Le précipice n'est pas une chute unique et gigantesque
La thèse révisée de David Shapiro sur le précipice de l'automatisation sonne juste : il ne s'agit pas d'un effondrement unique à l'échelle de l'économie, mais d'une cascade de chutes individuelles, un flux de valeur à la fois. Il avait initialement projeté un point d'inflexion général d'ici 2030, mais précise désormais que le déplacement s'accélère brutalement, non pas dans toute l'économie, mais au sein de fonctions commerciales spécifiques. Le précipice est réel ; son arrivée est simplement plus granulaire.
La distinction entre un workflow et un flux de valeur est cruciale. Un workflow représente le processus orienté employé, comme la file d'attente des tickets clients, par exemple. Un flux de valeur, en revanche, est le résultat commercial sous-jacent : garantir que chaque client reçoive une réponse. L'automatisation cible cette couche plus profonde, axée sur les résultats.
Cette précision numérique explique les changements soudains et massifs que nous observons. Shapiro, un ancien ingénieur en automatisation d'infrastructure, souligne que des outils comme Terraform permettent aux ingénieurs de passer de 10 à 10 000 serveurs en modifiant un seul chiffre dans un fichier. Amazon, par exemple, déployait du nouveau code toutes les 11,6 secondes en 2011, mettant à jour 30 000 serveurs simultanément aux heures de pointe.
Ce principe d'évolutivité arbitraire signifie qu'une fois qu'un processus d'automatisation numérique fonctionne de manière fiable, son déploiement peut passer du test à une échelle énorme presque instantanément. Le précipice n'est pas une pente graduelle ; c'est une chute soudaine pour chaque flux de valeur perfectionné.
Quand la file d'attente disparaît du jour au lendemain
L'automatisation comprime les délais de travail avec une soudaineté qui rend la gestion de projet traditionnelle obsolète. Prenons l'exemple du ministère du Travail et des Retraites britannique : 12 robots logiciels ont éliminé un arriéré de plus de 30 000 demandes de retraite en seulement deux semaines. Il ne s'agit pas d'une amélioration graduelle ; c'est la suppression instantanée d'une file d'attente entière.
Airbnb a connu une accélération similaire lors d'une migration de fichiers de test assistée par l'IA. Les ingénieurs estimaient que le travail prendrait 18 mois manuellement, pourtant l'IA a terminé 75 % de la tâche en quatre heures. Cette compression rapide, soutenue par une validation humaine et une supervision technique, souligne la capacité de l'IA à réduire des délais de plusieurs années à quelques heures.
L'assistant IA de Klarna illustre davantage ce changement « du jour au lendemain ». Au cours de son premier mois, il a traité 2,3 millions de conversations clients. Klarna attribue cela à l'équivalent de 700 agents à temps plein, avec des temps de réponse moyens passant de 11 minutes à moins de deux. Ce n'est pas seulement de l'efficacité ; c'est une redéfinition fondamentale de la capacité du service client.
Le fil conducteur n'est pas un gain progressif mais une transformation discontinue. Lorsqu'un workflow ou un flux de valeur est entièrement automatisé, la demande de main-d'œuvre humaine dans ce domaine spécifique ne diminue pas, elle disparaît. Ce n'est pas un déclin lent ; c'est un événement de précipice, répété dans tous les secteurs, un processus à la fois.
La preuve est réelle, et plus complexe que le discours marketing
La preuve du précipice est réelle, et plus complexe que le discours marketing. Les signaux sur le marché du travail sont de plus en plus inégaux, et non uniformément sombres. L'emploi dans les centres d'appels et le service client a chuté, parallèlement à une baisse des offres de rédaction et de codage en freelance, et les employeurs citent de plus en plus l'IA dans les annonces de licenciements.
Il est crucial de noter que les tendances globales de l'emploi n'établissent pas l'IA comme seule cause. Les embauches excessives de l'ère pandémique, les taux d'intérêt et les grèves ont également façonné les récentes coupes. Même le « AI-washing » — blâmer l'IA pour des licenciements prévus — peut fausser les données, comme Sam Altman lui-même l'a observé.
La fiabilité de l'automatisation représente également un obstacle majeur. La Commonwealth Bank d'Australie, par exemple, a supprimé 45 postes de centre d'appels après avoir mis en place un bot vocal, pour finalement revenir sur sa décision quelques semaines plus tard, admettant que les emplois n'étaient finalement pas redondants. De même, Klarna, initialement salué pour son assistant IA, a rapidement renouvelé son attention sur le support humain, son PDG le décrivant comme un "traitement VIP" après une baisse de la qualité.
Ces revirements soulignent la difficulté d'atteindre des niveaux de fiabilité successifs en "neuf". Comme le note le cofondateur d'OpenAI, Andrej Karpathy, une démo qui fonctionne 90 % du temps n'est "que le premier neuf". Atteindre 99 % ou 99,9 % — le type d'automatisation parfaite observé dans des outils comme Terraform (lecture complémentaire sur l'infrastructure en tant que code : Introduction to Terraform - HashiCorp Developer) — exige un effort considérable. Certains flux de valeur atteindront leur point de rupture en quelques mois ; d'autres prendront des années.
Cet article vous plaît ? Recevez-en un comme celui-ci chaque matin.
un e-mail par jour · désinscription en deux clics · aucun traqueur tiers
Le changement caché : les emplois qui n'apparaissent jamais
Les statistiques nationales, agrégées et lissées, peuvent facilement occulter les impacts nets et localisés de l'automatisation. Chaque point de rupture de flux de valeur arrive selon son propre calendrier ; le déplacement se manifeste souvent par une attrition silencieuse ou un report des embauches, plutôt que par des licenciements publics. Ce changement caché masque le véritable rythme du changement.
La Réserve fédérale a récemment rapporté que des entreprises dans cinq de ses douze districts ont réduit leurs effectifs par attrition ou en retardant les embauches après des investissements dans l'IA. Parallèlement, une étude de Stanford a révélé une baisse de 11 % de l'emploi chez les jeunes travailleurs (âgés de 22 à 25 ans) dans des professions fortement exposées à l'IA depuis fin 2022, tandis que leurs pairs occupant des postes moins exposés ont connu une croissance de 10 %. La corrélation n'est pas la causalité, mais le signal est clair.
Cela nous amène à l'économie post-travail de David Shapiro : si les machines effectuent plus de travail, les salaires liés exclusivement au travail humain diminueront. Les questions critiques se tournent alors vers la propriété et une répartition plus large de la richesse. Shapiro prévoit cette réévaluation économique fondamentale dans les cinq prochaines années, un calendrier qui exige notre attention urgente.
Foire aux questions
Que veut dire David Shapiro par un point de rupture de l'automatisation ?
Une tâche ou un flux de valeur peut rester dirigé par l'humain jusqu'à ce que l'automatisation devienne fiable, puis basculer rapidement vers un logiciel à grande échelle.
Pourquoi Shapiro dit-il qu'il existe des milliers de points de rupture de l'automatisation ?
Les entreprises automatisent des flux de travail et des résultats commerciaux distincts à des vitesses différentes, plutôt que de remplacer tout le travail en une seule fois.
L'automatisation par l'IA élimine-t-elle toujours des emplois ?
Non. Elle peut réduire les embauches ou la charge de travail sans licenciements, et certaines entreprises ont annulé des coupes lorsque la qualité du service automatisé s'est avérée insuffisante.
Qu'est-ce qu'un flux de valeur ?
Un flux de valeur est le travail de bout en bout qui produit un résultat valorisé par les clients ou l'entreprise, au-delà du flux de travail individuel d'un employé.