Mark Cuban : pourquoi l’IA épargnerait davantage les métiers de la réflexion

L’intelligence artificielle ne remplacera pas le travail humain d’un seul bloc. C’est la conviction défendue par Mark Cuban, entrepreneur et dirigeant de Cost Plus Drugs, dans son analyse de l’avenir de l’emploi. Pour lui, les postes qui reposent sur une réflexion approfondie, sur l’analyse d’une situation complexe ou sur une décision engageante devraient être moins directement exposés que ceux composés d’actions simples et répétitives.

Cette lecture ne signifie pas que les professions intellectuelles seraient à l’abri de toute transformation. Une IA générative peut déjà résumer un dossier, préparer une première note, classer des informations ou proposer plusieurs options. Mais produire une réponse ne revient pas à en assumer les conséquences. Entre l’exécution rapide d’une tâche et le jugement professionnel, il existe une différence essentielle : la capacité à comprendre le contexte, à mesurer l’incertitude et à arbitrer entre des intérêts parfois contradictoires.

Une thèse qui parle de tâches, pas de professions

La position de Mark Cuban repose sur une distinction concrète. Les outils d’IA sont particulièrement adaptés aux activités dont les règles sont relativement stables et dont le résultat attendu peut être ramené à un nombre limité de choix. Dans l’article à l’origine de cette analyse, il prend l’exemple de décisions simples, de type « oui ou non », qui peuvent être traitées plus vite par des algorithmes lorsqu’ils disposent des bonnes informations.

Cette logique peut concerner une partie du service client, de l’administration ou du traitement de demandes standardisées. Lorsqu’une organisation reçoit un volume important de formulaires semblables, une machine peut identifier des données, vérifier des critères prédéfinis et orienter le dossier. L’intérêt est moins de « penser » à la place d’un salarié que d’exécuter sans fatigue une suite d’opérations répétitives.

À l’inverse, les métiers analytiques et créatifs demandent fréquemment de reformuler un problème mal posé, d’interpréter des signaux incomplets ou de prendre une décision sans disposer de toutes les informations. Un juriste, un analyste financier, un responsable opérationnel, un enseignant ou un soignant peuvent chacun utiliser un outil automatisé. Leur valeur ne tient toutefois pas seulement à la production d’un texte, d’un calcul ou d’une recommandation : elle tient aussi à leur capacité à vérifier, expliquer et répondre de leur décision.

Pourquoi les décisions simples sont plus faciles à automatiser

Pour fonctionner de façon fiable, un système doit pouvoir reconnaître une situation à partir de données et appliquer une règle, ou estimer la réponse la plus probable. Plus le cadre est précis, plus l’automatisation est envisageable. Les décisions binaires évoquées par Mark Cuban se prêtent donc mieux à cette mécanique : un dossier remplit les conditions ou non, une information est présente ou absente, une demande doit être envoyée vers tel service ou tel autre.

Les modèles d’IA générative ajoutent une autre capacité : ils savent produire du langage, des images ou du code à partir de grandes quantités d’exemples. Cela peut donner l’impression qu’ils comprennent une situation comme un humain. En pratique, leurs réponses peuvent rester fragiles face à une consigne ambiguë, à une information absente de leur contexte ou à une exception importante. Ils peuvent aussi formuler avec assurance une réponse erronée. Dans un environnement professionnel, cette limite impose de ne pas confondre fluidité de la forme et fiabilité du fond.

Le tableau ci-dessous permet de comprendre pourquoi le niveau d’exposition dépend davantage du contenu réel du travail que du titre inscrit sur une fiche de poste.

Cette répartition n’est jamais définitive. Une activité aujourd’hui difficile à automatiser peut devenir plus accessible si les données sont mieux structurées ou si l’entreprise revoit ses processus. À l’inverse, une tâche qui paraît simple peut se révéler délicate dès qu’elle implique des personnes, des règles changeantes ou des conséquences juridiques et financières.

La supervision humaine reste au cœur du déploiement

Mark Cuban insiste sur un point souvent oublié dans les débats sur l’automatisation : l’IA doit être supervisée. Installer un outil ne suffit pas à en faire une solution utile. Il faut définir ce qu’il est autorisé à faire, les informations auxquelles il accède, les cas dans lesquels il doit demander une validation et la personne responsable lorsqu’un résultat est incorrect.

Cette supervision commence en amont. Les données utilisées dans un processus automatisé doivent être pertinentes, à jour et représentatives de la situation à traiter. Des données incomplètes ou biaisées conduisent mécaniquement à des résultats peu fiables. Elle se poursuit lors de l’usage quotidien : un professionnel doit pouvoir détecter une réponse absurde, une approximation ou une recommandation qui ne correspond pas au dossier concret.

Le retour des utilisateurs est également une ressource importante. Une équipe qui signale les erreurs récurrentes d’un assistant peut améliorer les consignes qui lui sont données, modifier le circuit de validation ou décider que certaines tâches ne doivent pas être confiées à l’outil. L’enjeu n’est donc pas seulement technique. Il concerne l’organisation du travail, la formation et la répartition des responsabilités.

Dans cette perspective, les compétences humaines ne se limitent pas à une opposition abstraite entre l’homme et la machine. Savoir poser une bonne question, vérifier une réponse, expliquer une décision ou repérer une information manquante devient une part active du métier. L’IA peut assister une expertise, mais elle ne dispense pas de l’expertise nécessaire pour l’utiliser correctement.

Ce que disent les projections sur les compétences et les heures travaillées

Les études disponibles décrivent une mutation importante, mais elles ne prédisent pas toutes une disparition massive et uniforme des emplois. Le World Economic Forum estime que 44 % des compétences des travailleurs devraient être perturbées sur les cinq années suivant son étude. Le mot « perturbées » est crucial : il peut désigner l’apparition de nouvelles compétences, le recul de certaines tâches ou la nécessité de se former, pas uniquement l’obsolescence immédiate d’un métier.

De son côté, McKinsey estime que l’IA pourrait automatiser environ 30 % des heures travaillées dans certaines fonctions. Là encore, une heure de travail automatisable n’équivaut pas forcément à un emploi supprimé. Une organisation peut réaffecter ce temps à l’accompagnement des clients, à la vérification, à la coordination ou à des missions plus stratégiques. Elle peut aussi choisir de réduire ses besoins de recrutement. Les effets dépendront de ses choix économiques et de son activité.

Les deux projections ne mesurent pas exactement la même chose. L’une porte sur l’évolution des compétences, l’autre sur la part du temps de travail potentiellement automatisable. Elles convergent néanmoins sur un constat : la question centrale est celle de la transformation du contenu des postes.

Les métiers intellectuels ne sont pas pour autant protégés de tout changement

L’optimisme de Mark Cuban sur les emplois nécessitant une réflexion approfondie mérite d’être lu avec précision. Il ne dit pas que l’IA restera sans effet sur les fonctions dites « blanches ». Au contraire, l’automatisation d’une partie des tâches peut modifier profondément le quotidien des professions du droit, de la finance, du conseil, de la communication ou de l’administration.

Un professionnel peut, par exemple, passer moins de temps à rechercher une information ou à rédiger une première version, et davantage à vérifier la production de l’outil. Cette évolution peut être positive si elle libère du temps pour les situations complexes. Mais elle peut aussi accroître les exigences de productivité, réduire la place des tâches d’apprentissage confiées aux débutants ou standardiser des pratiques qui demandaient auparavant une réflexion plus lente.

La frontière entre tâches simples et tâches complexes n’est d’ailleurs pas toujours nette. Répondre à une demande client paraît répétitif jusqu’au moment où la personne se trouve dans une situation exceptionnelle. Analyser un document peut être rapide quand il est bien structuré, mais nécessiter une expertise avancée quand il contient une contradiction ou une conséquence réglementaire. C’est pourquoi une évaluation poste par poste, et même tâche par tâche, est plus utile qu’une annonce générale sur les métiers « menacés » ou « protégés ».

Comment les entreprises peuvent préparer cette transition

Mark Cuban souligne que la capacité d’une entreprise à mettre en œuvre l’IA sera déterminante. Dans la formulation qui lui est attribuée, « la capacité de mise en œuvre de l’IA sera déterminante ». Cette idée rappelle qu’il n’existe pas de recette identique pour toutes les organisations. Une entreprise disposant de procédures claires et de données bien gérées n’avance pas au même rythme qu’une structure où les informations sont dispersées et les décisions très informelles.

Avant de déployer un système, les dirigeants et les équipes peuvent se poser quelques questions concrètes :

• Quelles tâches prennent beaucoup de temps sans exiger de décision complexe ?
• Quelles données peuvent être utilisées sans compromettre la confidentialité ou la qualité des résultats ?
• Quels cas exigent impérativement une validation humaine ?
• Comment les salariés seront-ils formés à vérifier les résultats et à signaler les erreurs ?
• Quels indicateurs permettront de mesurer un gain réel, au-delà de l’effet de nouveauté ?

La formation ne doit pas se limiter à apprendre à rédiger une consigne pour un chatbot. Elle doit aussi renforcer les capacités de contrôle, de raisonnement critique et de compréhension des limites de l’outil. C’est particulièrement important lorsque les résultats peuvent avoir des effets sur un client, un salarié ou une décision sensible.

Ce qu’il faut surveiller

En décembre 2024, le débat sur l’IA et l’emploi ne se résume donc ni à une promesse d’efficacité totale ni à l’annonce d’un remplacement généralisé. La thèse de Mark Cuban met en lumière un point solide : les emplois qui exigent de comprendre une situation, d’assumer une décision et de faire preuve de créativité ne se laissent pas réduire facilement à une série de réponses automatiques.

La vigilance doit toutefois porter sur la manière dont les entreprises convertiront les gains de productivité en choix concrets. Réinvestir le temps gagné dans un meilleur service, la formation ou des missions à plus forte valeur ajoutée n’a pas les mêmes conséquences que supprimer des postes ou accroître la charge de travail restante. Les salariés, les managers et les décideurs publics devront également suivre l’évolution des compétences demandées, notamment dans les métiers où l’IA prend en charge les tâches les plus formatrices pour les personnes débutantes.

La vraie question n’est pas seulement de savoir si une machine peut accomplir une action donnée. Elle est de savoir qui définit le problème, qui contrôle la qualité de la réponse et qui en porte la responsabilité. C’est sur ce terrain, plus que sur la simple vitesse d’exécution, que les compétences humaines resteront décisives.