« L'IA va-t-elle remplacer mon poste ? » est la mauvaise question, et l'essentiel du débat public sur l'IA et le travail se trompe parce qu'il y répond quand même. L'unité d'analyse n'est pas le poste. C'est la tâche. Et toutes les tâches ne se situent pas sur le même spectre de substituabilité : elles relèvent de l'une de quatre classes économiquement distinctes. Une fois ces classes identifiées, la question change de forme. Non plus l'IA peut-elle faire mon métier, mais quelle fraction de mon métier relève de quelle classe, et ce que cela implique pour le coût, la rémunération et l'endroit où investir la prochaine année de votre carrière.
Voici la taxonomie canonique de Wagecore. Nous attribuons chaque tâche de chaque Wagecard à exactement l'une de ces quatre classes, et le chiffre d'exposition à la substitution mis en avant en est un agrégat pondéré. Le cadre s'appuie sur une décennie de littérature en économie de l'automatisation (Autor, Frey/Osborne, Brynjolfsson, Acemoglu) et sur les retours d'expérience des déploiements d'IA des trois dernières années. Son apport : s'engager sur une partition réduite et mutuellement exclusive, sur laquelle les calculs peuvent s'appuyer.
Classe 1 : Substituable
Une tâche est substituable lorsque l'IA l'exécute de bout en bout avec une supervision humaine minimale, un taux d'audit inférieur à 10 % et un coût d'erreur assez faible pour que les cas où elle se trompe n'annulent pas les économies réalisées sur les cas où elle a raison. Le travail est délimité, répétitif, structuré, et les conséquences d'une erreur individuelle se rattrapent à moindre coût.
Exemples concrets : orienter un ticket de support client entrant vers la bonne file, extraire des données structurées de factures vers un ERP, faire de l'OCR puis une première classification des formulaires entrants, générer des descriptions de produit à partir d'une référence et d'une image, résumer une longue transcription de réunion en points d'action, transcrire de l'audio. Ce sont des tâches où la sortie de l'IA est vérifiée au moment où elle produit un signal en aval (le ticket est parti dans la mauvaise file → un humain le déplace), et non des semaines plus tard dans un tribunal.
La plupart des postes comportent une fraction non nulle de travail substituable. Même les chirurgiens en ont une part infime : dicter des notes cliniques est aujourd'hui substituable dans de nombreux cabinets. Même les thérapeutes en ont : la prise de rendez-vous, les formulaires d'admission, la vérification d'assurance. L'erreur est de supposer que la fraction substituable du poste correspond au poste entier. Elle représente en général 15 à 35 % du temps d'un travailleur du savoir.
Classe 2 : Augmentée par l'IA
Une tâche est augmentée par l'IA lorsque l'IA produit la première version, que l'humain prend en charge les 20 à 30 % finaux, et que c'est cette dernière fraction qui crée la valeur. L'IA fait l'essentiel du travail de frappe ; l'humain apporte le jugement, le contexte et la responsabilité de ce qui est livré.
Exemples concrets : rédiger un e-mail marketing (brouillon par l'IA, l'humain l'affine pour le ton et l'audience), rédiger une lettre de mise en demeure (l'IA rassemble jurisprudence et structure, l'avocat applique les faits propres au dossier), générer du code pour une fonctionnalité (l'IA écrit l'ossature, le développeur l'intègre au code existant et gère les cas limites), créer des diapositives pour une présentation client (l'IA construit la mise en page, le commercial l'ajuste au positionnement), préparer un modèle financier (l'IA construit le gabarit, l'analyste affine les hypothèses).
C'est la classe unique la plus importante pour la plupart des travailleurs du savoir, généralement 25 à 40 % du temps. C'est aussi la classe au plus fort potentiel de croissance à mesure que les modèles s'améliorent et que la surface de relecture humaine se réduit. Mais elle a un plafond : tant que l'humain est engagé sur ce qui est livré, il doit connaître le travail assez bien pour repérer les erreurs de l'IA — ce qui signifie qu'il reste dans la boucle, qu'il reste rémunéré, et qu'il doit toujours posséder la compétence sous-jacente. L'augmentation par l'IA n'est pas une voie vers zéro effectif ; c'est une voie vers l'effet de levier.
Classe 3 : Pilotée par l'humain, assistée par l'IA
L'inverse de l'augmentation par l'IA. L'humain pilote ; l'IA est un outil — recherche rapide, résumé, complétion de code, récupération d'information. L'humain réfléchit et prend les décisions ; l'IA réduit le temps entre la question et l'information pertinente. Si vous retiriez l'IA, le travail se ferait quand même, simplement plus lentement.
Exemples concrets : un médecin interrogeant la littérature sur des présentations similaires avant un diagnostic, un avocat demandant à l'IA de trouver la clause d'un contrat de 300 pages qui contredit une position, un ingénieur demandant la syntaxe d'une bibliothèque qu'il a utilisée pour la dernière fois il y a trois ans, un enseignant générant des variantes de fiches d'exercices pour différencier une leçon, un architecte utilisant l'IA pour restituer une option de façade qu'il a déjà conçue.
Les métiers réglementés, à fort enjeu ou fortement relationnels tendent à se concentrer ici : 30 à 50 % du temps. L'IA ne prend pas les décisions, ne porte pas la responsabilité, et n'y est pas autorisée — que ce soit par la loi (conseil médical, juridique) ou par la nature même du travail (la séance de thérapie, la relation client, le conflit d'équipe). Ce qu'elle fait, c'est rendre l'humain plus rapide sur les parties de son métier qui dépendent de l'information plutôt que du jugement.
Classe 4 : Critique pour l'humain
Une tâche est critique pour l'humain lorsque l'IA n'apporte aucune valeur nette, et souvent une valeur négative, parce que la valeur de la tâche réside dans quelque chose que l'IA ne peut pas produire : la confiance, la responsabilité, la tolérance à l'ambiguïté, le jugement relationnel, la persuasion sous pression, la lecture contextuelle d'une salle inconnue. Ce ne sont pas des tâches que l'IA n'a pas encore rattrapées. Ce sont des tâches où le fait que l'IA sonne juste est précisément le mode de défaillance.
Exemples concrets : un commercial expérimenté qui décrypte une affaire à l'arrêt et décide de relancer ou de lâcher prise, un manager qui annonce une mauvaise nouvelle à un collaborateur présent dans l'entreprise depuis quinze ans, un thérapeute qui reste en silence pendant qu'un client se ressaisit, un membre du conseil qui étalonne l'assurance affichée d'un PDG au regard de ce qu'il a observé au déjeuner, un journaliste d'investigation qui décide laquelle de deux sources contradictoires croire, un enseignant qui remarque qu'un élève habituellement engagé s'est tu et choisit d'aborder la question tout de suite ou en privé plus tard.
Le travail critique pour l'humain est ce qui ne passe pas à l'échelle, et c'est bien là tout l'enjeu. C'est aussi là que réside le pouvoir de fixer les prix. Les postes qui sont critiques pour l'humain à plus de 40 % sont ceux où le déploiement de l'IA rend le travail plus précieux à l'heure, et non moins — parce que l'augmentation retire le temps à faible levier et concentre la rémunération sur le noyau irréductible.
La plupart des postes sont un mélange, pas une classe unique
Voici ce que le débat public ne cesse de rater : très peu de postes relèvent à 100 % d'une seule classe. Le temps hebdomadaire réel d'un ingénieur logiciel pourrait se répartir en gros ainsi : 20 % substituable (code standard, tri de tickets), 35 % augmenté par l'IA (implémentation de fonctionnalités sous relecture), 30 % piloté par l'humain, assisté par l'IA (débogage de problèmes de production épineux, décisions d'architecture), 15 % critique pour l'humain (négociation du périmètre avec un chef de produit, mentorat d'un junior, navigation d'une revue de code politiquement chargée). Un responsable d'équipe de support client pourrait se répartir en 30 % substituable (traitement de tickets de niveau 1), 25 % augmenté par l'IA (rédaction de macros et de documents de politique), 30 % piloté par l'humain + assisté par l'IA (gestion des escalades que l'IA ne peut pas désamorcer), 15 % critique pour l'humain (entretiens individuels, médiation de conflits, conversations de performance).
La distribution compte plus que n'importe quel chiffre isolé. Un poste substituable à 80 % subira une compression des prix même si sa tâche moyenne n'a rien de trivial, parce que l'économie du déploiement est claire. Un poste critique pour l'humain à 50 % conservera son pouvoir de fixer les prix même si le reste est automatisé jusqu'à zéro — et la rémunération moyenne par heure restante augmentera.
Pourquoi une partition en quatre (et non trois, ou six)
Les cadres antérieurs utilisaient deux classes (remplacé / non remplacé) ou trois (remplacé / augmenté / non affecté). Deux, c'est trop grossier : cela fond l'augmentation par l'IA et le critique pour l'humain dans un même « non remplacé », ce qui masque la vérité centrale : l'augmentation peut faire croître le pouvoir de fixer les prix, tandis que le travail substituable le retire. Trois est plus proche, mais regroupe les cas les plus économiquement distincts — piloté par l'humain, assisté par l'IA d'un côté, critique pour l'humain de l'autre — dans un seul bloc. Ils se comportent différemment. Un diagnostic est piloté par l'humain, assisté par l'IA (l'IA aide à la revue de la littérature). Un patient qui confie à son médecin qu'il ne fait pas confiance à son conjoint relève du critique pour l'humain (l'IA gêne activement).
Six classes ou plus, c'est du surajustement. La granularité marginale cesse de porter un contenu économique et devient esthétique. Quatre correspond proprement aux dimensions qui font vraiment bouger le coût par tâche : qui fait le travail, qui porte la responsabilité, à quelle fréquence il est audité, et combien coûte l'erreur.
Là où cela change votre façon de penser
Garder les quatre classes à l'esprit produit trois déplacements pratiques :
La planification de carrière relève du portefeuille, pas de la catégorie. La question n'est pas « mon poste est-il sûr » (ce qui suppose du binaire). C'est « à quoi ressemble mon mélange de classes, et vers quelles classes je veux évoluer ». Le geste fiable est de biaiser son temps vers le critique pour l'humain et le piloté par l'humain + assisté par l'IA, même au sein d'un poste qui a démarré à l'extrémité substituable du spectre.
L'organisation suit la distribution. Une équipe qui travaille sur une charge substituable à 60 % rétrécira en effectifs mais conservera ou augmentera sa rémunération par siège restant. Une équipe qui travaille sur une charge critique pour l'humain à 60 % ne rétrécira pas du tout et deviendra plus difficile à pourvoir, pas plus facile. L'organigramme de 2028 diffère de celui de 2024 non parce que l'effectif total a été divisé par deux, mais parce que le mélange par poste s'est déplacé.
Le retour sur investissement du déploiement de l'IA suit les classes. Les tâches substituables génèrent un retour rapide et défendable une fois automatisées. Les tâches augmentées par l'IA génèrent des gains de productivité, pas des économies d'effectifs — le retour est réel, mais c'est une histoire de vitesse, pas de coût. Les tâches pilotées par l'humain + assistées par l'IA génèrent de petits gains à l'heure qui ne justifient pas un projet de déploiement dédié. Les tâches critiques pour l'humain ont un retour négatif au déploiement — l'IA introduit des erreurs que l'humain doit désormais nettoyer. C'est la discipline que la plupart des déploiements d'IA ratés ont sautée : ils ont déployé sur des tâches qui n'étaient pas réellement de classe 1.
Le tableau complet pour votre poste
Wagecore calcule la distribution en quatre classes pour tout poste que vous décrivez. L'assistant prend environ deux minutes et la méthodologie est ouverte sur /methodology. Vous verrez exactement comment votre travail se répartit entre les classes, quel coût opérationnel l'IA supporterait pour la portion substituable, où se concentre votre avantage humain, et le score d'exposition à la substitution mis en avant, dérivé du mélange. Rien de tout cela n'est une prédiction. C'est une mesure au regard de la matrice de capacités du jour, actualisée chaque mois.
Si ce cadrage vous est utile, la lecture approfondie associée sur l'économie opérationnelle est Pourquoi le coût opérationnel de l'IA est 3 à 10× celui de la démo — elle prend le relais là où celle-ci s'arrête et détaille ce qu'il en coûte réellement de déployer l'IA sur une tâche de classe 1 en production.