« Prêt pour l’IA » est une expression, pas une stratégie
Main-d'œuvre IA: L’attention se déplace de l’impact de l’IA vers la préparation d’une main-d'œuvre adaptée aux rôles intégrant l’IA.
Compétences requises: Le codage, l’adaptabilité et la clarté sont soulignés comme compétences clés pour être prêt à l’IA dans le monde professionnel.
Conception organisationnelle: Les cadres actuels de préparation sont centrés sur les individus au lieu de répondre aux défis systémiques liés à la conception organisationnelle.
Indicateurs de mesure: La préparation à l’IA ne doit pas reposer uniquement sur les indicateurs d’usage. Le succès se mesure par l’amélioration des résultats.
Problème d’urgence: L’urgence autour de l’adoption de l’IA est accentuée, mais la précision et une orientation claire font souvent défaut.
Tous les grands programmes de conférences ce printemps affichaient une variation du même titre de session : ce qu'il faut vraiment pour bâtir une main-d'œuvre prête pour l'IA.
L'expression était omniprésente. Un indice fiable que le secteur a dépassé la question de savoir si l’IA transforme le travail et arrive à la question plus complexe : comment préparer les personnes à ce qui vient ensuite.
La véritable question s’est révélée plus difficile à résoudre que prévu.
Keep Reading—and Keep Leading Smarter
Create a free account to finish this piece and join a community of forward-thinking leaders unlocking tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
À travers les sessions de Transform à Las Vegas et HumanX à San Francisco ce printemps, les intervenants proposaient des analyses pertinentes, quoique parfois un peu générales, de ce à quoi ressemble une main-d'œuvre préparée à l’accélération de l’IA.
Andrew Ng, fondateur de DeepLearning.AI, a avancé de façon provocante que chacun, quel que soit son rôle, devrait apprendre à coder.
Le PDG de Coursera, Greg Hart, a souligné la forte augmentation de la demande de formations en pensée critique, en hausse de près de 200% d’une année sur l’autre sur la plateforme, comme preuve que les organisations commencent à comprendre que la seule connaissance technique n’est pas la solution.
Robin Daniels de Sensai a soutenu que la compétence fondamentale en IA est la clarté. Autrement dit, si vous n’êtes pas capable de définir ce que vous souhaitez avec suffisamment de précision pour qu’une personne le réalise, vous ne pourrez certainement pas le faire pour un agent.
Sarah Franklin, PDG de Lattice, a remis en question le réflexe de mesurer la préparation à l’IA à travers des métriques d’utilisation, affirmant que ce qui compte, c’est d’obtenir de meilleurs résultats, pas simplement de générer plus de tokens.
Ce ne sont pas de simples remarques en l’air. Ce sont des réflexions solides. Mais, prises dans leur ensemble, elles révèlent ce que les conférences n’ont pas encore résolu : "prêt pour l’IA" reste une orientation, et non une opérationnalisation concrète.
Vous pouvez assister à trois jours de sessions et repartir avec un sentiment d’urgence convaincant et presque aucune manière d’évaluer où en est réellement votre organisation.
Cela mérite réflexion, car le coût de confondre inspiration et stratégie se fait sentir dans les organisations réelles dès à présent.
Ce que la conférence considère comme prêt
La définition opérationnelle de la préparation à l’IA qui a émergé des différentes sessions comporte quelques éléments constants.
Le premier concerne les compétences, principalement techniques. L’argument de Ng pour le codage est la version la plus tranchée de cette idée. À mesure que l’IA rend le développement logiciel plus accessible, ceux qui savent travailler ainsi surpasseront ceux qui ne le peuvent pas, peu importe leur intitulé de poste.
Il a décrit avoir observé des marketeurs, recruteurs et professionnels de la finance sachant coder prendre de l’avance sur leurs collègues, et a présenté cet écart comme s’élargissant.
Hart a renforcé la dimension technique en s’appuyant sur les données d’inscription. Une personne s’est inscrite à un cours d’IA sur Coursera toutes les quatre secondes en 2025, soit deux fois plus qu’en 2024.
Le deuxième élément est l’adaptabilité, définie vaguement comme la capacité à suivre le rythme des changements.
« La qualité humaine indispensable est l’adaptabilité », a déclaré Adit Jain, PDG de Leena AI, dont l’entreprise développe des collègues IA pour les fonctions de support et de back-office.
Il décrivait ce qu’il observe lorsque les entreprises déploient l’automatisation. Les personnes qui survivent à la transition ne sont pas nécessairement les plus expérimentées ou les plus techniques. Ce sont celles qui acceptent de redéfinir leur rôle pour superviser et améliorer l’IA plutôt que défendre le travail remplacé.
Le troisième aspect échappe à une étiquette nette. Franklin a parlé de voir l’IA comme un coéquipier, non un simple outil. Daniels a parlé de clarté. Bianca Anghelina, PDG d’AILY Labs, l’a décrite comme la capacité à traduire des problématiques métiers en défis adressables par l’IA.
L’argument de Ng sur le codage est, en réalité, que le codage est un outil pour apprendre à penser en systèmes, à décomposer des problèmes en éléments qu’un processus automatisé peut gérer.
Sous ces trois composantes se cache une quatrième implicite : la volonté d’apprendre en continu. Tous les intervenants sont finalement tombés d’accord sur ce point. L’apprentissage tout au long de la vie relève moins d’une définition de la préparation que de la reconnaissance qu’aucun ensemble de compétences figé ne suffira.
Comme description de la direction à prendre, cela se tient. Mais comme cadre pour évaluer l’état d’avancement d’une organisation, c’est presque inutile. « Être adaptable » et « continuer d’apprendre » ne sont pas évaluables. Ils ne disent pas au DRH quoi mesurer, quoi développer, ni ce qu’est une note de passage.
De plus, ce qui est nécessaire pour démarrer ce processus est rarement évoqué, bien que nous l’ayons abordé dans le podcast.
Là où la définition atteint ses limites
Le moment le plus utile d’une session HumanX sur la reconversion à grande échelle ne provient pas d’un cadre théorique mais d’un chiffre. Jain a décrit ce qui se produit généralement lorsque son entreprise automatise un processus métier pour un grand client : 60 % des personnes qui effectuaient ce travail ne sont plus nécessaires.
Parmi les 40 % restants, environ 20 %, soit approximativement 12 % du total, peuvent être réintégrés dans le processus en tant que gestionnaires humains de l’IA. Les 48 % restants représentent un problème de transition que la plupart des organisations n’ont pas résolu.
Il a donné un exemple concret d’un client du secteur de la santé ayant redirigé son personnel des opérations RH, libéré des traitements de tickets de routine, vers la création et la gestion d’agents qui effectuent à grande échelle le travail de conformité des données patients. Un travail qui, jusqu’alors, n’avait jamais vraiment été effectué car il nécessitait trop de ressources humaines.
La réaffectation exigeait que ces employés comprennent les nouvelles tâches, acquièrent rapidement de nouvelles compétences et acceptent une relation fondamentalement différente avec leur fonction professionnelle.
C’est là que la définition de la « préparation » de la conférence rencontre son problème structurel. La préparation, telle que définie par la plupart des sessions, est une propriété individuelle : leurs compétences techniques, leur capacité d’adaptation, leur volonté d’apprendre.
Mais le problème des 48 % n’est pas avant tout un problème individuel. C’est un problème de conception organisationnelle. La capacité des employés à effectuer la transition dépend non seulement de leur capacité d’adaptation, mais aussi du fait que l’organisation ait identifié où ils pourraient aller, ce que ces rôles requièrent, quels investissements en développement permettraient d’y arriver, et combien de temps l’organisation peut soutenir cette transition avant qu’une pression économique ne l’incite à opter pour des solutions plus simples.
Le concept de « main-d’œuvre prête pour l’IA » n’aborde rien de tout cela, du moins pas tel qu’on l’entend aujourd’hui. Il met l’accent sur la dimension compétences, tout en laissant largement de côté le volet déploiement.
Daniels a fait une remarque pointue à propos des licenciements d’Oracle plus tôt cette année.
Il y a un terrible manque de courage chez les dirigeants pour requalifier une main-d’œuvre. Que faites-vous si vous êtes assis sur des montagnes de liquidités et que vous ne prenez pas le temps de requalifier ou de former vos employés ?
Le propos portait sur le courage des dirigeants. Mais ce qui est décrit relève aussi d’un échec de capacité organisationnelle. Oracle comptait presque certainement des collaborateurs capables de s’adapter et motivés pour apprendre. Ce qui manquait manifestement, c’était un système permettant d’identifier ces personnes, de savoir où elles pourraient aller, et comment les faire évoluer suffisamment vite pour accompagner la transition demandée.
Le courage compte. Mais le courage sans diagnostic n’est pas une stratégie.
Le problème de la mesure
L’observation de Franklin sur la mesure de la préparation à l’IA via des indicateurs d’utilisation mérite plus d’attention que celle accordée lors de la conférence. Elle pointait un travers courant dans les organisations. On suit l’adoption, les connexions aux outils, le volume des invites et l’utilisation des tokens, et on en déduit que l’on progresse.
La mesure est claire et facile à remonter à la hiérarchie. Mais elle peut facilement être détournée et n’est que faiblement corrélée avec ce qui compte réellement.
Se contenter de mesurer l’utilisation de l’IA, c’est manquer l’essentiel. Il faut aussi mesurer ce que les gens sont capables de faire, car nous croyons profondément que l’IA doit servir le succès des personnes.
Cela compte particulièrement dans le contexte du développement des compétences, car l’instinct de mesurer l’adoption influence déjà la manière dont certaines organisations structurent leurs exigences en matière de formation à l’IA. Si vous liez l’utilisation de l’IA aux évaluations de performance, vous obtiendrez de l’utilisation de l’IA. Mais cela ne garantit ni de meilleures décisions, ni un travail plus rapide, ni des collaborateurs plus compétents.
Jain a partagé une autre facette de ce problème : lorsqu’il a tenté une approche douce pour la reconversion, proposant aux employés de suivre une formation à leur rythme sur trois mois, seuls deux sur trente l’ont fait.
Quand il a relancé le même programme avec une échéance de 90 jours, un examen formel et une prime salariale à la clé, plus de 85 % l’ont terminé. La découverte en termes de motivation est intéressante. Mais l’implication la plus importante concerne ce que l’organisation mesurait réellement.
La complétion et la compensation pouvaient être suivies. Mais la question de savoir si les personnes ayant réussi étaient réellement plus capables d'accomplir le nouveau travail en était une autre.
Qu'est-ce qui ferait de cela une véritable évaluation plutôt qu'une simple case à cocher ? Voilà la question à laquelle les sessions de la conférence n'ont pas pu répondre pleinement.
Tester la définition de la conférence face à un standard plus exigeant
Les sept capacités qui distinguent de manière fiable les organisations réussissant leur transformation par l’IA de celles générant de l’activité sans résultats sont : l’empathie, la présence, la pensée produit, le courage, la patience stratégique, la transparence et la pensée systémique.
Ces capacités apparaissent de façon récurrente dans la recherche. Elles concernent également, fait notable, presque exclusivement le comportement des leaders, plutôt que les compétences des employés.
Mettre les sessions de la conférence à l’épreuve de chacune d’entre elles donne un tableau mitigé.
Empathie
L’argument de Franklin en faveur de l’IA dans la gestion des performances reposait sur une véritable compréhension de la manière dont les gens vivent l’évaluation : retirer la dynamique de jugement des conversations sur la performance en mettant en avant des informations fondées sur des preuves avant que l’échange humain n’ait lieu, modifie ce que les gens sont prêts à entendre.
Sa description selon laquelle les employés se sentent « plus à l’aise » lorsqu’ils comprennent que l'IA s’appuie sur des données fiables plutôt que sur l’impression subjective d’un manager est une vraie observation sur la façon dont les individus vivent différemment le changement.
La découverte de Coursera, selon laquelle les apprenants qui interagissent avec leur coach IA obtiennent significativement de meilleurs résultats que ceux qui ne le font pas, va dans le même sens. Différentes personnes ont besoin de différents soutiens, et les organisations qui y prêtent attention constatent de meilleurs résultats.
Les sessions n’ont pas proposé de méthode de diagnostic pour évaluer l’empathie organisationnelle, mais la compréhension de la direction était présente.
Pensée produit
Le modèle de boot camp d’Anghelina est l’exemple le plus clair : les employés reçoivent un cadre d’agent opérationnel et un défi commercial concret, non pas un programme de compétences abstraites, ni une théorie des capacités de l’IA.
Optimisez les dépenses marketing de 10 %. Ce choix de conception est important. Elle aborde le développement des compétences de la main-d’œuvre comme une équipe produit aborderait un problème : partir d’un besoin réel d’utilisateur, construire une solution adaptée et itérer à partir de cela.
L’exemple de redéploiement dans le secteur de la santé présenté par Jain suit la même logique. Les capacités opérationnelles RH libérées n’ont pas été affectées à une requalification générique, mais à un problème de conformité spécifique que l'organisation n'avait jamais pu résoudre.
Cela illustre la pensée produit en pratique. Mais aucun intervenant ne l’a présenté comme tel, ce qui signifie que les dirigeants assistant aux sessions risquent d’en retenir l’exemple, sans en extraire le principe.
Courage
Ce point est ressorti clairement une fois, puis la conversation a continué. La critique de Daniels envers Oracle était marquée : une organisation ayant les ressources financières pour requalifier sa main-d’œuvre a choisi de ne pas le faire, et il a qualifié cela d’échec de la volonté des dirigeants. Le message a fait mouche.
Cependant, il n’y a pas eu de discussion sur la manière dont les organisations développent le courage institutionnel pour assumer un coût à court terme en vue d’une capacité accrue de leur personnel à long terme. L’écart entre la nomination du problème et le développement de la capacité de leadership pour le résoudre est resté ouvert.
Transparence
Ce point était implicite tout au long, mais rarement traité directement. Les propos de Franklin à propos de la construction de la confiance organisationnelle comme préalable à l’intégration de l’IA dans la gestion des performances étaient ceux qui s’en approchaient le plus.
Mais aucune session n’a abordé la question de ce à quoi ressemble une communication honnête quand une organisation ne sait sincèrement pas quels postes survivront à une transition IA, ni comment les dirigeants peuvent être sincères sur cette incertitude sans accélérer la peur qui mine l’adoption.
Une étude du Boston Consulting Group et de la Columbia Business School a documenté l’écart de 51 points de pourcentage entre ce que les cadres pensent que les employés comprennent de la stratégie IA et ce que les employés comprennent réellement — ce point n’a pas été abordé. Il aurait dû l’être. Cet écart n’est pas un problème de communication. C’est un problème de transparence d’une ampleur suffisante pour dérailler des mises en œuvre par ailleurs techniquement réussies.
Présence
À une époque où les personnes de pouvoir manquent d’introspection, la présence était, de façon appropriée, quasi absente. Les sessions étaient axées sur la stratégie, et la question de savoir si les dirigeants saisissent la réalité du travail dans leurs organisations — suffisamment près pour comprendre ce que le déploiement de l’IA changera vraiment pour ceux qui l’exécutent — n’a pas été examinée.
Les chiffres de Jain en témoignent : si 60 % des personnes impliquées dans un processus métier deviennent superflues après automatisation, quelqu’un, au sommet de l’organisation, a dû avoir une vision claire de ce que faisaient réellement ces personnes et d’où un travail équivalent pourrait se trouver.
Mais la manière dont les organisations parviennent à cette connaissance opérationnelle, en particulier dans les grandes entreprises où le fossé de compréhension entre les équipes dirigeantes et le travail de terrain est déjà documenté, n’a pas été abordée lors de la discussion.
Patience stratégique
Le ton dominant de la conférence était l’urgence. Agir maintenant ou prendre du retard. L’ère des pilotes est terminée, il faut déployer. L’affirmation d’Anghelina sur l’intégration en une journée. L’avertissement de Jain : un PDG qui ne va pas assez vite devra répondre aux analystes lorsque les concurrents afficheront de meilleures marges.
La mise en garde finale de Robin Daniels, « la vitesse ajoutée à l’incertitude mène au chaos, respirez un coup », fut la seule voix contrastante parmi toutes les sessions — et elle n’est intervenue que dans les trente dernières secondes, juste avant la fin.
Les recherches sur les facteurs d’adoption durable de l’IA vont dans une autre direction : 79 % des employés ayant reçu plus de cinq heures de formation à l’IA sont devenus des utilisateurs réguliers, contre 67 % pour ceux formés moins longtemps. La courbe en J est réelle.
Le développement des compétences qui conduit à des résultats durables prend plus de temps que ne le laisse entendre le discours d’urgence des conférences, et le coût organisationnel de l’abandon prématuré des initiatives — S&P Global estime à 42 % le taux d’abandon des projets d’IA avant leur mise en production — n’est pas pris en compte dans le mantra « avancer vite ou se faire distancer ».
Pensée systémique
Aucune session n’a réellement abordé la façon dont le déploiement de l’IA dans une fonction génère des effets en cascade sur d’autres. Par exemple :
- Comment la refonte des processus RH modifie les besoins du service client
- Comment l’automatisation de l’approbation des prêts change l’activité de gestion de produit de l’ensemble de la filière prêts
- Comment le déploiement d’agents dans un service soulève des questions de gouvernance qui impactent tous les départements.
L’exemple d’approbation de prêt de Ng contenait en réalité le germe de cette idée, décrivant comment la refonte des workflows pilotée par le management ouvre la voie à de nouveaux produits plutôt qu’à de simples gains d’efficience, mais les conséquences systémiques en termes de structuration des organisations pour voir et saisir ces opportunités n’ont pas été développées.
La conclusion de BCG selon laquelle 52 % des organisations qui réussissent dans l’IA utilisent désormais des équipes transverses composées de dirigeants métier et technologiques (contre 5 % un an plus tôt) suggère qu’il s’agit d’un des changements structurels majeurs en cours. Les sessions ont traité ce point comme une donnée de contexte plutôt qu’un défi à résoudre.
La tendance à travers les sept compétences évoquées ? Les dirigeants semblent mieux préparés sur les compétences qui relèvent du développement individuel (empathie, pensée produit) et moins sur celles qui requièrent une refonte organisationnelle (pensée systémique, patience stratégique, présence).
Ce déséquilibre exprime une réalité du débat actuel sur l’IA. Le développement individuel est un objectif concret, doté de prestataires, de programmes et d’indicateurs. La transformation organisationnelle est plus lente, plus politique, et difficile à condenser en une présentation de 45 minutes.
La discussion se concentre donc sur ce qui peut être décrit de manière tangible — et le résultat, c’est ce qu’on appelle un cadre de préparation.
Ce que requiert véritablement le passage à l’action
La distinction entre préparation ambitieuse et préparation activable ne se résume pas à l’opposition pessimisme/optimisme. Ng et Hart ont tous deux affirmé clairement que les organisations qui s’y prennent bien réalisent de véritables avancées.
Hart a cité un grand cabinet de services professionnels ayant perfectionné 5 000 employés pour des rôles spécialisés en IA, ainsi qu’une entreprise technologique mondiale dont le taux de fidélisation avait progressé de 50 % grâce à l’engagement des salariés sur Coursera. Ce sont là des résultats, pas de simples intentions.
L’élément commun à ces organisations, d’après les descriptions disponibles, est qu’elles sont parties d’un problème métier concret plutôt que d’un objectif général de préparation. Le cabinet voulait améliorer les résultats chez ses clients grâce à l’IA ; la société technologique cherchait à fidéliser des collaborateurs devenus plus efficaces. Dans chaque cas, la montée en compétences répondait à un besoin suffisamment précis pour pouvoir être évalué.
Anghelina a exprimé cette idée de façon très directe, bien que dans le contexte des bootcamps et de l’objectif d’optimiser les dépenses marketing pour générer 10 % de ventes supplémentaires. Le mécanisme n’est pas abstrait. Le résultat est mesurable. Le travail de l’employé : trouver comment appliquer l’IA pour y parvenir.
Lorsque les utilisateurs voient l’impact de l’IA sur l’entreprise, ils deviennent plus créatifs. Les compétences se développent parce que le problème est suffisamment précis pour orienter leur développement.
C’est là que beaucoup de programmes de reconversion professionnelle se retrouvent bloqués. Ils commencent par les compétences parce que les compétences sont lisibles, enseignables et traçables. Les chiffres d’inscriptions sur Coursera sont réels. Les données sur la complétion des micro-certifications sont réelles. Les 91 % d’apprenants déclarant des retombées positives sur leur carrière dans les six mois sont réels. Mais des compétences dissociées du contexte organisationnel tendent à devenir génériques. Et la préparation générique n’est pas une préparation pour quoi que ce soit de spécifique.
Franklin a formulé le même point de vue en venant du service RH lorsqu’elle a dit que les RH passent environ 60 % de leur temps à documenter ce qui s’est déjà produit.
L’opportunité ne consiste pas à rendre les RH meilleurs en documentation. L’opportunité réside dans le fait de libérer des capacités RH pour travailler sur des problèmes qui nécessitent réellement un jugement humain, des problèmes suffisamment spécifiques pour requérir quelqu’un qui comprend l’organisation, ses collaborateurs, et les décisions qui conduisent réellement aux résultats.
Une vraie stratégie de préparation à l’IA commence à partir de là. Pas avec « de quelles compétences nos collaborateurs ont-ils besoin ? » mais avec « de quoi cette organisation doit-elle être capable dans 18 mois alors qu’elle ne l’est pas aujourd’hui, et comment chaque rôle doit-il y contribuer ? »
Raisonner à rebours à partir de cette question mène à quelque chose d’évaluable. Le Cadre des Sept Capacités existe précisément pour structurer cette cartographie inverse, traduire un objectif de capacité d’entreprise en capacités humaines spécifiques nécessaires pour l’atteindre, et pour évaluer l’écart entre l’état actuel et l’état requis avec suffisamment de précision pour concevoir un programme de développement autour de cela.
L’urgence brouille la clarté
Une dynamique que le circuit des conférences entretient, probablement sans le vouloir, est qu’elle substitue l’urgence à la précision.
À chaque session à laquelle j’ai assisté ces six dernières semaines, que ce soit dans les grands ballrooms de Transform, la scène dramatiquement éclairée de HumanX ou les ateliers de plus petites conférences locales ici même à Atlanta où je vis, chacune d’entre elles faisait référence à la rapidité du changement.
Plusieurs intervenants ont noté qu’avoir trois à quatre mois de retard sur les nouveaux outils de programmation IA, selon l’approche de Ng, engendre des écarts de performance significatifs chez les ingénieurs. Le message implicite est que la rapidité d’adoption est la variable principale.
C’est une variable. Mais ce n’est pas la principale.
Daniels l’a exprimé le plus clairement, même si la discussion autour avait tendance à l’enterrer un peu.
La vitesse avec la clarté, c’est impressionnant. La vitesse sans certitude, c’est juste du chaos.
La plupart de ce qui est aujourd’hui qualifié de préparation à l’IA est mené à vive allure. L’urgence est réelle en ce sens qu’on la ressent tous et qu’en s’y soumettant, on la perpétue.
Mais les organisations qui bâtissent un véritable avantage concurrentiel grâce au développement des compétences IA sont celles qui savent précisément vers quoi elles veulent aller, suffisamment précisément pour donner un sens à la rapidité.
Le test est simple, et les sessions de conférence l’illustrent involontairement. Si vous preniez la définition de la préparation à l’IA proposée dans l’une de ces sessions et tentiez de l’appliquer à la création d’un programme de développement pour votre organisation, vous auriez immédiatement à répondre à une série de questions que la définition ne traite pas.
- Quels rôles sont les plus importants pour notre stratégie IA spécifique ?
- À quoi ressemble la capacité à chaque niveau, et comment l’évaluer ?
- Quelle est la séquence de développement qui nous permet de passer le plus rapidement possible de l’état actuel à l’état requis ?
- Quels changements organisationnels doivent accompagner le développement individuel des compétences pour que l’ensemble fonctionne ?
Ce ne sont pas des questions d’aspiration, ce sont des questions opérationnelles. Et c’est leur résolution qui différencie votre capacité à constituer une main-d’œuvre prête pour l’IA de votre capacité à simplement organiser des programmes de formation à l’IA.
Cette expression est devenue un raccourci pour désigner un objectif consensuel. La stratégie est le travail qui découle de la définition précise de ce que cet objectif recouvre.
