Vous ne supprimez pas une tâche. Vous déplacez le travail réel.

Ce que trois cas de terrain racontent sur l’IA, l’automatisation et les conditions de travail.

Une entreprise remplace les assistantes de ses cadres par des agents IA. Sur le papier, l’idée est simple : automatiser des tâches administratives pour libérer du temps. Moins de coordination, moins de relances, moins de petites opérations répétitives. Les cadres pourront se concentrer sur ce qui compte vraiment.

Quelques semaines plus tard, l’entreprise appelle un cabinet d’ergonomie. Le problème : les cadres sont en surcharge.

Ce n’est pas une anecdote anti-IA. C’est plus intéressant que ça. L’IA n’a pas forcément “échoué”. Elle a probablement fait une partie de ce qu’on lui demandait. Le problème était ailleurs : l’entreprise croyait savoir ce qu’elle était en train d’automatiser.

Elle pensait supprimer des tâches administratives. Elle a déplacé du travail réel.

La fiche de poste ment par omission

Dans beaucoup de projets IA, on part d’une représentation pauvre du travail. On regarde une fiche de poste, un organigramme, un processus, une suite de tâches dans un outil. On demande : “Qu’est-ce qui est répétitif ? Qu’est-ce qui prend du temps ? Qu’est-ce qu’on peut automatiser ?”

Cette question paraît rationnelle. Elle est souvent trop courte.

En ergonomie, on distingue le travail prescrit et le travail réel. Le travail prescrit, c’est ce qui est prévu : la procédure, la fiche de poste, le flux nominal, ce qu’on raconte quand tout se passe bien. Le travail réel, c’est ce qu’il faut faire pour que ça tienne quand tout ne se passe pas bien : les aléas, les exceptions, les arbitrages, les arrangements, les micro-décisions, les messages qu’on reformule, les priorités qu’on réordonne, les tensions qu’on absorbe avant qu’elles deviennent visibles.

Le prescrit est facile à décrire. Le réel est facile à rater. Or l’IA automatise d’abord ce que vous avez su décrire, pas forcément ce que les gens font vraiment.

Le piège du projet-solution

C’est un biais classique dans les organisations : arriver avec la solution avant d’avoir compris le problème. On veut mettre un exosquelette avant d’avoir observé les gestes. On veut robotiser une ligne avant d’avoir compris ce que les opérateurs régulent. Aujourd’hui, on veut mettre de l’IA avant d’avoir regardé le travail.

Le marketing pousse dans ce sens : si vous n’y allez pas, vous serez en retard. Si vous n’intégrez pas l’IA, vous resterez sur le côté. Si vous ne trouvez pas de cas d’usage, vos concurrents le feront. Alors on cherche des tâches. On découpe le travail. On automatise ce qui a l’air simple. Puis on découvre que ce qui avait l’air simple servait parfois à réguler tout le reste.

Dans le cas des assistantes, la partie visible pouvait être remplacée : agendas, messages, relances, documents, petites opérations de coordination. Mais une assistante ne fait pas seulement “des tâches administratives”. Elle filtre, anticipe, priorise, repère les signaux faibles, connaît les habitudes, amortit les frottements entre personnes, évite à des sujets mineurs de devenir des problèmes pour les cadres.

Quand cette couche disparaît, le travail ne disparaît pas. Il remonte. Et ceux qui le récupèrent n’ont pas toujours le temps, l’attention ou les marges pour l’absorber.

Quand on retire le simple, il ne reste pas forcément le noble

Il y a une promesse fréquente dans les projets d’automatisation : retirer les tâches sans valeur ajoutée pour laisser aux humains les tâches intéressantes. Parfois, c’est vrai. Mais il existe une autre trajectoire : on retire le simple, puis il ne reste aux humains que les exceptions.

Une ligne de production permet de le voir très clairement. Imaginez cinq stations de travail. Une pièce passe de poste en poste. Les opérateurs régulent en permanence : une pièce arrive un peu en retard, un collègue manque, un détail ne ressemble pas au cas nominal, il faut ajuster.

Puis on robotise la station du milieu, parce qu’elle porte les tâches les plus simples, donc les plus robotisables. Sur le papier : moins de pénibilité, plus de productivité, moins d’opérations répétitives. Sur le terrain : la station robot ne négocie pas avec le réel. Elle attend que ce qui arrive soit conforme à ce qui était prévu. Elle ne s’arrange pas. Elle ne compense pas. Elle ne voit pas que l’équipe est courte, que la pièce précédente a pris du retard, que le flux doit être réordonné pour tenir.

Avant, les opérateurs régulaient sur cinq stations. Après, ils doivent faire arriver un flux propre dans un système plus rigide. La marge de régulation se réduit. La variabilité se concentre. Les personnes qu’on place autour de la machine doivent souvent être plus expertes, pas moins. Et ces experts sont parfois des salariés avancés dans leur carrière, avec déjà des fragilités physiques, à qui l’on confie finalement les situations les plus difficiles.

Ce qui devait simplifier le travail peut l’intensifier. Ce qui devait réduire la pénibilité peut la concentrer.

Le mécanisme est transposable aux métiers de bureau. Si l’IA prend le nominal, l’humain récupère l’ambigu. Si elle prend le facile, l’humain récupère ce qui casse. Si elle prend la production visible, l’humain récupère la vérification, la correction, l’arbitrage, la responsabilité.

Ce n’est pas toujours mauvais. Mais ce n’est jamais neutre.

Superviser une IA, ce n’est pas ne rien faire

On sous-estime souvent la charge de supervision. Dans le développement informatique, par exemple, l’IA transforme déjà une partie du travail. Le développeur ne passe plus seulement son temps à écrire du code. Il décrit un comportement attendu, attend une proposition, lit, vérifie, corrige, relance, compare, reprend.

Cela peut être très puissant. Mais ce n’est pas la même activité.

Produire et superviser ne mobilisent pas les mêmes ressources. Écrire soi-même une partie du travail et surveiller un système qui peut produire une erreur plausible sont deux expériences cognitives différentes. On connaît déjà ce problème dans les salles de contrôle et les activités de conduite de process. Être alerté quand il faut intervenir n’est pas la même chose que devoir maintenir son attention en continu pour détecter l’anomalie soi-même.

Dans un cas, le système signale l’écart. Dans l’autre, c’est à vous de rester assez vigilant pour voir que quelque chose cloche.

Avec l’IA, le problème est encore plus subtil : l’erreur peut avoir l’air correcte. Un texte juridique peut sembler propre tout en citant des règles hors sujet. Un livrable de conseil peut paraître sérieux tout en étant creux. Une réponse peut être fluide, convaincante, bien structurée, et pourtant insuffisante.

La valeur ne disparaît pas. Elle se déplace vers le jugement. Et le jugement suppose du métier.

Automatiser la mauvaise moitié du travail

Le cas le plus clair est peut-être celui d’une fonderie. Des opérateurs manipulent des pièces de freinage brutes de fonderie, dans un environnement difficile : chaleur l’été, froid l’hiver, sable, bruit, équipements de protection, pièces lourdes, cycles courts.

Leur travail ne consiste pas seulement à porter ou retoucher des pièces. Ils contrôlent. En quelques secondes, ils repèrent des défauts très fins sur des pièces irrégulières, noires, brutes, et jugent si le défaut est acceptable ou dangereux. Vu de loin, la direction voit surtout la pénibilité physique.

Le projet consiste alors à automatiser la détection des défauts, pour que les opérateurs n’aient plus qu’à faire la retouche : burineur, disqueuse, toute la journée. Mais pour les opérateurs, l’intérêt du métier n’était pas dans la retouche. Il était dans le contrôle.

Le projet retirait le jugement et laissait la pénibilité. Il automatisait la partie qui donnait du sens, puis gardait pour l’humain la partie la plus dure. On aurait pu imaginer l’inverse : automatiser une partie de la retouche et préserver le contrôle humain. Ou au moins partir de l’activité réelle avant de choisir quoi automatiser.

L’intervention a finalement montré que le projet partait dans la mauvaise direction. C’est la question que tout projet IA devrait poser plus tôt :

Quelle moitié du travail sommes-nous en train d’automatiser ?

La moitié visible ? La moitié pénible ? La moitié qui donne du sens ? La moitié qui permet aux autres de travailler ?

Ces questions changent tout.

L’IA peut aussi révéler la profondeur du travail

Il ne faut pas en conclure que l’IA dégrade nécessairement les conditions de travail. Ce serait aussi faux que de dire qu’elle les améliore nécessairement.

L’IA peut libérer du temps. Elle peut accélérer le traitement de données. Elle peut permettre à une petite équipe de faire un travail qui demandait auparavant beaucoup plus de moyens. Elle peut aider un professionnel à être plus présent dans un entretien, parce qu’il n’est plus entièrement absorbé par la prise de notes. Elle peut faire émerger des usages que personne n’aurait pensés en comité de pilotage.

Mais ces effets positifs apparaissent rarement quand on plaque une solution sur une fiche de poste. Ils apparaissent quand on part du terrain.

Une IA générative a une caractéristique intéressante : elle est malléable. Donnez le même outil à deux personnes qui ont, en théorie, le même métier, et vous verrez probablement apparaître deux usages différents. Chacun l’ajuste à son activité, à ses contraintes, à ses façons de faire.

Cela peut devenir une force si l’organisation crée un cadre : formation, retours d’usage, discussion collective, capitalisation des pratiques, contrôle de ce qui marche et de ce qui dégrade le travail. Le problème n’est donc pas “IA ou pas IA”. Le problème est : qui observe le travail avant de décider ? Qui discute les usages après le déploiement ? Qui regarde les effets réels sur la charge, le sens, la qualité, la coopération, la santé ?

L’IA peut même révéler la profondeur de certains métiers. Quand elle échoue à remplacer une activité qu’on croyait simple, elle montre parfois que cette activité ne l’était pas. Elle rend visible ce qui était devenu invisible : l’expertise incorporée, les arrangements discrets, les décisions rapides, les formes de soin apportées au travail des autres.

C’est peut-être l’un des effets les plus intéressants de cette période : l’automatisation oblige les organisations à redécouvrir ce qu’elles ne savaient plus voir.

Avant d’automatiser, posez trois questions

La question n’est pas : “Que peut faire l’IA ?” Cette question arrive trop tôt. La première question devrait être : “Que fait vraiment le travail ?”

Avant d’automatiser une tâche, posez au moins ces trois questions.

1. Quelle part de cette tâche n’apparaît pas dans la fiche de poste ?

Si vous ne savez décrire que le nominal, vous risquez d’automatiser une caricature du travail.

2. Qui récupérera les exceptions, les erreurs et les cas ambigus ?

Si la réponse est “les équipes verront bien”, vous êtes probablement en train de déplacer la charge sans l’organiser.

3. Qu’est-ce que cette tâche donnait comme marge, respiration ou sens au métier ?

Certaines tâches simples ne sont pas seulement des pertes de temps. Elles peuvent être des moments de récupération, de coordination, de compréhension, ou une partie de ce qui rend le métier intéressant.

Ces questions ne ralentissent pas l’innovation. Elles évitent de confondre vitesse et précipitation.

Le vrai test d’un projet IA

Un projet IA réussi ne se mesure pas seulement à ce que la machine sait faire. Il se mesure à ce que le travail devient après son arrivée.

Est-ce que la charge diminue vraiment, ou change seulement de forme ? Est-ce que les erreurs deviennent plus visibles, ou plus plausibles ? Est-ce que les personnes gagnent du pouvoir d’agir, ou deviennent responsables de surveiller un système qu’elles ne maîtrisent pas ?

Est-ce que l’on retire de la pénibilité, ou seulement du sens ? Est-ce que l’organisation apprend du terrain, ou force le terrain à s’adapter à la solution ?

L’IA ne supprime pas magiquement le travail. Elle le recompose. Elle peut déplacer la charge, les exceptions, le jugement, la responsabilité, la valeur et parfois la pénibilité.

Donc avant de demander ce que vous pouvez automatiser, demandez ce que vous risquez de déplacer.

Si vous avez un projet IA en cours, commencez par là. J’ai préparé une grille de 12 questions pour repérer, en amont, où le travail réel risque d’être déplacé.

Si vous venez de LinkedIn ou X, commentez GRILLE sous le post associé à cet article et je vous l’enverrai.

Julien Talbot - Ergonomia
Article issu de la conférence “Quel impact de l’IA sur les conditions de travail ?”, co-animée avec Alexandre Normand et Matthieu Talbot à Préventica Rennes, juin 2026, pour CINOV Ergonomie.