Quand l’IA retire les postes d’entrée, elle retire aussi l’école du métier

Beaucoup de tâches d’entrée attirent l’IA parce qu’elles sont répétitives, structurées et relativement faciles à vérifier. Les automatiser réduit les coûts et libère les employés expérimentés du travail courant.

Cela retire aussi l’environnement dans lequel une personne inexpérimentée le devient.

Le travail junior n’a jamais valu uniquement pour ce qu’il produit sur le moment. Il permet d’observer comment une organisation décide, de s’exercer sur des problèmes à faible risque, de recevoir des corrections et d’accumuler le contexte nécessaire aux mandats plus exigeants. Si un employeur automatise le bas de l’échelle sans reconstruire cet apprentissage, le gain d’efficacité immédiat peut créer une pénurie durable de talents seniors compétents.

Joseph Fuller, professeur à la Harvard Business School, a décrit cette pression pendant The Hiring Shift, à Indeed FutureWorks 2026. Les secteurs très exposés à l’IA avaient vu une baisse de 20 pour cent des offres d’emploi de niveau d’entrée, a-t-il dit, et les outils actuels pourraient rendre non rentables environ 12 pour cent de ces postes. Sa préoccupation plus large touchait la relève : d’où viendront les futurs experts et dirigeants si le travail qui les formait disparaît?

Le travail routinier porte souvent des leçons invisibles

Une analyste débutante qui nettoie des données finit par remarquer quelles erreurs reviennent et comment elles influencent les conclusions. Un recruteur junior qui examine des candidatures apprend les mille façons de décrire une expérience pertinente. Une nouvelle conseillère qui prépare des ébauches voit en quoi le problème énoncé par le client diffère du vrai.

Vue d’en haut, la tâche peut sembler mécanique. En dessous, l’exposition répétée construit la reconnaissance des tendances.

Cela ne justifie pas de préserver la corvée pour elle-même. Une grande partie du travail junior est fastidieuse, mal encadrée et faiblement reliée au développement. La vraie question est de savoir quel apprentissage la tâche procurait et comment cet apprentissage se fera une fois la tâche automatisée.

Source : figure A4 de Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence, Erik Brynjolfsson, Bharat Chandar et Ruyu Chen, Stanford Digital Economy Lab.

Un emploi stable peut cacher une porte qui rétrécit

La présentation de FutureWorks distinguait l’emploi des personnes déjà en poste au niveau d’entrée et les occasions offertes à celles qui tentent d’entrer. Ces deux indicateurs peuvent évoluer différemment.

Une organisation peut garder les employés juniors qu’elle a déjà tout en affichant moins de nouveaux postes. L’effectif actuel paraît donc stable pendant que les personnes diplômées et celles en réorientation trouvent moins d’ouvertures. Le temps que la pénurie se manifeste dans l’embauche de mi-carrière, plusieurs années de développement sont déjà perdues.

L’enjeu dépasse les jeunes diplômés. Les postes d’entrée servent aussi de porte d’accès aux personnes qui changent de métier, qui reviennent après avoir pris soin d’un proche, qui immigrent ou qui convertissent une expérience informelle en carrière officielle. Une relève plus mince réduit la mobilité de tout ce monde.

Source : figure 1 de la même étude du Stanford Digital Economy Lab.

L’IA peut accélérer l’apprentissage, mais seulement s’il est conçu

Bien utilisée, l’IA donne à un employé junior une rétroaction plus rapide, explique des notions nouvelles, produit une ébauche à critiquer et rend des outils avancés accessibles plus tôt. Cela peut comprimer une partie de la courbe d’apprentissage.

Elle ne fournit pas d’office le contexte organisationnel, l’imputabilité ni le jugement calibré. Une personne novice peut produire un travail soigné sans repérer une hypothèse boiteuse. Si le collègue senior ne voit que le résultat final, il ne saura pas quelles parties le junior comprend et lesquelles viennent du système.

Le développement exige donc un raisonnement visible. Demandez aux employés d’expliquer leurs choix, de confronter les résultats aux sources, de comparer des approches et de nommer ce que l’outil a manqué. Confiez-leur de vraies décisions aux conséquences délimitées, pas seulement la responsabilité d’interroger un système.

Le rôle du gestionnaire prend de l’importance. On apprend encore en faisant, mais il faut maintenant concevoir le « faire » quand la technologie retire les anciennes répétitions.

Que doivent donc reconstruire les employeurs?

Avant d’automatiser une tâche d’entrée, cernez sa fonction formatrice. Qu’apprenait-on de la répétition? Quelles relations la tâche créait-elle? Quelles erreurs pouvait-on commettre sans danger? Quelles règles non écrites devenaient visibles?

Relocalisez ensuite ces occasions. Créez des stages d’apprentissage, des rotations, une exposition supervisée aux clients, des revues de cas, des simulations et des décisions progressivement plus grandes. Jumelez la production assistée par l’IA à des retours en équipe. Vérifiez si un employé junior sait reconnaître un mauvais résultat, et pas seulement en générer un qui a l’air bon.

La planification de la main-d’œuvre devrait aussi modéliser la relève sur plusieurs années. Une analyse de rentabilité par tâche montrera des économies immédiates. Une analyse par talent doit inclure les coûts de recrutement futurs, le risque de relève et la rareté créée quand moins de gens acquièrent une expérience intermédiaire.

Pour une personne en début de carrière, le poste le plus utile est peut-être celui qui donne accès au contexte et à la rétroaction, même si un autre offre des outils plus sophistiqués. Demandez qui révisera votre travail, quelles décisions vous finirez par assumer et comment on passe de junior à collaborateur de confiance.

Le poste d’entrée de demain n’a pas à conserver toutes les tâches d’hier. Il doit conserver un chemin crédible entre savoir peu et se voir confier davantage.