Quand l'IA dévalorise toute « expérience », quelle est la denrée rare ?

Introduction : Une question de la part de la directrice financière d’OpenAI a mis l’« expérience » sur le banc des accusés

Le 11 septembre, Wall Street News a rapporté à plusieurs reprises un jugement de Sarah Friar, directrice financière d’OpenAI : lorsque l’IA dévalorise toute « expérience », quelle est la denrée rare pour les entreprises ? La version pour les particuliers est encore plus directe — votre expérience vaut-elle encore de l’argent ?

Cette affirmation s’est beaucoup répandue dans la communauté, car elle ne touche pas une anxiété abstraite, mais des scénarios concrets qui se produisent chaque jour : un programmeur avec huit ans d’ancienneté découvre qu’un nouveau venu a utilisé l’IA pour écrire en trois jours un module sur lequel il devait passer une semaine ; un rédacteur avec dix ans de métier constate qu’il n’a plus besoin de rédiger les brouillons lui-même ; un vétéran de l’analyse de données regarde un stagiaire générer directement des graphiques en langage naturel. La phrase la plus fréquente dans les commentaires est « ai-je fait tout ça pour rien pendant ces années ? » — c’est précisément de cette question et de savoir si elle justifie la panique que nous traiterons dans cet épisode.

Ces barrières qui étaient autrefois construites par l’accumulation d’années sont en train d’être démolies seconde par seconde dans les boîtes de dialogue. Mais ce qui est démantelé et ce que la panique pense être démantelé ne sont en fait pas la même chose.

Shiwen : La directrice financière d’OpenAI déclare personnellement que « l’expérience se dévalue », votre première réaction est-elle l’approbation ou la prudence ?

Yongliang : D’abord la prudence, ensuite l’approbation. La prudence parce que la personne qui dit cela a un motif — préparer la voie à la substitution de la main-d’œuvre par l’IA ; l’approbation parce qu’une fois le biais écarté, ce jugement se tient. Mais le mot « expérience » est utilisé de manière trop générale, au point d’enterrer presque ce qui a vraiment de la valeur.

Shiwen : Alors discutons-en à fond : quelle partie de l’expérience est en train de se dévaluer, quelle partie ne l’est pas, pourquoi les entreprises paieront-elles à l’avenir, et vers où un citoyen ordinaire devrait-il redoubler d’efforts maintenant.

Q1 : La thèse de la « dévaluation de l’expérience » est-elle valable en soi ?

Yongliang : La thèse est valable, mais ce qui se dévalue n’est pas la partie qui n’a commencé à se dévaluer qu’avec l’apparition de l’IA.

Je viens du monde Java et j’ai travaillé dans la technique pendant dix-sept ans. L’expérience opérationnelle accumulée au cours de ces dix-sept années n’arrêtait pas d’expirer : les techniques de configuration Struts dont j’étais fier au début de ma carrière, les méthodes d’optimisation SQL manuelles, la compréhension des conteneurs EJB — ces choses qui rapportaient des augmentations à l’époque, plus de la moitié sont déjà au musée. Au cours de ces années intermédiaires, les frameworks sont passés de SSH à la suite Spring, puis aux microservices et au cloud natif ; chaque changement de sang a sonné le glas d’un lot d’« expériences ». L’IA n’a pas inventé la dévaluation de l’expérience, elle a juste mis les gaz sur un processus qui fonctionne depuis vingt ans, et elle a appuyé très fort.

Comment savoir si son expérience est en train d’être dévaluée ? J’ai résumé une méthode rustique : tout ce qui peut être écrit sous forme de SOP, de checklist, et ce qu’un nouveau peut apprendre en trois mois de formation, est sur la voie de la dévaluation. Parce que l’essence de cette partie est le « pattern matching » — avoir vu suffisamment de cas pour savoir comment faire la prochaine étape. Or, le pattern matching est précisément ce que les modèles font le mieux ; ils ont vu plus de cas que vous de plusieurs ordres de grandeur.

Ce qu’il faut vraiment craindre, c’est l’équivoque dans la formulation : « la dévaluation de l’expérience » est présentée comme « la dévaluation de l’ancienneté ». Si les entreprises comprennent cette phrase comme « les vieux employés ne servent à rien », c’est une erreur d’interprétation — ce qui se dévalue, ce sont les routines opérationnelles codifiables et réutilisables, pas le jugement ni le sens des responsabilités. Ces deux choses n’ont jamais été écrites dans la section compétences d’un CV et n’ont jamais eu de date de péremption. Les jeter avec les techniques opérationnelles obsolètes est l’erreur la plus coûteuse de ce cycle d’anxiété.

Q2 : Alors, ce qui ne s’est pas dévalué, voire qui a augmenté de prix, qu’est-ce que c’est ?

Yongliang : C’est l’instinct pour juger si « ce plan peut être mis en œuvre », et le fait de se lever quand le système tombe en panne.

Parlons d’abord de l’instinct de jugement. Dans la première minute où vous entendez le besoin, vous savez où est le piège — le budget de ce client ne peut pas soutenir cette architecture, cette équipe ne peut pas gérer ce processus, cette fonction ne sera utilisée par personne une fois mise en ligne. Cette intuition est accumulée à travers des centaines de projets échoués ; ce n’est pas une connaissance, c’est plutôt comme un odorat, elle donne une conclusion sans passer par une déduction logique. L’IA peut vous donner dix plans, chacun semblant structurellement complet et bien argumenté, choisir lequel, lequel a des coûts cachés, lequel explosera dans trois mois, cette étape doit encore être faite par un humain. Et plus l’environnement organisationnel est complexe, plus cet instinct a de la valeur, car les pièges sont souvent pas techniques, mais humains et processus.

Parlons ensuite de la capacité à porter le chapeau (accepter la responsabilité). Cela ressemble à une blague, mais c’est sérieux. Quand le système tombe en panne au milieu de la nuit, qui peut juger l’étendue de l’impact, décider du rollback, et expliquer clairement la situation au patron et au service client ? Le modèle peut donner des conseils, lister une, deux, trois, quatre ou cinq options, mais il ne peut pas assumer la responsabilité de cette décision. La responsabilité est une denrée rare qui ne peut pas être externalisée — tant que le monde des affaires aura besoin de quelqu’un pour signer, de quelqu’un pour être réveillé par téléphone au milieu de la nuit, cette phrase tient. Quand je recrute, j’ai un critère atypique : les personnes qui ont rencontré des accidents majeurs en ligne et les ont gérés ont une priorité très élevée. Car la valeur de ce genre de personne ne réside pas dans l’absence d’incidents, mais dans le fait de pouvoir contenir les pertes quand ils surviennent.

Ces deux choses ont un point commun : elles ne sont pas « apprises », elles sont « traversées » (acquises par l’épreuve). Le modèle peut apprendre des connaissances à partir du corpus, mais il ne peut pas traverser les pièges pour vous.

Q3 : Comment répondre au point de vue adverse — si l’on donne au modèle suffisamment de contexte et de moyens d’évaluation, le jugement n’est-il qu’une question de temps ?

Yongliang : C’est une question de temps, mais « une question de temps » est justement le point clé — parce que le fait de rendre explicites les connaissances tacites doit encore être fait par des humains, et dans la fenêtre visible, les personnes qui font cela sont la denrée rare.

Prenons un exemple de mon industrie. L’IA donne une proposition d’informatisation médicale, techniquement irréprochable : architecture raisonnable, composants matures, indicateurs de performance atteints. Mais elle ne sait pas qui a fait le système HIS de cet hôpital il y a dix ans, à quel point le dictionnaire de données est en désordre, que le directeur du département informatique et le directeur adjoint font avancer la même chose mais avec des discours incohérents, ou si ce que le directeur veut vraiment est une notation ou un contrôle des coûts. Ces contextes ne se trouvent pas dans les documents, ils sont dans la tête des gens. Pour que le modèle absorbe cette couche de jugement, il faut d’abord que quelqu’un rende toutes ces connaissances tacites explicites, les organise sous une forme qu’il peut digérer et les lui donne — et celui qui fait cela est encore un humain.

Certains diront que lorsque les moyens d’évaluation mûriront, le modèle pourra lui-même vérifier la qualité du plan. Le problème est que l’évaluation ne peut couvrir que les indicateurs définis, alors que les contraintes tacites ne sont justement pas dans les indicateurs — comment écrire « l’incohérence entre le directeur adjoint et le directeur » dans l’évaluation ? Comment écrire « le directeur veut une notation » dans les tests unitaires ?

Donc ma réponse est : le jugement sera en effet finalement partiellement compressé dans le modèle, mais chaque étape de ce processus de compression nécessite des porteurs humains. À l’avenir, la denrée rare n’est pas le mot abstrait « jugement », mais « la personne capable de donner le contexte tacite à l’IA ». Ce qui est rare est passé de « la personne qui a de l’expérience » à « la personne qui sait guider l’IA » — ce changement est beaucoup plus important que les quatre mots « dévaluation de l’expérience », car il indique vers où les humains doivent redoubler d’efforts.

Q4 : Si la denrée rare change, la logique des dépenses des entreprises change aussi — où cela change-t-il ?

Yongliang : La prime passe de « l’ancienneté » à trois choses : les données privées, la capacité de traduction métier, et le mécanisme de responsabilité.

Par le passé, les entreprises payaient une prime pour l’ancienneté, car l’ancienneté ≈ expérience ≈ moins de pièges. Comme l’expérience elle-même est devenue moins chère, l’argent ira vers trois nouvelles cibles.

Premièrement, des données privées de haute qualité. C’est la douve infranchissable que le modèle ne peut pas remplacer — le modèle mange des corpus publics, il n’a jamais vu vos enregistrements de transactions, vos paramètres de processus, l’historique de vos clients, vos tickets de service. Celui qui a des données privées abondantes et propres verra son IA mise en œuvre plus vite. C’est pourquoi, lorsque je conseille les entreprises, ma première recommandation est toujours : ne vous précipitez pas pour déployer des modèles, faites d’abord l’inventaire de vos actifs de données.

Deuxièmement, les personnes capables de traduire des problèmes métier en tâches pour l’IA. Le côté métier dit « améliorer la rétention », c’est un besoin, pas une tâche ; la tâche est « segmenter les utilisateurs silencieux des 90 derniers jours, prédire la probabilité d’attrition, générer trois niveaux de scripts de rappel et concevoir des tests A/B ». Cette traduction intermédiaire, peu de gens savent bien la faire maintenant — elle exige à la fois de comprendre le jargon métier et les limites des capacités du modèle, c’est ce que je privilégie le plus lors du recrutement, je préfère laisser passer un pur technicien très fort.

Troisièmement, le mécanisme de responsabilité pour les résultats. Plus l’IA est impliquée, plus la production semble légitime, et plus la « personne qui signe et est responsable » devient critique au sein de l’organisation. Des étapes qui sonnent bureaucratiques comme l’audit, la révision, la chaîne de signatures, deviendront plus importantes et non moins importantes à cause de l’IA. Inversement, les postes de pure exécution seront continuellement compressés — postes de codage junior, rédaction de brouillons, traitement de données de base, le nombre et le prix unitaire de ces positions sont en baisse. Ce n’est pas ma prédiction, c’est la direction de l’emploi déjà suggérée par quelqu’un du statut de la directrice financière d’OpenAI lorsqu’elle dit cela.

Q5 : Un ingénieur avec cinq ans d’expérience, dont les compétences sont en train d’être couvertes par le modèle, sur quoi devrait-il investir maintenant ?

Yongliang : Arrêtez de faire la compétition vers « plus de compétence », allez vers « plus difficile à décrire ».

Trois points concrets. Premièrement, construisez votre valeur sur des situations spécifiques : votre industrie, les clients que vous avez rencontrés, les désordres que vous avez gérés et qui ne sont pas écrits dans les manuels. Ce à quoi le modèle excelle, ce sont les domaines avec des réponses standard et des corpus massifs ; la situation spécifique est votre brise-lames. Pour écrire du code, un ingénieur qui comprend les processus métier hospitaliers et un qui ne comprend pas, l’écart de prix à l’ère de l’IA s’élargira plutôt qu’il ne se rétrécira.

Deuxièmement, chaque semaine, prenez de vrais problèmes pour promener l’IA, mais ne copiez pas la réponse, il faut faire un retour (post-mortem) sur pourquoi elle s’est trompée. Créez un document, notez où elle a pris les choses pour acquises cette fois, où elle a manqué une contrainte, quelle suggestion causerait des problèmes si elle était suivie. L’endroit où elle se trompe est la jauge de la valeur humaine restante. Si vous tenez cette habitude pendant six mois, vous verrez plus tôt que les autres où est votre douve, et le « dossier des pièges de l’IA » accumulé deviendra lui-même un actif de données privées.

Troisièmement, exercez-vous à l’expression. À l’avenir, la compétition entre humains sera en grande partie une compétition sur « qui peut expliquer le problème clairement » — transformer une demande métier floue en une instruction exécutable par l’IA, transformer la faisabilité technique en une base de décision compréhensible pour le patron. L’expression est la sortie des connaissances tacites, plus cette sortie est large, meilleure est la qualité du contexte que vous donnez à l’IA, et plus votre levier est grand.

Conclusion

Shiwen : Enfin, en une phrase, résumez cet épisode ?

Yongliang : À chaque fois qu’une vague technologique crie « telle chose va se dévaluer », ce qui finit vraiment par se dévaluer n’est souvent que le seuil — la porte est devenue plus basse, la pièce est encore plus bondée, pour tenir debout, il faut encore avoir quelque chose que les autres ne peuvent pas emporter.

Shiwen : Cette phrase, offrons-la à tous. À la prochaine.

---

[Profondeur technique] Pourquoi le modèle ne peut pas « consommer » les connaissances tacites : Démontage sous l’angle de l’ingénierie du contexte

Cet épisode a répété « contexte tacite », décomposons pour les lecteurs techniques pourquoi c’est un handicap structurel du modèle, et non un manque d’effort temporaire.

Regardons d’abord la nature de l’entrée du modèle. Toute l’entrée d’un grand modèle est une séquence de tokens. Ce qu’on appelle « donner suffisamment de contexte au modèle » signifie en pratique : quelqu’un organise le jugement de son esprit en texte, le récupère en documents, et le fourre dans la fenêtre de contexte. Ce processus « organiser — récupérer — fourrer », c’est ce que toute l’industrie appelle aujourd’hui l’ingénierie du contexte (context engineering). Cela prouve précisément mon point : chaque fois qu’une connaissance tacite est utilisée, elle doit d’abord passer par une explicitation manuelle. Les outils évoluent, du copier-coller manuel au RAG jusqu’à la récupération automatique par les agents, mais l’étape « la source de la connaissance vient du cerveau humain » n’a jamais changé.

Regardons ensuite pourquoi la récupération ne peut pas sauver la mise. L’hypothèse du RAG est que « la connaissance a déjà été écrite dans un document et peut être trouvée par la similarité des embeddings ». Les jugements les plus précieux dans une organisation sont justement ceux qui ne sont pas écrits : pourquoi la dernière fois on a choisi le plan B et pas le A, quel client a promis verbalement quelque chose, quel morceau de code est une mine laissée par le prédécesseur. L’embedding capture la similarité sémantique, pas la causalité ni les enjeux — et ceux-ci sont les matières premières du jugement.

Enfin, regardons le niveau réel de la mémoire des agents. Les solutions de mémoire à long terme actuelles des agents (résumés de session, mémoire vectorielle, fichiers de compétences) peuvent se souvenir « de ce qui s’est passé », mais ont du mal à se souvenir « pourquoi on a décidé ainsi à ce moment-là ». Le contexte de la décision — les contraintes de l’époque, les compromis, l’appétence au risque — ne peut presque pas être stocké de manière compressée. C’est aussi pourquoi, dans la plupart des projets de mise en œuvre de l’IA d’entreprise que j’ai vus, le goulot d’étranglement n’a jamais été la capacité du modèle, mais le fait que personne ne veuille passer du temps à organiser explicitement les connaissances.

En une phrase : l’appétit du modèle pour la connaissance est infini, mais la cuillère pour le nourrir reste toujours dans la main humaine. C’est l’explication au niveau de l’ingénierie de la rareté des « personnes qui savent guider l’IA ».