Études et emplois : quelles compétences face à l’intelligence artificielle ?

L’intelligence artificielle s’invite partout, dans les cours, les stages et les fiches de poste, et la question n’est plus de savoir si elle va transformer le travail, mais à quelle vitesse et pour qui. Dans les universités comme dans les entreprises, les mêmes inquiétudes reviennent, entre peur du remplacement, pression à la productivité et besoin de repères. Or, les premiers signaux sont déjà chiffrés, et ils dessinent une réalité moins binaire qu’on ne l’imagine.

Le marché du travail bouge déjà, vite

La bascule ne relève plus de la science-fiction. D’après le Future of Jobs Report 2023 du Forum économique mondial, 44 % des compétences des travailleurs devraient être « disruptées » d’ici 2027, et l’automatisation, combinée à de nouveaux métiers, pourrait aboutir à un solde net de 69 millions d’emplois créés dans le monde sur la période 2023-2027, malgré 83 millions supprimés. Autrement dit, la destruction existe, mais la reconfiguration aussi, et elle se joue souvent à l’intérieur des métiers plutôt qu’entre métiers, un point que de nombreuses directions RH soulignent désormais lorsqu’elles évoquent la « recomposition des tâches ».

La tendance se lit aussi dans les annonces. Sur le marché américain, une étude d’Indeed (2023) montrait que la part des offres mentionnant ChatGPT ou GPT avait bondi à partir de 2022, signe d’une diffusion rapide dans les secteurs du logiciel, du marketing, du conseil, mais aussi, plus discrètement, dans l’éducation et la santé. En Europe, les chiffres sont plus fragmentés, toutefois le diagnostic converge : les postes « augmentés » par l’IA se multiplient, et la capacité à travailler avec des outils d’IA devient un critère de sélection, au même titre que la maîtrise d’un tableur ou d’un CRM il y a dix ans.

Cette dynamique n’épargne pas les métiers qualifiés. Le FMI estimait en 2024 qu’environ 40 % des emplois mondiaux sont exposés à l’IA, et jusqu’à 60 % dans les économies avancées, l’impact se jouant entre substitution partielle et complémentarité. Dans les faits, les premières transformations visibles concernent les fonctions intensives en textes, en images ou en code, et donc une partie du tertiaire, ce qui oblige étudiants et actifs à se poser la question la plus inconfortable : qu’est-ce qui, dans mon travail, relève d’une compétence rare, et qu’est-ce qui n’est qu’un enchaînement de tâches standardisables ?

Les compétences qui résistent ne sont pas celles qu’on croit

Le réflexe consiste à opposer « technique » et « humain ». La réalité est plus subtile, et les données disponibles poussent à un trio de compétences, mêlant rigueur, jugement et capacité d’adaptation. D’abord, la littératie des données, c’est-à-dire savoir lire un tableau, questionner une métrique, repérer une corrélation trompeuse, et traduire ces éléments en décisions, car l’IA multiplie les chiffres, mais ne garantit ni leur qualité ni leur pertinence. Ensuite, la pensée critique, qui revient en force dans les classements internationaux : le Forum économique mondial cite régulièrement l’analytical thinking et le creative thinking parmi les compétences les plus demandées, et ce n’est pas un slogan, c’est une réponse à la surabondance de contenus plausibles, parfois faux, que les modèles peuvent produire.

Le troisième pilier, souvent sous-estimé, relève de la connaissance métier. Les outils progressent vite, mais ils n’ont pas « le terrain » : un infirmier qui connaît les protocoles et les signaux faibles, une juriste qui sait ce qui fait jurisprudence, un chef de projet qui anticipe les risques fournisseurs, gardent un avantage décisif, parce qu’ils savent formuler la bonne question et interpréter la réponse. Dans l’entreprise, ce sont eux qui transforment l’IA en levier concret, sans s’en remettre aveuglément à la machine, et sans perdre le fil de la responsabilité.

À cela s’ajoutent des compétences transversales que les recruteurs ont longtemps classées dans la catégorie « soft skills », et qui deviennent, paradoxalement, plus « dures » qu’avant : expliquer, arbitrer, négocier, coopérer. L’OCDE, dans ses travaux sur les compétences, insiste depuis plusieurs années sur la capacité à résoudre des problèmes complexes et à interagir dans des environnements hybrides. Or, l’IA accélère précisément ces environnements, entre équipes distribuées, processus automatisés, et décisions prises sur la base d’informations imparfaites. Celui qui sait clarifier, prioriser et rendre compte gagne du temps, et donc de la valeur.

Étudiants : apprendre l’IA, sans devenir ingénieur

Faut-il absolument savoir coder ? Pas forcément. Il faut surtout savoir travailler avec l’IA de façon méthodique, et cette nuance change tout pour l’orientation. Dans de nombreuses filières, l’enjeu n’est pas de former des spécialistes du deep learning, mais des professionnels capables d’utiliser des outils d’IA, d’en comprendre les limites, et d’en encadrer l’usage. Concrètement, cela passe par une culture générale de l’IA : comprendre ce qu’est un modèle, ce que signifie l’entraînement sur des données, pourquoi un système peut « halluciner », et comment un biais peut émerger. Ce socle est déjà enseigné dans certaines universités, et s’invite dans des modules transversaux, au même titre que l’éthique, la cybersécurité ou la gestion de projet.

Vient ensuite une compétence très opérationnelle : l’art de formuler une demande, d’itérer, et de vérifier. La pratique du « prompting » a beaucoup fait parler, mais l’idée centrale est simple : obtenir un résultat fiable exige de définir un objectif, un contexte, des contraintes, puis de valider, avec des sources et des tests. Dans les études, cela peut se traduire par des exercices où l’IA sert à produire une première version, et où l’étudiant doit documenter les corrections, les choix éditoriaux, et la vérification des faits. Le bénéfice est double : apprendre plus vite, et apprendre à ne pas se faire piéger par la fluidité d’un texte qui sonne juste.

Enfin, la question du cadre légal devient un passage obligé, notamment en Europe. L’AI Act, adopté en 2024, classe certains usages selon leur niveau de risque, impose des obligations de transparence et de gouvernance, et renforce l’attention portée aux systèmes à haut risque, par exemple dans l’éducation ou l’emploi. Pour un étudiant, ce n’est pas un détail technique : comprendre ce qu’on a le droit de faire avec des données, ce qu’on peut publier, comment citer, et comment protéger une information sensible, relève désormais d’une compétence professionnelle. C’est aussi dans ce contexte que de nombreux acteurs mettent en avant des alternatives locales et encadrées, et que l’expression IA française gagne en visibilité, notamment auprès de ceux qui recherchent une solution compatible avec des exigences de conformité, de souveraineté et de contrôle des usages.

En entreprise, la vraie compétence, c’est l’adoption

Ce n’est pas l’outil qui manque, c’est la méthode. Dans beaucoup d’organisations, la difficulté n’est pas d’acheter une licence ou de lancer un pilote, mais de transformer l’essai : définir les cas d’usage, sécuriser les données, former les équipes, puis mesurer ce qui change réellement. Les retours de terrain se ressemblent : l’IA fait gagner du temps sur la rédaction, la recherche et la synthèse, mais elle peut aussi en faire perdre si l’on ne met pas de garde-fous, car vérifier, sourcer, et corriger demande une discipline que tous les métiers n’ont pas encore intégrée.

La productivité, quand elle arrive, ne se résume pas à « faire plus vite ». Elle se joue sur la qualité des décisions, la réduction des erreurs, et la capacité à réallouer du temps vers des tâches à plus forte valeur. C’est précisément ce que suggère une étude de Harvard Business School et du BCG (2023) : dans des tâches adaptées, des consultants utilisant un assistant IA ont produit davantage, et plus vite, mais l’étude soulignait aussi un point crucial : hors de leur domaine de compétence, l’outil pouvait conduire à des réponses moins bonnes, car la confiance excessive devient un risque. La compétence clé devient alors la capacité à savoir quand utiliser l’IA, quand s’en passer, et comment organiser une revue humaine.

Les entreprises qui avancent le plus vite investissent aussi dans des compétences hybrides. Elles cherchent des profils capables de faire le pont entre métier et technologie, de dialoguer avec l’IT, de comprendre les enjeux juridiques, et de traduire les besoins du terrain en exigences claires. On voit émerger des rôles de « product owner IA », de référent conformité, ou de formateur interne, souvent occupés par des salariés reconvertis, pas uniquement par des ingénieurs. Pour les actifs, cela ouvre une voie pragmatique : se positionner sur l’orchestration, la qualité, l’évaluation, et la gouvernance, là où les machines n’apportent pas de réponse clé en main, et où la responsabilité reste humaine.

Passer à l’action : formations, budget, aides

Pour se former, mieux vaut viser un bloc utile : une initiation à l’IA, un module données, et un atelier de vérification. Côté budget, de nombreux cursus courts varient de quelques centaines à quelques milliers d’euros, et les actifs peuvent mobiliser le CPF, voire des financements employeur via les OPCO. Avant de réserver, demandez le programme détaillé, le niveau attendu, et les modalités d’évaluation.