Il y a un moment gênant, dans presque toutes les conversations que j’ai eues cette année sur l’IA au travail. Il arrive vers la fin, quand quelqu’un demande, un peu inquiet : « Concrètement, qu’est-ce qu’il faut savoir faire, maintenant ? »
La réponse attendue est technique. Prompt engineering, fine-tuning, agents, RAG, vocabulaire qui claque. La réponse honnête est beaucoup moins spectaculaire, et l’OCDE vient de la poser noir sur blanc : moins de 1 % des travailleurs auront besoin de compétences IA avancées, du type programmation ou développement de modèles.
Moins de un pour cent. Autant dire personne, dans la plupart des équipes marketing, communication ou direction que je croise.
Alors quoi ? Si la barrière n’est plus technique, où est-elle passée ? Je crois qu’elle s’est déplacée vers un endroit beaucoup moins vendeur, beaucoup plus difficile à mettre sur un CV, et sur lequel personne ne vous formera en une journée : la capacité à juger ce que la machine vous rend. À décider ce qui mérite d’exister, et ce qui doit être jeté.
En synthèse
L’OCDE estime que moins de 1 % des travailleurs auront besoin de compétences IA avancées comme la programmation ou le développement de modèles.
Le manque de compétences reste pourtant le premier frein à l’adoption : environ 40 % des employeurs de l’industrie et de la finance qui n’ont pas adopté l’IA l’invoquent, et plus de la moitié des PME qui n’utilisent pas encore l’IA générative.
Ce ne sont pas des compétences de code qui manquent, mais la littératie numérique, l’analyse et l’interprétation des données, la résolution de problèmes et la créativité.
L’automatisation n’a pas supprimé l’effort, elle l’a déplacé : de la production vers le jugement.
Juger n’est pas relire. C’est arbitrer un angle, refuser un contenu, détecter ce qui est faux et ce qui est simplement creux.
Ce jugement s’acquiert en faisant à la main ce qu’on automatisera ensuite — d’où un vrai problème de transmission pour ceux qui commencent aujourd’hui.
La compétence qui dure n’est jamais l’outil. C’est la manière de regarder un travail.
Le jugement se voit surtout dans ce qu’on décide de ne pas publier.
Ce que l’OCDE dit vraiment des compétences IA
Le 5 juin 2026, l’OCDE a publié une synthèse intitulée AI and skills: What we know so far. Ce n’est pas un rapport de tendance, c’est un état des lieux de ce qui est réellement mesuré. Et il dit deux choses qui, mises côte à côte, forment un paradoxe intéressant.
Première chose : le manque de compétences bloque l’adoption. Environ 40 % des employeurs de l’industrie et de la finance qui n’ont pas encore adopté l’IA citent les compétences comme raison principale. Chez les PME qui n’utilisent pas encore l’IA générative, c’est plus de la moitié. Le frein n’est ni le coût, ni la réglementation, ni le scepticisme technologique. Ce sont les gens.
Deuxième chose, et c’est là que ça devient contre-intuitif : les compétences qui manquent ne sont pas techniques. Moins de 1 % des travailleurs auront besoin de savoir programmer ou développer un modèle. Ce qui monte, en revanche, ce sont les compétences numériques de base, la capacité à utiliser, analyser et interpréter des données, et à côté de ça, les compétences managériales et humaines — résolution de problèmes, créativité, innovation.
Le rapport va jusqu’à titrer l’un de ses graphiques ainsi : chez les PME, la compétence que l’IA générative a rendue plus importante que toutes les autres, c’est l’analyse et l’interprétation des données. Pas le code. La lecture.
À savoir
L’OCDE observe aussi un effet inverse rarement commenté : dans plusieurs pays européens, les managers utilisant des outils de management algorithmique déclarent plus souvent que ces outils réduisent leur besoin d’empathie (20 %) qu’ils ne l’augmentent (12 %). Le rapport appelle explicitement à la prudence sur cette lecture — mais le signal mérite d’être gardé en tête.
Autrement dit : ce n’est pas un problème d’ingénieurs. C’est un problème de jugement professionnel exercé sur une matière nouvelle. Et ça, ça ne s’achète pas en licence.
Ce constat rejoint quelque chose que j’écris depuis un moment : l’IA ne bloque pas sur les outils, elle bloque sur l’organisation. Sauf qu’ici, on descend d’un cran encore. En dessous de l’organisation, il y a l’individu, et la question très simple de savoir s’il est capable de dire non à une sortie de machine.
1996 : la disquette qui faisait ce que mon formateur ne savait pas faire
Je veux revenir trente ans en arrière, parce que je crois que cette histoire dit quelque chose que les chiffres de 2026 ne disent pas seuls.
1996. Je suis à peine arrivé au CESAM, propulsé formateur en bureautique dans le cadre de mon service civil, après avoir annoncé moi-même en toute franchise que je n’avais aucune compétence en informatique. Ce n’était pas une posture d’humilité, c’était un état de fait. Certains stagiaires présents depuis quelques semaines en savaient plus que moi. J’apprenais les logiciels en même temps qu’eux, je restais après la fermeture, je bricolais avec les manuels de formation, des livres et des magazines.
L’environnement, c’était Windows 3.1 posé sur DOS. Word, Excel, Access, PowerPoint, Multiplan. Un monde où la mémoire conventionnelle était une obsession quotidienne, et où un logiciel pouvait tout simplement refuser de démarrer parce qu’il n’y avait pas assez de place.
Au bout de trois mois environ, j’ai cessé de me contenter d’utiliser les logiciels. Je me suis attaqué à la machine elle-même. Sur une disquette, j’ai construit des enchaînements d’opérations : un fichier lancé, et une succession de choses se produisait toute seule.
Trois usages, très concrets. Préparer les postes avant une session : créer les répertoires de travail, y copier les fichiers d’exercices, effacer ce que le groupe précédent avait laissé, configurer la machine selon la formation prévue. Une manipulation par poste, répétée à chaque nouveau groupe, réduite à un seul lancement.
Ensuite, un menu maison pour les stagiaires. Un écran s’affichait, on tapait un chiffre, et le bon logiciel démarrait. Le problème que ça résolvait était tout bête mais restait insurmontable pour d’autres : des adultes en reconversion, qui découvraient l’informatique, et qui ne savaient tout simplement pas atteindre un programme par eux-mêmes. Et comme j’étais l’un d’entre eux quelques mois plus tôt, je comprenais le défi.
Enfin, faire tenir la mémoire. Retoucher AUTOEXEC.BAT et CONFIG.SYS pour charger les pilotes en mémoire haute, parce que sans cet espace libéré, certains logiciels ne se lançaient pas. Rien d’héroïque. De la plomberie.
Le formateur qui m’encadrait, lui, m’a fait remarquer qu’il ne savait pas faire ce que j’étais en train de faire.
Je ne le raconte pas pour me donner le beau rôle — il connaissait mille choses que j’ignorais, et j’apprenais beaucoup de lui. Je le raconte parce que sur le moment, ce que j’ai ressenti, c’était surtout du plaisir, et une forme de surprise. Trois mois plus tôt, je ne savais rien. Là, je dépassais le programme et j’explorais de mon propre chef quelque chose que personne ne m’avait demandé.
Aucune des technologies que j’ai apprises depuis n’a survécu. Ni DOS, ni Flash, ni les CMS de l’époque, ni la moitié des plateformes sur lesquelles j’ai bâti des pans entiers de ma carrière. Ce qui a perduré, ce ne sont pas les outils. C’est un réflexe.
Le réflexe, c’était celui-ci : refuser de refaire à la main ce qui peut être décrit une fois et exécuté ensuite. Prendre une tâche répétitive, la décomposer en étapes explicites, confier l’enchaînement à la machine, et garder son attention pour le reste.
Trente ans séparent cette disquette des chaînes d’agents éditoriaux que je conçois aujourd’hui. Les outils n’ont rien en commun. Le geste est exactement le même. Ce n’était pas une prédiction de carrière, je n’en savais évidemment rien à l’époque. C’est une relecture, faite après coup, qui m’a fait comprendre une chose : la compétence durable n’était pas la connaissance de DOS. C’était la façon de regarder un travail répétitif.
Le filtre a changé de nature : produire n’est plus le problème
Voilà où la comparaison devient utile — et légèrement inconfortable pour tous ceux qui, comme moi, ont bâti une réputation sur leur capacité à produire.
Quand je suis arrivé à Bordeaux, freelance en marketing de contenu et SEO, j’ai décidé de relancer mon site. Je me suis imposé une discipline que je qualifie moi-même, aujourd’hui encore, de complètement folle. Pendant une courte période, je me suis levé à 4h30. Smoothie d’abord, café ensuite, toujours dans cet ordre. Et je rédigeais.
Trois articles par semaine, écrits entièrement à la main, avant que la journée commence. C’est la période où Squid Impact a décollé, où mon audience s’est construite, où les classements et les citations sont arrivés.
Je précise tout de suite, parce que ce genre de récit se transforme trop vite en conseil : ce rythme n’a pas duré, et j’en suis aujourd’hui très loin. Je ne le recommande à personne. Ce n’était pas une méthode, c’était une intensité.
L’effort n’a pas disparu : il a changé de courbe.
Quinze ans plus tard, la même production passe par une chaîne d’agents. Le rapprochement est brutal, et il est exact : ce qui me coûtait un réveil avant l’aube et un temps phénoménal coûte aujourd’hui, en API, à peu près le prix d’un café pour un mois entier.
La tentation, à ce stade, serait de conclure que le premier était inutile. C’est exactement le contraire.
Ces matinées ont produit deux choses que l’automatisation ne fabrique pas. Une audience réelle, d’abord. Et surtout la méthode elle-même. On n’automatise pas correctement un processus qu’on n’a jamais exécuté à la main. C’est en écrivant trois articles par semaine pendant des années qu’on apprend ce qu’il faut chercher, structurer, vérifier et relier. La chaîne d’agents d’aujourd’hui n’est rien d’autre que la formalisation d’un savoir-faire acquis à cinq heures du matin.
Mais elle dit quand même quelque chose d’important. Pendant vingt ans, la régularité éditoriale était un test d’endurance. Ceux qui tenaient étaient ceux qui pouvaient sacrifier leurs matinées. Ce filtre-là a disparu. Complètement.
Ce qui reste comme filtre, désormais, ce n’est plus la capacité à produire. C’est d’avoir quelque chose à dire, et une manière de le dire qui ne ressemble à personne d’autre.
Voilà la vraie traduction du chiffre de l’OCDE. L’automatisation n’a pas supprimé l’effort. Elle l’a déplacé. Il ne porte plus sur la production, il porte sur le jugement : quoi traiter, sous quel angle, avec quel point de vue, et surtout quoi refuser de publier.
Se lever à 4h30 était difficile, mais simple. Savoir ce qui mérite d’être écrit paraît facile, et se révèle bien plus exigeant.
Juger n’est pas relire : ce que recouvre vraiment cette compétence
Il y a un malentendu tenace que je voudrais dissiper, parce qu’il coûte cher aux équipes. Beaucoup d’organisations pensent avoir réglé la question du jugement en ajoutant une case « relecture humaine » à la fin du processus. C’est mieux que rien. Ce n’est pas du jugement.
Relire, c’est vérifier qu’un texte est correct. Juger, c’est décider s’il a le droit d’exister. Ce sont deux opérations mentales complètement différentes, et la seconde intervient beaucoup plus tôt que la première.
Concrètement, dans ma pratique, le jugement se répartit sur quatre plans distincts.
Plan de jugement
La question qu’on se pose
Ce qui arrive si on l’oublie
Le sujet
Est-ce que ce sujet mérite qu’on lui consacre de l’attention, la mienne et celle du lecteur ?
On publie pour occuper l’espace. Le volume monte, la valeur baisse.
L’angle
Qu’est-ce que j’apporte que personne d’autre ne peut apporter ?
Du contenu interchangeable, signable par n’importe qui du secteur.
Le fait
Ce chiffre, cette affirmation, cette source existent-ils vraiment ?
Une erreur factuelle publiée sous votre nom. Elle ne s’oublie pas.
Le refus
Qu’est-ce que je jette, même si c’est propre et prêt à partir ?
Le pire des trois : rien ne semble raté, et pourtant rien ne compte.
Le quatrième plan est celui que tout le monde saute. Il est pourtant le seul qui soit devenu réellement coûteux. Quand produire coûtait cher, le refus se faisait tout seul : on n’écrivait pas ce qu’on n’avait pas le temps d’écrire. La rareté faisait le tri à notre place.
Aujourd’hui, rien ne fait le tri. Il faut le faire soi-même, à froid, contre un texte déjà écrit, déjà correct, déjà mis en forme. C’est psychologiquement beaucoup plus dur qu’on ne l’imagine. Jeter un travail qui a coûté six heures fait mal, mais on comprend pourquoi on hésite. Jeter un travail qui a coûté quatre minutes devrait être facile, et ça ne l’est pas du tout : il est là, il est propre, il ne demande qu’à être publié.
Trois habitudes qui font progresser le jugement
Je ne vais pas vous vendre une méthode en dix points. Voici simplement ce que je pratique, avec ce que ça coûte.
Écrire la contrainte avant de lancer la machine : décider de l’angle, du point de vue et de ce qui est exclu, avant toute génération. Une fois qu’un texte existe, il exerce une gravité sur vous. Vous ne le jugez plus, vous le défendez.
Vérifier ce qui est vérifiable, systématiquement : chaque chiffre remonte à sa source primaire, chaque lien s’ouvre. C’est fastidieux, ça n’a rien d’intellectuellement gratifiant, et c’est là que se joue la crédibilité. J’ai vu passer suffisamment de statistiques fantômes recopiées de blog en blog pour ne plus faire confiance à une donnée qui n’a pas d’origine.
S’obliger à un taux de rejet : accepter par avance qu’une partie de ce qui est produit ne sera jamais publiée. Pas comme un échec du système, mais comme la preuve qu’il fonctionne. Un dispositif dont tout sort est un dispositif sans jugement.
Ces trois habitudes ont un coût réel, et je préfère le dire : elles ralentissent. Elles annulent une partie du gain de temps promis par l’automatisation. C’est le prix, et il n’y a pas de version gratuite. Toute personne qui vous présente l’IA comme un gain net, sans contrepartie, ne l’a probablement pas déployée sur la durée. Le sujet rejoint directement celui de la gouvernance des agents et de qui décide quoi : sans réponse claire à cette question, le jugement n’appartient à personne.
Le vrai problème : comment apprend-on à juger sans avoir jamais produit ?
C’est la question qui me préoccupe le plus, et je n’ai pas de réponse satisfaisante.
Mon jugement éditorial ne vient de nulle part. Il vient de trois articles par semaine écrits à la main pendant des années, de sites cassés puis réparés, de textes publiés dont j’ai eu honte six mois plus tard. Il vient d’un stock d’erreurs personnelles. J’ai appris ce qui ne marche pas en le faisant, pas en le lisant.
Or ce chemin-là est en train de se refermer pour ceux qui commencent maintenant. Pourquoi un junior écrirait-il laborieusement un texte de A à Z quand une machine le fait en quatre minutes ? La réponse rationnelle, du point de vue de la productivité immédiate, est : aucune raison. La réponse à cinq ans est très différente.
Nous risquons de fabriquer une génération professionnelle capable de piloter des outils qu’elle ne sait pas évaluer. Non par paresse — je ne crois pas une seconde à ce discours-là — mais parce que l’occasion d’accumuler les erreurs formatrices aura disparu du parcours normal.
La contrepartie qu’on oublie de chiffrer
L’OCDE note que plus de la moitié des travailleurs qui utilisent l’IA déclarent avoir reçu une formation financée par leur employeur, et que ces personnes rapportent plus souvent des effets positifs — meilleure performance, meilleures conditions de travail. La formation est la réponse dominante des entreprises. Elle est aussi la plus efficace. Reste à savoir si elle enseigne à produire, ou à juger.
Je n’ai pas de solution générale. J’ai une conviction de praticien : il faut délibérément conserver des zones de production manuelle, y compris quand elles sont économiquement absurdes. Pas par nostalgie — je n’ai aucune envie de revenir à 1996, ni au réveil à 4h30. Mais parce que c’est le seul endroit connu où le jugement se fabrique.
Chez nous, ça se traduit par des choses simples : on écrit certains textes entièrement à la main, on démonte les sorties de la chaîne pour comprendre pourquoi elles ratent, on garde une trace des refus. C’est du temps qui ne produit rien de publiable. C’est probablement l’investissement le plus rentable que nous fassions.
Ce que ça change pour votre plan de montée en compétences
Si vous êtes en train de construire un plan de formation IA pour votre équipe, ou pour vous-même, le rapport de l’OCDE suggère un rééquilibrage assez net.
La partie technique existe, mais elle est plus courte qu’on ne le croit. Savoir formuler une demande précise, comprendre grossièrement pourquoi un modèle se trompe, connaître les limites de ce qu’on manipule : quelques heures bien employées, pas un cursus. Ce n’est pas là que se joue la différence, parce que ce n’est pas là que se situe la rareté.
La partie qui compte est plus lente et moins photogénique. Elle consiste à savoir lire une donnée, à reconnaître une source solide d’une source recopiée, à repérer ce qui est plausible mais faux — le point aveugle par excellence des textes générés, qui sont toujours plus convaincants que corrects. À quoi s’ajoute la capacité à formuler un point de vue et à le tenir, ce qui reste, je crois, la part la moins imitable de notre travail.
Et il y a une chose qu’aucune formation ne transmettra : le fait d’avoir déjà été trompé. D’avoir publié une erreur, de l’avoir vue circuler, d’en avoir gardé une méfiance durable. C’est désagréable et c’est irremplaçable.
Si je devais résumer en une phrase le déplacement que décrit ce rapport : nous sommes en train de passer d’un métier où l’on était payé pour faire à un métier où l’on est payé pour décider. Ce ne sont pas les mêmes compétences, ce ne sont pas les mêmes personnes qui excellent dans l’un et dans l’autre, et très peu d’organisations ont pris la mesure de ce que ça implique pour leurs recrutements.
La compétence qui survit à ses outils
Je repense souvent à cette disquette. Pas par attachement au passé, mais parce qu’elle m’a appris une chose que trente ans de métier n’ont fait que confirmer : ce que j’apprenais alors — DOS, la mémoire haute, les commandes — n’avait aucune valeur durable. Ce qui en avait, c’était la manière de regarder une tâche et de se demander ce qu’elle contenait vraiment.
Mon métier a été détruit et reconstruit cinq fois depuis 1996. À chaque fois, les gens qui s’en sont sortis n’étaient pas les meilleurs techniciens de la vague précédente. C’étaient ceux qui savaient évaluer une situation nouvelle sans mode d’emploi.
La sixième vague est en cours. Elle ne demande pas que vous deveniez ingénieur — moins de 1 % d’entre nous en auront besoin. Elle demande quelque chose de plus dérangeant : que vous acceptiez d’être responsable de ce que la machine produit en votre nom. De le lire vraiment. De le refuser souvent.
Ce n’est pas une compétence qu’on met sur un CV. C’est une compétence qui se voit dans ce que vous ne publiez pas.
Produire n’est plus le problème. Juger l’est devenu. Et vous, qu’est-ce que vous avez refusé de publier cette semaine ? C’est souvent la réponse à cette question, plus que la liste de vos outils, qui dit où en est votre pratique.
Lane, Williams et Broecke, The impact of AI on the workplace: Main findings from the OECD AI surveys of employers and workers, 2023.
OCDE, Generative AI and the SME Workforce: New Survey Evidence, 2025.
Milanez, Lemmens et Ruggiu, Algorithmic management in the workplace: New evidence from an OECD employer survey, 2025.
Quelles compétences IA faut-il vraiment acquérir en 2026 ?
Selon l’OCDE, moins de 1 % des travailleurs auront besoin de compétences IA avancées comme la programmation ou le développement de modèles. Ce qui compte pour la très grande majorité, ce sont les compétences numériques de base, la capacité à utiliser, analyser et interpréter des données, ainsi que les compétences humaines : résolution de problèmes, créativité, innovation. Autrement dit, il vaut mieux investir dans sa capacité à évaluer une sortie de machine que dans un cursus technique.
Pourquoi le manque de compétences bloque-t-il l’adoption de l’IA dans les PME ?
Plus de la moitié des PME qui n’utilisent pas encore l’IA générative citent les compétences comme raison principale, et environ 40 % des employeurs de l’industrie et de la finance non-adoptants font le même constat. Le frein n’est ni le coût ni la réglementation. Il tient au fait que personne, en interne, ne se sent en mesure d’encadrer l’outil, d’en valider les sorties et d’en assumer la responsabilité.
Quelle différence entre relire un contenu IA et le juger ?
Relire consiste à vérifier qu’un texte est correct : orthographe, cohérence, mise en forme. Juger consiste à décider s’il a le droit d’exister. Le jugement intervient beaucoup plus tôt, sur le choix du sujet, sur l’angle et sur ce qu’on apporte que personne d’autre n’apporte. Une organisation qui a seulement ajouté une case relecture humaine à la fin de son processus n’a pas mis en place de jugement.
Faut-il apprendre à coder pour bien utiliser l’IA au travail ?
Non, dans la très grande majorité des métiers. L’OCDE estime à moins de 1 % la part des travailleurs qui auront besoin de compétences IA spécialisées de type programmation. En revanche, comprendre grossièrement pourquoi un modèle se trompe, savoir formuler une demande précise et connaître les limites de l’outil sont utiles. Cela représente quelques heures de formation, pas un cursus complet.
Comment développer son jugement face aux contenus générés par IA ?
Trois habitudes aident réellement. D’abord, écrire la contrainte — angle, point de vue, exclusions — avant toute génération, car un texte déjà écrit exerce une gravité qui empêche de le juger. Ensuite, faire remonter chaque chiffre à sa source primaire, sans exception. Enfin, accepter un taux de rejet assumé : un dispositif dont tout sort est un dispositif sans jugement.
L’automatisation fait-elle réellement gagner du temps ?
Elle déplace l’effort plutôt qu’elle ne le supprime. La production devient très peu coûteuse, mais le travail d’arbitrage en amont et de vérification en aval augmente. Les habitudes de jugement sérieuses annulent une partie du gain de temps promis. C’est le prix réel de l’automatisation, et toute présentation qui la décrit comme un gain net sans contrepartie décrit mal ce qui se passe sur la durée.
Comment un junior peut-il acquérir du jugement si l’IA produit à sa place ?
C’est la difficulté majeure du moment, et elle n’a pas de solution simple. Le jugement professionnel se construit sur un stock d’erreurs personnelles : des textes publiés dont on a eu honte, des choix qu’on a vu échouer. La piste la plus solide consiste à conserver délibérément des zones de production manuelle, même quand elles sont économiquement absurdes, et à démonter les sorties de la chaîne pour comprendre pourquoi elles ratent.
Stéphane Torregrosa
Stéphane Torregrosa transforme les idées en moteurs de croissance. Consultant en stratégie digitale, formateur, blogueur et conférencier, il aide les organisations à renforcer leur visibilité, à structurer leurs prises de parole et à automatiser intelligemment leurs processus. Spécialisé en Inbound Marketing et en IA appliquée, il combine l’efficacité des données avec la puissance d’un storytelling sincère.
Autodidacte, passionné par la création de contenu et les outils numériques, il conçoit des solutions sur-mesure pour gagner en impact et en cohérence. Il explore aussi d’autres formes d’expression : sous le nom de Stéphan Paul, il écrit et compose des chansons qui racontent l’humain, ses doutes et ses élans.
Ce goût du sens et de la transmission traverse tous ses projets, qu’ils soient professionnels ou artistiques.
