TL;DR L’IA ne change pas seulement les outils. Elle ajoute une dimension au travail, et ceux qui l’ont intégrée ne travaillent plus dans le même espace que les autres. Le basculement est cognitif, organisationnel et économique avant d’être technologique : il passe par la distinction entre tâche et travail, par l’émergence du second cerveau comme nouvel état de l’art, et par la nécessité de piloter les coûts comme n’importe quel poste opérationnel. Les organisations qui attendent de comprendre avant d’agir risquent surtout d’organiser leur propre incompréhension.
En 1884, Edwin Abbott publie Flatland : A Romance In Many Dimensions. Un monde à deux dimensions, peuplé de lignes et de polygones qui ne peuvent concevoir la profondeur. C’est un de mes livres de chevet, fascinant à bien des égards. Je le relis périodiquement, et cette fois, c’est sur l’IA et les organisations qu’il parle le plus clairement. Quand une Sphère traverse leur plan et tente de leur expliquer l’existence d’une troisième dimension, elle se heurte à l’incompréhension, puis à l’hostilité. Toute tentative d’introduire ce changement de référentiel est perçue comme une menace. Le monde plat ne refuse pas la vérité par bêtise. Il la refuse parce que sa structure sociale entière repose sur l’idée que le plan est le seul monde possible.
Plus qu’une métaphore commode sur l’IA, c’est une façon étonnamment précise de décrire ce qui se joue aujourd’hui dans les organisations.
Deuxième article d’une série de trois sur l’IA et les organisations. Suite de l’article Les résistances qui viennent.
Une nouvelle dimension est apparue
L’IA n’est pas un outil de plus dans la boîte. C’est une dimension supplémentaire dans la façon de travailler, de produire, de décider. Ceux qui l’ont intégrée ne travaillent plus dans le même espace que ceux qui ne l’ont pas fait. Ils ne voient pas seulement plus vite ou plus loin : ils voient autrement.
La plupart des organisations continuent pourtant de penser leur transformation dans le plan qu’elles connaissent : des outils, des processus, des formations, des KPIs. Elles cherchent à optimiser ce qu’elles font déjà. Elles ne perçoivent pas encore qu’une dimension supplémentaire est disponible, et que certains de leurs collaborateurs, certains de leurs concurrents, l’habitent déjà.
La confusion entre tâche et travail
Ce qui rend le basculement difficile, c’est que beaucoup de gens ont fini par confondre leurs tâches quotidiennes avec leur vrai travail.
Taper du code, remplir des tableaux, rédiger des comptes-rendus : ce sont des tâches. Le vrai travail, c’est penser, imaginer, arbitrer, créer du sens. L’IA prend en charge une partie croissante des tâches, sans toucher au travail lui-même. Mais si l’on s’est défini par ses tâches, la distinction ne va pas de soi, et personne dans l’organisation ne la formule clairement.
Un exemple que l’on voit souvent : le chef de projet qui passait 40 % de son temps à consolider des reportings. L’IA absorbe cette tâche en quelques minutes. Ce qui reste, c’est le jugement sur ce que les chiffres signifient, les arbitrages à proposer, les parties prenantes à convaincre. Son vrai travail, en somme. Mais si son manager continue de l’évaluer sur la qualité du reporting et non sur la qualité de l’arbitrage, rien ne change vraiment. La tâche a disparu. Le modèle d’évaluation, lui, est resté dans l’ancien plan.
La vraie question n’est pas de savoir ce que l’IA peut automatiser. C’est de savoir ce que l’on va enfin voir quand les tâches cesseront d’occuper tout l’espace.
Les méthodes classiques de conduite du changement passent à côté de cela. On peut former quelqu’un à utiliser un outil. On ne forme pas quelqu’un à redéfinir ce qu’il est dans son organisation. Cela demande du temps, de la confiance, et une direction qui sait elle-même ce qu’elle attend de ses équipes une fois les tâches automatisées. La plupart des organisations n’ont pas encore répondu à cette question.
Le basculement chez les développeurs
C’est là que le changement de modèle mental est le plus visible et le mieux documenté, et c’est là qu’il préfigure ce qui va toucher tous les métiers.
Un développeur qui travaille avec l’IA ne code plus de la même façon. Il ne cherche plus à mémoriser des syntaxes ni à résoudre seul des problèmes de bas niveau. Il orchestre. Il délègue des tâches à des agents, parallélise ce qui était séquentiel, capitalise sur ce que ses outils ont appris.
Ce basculement est mieux décrit par l’allégorie du fermier que par celle du technicien augmenté. Le développeur ne devient pas un super-codeur. Il devient quelqu’un qui élève ses agents comme un fermier gère son exploitation : des agents de protection, de production, de veille, chacun avec sa fonction, son périmètre, ses limites. Le fermier ne fait pas le travail de chaque animal. Il conçoit le système, maintient les conditions, décide de ce que l’on produit.
Mais le changement le plus profond est ailleurs. Il tient dans ce que l’on commence à appeler le second cerveau IA. Tiago Forte avait posé les bases de cette idée avec son Second Brain : sortir la connaissance de sa tête pour la rendre interrogeable, et mutualisée entre les collaborateurs. L’IA générative transforme ce principe en quelque chose de beaucoup plus actif : le système ne se contente plus de stocker, il retrouve, relie, résume, transforme en livrables, répond en langage naturel. Techniquement, cela repose souvent sur des architectures de type RAG (alliées aux MCP et Skills) qui connectent un modèle de langage à des sources personnelles ou professionnelles pour produire des réponses contextualisées et vérifiables plutôt que des générations à l’aveugle.
Dans les nouvelles normes de développement, cela se traduit concrètement ainsi : le système répertorie les règles métier, les processus, les dépendances, les décisions d’architecture et leur contexte. L’IA ne travaille plus seulement sur le code. Elle travaille dans une mémoire organisationnelle vivante, que l’équipe des développeurs et chefs de projets alimentent et interrogent en continu. Des outils comme NotebookLM en donnent une première intuition accessible : on fournit ses sources, on les interroge, on les fait parler ensemble, sans compétence technique particulière. Ce que les équipes de développement avancées font à l’échelle d’un projet entier repose sur le même principe, avec une sophistication bien supérieure.
Un modèle en expansion, pas en substitution
L’adoption est encore inégale, mais c’est l’état de l’art. Anthropic documente le glissement du métier vers l’orchestration d’agents et le pilotage d’architecture ; la recherche académique parle déjà d’AI agentic programming comme d’un paradigme structuré, fondé sur la planification, la mémoire et le contrôle d’exécution. L’enquête Stack Overflow 2025 nuance : moins d’un développeur professionnel sur six utilise des agents au quotidien. Ceux qui n’ont pas intégré ce modèle ne sont donc pas encore minoritaires. Mais ils travaillent dans une dimension que leurs pairs les plus avancés ont déjà quittée, et l’écart se creuse.
Un chiffre contre-intuitif vient compléter ce tableau : aux États-Unis, les offres d’emploi pour développeurs continuent d’augmenter pendant que l’IA automatise une part croissante du développement. Gilles Babinet l’explique par le paradoxe de Jevons appliqué au code : en réduisant le coût de production du logiciel, l’IA n’a pas contracté la demande, elle l’a élargie à des secteurs et des organisations qui n’envisageaient pas de créer leurs propres outils il y a encore trois ans. Le volume total explose. Ce que l’on pensait être une substitution est en réalité une expansion. Cela ne règle pas la question des métiers qui se transforment, ni celle des individus pris dans la transition. Mais cela devrait au moins tempérer les discours sur la destruction massive d’emplois. Le problème est organisationnel et non macroéconomique.
Les freins à l’adoption du second cerveau ne sont pas principalement techniques. Construire ce système demande de documenter ce que l’on sait, de structurer ce qui était tacite, de rendre explicites des règles et des décisions qui vivaient jusqu’ici dans les têtes ou dans des échanges informels. Pour beaucoup d’équipes, c’est un effort de capitalisation que le quotidien n’a jamais rendu prioritaire. L’IA rend cet effort rentable. Elle ne le rend pas automatique. Et l’effort n’est pas le même dans une startup fintech que dans un groupe industriel de dix mille personnes.
Le coût de la profondeur : pourquoi l’IA doit être pilotée
Le pilotage du modèle mental ne suffit pas si le pilotage économique suit avec six mois de retard. Une question mal identifiée par les organisations : celle du coût.
Le modèle économique est lui-même en train de basculer. On passe du SaaS, où l’on paye pour accéder à un outil qu’un humain opère, à ce que certains commencent à appeler l’AGaaS (Agentic-as-a-Service), où l’on paye pour un résultat qu’un agent exécute. Ce glissement change la nature de la dépense : elle n’est plus fixe et prévisible, elle est proportionnelle à ce que les agents font réellement. C’est bien pour la valeur produite, mais c’est une mauvaise nouvelle pour les organisations qui n’ont pas mis en place les outils pour la piloter.
Utiliser un modèle frontière, soit les modèles les plus puissants du marché, pour modifier deux lignes de HTML ne peut pas être rentable. Les chaînes agentiques bien construites travaillent autrement : elles routent chaque tâche vers le modèle adapté, en mobilisant largement des modèles open weights, c’est-à-dire des modèles dont les paramètres sont publics et que l’on peut héberger soi-même, localement ou sur des infrastructures maîtrisées. Quand chaque exécution d’une chaîne agentique est optimisée en termes de choix de modèle, l’immense majorité des traitements s’effectue sur des serveurs dont le coût est connu et prévisible. Des acteurs m’ont récemment donné cet ordre d’idée dans leur cas particulier : environ 1 euro pour un livrable qui coûterait entre 30 et 60 euros en temps humain. Ce n’est pas une promesse de vendeur. C’est un ordre de grandeur issu d’une démonstration récente, dans un cas particulier. Mais l’ordre de grandeur est là.
C’est ce que l’on appelle le FinOps appliqué à l’IA, soit la discipline qui consiste à piloter les coûts d’infrastructure et de consommation de modèles comme on piloterait n’importe quel poste opérationnel. Cela ne signifie pas qu’il faut freiner l’usage de l’IA, cela signifie qu’il faut le piloter.
Ce que le monde plat refuse de voir
Dans Flatland, ce n’est pas l’ignorance qui est le problème central. C’est la structure sociale qui rend la nouvelle dimension impensable. Les polygones au sommet de la hiérarchie ont tout intérêt à ce que le monde reste plat.
On retrouve cette logique dans les organisations. Les résistances les plus fortes ne viennent pas nécessairement de ceux qui ne comprennent pas l’IA. Elles peuvent venir des fonctions dont la valeur visible s’est construite autour de la circulation de l’information, de la consolidation des flux, de la coordination manuelle et de la sécurisation des processus. L’IA ne les rend pas inutiles ; elle déplace leur valeur vers le jugement, la priorisation, la médiation et l’architecture du travail collectif. Et pourtant, on leur demande de percevoir une troisième dimension sans leur en donner les moyens.
Comment la Sphère échoue, et ce que cela implique
La Sphère de Flatland n’a pas échoué faute d’arguments, elle a échoué faute de conditions.
Ce que cela implique concrètement : la transformation commence non pas par un déploiement, mais par la capacité de l’organisation à nommer ce qu’elle attend de ses équipes une fois les tâches répétitives absorbées. Quels rôles, quels critères de valeur, quels modèles de production. Les organisations qui ont franchi ce cap lors de leur transformation numérique dans les années 2010 n’étaient pas celles qui avaient le mieux communiqué. Elles étaient celles qui avaient su répondre à cette question avant de déployer quoi que ce soit.
Ce que l’on ne nomme pas aujourd’hui se retrouve dans les résistances de demain.
Ce que la troisième dimension change
Le carré de Flatland (c’est lui qui fait la connaissance de la Sphère) une fois qu’il a perçu la troisième dimension, ne peut plus faire comme si elle n’existait pas. Il ne peut pas non plus l’expliquer à ses voisins sans passer pour fou.
C’est exactement la position des praticiens de l’IA dans les organisations aujourd’hui. Ceux qui travaillent réellement avec ces outils se heurtent à l’incompréhension de ceux qui n’ont pas encore fait l’expérience de la profondeur. Former les seconds pour qu’ils rattrapent les premiers ne suffit pas : on ne comble pas un écart de dimension par un plan de formation. Cela demande quelqu’un capable de tenir les deux bouts : comprendre où en sont les équipes, savoir où va l’état de l’art, et construire le chemin entre les deux sans perdre l’organisation en route.
Combler cet écart est précisément le travail de transformation. Pas déployer un outil. Faire percevoir une dimension nouvelle, à des rythmes différents, dans des organisations qui n’ont pas été conçues pour cela.
Le monde n’est plus plat. Je le vois dans chaque missions. Les organisations qui tardent à le reconnaître ne prennent pas seulement du retard. Elles fabriquent activement les conditions de leur propre incompréhension, et ce travail-là est beaucoup plus difficile à défaire.
Cet article fait suite à Les résistances qui viennent : ce que les boos américains annoncent pour nos organisations, publié précédemment sur go2prod.com. Un troisième volet explorera les conditions concrètes d’échec et de réussite des projets agentiques./ A paraitre sous très peu 🙂 /
Sources
Edwin Abbott, Flatland: A Romance of Many Dimensions, 1884. babelio.com
Tiago Forte, Building a Second Brain. fortelabs.com
Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, NeurIPS 2020. arxiv.org
Google NotebookLM. notebooklm.google
FinOps Foundation, FinOps for AI: Tools & Services Considerations. finops.org
Anthropic, 2026 Agentic Coding Trends Report. resources.anthropic.com
AI Agentic Programming: A Survey of Techniques, Challenges, and Opportunities, arXiv, 2025. arxiv.org
Stack Overflow, Developer Survey 2025, section AI Agents. survey.stackoverflow.co