flowchart TD
A[Comprendre le problème] --> B[Produire ou déléguer]
B --> C[Contester]
C --> D[Contextualiser]
D --> E[Superviser]
E --> F[Assumer]
F --> G{Automatiser est-il encore pertinent ?}
G -->|Oui| H[Usage maîtrisé]
G -->|Non| I[Limiter ou refuser]
I --> A
H --> A
Chapitre 4 : Travail et compétences : préserver la capacité d’agir
Automatisation des tâches, intensification du travail et arbitrage humain
Lorsque l’IA rend certaines productions plus rapides et plus faciles, quelles compétences devons-nous préserver pour rester capables de comprendre, juger, contextualiser, superviser et répondre de notre travail ?
Mots-clés
Frontière technologique dentelée Approche par les tâches Travail invisible Supervision Intensification du travail Taylorisme numérique Deskilling Difficulté désirable Système 0 Vigilance épistémique Preuve d’appropriation Agence humaine Capacité d’agir Droit au refus
Ce chapitre clôt le Volume 2 en vous aidant à :
- Passer de la question des infrastructures à celle du travail réel qu’elles reconfigurent ;
- Distinguer l’automatisation d’une tâche de la transformation d’un métier ;
- Comprendre pourquoi le passage du producteur au superviseur ne supprime pas nécessairement le travail, mais peut en déplacer une partie vers la vérification, la coordination et la responsabilité ;
- Examiner la promesse d’efficience à partir du travail total réellement produit, y compris le travail invisible ;
- Repérer les situations où l’assistance peut fragiliser des routines intellectuelles et l’autonomie professionnelle ;
- Déplacer la preuve de compétence du seul livrable vers la compréhension, la justification, la contextualisation et l’appropriation ;
- Identifier les compétences stratégiques permettant de rester auteur de son activité ;
- Reconnaître que l’usage compétent de l’IA inclut aussi la capacité collective à limiter, différer ou refuser l’automatisation.
Repères essentiels
Notions essentielles du chapitre
| Notion | Définition courte | Question associée |
|---|---|---|
Approche par les tâches |
Analyse du travail à l’échelle des tâches plutôt que des métiers considérés comme des blocs homogènes. | Quelles tâches sont réellement transformées ? |
Frontière technologique dentelée |
Frontière irrégulière entre tâches sur lesquelles l’IA est performante et tâches proches où elle peut échouer. | Où la performance de l’IA devient-elle trompeuse ? |
Travail invisible |
Activités nécessaires mais peu visibles : préparation, vérification, correction, coordination, documentation. | Quel travail est ajouté autour de la génération ? |
Intensification du travail |
Augmentation du volume, du rythme ou de la charge de supervision malgré des gains locaux de productivité. | Le temps gagné est-il réellement libéré ? |
Deskilling |
Érosion progressive de compétences ou de routines lorsqu’elles sont durablement externalisées. | Que saurons-nous encore faire sans l’outil ? |
Preuve d’appropriation |
Trace montrant que la personne comprend, justifie, critique et assume ce qui a été produit. | Qu’est-ce qui prouve encore la compétence ? |
Agence humaine |
Capacité à orienter l’activité, décider, contester et répondre de ses choix. | Qui garde l’initiative et la responsabilité ? |
Droit au refus |
Possibilité située et collectivement soutenue de ne pas automatiser une activité lorsque l’automatisation fragilise une finalité importante. | Qu’est-ce qui doit rester hors automatisation ? |
Introduction
Les trois premiers chapitres du Volume 2 ont progressivement élargi la focale.
Le chapitre 2.1 a demandé : qu’est-ce que l’usage expose ?
Le chapitre 2.2 a demandé : dans quel environnement cet usage peut-il être réalisé et sous quelles garanties ?
Le chapitre 2.3 a ajouté le temps : que devient notre capacité de choix lorsqu’un outil se transforme en infrastructure et crée des dépendances ?
Il reste maintenant à examiner ce que ces transformations font au travail lui-même.
La question est souvent formulée en termes de remplacement : quels métiers l’IA va-t-elle supprimer ? Les documents d’ancrage de ce chapitre invitent à déplacer ce cadrage. Un métier est composé de tâches hétérogènes. Certaines peuvent être accélérées, automatisées ou partiellement déléguées ; d’autres se déplacent vers la supervision, l’interprétation, la relation ou la responsabilité.
Avec l’IA générative, ce déplacement est particulièrement visible parce que les productions concernées touchent directement au travail intellectuel : rédiger, résumer, coder, comparer, expliquer, explorer une bibliographie ou produire un premier diagnostic.
Lorsque ces productions deviennent moins coûteuses, la valeur ne disparaît pas nécessairement : elle se déplace.
Produire peut devenir plus facile. Comprendre ce qui est produit, en vérifier la validité, le contextualiser, le contester et en répondre peut devenir plus important.
Le chapitre s’organise donc autour d’un paradoxe : l’automatisation peut réduire l’effort de production tout en augmentant la nécessité du jugement humain.
Continuité avec les chapitres précédents
| Acquis du Volume 2 | Ce que 2.4 ajoute |
|---|---|
| 2.1 : rendre visibles données, traces et inférences. | Rendre visible le travail de contrôle, de vérification et de responsabilité. |
| 2.2 : arbitrer entre environnements. | Arbitrer entre tâches à déléguer, tâches à superviser et tâches à préserver. |
| 2.3 : préserver une capacité institutionnelle de choix. | Préserver une capacité professionnelle et cognitive d’agir. |
| 2.3 : analyser les coûts cachés et la dépendance. | Examiner le coût humain de la supervision, de l’intensification et de l’érosion des routines. |
| Volume 1 : distinguer production visible et apprentissage réel. | Distinguer production assistée et compétence réellement appropriée. |
Le parcours en trois mouvements
| Mouvement | Intention |
|---|---|
| 1 - Comment l’IA transforme déjà le travail | Passer du remplacement des métiers à la recomposition des tâches, de la supervision et de la preuve de compétence. |
| 2 - Le mythe que l’IA va automatiquement libérer le travail | Examiner l’efficience, l’intensification, la standardisation, le deskilling et la perte d’autonomie. |
| 3 - Quelles compétences deviennent réellement stratégiques ? | Construire une cartographie des capacités humaines à préserver : comprendre, contester, contextualiser, superviser, accompagner et refuser. |
Auto-test initial
1 - Comment l’IA transforme déjà le travail
Essentiel
| Comprendre | Repérer | Agir |
|---|---|---|
| Pourquoi l’IA transforme des tâches avant de transformer des métiers entiers. | La frontière dentelée, le passage du producteur au superviseur et le travail invisible. | Décomposer une activité professionnelle pour identifier production, supervision, jugement et responsabilité. |
Situation ESR
Un enseignant utilise une IA pour produire un premier lot de questions de quiz. Le temps de rédaction diminue fortement.
Il doit cependant relire chaque proposition, vérifier le niveau disciplinaire, supprimer les ambiguïtés, corriger certaines réponses, équilibrer la difficulté et s’assurer que le quiz évalue bien l’objectif prévu.
La tâche a-t-elle été automatisée, déplacée ou recomposée ?
L’IA automatise des tâches, pas des métiers
L’approche par les tâches permet de sortir d’un débat trop global sur le remplacement.
Un métier associe :
- des tâches routinières ;
- des tâches d’analyse ;
- des tâches relationnelles ;
- des savoirs tacites ;
- des décisions situées ;
- des responsabilités.
Les travaux mobilisés dans l’article 2.4.1, notamment Autor (2015) et Acemoglu & Restrepo (2019), invitent à examiner comment la technologie déplace la répartition des tâches plutôt qu’à supposer la disparition mécanique de métiers entiers.
L’IA générative complexifie cette analyse parce qu’elle intervient désormais sur des productions auparavant associées au travail intellectuel : texte, code, synthèse, explication ou hypothèse.
La frontière technologique est dentelée
Dell’Acqua et al. décrivent une frontière technologique dentelée : les performances de l’IA ne suivent pas une progression simple des tâches faciles vers les tâches difficiles.
Une IA peut réussir une tâche apparemment complexe et échouer sur une tâche voisine.
| L’IA peut produire rapidement… | Cela ne garantit pas… |
|---|---|
| une synthèse bibliographique fluide | la hiérarchisation correcte des controverses |
| un code fonctionnel | la maîtrise de l’architecture ou des hypothèses |
| une reformulation pédagogique | l’adéquation au niveau réel d’un groupe |
| un plan cohérent | la pertinence de la problématique |
| une explication convaincante | la validité du raisonnement |
Le problème pédagogique apparaît immédiatement : une production qui ressemble à une compétence peut être obtenue sans que la compétence soit réellement construite.
Du producteur au superviseur
Les copilotes et assistants génératifs déplacent une partie du travail.
L’utilisateur produit moins directement, mais il doit davantage :
- formuler ;
- sélectionner ;
- comparer ;
- vérifier ;
- corriger ;
- documenter ;
- assumer.
Ce déplacement peut améliorer la performance sur certaines tâches et réduire les écarts immédiats de production. Les sources 2.4.1 mobilisent notamment les travaux de Noy & Zhang, Brynjolfsson et al. et Yang et al. sur les effets de l’IA dans le travail.
Mais le passage au rôle de superviseur pose une difficulté :
superviser correctement une tâche exige souvent une représentation suffisamment solide de ce que serait un bon résultat.
L’assistance ne supprime donc pas nécessairement l’expertise. Elle peut déplacer le lieu où elle devient nécessaire.
Le travail invisible de vérification
La génération est visible et rapide. Le travail de contrôle l’est moins.
Le travail invisible peut comprendre :
- préparer le contexte ;
- sélectionner les documents ;
- construire la requête ;
- relancer ou comparer plusieurs sorties ;
- vérifier les faits et références ;
- contrôler la cohérence disciplinaire ;
- corriger les biais ou omissions ;
- documenter les choix ;
- assumer la responsabilité finale.
Ce travail n’est pas un simple « nettoyage » après génération. Il devient une composante du travail intellectuel assisté.
Quand produire devient facile, la valeur se déplace
Les sources du chapitre défendent un déplacement de la valeur vers :
- la formulation du problème ;
- la compréhension ;
- le jugement ;
- la contextualisation ;
- la vérification ;
- la justification ;
- la responsabilité.
Le produit final devient donc un signal plus fragile.
Un texte excellent ne suffit plus à prouver que son auteur sait expliquer ses choix. Un code fonctionnel ne prouve pas nécessairement qu’il sait diagnostiquer une erreur. Une synthèse convaincante ne prouve pas qu’il maîtrise les sources.
De la preuve de production à la preuve d’appropriation
Cette transformation affecte directement l’évaluation.
| Preuve principalement centrée sur le produit | Preuve d’appropriation |
|---|---|
| livrable final | justification des choix |
| qualité formelle | compréhension des critères |
| résultat obtenu | processus de décision |
| conformité | capacité de critique |
| production | transfert à une situation nouvelle |
| réponse | capacité à défendre, modifier ou refuser la réponse |
La preuve d’appropriation ne suppose pas de surveiller chaque interaction avec l’IA. Elle consiste à rendre observable ce qui fait réellement compétence.
Activité : décomposer une tâche professionnelle
2 - Le mythe que l’IA va automatiquement libérer le travail
Essentiel
| Comprendre | Repérer | Agir |
|---|---|---|
| Pourquoi efficience locale et libération du travail ne sont pas équivalentes. | Intensification, standardisation, deskilling et prescription algorithmique. | Mesurer le travail total et protéger les routines nécessaires à l’autonomie. |
Situation ESR
Une équipe produit désormais ses supports deux fois plus vite grâce à l’IA.
Quelques mois plus tard, elle produit davantage de versions, personnalise plus de ressources, vérifie davantage de contenus et répond à une attente accrue de réactivité.
Le temps unitaire a diminué.
La charge de travail, elle, a-t-elle réellement baissé ?
Ce que l’IA allège réellement
Les sources 2.4.2 ne nient pas les gains d’efficience.
L’IA peut accélérer :
- un premier jet ;
- une reformulation ;
- une synthèse ;
- une série d’exemples ;
- une exploration initiale ;
- certaines tâches administratives ou documentaires.
Le problème apparaît lorsque le gain local est interprété comme une libération automatique du travail global.
Le paradoxe de l’intensification
Le temps gagné peut être réabsorbé par :
- davantage de livrables ;
- davantage de variantes ;
- des délais raccourcis ;
- une exigence accrue de personnalisation ;
- la vérification des productions ;
- la coordination des outils ;
- de nouvelles tâches de supervision.
La thèse de l’article 2.4.2 est donc prudente : l’automatisation cognitive peut réduire l’effort de certaines tâches tout en intensifiant l’activité globale.
Quand le prompt devient architecture de travail
Les sources décrivent également des usages de token maxxing ou context maxxing : multiplier documents, exemples et contraintes dans le contexte afin d’obtenir une production plus complète.
Cette pratique déplace l’effort vers :
- la sélection des informations ;
- leur structuration ;
- la gestion de la fenêtre de contexte ;
- le contrôle de ce qui a réellement été pris en compte.
Les travaux de Liu et al. (2024) sur le phénomène lost in the middle rappellent qu’un contexte plus long n’implique pas une exploitation homogène de toutes les informations.
Ajouter davantage de contexte peut donc augmenter simultanément la puissance apparente du dispositif et la difficulté de vérifier ce qu’il a réellement utilisé.
Taylorisme numérique : quand ce qui est mesurable devient ce qui compte
Les sources 2.4.2 mobilisent l’idée de Taylorisme numérique pour décrire un risque de découpage, mesure et standardisation du travail intellectuel.
Dans l’enseignement, ce risque est particulièrement important.
Une plateforme peut facilement mesurer :
- le nombre d’activités ;
- le temps de connexion ;
- le nombre de productions ;
- la vitesse ;
- la conformité à un format.
Elle mesure beaucoup moins facilement :
- le doute ;
- la maturation ;
- le changement de représentation ;
- une controverse féconde ;
- une hésitation productive ;
- la construction progressive d’un jugement.
Le risque n’est pas seulement de mal mesurer l’apprentissage. Il est de finir par organiser l’apprentissage autour de ce qui est facilement mesurable.
Les travaux mobilisés autour du Consensus Trap ajoutent une autre vigilance : des systèmes orientés vers la standardisation peuvent traiter le désaccord, la nuance ou les interprétations minoritaires comme du bruit à réduire.
Deskilling : quand l’assistance fragilise les routines
Le deskilling ne signifie pas que toute utilisation de l’IA fait perdre des compétences.
Le risque apparaît lorsque des opérations structurantes sont durablement externalisées au point que l’utilisateur perd :
- l’habitude de diagnostiquer ;
- la capacité à produire une première représentation du problème ;
- les critères nécessaires à la vérification ;
- la confiance dans son propre jugement ;
- certaines routines qui soutiennent l’expertise.
Les sources rapprochent cette question des difficultés désirables : certaines difficultés ne sont pas de simples frictions inutiles. Elles participent à l’apprentissage et à la consolidation.
De l’assistance à la prescription
L’outil peut aussi orienter silencieusement l’activité.
Une recommandation répétée, un ordre par défaut, un cadrage proposé ou une métrique peuvent progressivement devenir des prescriptions.
Le professionnel reste formellement décisionnaire, mais son espace de choix peut être préconfiguré.
C’est ici que la capacité d’agir devient centrale : non pas seulement avoir un bouton permettant de refuser, mais disposer des connaissances, du temps, des règles collectives et de la légitimité nécessaires pour réellement contester la recommandation.
Activité : mesurer le travail total
3 - Quelles compétences deviennent réellement stratégiques ?
Essentiel
| Comprendre | Repérer | Agir |
|---|---|---|
| Pourquoi les compétences stratégiques ne sont pas seulement celles que l’IA automatise mal. | Les capacités qui permettent de rester auteur et responsable de l’activité. | Concevoir des situations où comprendre, contester, contextualiser et superviser restent observables. |
Situation ESR
Un étudiant obtient avec une IA une solution techniquement correcte.
Lors de l’oral, il sait expliquer le prompt utilisé, mais il ne sait pas :
- justifier l’hypothèse de départ ;
- expliquer pourquoi la solution est adaptée au contexte ;
- identifier une limite importante ;
- proposer une alternative ;
- dire dans quel cas il refuserait d’utiliser cette méthode.
Maîtrise-t-il l’outil ou maîtrise-t-il l’activité ?
Comprendre avant de produire
Le premier axe consiste à préserver une représentation du problème avant que la machine ne fournisse une structure.
Les sources 2.4.3 mobilisent Soderstrom & Bjork (2015) pour rappeler la distinction entre performance immédiate et apprentissage.
Une production plus fluide à court terme ne garantit pas une compréhension plus robuste.
Préserver certaines difficultés désirables peut donc signifier :
- tenter un diagnostic avant de consulter l’IA ;
- construire un plan avant de demander des alternatives ;
- lire un corpus avant de demander une synthèse ;
- résoudre une première étape avant de comparer avec la réponse générée.
Il ne s’agit pas de sanctuariser l’effort pour lui-même. Il s’agit de préserver les opérations qui construisent les critères nécessaires à la supervision.
Juger et contester : ne pas seulement vérifier
La vigilance épistémique ne consiste pas uniquement à repérer une erreur factuelle.
Elle implique aussi de rechercher :
- ce qui manque ;
- les hypothèses implicites ;
- les cadrages dominants ;
- les contre-interprétations ;
- les simplifications ;
- les situations où la proposition doit être refusée.
Les sources mobilisent la notion de Système 0 pour décrire une couche cognitive intermédiaire capable de préconfigurer l’espace dans lequel l’utilisateur va raisonner.
La réponse générée peut devenir un point d’ancrage.
La compétence stratégique consiste donc à pouvoir reconstruire le problème autrement.
Contextualiser : l’IA généralise, le professionnel situe
Une sortie peut être plausible en général et inadaptée ici.
Contextualiser consiste à articuler la proposition avec :
- le public réel ;
- la discipline ;
- l’histoire de la situation ;
- les contraintes institutionnelles ;
- les finalités pédagogiques ;
- les savoirs tacites ;
- les conséquences locales.
Question de contextualisation :
Qu’est-ce qui, dans cette situation précise, rend la réponse générique insuffisante, inadaptée ou discutable ?
Cette capacité devient particulièrement importante lorsque des systèmes produisent des réponses moyennes ou consensuelles.
Superviser sans déléguer la responsabilité intellectuelle
Déléguer une étape de production n’est pas déléguer la responsabilité.
Une supervision compétente suppose de savoir :
- fractionner la tâche ;
- définir des critères ;
- identifier les points à risque ;
- contrôler les résultats ;
- documenter les arbitrages ;
- expliquer les modifications ;
- assumer la version finale.
Un journal de supervision IA peut rendre cette activité observable :
| Trace | Question |
|---|---|
| Délégation | Qu’ai-je confié à l’IA ? |
| Critères | Comment savais-je ce qu’était une bonne réponse ? |
| Vérification | Qu’ai-je contrôlé ? |
| Rejet | Qu’ai-je refusé et pourquoi ? |
| Modification | Qu’ai-je corrigé ou contextualisé ? |
| Responsabilité | Pourquoi puis-je assumer le résultat final ? |
Cette trace prolonge directement la preuve d’appropriation introduite en 2.4.1.
Préserver la relation humaine : personnaliser n’est pas accompagner
Une IA peut individualiser une formulation, adapter un exercice ou produire un feedback.
Mais l’accompagnement implique aussi :
- une présence ;
- une histoire partagée ;
- l’écoute ;
- la reconnaissance d’une singularité ;
- la capacité à interpréter une hésitation ;
- la construction d’une confiance.
Le chapitre ne conclut donc pas que toute personnalisation automatisée serait inutile. Il distingue deux fonctions :
l’IA peut préparer ou enrichir une interaction ; elle ne suffit pas à constituer la relation pédagogique.
Cette distinction est également importante pour préserver les savoirs tacites qui se construisent dans les échanges entre pairs, enseignants, chercheurs et professionnels.
Décider ce qui ne doit pas être automatisé
La dernière compétence est paradoxale : savoir ne pas utiliser l’IA.
Les sources 2.4.2 et 2.4.3 mobilisent le droit au refus comme composante d’une capacité d’agir collective.
Ce refus n’est pas une opposition générale à la technologie.
Il peut viser à préserver :
- une phase de mémorisation ;
- une première problématisation ;
- un raisonnement évalué ;
- une décision engageant fortement une personne ;
- une discussion collective ;
- un espace de recherche exploratoire ;
- une relation qui exige une présence humaine.
Trois zones d’usage peuvent être définies collectivement :
| Zone | Principe |
|---|---|
| Usage encouragé | L’IA soutient la finalité sans court-circuiter la compétence visée. |
| Usage encadré | L’IA est utile mais nécessite conditions, traces, contrôle ou limites explicites. |
| Non-usage justifié | L’automatisation fragiliserait une opération formatrice, une responsabilité ou une relation à préserver. |
La possibilité du non-usage transforme la compétence numérique : elle ne mesure plus seulement la capacité à exploiter l’outil, mais la capacité à arbitrer son emploi.
Carte des compétences stratégiques
| Compétence | Avant l’IA | Avec l’IA | Preuve observable |
|---|---|---|---|
| Comprendre | Construire une représentation du problème. | Éviter que la sortie générée remplace cette représentation. | Expliquer le problème sans l’outil. |
| Contester | Mettre à l’épreuve une proposition. | Rechercher angles morts et cadrages implicites. | Produire une contre-analyse argumentée. |
| Contextualiser | Relier savoir et situation. | Adapter ou rejeter une réponse générique. | Justifier les modifications liées au contexte. |
| Superviser | Contrôler une production. | Définir critères, vérifier, documenter et assumer. | Journal de supervision ou oral réflexif. |
| Accompagner | Construire une relation et une confiance. | Utiliser l’IA sans confondre personnalisation et relation. | Capacité à expliquer ce qui doit rester relationnel. |
| Refuser | Protéger une finalité professionnelle. | Définir des zones de non-automatisation. | Justification d’un non-usage ou d’une limite. |
Étude de cas : l’IA pour corriger plus vite
Situation
Un département envisage d’utiliser une IA pour produire un premier feedback sur les travaux étudiants afin de réduire le temps de correction.
Lecture par 2.4.1
La tâche de formulation du feedback peut être partiellement déléguée.
Mais l’enseignant doit encore :
- définir les critères ;
- vérifier la pertinence ;
- repérer les erreurs ;
- contextualiser ;
- assumer le retour.
La production est déplacée vers la supervision.
Lecture par 2.4.2
Le gain de temps n’est pas garanti.
Si le dispositif entraîne :
- davantage de feedbacks ;
- une attente de personnalisation accrue ;
- une vérification systématique ;
- des corrections des erreurs de l’IA,
l’activité peut s’intensifier.
Lecture par 2.4.3
Il faut enfin décider ce qui doit rester humain.
Une formulation peut être préparée par l’outil. Mais la décision évaluative, la compréhension d’une trajectoire, la gestion d’une difficulté particulière ou un échange engageant fortement l’étudiant peuvent nécessiter une relation et un jugement humains.
Question finale
Le bon indicateur n’est donc pas seulement :
« combien de minutes économisons-nous par copie ? »
mais :
« quelles tâches voulons-nous réellement déléguer, quelles compétences devons-nous préserver et quelle responsabilité sommes-nous prêts à assumer ? »
Fiche action : auditer une automatisation du travail
1. Décomposer
2. Mesurer le travail réel
3. Préserver l’expertise
4. Authentifier la compétence
5. Préserver la capacité d’agir
Auto-positionnement final
Se situer après le chapitre
Répondez de 1 à 4 : 1 = pas du tout, 2 = rarement, 3 = souvent, 4 = systématiquement.
| Question | 1 | 2 | 3 | 4 |
|---|---|---|---|---|
| Je raisonne à l’échelle des tâches plutôt qu’en termes de remplacement global des métiers. | ||||
| Je distingue gain de production et gain réel sur la charge totale de travail. | ||||
| Je rends visible le temps de préparation, vérification et supervision des productions IA. | ||||
| Je repère les tâches où l’IA peut produire un résultat convaincant sans garantir la compétence. | ||||
| Je préserve certaines difficultés lorsqu’elles sont nécessaires à l’apprentissage ou à l’expertise. | ||||
| J’évalue la justification et l’appropriation, pas seulement le livrable final. | ||||
| Je demande aux utilisateurs de contester et contextualiser les réponses de l’IA. | ||||
| Je distingue personnalisation automatisée et accompagnement humain. | ||||
| Je rends explicite la responsabilité humaine sur le résultat final. | ||||
| Je peux définir et justifier des situations où l’IA ne doit pas être utilisée. |
Analyser son positionnement
Additionnez vos réponses sur 40.
| Score | Lecture | Priorité de progression |
|---|---|---|
| 10 à 19 | L’IA est encore principalement pensée comme un outil de production ou de gain de temps. | Décomposer une activité réelle et mesurer le travail de supervision qu’elle ajoute. |
| 20 à 29 | Le déplacement vers la supervision est identifié, mais les compétences à préserver restent peu formalisées. | Ajouter preuves d’appropriation, difficultés formatrices et critères de non-usage. |
| 30 à 35 | L’usage est généralement articulé avec jugement, contextualisation et responsabilité. | Renforcer la dimension collective : règles d’usage, droit au refus et protection des routines professionnelles. |
| 36 à 40 | La capacité d’agir constitue un critère explicite de conception du travail et de la formation. | Faire de ces principes un cadre partagé d’évaluation des automatisations futures. |
Lire les réponses faibles
- Questions 1 à 4 faibles : reprendre la section 2.4.1 sur la frontière dentelée, la supervision et le travail invisible.
- Questions 5 à 6 faibles : reprendre la section 2.4.2 sur le deskilling, les difficultés désirables et la fragilisation des preuves de compétence.
- Questions 7 à 10 faibles : reprendre la section 2.4.3 sur la contestation, la contextualisation, la relation, la responsabilité et le droit au refus.
Ce positionnement n’évalue pas une performance individuelle. Il sert à identifier où le raisonnement sur l’IA reste centré sur l’efficacité et où il intègre déjà la préservation de l’autonomie et du jugement.
Conclusion
Ce dernier chapitre du Volume 2 déplace une dernière fois le paradoxe.
L’IA peut rendre certaines productions plus rapides, mais cela ne signifie ni que les métiers disparaissent comme des blocs, ni que le travail est automatiquement libéré, ni que les compétences humaines deviennent secondaires.
Les sources du chapitre conduisent au contraire à quatre constats.
Premièrement, le travail se recompose. Certaines tâches passent à la machine tandis que de nouvelles tâches de supervision, de vérification, de coordination et de responsabilité apparaissent.
Deuxièmement, l’efficience locale peut produire une intensification globale. Le temps gagné peut être réabsorbé par davantage de volume, de personnalisation, de contrôle ou de réactivité.
Troisièmement, l’assistance peut fragiliser ce qu’elle remplace. Lorsque les opérations de diagnostic, de problématisation, de vérification ou de décision sont durablement externalisées, l’utilisateur peut perdre les routines qui lui permettaient précisément de contrôler l’outil.
Quatrièmement, la compétence se déplace vers l’arbitrage. Comprendre avant de produire, contester avant de valider, contextualiser avant d’appliquer, superviser sans déléguer la responsabilité, préserver la relation humaine et savoir parfois refuser l’automatisation deviennent des capacités structurantes.
Le paradoxe final du Volume 2 peut alors être formulé ainsi :
plus l’IA prend en charge la production visible, plus la formation doit rendre visibles les opérations humaines qui permettent de comprendre, juger, contextualiser et assumer cette production.
Préserver la capacité d’agir ne signifie donc pas protéger artificiellement des tâches contre toute automatisation.
Cela signifie préserver les conditions qui permettent encore à un étudiant, un enseignant, un chercheur ou un professionnel de dire :
- je comprends ce que je fais ;
- je sais ce que j’ai délégué ;
- je peux vérifier ce qui m’est proposé ;
- je peux expliquer mes choix ;
- je peux contester la machine ;
- je peux agir sans elle lorsque cela est nécessaire ;
- je reste responsable de ce que je décide.
Le Volume 2 s’achève ainsi sur une idée qui relie données, infrastructures et travail : la maîtrise de l’IA ne se mesure pas à la quantité d’activités que nous pouvons lui déléguer, mais à la capacité que nous conservons à orienter, discuter et reprendre cette délégation.
Glossaire complet du chapitre
| Notion | Définition |
|---|---|
Approche par les tâches |
Cadre analysant les transformations technologiques à l’échelle des tâches composant un métier. |
Frontière technologique dentelée |
Frontière irrégulière entre tâches où l’IA est performante et tâches proches où ses performances peuvent chuter. |
Travail invisible |
Travail de préparation, vérification, coordination et correction nécessaire mais peu visible dans le résultat final. |
Supervision |
Activité consistant à définir des critères, contrôler, corriger et assumer une production partiellement déléguée. |
Intensification du travail |
Augmentation du rythme, du volume ou de la charge globale malgré des gains d’efficacité sur certaines tâches. |
Taylorisme numérique |
Tendance à découper, mesurer et standardiser le travail intellectuel à partir de traces et métriques numériques. |
Deskilling |
Érosion de compétences ou routines provoquée par leur externalisation durable. |
Difficulté désirable |
Difficulté qui peut ralentir la performance immédiate tout en soutenant l’apprentissage ou la consolidation. |
Système 0 |
Notion mobilisée pour décrire une couche d’assistance algorithmique susceptible de préconfigurer l’espace de raisonnement humain. |
Vigilance épistémique |
Capacité à évaluer la fiabilité d’une information, à rechercher ses limites et à adapter son niveau de confiance. |
Preuve d’appropriation |
Preuve que la personne comprend, justifie, critique et peut transférer le travail réalisé. |
Agence humaine |
Capacité à orienter son activité et à rester auteur de ses choix dans l’interaction avec un système. |
Capacité d’agir |
Possibilité effective de décider, contester, modifier ou refuser une action dans une situation donnée. |
Droit au refus |
Possibilité individuelle et collective de ne pas automatiser certaines activités lorsqu’une finalité importante doit être préservée. |
Bibliographie indicative à consolider
Les références ci-dessous sont reprises des trois articles 2.4 et de leurs documents d’ancrage. Elles devront être harmonisées avec references.bib avant publication.
- Acemoglu, D., & Restrepo, P. (2019). Automation and new tasks: How technology displaces and reinstates labor. Journal of Economic Perspectives, 33(2), 3-30. DOI : 10.1257/jep.33.2.3.
- Alexander, W. R. J., & Belloni, R. (2024). Artificial intelligence and the sustainability of the signaling and human capital roles of higher education. Sustainability, 16(19), 8345. DOI : 10.3390/su16198345.
- Awumey, E., Das, S., & Forlizzi, J. (2024). A systematic review of biometric monitoring in the workplace: Analyzing socio-technical harms in development, deployment and use. FAccT ’24. DOI : 10.1145/3630106.3658945.
- Brynjolfsson, E., Li, D., & Raymond, L. R. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889-942.
- Dell’Acqua, F., McFowland III, E., Mollick, E. R., et al. (2026). Navigating the jagged technological frontier: Field experimental evidence of the effects of artificial intelligence on knowledge worker productivity and quality. Organization Science, 37(2), 403-423. DOI : 10.1287/orsc.2025.21838.
- DiSalvo, C., Rothschild, A., Schenck, L. L., Shapiro, B. R., & DiSalvo, B. (2024). When workers want to say no: A view into critical consciousness and workplace democracy in data work. Proceedings of the ACM on Human-Computer Interaction, 8(CSCW1), Article 156. DOI : 10.1145/3637433.
- Gao, W. (2026). Beyond tool use: The WISE framework for researchers’ generative AI literacy in the age of digital intelligence. Weizenbaum Conference 2026 Proceedings, 54-55. DOI : 10.34669/WI.CP/6.
- Hong, K., Troynikov, A., & Huber, J. (2025). Context rot: How increasing input tokens impacts LLM performance. Chroma Research.
- Iseko, A. (2026). The ghost workforce of generative AI: Reclaiming ethical visibility in AI labour. International Journal of Science, Technology and Society, 14(2), 88-101. DOI : 10.11648/j.ijsts.20261402.15.
- Jihad, F. A., Ananda, F., Jinan, M., Azani, M. Z., & Anshori, A. (2026). From credentials to competencies and impact: A systematic literature review of the human capital transformation of education. The 2nd International Conference of Sustainable Innovation.
- Khan, M. T., Ee, J., & Tripathi, S. (2026). Beyond efficiency: A qualitative exploration of human agency, epistemic vigilance, and cognitive boundaries in human-AI interaction. Open Journal of Social Sciences, 14, 251-267. DOI : 10.4236/jss.2026.143015.
- Liu, N. F., Lin, K., Hewitt, J., Paranjape, A., Bevilacqua, M., Petroni, F., & Liang, P. (2024). Lost in the middle: How language models use long contexts. Transactions of the Association for Computational Linguistics, 12, 157-173. DOI : 10.1162/tacl_a_00638.
- Munir, S., Mah, B., Kalsi, K., et al. (2026). The consensus trap: Dissecting subjectivity and the “ground truth” illusion in data annotation. FAccT ’26. arXiv:2602.11318.
- Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187-192. DOI : 10.1126/science.adh2586.
- Oliveira, M., Carvalho, L., & Faria, J. (2026). Beyond the Org Chart: AI and the Transformation of Invisible Work. arXiv:2605.22707.
- Pöhlmann, K. (2026). From augmentation to agency: Transformational skills in human-GenAI knowledge work. Weizenbaum Conference 2026 Proceedings, 23-24. DOI : 10.34669/WI.CP/6.
- Saßmannshausen, T. M., & Wagener, S. (2026). Rethink your mental model in the age of generative AI: A triadic framework for human-AI collaboration. Qeios. DOI : 10.32388/GAG6KD.
- Soderstrom, N. C., & Bjork, R. A. (2015). Learning versus performance: An integrative review. Perspectives on Psychological Science, 10(2), 176-199. DOI : 10.1177/1745691615569580.
- Yang, J., Zyskowski, K., Yonack, N., & Ma, J. (2026). How AI agents reshape knowledge work: Autonomy, efficiency, and scope. arXiv:2606.07489.
À vérifier avant intégration définitive : les métadonnées des références mentionnées dans les documents d’ancrage mais non entièrement détaillées dans les trois articles, notamment Chiriatti et al., Heinlein & Neumer, Butollo et al. et les références complémentaires des Podcast Design.
Principe éditorial : conserver uniquement les références effectivement mobilisées dans le texte final et vérifier leur correspondance avec les entrées de references.bib.