IA et emploi : on a trouvé comment supprimer les seniors sans les licencier

IA et Emploi : la Zero Work Economy commence peut-être par ceux qu’on ne recrutera jamais

En deux mots, la Zero Work Economy

La Zero Work Economy est un cadre que j’ai développé pour décrire une rupture que le discours sur le « Future of Work » évite soigneusement.

Pendant deux siècles, notre économie a reposé sur une équation simple : travail = valeur = droits.

Le travail humain produisait la valeur. En échange, il donnait accès au revenu, au logement, à la protection sociale, au crédit, au statut.

L’IA commence à briser cette équation. Une part croissante de la valeur peut être produite par des systèmes, avec beaucoup moins de travail humain.

Mais l’accès aux droits, lui, reste presque entièrement conditionné à l’emploi.

La Zero Work Economy ne désigne donc pas un monde où plus personne ne ferait rien.

Elle désigne une économie qui peut continuer à produire, croître et rémunérer le capital tout en ayant besoin de moins en moins d’humains pour fonctionner.

La disparition des emplois juniors en constitue peut-être la première manifestation visible.

Zero Work Economy : article d’origine 
Zero Work economy : le site (en cours de développement

La première victime de l’IA ne sera peut-être pas le salarié que l’on licencie.

Ce sera celui que l’on ne recrutera jamais.

Florian Fayolle a publié le 1er juillet 2026 dans Challenges un article consacré aux risques que l’intelligence artificielle fait peser sur l’emploi des jeunes.

Son titre est efficace : « L’IA bouleverse le marché du travail et les jeunes risquent de payer le prix fort ».

L’article s’appuie sur la note Trésor-Éco n°391, publiée en juin 2026 par Martin Chopard, Elisa Cotet, Tristan Gantois et Éloïse Villani : L’intelligence artificielle, quels effets sur l’emploi ?

J’ai lu l’article. Puis la note.

Je ne crois pas que les données disponibles permettent d’affirmer que l’IA est déjà en train de sacrifier une génération entière. Les auteurs du Trésor sont d’ailleurs beaucoup plus prudents.

Ils rappellent que les travaux restent récents, que les résultats divergent et qu’aucun effet net significatif de l’IA sur le volume global d’emplois n’est encore clairement établi.

En revanche, la note fait apparaître un mécanisme beaucoup plus intéressant que le sempiternel débat sur le nombre d’emplois détruits.

L’IA commence à automatiser les tâches qui servaient de première marche dans les carrières qualifiées.

Or cette première marche ne permettait pas seulement d’apprendre un métier.

Elle donnait accès au système.

Au revenu.

Aux droits sociaux.

À l’expérience.

À la reconnaissance professionnelle.

À la possibilité de construire une trajectoire.

C’est là que la note du Trésor rejoint directement la Zero Work Economy.

La Zero Work Economy ne commence pas nécessairement lorsque plus personne ne travaille.

Elle commence lorsque la production de valeur peut continuer sans donner à chacun la possibilité d’entrer dans l’équation qui relie encore aujourd’hui travail, revenu, statut et droits.

Et les jeunes risquent d’être les premiers à l’expérimenter.

IA et Emploi : Pas de tsunami sur l’emploi. Pas encore.

Le premier mérite de Martin Chopard, Elisa Cotet, Tristan Gantois et Éloïse Villani est de ne pas tomber dans le cirque habituel.

D’un côté, ceux qui annoncent que l’IA supprimera la moitié des emplois dans trois ans.

De l’autre, ceux qui expliquent que l’IA ne remplacera personne, mais qu’un professionnel utilisant l’IA remplacera celui qui ne l’utilise pas.

Cette dernière phrase est devenue le « qui veut voyager loin ménage sa monture » du management technologique. Elle circule partout. Elle rassure. Elle ne démontre rien.

La note montre que plusieurs mécanismes agissent en même temps.

> L’IA peut automatiser des tâches et réduire le besoin de main-d’œuvre.

> Elle peut aussi augmenter la productivité, réduire les coûts, faire baisser les prix, stimuler la demande et permettre à certaines entreprises de recruter.

> Elle peut détruire des postes dans une organisation et en créer dans une autre.

> Elle peut renforcer les entreprises qui l’adoptent rapidement, au détriment de concurrents moins avancés.

> Elle peut enfin ne provoquer aucun licenciement visible, mais simplement réduire les embauches, supprimer les remplacements ou diminuer le recours aux prestataires.

C’est un point important.

Quand on cherche à mesurer l’impact de l’IA sur l’emploi, regarder uniquement les plans sociaux officiellement attribués à l’IA revient à observer le phénomène par le trou de la serrure.

Une entreprise qui passe de dix recrutements juniors par an à trois ne licencie personne.

Elle a pourtant supprimé sept opportunités d’entrée.

Une autre qui ne renouvelle pas les contrats de ses prestataires ne déclare pas de restructuration.

Elle a pourtant réduit le volume de travail humain nécessaire.

La rupture peut donc progresser sans produire immédiatement les images que nous associons aux grandes transformations économiques.

Pas de chaîne de télévision devant une usine.

Pas de salariés sortant avec un carton.

Pas de ministre convoquant une réunion de crise.

Seulement des offres qui ne sont plus publiées.

Des postes qui ne sont plus ouverts.

Des candidats auxquels on demande déjà l’expérience que l’entreprise ne veut plus financer.

Le junior n’est pas licencié.

Il ne franchit simplement jamais la porte.

IA et Emploi : La première marche est en train de disparaître

Quand on débute dans un métier, on n’est généralement pas chargé de prendre les décisions les plus complexes.

> On fait des recherches.

> On collecte des informations.

> On vérifie des documents.

> On nettoie des données.

> On prépare une première analyse.

> On rédige des notes.

> On produit du code simple.

> On répond aux demandes courantes des clients.

> On construit des présentations.

> On fait le travail que les professionnels expérimentés ne veulent plus faire, ou n’ont plus le temps de faire.

Ces tâches ont un point commun.

Elles sont relativement structurées, documentées, répétitives et codifiables.

Autrement dit, elles correspondent assez bien à ce que les IA génératives actuelles savent traiter.

La note cite notamment les travaux d’Erik Brynjolfsson, Bharat Chandar et Ruyu Chen sur le marché du travail américain.

Dans les professions les plus exposées à l’IA, l’emploi des 22 à 25 ans aurait reculé de 16 % relativement aux autres travailleurs entre novembre 2022 et juillet 2025.

Il faut évidemment manier ce chiffre correctement.

Il ne signifie pas que 16 % des jeunes Américains ont perdu leur emploi à cause de ChatGPT.

Il s’agit d’une évolution relative, mesurée sur certaines professions et comparée à celle d’autres catégories de travailleurs.

Mais le signal est difficile à ignorer.

Dans les emplois où l’IA est principalement utilisée pour automatiser, l’emploi des juniors recule.

Lorsque l’IA est utilisée pour compléter le travail humain, l’effet est nul ou légèrement positif.

Pour les travailleurs plus expérimentés, les effets restent beaucoup moins visibles.

La ligne de fracture ne passe donc pas simplement entre les métiers exposés à l’IA et ceux qui seraient protégés.

Elle passe entre deux usages.

L’IA peut permettre à un débutant de progresser plus vite, de traiter davantage de cas et d’accéder plus rapidement à des tâches intéressantes.

Ou elle peut permettre à l’entreprise de ne plus recruter ce débutant.

Dans le premier cas, l’IA accélère l’apprentissage.

Dans le second, elle supprime l’apprenti.

La technologie est la même.

Le choix économique ne l’est pas.

IA et Emploi : Une tâche junior produit deux choses

C’est là que la majorité des raisonnements sur l’automatisation deviennent trop courts.

Ils regardent la tâche uniquement du point de vue de ce qu’elle produit immédiatement.

> Une recherche documentaire produit une liste de sources.

> Une analyse produit un tableau.

> Un développement produit une fonctionnalité.

> Une synthèse produit une note.

Si une IA fournit le même résultat plus vite et moins cher, la décision paraît évidente.

Sauf qu’une tâche confiée à un junior produit deux choses.

> Elle produit un livrable.

> Et elle produit, progressivement, un professionnel compétent.

Quand un jeune analyste cherche des informations, il n’apprend pas seulement à utiliser une base de données.

Il apprend que deux chiffres apparemment identiques peuvent avoir été construits selon des méthodes différentes.

Il découvre qu’une source bien présentée peut être médiocre.

Il comprend que la réponse la plus accessible n’est pas toujours la bonne.

Quand il prépare une recommandation, il apprend que les données ne conduisent pas mécaniquement à une seule décision.

Quand un professionnel plus expérimenté corrige son travail, il découvre ce qu’il n’avait pas vu.

Quand il recommence, il construit peu à peu quelque chose qu’un cours ou un tutoriel ne transmet pas complètement : du jugement.

C’est valable dans le conseil, la finance, l’assurance, l’informatique, le droit, l’audit, le marketing, la médecine, le support client ou le recrutement.

Un professionnel expérimenté ne se contente pas de connaître la règle.

Il reconnaît les situations dans lesquelles la règle ne suffit pas.

Il repère une incohérence avant même de pouvoir l’expliquer.

Il sait qu’un résultat peut être techniquement correct et opérationnellement inutilisable.

Il comprend que la recommandation parfaite sur le papier ne survivra pas à trois semaines de politique interne.

Cette capacité se construit en faisant.

Pas uniquement en regardant un système faire.

IA et Emploi : La dette d’apprentissage

On parle de dette financière.

Dans les entreprises technologiques, on parle de dette technique.

On développe rapidement. On empile des solutions. On repousse certains travaux. Puis, quelques années plus tard, on découvre que le système tient avec des dépendances que plus personne ne comprend.

Il faut désormais parler de dette d’apprentissage.

La dette d’apprentissage apparaît lorsqu’une entreprise automatise les tâches qui servaient à former ses futurs experts, sans recréer ailleurs les conditions de cette formation.

À court terme, les bénéfices sont faciles à mesurer.

Moins de recrutements.

Moins d’heures consacrées aux tâches simples.

Des délais plus courts.

Des équipes plus petites.

Des marges plus élevées.

Des seniors capables de produire davantage avec l’aide de systèmes d’IA.

La dette, elle, n’apparaît nulle part.

Elle ne figure pas au bilan.

Elle ne dégrade pas immédiatement le compte de résultat.

Elle ne déclenche aucune alerte dans le tableau de bord du comité exécutif.

Elle apparaîtra plus tard.

Quand un expert partira.

Quand un manager rejoindra un concurrent.

Quand il faudra confier une décision sensible à quelqu’un qui sait utiliser les outils, mais ne maîtrise pas complètement le raisonnement qu’ils automatisent.

Quand l’entreprise devra acheter très cher sur le marché une compétence qu’elle ne sait plus produire en interne.

Quand plus personne ne sera réellement capable de contester une analyse générée par le système.

Prenons un cabinet de conseil.

Il emploie dix consultants juniors, cinq managers et deux associés.

Les juniors font les recherches, préparent les benchmarks, analysent les données et construisent les premiers livrables.

Le cabinet équipe ensuite ses managers avec des agents d’IA.

Les recherches prennent deux heures au lieu de deux jours.

Les analyses de premier niveau sont automatisées.

Les présentations sont générées à partir des notes de réunion.

Le cabinet décide qu’il n’a plus besoin de dix juniors.

Trois suffiront.

À court terme, le calcul est excellent.

Moins de salaires.

Plus de missions par manager.

Une marge supérieure.

Cinq ans plus tard, plusieurs managers deviennent associés ou quittent l’entreprise.

Et le cabinet découvre qu’il n’a presque plus personne pour les remplacer.

Il possède des outils performants, quelques professionnels expérimentés et trois consultants qui savent très bien piloter des systèmes.

Mais ces consultants ont traité beaucoup moins de cas réels que leurs prédécesseurs.

Ils savent obtenir une réponse.

Savent-ils reconnaître une mauvaise réponse ?

Ce n’est pas la même compétence.

IA et Emploi : L’élasticité de la demande ne recrée pas automatiquement la première marche

La note du Trésor rappelle un argument économique classique, et légitime.

Les gains de productivité peuvent réduire les prix.

La baisse des prix peut stimuler la demande.

L’augmentation de la demande peut compenser les emplois supprimés par l’automatisation.

Ce mécanisme fonctionne parfois.

Quand le coût du développement logiciel baisse, davantage d’entreprises peuvent commander des logiciels.

Quand le coût de production d’un contenu diminue, les volumes produits peuvent augmenter.

Quand une technologie rend un service plus accessible, elle peut créer de nouveaux usages.

C’est l’argument de l’élasticité.

Il mérite d’être pris au sérieux.

Mais il ne résout pas le problème posé ici.

Même si la demande augmente suffisamment pour préserver le volume global d’emplois, rien ne garantit que les postes créés auront la même fonction dans la transmission des compétences.

Une entreprise peut produire deux fois plus avec ses professionnels expérimentés augmentés par l’IA sans recruter deux fois plus de juniors.

Un secteur peut croître tout en concentrant ses créations de postes sur des profils déjà formés.

Le nombre total d’emplois peut résister pendant que l’accès aux emplois qualifiés se ferme.

Autrement dit, l’élasticité peut compenser en volume sans réparer la structure.

Elle peut préserver le marché du travail aujourd’hui sans recréer ceux qui pourront l’occuper demain.

Et elle ne répond pas à une autre question, plus directement ZWE.

Que devient celui qui n’entre pas dans le système ?

Car la première marche ne servait pas seulement à apprendre.

Elle permettait d’obtenir un revenu.

De cotiser.

D’accéder au crédit.

De louer un logement.

De construire une carrière.

De faire reconnaître sa valeur par une organisation.

Quand cette marche disparaît, la personne ne perd pas seulement une expérience professionnelle.

Elle perd l’accès à l’ensemble des droits économiques que nos sociétés continuent d’attacher au travail.

IA et Emploi : Zéro premier emploi

La Zero Work Economy ne désigne pas forcément un monde dans lequel le travail aurait totalement disparu.

Elle décrit une économie dans laquelle la valeur produite se détache progressivement du volume de travail humain nécessaire.

L’entreprise continue à fonctionner.

Les produits continuent à être vendus.

Les actionnaires continuent à être rémunérés.

Les professionnels déjà installés peuvent même voir leur productivité et leur valeur augmenter.

Mais une partie croissante de la population n’est plus nécessaire pour produire cette valeur.

Les jeunes constituent un cas particulièrement visible de ce basculement.

Ils n’ont pas encore accumulé l’expérience qui protège temporairement les seniors.

Ils ne possèdent pas encore les relations, le capital, le statut ou la légitimité qui permettent de rester dans le système lorsque les besoins en travail diminuent.

Ils arrivent au moment où les organisations commencent à automatiser précisément les tâches qui leur permettaient d’entrer.

C’est une forme d’inutilité structurelle.

Pas l’inutilité absolue de l’individu.

L’inutilité du point de vue d’un système productif qui peut désormais se passer de sa contribution initiale.

La nuance est importante.

Un jeune peut être intelligent, motivé, formé et capable d’apprendre.

Mais si l’entreprise estime que les tâches qui lui permettaient de démontrer cette capacité sont mieux réalisées par une IA, il ne peut pas accumuler l’expérience exigée pour les tâches suivantes.

Nous fabriquons alors une situation absurde.

Les entreprises réclament des profils expérimentés.

Mais elles réduisent les postes qui permettaient d’acquérir cette expérience.

Elles veulent des professionnels autonomes.

Mais elles ne veulent plus financer la période pendant laquelle ils apprennent à le devenir.

Elles continuent à consommer du capital humain.

Mais elles cessent progressivement de le produire.

La dette d’apprentissage est la conséquence organisationnelle de cette contradiction.

ZWE en est la conséquence sociale.

IA et Emploi : Une génération sacrifiée ?

Florian Fayolle a raison de poser la question dans Challenges.

Il est trop tôt pour y répondre par l’affirmative.

La note de Martin Chopard, Elisa Cotet, Tristan Gantois et Éloïse Villani ne prouve pas que l’IA sacrifie déjà toute une génération.

Elle ne démontre pas non plus que les destructions d’emplois dépasseront nécessairement les créations sur le long terme.

Elle montre toutefois un signal suffisamment sérieux pour que nous arrêtions de regarder uniquement le nombre total d’emplois.

Une économie peut conserver beaucoup d’emplois tout en bloquant l’accès à ceux qui permettent de construire une carrière.

Une entreprise peut améliorer sa productivité tout en détruisant sa capacité à renouveler ses compétences.

Un marché du travail peut rester stable en apparence tout en cessant de reproduire ceux qui pourront l’occuper demain.

C’est peut-être ainsi que commencera réellement la Zero Work Economy.

Pas avec la disparition spectaculaire de tous les emplois.

Avec la disparition progressive des portes d’entrée.

La première victime de l’IA ne sera peut-être pas le salarié que l’on licencie.

Ce sera celui que l’on ne recrutera jamais.

Et, quelques années plus tard, l’expert qu’il ne deviendra pas.

Vérification LinkedIn : pourquoi la notification “profil le plus consulté” n’est pas un compliment

Vous l’avez vue passer. La petite notification, le bandeau bleu pâle : votre profil est l’un des plus consultés. Ajoutez une vérification pour établir un lien de confiance. C’est flatteur. C’est conçu pour l’être.

Je ne vais pas vous dire que c’est faux. LinkedIn a vos chiffres, il ne les invente pas. Vous êtes peut-être effectivement très consulté. Le problème n’est pas là. Le problème, c’est que cette phrase n’est pas une information. C’est une amorce.

Vérification LinkedIn : La rareté qui n’en est pas une

Commençons par le compliment lui-même. « L’un des plus consultés » ne dit jamais par rapport à quoi, ni sur quel seuil, ni dans quel percentile. C’est élastique par construction. Assez vrai pour une très large part des utilisateurs actifs, assez flou pour ne jamais pouvoir être contredit.

Et surtout : vous la recevez régulièrement. Toutes les semaines, ou presque. Posez-vous la question une seconde : une distinction qui revient chaque semaine, c’est encore une distinction ? Si tout le monde est « l’un des plus consultés », et qu’on vous le répète à intervalle régulier, alors on est tous les premiers de quelque chose. Ce qui revient à dire : personne ne l’est.

La rareté affichée est un leurre. Et le leurre ne sert pas à récompenser ceux qui reçoivent la notification. Il sert à interroger ceux qui ne la reçoivent jamais. Le signal de statut ne fonctionne pas par la fierté qu’il procure, mais par le doute qu’il installe ailleurs. C’est de la pression sociale fabriquée, des deux côtés du miroir.

Vérification LinkedIn : La vraie question : pourquoi maintenant ?

Une fois le compliment remis à sa place, la phrase intéressante n’est plus la première. C’est la seconde : ajoutez une vérification.

La vérification, sur LinkedIn, ce n’est pas une coche décorative. C’est un dispositif d’identité opéré par des partenaires tiers : CLEAR (CLEAR sur LinkedIn ou site CLEAR), Persona. Vous fournissez un passeport à puce, un selfie biométrique, une preuve que vous êtes une personne réelle. LinkedIn, lui, ne récupère pas vos documents : il récupère un signal. Identité confirmée. Plus un identifiant unique rattaché à votre compte.

Officiellement, c’est pour votre sécurité : prévenir l’usurpation, lutter contre la fraude. C’est vrai. Et ce n’est pas tout. Posez la question autrement : à qui profite que vous soyez vérifié ?

D’abord, à la plateforme dans sa guerre contre les faux comptes. Et cette guerre est massive. Sur le seul second semestre 2024, LinkedIn déclare avoir supprimé plus de 80 millions de faux comptes au moment de l’inscription, en hausse sur le semestre précédent. Chaque utilisateur réel qui certifie volontairement son identité est un point d’ancrage dans un graphe que la plateforme passe son temps à nettoyer.

Ensuite, et c’est nouveau, votre identité vérifiée ne reste pas sur LinkedIn. Depuis 2025, la plateforme a entrepris de la transformer en signal de confiance exportable vers d’autres services. Autrement dit, la donnée que vous leur cédez gratuitement a une valeur qui dépasse leur propre périmètre. Vous ne renforcez pas votre profil. Vous alimentez une infrastructure d’identité.

Vérification LinkedIn : Mon hypothèse, à découvert

Ce qui précède est documenté. Ce qui suit ne l’est pas, c’est mon raisonnement, et je le pose comme tel.

Je fais l’hypothèse qu’il existe une troisième raison, jamais formulée, et probablement la plus structurante. Une plateforme qui vit de la publicité et qui parle aux marchés a un trou dans son bilan : elle ne sait pas combien de comptes réels elle compte. Annoncer un milliard de membres, c’est un chiffre. Pouvoir dire à un annonceur mondial « voici une audience de personnes vérifiées, pas de fantômes, pas de doublons, pas de bots », c’est un actif.

Tant que la base n’est pas certifiée, le nombre d’utilisateurs reste une déclaration. Une fois qu’une part significative est vérifiée, il devient une preuve. Du point de vue de la communication financière comme du point de vue marketing, l’écart entre les deux vaut très cher.

Je ne dis pas que LinkedIn l’a annoncé. Je dis que c’est l’intérêt qu’on y trouve quand on regarde la mécanique au lieu du message.

Vérification LinkedIn : Ce qu’on vous demande vraiment

Reprenons la notification du début, désormais traduite.

Ce n’est pas : vous êtes important, voici une distinction.

C’est : vous êtes une personne réelle, et nous aimerions que vous le prouviez, à vos frais, avec vos documents, pour des bénéfices qui sont d’abord les nôtres.

Le compliment est l’emballage. Votre identité est le produit.

On ne vous félicite pas. On vous recrute.

Pourquoi collectionner les mots-clés sur votre profil LinkedIn est devenu une mauvaise idée

Pendant quinze ans, accumuler des mots-clés sur son profil LinkedIn était une stratégie rationnelle. Aujourd’hui, c’est exactement l’inverse. Le réflexe n’a pas changé. Le moteur, lui, a complètement changé. Et la plupart des profils continuent d’optimiser pour un système qui n’existe plus.

mots-clés profil LinkedIn : Ce qui était vrai hier

L’ancien LinkedIn fonctionnait sur une logique simple à comprendre : la correspondance exacte de termes. Le moteur tenait, pour chaque mot, la liste des profils qui le contenaient. Vous tapiez « directeur financier », il vous renvoyait les profils où figuraient ces mots, exactement.

Dans ce monde-là, la règle était mécanique : un mot-clé de plus, c’était une entrée de plus dans l’index, donc une chance de plus d’être trouvé. Empiler les termes : « stratégie, leadership, management, transformation, finance, M&A, pilotage, performance » augmentait réellement la surface de récupération. Le bloc « mots-clés » en bas de la zone « infos », la liste de compétences à rallonge, la répétition du même terme dans le titre, le résumé et chaque expérience : tout cela avait un sens. Plus vous en mettiez, plus vous étiez visible. La densité payait.

Ce n’était pas une triche. C’était une lecture correcte du fonctionnement de l’outil.

mots-clés profil LinkedIn : Ce qui a changé

LinkedIn ne récupère plus les profils par correspondance de mots. Il les comprend par le sens.

Le moteur actuel repose sur une logique sémantique : il transforme chaque profil en une représentation mathématique de ce qu’il signifie, puis compare cette signification à l’intention réelle du recruteur. Il ne cherche plus le mot « transformation » dans votre texte. Il cherche à savoir si votre parcours, dans son ensemble, correspond à ce qu’un recruteur a en tête quand il décrit le poste qu’il veut pourvoir, y compris avec des mots que vous n’avez jamais écrits.

Ce déplacement change tout. Le moteur reconnaît désormais les synonymes, les rôles voisins, les contextes métiers, les compétences implicites. Vous n’avez plus besoin d’écrire un terme pour être trouvé sur ce terme. Vous avez besoin que votre profil signifie la bonne chose.

Et l’enjeu n’est pas théorique. Pendant sa phase de test grandeur nature, menée sur des centaines d’entreprises, LinkedIn mesurait déjà que les recruteurs équipés de son assistant de recrutement par IA examinaient 62 % de profils en moins pour pourvoir un poste. Une fois l’outil déployé et affiné, le chiffre affiché sur sa page produit est passé à 81 %. L’éviction ne s’est pas stabilisée entre le test et le déploiement : elle s’est accentuée.

Autrement dit, la présélection s’est radicalement resserrée, et elle continue de se resserrer. Là où un recruteur parcourait des centaines de profils, il en consulte aujourd’hui une fraction : ceux que le moteur juge les plus pertinents sémantiquement. Si votre profil n’est pas dans cette fraction, vous n’êtes plus écarté à la lecture. Vous n’êtes même plus affiché.

Et c’est précisément là que l’accumulation de mots-clés se retourne contre vous.

mots-clés profil LinkedIn : Pourquoi l’accumulation nuit désormais

Un moteur sémantique évalue la cohérence et la richesse contextuelle d’un texte. Une liste de mots-clés n’a ni l’une ni l’autre. C’est une suite de termes sans phrase, sans contexte, sans preuve. Pour le moteur, ce n’est pas un signal fort, c’est du bruit.

mots-clés profil LinkedIn : Concrètement, trois effets se produisent.

D’abord, vous diluez votre signification. Un profil qui « parle » de quinze sujets ne signifie clairement aucun d’entre eux. Le moteur ne sait plus vous classer : vous devenez un profil flou, qui correspond un peu à tout et précisément à rien. La représentation mathématique de votre profil perd en netteté à chaque mot-clé décoratif que vous ajoutez.

Ensuite, vous envoyez un signal de faible qualité. Un texte dense en mots-clés mais pauvre en contexte est interprété comme creux. Le moteur valorise la mission située, le résultat, l’échelle, le secteur, pas l’énumération. Une ligne comme « stratégie, leadership, performance, transformation » pèse moins qu’une phrase qui montre ce que vous avez transformé, pour qui, et avec quel effet.

Enfin, vous abîmez votre crédibilité humaine. Car le profil est lu par deux lecteurs simultanés : le moteur et la personne. Un recruteur, un dirigeant, un chasseur qui tombe sur un sac de mots-clés en bas de profil ne lit pas « expert complet ». Il lit « cherche à être trouvé ». Le signal de positionnement est mauvais des deux côtés à la fois.

mots-clés profil LinkedIn : Ce qu’il faut faire à la place

La règle nouvelle n’est pas « moins de mots-clés ». Elle est « des mots-clés en contexte ».

Un terme métier inséré dans une phrase qui montre une mission réelle vaut infiniment plus que le même terme listé. Comparez. D’un côté : « pilotage, restructuration, P&L, conduite du changement ». De l’autre : « Restructuration d’une BU de 200 personnes en perte, retour à l’équilibre du P&L en 18 mois. » La seconde formulation contient les mêmes notions, mais elle les prouve, les situe, les rend crédibles pour un humain et denses pour le moteur. C’est ce que le système sait désormais lire et valoriser.

Le bon profil n’est donc plus celui qui contient le plus de termes. C’est celui qui signifie le plus clairement une chose précise, pour un lecteur précis. La visibilité ne vient plus de la quantité de mots, mais de la netteté du positionnement.

mots-clés profil LinkedIn : Le vrai basculement

Le réflexe d’accumulation vient d’une intuition qui était juste, et qui ne l’est plus. Beaucoup de profils performants aujourd’hui sont littéralement freinés par une optimisation héritée d’un système disparu. Ils font correctement ce qu’il fallait faire en 2015.

Le moteur a cessé de compter les mots. Il a commencé à comprendre le sens. Tant que votre profil cherche à être trouvé en multipliant les termes, il optimise pour un lecteur qui n’existe plus et il dégrade sa lisibilité pour celui qui décide vraiment. Quand la présélection passe de 62 % à 81 % de profils écartés, la question n’est plus de savoir si vous figurez quelque part dans les résultats. Elle est de savoir si vous figurez dans la fraction, de plus en plus étroite, que le recruteur verra encore.

IA pièces jointes : la méthode pour éviter les erreurs de traitement

Comment l’IA lit vos pièces jointes et pourquoi votre intuition sur l’ordre est fausse

Vous joignez un document, vous écrivez une consigne, vous lancez. Et quelque part, sans l’avoir formulé, vous pensez : le modèle va d’abord lire ma pièce, puis lire mon instruction, puis exécuter. Un dossier qu’on feuillette dans l’ordre.

C’est faux. Et cette erreur, minuscule, jamais énoncée, explique une part des sorties médiocres que produisent les dirigeants qui délèguent l’IA sans la comprendre.

Le modèle mental que tout le monde applique sans le savoir

Quand on a passé sa vie professionnelle à manipuler des dossiers, des annexes, des pièces numérotées, on transpose. Une pièce jointe à un prompt, on la traite mentalement comme une pièce à un dossier : elle a un rang, elle se lit à un moment, elle s’articule à la consigne selon une séquence.

Cette représentation est confortable parce qu’elle est familière. Elle est inopérante parce que la machine ne fonctionne pas comme un classeur.

IA et pièces jointes : La bonne image

Remplacez le dossier feuilleté par une nappe : tout est étalé sur la même surface, au même moment, et rien n’y porte de numéro d’ordre. Le modèle ne tourne pas des pages dans la séquence que vous avez en tête, il dispose d’un ensemble d’éléments, sans rôle ni hiérarchie tant que vous ne les avez pas déclarés.

C’est une image, pas un schéma d’architecture : selon le type et la longueur des fichiers, leur contenu est extrait, résumé, récupéré ou injecté différemment. Mais pour vous, la conséquence pratique est invariable : le modèle ne déduit pas l’ordre, le rôle et la hiérarchie de vos pièces à partir de leur ordre d’apparition. Il ne sait pas qu’un document est la source, qu’un autre est la grille, qu’un troisième est l’exemple. Sauf si vous le dites.

Trois conséquences, et ce sont elles qui coûtent cher.

L’ordre d’apparition n’est pas un ordre d’exécution. Le fait qu’une pièce soit « avant » votre texte dans l’assemblage ne dit rien de ce qu’il faut en faire en premier. Si vous voulez une séquence (traiter ceci, puis cela, puis revenir au premier élément) elle n’existe que si vous l’écrivez. La structure ne la porte pas. La position ne la suggère pas. Seule la consigne la crée.

Le rang n’est pas un identifiant fiable. « La première pièce », « PJ1 », « le premier fichier » : vous comptez sur une numérotation positionnelle. Même quand l’interface affiche un ordre, ne le traitez ni comme une instruction ni comme un identifiant. Ne construisez pas votre méthode dessus. Parfois ça tombe juste. C’est de la chance, pas de la méthode.

L’enveloppe n’est pas l’identité. Dans certaines interfaces, un texte trop long est encapsulé et traité comme un contenu séparé, parfois sans nom exploitable de votre côté. Vous ne pouvez plus y référer ni par nom, que vous ne connaissez pas, ni par rang. Le seul repère qui survit est celui que vous avez écrit à l’intérieur du contenu lui-même.

Le coût réel de la mauvaise carte

Tant que la demande est simple (un document, une consigne) l’erreur de modèle mental ne se voit pas. Le résultat est correct, on attribue ça à l’outil, on continue.

Elle se révèle dès que la demande devient articulée. Une grille à appliquer à une source. Une séquence conditionnelle où l’étape deux dépend du résultat de l’étape un. Plusieurs pièces aux rôles différents (l’une est la matière à traiter, l’autre est l’instruction). Là, l’utilisateur qui croit au dossier séquentiel obtient une bouillie : le modèle confond la source et la consigne, exécute dans le désordre, ou applique la grille au mauvais bloc. Et l’utilisateur conclut que « l’IA ne suit pas les instructions complexes », alors que c’est sa carte du territoire qui était fausse.

Le décalage n’est pas technique. Il est cognitif. On ne pilote pas un système avec le modèle mental d’un autre système.

IA et pièces jointes : référez par identité, jamais par rang

Le correctif tient en une règle : référez par identité, jamais par rang.

Nommez ce que vous maîtrisez. Donnez à vos fichiers des noms explicites et désignez-les par leur nom dans la consigne. Le nom voyage avec la pièce ; le rang ne voyage pas.

Déclarez les rôles. Au lieu de supposer que le modèle devinera lequel est la source et lequel est l’instruction, dites-le : le document intitulé X est ma source, le document intitulé Y est la grille. Vous créez le mappage au lieu de le présumer.

Écrivez la séquence comme une procédure. Si l’ordre d’exécution compte, il doit être énoncé pas à pas, en référant aux noms. L’ordre n’est jamais déduit de la mise en page.

Et pour le cas le plus traître (le texte qui bascule en pièce sans nom) posez le repère dans la matière avant qu’elle bascule. Une ligne d’en-tête, un marqueur en tête de bloc. Le fichier reste anonyme, mais son contenu s’auto-désigne, et votre consigne peut s’y accrocher. L’identité ne doit jamais dépendre de l’enveloppe, parce que l’enveloppe, vous ne la contrôlez pas.

Il existe des contextes où ce point cesse d’être une question de confort. Quand l’ordre et l’intégrité des éléments sont eux-mêmes signifiants, un dossier dont la cohérence fait foi, s’appuyer sur un ordre d’apparition qu’on ne maîtrise pas n’est pas une maladresse, c’est une faute. Là encore : on explicite, on ne suppose pas.

IA pièces jointes : Ce que ça dit, au fond

Travailler avec ces systèmes ne récompense pas la maîtrise de l’outil. Ça récompense la justesse de la représentation qu’on s’en fait. La plupart des gens cherchent la bonne formule, le bon « prompt magique ». Le levier est ailleurs : dans la carte mentale qu’on applique sans la voir.

Tant qu’on tient un prompt pour un dossier, on se bat contre la machine. Dès qu’on le voit comme une nappe, tout présent, rien hiérarchisé par la position, l’ordre porté par la seule consigne, on cesse de subir et on commence à piloter.

La clarté n’est pas un supplément d’âme. C’est l’avantage.

IA et décision : pourquoi les idées qui ont l’air intelligentes sont les plus dangereuses

IA et décision : Ça a l’air intelligent, donc c’est dangereux. L’IA ne crée pas ce piège. Elle l’industrialise.

Les mauvaises idées qu’on repère facilement sont rarement les plus dangereuses.

Une idée bête arrive avec ses sabots : elle simplifie trop, confond les causes, promet trop vite. Trois questions suffisent à la démonter.

Le danger vient d’ailleurs. Il vient des idées qui ont l’air intelligentes : les bons mots, le bon framework, les trois temps du raisonnement, la matrice propre. Elles donnent immédiatement cette sensation confortable : c’est structuré, donc c’est solide.

C’est là que ça devient dangereux.

Une idée qui a l’air intelligente désactive la vigilance plus sûrement qu’une idée médiocre. Elle ne force pas seulement l’adhésion : elle donne à celui qui l’accepte le sentiment d’être intelligent en l’acceptant. Personne ne se méfie d’une pensée qui le flatte.

La nuance qui décide de tout tient en une ligne. Une idée vraiment intelligente clarifie le réel. Une idée faussement intelligente le rend plus acceptable. La première réduit l’incertitude ; la seconde déplace le problème là où il fait moins mal et comme le déplacement est bien formulé, personne ne voit l’escamotage.

IA et décision : Le comité qui valide une narration

Prenez une décision en comité. Quelqu’un pose un problème simple et dur : ce projet n’avance pas, cette offre ne se vend pas, cette organisation décide mal. Le diagnostic brutal serait inconfortable, parce qu’il remettrait en cause le fond.

Alors une réponse élégante apparaît. On segmente, on renomme, on construit une matrice, on distingue court, moyen et long terme, on ajoute une couche de gouvernance et un pilotage par la valeur. Tout cela peut être utile. Mais souvent, cette sophistication ne résout rien : elle occupe.

Une campagne ne vend pas. Le chiffre est mauvais, pas ambigu : beaucoup de clics, peu d’achats. La question utile serait simple : attirons-nous des acheteurs ou seulement des curieux ? Mais la réunion part ailleurs. On propose trois nouveaux concepts créatifs, une nouvelle segmentation, un test de formats courts, une version plus émotionnelle. Tout semble raisonnable. Sauf qu’on vient de changer la question : on ne cherche plus pourquoi ça ne vend pas, on cherche comment continuer à tester sans regarder le problème.

Le comité valide alors une stratégie parce qu’elle est bien présentée, pas parce qu’elle est juste. Le dirigeant croit avoir tranché ; il a seulement choisi la narration la plus confortable. Une erreur grossière aurait appelé la contradiction. Une erreur sophistiquée appelle le respect et c’est ainsi qu’une entreprise passe des mois à optimiser une solution qui ne répond pas au bon problème.

IA et décision : L’IA, qui industrialise l’anesthésiant

Ce mécanisme est ancien. L’IA en change l’échelle.

Elle produit vite des réponses propres, structurées, argumentées. Elle reformule une intuition confuse en raisonnement apparemment solide, transforme une hypothèse fragile en plan d’action crédible, une fuite du problème en stratégie alternative. C’est précieux. C’est aussi un piège, parce qu’une réponse bien structurée donne l’impression qu’un problème a été pensé, alors qu’il a seulement été habillé.

Le risque n’est pas que l’IA dise n’importe quoi. Le risque, plus subtil, est qu’elle dise quelque chose de plausible, cohérent, professionnel et que cette cohérence suffise à calmer la pensée.

Beaucoup de projets IA ne sont d’ailleurs pas des projets d’intelligence augmentée. Ce sont des projets de production accélérée. On produit plus vite des comptes rendus, des synthèses, des matrices, des scénarios. Très bien. Mais si la décision de départ reste mal posée, on accélère seulement la fabrication d’erreurs bien présentées. La vraie question n’est jamais « est-ce que ça produit ? » mais « est-ce que ça améliore la décision, ou seulement la production ? ».

Avec l’IA, les bons décideurs doivent devenir plus exigeants, pas plus impressionnables. La question utile n’est pas « est-ce que cette réponse est intelligente ? » mais « est-ce qu’elle garde le problème au bon endroit ? » Traite-t-on la cause ou un symptôme ? Mesure-t-on ce qui compte ou ce qui est facile à mesurer ? Décide-t-on mieux, ou documente-t-on mieux notre confusion ?

IA et décision : Les trois épreuves

Le vrai test d’une idée n’est pas son élégance. C’est sa capacité à survivre à trois épreuves simples.

• La contrainte réelle : est-ce faisable, dans ce délai, avec ces moyens, dans ce contexte exact ?
• La mesure réelle : quel chiffre dira que c’est vrai ou faux ?
• La contradiction réelle : qu’est-ce qui pourrait prouver que nous nous trompons ?

Sans ces trois épreuves, l’intelligence devient cosmétique. Elle embellit le raisonnement sans le rendre plus vrai.

Certaines phrases devraient d’ailleurs déclencher une alerte : on pourrait aussi…, il faudrait enrichir…, c’est plus complexe que ça, il faut prendre de la hauteur. Parfois légitimes. Souvent, elles servent à éviter le point dur : la question qui fait mal, qui réduit les options, qui oblige à trancher, qui risque de montrer que le joli raisonnement ne tient pas.

On reconnaît une idée dangereusement intelligente à un signe unique : elle donne envie de continuer à penser au lieu de décider quoi tester. Elle ouvre trop de portes, multiplie les nuances, retarde l’épreuve du réel, transforme un arbitrage en architecture mentale.

À un moment, l’intelligence doit produire une décision plus nette, pas une brume plus raffinée. La lucidité consiste souvent à faire l’inverse de ce qui flatte l’esprit : réduire, couper, nommer, tester et accepter de perdre une belle idée si elle ne tient pas dans le réel.

Le réel a cette qualité brutale : il ne respecte pas les raisonnements élégants. Une campagne ne convertit pas parce que l’angle est subtil. Une stratégie ne tient pas parce que le comité l’a trouvée mature. Un projet IA ne crée pas de valeur parce que la synthèse est impeccable.

À la fin, une seule question reste debout : qu’est-ce que cette idée change dans le réel ? Si la réponse n’est pas claire, mesurable ou testable, méfiez-vous.

Surtout si ça a l’air intelligent.

Claude Fable 5 : vous n’aviez pas acheté une capacité, mais une permission

Claude Fable 5 : Pourquoi l’IA utilisée lundi peut disparaître mardi et ce que l’Europe refuse encore de regarder.

Le 9 juin, Anthropic met sur le marché Claude Fable 5, présenté comme le modèle le plus avancé qu’elle ait jamais rendu public. Trois jours plus tard, le 12 juin, il disparaît. Pas une panne, pas un incident technique : une décision. L’entreprise annonce avoir reçu du gouvernement américain une directive de contrôle à l’export, fondée sur des prérogatives de sécurité nationale, interdisant l’accès à Claude Fable 5 et à Mythos 5 à tout ressortissant étranger y compris à l’intérieur des États-Unis, y compris à ses propres employés étrangers.

Le modèle fonctionnait. Il était adopté. Il a été retiré. C’est là que commence la seule histoire qui mérite d’être racontée.

Claude Fable 5 – Qui aurait appuyé sur la gâchette

Premier élément rapporté, et il est vertigineux s’il se confirme : ce ne serait pas une agence de renseignement qui aurait déclenché l’affaire, mais Amazon.

Selon le récit détaillé qu’en fait Guillaume Grallet dans Le Point, en s’appuyant sur des éléments qu’il présente comme recoupés par The Information et le Wall Street Journal, des chercheurs en cybersécurité d’Amazon seraient parvenus, par une série de requêtes construites, à contourner les garde-fous de Fable 5. Le modèle aurait alors généré des informations permettant d’identifier des vulnérabilités dans plusieurs logiciels. Andy Jassy, PDG d’Amazon, aurait transmis ce rapport directement au plus haut niveau de l’État américain le 11 juin au soir.

Si cette séquence est confirmée, elle mérite qu’on s’y arrête. Amazon est le premier investisseur d’Anthropic et l’hébergeur de ses modèles sur AWS. La main qui finance et héberge serait aussi celle qui signale. La dépendance, ici, ne serait pas une ligne droite entre un fournisseur et un client : ce serait un enchevêtrement où l’allié, l’investisseur et le déclencheur peuvent devenir la même entité.

À partir de ce signalement, le mécanisme s’emballe. Cellule de crise à la Maison-Blanche le 12 juin, appels tendus avec le PDG d’Anthropic Dario Amodei, puis, à 17h21 (heure de Washington), une lettre formelle du secrétaire au Commerce Howard Lutnick imposant des contrôles à l’export, décision que Le Point présente comme ayant été avalisée au plus haut niveau de l’exécutif américain.

Claude Fable 5 – Ce que la décision dit, et ce qu’elle ne dit pas

Précision décisive, presque systématiquement écrasée dans les réactions : Washington n’a pas appuyé sur un bouton « off » mondial. La directive vise l’accès par les ressortissants étrangers. C’est Anthropic qui, ne pouvant filtrer la nationalité de ses utilisateurs en temps réel (un service cloud lit des adresses IP, pas des passeports), a choisi de couper l’accès à tous ses clients pour rester conforme. La coupure globale est une conséquence opérationnelle d’une restriction juridique ciblée, pas l’objet direct de l’ordre.

Cette nuance n’atténue pas le problème. Elle le déplace. Car le résultat, pour un utilisateur européen, est strictement le même : un service critique, disponible lundi, indisponible mercredi, sans qu’il ait commis la moindre faute et sans qu’il puisse y changer quoi que ce soit. C’est, dans l’histoire de l’IA, la première fois que les contrôles à l’export (une arme forgée pour les puces et les semi-conducteurs) sont retournés contre un modèle de langage.

Claude Fable 5 – La prudence que personne ne s’impose

Sur le motif technique, il faut être rigoureux et c’est précisément là que la plupart des commentaires dérapent.

Selon Anthropic, le déclencheur serait un « jailbreak » étroit, non universel, consistant à demander au modèle de lire une base de code et d’en corriger les failles. L’entreprise affirme avoir examiné le rapport qu’elle pense être à l’origine de la directive et conclu que cette capacité est largement disponible ailleurs (y compris dans GPT-5.5) et utilisée chaque jour par les défenseurs qui sécurisent les systèmes. Elle ajoute que si ce standard était généralisé, il bloquerait le déploiement de tout nouveau modèle de frontière.

Mais Anthropic est partie au dossier. Elle a un intérêt direct à minimiser le motif. Le gouvernement américain, lui, n’a pas publié le cœur de son raisonnement et n’a fourni, selon Anthropic, qu’une justification verbale. Il faut donc séparer deux choses que tout le monde confond : la solidité technique du motif, encore opaque et non vérifiable ; et l’effet politique de la décision, lui, parfaitement visible. Je ne tranche pas le premier. Je ne suis pas en position de le faire, et personne hors du dossier ne l’est. C’est le second qui nous concerne.

Claude Fable 5 – La révocabilité souveraine

Voilà le point qui fait de Fable 5 autre chose qu’un fait divers technologique.

Une capacité d’IA critique peut désormais être commercialement disponible, techniquement fonctionnelle, intégrée à des usages clients et retirée du jour au lendemain par une décision étrangère que ni l’utilisateur, ni même parfois le fournisseur ne maîtrisent. Le modèle de frontière entre dans l’âge de ce qu’on pourrait appeler la révocabilité souveraine.

Et l’on n’a pas besoin d’attendre l’arbitrage technique final pour en tirer la leçon. C’est même tout l’intérêt de la formule : même si Washington a raison sur le fond, l’Europe reste dépendante ; même si Washington a tort, l’Europe reste dépendante. Le dossier dira peut-être que la décision était justifiée. Il dira peut-être qu’Anthropic minimisait. Dans les deux cas, la conclusion stratégique ne bouge pas d’un millimètre : une capacité contrôlée ailleurs est une capacité conditionnelle.

Claude Fable 5 – La fabrication du récit

C’est ici que l’affaire devient, pour moi, vraiment instructive et c’est la strate que les réactions ont manquée.

On peut l’observer presque en direct, et chez un même observateur. Guillaume Grallet, rédacteur en chef sciences et technologies du Point, publie d’abord le constat à chaud : « un coup de tonnerre », « un violent coup de massue pour le Vieux Continent », les États-Unis qui interdisent « du jour au lendemain ». Puis, dans un second texte, le même journaliste reconstitue patiemment le dossier et corrige sa propre première lecture : « si beaucoup ont d’abord cru à une censure planétaire aveugle, la réalité est plus complexe ». Entre les deux, rien n’a changé sauf le temps de lire le dossier. Ce n’est pas un reproche, c’est la démonstration. Le signal arrive avant le dossier, et il frappe plus fort.

À l’échelle politique, le même mécanisme s’est joué à grande vitesse. En quelques heures, des responsables français et européens très différents ont convergé vers le même réflexe : lire Fable 5 comme la preuve d’une dépendance stratégique. De la droite de gouvernement aux souverainistes, des sociaux-démocrates aux conservateurs, chacun a vu la même image : une IA américaine débranchée par Washington. L’image était puissante. Elle n’était pas fausse. Mais ils réagissaient moins au dossier qu’au signal.

Le dossier, lui, est plus trouble : une directive visant les ressortissants étrangers, transformée par le fournisseur en coupure générale ; un motif technique contesté par l’une des parties et que l’autre n’a pas exposé. Entre ce dossier et le récit qui a circulé, un écart s’est ouvert. Et c’est dans cet écart que la doctrine publique s’est fabriquée, avant toute compréhension fine.

Ce n’est pas une erreur individuelle. C’est le fonctionnement normal d’un choc stratégique : le récit se cristallise plus vite que les faits ne se stabilisent. Mais cela ajoute une dépendance que personne ne nomme. L’Europe ne dépend pas seulement des modèles américains. Elle dépend aussi des récits instantanés que produisent les décisions américaines. Fable 5 prouve, accessoirement, que la souveraineté politique se forme parfois avant la compréhension technique.

Claude Fable 5 – La mauvaise réponse, et la bonne

La tentation est connue : « faisons notre ChatGPT ». La souveraineté magique, décrétée par la nationalité du fournisseur. C’est court, et c’est faux. Un modèle européen mal gouverné, hébergé sur une infrastructure non maîtrisée, opéré sans plan de continuité, n’est pas plus souverain qu’un modèle américain. La souveraineté ne tient pas dans le drapeau de l’éditeur.

Comme le rappelle Tariq Krim (Cybernetica) dans Le Figaro, la dépendance se joue en couches : même un champion comme Mistral fait tourner ses modèles sur des puces américaines. Couper l’accès au modèle n’est qu’une des prises possibles ; il y en a d’autres, plus bas dans la pile, tout aussi décisives.

La bonne réponse est moins spectaculaire et plus exigeante. Elle consiste à cesser d’acheter de la seule performance, et à acheter de la continuité : réversibilité des workflows critiques, redondance entre fournisseurs, pluralité juridictionnelle, capacité à opérer en mode dégradé quand une capacité de pointe disparaît. Un État sérieux, une entreprise sérieuse, n’évaluent pas une IA uniquement sur ses benchmarks. Ils l’évaluent sur sa juridiction, sa réversibilité, son exposition aux décisions extraterritoriales. Les benchmarks impressionnent les ingénieurs. La continuité intéresse les États.

Claude Fable 5 – La doctrine

Ce que Fable 5 met à nu, c’est que l’IA critique n’est plus une application parmi d’autres. C’est une infrastructure stratégique, au même titre que l’électricité ou les réseaux, avec cette différence qu’une infrastructure dont on ne contrôle ni les modèles, ni la puissance de calcul, ni la juridiction, est une infrastructure qu’un autre peut débrancher. Et l’épisode Amazon, s’il se confirme, le montre : même le fournisseur du modèle ne contrôle pas entièrement la chaîne dont il dépend.

La question qu’un responsable public doit désormais poser n’est plus seulement : cette IA est-elle performante ? C’est : restera-t-elle disponible quand un autre État changera d’avis ?

Le dossier technique de Fable 5 finira par s’éclaircir. La leçon stratégique, elle, est déjà lisible, et elle n’attend pas l’arbitrage. Une capacité critique contrôlée ailleurs n’est jamais une capacité acquise. C’est une capacité sous condition. Et une puissance qui vit sous condition n’est pas encore une puissance.

GEO : pourquoi la meilleure agence du marché plafonne à 7 %

Une agence, la plus visible du marché du référencement, a publié récemment l’étude de cas d’un client modèle. Un an d’accompagnement, un budget sérieux, tout le savoir-faire technique déployé : refonte des pages, contenu réécrit, balisage structuré, FAQ calibrées par audience. L’objectif affiché n’était pas seulement de remonter dans Google, mais d’exister dans les réponses des intelligences artificielles, ChatGPT, Gemini, Perplexity, les résumés de Google.

Le résultat, après douze mois d’optimisation menée par les meilleurs, sur un client qui en avait fait sa priorité ?

Entre 5 et 8 % de visibilité dans les réponses IA, selon la plateforme.

Arrêtons-nous sur ce chiffre, parce qu’il est plus instructif qu’il n’en a l’air. « Visibilité IA », ici, désigne la part des requêtes pertinentes sur le secteur du client où la marque apparaît effectivement dans la réponse générée par l’intelligence artificielle. Autrement dit : sur cent fois où un client potentiel interroge une IA sur ce marché, la marque est mentionnée cinq à huit fois. Après un an. Avec la meilleure agence. En y mettant les moyens.

Ce n’est pas un échec de l’agence. C’est un plafond.

Et ce plafond raconte quelque chose que la plupart des dirigeants n’ont pas encore entendu : si l’optimisation parfaite, exécutée par les meilleurs, plafonne aussi bas, c’est que la partie ne se joue plus là où tout le monde la cherche. On peut perfectionner indéfiniment son site, sa structure, ses mots-clés, on gratte des points sur une bataille qui se décide ailleurs.

Cet article parle de cet ailleurs.

GEO : La visibilité n’est plus le sujet. La perception l’est.

Il existe une formule, attribuée à Jeff Bezos, qui circule depuis une dizaine d’années dans les cercles du marketing et du branding : votre marque, c’est ce que les gens disent de vous quand vous n’êtes pas dans la pièce.

C’est une vérité ancienne. Elle dit que votre réputation ne vous appartient pas, qu’elle vit dans les conversations que vous n’entendez pas, les recommandations entre pairs, les dîners professionnels, les couloirs de salons. Vous pouvez l’influencer, vous ne la contrôlez pas.

En 2026, cette formule prend un sens radicalement nouveau. Parce que la pièce où l’on parle de vous sans vous a changé de nature.

Pendant des décennies, cette pièce était physique et éphémère : deux personnes discutaient, l’une recommandait un prestataire à l’autre, et la conversation disparaissait. Aujourd’hui, une part croissante de ces échanges passe par une intelligence artificielle. Un acheteur ne demande plus à son réseau « tu connais quelqu’un de bien sur ce sujet ? », il pose la question à ChatGPT. Et l’IA, elle, ne se contente pas de répondre : elle se souvient, elle synthétise, elle hiérarchise, elle recommande. Elle transforme la rumeur de couloir en réponse structurée, instantanée, et apparemment objective.

La pièce où l’on parle de vous sans vous est devenue une machine. Et cette machine forge des perceptions à grande échelle, en continu, sans que vous le sachiez.

Voilà le déplacement que je veux poser clairement : en 2026, la visibilité ne se gagne plus dans l’optimisation, mais dans la perception, ce que le marché dit de vous quand vous n’êtes pas dans la pièce, et c’est précisément ce que plus personne ne mesure.

Tout le reste de cet article découle de cette phrase.

SEO / GEO : Pourquoi l’optimisation a un plafond

Revenons aux 5-8 %. Pourquoi un travail d’optimisation impeccable bute-t-il sur un seuil aussi bas dès qu’il s’agit des réponses IA ?

La réponse tient à une question simple : où une intelligence artificielle va-t-elle chercher ce qu’elle dit de vous ?

Pas sur votre site. Ou plus exactement : pas seulement, et pas principalement. Quand un grand modèle de langage formule une réponse sur un secteur, « quels sont les acteurs sérieux sur tel marché », « qui recommande-t-on pour tel besoin », il puise dans l’ensemble de ce qu’il a absorbé du web : forums, articles, avis, discussions, comparatifs, contenus de tiers. Votre page « à propos », si parfaitement rédigée soit-elle, n’est qu’une voix parmi des milliers, et c’est rarement celle à laquelle l’IA accorde le plus de poids, précisément parce qu’elle émane de vous.

Faites l’expérience. Demandez à une IA quels sont les meilleurs prestataires de votre propre secteur, puis regardez sur quoi elle s’appuie. Vous constaterez que les sources dominantes ne sont presque jamais les sites des marques elles-mêmes. Ce sont des espaces que vous ne maîtrisez pas.

D’où une distinction qui devrait structurer toute la réflexion d’un dirigeant sur le sujet :

Être citable est une affaire d’optimisation. Cela se travaille sur vos pages : structure, clarté, fraîcheur, balisage. C’est nécessaire, et cela fonctionne, pour le référencement classique, les gains sont réels et mesurables. Le client de l’étude de cas a vu ses positions et ses impressions progresser nettement sur le search traditionnel. L’optimisation n’est pas inutile. Elle est simplement limitée à son terrain.

Être recommandé est une tout autre affaire. Cela ne se décrète pas sur votre site. Cela se construit dans ce que le reste du monde dit de vous, et cela échappe largement à votre contrôle direct. C’est là que se trouve le plafond : on peut optimiser jusqu’à l’épuisement ce qui est sous notre main, on ne franchit pas par cette voie le seuil de la recommandation.

Le piège, pour beaucoup d’entreprises, est de confondre les deux. De croire qu’en poussant plus loin l’optimisation, encore plus de contenu, encore plus de balises, encore plus de pages, on finira par devenir la référence. Le chiffre de 5-8 % dit le contraire. L’optimisation amène au plafond, puis s’arrête. Au-delà, c’est un autre jeu, avec d’autres règles.

GEO : Le signal que personne ne mesure

Jusqu’ici, j’ai parlé de ce que le marché dit de vous. Mais il y a un cran supplémentaire, plus subtil et plus déterminant encore : ce que le marché retient de vous.

Prenons l’exemple le plus documenté qui soit, parce qu’il vient d’une plateforme que tout dirigeant connaît. En février 2026, les équipes d’ingénierie de LinkedIn ont publié le détail du fonctionnement de leur nouveau système de recommandation de fil. Ce document est précieux, parce qu’il dit noir sur blanc ce qui, d’ordinaire, reste enfoui dans les boîtes noires algorithmiques.

Ce qu’il révèle : la métrique d’engagement la plus importante du système n’est ni le like, ni le commentaire, ni le partage. C’est le temps passé à lire un contenu. Le système est même construit autour de cette mesure, il distingue explicitement les signaux passifs, comme le temps de lecture, des signaux actifs comme le like, et il accorde au premier un rôle structurant. En test, le déploiement a fait progresser le temps passé de plus de deux pour cent, un gain considérable à l’échelle d’un milliard d’utilisateurs.

Traduisons. Prenez deux dirigeants présents sur LinkedIn. Le premier publie chaque jour, récolte des likes polis, mais personne ne lit ses posts jusqu’au bout. Le second publie une fois par semaine, et là, les gens s’arrêtent, lisent, reviennent. Aux yeux du système, c’est le second qui gagne. Pas celui qui occupe l’espace : celui qui retient l’attention.

Or, et c’est tout le sujet, cette attention réelle, ce temps de lecture, aucun tableau de bord ne vous le montre. Vous voyez vos likes, vos commentaires, votre nombre de vues. Vous ne voyez pas la seule chose qui pèse vraiment.

Je n’écris pas cela après coup. Dès 2024, dans mes interventions sur l’algorithme de LinkedIn, j’avais posé ce constat : le temps passé sur un contenu devenait le signal d’engagement le plus déterminant, l’engagement passif, celui qui ne laisse aucune trace visible, était de plus en plus pris en compte, et c’était précisément la seule donnée d’engagement sur laquelle nous, créateurs et marques, n’avions aucune statistique. J’ai donné un nom à ce cadre de lecture, je l’appelle LISA, et je travaille depuis sur ce qu’il implique. Le document publié par LinkedIn deux ans plus tard ne fait pas que confirmer cette direction : il en fait l’architecture centrale de son système.

Je précise un point, par honnêteté intellectuelle : ce que décrit LinkedIn concerne son fil, pas les moteurs de réponse IA. Je ne prétends pas que ChatGPT ou Perplexity fonctionnent à l’identique. Ce que j’observe, c’est une convergence : les systèmes qui décident de ce qui est vu, qu’il s’agisse d’un fil social ou d’un moteur conversationnel, s’éloignent tous du clic comme mesure, et se rapprochent de l’attention réelle. Le clic était commode parce qu’il était mesurable. Il n’a jamais été le bon indicateur. Il en était le substitut.

SEO / GEO : L’acheteur a déjà décidé avant de vous rencontrer

Descendons maintenant sur le terrain le plus concret pour un dirigeant : la décision d’achat.

En B2B, le parcours a basculé. Selon les études disponibles, entre un quart et la moitié des acheteurs professionnels commencent désormais leur recherche de fournisseur dans une intelligence artificielle plutôt que dans Google. Je donne une fourchette volontairement large, parce que les méthodologies varient et que je préfère un ordre de grandeur défendable à un chiffre précis et fragile. Mais la direction ne fait aucun doute : interroger une IA en amont est devenu un réflexe d’acheteur.

Ce que cela change est plus profond qu’un simple déplacement de canal. Quand un acheteur ouvre une conversation avec une IA avant tout contact avec vous, il se forge une opinion avant que vous n’entriez en jeu. Il a déjà comparé deux ou trois noms, identifié qui semble sérieux, écarté qui ne ressort pas. Le temps que votre commercial décroche son téléphone, la hiérarchie mentale est déjà établie, et vous n’étiez pas dans la pièce quand elle s’est formée.

C’est ici que la formule de Bezos cesse d’être une jolie phrase pour devenir un enjeu de direction générale. La perception ne se construit plus seulement dans les conversations humaines que vous ne contrôlez pas. Elle se construit dans des conversations avec des machines, à un moment où vous êtes totalement absent, et sur la base de ce que ces machines ont retenu de vous à partir de sources tierces.

Pour un comité de direction, la question n’est donc plus « comment notre site est-il référencé ». Elle est : qu’est-ce qu’une IA répond quand un de nos prospects l’interroge sur notre marché, et est-ce que nous y figurons seulement ?

La plupart des dirigeants n’ont jamais posé la question. Ils découvrent la réponse le jour où un deal qu’ils pensaient acquis leur échappe au profit d’un concurrent qui, lui, ressortait dans la conversation initiale.

GEO : Le piège de la mesure

À ce stade, une objection se lève, et elle est légitime. « Vous dites que personne ne mesure. C’est faux : il existe désormais des outils qui traquent les mentions de marque dans les réponses des IA. »

C’est vrai, et il faut le dire honnêtement. Le marché a vu émerger des plateformes sérieuses sur ce créneau : Profound côté grandes entreprises, Peec, Otterly, ainsi que des modules ajoutés à des suites bien connues comme Semrush. Ces outils existent, ils fonctionnent, et l’affirmation « on ne peut rien mesurer » est dépassée. J’aurais tort de prétendre le contraire.

Mais regardons précisément ce qu’ils mesurent. Ils vous disent : votre marque a été citée tant de fois cette semaine, sur tel modèle, dans tel contexte. C’est utile. C’est de la présence. C’est de la citation.

Ce qu’ils ne vous diront jamais, c’est ce que l’acheteur a retenu de cette citation. Ni ce qui s’est dit dans la conversation privée, jamais enregistrée, entre un prospect et son IA. Ils mesurent si l’on parle de vous. Pas ce que l’on en a compris, ni si cela a pesé dans une décision.

Et c’est là qu’un dirigeant doit redoubler de prudence, parce que le danger n’est pas l’absence de mesure, c’est la fausse mesure. Méfiez-vous de l’outil qui vend un « score de visibilité » bien rond, sans jamais expliquer comment il le calcule. Un tel score transforme un comptage de mentions en illusion de mesure de perception. Il donne le confort du chiffre sans la réalité qu’il prétend capturer. C’est d’autant plus tentant que les comités de direction réclament des indicateurs, et qu’un nombre, même creux, rassure davantage qu’une incertitude lucide.

Mon conseil est simple : utilisez ces outils pour ce qu’ils savent faire, détecter si l’on parle de vous, et comment cela évolue. Mais ne confondez jamais être cité avec être choisi. La citation est un signal de présence, pas une preuve de préférence. Et la seule preuve qui compte vraiment ne se trouve pas dans un tableau de bord. Elle est dans votre pipe commercial : dans les affaires qui entrent, les prospects qui arrivent en vous connaissant déjà, les conversations qui démarrent un cran plus loin parce que votre réputation vous a précédé.

GEO : Que faire, quand on dirige

Je ne vais pas conclure par une liste de tactiques. Ce serait retomber exactement dans le cadre que je passe tout cet article à déplacer, l’idée qu’il suffirait d’optimiser le bon levier pour régler le problème.

Le conseil que je donne aux dirigeants que j’accompagne n’est pas une clé de répartition budgétaire entre référencement, publicité et optimisation pour l’IA. C’est un changement de question.

Tant que l’on se demande « comment répartir mon budget entre les canaux », on range les meubles dans une maison dont les murs bougent. La vraie question, la seule qui vaille, est en amont : qu’est-ce que mon marché dit de moi quand je ne suis pas dans la pièce ? Quand un client interroge une IA sur mon secteur, quand deux acheteurs échangent sur leurs options, qu’est-ce qui ressort à mon sujet ? Quelque chose de précis et de favorable, ou rien ?

Si la réponse est « rien », ou « pas grand-chose », alors aucun arbitrage entre canaux ne le réglera. Parce que les canaux ne créent pas une perception. Ils la diffusent. Le référencement, la publicité, l’optimisation pour l’IA sont des amplificateurs, et un amplificateur branché sur le silence ne produit que du silence amplifié. On peut investir des sommes considérables à pousser une marque sur laquelle le marché n’a rien à dire : on amplifie une absence.

La séquence juste est donc inverse de celle que l’on adopte spontanément. On commence par construire ce que le marché pense de vous, par le travail réel qui fait qu’on parle de vous en bien, là où vous n’êtes pas : la qualité tangible, les preuves, les prises de parole qui retiennent l’attention, la présence dans les espaces tiers où votre réputation se forge. Ensuite, seulement, les canaux servent à faire savoir ce qui existe déjà. Dans cet ordre, ils sont puissants. Dans l’autre, ils sont une dépense.

Pour le dire d’une formule : la perception est le capital, les canaux sont l’intérêt. On ne touche pas d’intérêts sur un capital qu’on n’a pas constitué.

GEO : Ce qui n’a pas changé, et ce qui a tout changé

Revenons à notre chiffre de départ. Cinq à huit pour cent de visibilité IA après un an d’optimisation par les meilleurs. Ce n’est pas une mauvaise note, c’est la preuve d’un plafond. La preuve que la partie décisive se joue au-dessus de ce que l’optimisation sait atteindre.

Et revenons à Bezos. Sa formule n’a pas vieilli : votre marque reste ce que l’on dit de vous quand vous n’êtes pas là. Ce qui a changé, c’est qui parle dans cette pièce. Désormais, c’est une intelligence artificielle, et elle se souvient, elle synthétise, elle recommande, à une échelle et avec une autorité qu’aucune conversation de couloir n’a jamais eues.

La vraie question pour 2026 n’est pas de savoir comment être mieux référencé. C’est de savoir ce que la machine raconte de vous quand vous avez quitté la pièce.

Et si vous ne le savez pas, quelqu’un d’autre, lui, est déjà en train de l’apprendre à votre place.

https://www.linkedin.com/in/cyrilbladier/

Trois façons de se croire hors champ de l’IA Act. À tort.

Depuis quelques jours, je teste le sujet IA Act auprès de dirigeants RH.

Les réponses sont révélatrices.

Pas parce qu’elles montrent une ignorance totale.

Plus intéressant : elles montrent trois fausses sécurités.

1. L’IA Act et la fonction RH en 3 principes

1.1. IA Act – La nature du texte : Une loi de responsabilité, pas de technologie

1.2. IA Act – L’applicabilité RH : Une zone de « Haut Risque » par défaut

• Au recrutement et à la sélection (tri des candidatures).
• À la prise de décision sur les promotions et la résiliation des contrats.
• À l’évaluation des performances et du comportement.
• À l’attribution des tâches.

1.3. IA Act – Les obligations opérationnelles : Le contrôle plutôt que la confiance

• Garantir une surveillance humaine documentée pour prévenir les biais.
• S’assurer que les données intégrées dans l’outil sont pertinentes et représentatives.
• Conserver automatiquement les journaux d’activité (logs) générés par le système pour permettre d’éventuels audits.

1.4. IA Act – La sanction de l’angle mort

jusqu’à 15 millions d’euros ou 3 % du chiffre d’affaires mondial

2. IA Act : “C’est un sujet recrutement.”

Non.

Le recrutement est le cas le plus visible.

Mais le règlement vise plus largement les systèmes d’IA utilisés dans des décisions RH ayant un impact sur les personnes :

sélection,

évaluation,

promotion,

mobilité,

gestion de carrière,

affectation de tâches.

Le sujet n’est donc pas “l’IA dans le recrutement”.

Le sujet est :

où l’IA intervient-elle dans une décision RH ?

3. IA ACt : “Nous n’utilisons pas de données personnelles.”

Réflexe RGPD.

Mais l’IA Act ne raisonne pas uniquement par nature de donnée.

Il raisonne aussi par usage et par impact.

Un outil peut poser un sujet non pas parce qu’il traite telle donnée, mais parce qu’il contribue à orienter une décision sur une personne : recrutement, évolution, mobilité, évaluation.

C’est une bascule que beaucoup n’ont pas encore faite.

4. IA Act : “C’est le juridique ou la DSI qui gère.”

En partie, oui.

Mais seulement en partie.

Parce qu’à partir du moment où un système d’IA influence une décision RH, la question devient aussi managériale :

Qui comprend l’outil ?
Qui supervise la décision ?
Qui sait expliquer l’arbitrage ?
Qui assume si le résultat est contesté ?
Qui forme les managers ?

Le 2 août 2026, les exigences applicables aux systèmes d’IA concernés par ces usages RH deviennent beaucoup plus concrètes.

Et depuis février 2025, les obligations de compétence IA sont déjà applicables.

Donc la question n’est pas :

“Avons-nous entendu parler de l’AI Act ?”

La vraie question est :

“Savons-nous précisément où l’IA intervient déjà, ou pourrait intervenir demain, dans nos processus RH ?”

C’est là que le sujet devient sérieux.

Et la première étape n’est pas de lancer un grand chantier conformité.

C’est de cartographier, très concrètement, les points où une IA touche déjà, ou pourrait toucher, une décision RH.

Parce que les angles morts ne sont pas toujours dans les textes.

Ils sont dans vos processus réels.
https://www.linkedin.com/in/cyrilbladier/

Il y a quelques semaines, j’accompagnais une dirigeante exécutive du luxe sur la refonte complète de son profil LinkedIn. Le travail avait avancé. Headline reconstruit, section À propos retravaillée, expériences reformulées une à une. Au moment de relire la version finale, elle m’envoie un message que je connais bien :

« Dans mon profil LinkedIn, j’ai remplacé certains “je” par “nous”. Ça vous va ? J’ai injecté un peu d’équipe. »

Sa demande était sincère, et même louable. Elle voulait que son profil reflète ce qu’elle est vraiment : une dirigeante qui n’avance pas seule, qui embarque ses équipes, qui assume la dimension collective de ses réussites. Tout son parcours le démontre. Et pourtant, j’ai résisté.

Pas par dogmatisme. Par mécanique.

Profil LinkedIn Dirigeant : Le réflexe qui vient toujours du bon endroit

La plupart des dirigeants que j’accompagne, à un moment ou un autre, butent sur cette question du « je » dans leur profil. Soit dès le départ, soit en cours de relecture. Et la raison qu’ils invoquent est toujours la même : « Je n’aime pas parler de moi. Ce n’est pas moi tout seul, c’est nous, c’est l’équipe. »

C’est un réflexe qui vient du bon endroit. Il dit beaucoup de choses positives. Il dit que la personne n’est pas dans une posture de communication agressive. Qu’elle sait que les résultats se construisent collectivement. Qu’elle a du respect pour ses équipes. Qu’elle n’est pas dans le name-dropping permanent ou dans le storytelling marketing.

Le problème, c’est que LinkedIn n’est pas l’endroit pour traduire cette posture-là.

Profil LinkedIn : Ce que LinkedIn n’est plus

Quand LinkedIn est apparu, c’était un CV en ligne consulté par des humains. Aujourd’hui, c’est une base de données interrogée massivement par des moteurs de recherche sémantiques, des systèmes de matching algorithmiques, et des alertes paramétrées par des cabinets de chasse sur des critères précis.

Quand un recruteur, un chasseur ou une DRH consulte votre profil, deux lectures se superposent. Une lecture humaine, rapide, parcellaire, qui s’arrête sur trois ou quatre signaux clés et décide en quelques secondes si elle va creuser. Et une lecture algorithmique, silencieuse, exhaustive, qui transforme chaque mot de votre profil en représentation mathématique du sens, et qui décide si vous remontez ou non dans les résultats de recherche.

Ces deux lectures n’attendent pas la même chose. Et toutes les deux, pour des raisons différentes, sont fragilisées par le « nous ».

Profil LinkedIn : Ce que le « nous » fait à la lecture humaine

Mettez-vous une seconde à la place d’un chasseur qui scanne votre profil en huit secondes. Il cherche à répondre à une question simple : qu’est-ce que cette personne sait faire ?

Si votre profil dit « j’ai redressé un P&L », il sait. Si votre profil dit « nous avons redressé un P&L », il ne sait plus. Vous étiez le numéro un ? Le numéro deux ? Membre du comité ? Observateur ? Le « nous » dilue la responsabilité, et un chasseur qui doit dérouler son shortlist en fin de semaine ne va pas s’arrêter pour reconstituer votre périmètre exact.

Le « nous » ne vous fait pas paraître humble. Il vous fait paraître flou.

Et un profil flou, à un niveau exécutif, n’inspire pas la modestie, il inspire la prudence. Pas envie d’investir trente minutes d’entretien pour découvrir que la personne en face n’était pas vraiment celle qui décidait.

Profil LinkedIn : Ce que le « nous » fait à la lecture algorithmique

Côté machine, le mécanisme est plus subtil mais plus implacable. Les moteurs sémantiques de LinkedIn, et c’est public, c’est documenté dans leurs propres publications de recherche, calculent une similarité entre la requête d’un recruteur et la représentation vectorielle de votre profil. Plus votre profil est dense en preuves attribuées à une action claire, plus le vecteur est précis. Plus il est diffus, plus le vecteur l’est aussi.

Un profil qui dit « j’ai conçu, j’ai dirigé, j’ai porté » produit un vecteur tendu, identifiable, qui matche fortement les recherches de dirigeants à responsabilités. Un profil qui dit « nous avons travaillé sur, nous avons accompagné, l’équipe a délivré » produit un vecteur diffus, qui matche faiblement parce que le sujet de l’action n’est plus identifiable.

L’algorithme ne juge pas votre modestie. Il enregistre votre signal. Et un signal dilué remonte moins haut.

Le bon usage du « nous » : il existe

Tout ceci ne veut pas dire qu’il faut bannir le « nous » de votre profil. Il a sa place, précise, limitée.

Le « nous » marche quand il désigne un collectif réel, daté, identifiable, et qu’il intervient après l’action individuelle. « J’ai conçu la stratégie. Nous l’avons exécutée ensemble. » Cette construction-là est puissante. Elle montre que vous êtes celle qui pense ET qui sait embarquer. Elle ne dilue rien, elle ajoute une dimension.

Mais le « nous » qui remplace systématiquement le « je » dans la description de vos actions, c’est autre chose. Ce n’est pas de la modestie collective. C’est un effacement qui se déguise.

Pourquoi cette confusion est si fréquente

Si l’erreur est si répandue chez les dirigeants exécutifs, c’est qu’elle se nourrit de deux malentendus.

Le premier, c’est de croire que LinkedIn fonctionne comme une présentation orale. Quand vous parlez de votre parcours à un comité ou à un conseil, vous dites « nous » et c’est parfait : votre interlocuteur est en face de vous, il peut lire votre rôle dans votre posture, votre ton, votre langage non verbal, les questions qu’il vous pose. Tout précise. Sur LinkedIn, vous n’avez que les mots. Et les mots, eux, ne précisent que ce qu’ils disent.

Le second malentendu, c’est de confondre humilité et effacement. L’humilité, c’est de ne pas s’attribuer ce qu’on n’a pas fait. L’effacement, c’est de ne pas s’attribuer ce qu’on a fait. Les deux n’ont rien à voir. Et un profil exécutif qui pratique l’effacement n’est pas perçu comme humble, il est perçu comme peu sûr de lui, ou comme quelqu’un qui ne s’est pas approprié son propre rôle.

Profil LinkedIn : La règle, en une phrase

Sur LinkedIn, votre profil n’est pas celui de votre équipe. C’est le vôtre. Ce qui intéresse un recruteur, ce n’est pas ce que votre équipe a fait, c’est ce que vous avez amené votre équipe à faire. Cette distinction est tout sauf cosmétique. Elle est la différence entre un profil de dirigeant et un profil de membre d’équipe à haut niveau.

Vous pouvez signaler la dimension collective de votre management, c’est même important. Mais vous le signalez en disant ce que vous avez construit avec vos équipes, pour elles, à partir d’elles. Pas en effaçant votre nom du verbe.

Pour la dirigeante avec qui je travaillais, nous avons trouvé l’équilibre. Le « nous » apparaît une fois dans son profil, à l’endroit précis où il signale ce qu’elle construit collectivement. Tout le reste reste en « je ». Quelques jours après la publication, trois cabinets de chasse l’ont contactée dans les vingt-quatre heures.

Le « nous » n’avait rien à voir avec ça. Mais le « je », clairement, oui.

Le prix Nobel d’économie 2024 ne s’inquiète pas pour les travailleurs. Il s’inquiète pour les enfants.

Il y a trois semaines, Daron Acemoglu, Nobel 2024, MIT, était interrogé par Jon Stewart sur l’IA et l’avenir du travail.

Sa réponse a surpris. Il n’a pas parlé d’emplois. Il a parlé d’apprentissage :

« Les gens qui ne sont vraiment pas prêts pour l’IA, ce sont les étudiants. Nous n’avons aucun garde-fou pour garantir qu’ils apprennent encore à apprendre, qu’ils peuvent devenir experts en quoi que ce soit à l’ère de l’IA, quand ils peuvent obtenir la plupart des réponses d’une machine. »

Jon Stewart a alors posé la question qui suit logiquement : mais auront-ils même besoin d’apprendre quoi que ce soit ?

Et c’est David Autor, l’autre économiste du MIT sur le plateau, l’un des plus cités au monde sur les questions d’emploi et de technologie, qui a répondu :

« S’ils n’ont pas besoin d’apprendre, alors ils ne sont tout simplement pas nécessaires comme travailleurs. Et on ne veut pas se retrouver dans ce scénario. »

La phrase est brutale. Elle est aussi parfaitement logique.

Si l’expertise humaine n’est valorisée sur le marché du travail que parce qu’elle est rare et difficile à acquérir, alors tout ce qui empêche une génération de construire cette expertise la rend structurellement superflue. Pas dans trente ans. Au moment même où elle entre sur le marché.

Ce que les entreprises voient déjà

Je travaille avec des organisations sur l’impact de l’IA sur leurs équipes. Ce que j’observe, ce n’est pas la disparition brutale des postes. C’est quelque chose de plus silencieux : la disparition des tâches d’apprentissage.

Un analyste junior en banque ne rédige plus son premier rapport de recherche. L’IA le produit. Le junior relit, ajuste, valide. Mais le geste fondateur : partir d’une page blanche, structurer une analyse, défendre un raisonnement, n’a jamais eu lieu.

Un consultant junior en cabinet de stratégie ne construit plus son premier benchmark concurrentiel. L’IA l’assemble. Le consultant vérifie les chiffres et met en forme les slides. Mais la capacité à identifier ce qui compte dans un marché, à hiérarchiser des signaux contradictoires, à exercer un jugement, cette capacité ne s’est jamais formée.

Un jeune journaliste ne rédige plus son premier papier à partir de notes brutes. L’IA propose un premier jet. Le journaliste édite. Mais l’écriture comme outil de pensée, écrire pour découvrir ce qu’on pense, pas pour mettre en forme ce qu’on sait déjà, ce geste-là disparaît avant d’avoir existé.

Le schéma est toujours le même : le senior qui délègue à l’IA sait ce qu’il délègue. Il a construit la compétence avant de la confier à une machine. Il peut reprendre la main, corriger, évaluer.

Le junior n’a jamais eu la main. Il n’a pas délégué une compétence. Il a sauté l’étape où elle se construit.

IA et enfants : Maintenant, transposez ça à un enfant de 11 ans.

Le même mécanisme, le même court-circuit, mais à un stade où les conséquences sont d’une autre nature.

Un adulte qui saute une étape professionnelle peut, avec du temps et de l’effort, la rattraper. Il perd une compétence. C’est un problème de carrière.

Un enfant qui utilise ChatGPT pour structurer un raisonnement qu’il n’a jamais appris à construire seul ne perd pas une compétence. Il risque de fragiliser durablement la construction de cette capacité. C’est un problème de développement.

Et c’est là que la distinction cruciale apparaît :

Un adulte qui délègue une tâche qu’il maîtrise reste souverain. Un enfant qui délègue une tâche qu’il ne maîtrise pas encore risque de court-circuiter l’apprentissage nécessaire pour la construire.

Dans le premier cas, l’IA augmente une capacité existante. Dans le second, elle risque d’empêcher une capacité de se former. Et derrière cette distinction se cache une question beaucoup plus large : qu’arrive-t-il à une société quand une génération délègue des fonctions cognitives avant de les avoir stabilisées elle-même ?

IA et enfants : Le débat qu’on n’a pas

Or le débat public en France reste bloqué sur des questions de dosage. Combien de temps d’écran ? Faut-il interdire ChatGPT en classe ? Quel âge pour le premier téléphone ? Faut-il filtrer les contenus ?

Ce sont des questions de robinet. On règle le débit. On ne regarde pas ce qui coule.

La vraie question est : qu’est-ce qu’un enfant doit savoir faire lui-même avant qu’on lui donne accès à un outil qui le fait à sa place ?

Formuler une hypothèse. Structurer un argument. Trouver les mots pour exprimer une pensée qui n’existait pas avant qu’il la formule. Identifier une contradiction entre deux sources. Soutenir un raisonnement sur plus de trois paragraphes.

Ce ne sont pas des « compétences scolaires ». Ce sont les fondations de la capacité à penser par soi-même.

IA et enfants : Chaque famille improvise

Les parents sont aujourd’hui seuls face à cette question.

L’école commence à produire des repères d’usage autour de l’IA. Mais elle ne propose pas encore de cadre clair pour penser la délégation cognitive et ses effets sur la construction intellectuelle des élèves.

Les experts numériques parlent de temps d’écran et de contrôle parental. C’est nécessaire. Mais limiter le temps d’écran ne sert à rien si, pendant les trente minutes autorisées, l’enfant délègue à une machine la construction d’une capacité qu’il n’a pas encore acquise.

Les éditeurs de solutions éducatives basées sur l’IA ont un conflit d’intérêt structurel. Leur modèle économique repose sur l’adoption la plus large et la plus précoce possible. Ils ne vont pas financer la recherche sur les risques de leurs propres produits.

Résultat : certaines familles interdisent tout et créent un décalage croissant avec les pairs. D’autres autorisent tout et laissent la délégation cognitive opérer sans filtre, sans repère, sans discussion. La plupart, entre les deux, ne savent simplement pas quoi regarder.

Ni les parents, ni les enseignants, ni les pouvoirs publics n’ont aujourd’hui de cadre clair pour penser cette question.

Et c’est probablement là que le vrai débat commence.

J’y travaille. J’en reparlerai ici.

L’échange complet Acemoglu / Autor / Jon Stewart sur l’IA et le futur du travail (avril 2026) : https://www.youtube.com/watch?v=RB_WmoH5nQ4

Cyril Bladier,

12 mai 2026