce sont des fonctions anciennes de l’encadrement. Ce qui change tient à trois évolutions distinctes — la granularité des données collectées, leur caractère continu et automatique, et le fait que leur traitement puisse alimenter directement une décision affectant une personne.
Un système qui enregistre les temps de connexion, la fréquence des frappes, la localisation, le contenu des échanges ou le rythme d’exécution produit une matière dont les usages possibles vont bien au-delà de la mesure initiale. Les questions deviennent alors celles de la transparence — les personnes savent-elles ce qui est collecté ? —, de la proportionnalité, de la conservation des données et de la responsabilité en cas d’erreur.
Ces pratiques ne sont pas généralisées, et il serait inexact de décrire toutes les entreprises comme des environnements de surveillance continue. Elles existent néanmoins, et leur encadrement est devenu un sujet réglementaire.
Le règlement européen sur l’intelligence artificielle en offre l’illustration la plus structurée : certains systèmes d’IA utilisés dans le domaine de l’emploi et de la gestion des travailleurs y sont considérés comme présentant un risque élevé, avec des obligations renforcées. Sont notamment visés des usages liés au recrutement et à la sélection, à des décisions affectant la relation de travail, à l’affectation de tâches fondée sur certains comportements ou caractéristiques, ainsi qu’au suivi et à l’évaluation des personnes. Les obligations précises et leur calendrier d’application relèvent des dispositions normatives du règlement, qu’il convient de consulter directement pour toute question opérationnelle — ce guide ne délivre aucun conseil juridique.
L’enseignement éditorial dépasse le cas européen : le futur du travail ne dépend pas seulement de ce que la technologie peut faire, mais de ce que les sociétés décident d’autoriser, d’encadrer ou d’interdire.
L’intelligence artificielle peut-elle réellement améliorer la productivité ?
Voici sans doute le point où les raccourcis sont les plus fréquents et les plus coûteux.
Il existe une différence de nature entre six niveaux : la performance d’un modèle sur un test standardisé, sa performance sur une tâche professionnelle réelle, la performance d’un travailleur qui l’utilise, celle de son équipe, la productivité de l’entreprise, et enfin la productivité d’une économie. Un gain constaté à un niveau ne se propage pas automatiquement au suivant.
Pourquoi ? Parce qu’une organisation n’est pas la somme des tâches individuelles qui s’y accomplissent. S’y ajoutent la coordination entre personnes, les temps de validation, les processus existants, les dépendances entre équipes, l’apprentissage nécessaire, les erreurs à rattraper, l’intégration technique, le coût des outils et la persistance de systèmes anciens. Une tâche accélérée de moitié peut se retrouver en attente d’une validation qui prend trois jours — le gain individuel est réel, l’effet global nul.
Il faut ajouter un phénomène spécifique aux outils génératifs : le temps de vérification. Lorsqu’un résultat doit être contrôlé parce qu’il peut être faux tout en paraissant convaincant, une partie du temps économisé à la production est réinvestie dans le contrôle. Le bilan net dépend alors du rapport entre les deux, qui varie selon la tâche et le niveau d’exigence.
Cela ne signifie pas qu’aucun gain n’existe. Cela signifie qu’un chiffre de gain de productivité n’a de sens qu’accompagné de sa population, de sa tâche, de sa méthodologie et de son contexte — et que les pourcentages qui circulent sans ces précisions ne devraient pas être repris.
Quels nouveaux risques apparaissent ?
Plusieurs risques accompagnent ces transformations. Aucun n’est certain ; tous méritent d’être suivis, et distingués des effets déjà démontrés.
La polarisation du marché du travail — croissance des emplois très qualifiés et de ceux qui exigent une présence physique, érosion des emplois intermédiaires — est un phénomène étudié de longue date, dont l’ampleur varie selon les pays. Les inégalités d’accès aux compétences peuvent s’aggraver si la formation profite surtout à ceux qui en ont déjà bénéficié, ce que les données sur l’accès à la formation continue rendent plausible.
L’intensification du travail constitue un risque classique des gains de productivité : le temps libéré peut être redistribué en autonomie, ou absorbé par une charge supplémentaire. Rien ne détermine à l’avance lequel des deux se produit — c’est une décision d’organisation.
Viennent ensuite la dépendance à des outils dont on ne maîtrise ni le fonctionnement ni la disponibilité ; la propagation d’erreurs automatisées, plus difficiles à détecter parce qu’elles sont produites à grande échelle et présentées avec assurance ; les biais reproduits par des systèmes entraînés sur des données historiques ; l’érosion possible de certaines compétences peu pratiquées ; et l’asymétrie de pouvoir entre des organisations qui disposent des données et des personnes qui en font l’objet.
Deux mots méritent d’être répétés : ces phénomènes sont des risques potentiels, pas des destins. Leur réalisation dépend de choix organisationnels, réglementaires et sociaux qui ne sont pas encore faits partout.
À quoi pourrait ressembler le travail de demain ?
Cette section relève de l’analyse prospective. Elle se lit à trois niveaux de certitude décroissante, et la distinction entre ces niveaux est plus importante que leur contenu.
Tendances observées
Sont documentées aujourd’hui : la diffusion d’outils d’IA générative dans les métiers de bureau ; la présence effective d’outils de management algorithmique dans une majorité des pays étudiés par l’OCDE ; l’installation durable de configurations de travail hybride dans les activités qui s’y prêtent ; l’apparition d’un cadre réglementaire spécifique aux usages de l’IA dans l’emploi ; et une exposition professionnelle à l’IA générative très inégalement répartie selon les pays, les professions et le genre.
Évolutions plausibles
Prolongements raisonnables de ces tendances, avec une incertitude réelle : une part croissante du travail qualifié consacrée à la vérification, à l’arbitrage et à la coordination plutôt qu’à la production directe ; une valorisation accrue de l’expertise permettant de juger un résultat produit par un système ; une redistribution des tâches à l’intérieur des métiers plus visible que des disparitions d’intitulés ; une pression accrue sur les dispositifs de formation continue ; et une extension du débat réglementaire aux questions de surveillance et de décision automatisée.
Aucune de ces évolutions n’est garantie. Toutes dépendent de l’adoption réelle, des arbitrages économiques et du cadre juridique.
Scénarios plus incertains
Restent des hypothèses qui dépendent de ruptures — technologiques, économiques, sociales ou réglementaires — dont la survenue et le calendrier sont inconnus : des systèmes capables d’enchaîner de façon autonome des séquences de tâches professionnelles complexes ; des transformations rapides de secteurs entiers plutôt que des ajustements progressifs ; des réorganisations profondes du temps de travail ; ou, à l’inverse, un ralentissement de l’adoption sous l’effet de coûts, de défaillances ou de résistances sociales.
Ces scénarios ne sont ni à écarter ni à présenter comme probables. Ils délimitent l’espace de ce que nous ne savons pas.
Comment se préparer au futur du travail ?
Se préparer ne consiste pas à deviner, mais à se donner des moyens d’observer et de décider.
Pour un professionnel, le point de départ est la décomposition de son propre travail : quelles tâches, dans quelles proportions, avec quelle marge de jugement. Vient ensuite l’identification des outils qui affectent réellement son domaine — pas ceux dont on parle, ceux que ses pairs utilisent. Puis le renforcement de ce qui permet de juger un résultat plutôt que de le produire : expertise, capacité de vérification, connaissance des limites des systèmes. Expérimenter est utile, à condition de le faire sur des cas où une erreur reste rattrapable.
Pour un manager, la première distinction à tenir est celle entre automatisation et augmentation : elles n’appellent ni la même organisation, ni les mêmes compétences, ni la même répartition des responsabilités. Vient ensuite un principe simple et rarement respecté : penser l’organisation avant l’outil. Définir qui répond de quoi lorsqu’un système intervient dans une décision, accompagner la montée en compétences plutôt que de la supposer acquise, et mesurer les effets réels plutôt que les effets annoncés.
Pour une organisation, l’enjeu est de traiter ces sujets comme des questions de gouvernance : évaluer des cas d’usage précis plutôt qu’une technologie en général, mesurer les résultats obtenus, définir ce qui reste sous responsabilité humaine, protéger les données et les personnes, consulter celles et ceux qui travailleront avec ces systèmes. Ce dernier point n’est pas une concession : c’est ce que les travaux de l’OCDE identifient comme un facteur d’acceptation et de réduction des risques.
Ce qu’il faut retenir
Le futur du travail ne consiste pas à deviner quels métiers disparaîtront. Il consiste à comprendre comment des technologies, une économie, des organisations, des compétences, une démographie et des règles redistribuent progressivement les tâches entre les personnes et les machines.
Cette redistribution obéit à des mécanismes qu’on peut nommer. Une tâche peut être exposée sans être automatisée. Une tâche peut être automatisée sans que le métier disparaisse. Une capacité technique ne devient un usage qu’après avoir franchi des conditions de coût, de fiabilité, de compétence, de responsabilité et de réglementation. Et un gain mesuré sur une tâche ne devient pas mécaniquement un gain de productivité pour une entreprise.
Ce qui est déjà mesuré est plus modeste et plus intéressant que les prédictions : une exposition professionnelle réelle mais très inégalement répartie, des outils de management algorithmique déjà installés dans de nombreuses entreprises, des marchés du travail qui bougent d’abord sous l’effet de l’économie, et un cadre réglementaire qui commence à se saisir des usages les plus sensibles.
Reste l’exercice le plus utile, et il est individuel. Quelles tâches composent réellement mon travail ? Lesquelles peuvent être assistées, lesquelles automatisées, lesquelles pourraient apparaître ? Quelles compétences deviennent plus déterminantes dans mon domaine ? Comment mon organisation pourrait-elle évoluer, et qui y décide de l’usage de ces outils ? Quelles responsabilités doivent rester humaines ? Et quels risques nouveaux faut-il surveiller ?
Personne ne sait à quoi ressemblera le travail dans quinze ans. Mais savoir décomposer ce que l’on fait, distinguer une tendance d’une prédiction et reconnaître ce qui reste incertain constitue une préparation nettement plus solide que n’importe quelle liste de métiers d’avenir.
Questions fréquentes
Faut-il apprendre à utiliser l’IA pour rester employable ?
La question mérite d’être reformulée. Savoir manipuler un outil particulier a une valeur limitée dans le temps, puisque les interfaces changent. Ce qui compte davantage, c’est de comprendre ce que ce type de système fait et ne fait pas, de savoir évaluer un résultat dans son propre domaine, et de conserver l’expertise qui permet de repérer une erreur. Dans certains métiers, ne pas utiliser ces outils deviendra un handicap pratique ; dans d’autres, l’effet sera marginal. Décomposer son travail reste le meilleur moyen de savoir dans quel cas on se trouve.
Comment savoir si mon métier est réellement concerné ?
En observant les tâches, pas l’intitulé. Notez ce que vous faites réellement pendant une semaine, estimez le poids de chaque activité, puis distinguez celles qui s’exécutent entièrement sur un écran et portent sur du texte ou des données structurées de celles qui supposent une présence physique, une relation, une responsabilité ou un jugement sur des informations incomplètes. Regardez ensuite ce que font vos pairs et ce que votre organisation adopte réellement : l’écart entre ce qui est techniquement possible et ce qui est effectivement déployé est souvent considérable.
Les emplois détruits seront-ils compensés par de nouveaux emplois ?
Historiquement, les transformations technologiques ont détruit et créé des emplois, sans que le solde soit garanti à l’avance ni réparti équitablement. Le point important est moins le solde global que la temporalité et la géographie : les emplois supprimés et les emplois créés ne concernent pas nécessairement les mêmes personnes, les mêmes qualifications, ni les mêmes territoires, et le décalage peut durer des années. C’est cette question de transition, plus que celle du total, qui détermine ce que vivent réellement les personnes concernées.
Sources
Organisation internationale du Travail — Working Time and Work-Life Balance Around the World
OCDE — Algorithmic Management in the Workplace, 2025
OCDE — How widespread is algorithmic management in workplaces?, 2025
