Quand l’IA fait le travail des débutants, qui forme la prochaine génération de professionnels ?

Ce qu’une petite mission peut apprendre

Imaginez un client qui signale qu’une même commande apparaît parfois deux fois. Un ingénieur débutant reçoit le ticket. La première question est de savoir si le client a passé deux commandes ou si le système a traité deux fois une seule requête.

L’ingénieur consulte les enregistrements, tente de reproduire le problème et demande de l’aide à un collègue. Ensemble, ils découvrent qu’une requête peut être répétée lorsque la connexion est interrompue. La correction doit empêcher le doublon sans bloquer une nouvelle commande authentique. Quelqu’un doit tester les deux cas avant que la modification n’atteigne les clients.

Le résultat visible est une petite correction. En chemin, l’ingénieur s’est exercé à rassembler des éléments probants, à remettre en question une hypothèse, à expliquer une incertitude et à décider quand demander de l’aide.

Supposons maintenant que l’IA examine les enregistrements disponibles, repère une requête probablement répétée, rédige une correction et génère des tests avant que l’ingénieur ait lui-même remonté jusqu’à la cause. L’équipe terminera peut-être plus tôt. Mais l’ingénieur saura-t-il reconnaître le même problème dans un autre système, ou repérer une erreur dans la correction proposée ?

Ma position est la suivante : une organisation qui automatise un travail ayant aidé les débutants à progresser devrait financer la pratique, le retour d’expérience et l’encadrement qui le remplacent. Sinon, son calcul enregistre l’économie réalisée, mais laisse sans réponse la question de savoir qui paiera la formation qu’apportait autrefois le travail supprimé.

Un problème client. Qu’apprend l’ingénieur ?

Une enquête illustrative sur une commande en double compare une correction proposée par l’IA avec le travail de l’ingénieur pour vérifier la cause, tester les exceptions et expliquer son raisonnement à un collègue.

« J’ai commandé une seule fois. Pourquoi y a-t-il deux commandes ? »Ticket client · Espace de travail et enregistrements donnés à titre d’illustration

Enregistrements de commande

10:42:01

Requête reçue

10:42:02

Commande enregistrée

10:42:03

Connexion interrompue

10:42:05

Requête répétée

L’ingénieur enquête
Vérifier si ces requêtes correspondent à un achat ou à deux.

Suggestion de l’IA · À vérifier

Cause probable : une requête répétée.Projet de correction : reconnaître une requête déjà traitée.

Projets de testsRequête répétée → une seule commande
Nouvel achat authentique → une autre commande

L’ingénieur teste et explique
Reproduire la défaillance. Vérifier qu’un véritable second achat aboutit toujours.

Un collègue examine le raisonnement et la correction
« Montre-moi ce qui l’a provoqué, ce que tu as testé et ce qui reste incertain. »

Correction et résultats des tests prêts pour la revue
Un élément de travail terminé ; cette vue n’évalue pas la compréhension de l’ingénieur.

La question derrière le test

Le test montre-t-il qu’une seconde commande authentique aboutit toujours, ou seulement que les doublons n’apparaissent plus ?

Terminer n’est pas comprendre

Ici, comprendre signifie être capable d’expliquer la cause, de tester la solution proposée, d’en identifier les limites et d’appliquer le raisonnement à un nouveau cas.

Dans une petite étude randomisée publiée en janvier 2026, des chercheurs d’Anthropic ont demandé à des ingénieurs logiciels, débutants pour la plupart, de travailler avec une bibliothèque Python qu’ils ne connaissaient pas. Lors d’un test de connaissances réalisé ensuite, ceux qui bénéficiaient de l’assistance de l’IA ont obtenu en moyenne des scores inférieurs à ceux qui travaillaient sans elle. L’écart le plus important concernait le débogage. Le groupe avec IA a terminé un peu plus vite, mais l’étude n’a pas pu distinguer avec certitude cette différence du hasard.^[1]

L’étude a mesuré la compréhension peu de temps après, et non la compétence des années plus tard. Elle soulève toutefois une préoccupation pratique : le travail terminé en dit peut-être moins qu’avant à un responsable sur la compréhension de son collaborateur.

Des éléments vont aussi dans l’autre sens. Une étude portant sur des agents du support client a montré que l’assistance de l’IA améliorait la productivité, en particulier pour les employés les moins expérimentés. Les chercheurs ont également trouvé des signes d’apprentissage : les améliorations persistaient pendant les interruptions, lorsque les suggestions de l’IA n’étaient pas disponibles.^[2]

Ces études portaient sur des métiers et des outils différents. Dans le cas de notre ingénieur, la question est de savoir ce qui se passe une fois que l’IA a fourni la correction. L’ingénieur cherche-t-il à comprendre pourquoi elle fonctionne et où elle pourrait échouer avant de la soumettre ?

Ce que montrent les données, et ce qu’elles ne montrent pas

Étude	Ce que les chercheurs ont constaté	Ce que cela n’établit pas
Apprentissage d’une bibliothèque de programmation inconnue : 52 ingénieurs logiciels, débutants pour la plupart. Anthropic, janvier 2026. [1]	Les scores moyens au test de connaissances étaient de 50 % avec l’assistance de l’IA et de 67 % sans elle. La différence de temps d’exécution n’était pas statistiquement significative.	Une évaluation restreinte et immédiate n’établit pas la compétence professionnelle à long terme.
Assistance de l’IA pour 5172 agents du support client. Étude publiée, 2025. [2]	15 % de problèmes résolus en plus par heure en moyenne, avec des bénéfices plus importants pour les employés les moins expérimentés. Les améliorations observées pendant les interruptions de l’IA ont fourni des éléments compatibles avec un apprentissage.	Les résultats d’un seul lieu de travail ne montrent pas que tout outil d’IA ou toute organisation du travail améliore l’apprentissage.
Emploi des travailleurs âgés de 22 à 25 ans dans les métiers très exposés à l’IA. Mise à jour de Stanford, août 2026. [4]	En juin 2026, l’emploi était inférieur d’environ 19 % au niveau qu’il aurait atteint s’il avait suivi le rythme de leurs pairs du même âge moins exposés.	Il s’agit d’un écart d’emploi relatif, et non de la preuve que l’IA a provoqué la disparition de 19 % de l’ensemble des postes de débutants. Il ne mesure pas directement l’apprentissage.

Tout faire à la main ne garantit pas non plus l’apprentissage. Répéter une tâche sans retour peut rester de la simple répétition. Nous devrions préserver les occasions d’enquêter, de comprendre et d’assumer des responsabilités, tout en améliorant la façon dont le travail est fait.

Ce à quoi la formation peut nous préparer

L’ingénieur a déjà commencé, au fil de ses études et de ses expériences précédentes, à apprendre à remettre en question un résultat. La formation devrait renforcer cette capacité en enseignant comment fonctionne la discipline, ce qui constitue une preuve et comment reconnaître une explication fragile. Apprendre à utiliser l’IA devrait s’appuyer sur ces fondations.

L’évaluation devrait rendre la compréhension visible. Dans notre exemple, un apprenant pourrait expliquer pourquoi le doublon est apparu, montrer quand une correction proposée échoue et défendre une autre approche. Un rendu soigné, à lui seul, laisserait ces questions sans réponse.

Une université peut simuler cet incident et évaluer la réponse apportée. La responsabilité de modifier un système en production utilisé par de vrais clients ajoute des conséquences qu’un exercice en classe ne peut pas entièrement reproduire. Les employeurs devraient aider les enseignants à proposer des projets réalistes et des stages rémunérés, puis poursuivre la formation par un travail encadré. Attendre des diplômés qu’ils arrivent prêts à assumer des responsabilités complexes tout en supprimant les occasions de s’exercer crée un problème qu’un certificat de plus ne peut pas forcément résoudre.

Le cadre publié en 2026 par le Forum économique mondial, élaboré avec PwC, examine la manière dont les gens entrent dans le monde du travail, ce que recouvrent leurs emplois, comment ils progressent et comment la formation les y prépare.^[3] Enseignants et employeurs doivent s’entendre sur qui apporte quelle expérience, qui l’encadre et comment ils vérifieront ce que les personnes ont appris.

Qui en profite, et qui paie l’apprentissage ?

Revenons à l’équipe qui traite les commandes en double. Supposons qu’un ingénieur expérimenté utilisant l’IA puisse désormais résoudre un travail qui mobilisait auparavant un collègue débutant. Il existe une raison économique d’envisager ce changement. Il contient aussi une décision de financement.

Une production plus élevée ne détermine pas qui en profite. Le gain pourrait financer davantage d’automatisation, des salaires plus élevés, des prix plus bas, des bénéfices ou des rendements pour les propriétaires. Il pourrait aussi financer une pratique rémunérée, de l’encadrement et du temps d’apprentissage protégé lorsque le travail supprimé aidait les gens à progresser.

Supposons que l’équipe garde l’ingénieur débutant, mais attende d’un collègue expérimenté qu’il le forme en plus d’une charge de travail inchangée. Elle a désigné un mentor sans lui laisser le temps d’encadrer. Le plan doit réserver du temps de travail pour l’enseignement et la pratique, ainsi que de l’argent pour les outils.

Si un employeur attend que les gens acquièrent la même expérience ailleurs, quelqu’un d’autre doit l’offrir et la financer. Ce pourrait être un autre employeur, un établissement d’enseignement, un programme public ou l’apprenant lui-même. Exiger une préparation non rémunérée soulèverait aussi la question de savoir qui a les moyens d’entrer dans le métier.

La formation coûte de l’argent, et un employé formé peut partir. Une proposition de formation crédible doit le reconnaître. Acheter des outils et recruter des personnes expérimentées coûte aussi de l’argent. La comparaison devrait inclure la manière dont l’organisation entretiendra les compétences dont elle pense avoir besoin.

D’où viendra le prochain employé expérimenté ?

Mais financer la pratique n’aide que si les gens ont d’abord la possibilité d’entrer dans le métier. La question de la formation devient donc une question de recrutement.

Des chercheurs de Stanford, s’appuyant sur des données de paie d’ADP, ont indiqué qu’en juin 2026, l’emploi des travailleurs âgés de 22 à 25 ans dans les métiers très exposés à l’IA était inférieur au niveau qu’il aurait atteint s’il avait suivi le rythme des travailleurs du même âge exerçant des métiers moins exposés (voir la ligne consacrée à l’emploi dans le tableau des données). Leur analyse suggère que cette évolution reflète surtout l’embauche d’un moins grand nombre de jeunes travailleurs, plutôt qu’une hausse des départs.^[4]

Ces résultats montrent un écart d’emploi ; ils n’établissent pas quelle part en revient à l’IA. L’étude regroupe en outre les travailleurs par âge, ce qui ne nous dit pas nécessairement quelle est leur expérience.

Ce résultat ne prouve pas non plus une future pénurie de dirigeants. Cela reste un risque à prendre en compte. Si moins de personnes entrent dans un métier, ou si celles qui y entrent bénéficient d’une pratique moins utile, les organisations doivent examiner comment fonctionneront leurs futurs plans de recrutement et de promotion.

Recruter des personnes expérimentées formées ailleurs peut être raisonnable pour une organisation donnée. La question la plus difficile se pose si de nombreux employeurs comptent sur les autres pour assurer cette formation. D’où viendra l’expérience, et qui aura la possibilité de l’acquérir ?

Ce qui doit rester quand la tâche change

Notre ingénieur débutant peut utiliser l’IA et continuer à apprendre du problème des commandes en double. Demandez-lui d’enquêter sur la cause, d’expliquer la correction suggérée et de tester si une seconde commande légitime aboutit toujours. Faites examiner par un collègue expérimenté le raisonnement autant que le code. Avec le temps, confiez à l’ingénieur davantage de responsabilités à mesure qu’il démontre sa compréhension.

Cela demande du temps aux deux personnes. Un responsable ne peut pas demander une formation soignée tout en ne récompensant que la clôture la plus rapide des tickets. Les collègues expérimentés doivent aussi accepter qu’accompagner quelqu’un puisse prendre plus de temps que de finir le travail eux-mêmes.

Pour chaque changement important apporté au travail des débutants, je demanderais à l’employeur d’identifier ce que les gens apprenaient auparavant, où ils s’y exerceront désormais, qui les accompagnera et comment le temps de cette personne sera financé. Les enseignants devraient aider à préparer les apprenants à ces missions. Les apprenants devraient être tenus d’expliquer et de remettre en question le travail qu’ils rendent, y compris celui produit avec l’IA (voir nos guides sur ce qu’il faut apprendre en IA (en anglais) et sur l’intérêt d’étudier le prompt engineering (en anglais)).

Le client a besoin que le problème de commande en double soit corrigé. L’entreprise a aussi besoin de quelqu’un capable d’enquêter sur la prochaine défaillance inédite. Une décision d’automatisation devrait tenir compte des deux.

Sources et éléments probants

Sources consultées le 27 septembre 2026. La situation d’ouverture est illustrative et ne rend pas compte d’un projet particulier. Les recommandations et les conséquences futures possibles relèvent de l’interprétation de l’auteur ; les études ci-dessous n’établissent pas de pénurie de professionnels à long terme.

1. Anthropic — “How AI assistance impacts the formation of coding skills,” 29 janvier 2026. Une petite expérience randomisée mesurant la compréhension immédiate d’une bibliothèque de programmation inconnue. Elle n’établit pas d’effets à long terme sur les carrières. ↩
2. Erik Brynjolfsson, Danielle Li et Lindsey Raymond — “Generative AI at Work,” The Quarterly Journal of Economics, mai 2025. Une étude portant sur 5172 agents du support client, avec notamment des éléments compatibles avec un apprentissage pendant l’utilisation de l’IA. Les résultats proviennent d’un seul environnement de travail. ↩
3. Forum économique mondial (World Economic Forum), en collaboration avec PwC — “Artificial Intelligence and the Future of Entry-Level Work: A Framework for Safeguarding and Reinventing Early Career Pathways,” 22 juin 2026. Un cadre reliant l’accès à l’emploi, la conception des postes, le développement des talents et la formation. Il formule des recommandations plutôt qu’il ne prouve l’efficacité d’un programme de formation particulier. ↩
4. Erik Brynjolfsson, Bharat Chandar et Ruyu Chen — “No Widespread Displacement, but the AI Employment Gap for Young Workers Has Widened to 19%,” Stanford Digital Economy Lab, 12 août 2026. Le résumé, par les auteurs, de leurs travaux révisés sur l’emploi, avec des données allant jusqu’à juin 2026. Il explique l’écart relatif, les limites de l’analyse et pourquoi les résultats ne doivent pas être traités comme des estimations causales. ↩