Depuis la Révolution industrielle, l’automatisation a balayé les ateliers d’usine, décimé les lignes de montage et robotisé les centres de tri logistique dans une relative indifférence de ce que l’on nomme, mal, les élites. C’était le sens de l’histoire. Mais dès lors que les modèles de langage effleurent les prérogatives des travailleurs de la connaissance (juristes, consultants, journalistes, universitaires), tout à coup l’automatisation cesse d’être un simple gain d’efficacité technique pour se convertir en une crise existentielle de civilisation.
Parce que nous autres, intellectuels, avons une tribune et manions la plume. Alors, on projette. On projette nos angoisses, sur l’ensemble du corps social. Mais ces angoisses ne sont pas nouvelles, elles touchent juste un part de la population qui les partage sur LinkedIn.
Autre constat, ironique : ce n’est pas parce que ceux qui écrivent paniquent que leurs emplois disparaissent. À ce jour, sur le plan macroéconomique et empirique, aucun choc causal négatif sur l’emploi net n’a été démontré. Je sais, c’est pas ce que dit habituellement notre fil de réseaux sociaux, dopé à l’alarmisme. C’est pourtant la stricte vérité d’un point de vue scientifique : nous nageons en pleine confusion entre :
- Corrélation (mise à disposition au public des modèles de langage et modification de la distribution de la masse salariale)
- Causalité (attribution de ces changements à la mise à disposition au public de ces modèles de langage).
Récemment invité à un panel de praticiens du droit sur ces enjeux, j’ai constaté à quel point les diagnostics dominants partent de prémisses justes pour aboutir à des conclusions erronées.
Le piège de l’analogie historique
Lors de ce débat, mon confrère panéliste Ricardo Rodriguez a soulevé un point fondamental : on ne peut pas comparer les modèles de fondation actuels aux vagues technologiques passées. Il a parfaitement raison. L’informatique des quarante dernières années fonctionnait par codification rigide de règles formelles (les systèmes déterministes) ; les LLMs fonctionnent par inférence probabiliste et manipulation du langage. On n’agit donc ni sur les mêmes leviers cognitifs, ni sur les mêmes segments de qualification.
Cependant, il ne faut pas faire dire à ce changement plus que ce qu’il signifie. Constater qu’un outil est d’une nature neuve ne nous autorise en rien à prophétiser une destruction massive d’emplois ou une explosion magique de la productivité, même si c’est ce que les vendeurs d’outil d’IA martèlent à longueur de temps. Un outil différent exige surtout une grille d’analyse différente. Quand le modérateur m’a posé la question “Mais alors, comment mesure-t-on la productivité de cette technologie ?”, le véritable problème est apparu : nous tentons d’évaluer un saut qualitatif avec des instruments de mesure forgés pour le taylorisme.
Les métriques traditionnelles
Vouloir mesurer l’impact des LLMs avec les indicateurs classiques du secteur juridique ou tertiaire pourrait être mal adapté. Prenons quelques exemples :
-
Mesurer la productivité au temps passé pénalise mécaniquement toute efficience algorithmique.
-
Admettons qu’on prenne une métrique sur le volume de livrables (pages rédigées, mémorandums, clauses produites), on ferait encore une erreur (le volume de texte produit ne mesure pas la productivité, mais l’inflation de bruit informationnel), car rédiger une consultation de 40 pages là où une note de synthèse d’une page suffit est un recul de la productivité réelle.
-
Imaginer qu’automatiser 30 % de tâches d’un poste permet de supprimer 30 % du temps de travail d’un être humain ignore le coût de la supervision humaine.
Si ces métriques sont obsolètes, par quoi les remplacer ?
La fausse mort des juniors
Dans les cabinets d’avocats et les directions juridiques, la rengaine est désormais bien rodée : « Nous n’allons plus recruter de stagiaires ni de collaborateurs juniors ; l’IA fera leurs recherches et leurs premières ébauches.
Quand j’entends ça, j’ai envie de dire : mordez l’IA Générative à pleine dents si vous voulez, mais ne vous étonnez pas si vous vous cassez les dents. Parce que ces outils donnent l’impression qu’ils “font le taff”, on croit que c’est le cas. Les cas réels d’automatisation complète racontent une autre histoire.
Par ailleurs, cette prophétie de disparition des juniors repose sur une double erreur de jugement.
Premièrement, les organisations ont tendance à réserver les outils avancés aux associés seniors ou aux profils expérimentés de 50 ou 60 ans sous prétexte qu’ils sont “rentables” et que leur heure facturée vaut plus cher. Ça paraît logique : leur temps est plus précieux, il faudrait donc l’économiser. Cependant, et de manière contre intuitive, c’est exactement l’inverse qu’il faut faire. Si ces profils facturent comme ils facturent, c’est parce que leur critère juridique vaut de l’or. Ce ne sont donc pas eux qui doivent de manière prioritaire opérer ces outils, au contraire : le cabinet doit remplir leur agenda pour qu’ils continuent à facturer à 100%. De plus, beaucoup de ces profils, puisqu’ils n’utilisent pas la technologie depuis la maternelle, utilisent ces interfaces avec réticence ou maladresse. À l’inverse, les juniors et les stagiaires manipulent ces technologies avec une plasticité et une agilité natives.
Cet argument se suffit à lui même pour commencer à entrevoir une nouvelle forme de mesurer la productivité associée à l’IA dans les cabinets d’avocat. Mais il y a un second point : l’illusion du temps gagné par le senior.
Encore une fois, l’intuition nous induit en erreur. On pourrait penser que si un associé senior décide de ne plus déléguer à un stagiaire pour « prompter » lui-même son IA, il va obtenir le travail plus rapidement. Mais attention ! Car en réalité, quand un associé senior donne l’instruction de produire un memo, il n’est généralement pas nécessaire qu’il l’obtienne dans les 30 prochaines secondes. L’associé senior est, avant tout, multitâche, parce qu’il est très sollicité.
Que se passe-t-il donc si l’associé senior se retrouve seul face à son IA générative ? Très simple. Il passe un temps précieux à formuler des requêtes et, surtout, à traquer les hallucinations et les approximations du modèle. Ce temps passé à corriger une machine est un temps détruit, il a une valeur absolument nulle : l’associé senior il n’a formé personne, n’a transmis aucun savoir tacite et a monopolisé un profil au coût horaire exorbitant sur du débogage textuel.
La thèse de David Autor : l’IA comme compresseur d’expertise
C’est ici qu’interviennent les travaux de l’économiste David Autor, du MIT. Historiquement, les technologies informatiques ont sur-valorisé l’hyper-spécialisation. Pour traiter un problème de niche, mettons, fiscalité transfrontalière ultra-pointue, brevets complexes ou contentieux de rupture, il fallait mobiliser un expert rare, dont les 15 ans d’expérience constituaient une rente de rareté.
L’IA générative inverse cette dynamique : elle agit comme une prothèse cognitive.
Elle ne remplace pas l’expertise ; elle abaisse le coût d’accès à l’échafaudage technique. Elle permet à des profils généralistes et intermédiaires d’accéder instantanément à un corpus d’expertise procédurale qui leur était jusqu’alors inaccessible sans des années de pratique en silo. Qui sont ces profils ? Précisément nos juniors et nos stagiaires. Le travail est donc de configurer ces outils de la meilleure manière pour qu’ils servent de pont entre les associés senior et junior. Et ça, c’est avant tout un travail de knowledge management.
Le nouvel indicateur : la bascule de complexité
Dès lors, la véritable mesure de la productivité de l’IA dans les professions intellectuelles n’est ni le temps gagné, ni le nombre de juniors licenciés. On peut le mesurer, mais cette mesure ne nous donnera pas une mesure de la productivité, surtout si on la prend dans le sens économique, c’est à dire, facturer plus.
Le véritable indicateur est le suivant :
Quelle est la proportion de problèmes hautement sophistiqués — nécessitant hier l’intervention exclusive d’un profil hyper-spécialisé — qui peuvent aujourd’hui être pris en charge, instruits et résolus avec succès par un profil junior ou généraliste équipé d’une IA avancée ?
Cet indicateur est une approche intéressante à trois égards :
-
Il se connecte directement à la valeur du modèle d’affaires, car les problèmes hautement sophistiqués sont ceux qui génèrent les plus fortes marges et la plus grande valeur ajoutée pour les clients.
-
Il mesure un arbitrage de coûts en résolvant un problème complexe via un binôme Junior agile + IA qui coûte une fraction du tarif d’un hyper-spécialiste externe ou d’un associé sur-sollicité, tout en libérant ce dernier pour la stratégie pure, la négociation et l’appréciation de documents de haute qualité technique, et donc permettre sa participation sur plus de cas à forte valeur ajoutée.
-
Il restaure la chaîne d’apprentissage, puisqu’au lieu d’être cantonnés à des tâches subalternes de tri de pièces que l’algorithme fait déjà, les stagiaires et juniors sont propulsés beaucoup plus tôt sur des cas à haute intensité intellectuelle, sous la simple supervision finale de leurs aînés.
Commencer à mesurer ce qui compte
Ceux qui prédisent l’éradication des jeunes diplômés par l’intelligence artificielle commettent la même erreur que ceux qui confondaient, il y a deux ans, les vagues de licenciements des GAFAM dues aux taux d’intérêt avec un prétendu grand remplacement algorithmique.
L’intelligence artificielle ne devrait pas vider les cabinets de leurs stagiaires. Si les directions générales et les associés cessent d’utiliser ces outils comme des machines à écrire dopées pour seniors pressés, l’IA sera le marchepied qui permettra à une génération de généralistes augmentés de pulvériser les silos d’hyper-spécialistes.
C’est là que réside le véritable saut de productivité. Encore faut-il avoir le courage intellectuel de regarder au bon endroit…