Géants du secteur « bœufs et chevaux », contraints d'utiliser l'IA

Cette vague de « gain d’efficacité grâce à l’IA » a fini par aussi atteindre les employés des grandes entreprises qui travaillent en tant que salariés.

Au début, l’IA n’était encore qu’un jouet pour quelques geeks techniques et des curieux qui testaient. Certains payaient de leur poche pour des abonnements, d’autres échangeaient en privé des prompts, et oui, ils y ont vraiment trouvé des avantages.

Mais maintenant, la situation a changé. Dans les grandes entreprises internet, en Chine comme à l’étranger, on est passé de la phase « encourager l’usage de l’IA » à celle « imposer de manière implicite l’usage de l’IA ». Certains ont été comptabilisés sur la quantité de Tokens consommés chaque jour ; dans certaines équipes, l’usage de l’IA est relié à la performance ; certains sont tenus d’utiliser en priorité les outils développés en interne ; d’autres doivent décomposer leur expérience de travail en processus, la transformer en Skills, puis la confier à l’IA pour qu’elle soit appelée et re-appelée en boucle.

Quand « utiliser l’IA », « brûler des Tokens », devient progressivement une forme d’évaluation, une série d’exigences, voire un nouveau modèle de travail, que vivent réellement les employés des grandes entreprises entraînés dans cette vague d’« intelligence » ?

Ces deux jours, nous avons discuté avec six personnes travaillant dans des sociétés et des postes différents. Leur parcours couvre : des CIO de sociétés cotées à l’étranger, des cadres supérieurs en R&D dans des grandes entreprises nationales de tout premier plan, des développeurs juniors chargés d’écrire du code, ainsi que des postes non techniques en opérations et business marketing.

Certains doublent leur efficacité grâce à l’IA : le cycle de production des documents de besoins produit, de plusieurs semaines, passe à une journée, voire à un seul individu qui obtient le résultat d’une équipe entière du passé ; mais d’autres, pour répondre aux exigences de « production intelligente », en sont réduits à régler manuellement un simple tableau de bord de données 80 fois, en « transformant » l’IA en stagiaire débutant avec qui il faut sans cesse « nettoyer derrière ».

L’ambiance de travail dans les grandes entreprises a aussi connu un changement subtil. Quand les choses qui relevaient auparavant de l’expérience personnelle et des habitudes de travail sont démontées, organisées, mises en ligne et réutilisées pas à pas, ceux qui écrivent du code sérieusement deviennent des « éléments peu actifs » ; en revanche, ceux qui règlent fréquemment leurs prompts deviennent la vitrine des « personnes qui embrassent activement les nouvelles technologies ». Une nouvelle anxiété apparaît aussi : nous utilisons l’IA, ou bien nous servons de carburant à l’IA, en nous transformant petit à petit en processus remplaçable ?

Dans cette expérimentation d’IA menée du haut vers le bas, certains ressentent de l’excitation, d’autres de la fatigue ; certains coopèrent tout en étant inquiets. Mais presque tout le monde a conscience d’une chose : les rouages de l’époque ont déjà commencé à tourner ; que l’on embrasse volontairement ou que l’on coopère passivement, l’ère du travail purement basé sur la force humaine et sur le fait d’y passer du temps, est en train de « tourner la page ».

Pour livrer un « résultat d’IA », j’ai modifié le tableau de bord des données 80 fois

Bien Bien | Opérations, une grande entreprise internet de premier plan en Chine

Il y a trois semaines, le responsable a posté un avis dans le groupe : désormais, « encourager tout le monde à utiliser l’IA pour gagner en efficacité », sans KPI, sans lien avec la performance, mais lors de la réunion, il nous a insisté sur ceci : dorénavant, pour toute production de travail, l’IA peut d’abord générer une première version.

À ce moment-là, je me suis rendu compte que c’était en réalité une exigence implicite.

Il y a une vingtaine de jours, on nous a demandé à tous d’utiliser les outils d’IA développés en interne, pour une raison de « sécurité des données », mais très vite, des problèmes ont surgi.

D’abord, la limitation de quota. L’entreprise attribue un nombre limité de fois d’appel à chacun. Pendant que je réfléchissais à la meilleure façon d’accomplir mon travail le plus efficacement possible avec l’IA, je devais aussi économiser, « économiser intelligemment ».

Ensuite, l’aptitude n’est pas stable. Écrire des textes, ça va ; mais dès que cela implique une analyse de données et une logique complexe, l’IA se met à faire des erreurs.

La semaine dernière, je l’ai utilisée pour un tableau de bord de données, et j’ai carrément craqué.

La tâche était très simple : c’était un outil pour analyser des données clients et des ventes. Avant, c’était le travail du département technique ; maintenant, on exige que « tout le monde sache faire ». J’avais déjà utilisé Gemini pour écrire sans problème un mini-jeu, alors j’ai naïvement pensé qu’assembler un tableau de bord ne devait pas être difficile.

Première fois : l’IA m’a directement donné un modèle de téléversement, mais il contenait sept ou huit champs inutiles ; j’ai dû les supprimer et ajuster manuellement.

Après 13 essais, les dimensions et les données finissaient enfin par être alignées, mais les zones géographiques ne s’affichaient qu’en partie : il en manquait trois. Elle a même expliqué que c’était « un filtrage automatique des zones à faible valeur ».

À la 40e tentative, le format des données est devenu chaotique : certains nombres à décimales gardaient 0 chiffre, d’autres gardaient 4 chiffres.

J’ai tenu jusqu’à la 60e modification. Puis, après avoir téléversé de nouvelles données, le graphique n’a pas réussi à se mettre à jour automatiquement : les anciens et les nouveaux chiffres se superposaient, et les données ont gonflé d’environ un facteur deux.

Après 80 modifications, j’ai enfin atteint la dernière étape avant l’export en PDF réussi. Je me suis dit que j’allais enfin pouvoir souffler… mais une fois ouvert, mon cœur s’est à nouveau effondré : j’avais passé tout un après-midi et je n’ai obtenu qu’une pile de caractères illisibles.

J’ai fait le calcul : que ce soit pour faire un tableau de bord de données ou pour terminer les rapports de travail quotidiens, le temps que je passe à debugger l’IA et à attendre « la pioche » est suffisant pour permettre à une personne de tout faire deux fois à la main. Mais le responsable veut voir une « production d’IA », donc je dois accompagner ce « salarié débutant de l’IA » et continuer à faire des essais-erreurs.

Pour moi, l’IA est à la fois un outil et une charge : à peu près moitié-moitié. Elle prend vraiment en charge une partie des tâches répétitives ; mais le temps passé à debugger, à vérifier et à refaire le travail comble immédiatement les gains d’énergie. Ma perception la plus claire, c’est que beaucoup de tâches, je pourrais les faire moi-même jusqu’au bout, mais je dois quand même faire un tour et « refaire une fois » via l’IA.

Pour atteindre le nombre d’utilisations de l’IA, j’ai supprimé le code pour qu’elle en réécrive un

Kevin | Ingénieur, une entreprise e-commerce aux États-Unis

Les utilisations de mon Kiro (assistant d’IA de programmation interne à l’entreprise) cette semaine n’ont pas encore atteint la cible. Pour rattraper, j’ai supprimé un morceau de code de validation de paramètres, et je l’ai directement confié à Kiro pour qu’il le réécrive. Il m’a généré quelque chose qui a l’air à peu près correct, mais il a omis la gestion d’une branche d’exception ; à la fin, j’ai quand même dû la rajouter moi-même.

En fait, j’utilisais l’IA pour coder assez souvent auparavant. Je ai souscrit à ChatGPT Plus, puis j’ai aussi essayé Claude. Quand il s’agit de quelques cas de tests de base fastidieux, ou quand il faut consulter rapidement une API peu utilisée, demander à l’IA de s’en charger permet vraiment de gagner beaucoup de temps. À ce moment-là, on avait vraiment l’impression que cela permettait de gagner en efficacité, et tout le monde échangeait aussi ses prompts.

Mais à partir de la fin de l’année dernière, l’entreprise a fait de Kiro un « outil de développement natif d’IA recommandé » et a défini des indicateurs : d’ici la fin de l’année, 80 % des ingénieurs doivent utiliser Kiro chaque semaine.

Au début, on a dit que c’était pour que tout le monde prenne l’habitude d’utiliser l’outil dans ses projets ; mais très vite, un système interne a été mis en place pour suivre la fréquence d’utilisation de l’IA par les employés. On peut voir dans le back-office qui utilise, et qui n’utilise pas vraiment.

Ce qui nous rend le plus la vie difficile, c’est que Kiro n’est pas très pratique. Pour écrire du code passe-partout, faire des tests et adapter des interfaces, ça va ; mais dès qu’il s’agit d’une chaîne d’appels, de la gestion d’état ou de contraintes de déploiement, le code généré n’est souvent qu’un produit semi-fini. Par conséquent, de nombreux ingénieurs demandent à passer à Claude Code, estimant que Kiro ne convient pas aux raisonnements de haut niveau en cas de complexité.

La méfiance vis-à-vis du code généré par l’IA a aussi des raisons. Fin de l’année dernière, une équipe de l’entreprise a eu un incident assez sérieux parce qu’ils avaient fait tourner Kiro. Après cet incident, les procédures d’approbation des changements de code impliquant l’IA ont été nettement renforcées.

Mais moi, je me sens quand même un peu comme dans le brouillard. Les personnes qui se plongent sérieusement dans la logique de bas niveau et optimisent manuellement le code central ne sont pas assez actives sur le système de suivi ; au contraire, celles qui testent et ajustent fréquemment les prompts deviennent la vitrine des « personnes qui embrassent activement les nouvelles technologies ».

Je pensais à l’origine que la valeur d’un ingénieur consistait à traiter de véritables problèmes complexes. Mais aujourd’hui, bien souvent, c’est moi qui écris les prompts, je surveille les résultats générés, et je comble les trous qu’il laisse. Ce dont je m’inquiète le plus n’est pas tant le fait que la façon de travailler ait changé, mais le fait que si cela continue ainsi longtemps, ma capacité à tout reconstruire depuis zéro et à diagnostiquer des problèmes complexes va progressivement régresser.

Tout le monde écrit des Skills, c’est comme « se supprimer » soi-même

Kelly | Développement back-end, une grande entreprise internet de Pékin (séquence de niveaux : 8)

En tant que développeuse back-end, depuis l’année dernière j’utilise déjà l’IA de manière très fréquente dans mon travail, surtout des outils internes de programmation sans code.

Autour du Nouvel An chinois, l’ambiance globale d’application de l’IA dans l’entreprise est devenue soudainement très agressive. Aujourd’hui, tous les employés peuvent voir dans le système combien de Tokens ils consomment chaque jour ; mon supérieur direct m’a dit la phrase la plus fréquente : « Ce sujet peut être essayé avec l’IA. »

Actuellement, l’entreprise n’a pas de contrôle explicite sur la consommation de Tokens, mais chaque département a ses propres critères d’évaluation.

Dans mon département, à l’heure actuelle, on encourage tout le monde à écrire des Skills : on demande un inventaire complet de l’expérience de travail quotidienne, des processus de travail, des détails techniques et des problèmes courants ; puis de les documenter, de les transformer en Skills.

Leader regarde principalement deux indicateurs : la quantité de Tokens consommée quotidiennement par l’outil interne « 龙虾 », et la quantité de production de Skills ; pour le second, le département a même des indicateurs d’évaluation très clairs : chaque semaine, il est exigé de produire, de manière obligatoire.

En plus de cela, actuellement, 50 % des demandes de développement du département sont contraintes d’être générées par un Agent, ce qui signifie que les étapes produit, développement et tests sont directement sautées : il faut produire de bout en bout en utilisant « 龙虾 ».

Ce proportion de 50% continuera** d’augmenter progressivement**** au cours de l’année, l’objectif étant d’atteindre d’ici **fin 2026 l’effort pour parvenir à l’automatisation complète.

En termes de coût d’utilisation des Tokens : dans notre département, la séquence technique a actuellement assez de Tokens pour Claude Opus, donc il n’y a pas d’obligation d’utiliser les outils internes. Mais dans la plupart des départements, le quota d’Opus est limité ; les dépassements doivent être payés par le salarié. L’utilisation des Tokens des outils internes et des modèles maison n’est pas limitée.

Après une AI化 complète, la durée de travail quotidienne est même devenue plus longue**.** Ce n’est pas parce que la charge de travail a augmenté ; c’est parce que tout le monde fait la course aux Skills, et qu’on doit aussi s’y mettre.

Par exemple, dans le groupe de notre département, après 23 h le soir, des collègues partagent encore les Skills qu’ils ont rédigées. Parfois, quand je vois quelqu’un de mon équipe écrire un Skills qui est bien pratique, je ressens une anxiété énorme.

Cette anxiété vient d’une part de l’anxiété liée à l’évaluation de production de Skills au niveau du département ; d’autre part, j’ai aussi peur que l’AI Agent remplace progressivement le travail humain.

En réalité, pour résoudre un problème unique, l’IA n’est pas forcément plus efficace qu’un développeur back-end expérimenté. Comme le Skill décrit des processus simples et pas assez stables, il faut y consacrer beaucoup d’efforts pour le déboguer, le modifier, et la consommation de Tokens est aussi très importante. Mais quand les Skills sont de mieux en mieux au fil des ajustements, l’IA finira par dépasser l’humain, et avec un coût très bas.

En tant que salarié, tout le monde sait dans son for intérieur que, dans le contexte où l’entreprise encourage tout le monde à écrire des Skills, si on se cache et on ne montre pas, on ne peut pas produire de bons Skills ; mais si on transforme toutes ses compétences et expériences en SOP, en Skills, cela veut aussi dire que la journée où l’IA vous remplacera n’est pas loin.

L’amélioration de l’efficacité via l’IA est indéniable. Mais une fois que l’efficacité augmente, cela veut aussi dire qu’il n’y aura pas besoin de autant de monde. Aujourd’hui, l’entreprise a déjà arrêté le canal interne de renouvellement des effectifs ; et ce qui va se passer ensuite, les grandes entreprises technologiques de la Silicon Valley ont déjà donné la réponse.

« Forcé d’utiliser l’IA », mais j’ai réussi à surpasser les autres dans l’équipe grâce à elle

Chen Yu | Ingénieur en protocoles de communication, un fabricant de téléphones en Chine

Ces derniers six mois, notre entreprise est en train de « courir après l’IA » : depuis octobre de l’année dernière, les outils ont été ouverts, les quotas ont été remboursés, et on encourage tout le monde à les utiliser. Dans notre département par exemple, chacun a une exigence de quota d’utilisation mensuel pour Cursor. Si vous n’utilisez pas tout, on considère que vous « gaspillez des ressources », votre compte pourrait être récupéré ; si vous utilisez beaucoup mais que la production ne suit pas, on vous qualifiera de « abus », et vous recevrez aussi des avertissements.

Donc, dans ce type de tendance, il ne suffit pas de ne pas s’en servir : il ne suffit pas non plus de s’en servir mal. Il y a forcément une pression. Dans l’équipe, il y a déjà des personnes qui ont été optimisées parce qu’elles ne voulaient pas consacrer du temps à apprendre l’IA, en plus d’être dans une posture professionnelle moyenne.

Ma compréhension de « utiliser l’IA » est différente de celle de beaucoup de gens. Abuser de l’IA, gaspiller autant de Tokens, ce n’est pas aussi bien que de dépenser de l’argent pour acheter des jeux et s’amuser. L’IA n’est pas faite pour être utilisée le plus possible ; elle doit être utilisée correctement. Je prends généralement une ou deux journées par semaine pour étudier comment adapter l’IA à mon travail afin qu’elle m’aide à travailler efficacement.

Mon poste est ingénieur en protocoles de communication : écrire du code ne représente qu’une petite partie ; la plupart du temps, je traite des données utilisateurs, j’analyse des journaux système, etc. Auparavant, quand on analysait les problèmes de ralentissement sur les téléphones des utilisateurs, parfois c’était bien le réseau de l’opérateur qui en était la cause, mais on devait quand même passer par un processus de vérification étape par étape, avec beaucoup d’efforts consacrés à filtrer des informations sans intérêt.

Aujourd’hui, l’IA peut m’aider à localiser rapidement et à écarter d’abord les perturbations sans rapport, pour que je me concentre sur les endroits qui ont vraiment besoin d’être optimisés. **Sur l’ensemble de l’année dernière, **ma production globale a nettement augmenté, et ma performance me place assez haut dans l’équipe.

Mais pour être honnête, l’IA n’en est pas encore au point de remplacer complètement les humains. Sa précision d’analyse de journaux n’est qu’à environ 60 %, il faut obligatoirement qu’un humain re-vérifie. Pour améliorer les capacités de l’IA, nous devons continuer à écrire des règles et optimiser la logique. Par conséquent, sur les six derniers mois, ma charge de travail a augmenté. Mais ce processus, en soi, c’est aussi « éduquer » l’IA, pour qu’elle serve les humains.

Ces deux dernières années, je peux sentir clairement que l’entreprise recrute moins de personnes. Je pense que l’IA a forcément un impact là-derrière. Quand des amis autour de moi préparent un changement de travail, je lui conseille de renforcer impérativement ses compétences liées à l’IA. À niveau technique similaire, est-ce que l’usage de l’IA peut creuser une différence évidente sur l’entretien et le salaire ? Maintenant, la plateforme te pousse à apprendre : c’est aussi une façon de t’aider à préparer tôt ta compétitivité professionnelle.

Je pense toujours que l’IA n’est pas là pour remplacer les humains, mais simplement un nouvel outil de compétition entre humains.

Nous** n****avons pas** licencié, mais l’efficacité doit augmenter de 3 à 5 fois**

Ming Lu | CIO, une société cotée en Australie

En tant que CIO, je suis probablement l’une des toutes premières personnes dans l’entreprise à être un « natif de l’IA ».

Avant même que l’entreprise ne définisse officiellement sa stratégie IA, j’avais déjà commencé à utiliser fréquemment des outils d’IA. Comme l’entreprise a une collaboration de longue date avec Microsoft, nous avons très tôt intégré Copilot ; ensuite, nous avons aussi intégré Copilot avec Claude dans le système de travail interne. Sans exagérer, aujourd’hui, presque toutes mes tâches clés sont déjà accomplies par l’IA, et l’efficacité a doublé.

Mais au début de la mise en place des outils d’IA en interne, la transition s’est faite difficilement.

Au départ, l’entreprise a adopté une stratégie d’incitation : fournir à tous les départements et à tous les employés des droits et quotas d’utilisation de Copilot quasi illimités. Mais l’effet n’était pas évident : même dans les départements de développement logiciel et de UX, il y a eu des résistances.

Ces équipes ne rejetaient pas l’outil IA et étaient même prêtes à l’utiliser pour des tâches auxiliaires, comme écrire des fragments de code ou générer des esquisses de design. Mais en général, elles ne veulent pas aller plus loin : par exemple, laisser l’IA intervenir dans le processus central de SDLC (cycle de vie du développement logiciel). Cette mentalité est compréhensible : les gens sont d’accord pour que l’IA aide, mais ne veulent pas être dirigés par l’IA.

Mais dans le cadre stratégique de l’entreprise, se limiter à considérer l’IA comme un correcteur de syntaxe n’est pas suffisant : nous voulons une refonte des processus.

C’est pourquoi, début de cette année, j’ai élaboré avec le CTO une nouvelle stratégie IA : exiger que chaque département soumette sa feuille de route IA avant fin avril, et définisse des mécanismes d’évaluation sévères. — Chaque manager doit soumettre trois initiatives IA (AI Initiatives), et chaque trimestre nous notons selon l’avancement de l’implémentation. Nous avons aussi commencé à surveiller la consommation de Tokens et à évaluer le taux d’utilisation de l’IA ; sur le long terme, si celui-ci est trop bas, les personnes pourraient être intégrées à un plan d’amélioration de performance (PIP).

Après ajustement, l’effet s’est vu immédiatement.

Le changement le plus évident concerne le développement logiciel. Avant, pour former une PRD (Product Requirements Document), le product manager et l’équipe de développement devaient communiquer à travers plusieurs cycles, et le délai allait jusqu’à plusieurs semaines, voire un à deux mois. Aujourd’hui, un chef de projet peut produire en une journée ; la PRD comprend des explications en Markdown et des schémas de prototypes d’interface. La phase la plus coûteuse en temps — le « flou » — au démarrage du projet a été fortement compressée.

Désormais, le centre de gravité de mon travail a aussi changé. Chaque jour, je passe beaucoup de temps en réunions avec les managers de chaque département pour discuter dans quels segments l’IA peut intervenir ; en parallèle, je construis aussi un environnement Claude multi-agents : d’abord, je passe beaucoup d’efforts à faire du brainstorming avec l’IA, à découper les solutions en profondeur, puis je confie finalement à l’IA la mise en œuvre.

Grâce à l’IA, j’ai pu passer davantage de temps à « bien formuler le problème ». Si le document de besoins n’est pas suffisamment solide ou si la logique commerciale n’est pas assez claire, l’exécution de l’IA part totalement de travers. Et cela nous pousse aussi à réfléchir davantage à l’essence de la logique commerciale.

Bien sûr, une autre face de l’augmentation de l’efficacité est la brutalité : les postes pourraient diminuer. Même si le conseil d’administration a décidé de ne pas licencier d’abord, il exige que chaque employé améliore son efficacité de 3 à 5 fois ; en plus, nous avons déjà arrêté le recrutement de nouveaux profils en analyse de données, développement de programmes et analyse financière. Cela pourrait être la même chose que toutes les entreprises finiront tôt ou tard par vivre.

Je ne pense pas être dominé par l’IA ; au contraire, je ressens un sentiment de maîtrise inédit. Aujourd’hui, la vraie pression est pour les postes dont le contenu est extrêmement standardisé et facilement remplaçable directement par l’IA. Et au contraire, les personnes capables d’une forte analyse des besoins et d’une planification au niveau supérieur sont plus en demande.

Après l’IA, mon travail** au contraire** est devenu** plus chargé**

Yun Tian | R&D senior, une grande entreprise en Chine

Je fais partie des premières personnes à utiliser l’IA en payant moi-même. Mon dépense mensuelle sur divers outils est proche de 500 dollars : de GPT à différents modèles de niches. Pour ceux qui sont vraiment efficaces, j’achète directement un pack annuel ; pour ceux qui sont « expérimentaux », j’essaie d’abord avec une carte mensuelle.

À l’heure actuelle, dans notre entreprise, il n’y a pas d’exigence obligatoire sur la quantité de Tokens consommée. Sous condition de conformité, on choisit ce qui est le plus utile ; nous choisissons selon les considérations globales de l’équipe ce qui aide le plus au travail. Aujourd’hui, ma consommation mensuelle de Tokens est d’environ 3 à 4 milliards.

Mais même ainsi, mon temps de travail a augmenté.

La raison est simple : utiliser l’IA ne consiste pas seulement à « la laisser faire le travail », il faut d’abord bâtir le système. Comme pour construire un gratte-ciel, il faut d’abord monter l’ossature : nous devons d’abord construire un ensemble de systèmes pour encadrer l’usage de l’IA, réduire ses taux d’erreur ; et même, une fois que l’IA a des problèmes, « nettoyer derrière » rapidement pour maîtriser l’impact. Ce travail est beaucoup plus complexe que de « gagner de l’efficacité avec l’IA » seulement ; c’est l’équivalent d’un travail où l’on fait deux tâches. S’adapter à ces nouvelles exigences m’a aussi pris beaucoup de temps.

Concernant le sujet sur lequel le marché est largement anxieux — « la consommation de Tokens intégrée dans le KPI » — j’ai une vision différente.

D’après les patrons ou responsables business que j’ai rencontrés, personne ne se désintéresse de l’IA ; tout le monde craint de rater ce train. J’en connais deux grandes entreprises de premier plan : elles exigent que les employés n’utilisent que leurs propres grands modèles et n’autorisent pas l’usage d’autres outils comme Claude, ChatGPT, etc.

En fait, je ne comprends pas pourquoi certaines entreprises veulent intégrer la consommation de Tokens dans le KPI : c’est la forme de charge mentale la plus faible pour les managers, mais cela ne mesure pas le cœur de la valeur.

Mais de l’autre côté, je pense que poser un « seuil de sécurité » minimum est raisonnable. Si, dans le contexte actuel, un employé ne brûle pas de Tokens et refuse catégoriquement d’utiliser l’IA, cela montre déjà qu’il manque de conscience de refondre son flux de travail.

Quant à savoir si l’introduction de l’IA va entraîner une baisse massive des recrutements ou des licenciements, je pense que le marché global de l’emploi suit de toute façon la loi de la révolution industrielle.

La logique de recrutement des grandes entreprises n’a jamais été de regarder seulement combien de personnes il faut pour faire le travail : elle regarde aussi le soutien des profits et la stratégie de talents. Recruter des talents capables d’IA, même si c’est temporairement inutile, c’est aussi une façon de prendre de l’avance sur les positions. Et pour les petites et moyennes entreprises : l’IA réduit les coûts de création et de R&D. Autrefois, 100 personnes faisaient une tâche ; maintenant, 10 personnes peuvent la terminer.

Je connais un entrepreneur n’ayant pas de background technique : grâce à l’IA, en une demi-année, il a quand même frappé et mis au point tout un système complet d’éducation ToB. Dans le passé, il fallait au moins une équipe de cent personnes. Quand les coûts d’essai et d’erreur de toute la société baissent, il est inévitable de traverser à court terme des douleurs d’ajustement des postes ; mais à long terme, le gâteau du marché s’agrandira, et il y aura plus d’équipes et de nouvelles opportunités.

Les postes très standardisés et répétitifs seront forcément attaqués. Mais les postes qui demandent de la réflexion en profondeur, de la planification créative et l’intégration de ressources, seront au contraire plus appréciés à cause de l’IA. La roue du temps ne se met jamais en pause : certains anciens postes seront supprimés, c’est inévitable ; mais la porte du nouveau monde s’ouvre aussi tranquillement.

Source de l’article : DingJiao One

Avertissement sur les risques et clause de non-responsabilité

        Le marché comporte des risques, investissez avec prudence. Cet article ne constitue pas un conseil d’investissement personnel, et il n’a pas non plus été tenu compte des objectifs d’investissement, de la situation financière ou des besoins spécifiques de certains utilisateurs. Les utilisateurs doivent considérer si les opinions, points de vue ou conclusions contenues dans cet article correspondent à leur propre situation. En conséquence, si vous investissez, vous assumez l’entière responsabilité.