Le boomerang de l’IA : couper d’abord, mesurer ensuite coûte deux fois plus cher

Voici un test simple pour toute annonce d’« efficacité grâce à l’IA »: l’entreprise a-t-elle mesuré ce que faisaient réellement les personnes qu’elle a supprimées avant de les supprimer ? À en juger par la vague croissante de réembauches, beaucoup ne l’ont pas fait.

Le schéma est désormais difficile à ignorer. Des médias comme Actualidad RT parlent du « boomerang de l’IA »: des entreprises qui reprennent des salariés qu’elles avaient remplacés par de l’intelligence artificielle. Klarna en est l’exemple édifiant le plus connu. Comme le raconte Mundiario, la fintech a massivement misé sur l’automatisation du service client, puis a recommencé à recruter après avoir reconnu les limites de cette approche. Le même article cite une prévision de Gartner selon laquelle, d’ici 2027, la moitié des entreprises qui ont réduit leurs effectifs en invoquant l’IA réembaucheront pour des postes similaires.

Il faut prendre ce dernier chiffre pour ce qu’il est: une prévision, pas un résultat. Certaines des enquêtes qui circulent, comme celle affirmant que jusqu’à 55 % des employeurs regrettent les licenciements motivés par l’IA, proviennent de pages non datées que nous ne pouvons pas vérifier correctement. La tendance, elle, est cohérente d’une source à l’autre.

L’erreur n’était pas d’utiliser l’IA, mais de supprimer les postes d’abord

Nous ne pensons pas que cette histoire montre que l’IA ne fonctionne pas. Elle révèle une erreur de séquence. Un déploiement raisonnable suit cet ordre: cartographier le travail, automatiser ce qui tient la route, mesurer la qualité, et seulement ensuite décider du nombre de personnes nécessaires. Beaucoup d’entreprises semblent avoir fait l’inverse. Elles ont comptabilisé les économies dans le communiqué de presse et ont renvoyé les preuves à plus tard.

Le signe qui ne trompe pas, c’est ce qui disparaît avec les effectifs. L’analyse de Mundiario souligne la perte des connaissances accumulées: les salariés expérimentés savent comment se comportent les clients, repèrent les problèmes avant qu’ils ne s’aggravent et gèrent les cas atypiques. Un modèle peut répondre à des centaines de demandes en quelques secondes, mais il peut aussi inventer des informations ou répéter une mauvaise décision à grande échelle. Et lorsque les personnes qui détecteraient ces erreurs ont été remerciées, une erreur n’est plus un simple ticket: elle devient une perte financière, une réclamation ou une atteinte à la réputation.

C’est la double facture de cette thèse. D’abord, on paie la réduction d’effectifs et les perturbations qu’elle provoque. Ensuite, selon nous, on paie de nouveau le recrutement, la reformation et la confiance des clients perdue en chemin.

Le dossier économique était plus fragile que ne le supposaient les conseils d’administration

Il y a une raison pour laquelle la logique « couper d’abord » était séduisante. Selon une seconde analyse de Mundiario, 77 % des conseils d’administration attendent de l’IA une baisse des coûts, tandis que 38 % des entreprises ont déjà dépassé leur budget de déploiement. L’intégration, la maintenance, l’infrastructure et la supervision humaine peuvent absorber une bonne partie des économies promises. Si l’on comptabilise d’emblée la baisse de la masse salariale alors que la facture de l’IA arrive plus tard et plus lourde, le calcul s’inverse.

Notre lecture: les licenciements étaient la seule ligne du business case de l’IA à la fois immédiate et certaine, et ils sont donc devenus tout le business case. Tout le reste, dont la qualité et les taux d’erreur, a été présumé.

Se méfier dans les deux sens

Deux précautions. D’abord, tous les licenciements attribués à l’IA ne concernent pas vraiment l’IA. Mundiario note lui-même que les coûts, les restructurations et la conjoncture économique jouent aussi un rôle, et que l’attente de ce que l’IA fera demain sert souvent à justifier la suppression d’emplois qui comptent encore aujourd’hui. Habiller d’« AI-washing » une réduction de coûts classique est commode, et le boomerang pourrait en partie être le démantèlement de ce récit.

Ensuite, les réembauches ne sont pas un tour d’honneur pour les salariés. Une étude de Stanford citée dans le même article a constaté que l’emploi des 22-25 ans dans les métiers très exposés à l’IA se situe 19 % en dessous de la trajectoire qu’il aurait suivie autrement, même si les chercheurs n’ont trouvé aucune preuve d’une destruction d’emplois à l’échelle de toute l’économie. Les dégâts semblent donc concentrés au niveau débutant, précisément là où se forge le discernement que les entreprises disent aujourd’hui regretter. Réembaucher des vétérans tout en fermant la porte d’entrée aux juniors ne fait que repousser le même problème.

Notre verdict

Si vous dirigez une entreprise, considérez les effectifs comme la dernière variable à modifier, et non la première. Menez des pilotes, mesurez les erreurs et les résultats clients, gardez les personnes qui savent où le modèle échoue, et ne supprimez que ce que les données ont déjà prouvé superflu. Si vous êtes salarié, ne voyez pas dans le boomerang une garantie d’emploi: voyez-y un indice de l’endroit où se situe votre valeur. Les personnes capables de vérifier ce que produit l’IA sont, selon nous, celles dont les entreprises découvriront qu’elles ne peuvent pas se passer.

La technologie continuera de progresser, et certains de ces postes disparaîtront probablement pour de bon. Mais « on verra la qualité plus tard » s’est révélé être un moyen coûteux de savoir lesquels.