La Tunisie face à l'IA - Le travailleur du savoir face à l’IA: devenir centaure ou disparaître en silence? (3ème partie)

Par Dr Sami Bahri - Dans l’article précédent, nous avons vu comment l’entreprise pouvait saisir l’anguille: partir de ses processus, posséπder son savoir et adapter son logiciel. Supposons que cette transformation réussisse. Il reste alors l’inconnue la plus intime de notre équation: l’humain qui travaille dans cette entreprise transformée.

Le premier article a présenté le Knowledge Worker de Peter Drucker, ce professionnel qui crée de la valeur en collectant, en interprétant et en transmettant de l’information, ainsi que son importance particulière pour la Tunisie: services informatiques, ingénierie, comptabilité externalisée, relation client qualifiée. Il est à la fois moteur d’exportation, pilier de la classe moyenne et contributeur essentiel aux finances publiques.

Pendant des décennies, l’informatique a été son meilleur allié. Le tableur aidait le comptable; le moteur de recherche, l’analyste. Ces outils étaient des vélos pour l’esprit: ils amplifiaient l’effort, mais c’était encore l’humain qui pédalait.

L’IA générative change la physique du travail cognitif: pour la première fois, l’outil ne se contente plus de structurer ou de retrouver l’information. Il produit du contenu. Il peut désormais pédaler à notre place.

Le moment Schumpeter au bureau: l’impératif d’optimisation

La destruction créatrice de Schumpeter, egalement évoquée dans le premier article de cette série, traverse aujourd’hui nos espaces de travail. L’IA réduit rapidement la valeur économique du travail cognitif isolé et répétitif: la synthèse standard, le premier brouillon, le code routinier, la traduction courante.

Il faut ici dissiper un malentendu. Chez Schumpeter, la destruction ne vient pas de l'intérieur: elle vient des concurrents. Aucune entreprise ne se réinvente par plaisir ; elle le fait parce qu'un rival, quelque part, a déjà baissé ses coûts ou augmenté sa qualité. L'optimisation n'est donc pas un choix: c'est une contrainte que le marché exerce sur chaque acteur, en permanence.

Cette contrainte descend désormais jusqu’au bureau individuel. Lorsqu’un consultant, un développeur ou un juriste augmenté par l’IA produit en deux jours ce que son homologue produit en deux semaines, il ne redéfinit pas seulement sa propre productivité: il contribue à redéfinir le prix de marché de la prestation pour tous les autres. Le travailleur du savoir qui ne transforme pas ses méthodes ne conserve donc pas son ancien niveau de compétitivité. Il le perd, parce que le référentiel s’est déplacé sans lui.

L’impératif est asymétrique: ne rien faire n’est pas une position neutre, mais une régression relative. La seule variable qui reste entre les mains du professionnel n’est pas de savoir si la transformation aura lieu, mais qui la pilotera: lui-même, en repensant ses méthodes de travail, ou le marché, à ses dépens et selon son calendrier.

Cette contrainte ne s’arrêtera pas à l’individu. Elle remonte la chaîne l’entreprise qui n’optimise pas perd du terrain face à celle qui optimise. Nous verrons dans le prochain article qu’elle finit par atteindre les États eux-mêmes.

La menace immédiate n’est donc pas nécessairement le remplacement brutal par la machine. C’est un phénomène plus insidieux: le deskilling, ou la déqualification progressive par délégation aveugle. Autrement dit, subir la transformation au lieu de la piloter.

La leçon du jeu d’échecs: naissance et mort du centaure

En 1997, Garry Kasparov perd contre Deep Blue. Plutôt que de déclarer les échecs morts, il contribue ensuite à populariser les «échecs avancés»: des humains jouant avec des machines.

Les compétitions freestyle des années 2000 ont alors révélé quelque chose de remarquable: des joueurs qui n’étaient pas nécessairement les meilleurs, mais qui disposaient d’une machine et surtout d’un excellent processus de collaboration, pouvaient battre des adversaires plus forts, humains ou informatiques. Le centaure était né: l’humain apporte la stratégie et le jugement — le buste — tandis que la machine fournit la puissance de calcul — le corps du cheval.

Honnêteté intellectuelle oblige: aux échecs de très haut niveau, le centaure est aujourd’hui pratiquement éteint. Les moteurs modernes sont devenus si puissants que l’intervention humaine tend à dégrader leurs résultats plutôt qu’à les améliorer.

Faut-il en conclure que le modèle du centaure a une date de péremption? Pas nécessairement et la raison est décisive.

Les échecs sont un système fermé: information parfaite, règles fixes, objectif sans ambiguïté. Ce sont précisément les conditions dans lesquelles la machine peut finir par évincer l’humain.

Le travail du savoir est généralement l’inverse: un système ouvert. Ce que signifie «gagner» y est négociable. Cela dépend du contexte, des parties prenantes, de contraintes éthiques et d’objectifs susceptibles d’évoluer en cours de route. Une machine peut proposer une excellente réponse à une question donnée. Mais déterminer quelle question mérite d’être posée, à qui la réponse doit servir et quels dommages collatéraux sont acceptables ne relève pas seulement du calcul: cela relève du cadrage et de la responsabilité.

La leçon des échecs n’est donc pas que le centaure gagne toujours, mais quelque chose de plus précis: Le centaure reste pertinent là où la fonction de gain n’est pas entièrement définie.

C’est vers cet espace que le travailleur du savoir doit déplacer sa valeur: loin des tâches qui peuvent être enfermées dans des systèmes fermés, terrain sur lequel il finira probablement par perdre, et vers la définition des objectifs, des contextes et des garde-fous.

Trois postures face à la machine

De cette analyse se dégagent trois modes de collaboration entre l’humain et la machine. Ce qui les distingue, c’est la manière dont chacun traite la fonction de gain de son propre travail.

1. Le Self-Automator: la délégation passive

Il délègue l’essentiel à l’IA et traite implicitement son travail comme un système fermé, comme s’il existait pour chaque tâche une réponse «juste» que la machine finirait nécessairement par trouver.

C’est le piège: en définissant ainsi son travail, il l’a déjà déplacé sur le terrain où la machine peut évincer l’humain. La conséquence est un double deskilling : il désapprend son métier et perd progressivement le jugement nécessaire pour vérifier les résultats.

Le Self-Automator ne se fait pas rationaliser uniquement parce que l’IA est trop forte, mais parce qu’il a lui-même cessé de poser les questions pertinentes.

2. Le Cyborg: la co-création fusionnée

L’humain et la machine travaillent dans un dialogue permanent: chaque paragraphe, chaque analyse ou chaque ligne de code naît de l’itération.

Ce mode excelle dans les tâches partiellement fermées: le cadre général est posé, mais l’exécution exige des ajustements continus.
Le risque est ailleurs: celui qui travaille en fusion permanente avec la machine peut perdre la distance nécessaire pour se demander si l’ensemble va encore dans la bonne direction.

3. Le Centaure: la division du travail curatée

La ligne de partage reste nette: l’humain conserve la maîtrise du quoi, objectifs, contexte, garde-fous, arbitrages et évaluation, tandis que la machine prend en charge une grande partie du comment.

Ce mode est particulièrement adapté lorsque la fonction de gain reste ouverte : stratégie, priorisation, arbitrage éthique, compréhension des parties prenantes ou choix du problème à résoudre.

Le point essentiel est le suivant: Cyborg et Centaure ne sont pas des concurrents, mais des attitudes. Le travailleur du savoir souverain alterne consciemment entre elles : Centaure pour le cadrage, Cyborg pour l’exécution, jamais Self-Automator par défaut.

Le danger apparaît lorsque le changement d’attitude devient inconscient. Celui qui s’enfonce dans le mode Cyborg sans jamais remonter en selle dérive lentement vers l’auto-automatisation.

Savoir changer consciemment de mode devient ainsi l’une des compétences centrales de notre époque.

L’IA comme amplificateur de décisions

Lorsque le coût marginal de l’exécution cognitive chute fortement, le goulot d’étranglement se déplace.

Hier, la ressource rare était souvent la production: rédiger l’analyse, écrire le code, fabriquer la présentation. Aujourd’hui, la ressource rare devient davantage la décision: quoi produire, dans quel cadre et avec quel objectif.

Or, là où se situe le goulot d’étranglement se concentre généralement la valeur. Économiquement, rien de neuf: le facteur rare tend à déterminer le prix. La nouveauté, c’est que ce facteur rare s’appelle désormais le jugement.

Mais cette thèse a une sœur jumelle, plus sombre: l’IA est aussi un amplificateur de décisions.

Un bon cadrage est démultiplié par la machine. Un mauvais cadrage l’est également.

Celui qui, hier, introduisait une hypothèse erronée dans une analyse produisait un document fautif. Celui qui, aujourd’hui, introduit cette même hypothèse dans un processus automatisé peut produire des documents erronés en série — à la vitesse de la machine, dans une présentation professionnelle et avec toutes les apparences de la rigueur.

C’est la véritable faiblesse du Self-Automator : non pas qu’il ne décide plus, mais qu’il décide inconsciemment. Chaque prompt irréfléchi, chaque hypothèse implicite et chaque résultat repris sans vérification constituent des décisions qui ne sont pas reconnues comme telles.

Il ne délègue pas seulement son travail: il délègue, sans toujours s’en apercevoir, son jugement.

Compétence de production et compétence de vérification: la naissance du Creative Generalist

Pour comprendre la prochaine évolution du travailleur du savoir, partons d’un constat simple: jusqu’ici, la valeur d’un professionnel reposait largement sur son silo disciplinaire. Le comptable connaissait la comptabilité; le développeur, le code; le juriste, le droit.
Franchir les frontières entre ces domaines coûtait cher: il fallait des années d’études, une longue expérience pratique ou le recrutement d’un second expert.

L’IA fait chuter ce coût d’accès de manière spectaculaire. Le savoir spécialisé d’un domaine étranger ne devient pas instantanément maîtrisé, mais il devient plus facilement consultable, interrogeable et mobilisable.

Prenons deux exemples concrets:

•  Un stratège d’entreprise prépare la refonte d’un service client. Hier, il aurait décrit sa vision dans une présentation, puis attendu plusieurs semaines que l’équipe technique la traduise en spécifications. Aujourd’hui, il peut explorer avec l’IA différentes architectures logicielles, en comprendre les principales contraintes et arriver à la réunion technique avec des questions plus précises — voire avec des idées que sa formation initiale ne lui aurait jamais permis de formuler.

•  Un économiste souhaite vérifier une hypothèse sur des données d’exportation. Hier, il aurait sollicité un statisticien ou renoncé à l’analyse. Aujourd’hui, il peut mener lui-même une première exploration, guidé par la machine, puis réserver l’intervention de l’expert à la validation des méthodes et des résultats.

C’est ce que nous pourrions appeler le Creative Generalist: un professionnel dont la valeur ne réside plus seulement dans l’accumulation d’un savoir spécialisé, mais dans sa capacité à connecter des domaines que personne ne pensait à relier et à en tirer des solutions nouvelles.

Pour un pays comme la Tunisie, dont la force réside peut-être davantage dans la polyvalence de ses diplômés que dans la profondeur de ses budgets de R&D, cette figure mérite une attention particulière.

Mais une objection s’impose immédiatement et elle est sérieuse: ce généraliste n’est-il pas simplement un Self-Automator doté d’une meilleure image de lui-même?

Un stratège qui reprend des concepts techniques générés par l’IA sans pouvoir en évaluer la validité n’est pas un généraliste. C’est un aventurier doté d’un ego surdimensionné.

Pour répondre à cette objection, il faut introduire une distinction qui devient centrale à l’ère de l’IA. Décomposons ce que signifie «maîtriser» un domaine. Deux compétences distinctes s’y cachent.

La compétence de production consiste à savoir faire soi-même: écrire le code, construire le modèle statistique, rédiger le contrat. C’est celle qui exigeait traditionnellement des années de formation et dont l’IA peut désormais prendre en charge une part croissante.

La compétence de vérification consiste à savoir juger ce qui a été fait : reconnaître qu’une architecture logicielle est fragile, qu’une corrélation statistique est trompeuse ou qu’une clause contractuelle est risquée, même sans être capable de tout produire soi-même au même niveau.

Cette distinction n’est pas nouvelle. Un directeur d’usine ne sait pas nécessairement réaliser toutes les soudures, mais il doit pouvoir reconnaître un processus de fabrication défaillant. Un rédacteur en chef n’a pas écrit chaque article, mais il sait détecter une affirmation douteuse.

Ce qui change, c’est que cette asymétrie pourrait devenir un modèle de travail courant pour une part croissante des travailleurs du savoir : la machine produit davantage ; l’humain cadre, vérifie et assume la décision.

Le Creative Generalist légitime se définit alors plus précisément. Il n’a pas besoin de posséder une compétence complète de production dans tous les domaines qu’il connecte, mais il doit y construire un niveau minimal de compétence de vérification: assez de profondeur pour détecter quand l’IA lui livre une absurdité plausible. Non pour exercer pleinement dans le domaine, mais pour savoir quand décider, quand douter et quand appeler un expert.

Reste une question pratique: comment acquérir cette compétence de vérification sans passer par toutes les années de production qui la fondaient traditionnellement ?

L’apprentissage symbiotique avec la machine offre une partie de la réponse: discuter avec les modèles plutôt que consommer passivement leurs réponses, contester leurs affirmations, demander leurs sources, rechercher les contre-arguments et transformer chaque erreur détectée en occasion d’affiner son propre modèle mental.

Mais l’IA ne peut pas être à la fois l’unique producteur, l’unique professeur et l’unique arbitre de ses propres erreurs. Cet apprentissage doit aussi s’appuyer sur des références externes, des cas réels, de la pratique supervisée et l’intervention ponctuelle d’experts.

La formule honnête est donc la suivante: le Creative Generalist n’est pas un statut que l’accès à l’IA confère automatiquement. C’est une discipline qui se construit.

Celui qui saute l’étape de la compétence de vérification n’est pas un centaure au champ élargi: c’est un Self-Automator qui se rationalise dans plusieurs disciplines à la fois.

Et dans un système qui amplifie mes jugements, la qualité de ces jugements devient le principal levier qui reste entre mes mains.

Le dilemme de la génération Z: la faille dans la fabrique des centaures

Cette analyse se heurte cependant au Gen Z Dilemma identifié dans le premier article : si la machine réalise les premières analyses et traite les dossiers simples, comment les jeunes professionnels acquerront-ils l’expérience nécessaire pour gérer les situations complexes?
Nous pouvons désormais préciser l’enjeu. La compétence de vérification, celle-là même qui distingue le centaure du Self-Automator, se forge par la confrontation à l’erreur, la répétition, la pratique et l’accomplissement des tâches de base.

Le centaure de 2035 doit commencer son apprentissage aujourd’hui. Mais sur quelles tâches, si la machine les a déjà absorbées?
Des réponses existent, mais elles exigent une reconception délibérée:

• réinventer le poste de junior : ne plus lui demander seulement de produire un premier brouillon, mais aussi d’auditer celui de l’IA sous la supervision d’un professionnel expérimenté;

• réorienter l’éducation: évaluer moins la seule capacité à produire une réponse, que la machine maîtrise de mieux en mieux, et davantage la capacité à formuler une question pertinente, à expliciter ses hypothèses et à critiquer la réponse obtenue;

• institutionnaliser une «culture de l’override»: former explicitement au changement d’allure, c’est-à-dire savoir quand cadrer, quand itérer, quand vérifier et quand reprendre le contrôle;

• maintenir des espaces d’apprentissage pratique, même lorsqu’ils semblent moins efficaces à court terme, afin de ne pas sacrifier la formation des futurs experts sur l’autel de la productivité immédiate.

Rien de tout cela ne se produira spontanément. C’est un choix d’organisation, d’investissement et de transmission, non un simple sous-produit de la technologie.

La destruction créatrice change d’échelle: de l’individu à la société

Jusqu’ici, nous avons raisonné à l’échelle de l’individu. Élargissons maintenant le cadre, car c’est là que l’équation tunisienne se corse.
Chaque processus optimisé évoqué dans le deuxième article, traitement documentaire spécialisé, service client augmenté, développement assisté par des agents, signifie qu’un même volume de travail peut être réalisé par moins de personnes.
Si une équipe de dix analystes produit ce que douze produisaient hier, le gain de productivité est de 20 %. Multiplié à l’échelle d’un secteur, ce gain peut alimenter trois scénarios, qui ne sont pas mutuellement exclusifs.

Scénario 1: la croissance absorbe les gains
L’entreprise, devenue plus compétitive, conquiert de nouveaux marchés et maintient ses effectifs, mais transforme le contenu du travail.
C’est l’un des scénarios observés lors de précédentes révolutions technologiques. Il suppose toutefois des marchés en expansion, une demande solvable et une montée en gamme réussie. La productivité ne crée pas mécaniquement sa propre demande.

Scénario 2: la réduction silencieuse
L’entreprise produit autant avec moins.
Cela ne passe pas nécessairement par des licenciements spectaculaires, mais par le non-remplacement des départs, le gel des recrutements juniors ou la non-création de postes qui auraient autrement existé.
C’est probablement la forme la plus discrète, et la plus difficile à mesurer, de la destruction. Elle laisse peu de traces dans les statistiques de licenciement, mais apparaît plus tard dans celles de l’emploi des jeunes diplômés.

Scénario 3: la relocalisation de la destruction
Le premier article l’annonçait déjà: l’automatisation qui menace les travailleurs du savoir tunisiens n’a pas besoin d’avoir lieu en Tunisie.

Si un donneur d’ordre européen automatise une partie de son support ou de son développement, il peut réduire son recours à l’externalisation. La destruction se produit alors à Tunis tandis que la création de valeur, de capital ou de propriété intellectuelle se concentre ailleurs.

Or, la destruction créatrice ne promet jamais que ce qui sera créé apparaîtra au même endroit, pour les mêmes personnes, ni au même rythme que ce qui est détruit.

Un consultant de 45 ans dont les tâches d’analyse standard disparaissent ne se transforme pas automatiquement en superviseur d’agents IA. Un diplômé de 24 ans ne trouve pas automatiquement le poste junior qui n’existe plus.

C’est ici que la boucle se referme sur la société tout entière.

Le travailleur du savoir n’est pas seulement un producteur: il est aussi contribuable, cotisant et consommateur. Ses revenus financent les retraites, l’assurance maladie et l’école de ses enfants.

Nous retrouvons alors le paradoxe formulé dans le premier article: au moment où la société aurait le plus besoin de ressources pour former, protéger et reconvertir, les sources traditionnelles de ces ressources pourraient se fragiliser. Mais nous pouvons désormais en observer la mécanique précise, processus par processus, poste par poste.

Le centaure individuel peut peut-être se sauver lui-même. Mais qui financera l’écurie?

Ce sera l’objet du prochain article: le casse-tête de la gouvernance. Comment adapter la fiscalité, la protection sociale et la régulation à une économie dans laquelle le capital numérique produit une part croissante de la valeur? Et comment la Tunisie peut-elle transformer cette contrainte en occasion de repenser son contrat social?

Car une société ne se mesure pas seulement à la productivité de ses machines, mais à ce qu’elle décide de faire des humains qu’elles libèrent.

Ou qu’elles laissent sur le quai.

Dr Sami Bahri

Dr Sami Bahri est consultant senior en stratégie, technologie, marketing et gestion, doté d’une solide expertise dans les domaines de la transformation numérique et de l’intelligence artificielle (IA). Fort d’une formation en sciences naturelles (Dr. rer. nat.) et d’une expérience interculturelle (franco-germano-tunisienne), il accompagne depuis plus de 20 ans des entreprises internationales dans leurs projets de modernisation, d’optimisation des processus et d’innovation technologique.

En tant que consultant stratégique, manager de transition ou chef de projet, il aide les organisations à intégrer avec succès les technologies numériques – en particulier l’IA – afin de créer de la valeur ajoutée, de réduire les coûts et d’améliorer l’efficacité opérationnelle. Il intervient également dans le développement et la gestion du changement dans des contextes multiculturels.

Depuis 2025, il est également chargé de cours et coach en IA et transformation numérique à la German Business School de Tunis.