Ce rapprochement suscite une question : peut-on appliquer le cycle d’une technologie aux décisions d’emploi prises en son nom ?
Introduit par Gartner en 1995, le Hype Cycle décrit l’évolution des attentes entourant une innovation : les premières promesses, l’emballement, les désillusions, puis une compréhension plus solide de ses usages.
Selon la méthodologie publiée par Gartner, il aide à apprécier la maturité et l’adoption d’une technologie. Il ne mesure ni les emplois supprimés ni ceux qui seront créés ou rétablis.
La prévision des 30 % ne se lit donc pas sur cette courbe. Elle concerne une catégorie précise : les personnes licenciées parce que leur employeur pensait pouvoir les remplacer par l’IA.
Elle ne signifie pas que 30 % de l’ensemble des salariés seront réembauchés. Pour apprécier cette prévision, il faudrait connaître sa méthode et son périmètre, puis la confronter aux faits.
Le Hype Cycle ouvre néanmoins une piste. Au sommet des attentes, une direction peut surestimer ce qu’un outil accomplit réellement. Une démonstration réussie devient une promesse de productivité ; cette promesse se transforme en objectif de réduction des effectifs.
Après le déploiement apparaissent les tâches qui restent à accomplir, les erreurs à corriger, les situations imprévues et les connaissances que l’entreprise a perdues en se séparant de ses salariés.
Selon la méthodologie publiée par Gartner, il aide à apprécier la maturité et l’adoption d’une technologie. Il ne mesure ni les emplois supprimés ni ceux qui seront créés ou rétablis.
La prévision des 30 % ne se lit donc pas sur cette courbe. Elle concerne une catégorie précise : les personnes licenciées parce que leur employeur pensait pouvoir les remplacer par l’IA.
Elle ne signifie pas que 30 % de l’ensemble des salariés seront réembauchés. Pour apprécier cette prévision, il faudrait connaître sa méthode et son périmètre, puis la confronter aux faits.
Le Hype Cycle ouvre néanmoins une piste. Au sommet des attentes, une direction peut surestimer ce qu’un outil accomplit réellement. Une démonstration réussie devient une promesse de productivité ; cette promesse se transforme en objectif de réduction des effectifs.
Après le déploiement apparaissent les tâches qui restent à accomplir, les erreurs à corriger, les situations imprévues et les connaissances que l’entreprise a perdues en se séparant de ses salariés.
Je propose d’étudier cette succession comme une hypothèse : existe-t-il, à côté du cycle des attentes technologiques, un cycle des décisions d’emploi prises au nom de l’IA ?
Il serait abusif de reprendre simplement la forme de la courbe de Gartner en remplaçant les attentes par un nombre de salariés.
Ces évolutions ne suivent pas nécessairement le même rythme et diffèrent selon les métiers, les secteurs, les pays et les choix de management.
Pour examiner cette hypothèse, il faudrait suivre trois évolutions distinctes. La première concerne les attentes et les annonces des dirigeants. La deuxième porte sur les usages réellement déployés : quelles tâches sont confiées à l’IA, avec quelle qualité, à quel coût et sous quelle supervision ?
La troisième concerne l’emploi : quels postes sont supprimés, transformés ou créés, et combien de personnes sont ensuite réembauchées ? Il faudrait également établir que les décisions observées sont bien liées à l’IA, plutôt qu’à d’autres difficultés de l’entreprise.
C’est ici que mon concept AI LIGHT apporte une démarche complémentaire. Le Hype Cycle situe les technologies dans l’évolution des attentes et de leur maturité. AI LIGHT permet de gouverner ce que l’organisation décide et exécute pendant cette évolution. Il demande de définir les tâches confiées à l’IA, leurs limites, les critères de résultat, les conditions de supervision humaine et les personnes responsables des décisions prises sur cette base.
Appliqué à l’emploi, AI LIGHT conduit à poser des questions concrètes avant de supprimer un poste.
Quel travail la personne accomplit-elle réellement, au-delà de sa fiche de fonction ? Quelles tâches l’IA réalise-t-elle avec une fiabilité suffisante ? Qui traite les exceptions et corrige les erreurs ? Comment préserver les savoirs acquis dans l’entreprise ? Quelles preuves permettent de conclure qu’une réorganisation est justifiée ?
Ces évolutions ne suivent pas nécessairement le même rythme et diffèrent selon les métiers, les secteurs, les pays et les choix de management.
Pour examiner cette hypothèse, il faudrait suivre trois évolutions distinctes. La première concerne les attentes et les annonces des dirigeants. La deuxième porte sur les usages réellement déployés : quelles tâches sont confiées à l’IA, avec quelle qualité, à quel coût et sous quelle supervision ?
La troisième concerne l’emploi : quels postes sont supprimés, transformés ou créés, et combien de personnes sont ensuite réembauchées ? Il faudrait également établir que les décisions observées sont bien liées à l’IA, plutôt qu’à d’autres difficultés de l’entreprise.
C’est ici que mon concept AI LIGHT apporte une démarche complémentaire. Le Hype Cycle situe les technologies dans l’évolution des attentes et de leur maturité. AI LIGHT permet de gouverner ce que l’organisation décide et exécute pendant cette évolution. Il demande de définir les tâches confiées à l’IA, leurs limites, les critères de résultat, les conditions de supervision humaine et les personnes responsables des décisions prises sur cette base.
Appliqué à l’emploi, AI LIGHT conduit à poser des questions concrètes avant de supprimer un poste.
Quel travail la personne accomplit-elle réellement, au-delà de sa fiche de fonction ? Quelles tâches l’IA réalise-t-elle avec une fiabilité suffisante ? Qui traite les exceptions et corrige les erreurs ? Comment préserver les savoirs acquis dans l’entreprise ? Quelles preuves permettent de conclure qu’une réorganisation est justifiée ?
Les réponses devraient être inscrites dans un contrat d’exécution, suivies dans un dispositif de pilotage et réexaminées sous supervision humaine.
Si les résultats promis ne sont pas atteints, la direction doit pouvoir corriger sa décision avant de perdre durablement des compétences. Une économie immédiate ne constitue pas, à elle seule, la preuve d’une transformation réussie.
Depuis plusieurs années, j’alerte sur la croyance selon laquelle l’IA pourrait remplacer les humains par principe. Elle peut accomplir certaines tâches et transformer des métiers.
Cela ne dispense aucun dirigeant d’évaluer le travail réel ni de répondre des conséquences d’un licenciement décidé sur la foi d’une promesse technologique.
La publication de Gartner pose finalement deux questions distinctes. La prévision de réembauche se vérifiera-t-elle ? Et comment éviter que des salariés supportent seuls le coût de décisions prises au sommet des attentes ?
La courbe nous aide à formuler la première. AI LIGHT apporte un cadre pour traiter la seconde dès aujourd’hui, avant que les décisions d’emploi ne deviennent irréversibles pour les personnes concernées.
Par Dr Az-Eddine Bennani, HDR France.
Depuis plusieurs années, j’alerte sur la croyance selon laquelle l’IA pourrait remplacer les humains par principe. Elle peut accomplir certaines tâches et transformer des métiers.
Cela ne dispense aucun dirigeant d’évaluer le travail réel ni de répondre des conséquences d’un licenciement décidé sur la foi d’une promesse technologique.
La publication de Gartner pose finalement deux questions distinctes. La prévision de réembauche se vérifiera-t-elle ? Et comment éviter que des salariés supportent seuls le coût de décisions prises au sommet des attentes ?
La courbe nous aide à formuler la première. AI LIGHT apporte un cadre pour traiter la seconde dès aujourd’hui, avant que les décisions d’emploi ne deviennent irréversibles pour les personnes concernées.
Par Dr Az-Eddine Bennani, HDR France.