Remplacer par l'IA puis réembaucher : la facture cachée
Un chiffre qui résume tout : 55 % de regrets
Une étude d'Orgvue révèle que 39% des dirigeants d'entreprise ont licencié des employés en conséquence du déploiement de l'IA, et parmi eux, 55% admettent avoir pris de mauvaises décisions concernant ces licenciements. Ce constat n'est pas isolé : le rapport Forrester Predictions 2026 arrive à un chiffre identique, corroboré indépendamment par l'étude annuelle d'Orgvue sur la main-d'œuvre. Deux méthodologies différentes, un même résultat : plus d'une décision sur deux de réduction d'effectifs liée à l'IA est aujourd'hui jugée mauvaise par ceux qui l'ont prise.
Ford : quand l'automatisation amplifie les erreurs plutôt que de les corriger
Le cas le plus documenté vient de l'industrie automobile. Ford a reconnu avoir trop misé sur l'intelligence artificielle pour le contrôle qualité des véhicules et a passé les trois dernières années à embaucher 350 ingénieurs expérimentés pour corriger les problèmes qui en résultaient. Charles Poon, vice-président ingénierie matérielle du constructeur, résume l'erreur de calcul initiale : l'entreprise avait cru qu'il suffirait d'introduire l'IA et de lui fournir les cahiers des charges existants pour obtenir un produit de qualité.
Le problème tenait à l'absence de jugement d'expert dans les données qui nourrissaient la technologie. Les outils automatisés de contrôle qualité étaient censés détecter les défauts de conception, mais sans les décennies de jugement d'ingénierie encodées dans les données d'entraînement, ils amplifiaient les signaux faibles plutôt que de repérer les problèmes. Les ingénieurs "grey beard" rappelés ne se contentent pas de reprendre leur ancien poste : ils forment les plus jeunes et réentraînent les systèmes d'IA eux-mêmes. Le résultat se mesure : Ford a décroché la première place parmi les constructeurs généralistes dans l'étude de qualité initiale JD Power, un score que l'entreprise n'avait pas atteint depuis seize ans, avec des économies chiffrées en centaines de millions de dollars sur la garantie et les rappels.
IBM : l'automatisation qui réussit oblige à embaucher plus, pas moins
Chez IBM, la logique est différente mais la conclusion converge. La plateforme AskHR résout désormais environ 94% des demandes RH courantes, les cas restants nécessitant un jugement humain continuant d'être traités par des professionnels RH. Loin d'y voir un motif de réduction d'effectifs, la direction en tire l'inverse : la directrice des ressources humaines Nickle LaMoreaux a ordonné de tripler les embauches de niveau débutant aux États-Unis cette année, une politique appliquée à toutes les unités et visant précisément les postes que les gros titres sur les licenciements déclarent obsolètes. Son raisonnement tient en une phrase : sans embauche continue de juniors, aucune montée en compétence ne prend le relais dans trois à cinq ans.
Ce que cela change
Le fil commun entre ces cas n'est pas que l'IA échoue partout. C'est qu'elle échoue précisément là où elle avait été présentée comme la plus prometteuse : sur les 5, 10 ou 20 % de cas hors norme que les modèles ne couvrent pas. Automatiser 80 ou 94 % d'un flux de travail semble spectaculaire sur un tableau de bord. Mais le reliquat de cas complexes, sans les personnes formées pour les traiter, devient un goulot d'étranglement coûteux : délais qui s'allongent, qualité qui recule, expertise qui a disparu au moment où l'on en a le plus besoin.
Un contre-exemple mérite d'être signalé pour nuancer : chez IgniteTech, où le PDG a licencié près de 80 % des effectifs après un an de formation à l'IA, l'entreprise a ensuite vu ses marges grimper à 75% et a acquis Khoros début 2025. Ce cas diffère pourtant des précédents : il s'agissait de se séparer d'employés qui refusaient d'utiliser l'outil, puis de recruter d'autres personnes prêtes à le faire. La leçon à en tirer n'est donc pas que licencier fonctionne, mais que la nature de la décision compte : remplacer une fonction par un algorithme et se séparer de collaborateurs réfractaires à un outil sont deux paris très différents, aux conséquences très différentes.
Pour toute organisation qui envisage une réduction d'effectifs justifiée par l'IA, il faut savoir, avant de décider, qui traitera les 10 % de cas restants quand le modèle butera dessus. Cette réponse-là ne figure jamais dans les projections de gains de productivité.