Deux ans après les premières mises en garde de Daron Acemoglu sur l’impact de l’IA au travail, ses réserves n’ont pas vraiment été adoptées par le débat public. Les discours alarmistes sur une « apocalypse » des emplois restent visibles, notamment dans la sphère politique, tandis que certains économistes se montrent désormais plus ouverts à l’idée que l’IA pourrait bouleverser l’emploi. En toile de fond, la question demeure : assiste-t-on à une transformation progressive, mesurable dans les statistiques, ou à un risque plus diffus et encore mal capté par les données ?

Interrogé pour clarifier son point de vue, Acemoglu estime que les éléments empiriques disponibles soutiennent jusqu’ici sa thèse prudente. Mais il observe aussi des évolutions techniques susceptibles de modifier la trajectoire de l’IA. Son angle se concentre moins sur une éventuelle intelligence artificielle générale imminente que sur les mécanismes concrets qui pourraient, ou non, accélérer la substitution au travail humain.

Les « agents » : une avancée, mais pas une copie du travail humain

Parmi les évolutions les plus marquantes figurent les « agents » : des systèmes capables d’accomplir des objectifs de manière plus autonome qu’un simple chatbot. Là où l’IA conversationnelle répond, les agents peuvent tenter d’agir, en enchaînant des actions pour mener une tâche à son terme. Plusieurs entreprises présentent ces outils comme une solution de remplacement « à grande échelle » du travail humain.

Pour Acemoglu, la conclusion est trop rapide. Selon lui, l’enjeu ne se résume pas à l’autonomie apparente des agents, mais à leur capacité à couvrir l’ensemble d’un poste, avec toutes ses variations, ses transitions et sa gestion d’imprévus. Un travail réel combine souvent de multiples sous-tâches, utilisant des systèmes et des formats différents, avec des changements fluides effectués naturellement par les humains.

La question décisive est donc la suivante : ces agents parviendront-ils à orchestrer efficacement l’ensemble des segments du travail, sans dériver ni accumuler des erreurs ? Tant que l’on en reste à des démonstrations limitées ou à des performances dépendantes du contexte, le risque de substitution massive reste, aux yeux de l’économiste, moins certain. À l’inverse, si l’« agencement » devient fiable à grande échelle, l’impact sur l’emploi pourrait se renforcer, même sans changement radical vers une intelligence générale.

Une nouvelle dynamique RH et « économique » dans les entreprises IA

Au-delà des capacités techniques, Acemoglu souligne un autre signal : les entreprises du secteur n’installent pas seulement des équipes d’ingénieurs. Elles renforcent aussi des structures dédiées à l’analyse des effets économiques de l’IA.

Cette montée des compétences économiques à l’intérieur des grands acteurs traduit un besoin croissant de comprendre où, comment et à quelles conditions l’IA modifie l’organisation du travail : productivité, réallocation, complémentarités avec les compétences existantes, ou risques de discontinuités. En d’autres termes, les entreprises cherchent à mieux mesurer et anticiper les impacts, y compris du point de vue des décideurs et des cadres réglementaires.

Dans cette perspective, un indicateur à suivre concerne la façon dont ces équipes traduisent leurs analyses en décisions concrètes : conception des produits, déploiement progressif, ou ciblage de tâches spécifiques plutôt que remplacement global.

Ce qui inquiète : le décalage entre les statistiques et la réalité du travail

Acemoglu reconnaît que l’écart entre le débat public et les données peut créer une illusion : d’un côté, les études ne montrent pas encore d’effet clair sur les taux d’emploi ou les licenciements ; de l’autre, les transformations technologiques avancent vite et peuvent agir sur certains segments avant d’apparaître dans les agrégats statistiques.

Son inquiétude porte donc moins sur un basculement immédiat et spectaculaire que sur la possibilité d’impacts plus graduels mais cumulés : disparition ou réduction de certaines tâches, déstabilisation de certaines professions, et recomposition des compétences. Autrement dit, l’IA peut modifier le travail sans se traduire immédiatement par des chiffres nets au niveau macroéconomique.

En suivant cette trajectoire, deux questions deviennent centrales : les agents parviennent-ils à s’insérer durablement dans des processus de travail complexes ? Et les organisations humaines parviennent-elles à réorganiser les tâches sans créer de frictions sociales ou économiques trop rapides ?

Pour explorer l’angle « organisation et productivité » souvent lié à ces sujets, certains acteurs s’équipent aussi d’outils de gestion et d’automatisation qui structurent les flux de travail. Par exemple, un gestionnaire de tâches et de flux peut aider à cartographier les activités et à identifier ce qui relève de l’humain, de l’outil, ou de la combinaison des deux dans un processus concret.

Dans la même logique, les équipes évaluent parfois l’impact de l’IA en mettant en place des environnements de test et de documentation. Un outil de prise de notes et de traçabilité peut servir à suivre les décisions et mesurer l’évolution des méthodes, ce qui rejoint l’objectif de mieux relier les changements techniques à la réalité opérationnelle.

Accélérer l’innovation en intelligence artificielle ne dépend pas seulement de la puissance des modèles. Pour atteindre des résultats concrets, certaines équipes misent sur une approche centrée sur le client, combinée à des outils « agentic » et à une base de données solide. L’objectif : passer d’améliorations progressives à une transformation plus rapide et plus utile, en réduisant le temps entre l’expérimentation et le déploiement.

Des données solides pour des transformations rapides

Dans cette logique, le rôle de la donnée est déterminant. Sans un écosystème fournissant une information riche et de qualité, il serait difficile de faire émerger des solutions performantes. En revanche, lorsque les données sont bien structurées et que des outils agentic sont ajoutés, le cycle de développement peut changer d’échelle : les équipes apprennent plus vite, testent davantage de variantes et itèrent sur un éventail plus large de réponses aux besoins clients.

Cette dynamique permet d’accélérer le passage de la conception à l’exécution. En pratique, en confrontant rapidement les solutions aux demandes réelles et en ajustant le système au fil des retours, l’innovation progresse plus vite—et de manière plus ciblée.

Un exemple d’IA multi-agents au service de l’expérience client

Capital One a illustré cette approche avec Chat Concierge, un cadre d’IA multi-agents conçu pour améliorer l’expérience des acheteurs de voitures et des concessionnaires. Concrètement, l’assistant peut, au cours d’une même conversation, aider à comparer des véhicules pour orienter le choix, puis organiser des étapes comme la planification d’essais ou la prise de rendez-vous avec des équipes commerciales.

Les acheteurs peuvent engager la conversation directement via des sites web de concessionnaires participants. De leur côté, les concessionnaires ont la possibilité d’accéder aux échanges et de reprendre le chat via une plateforme dédiée. L’architecture s’appuie sur plusieurs agents logiques travaillant de concert pour reproduire un raisonnement proche de celui d’un interlocuteur humain, tout en agissant à partir des demandes formulées par le client.

Les piliers d’un état d’esprit « AI-first »

Une enquête récente indique que la plupart des responsables estiment déjà recourir, à divers degrés, à l’IA agentic. Les bénéfices les plus cités portent sur la détection des fraudes et la sécurité, mais aussi sur la réduction des coûts et l’amélioration de l’efficacité. L’amélioration de l’expérience client revient également parmi les usages perçus comme porteurs.

À l’avenir, les attentes semblent renforcées : de nombreux dirigeants envisagent de continuer à progresser sur la fraude, la sécurité et, dans une moindre mesure, sur l’expérience client. Dans le secteur bancaire, plusieurs cas d’usage sont souvent évoqués, comme la réponse aux demandes de service, l’ajustement de paiements pour les aligner sur des rythmes de revenus, ou encore l’extraction de clauses clés depuis des accords financiers.

Pour placer le client au centre de la transformation, l’enjeu est d’adopter une démarche « AI-first » : il ne s’agit pas seulement d’ajouter de l’IA à un produit existant, mais de reconfigurer le problème et la manière dont l’utilisateur l’aborde, en tenant compte des capacités des systèmes fondés sur l’IA.

Recommandations pour orienter l’innovation vers l’impact

Parmi les bonnes pratiques mises en avant, plusieurs axes reviennent pour structurer une innovation fiable et utile :

• Redéfinir la finalité de l’IA autour d’un problème utilisateur. L’intérêt ne réside pas dans la poursuite du « buzz », mais dans la capacité à résoudre des besoins concrets. L’objectif est de produire des effets tangibles, pas seulement des démonstrations rapides.

• S’appuyer sur une donnée de qualité, bien gouvernée. Une base unifiée et maîtrisée constitue un socle indispensable. Elle conditionne la capacité du système à percevoir, raisonner et agir avant même que l’utilisateur ne formule explicitement sa demande.

• Repenser les workflows avec l’IA intégrée dès le départ. Les systèmes agentic exigent une supervision rigoureuse et des garde-fous. La confiance passe par des exigences de gouvernance et des standards responsables, notamment pour cadrer la prise d’action.

Pour soutenir ce type d’approche, les équipes privilégient souvent des outils capables d’orchestrer les flux de données et d’accélérer les cycles d’expérimentation. Par exemple, un environnement orienté MLOps peut aider à gérer plus systématiquement le déploiement et le suivi de modèles, avec des fonctionnalités de traçabilité adaptées aux contraintes opérationnelles, comme une solution MLOps orientée déploiement et monitoring.

De même, côté données, l’industrialisation passe fréquemment par des solutions de gouvernance, de catalogage et de qualité. Des options de ce type sont parfois sélectionnées pour harmoniser la donnée et réduire les frictions entre systèmes, par exemple un outil de gouvernance et de gestion de la qualité des données.