Ils ont remplacé des salariés par l’IA. Puis ils ont dû rappeler des humains : pourquoi le « tout IA » commence déjà à reculer

Pendant deux ans, une partie du discours sur l’intelligence artificielle a tenu en une équation simple : si une machine peut accomplir une tâche, l’entreprise aura besoin de moins de salariés. Les premiers retours d’expérience montrent une réalité beaucoup moins linéaire.

Certaines entreprises qui avaient fortement automatisé réintroduisent des humains. D’autres renforcent au contraire leurs investissements dans l’IA tout en recrutant davantage. Et dans l’industrie, l’expertise de salariés expérimentés est remise au centre de processus pourtant équipés de vision artificielle et d’automatisation.

Le phénomène ne signifie donc pas que les entreprises abandonnent l’IA. Il révèle quelque chose de plus important : automatiser une tâche n’est pas équivalent à remplacer un métier.

Le « tout IA » rencontre son premier mur : la qualité

L’IA est particulièrement efficace lorsqu’une tâche est fréquente, standardisée, documentée et mesurable. Elle peut classer une demande, résumer un dossier, détecter une anomalie visuelle ou répondre instantanément à une question connue.

Mais une entreprise ne produit pas uniquement des tâches standardisées. Elle doit gérer des exceptions, des clients mécontents, des défauts inhabituels, des arbitrages, des responsabilités et des situations où le contexte compte davantage que la réponse moyenne.

C’est précisément dans cet espace que réapparaît la valeur de l’humain : jugement, expérience, empathie, responsabilité et capacité à reconnaître qu’un problème ne ressemble pas aux précédents.

Klarna : le cas emblématique du retour de l’humain

En février 2024, Klarna annonce que son assistant IA a traité les deux tiers des conversations de son service client dès son premier mois.

L’entreprise explique alors que l’outil réalise l’équivalent du travail de 700 agents à temps plein, réduit le temps moyen de résolution d’environ 11 minutes à moins de 2 minutes et pourrait améliorer son résultat de 40 millions de dollars sur l’année.

Sur le papier, c’est exactement la promesse de l’automatisation : davantage de volume, plus vite et pour un coût inférieur.

Puis le patron de Klarna reconnaît être allé trop loin

En mai 2025, le discours change. Sebastian Siemiatkowski, CEO de Klarna, reconnaît publiquement que la recherche d’économies avait été poussée trop loin et que la qualité avait fini par en souffrir.

Klarna recommence alors à recruter des agents humains avec un objectif clair : permettre à un client de parler à une vraie personne lorsqu’il le souhaite ou lorsque son problème l’exige.

Ce retournement est souvent résumé par « Klarna abandonne l’IA ». C’est faux. L’assistant continue de traiter les demandes simples. Ce qui recule, c’est l’idée qu’un service client puisse être conçu uniquement autour de l’automatisation.

Le paradoxe Klarna : l’IA peut être rentable et pourtant insuffisante

C’est probablement le point le plus intéressant. Une technologie peut réduire les coûts et accélérer le traitement tout en détériorant certaines dimensions de l’expérience.

Un indicateur opérationnel peut donc s’améliorer alors que la relation client se fragilise. La vitesse de réponse ne mesure ni l’empathie, ni la compréhension d’un cas atypique, ni le sentiment d’avoir été réellement entendu.

L’enjeu n’est plus de savoir si l’IA fonctionne. Il est de déterminer jusqu’où il est économiquement raisonnable de la laisser fonctionner seule.

Ford : l’expérience humaine revient dans la boucle qualité

Le cas Ford raconte une histoire différente. Le constructeur n’a pas abandonné ses systèmes automatisés et continue au contraire à utiliser la vision par IA et d’autres outils pour améliorer la qualité.

Mais Ford a parallèlement renforcé ses processus de revue avec environ 300 ingénieurs vétérans. Leur rôle consiste notamment à apporter l’expérience accumulée lors de la conception et de l’analyse des défauts.

L’intérêt du cas Ford tient précisément à cette coexistence : les caméras et algorithmes peuvent analyser d’immenses volumes d’images ; les ingénieurs expérimentés savent interpréter un signal, remonter à sa cause et reconnaître des problèmes qui ne ressemblent pas exactement aux exemples précédents.

Le savoir tacite : ce que les bases de données capturent mal

Une grande partie de l’expérience professionnelle est difficile à écrire dans un manuel. Un technicien reconnaît un bruit inhabituel. Un ingénieur repère une incohérence dans une pièce. Un conseiller comprend qu’un client ne pose pas réellement la question formulée dans son message.

Ce savoir est dit tacite : il provient de milliers de situations observées et d’erreurs accumulées au fil des années.

Les modèles d’IA peuvent apprendre à partir de données historiques, mais l’entreprise doit d’abord disposer de ces données, les avoir correctement décrites et savoir ce qu’elle cherche. L’expert humain devient alors aussi celui qui produit, corrige et enrichit la matière dont l’IA a besoin.

IBM : automatiser des fonctions tout en recrutant davantage

IBM offre encore un autre scénario. Le groupe a automatisé des centaines de tâches administratives et de ressources humaines grâce à l’IA.

Mais cette automatisation ne s’est pas traduite par une disparition générale des recrutements. En 2026, IBM annonce vouloir tripler ses recrutements de profils débutants aux États-Unis.

Les postes changent : davantage d’analyse, de résolution de problèmes, de programmation, de relation commerciale et de supervision des systèmes IA ; moins de tâches administratives répétitives.

L’IA supprime donc plus facilement des tâches que des métiers

Un métier est un assemblage de tâches. Certaines sont automatisables aujourd’hui ; d’autres le sont partiellement ; d’autres encore nécessitent un jugement, une responsabilité ou une interaction humaine.

Lorsqu’une entreprise automatise 30 %, 50 % ou même 70 % des tâches d’un poste, elle ne supprime pas automatiquement le besoin de la personne. Elle peut modifier son rôle.

C’est ce qui rend les annonces du type « l’IA remplace 700 salariés » difficiles à interpréter : elles mesurent souvent une quantité de travail automatisée, pas nécessairement 700 licenciements suivis d’une disparition définitive de ces compétences.

Pourquoi les entreprises ont-elles surestimé le remplacement ?

Le premier biais est financier. Une démonstration d’IA calcule facilement le coût d’un agent, le nombre de demandes automatisées et le temps gagné. Elle calcule beaucoup moins facilement le coût d’une mauvaise réponse, d’un client perdu ou d’une expertise qui disparaît.

Le deuxième biais est technologique : une performance moyenne élevée masque les cas rares. Or ce sont souvent précisément ces cas rares qui coûtent le plus cher.

Le troisième biais est organisationnel. Quand les salariés expérimentés partent, une entreprise peut découvrir trop tard qu’une partie de son fonctionnement reposait sur des connaissances qui n’avaient jamais été formalisées.

Le coût caché du « humain supprimé »

Remplacer un salarié ne supprime pas nécessairement son travail. Une partie peut revenir sous forme d’escalades, de corrections, de contrôle qualité, de support technique ou de supervision de l’IA.

L’entreprise peut alors déplacer le coût plutôt que le supprimer.

Un chatbot très bon marché qui oblige 5 % des clients à recommencer trois fois leur démarche peut être moins efficace économiquement qu’un système hybride qui détecte rapidement les situations nécessitant un humain.

Le modèle qui émerge : IA d’abord, humain quand cela compte

Le compromis le plus robuste ressemble de plus en plus à une architecture à plusieurs niveaux.

L’IA traite les volumes importants, les demandes répétitives, les recherches documentaires, les classifications et les premiers diagnostics. L’humain intervient pour les exceptions, les décisions engageantes, les clients sensibles, les situations ambiguës et les problèmes où l’expérience apporte une information absente des données.

Cette organisation ne protège pas nécessairement tous les emplois existants. Elle transforme leur contenu et peut réduire les effectifs sur certaines fonctions. Mais elle est très différente du scénario où l’IA remplace simplement une équipe entière.

Les nouveaux métiers seront aussi des métiers de contrôle

Plus une entreprise utilise l’IA, plus elle doit savoir qui contrôle ses résultats, qui assume une décision erronée, qui mesure les dérives et qui améliore les données.

Des fonctions autrefois périphériques deviennent donc centrales : validation, audit, qualité, sécurité, conformité, gouvernance des données et conception des interactions humain-machine.

Le paradoxe est puissant : déployer davantage d’IA peut créer davantage de besoin pour certains profils humains très qualifiés.

Le retour des humains n’est pas un échec de l’IA

Klarna, Ford et IBM ne racontent pas la même histoire. C’est justement ce qui les rend intéressants ensemble.

Klarna montre qu’une automatisation très poussée peut rencontrer une limite de qualité et conduire à réintroduire des conseillers. Ford montre que l’expertise humaine peut être renforcée en même temps que la vision IA. IBM montre qu’une entreprise peut automatiser certaines fonctions et simultanément recruter davantage sur des métiers redessinés.

Dans les trois cas, l’opposition « humains contre IA » décrit mal la réalité.

La vraie question devient : quelle part du métier voulons-nous automatiser ?

Le débat sur l’emploi se focalise souvent sur le nombre de postes supprimés. Pour comprendre la transformation en cours, il faut regarder plus finement la composition de chaque métier.

Quelles tâches peuvent être confiées à une machine sans dégrader la qualité ? Lesquelles nécessitent un contrôle ? À quel moment le client doit-il pouvoir demander un humain ? Quelle expertise doit rester dans l’entreprise pour que l’IA continue elle-même à progresser ?

Ces questions sont moins spectaculaires qu’une annonce de remplacement massif. Elles sont probablement beaucoup plus importantes.

Après l’IA qui remplace, voici l’IA qui augmente

La première phase de l’IA générative a été dominée par la fascination pour la substitution : combien d’emplois pourrait-elle supprimer ?

Les premiers retours d’expérience déplacent progressivement la question : quelles équipes deviennent meilleures lorsqu’elles disposent d’IA ?

La nuance change tout. Dans le premier modèle, l’humain est un coût à éliminer. Dans le second, l’IA est un levier qui permet à l’humain de consacrer davantage de temps aux tâches où son jugement produit réellement de la valeur.

Le futur du travail ne sera donc probablement ni « tout humain » ni « tout IA ». Les entreprises commencent déjà à découvrir que leur avantage compétitif peut résider dans la manière dont elles combinent les deux.