Mes prédictions : du cycle d’engouement de 2025 à la nouvelle réalité de 2026

Les prédictions pour 2026 sont partout, après 3 ans de battage autour des modèles d’IA et des robots. La plupart se focalisent sur les benchmarks, les sorties de modèles et les annonces.

J’ai attendu les 3 premières semaines de l’année pour séparer le signal du bruit en observant ce qui se casse réellement dans les organisations, les équipes, les flux de travail et les couches de décision. Cette année exigera un retour sur investissement (ROI) et de la responsabilité.

Un tout autre tableau est apparu depuis la sortie de Gemini 3 et d’Opus 4.5, ainsi que de Claude Cowork, une manière révolutionnaire pour les personnes non techniques de faire avancer leurs tâches sans toucher à des outils CLI de vibe coding comme Claude Code, Codex ou Gemini CLI. Le facteur limitant n’est plus ce que les systèmes d’IA savent faire. C’est de savoir si les organisations sont structurellement capables de les utiliser sans perdre le contrôle. Les compétences, la gouvernance, les incitations, l’outillage et les écarts d’exécution sont désormais les vrais goulots d’étranglement.

Ce qui suit n’est pas seulement une liste de 33 tendances. C’est un ensemble de glissements structurels possibles qui décideront qui transforme l’innovation en levier, et qui se noie dans la complexité, en 2026.

La nouvelle réalité professionnelle : comment le travail se rompt réellement

1. La carte de décision manquante qui tue les pilotes d’IA

La plupart des pilotes d’IA en B2B échouent pour une raison simple : personne ne met par écrit la façon dont les décisions circulent une fois qu’un agent est dans la boucle.

J’ai vu cela se produire dans certaines entreprises. Elles avaient un agent IA chargé de la recherche initiale sur les clients, des choses simples. Mais quand des données contradictoires apparaissaient, personne n’avait défini qui tranchait. L’agent interrompait sans cesse (ce qui tuait la vitesse) ou choisissait une voie sans vérifier (ce qui tuait la confiance). Il a fallu 3 semaines d’allers et retours avant qu’elles cartographient les limites.

Les équipes délèguent des tâches aux agents, courriels, recherches, remboursements et approbations, sans définir qui décide de quoi, quand les humains interviennent ou où l’agent doit s’arrêter. Quand quelque chose tourne mal, personne ne sait qui était censé décider.

Le résultat est prévisible. Les équipes qui passent à l’échelle en 2026 commencent à se détacher de leur routine en rédigeant une carte de décision : des zones fixes que l’agent ne touche jamais, des points de contrôle flexibles qui exigent une revue et des règles d’escalade explicites. C’est un travail ennuyeux. C’est aussi la différence entre un pilote qui meurt et un pilote qui est livré.

2. Le rituel de nettoyage réservé aux humains

L’IA accélère la production, mais elle accélère aussi le chaos. Les dépendances se multiplient plus vite que les humains ne peuvent les suivre.

D’ici le milieu de 2026, les équipes qui font tourner de vrais systèmes d’agents IA mettront en place des cycles réguliers de nettoyage réservés aux humains, comme forme de « maintenance ». Aucun agent ne touche à la production pendant ces périodes. Les humains retracent manuellement les flux de travail, suppriment les automatisations mortes, réinitialisent les autorisations et reconstruisent la compréhension.

Cela paraît dramatique tant que vous n’avez pas vu un espace de travail d’outils avec 47 scénarios dont personne ne se rappelle pourquoi 12 d’entre eux existent. (Demandez-moi comment je le sais.)

Comme les applications livrées vite et créées en vibe coding, et comme les MVP ou les prototypes construits pour valider une idée, les démonstrations masquent cette dette. La production la révèle brutalement. Les équipes qui ne planifient pas de nettoyage se noient dans une complexité invisible dès l’été.

3. Vitesse de vérification et d’approbation

En 2026, la question d’échelle la plus importante n’est plus de savoir « ce que » votre IA peut faire. C’est de savoir « à quelle vitesse » les humains peuvent vérifier et approuver ce qu’elle produit. Pendant qu’une équipe « coordonnée » débat lors d’un appel Zoom pour atteindre un consensus lent, ou parle de sa fin de semaine ou de la météo, 5 agents IA qui tournent en parallèle ont déjà généré cinq rapports ou simulations différents, avant même la fin de cette réunion improductive. Comme le coût de génération de documents professionnels 10 à 20 fois plus vite avec l’IA tend vers quelques centimes, les équipes collaboratives testeront et valideront en direct pendant leurs réunions au lieu d’attendre des jours ou des semaines d’allers et retours d’approbation avec leur manager ou leur client.

Si la vérification prend trop de temps, les agents finissent parqués dans des files d’attente au lieu de produire de la valeur. Et sans vérification, ils deviennent de sérieux risques. Les équipes qui peuvent relire et valider en quelques heures plutôt qu’en quelques jours paraissent structurellement investissables. Celles qui ne le peuvent pas paraissent fragiles, quelle que soit la qualité de la démonstration.

Le goulot d’étranglement n’est jamais l’IA qui génère un contenu sans fin. C’est le délai moyen de 72 heures, voire plus pour les managers régionaux, pour approuver un texte localisé. On pourrait le ramener à 8 heures grâce à des aperçus visuels et à un routage du travail selon le niveau de risque. La production pourrait tripler sans toucher au modèle.

La qualité de la délégation devient mesurable. Les dirigeants qui approuvent la production des agents en quelques heures multiplient la productivité. Ceux qui prennent des jours deviennent des goulots d’étranglement structurels, quelle que soit leur intention. Le délai d’approbation révèle un micromanagement caché et une autorité floue. En 2026, il devient un signal de performance décisif parce qu’il est mesurable, difficile à truquer longtemps et directement lié à la production.

Ce qui sera mesuré sera banal et brutal : délai médian avant la première revue, délai médian avant l’approbation finale, pourcentage de tâches approuvées automatiquement par niveau de risque, pourcentage bloqué au-delà de 24 heures, taux de reprise après approbation et taux d’escalade pour les décisions à haut risque.

De nouvelles exigences apparaissent au sein des équipes et dans les achats : des SLA de revue écrits par niveau de risque, des responsables nommés pour les approbations, des pistes d’audit montrant qui a approuvé quoi et pourquoi, et une visibilité sur les files d’attente qui rend les goulots d’étranglement impossibles à cacher.

La conséquence est culturelle. Les marqueurs de statut de longue date, l’ego, l’ancienneté sans responsabilité décisionnelle, l’agitation de façade, les couches d’approbation qui existaient pour signaler l’importance, commencent à s’effondrer sous la mesure.

Mais toute lenteur humaine n’est pas du gaspillage. Une partie est l’endroit où vit la culture : conversations informelles, construction de la confiance, mentorat, résolution de conflits ou construction de relations. Les organisations qui cherchent à supprimer toute friction au nom de l’efficacité perdent le contact social, la confiance et la loyauté.

En 2026, les organisations gagnantes distinguent le retard improductif du temps humain qui construit la confiance. Elles automatisent l’exécution, mais ménagent de l’espace pour le lien, le jugement, le goût, la culture et le sens partagé.

4. Chasses aux sorcières sur la coordination et les goulots d’étranglement

Une fois que l’écart de coordination devient visible, la chasse commence.

Les plateformes d’orchestration montrent désormais où les agents attendent, qui les bloque et pourquoi. De nouvelles mesures de performance, par exemple : la profondeur de file d’attente par réviseur, le temps d’attente médian par type de tâche et les approbations bloquées au-delà du SLA (Service Level Agreement, accord de niveau de service). Cette visibilité crée une responsabilité qui n’existait pas auparavant. Et la responsabilité crée de la pression.

Les managers intermédiaires qui s’accommodaient d’une délégation lente, justifiée par l’expérience ou le statut, subissent désormais la pression la plus vive. La qualité et la vitesse d’approbation ont des conséquences mesurables. Une validation lente ou médiocre ne retarde pas seulement le travail, elle crée une trace de responsabilité qui s’accumule le long de la chaîne hiérarchique. Les dirigeants qui déléguaient autrefois la supervision reçoivent maintenant l’accumulation des retards de tous ceux qui sont en dessous. La phrase « mon équipe s’en occupe » cesse d’être un bouclier.

Pendant ce temps, les salariés sont plus en sécurité, mais transformés. Un service marketing de 50 personnes devient une équipe de 5 à 10 personnes aux responsabilités nouvelles. Les intitulés de poste perdent leur sens. Ce qui compte, c’est la production, pas la position. Le salarié qui planifie, valide et présente des options a plus de valeur que celui qui attend des instructions. Les rôles se brouillent parce que le travail l’exige. Et les titres LinkedIn ronflants et pourtant si humbles n’auront plus de sens.

Les entreprises traqueront les inefficacités. Qui bloque ? Qui ralentit ? Qui coûte de l’argent ? C’est rationnel jusqu’à un certain point. Les goulots d’étranglement sont réels, et la visibilité les expose.

Mais certaines organisations optimiseront si agressivement qu’elles sacrifieront la culture même qu’elles prétendent protéger. Elles prêcheront la cohésion d’équipe tout en éliminant systématiquement la friction humaine où vit réellement la confiance : les conversations informelles, la patience envers les erreurs des juniors, l’espace pour être en désaccord sans que des indicateurs regardent.

Les organisations gagnantes de 2026 apprennent à distinguer le gaspillage de la colle. Elles utilisent les tableaux de bord de coordination pour lever les vrais blocages, pas pour mener des chasses aux sorcières ni pour faire des économies mesquines qui vident l’organisation de l’intérieur.

5. La gestion du risque remplace le tout ou rien

Dans les premiers déploiements d’IA, les organisations font un choix simple mais destructeur : soit les humains approuvent tout, soit les agents tournent librement en mode YOLO. Les deux échouent.

Quand les humains relisent tout, le travail s’enlise au ralenti, et les agents IA finissent par attendre l’autorisation de poursuivre. Quand les agents tournent sans limites, les erreurs se propagent vite et la confiance se brise.

En 2026, les équipes apprennent que le contrôle doit être proportionnel au risque :

• Actions à faible risque (courriels de routine, résumés internes, mises à jour de données simples), exécutées automatiquement
• Actions à risque moyen (communications externes, génération de rapports), échantillonnées ou contrôlées ponctuellement
• Actions à haut risque à forte responsabilité ou à fort impact (mouvements d’argent, changements juridiques, impact sur les clients), approbation humaine explicite requise

Même avec le même modèle de risque, les gens gèrent le risque différemment.

Les opérateurs seniors ont tendance à passer plus de temps à clarifier et valider l’intention en amont. Ils consacrent plus de temps à la planification, rédigent des contraintes plus serrées, définissent les cas limites et réduisent l’ambiguïté avant que le système ne tourne.

Les opérateurs juniors ont tendance à passer moins de temps sur l’intention et à avancer plus vite vers l’exécution, en affinant par allers et retours. Ils produisent plus de résultats plus tôt, mais ces résultats ont généralement besoin de plus de relecture et de corrections parce qu’ils sont moins validés et manquent de cohérence, faute de l’expertise nécessaire pour expliquer le raisonnement de chaque étape.

Cela fonctionne parce que cela correspond à la façon dont les humains gèrent déjà le risque en finance, en sécurité et dans les opérations. Toutes les actions ne méritent pas le même examen. La validation sélective est la seule manière d’aller vite sans perdre le contrôle.

6. Les systèmes apprennent à se ralentir eux-mêmes

Des agents non contrôlés submergent les relecteurs humains, non pas parce que les humains sont lents, mais parce que les systèmes ignorent les limites humaines.

Pour survivre à grande échelle, les systèmes s’adaptent. Quand les files de revue grossissent, les agents réduisent leur production. Quand les humains rattrapent leur retard, l’exécution accélère de nouveau.

Il ne s’agit pas d’affaiblir l’IA. Il s’agit de garder le jugement humain efficace. Sans cet ajustement, les gens abandonnent la supervision ou s’épuisent.

En 2026, le rythme adaptatif devient une infrastructure de base pour tout déploiement d’IA sérieux.

7. L’expérience de l’agent devient une responsabilité opérationnelle explicite

À mesure que le travail humain et celui de l’IA s’entremêlent, quelqu’un doit répondre de la façon dont cette interaction fonctionne réellement au quotidien.

Il ne s’agit pas de modèles, de prompts ni d’étaler de l’innovation. Il s’agit de fiabilité, de clarté des frontières, de circuit de relecture, de voies d’escalade et de reprise quand les choses cassent. Il s’agit de s’assurer que les humains restent capables d’intervenir de façon significative.

Sans responsable clair, les organisations s’appuient sur un effort insoutenable. Les gens recourent aux rustines, la confiance s’effrite avec le temps, et les défaillances finissent par devenir visibles pour tous.

En 2026, les entreprises qui attribuent tôt cette responsabilité passent à l’échelle sereinement. Celles qui ne le font pas continuent d’avancer vite jusqu’à ce que quelque chose échoue devant les clients, les régulateurs ou les investisseurs.

L’élément humain : compétences, culture et atrophie

8. Vous devez choisir quelle expérience sacrifier

Tout système d’IA se situe entre 3 expériences utilisateur (UX) concurrentes : l’expérience de l’utilisateur, celle du développeur et celle de l’agent.

Optimiser pour une expérience humaine fluide signifie généralement moins d’intégrations et une logique plus simple. Optimiser pour la flexibilité du développeur augmente les modes de défaillance, mais offre plus de flexibilité pour accepter d’expérimenter ou d’adopter de nouvelles fonctions ou interfaces (UI, User Interface) livrées chaque jour par les éditeurs d’outils. Optimiser pour la fiabilité de l’agent exige des protocoles stricts qui rendent souvent l’interface inconfortable pour un utilisateur humain.

Par exemple, Slack est conçu d’abord pour les humains, ce qui explique pourquoi son API est un cauchemar pour les agents qui tentent d’analyser les fils de discussion de façon contextuelle. Discord est optimisé pour l’extensibilité côté développeur, ce qui explique pourquoi les bots y prospèrent, alors que l’utilisateur moyen se noie dans la complexité. Des choix différents, des compromis différents.

En 2026, les utilisateurs exigeants demanderont aux éditeurs d’outils d’indiquer clairement quelle expérience ils optimisent et lesquelles ils sacrifient délibérément. Si vous ne pouvez pas répondre à cela, vous ne comprenez pas votre propre système.

9. La perte de savoir culturel devient un mode de défaillance opérationnel

Comme tout peut être traduit, les gens cessent d’apprendre certaines compétences de base comme l’esprit critique et confient la nuance à l’IA ; ils perdent la capacité de détecter quand des mots sont juridiquement ou culturellement dangereux, si nous ne vérifions pas deux fois.

C’est du délestage cognitif. Comme les muscles, les compétences qu’on n’utilise pas s’affaiblissent. Quand l’accès à l’IA est bridé, indisponible ou erroné, les gens découvrent qu’ils ne peuvent plus accomplir des tâches professionnelles de base.

J’ai passé des années à gérer des projets multilingues dans une grande entreprise. Même en 2024, nous avions des locuteurs natifs qui relisaient les traductions de l’IA, non pas parce que l’IA était mauvaise, mais parce que « assez bien » en allemand peut avoir une force juridique contraignante que « assez bien » en anglais n’a pas. Quand une équipe a supprimé cette couche de relecture pour gagner du temps, elle a découvert à ses dépens qu’une allégation produit en allemand qui sonnait promotionnelle était en fait une promesse de garantie au regard du droit européen.

En 2026, les organisations résilientes préservent délibérément la capacité humaine. Certaines décisions restent manuelles. Certaines revues restent bilingues. Certains rôles doivent fonctionner sans appui de l’IA, par conception.

10. L’atrophie cognitive devient un risque organisationnel caché

L’IA de confort crée un coût différé. Les gains initiaux ressemblent à de la productivité. Les pertes ultérieures ressemblent à de l’incapacité. Parfois au prix d’un point de bascule irréversible.

Quand les gens cessent de pratiquer l’écriture, la mémorisation, la négociation, le raisonnement et le jugement, la compétence de base baisse. L’effet est invisible jusqu’à ce que l’accès à l’IA soit limité, indisponible ou inapproprié. Alors le travail ne fonctionne tout simplement plus.

En 2026, les entreprises découvrent qu’elles ont optimisé pour la vitesse et supprimé par accident leur capacité à réfléchir sous pression. Cela devient un vrai risque dans le travail réglementé, la gestion de crise et la prise de décision à forts enjeux. Par exemple, dans l’armée, une erreur peut coûter des vies humaines. Dans les affaires, elle peut coûter des millions.

La salle de sport cognitive : un antidote

Quand les machines ont automatisé le travail physique, nous avons inventé les salles de sport. Non pas parce que nous avions encore besoin de soulever des charges lourdes, mais parce que nos corps avaient toujours besoin de cet effort pour rester fonctionnels.

Le même schéma émerge pour le travail intellectuel. À mesure que l’IA prend en charge davantage de tâches cognitives, un exercice mental délibéré devient nécessaire pour préserver la capacité de base. Écrire à la main. Résoudre des problèmes sans chercher les réponses. Rédiger avant de formuler un prompt. Calculer avant de déléguer.

Ce n’est pas de la nostalgie. C’est de l’entretien.

Les personnes qui restent affûtées en 2026 traitent l’effort cognitif comme les athlètes traitent l’entraînement : non pas comme une inefficacité à éliminer, mais comme une pratique qui les garde capables quand cela compte. Elles écrivent elles-mêmes le premier brouillon, puis utilisent l’IA pour l’améliorer. Elles raisonnent sur le problème avant de demander de l’aide. Elles entretiennent la mémoire musculaire de la pensée sous contrainte.

Les organisations qui le reconnaissent ménageront de l’espace pour une friction délibérée. Tout ne doit pas être automatisé. Certaines tâches existent précisément pour garder les humains capables de jugement quand l’automatisation échoue ou ne convient pas.

L’ironie est réelle : dans un monde d’assistance cognitive infinie, l’atout le plus rare devient la capacité de penser sans elle.

11. Le raisonnement, un signal de carrière

Dans les domaines réglementés et à haut risque, la preuve que vous pouvez raisonner sans IA redevient précieuse.

L’humain dans la boucle cesse d’être symbolique. Il devient une capacité testée, en particulier pour les cas limites, les audits et les défaillances.

Cela creuse un écart croissant entre les personnes qui dépendent de l’IA pour penser à leur place et celles qui peuvent encore raisonner sans elle.

Cet écart existe parce que la vitesse masque la fragilité. Si vous ne pouvez pas raisonner à rebours, auditer ou reconstituer ce que le système a produit, vous empilez des couches sur des fondations que vous ne comprenez pas. Le résultat peut sembler correct, mais certaines parties peuvent être cassées d’une manière que vous ne voyez pas.

En pratique, comme leur coût tend vers presque zéro, produire des artefacts (contenus, rapports, présentations, code, applications web, tableaux de bord) ne suffit pas. Vous devez aussi pouvoir expliquer comment ils ont été construits, pourquoi certaines décisions ont été prises, quelles contraintes s’appliquaient et où se trouvent les risques. Cela demande un raisonnement humain, pas seulement une génération avec de magiques prompts courts qui donnent de la bouillie d’IA.

Les organisations exigeront de plus en plus la documentation comme défense : journaux de décision, limites de sécurité, passations, résumés des actions antérieures et capacité de justifier pourquoi un artefact mérite confiance. (ce qui pourrait, je l’espère, être automatisé)

L’IA accélère le travail, mais seuls les humains capables de comprendre, d’expliquer et de valider ce que l’IA a fait gardent le contrôle. Tous les autres vont plus vite, mais à l’aveugle, comme ces influenceurs de l’IA surexcités qui vous montrent sur les réseaux sociaux des vidéos de démonstration de 1 minute, sans nuance.

Par exemple, coder à l’ancienne, comprendre chaque ligne et tout vérifier manuellement n’est plus productif. Et avec l’IA, faire du vibe coding sans comprendre une seule ligne du code que vous générez n’est pas productif non plus. Ni les puristes techniques ni la foule du « il suffit de le prompter » ne seront d’accord, mais le chemin le plus productif est entre les deux : comprendre assez pour valider et guider, déléguer le reste. Beaucoup d’ingénieurs ne l’admettront jamais d’ici la fin de 2026, mais les meilleures personnes non techniques pourraient les surprendre à bien des égards. Elles ne s’accrochent pas à des croyances limitantes bâties par des années d’expérience ou d’ego. Les seniors doivent se réapprendre ou se requalifier chaque mois, à mesure que de nouveaux cadres de vibe coding, conçus à l’origine pour des profils techniques, évoluent aussi vite que les outils d’IA se mettent à jour chaque semaine.

12. L’orchestration devient une responsabilité universelle, pas un intitulé de poste

En 2026, l’orchestration n’est plus réservée aux managers. Elle devient une responsabilité centrale pour quiconque gère du travail, des personnes ou des résultats.

Salariés, managers, chefs d’équipe et dirigeants font tous face au même basculement. La valeur ne se définit plus par la production de tâches ou d’instructions, mais par la qualité avec laquelle vous structurez le flux de décision, coordonnez les rythmes humains et ceux des agents, et évitez que les systèmes ne s’effondrent sous leur propre complexité.

Pour les contributeurs individuels, cela signifie comprendre où l’IA peut agir de façon autonome, où le jugement est nécessaire et comment escalader correctement.

Pour les managers, cela signifie concevoir des boucles, attribuer une responsabilité claire, définir des seuils de revue et lever l’ambiguïté qui transforme la vitesse en chaos.

Cela s’applique à tous les métiers : opérations, marketing, finance, RH, ventes, ingénierie... Quiconque ne sait pas raisonner sur les boucles, les dépendances et les chemins d’escalade devient fragile. Quiconque le sait devient un multiplicateur de force. Parce que l’IA amplifie aussi bien le travail bâclé que l’excellence.

13. Les budgets de formation passent des prompts à l’exploitation des systèmes

Les compétences en prompts se diffusent vite et perdent leur pouvoir de différenciation.

Les organisations comprennent que la vraie contrainte n’est pas la qualité des prompts mais l’exploitation des systèmes : définir des limites, gérer des niveaux de risque et coordonner humains et agents dans la durée.

L’éducation ou la formation en entreprise se déplace vers une maîtrise de l’orchestration, pas vers des astuces de prompts. La discipline de production remplace l’aisance en démonstration.

Les entreprises savent désormais ce qui a échoué, la formation vague aux prompts et les démonstrations superficielles, alors elles commencent à préciser ce qu’elles veulent vraiment : la preuve que vous savez faire tourner des boucles, gérer des risques, documenter des décisions et livrer des résultats reproductibles.

L’éducation passe des certificats qui affirment un savoir à des preuves qui démontrent un travail. À une époque où les CV, les portfolios, les sites web, les contenus des réseaux sociaux et même les vidéos peuvent être générés par l’IA, la crédibilité exige désormais un dossier d’artefacts : ce que vous avez construit, pourquoi vous l’avez construit, comment vous l’avez testé, ce qui a cassé, comment vous l’avez réparé et comment le reproduire. Les certificats restent une exigence de base, avec les témoignages et les recommandations, mais ils ne suffisent plus.

Cette pression remonte vers les universités et l’apprentissage en ligne. Les programmes et la réputation des institutions se déplacent vers des exigences de portfolio, des projets reproductibles et des expériences documentées. Il s’agit moins de titres et davantage de systèmes démontrables que vous pouvez reconstruire. Selon le secteur ou le poste, un expert confortable avec 20 ans d’ancienneté pourrait devenir obsolète. Les nouvelles exigences sont plus élevées : une production plus rapide, plus productive, et un apprentissage constant. Les identités vont se déplacer, et rien ne peut être tenu pour acquis.

Les normes sociales pourraient être bousculées. Une vraie forme de méritocratie pourrait enfin naître (à nouveau), et si vous êtes prêt pour l’IA, ce qui était autrefois inaccessible aux talents inconnus devient accessible.

Du marché de l’emploi au marché de la valeur

L’ancien calcul était simple : un bon salarié rapportait peut-être 1,5 fois son coût en valeur. Ce ratio justifiait les frais de recrutement, de management et de fidélisation des personnes.

Avec l’IA, le calcul change. Une seule personne dotée des bons outils peut désormais livrer 5 fois, 10 fois ou davantage son coût en valeur. Le « ROI d’un humain » n’est plus un multiple fixe. C’est une variable qui dépend du levier, de la compétence et des systèmes qu’elle peut orchestrer.

Cela brise le marché du travail traditionnel. Quand la production par personne change d’un ordre de grandeur, embaucher sur la base des diplômes, de l’expérience et des références salariales n’a plus de sens. Ce qui compte, c’est le levier démontré. Promettre comme un politicien ou un influenceur, que ce soit comme salarié ou comme dirigeant, ne suffira pas. Aucune quantité de rhétorique ni de belles paroles ne suffira plus. Tout se résume à « Montrez-moi… ! » Que pouvez-vous réellement produire et livrer, et à quelle vitesse pouvez-vous le prouver ? (et bientôt « Comment ? »)

Le respect se gagne par ce que nous faisons, pas par ce que nous disons. Selon les cultures, il est intéressant de voir que certaines valeurs, comme honorer ses engagements, qui avaient commencé à se perdre dans la société, pourraient réapparaître. (Il y a encore de l’espoir)

Le résultat est un passage d’un « marché de l’emploi » à un « marché de la valeur ».

Dans un marché de l’emploi, les personnes sont évaluées principalement sur les titres et l’adéquation sociale :

• un titre, des années d’expérience, un diplôme ou un CV impeccable
• des recommandations et une réputation (qui se porte garant de vous, et si vous « appartenez » aux bons cercles)
• l’adéquation culturelle (centres d’intérêt communs, potentiel de cohésion d’équipe, aptitude à créer des relations)

Dans un marché de la valeur, les personnes pourraient avoir une ou plusieurs des exigences minimales ci-dessus, pour une première impression de crédibilité, mais elles sont davantage évaluées sur les preuves :

• Ce que vous avez livré ou fait
• Ce qui a changé parce que vous l’avez livré
• Les défis que vous avez rencontrés et comment vous les avez résolus
• À quelle vitesse vous pouvez le refaire

C’est pourquoi le CV devient le dossier d’artefacts.

Un CV ou un site vitrine ne sont que des affirmations.

Un dossier d’artefacts est une preuve.

Un dossier d’artefacts peut être un petit ensemble de liens que n’importe qui peut vérifier en quelques minutes :

• une étude de cas montrant l’avant et l’après, et ce que vous avez fait
• une démonstration qui fonctionne, qu’il s’agisse d’une application, d’un outil interne ou d’un appareil physique
• une courte note que vous avez rédigée pour résoudre un vrai problème
• un décryptage public (démonstration vidéo ou visite guidée) ou une analyse qui montre le jugement humain
• un portfolio ou un site personnel, soit comme conteneur qui renvoie vers les preuves, soit comme artefact qui démontre lui-même la compétence

Comme l’IA permet de publier facilement des pages soignées, un site web seul n’est plus un signal fort. Ce qui différencie, c’est la preuve qui se trouve derrière : les décisions, les contraintes, les captures d’écran, les chiffres, ce qui a changé et ce que vous feriez ensuite.

Il y a plus d’opportunités, mais elles restent ouvertes moins longtemps. Quand le marché bouge vite, la personne qui peut produire une preuve en quelques semaines l’emporte sur celle qui ne peut qu’expliquer un potentiel sur le papier. C’est ce que j’entends par : le plan à 10 ans devient le sprint de 6 mois.

Cela favorise le biais d’action. Dans un monde où l’exécution est la seule preuve qui compte, l’écart entre « je prévois de » et « j’ai livré » devient fatal. Ceux qui bougent, qui construisent, qui montrent leur travail sont ceux qui saisissent les fenêtres avant qu’elles ne se ferment.

Pour ceux qui font attention, c’est libérateur. Les gardiens comptent moins. Les diplômes comptent moins. Ce que vous savez faire, démontré publiquement, compte plus que jamais.

Pour ceux qui attendent la permission, c’est terrifiant. L’échelle n’est pas seulement cassée ; le jeu a changé pendant qu’ils grimpaient encore. Nouvelles règles, nouveau plaisir !

Le positionnement est un problème de perception. Remontez la piste de la façon dont les autres se renseignent réellement sur vous, votre site, LinkedIn, les résultats de recherche, et corrigez ce qui brise la confiance dans les 30 premières secondes. Si la preuve n’est pas évidente, elle n’existe pas. La première étape est de savoir ce que vous avez. La deuxième est de le rendre visible.

14. L’IA de confort accroît l’isolement, et les humains le ressentent

La compagnie de l’IA se répand non parce qu’elle est meilleure que celle des humains, mais parce qu’elle est sans friction. Toujours disponible, réactive sur le plan émotionnel, sans jugement et moins chère que le temps humain.

En 2026, une scission visible apparaît. Une minorité utilise l’IA comme soutien tout en entretenant délibérément ses relations humaines : amis, famille, collègues et communautés.

Une majorité l’utilise comme substitut, en remplaçant peu à peu les liens faibles et les interactions occasionnelles.

La conséquence organisationnelle est réelle : les personnes ou les équipes perdent la colle humaine informelle qui les tient ensemble. La conversation de couloir, le débat du déjeuner, les moments du type « dis, je peux te soumettre un truc ? », tout cela est remplacé par des requêtes à l’IA. Plus rapide, certes. Mais quand vous supprimez les liens faibles, vous perdez l’entraînement au désaccord, à la réparation, à la patience et au courage social.

Les vrais leaders de 2026 conçoivent activement pour l’interaction humaine, pas seulement pour l’efficacité. Ils comprennent qu’une certaine friction est l’endroit où vit la confiance.

Juridique, risque et responsabilité

15. L’IA multilingue fait de la langue une surface juridique

En 2026, les systèmes d’agents multilingues commencent à échouer devant les tribunaux plutôt qu’en contrôle qualité.

Ce n’est pas un problème de traduction. C’est un problème de sens juridique. Une phrase anodine dans une langue peut impliquer un conseil réglementé, un engagement contractuel ou un devoir de diligence dans une autre.

Les organisations qui traitent la localisation comme une infrastructure de conformité, et non comme du vernis d’UX, évitent une exposition catastrophique. Celles qui ne le font pas découvrent que la langue peut déplacer de l’argent, déclencher des obligations et créer de la responsabilité.

16. Les incidents de sécurité des agents étendent la responsabilité au-delà des utilisateurs

D’ici la fin de 2026, certains agents IA commenceront à agir de façon plus autonome. Ils déplacent de l’argent, modifient des autorisations, déclenchent des flux de travail et interagissent avec des systèmes de production.

Quand des incidents surviendront (et beaucoup surviendront), la responsabilité retombera principalement sur l’utilisateur et moins sur l’entreprise qui déploie, non parce que c’est juste, mais parce que la plupart des petites organisations, et surtout les individus, ne connaissent pas leurs droits et n’ont surtout pas le pouvoir ni les moyens de les faire valoir.

Même avec l’accès à des outils juridiques d’IA, de nombreuses entreprises découvriront l’écart entre savoir ce qui est juste en théorie et ce que les rapports de force permettent en pratique. Bienvenue dans le monde réel !

D’ici la fin de 2026, les assurances et les services juridiques autour du risque lié aux agents IA exploseront. De nouvelles polices apparaissent pour couvrir les dommages causés par des agents, les erreurs opérationnelles et les incidents de sécurité. Les litiges sur la responsabilité, la négligence et le devoir de diligence se multiplient. La gouvernance proactive devient une défense de première ligne.

Preuves de contrôle, journaux d’exécution, capacité de retour arrière, limites de responsabilité et traces de décision deviennent obligatoires pour se protéger. Mais chaque contexte que vous enregistrez ou partagez peut être utilisé contre vous ou pour votre défense dans cette nouvelle société de surveillance.

Cela met en lumière un paradoxe fondamental : le passage de « innocent jusqu’à preuve du contraire » à un monde où la documentation continue devient de l’autodéfense.

Ce n’est pas de la surveillance au sens oppressif traditionnel. C’est de la transparence défensive. Quand l’IA peut tout générer de façon convaincante, contrats, conversations, vidéos, parcours professionnels entiers, la seule preuve fiable de ce qui s’est réellement passé est une piste vérifiée de journaux d’exécution, de points de décision et d’actions horodatées.

Le « bénéfice du doute » s’érode parce que :

• La falsification devient désormais très facile : avec l’IA, n’importe qui peut rapidement créer de faux documents, messages, vidéos ou autres preuves qui paraissent réels.
• L’enquête devient coûteuse : prouver que quelque chose ne s’est pas produit, ou reconstituer ce qui s’est réellement passé, exige des expertises forensiques que la plupart des individus et des petites organisations ne peuvent pas se payer
• L’asymétrie de pouvoir s’accentue : ceux qui ont des ressources peuvent contester des affirmations ; ceux qui n’en ont pas doivent s’en remettre à la documentation qu’ils ont conservée

La réponse pratique devient : tout documenter de manière préventive. Non par paranoïa, mais parce que dans les litiges, juridiques, contractuels, opérationnels, le camp qui dispose de journaux horodatés et de pistes d’audit a un avantage écrasant.

Le coût est réel : chaque interaction enregistrée devient une preuve potentielle, non seulement pour votre défense mais potentiellement contre vous. Le contexte s’effondre. La nuance disparaît. Un message anodin devient une charge des années plus tard, lu sous un autre angle.

Cela crée une société où prouver que vous n’avez pas fait quelque chose exige de montrer ce que vous avez fait à la place, avec des reçus, des horodatages et des témoins (humains ou système). L’absence de preuve se lit de plus en plus comme une preuve de culpabilité, parce que fabriquer est désormais plus facile que vérifier.

Ce n’est plus un choix entre vie privée et transparence. C’est un choix entre être sans défense ou être documenté.

« L’IA a fait ça » ou « l’agent a décidé » cesse d’être une explication acceptable. La responsabilité revient à l’humain et à l’organisation qui a déployé le système.

17. L’IA devient le système de manipulation le plus évolutif jamais déployé

D’ici la fin de 2026, les systèmes d’IA ne se contentent pas de générer du contenu. Ils cartographient le contexte, l’émotion, le moment et la susceptibilité. Cela en fait des moteurs de persuasion sans précédent.

La principale menace de 2026 n’est pas un deepfake isolé ni un mensonge viral. Ce sont des millions de petites incitations personnalisées, d’arnaques, de tentatives d’orientation des comportements et d’opérations de micro influence qui agissent sous le seuil de la conscience.

Voici le mécanisme : le système apprend ce qui abaisse votre résistance, le ton, le moment, l’état émotionnel, la fatigue, la solitude et la curiosité. Il ne pousse pas un seul message à tout le monde ; il teste, s’adapte et converge vers ce qui fonctionne pour vous.

Un exemple concret : un utilisateur discute tard le soir de stress et d’argent. Le lendemain, une publicité apparaît, présentée comme un soulagement et non comme une opportunité, avec des tournures de langage qui avaient apaisé l’utilisateur auparavant. Rien n’est factuellement faux. La manipulation est dans l’enchaînement, le cadrage et le moment émotionnel.

C’est le « pouvoir de la suggestion » à grande échelle. Les lois contre la désinformation ne suffiront pas, car rien n’est factuellement faux. Le préjudice vient de l’intention, du ciblage et de l’asymétrie d’influence.

Attendez-vous à de nouvelles règles centrées sur la persuasion ciblée, la divulgation et l’audit des intentions.

18. Les investisseurs commencent à auditer la dette opérationnelle induite par l’IA

À mesure que les systèmes d’IA se répandent, la complexité invisible s’accumule plus vite que ne l’a jamais fait le logiciel traditionnel. Les automatisations s’empilent, les flux de travail se ramifient, les prompts mutent et la responsabilité se dissout discrètement. Ce qui ressemblait à de la vitesse en année 1 devient fragile en année 2.

En 2026, les investisseurs ne regardent plus seulement la qualité du code, les courbes de croissance et le rythme de consommation (burn rate) en milliards de tokens. Certaines anciennes métriques n’ont plus de sens, elles sont devenues des métriques de vanité. C’est comme si certaines entreprises inventaient leur propre jeu et prétendaient gagner pendant que tous les autres sont passés à autre chose. La loi de Goodhart s’applique : quand une mesure devient un objectif, elle cesse d’être une bonne mesure.

Comme l’attention est la nouvelle économie, les investisseurs disposent désormais de leurs propres outils de renseignement en temps réel. J’en ai moi-même construit un pour filtrer le bruit, les distractions, le battage et les mauvaises nouvelles, mais surtout pour me concentrer plus profondément sur ce qui compte, sur ce qui apporte de la valeur à ma vie personnelle et sur ce qui se capitalise dans ma vie professionnelle. Cela a commencé comme un simple prompt, puis a évolué en un système et un flux de travail plus structurés qui fonctionnent désormais de façon fiable.

En 2026, les VC poseront des questions plus dures et plus opérationnelles : combien d’automatisations sont actives, qui est responsable de chacune, à quelle fréquence elles sont revues, ce qui casse si l’une est désactivée et à quelle vitesse le système peut être ramené en arrière. Cela compte pour les présentations aux investisseurs parce que les systèmes d’IA échouent de manière subtile. De petits changements se propagent en silence. Les erreurs se cumulent.

Avec une dette d’automatisation cachée et une dette d’expérience, la capacité à raisonner clairement sur ce qui se passe quand le système tombe en panne, pour le maintenir en fonctionnement, devient un problème de valorisation, pas seulement un problème technique. Les entreprises capables de cartographier, d’auditer et de simplifier leur empreinte d’IA seront valorisées plus haut que celles qui ne montrent que de la vélocité.

La bulle des wrappers se dégonfle

Pendant 3 ans, le marché de l’IA a tourné à coups d’annonces. Des promesses brillantes, des chiffres de benchmarks, des diapositives de feuille de route et des fonctionnalités « bientôt disponibles » ont gardé les investisseurs enthousiastes et fait grimper les valorisations. Le schéma était simple : annoncer quelque chose d’impressionnant, lever des fonds sur la vision (l’AGI, bien sûr ?!), trouver le produit plus tard…

Cela a créé la bulle des wrappers de l’IA.

Mais ce n’est pas la bulle Internet. La comparaison est tentante mais structurellement fausse.

Le krach de la bulle Internet était systémique : infrastructures surévaluées, introductions en bourse spéculatives et entreprises sans chemin vers la rentabilité. La correction de l’IA est concentrée au niveau micro : petits wrappers, applications créées en vibe coding, startups à interface mince bâties sur le battage plutôt que sur des avantages concurrentiels durables.

Les calculs sont impitoyables. Sans avantage concurrentiel durable, quelque chose de difficile à reproduire, passer à l’échelle exige de monétiser. L’autofinancement ne fonctionne que lorsque la fenêtre d’opportunité est assez longue pour renforcer l’élan et produire un ROI. Mais contrairement aux entreprises SaaS, les fenêtres d’opportunité à l’ère de l’IA sont de plus en plus courtes : ce qui est nouveau aujourd’hui est banalisé demain. Cela fait du financement par des VC la voie viable la plus probable pour la plupart des wrappers : capital rapide, croissance rapide, ou mort rapide. Et les VC, échaudés par 3 ans de battage et de sorties précoces qui n’ont jamais bouclé le cycle de ROI, sont désormais sur leurs gardes.

Comme pour le battage autour de la crypto avant lui, les chiffres sont brutaux. Le taux d’échec des startups natives de l’IA a grimpé à environ 90 %, nettement plus que pour le SaaS traditionnel. Le principal facteur est la vitesse de consommation de trésorerie : la plupart atteignent un état zombie en 12 à 18 mois, vivantes sur le papier et en MVP (Minimum Viable Product, ou désormais MLP, Minimum Lovable Product) mais incapables de croître, de lever des fonds ou de sortir.

Pendant ce temps, la couche d’infrastructure raconte une autre histoire. Nvidia a plus de demande qu’elle ne peut en satisfaire, c’est l’inverse d’une bulle. C’est une contrainte d’offre. Les hyperscalers sont rentables, génèrent de la trésorerie et dépensent des centaines de milliards en capacité. Le récit de la « bulle de l’IA » était surtout de la peur à court terme et de la manipulation de marché au niveau micro, pas un effondrement systémique en attente.

L’autre face de l’engouement du moment : de nombreuses grandes entreprises ont commis l’erreur inverse. Elles ont licencié trop tôt, même si cela montrait leur vraie nature et tout le greenwashing qu’elles dépensent en opérations de communication (depuis la pandémie) pour convaincre qu’elles sont humaines, ou avec cette fausse rhétorique « nous sommes tous une famille ». Beaucoup ont été convaincues par des démonstrations à petite échelle que l’IA pouvait remplacer des fonctions à grande échelle. Elle ne le pouvait pas, du moins pas encore (mauvais timing pour les cupides). Des millions ont été perdus parce que les outils n’étaient pas prêts et ne passaient pas à l’échelle. Aujourd’hui, ces mêmes entreprises ralentissent les embauches, investissent massivement dans la « suppression du risque » et reconstruisent de la prudence dans leur stratégie d’IA.

Le basculement a commencé vers le milieu de décembre 2025. C’est alors qu’est apparue la première vague d’agents IA vraiment fiables, pas parfaits, mais des changements précoces et fiables. Plus autonomes. Plus prévisibles. Plus déployables. Ce qui vient ensuite repose là-dessus, pas sur le battage qui a précédé. Des milliers de startups ont lancé des produits qui n’étaient guère plus que des interfaces minces posées sur des modèles de fondation, une interface de chat ici, un modèle de prompt là, peut-être une automatisation de flux de travail basique. Elles ressemblaient à des produits. Elles levaient des fonds comme des produits. Mais ce n’étaient pas des produits défendables. C’étaient des wrappers.

En 2026, cette bulle se dégonfle, et le marché de l’IA commence à se structurer. À mesure que les modèles de fondation (OpenAI, Anthropic, Gemini, xAI, Mistral) étendent leurs capacités, proposent des intégrations natives et réduisent fortement les prix des API, grâce à une inférence plus rapide, la valeur du fait d’être « juste un wrapper » sans avantage concurrentiel durable s’effondre tout simplement. À l’heure où l’utilisateur peut générer une interface sur mesure pour une UX plus confortable, la plupart des wrappers sont balayés. Les survivants sont ceux qui ont construit quelque chose que les fournisseurs de modèles ne peuvent pas ou ne veulent pas construire : une expertise verticale approfondie, des données propriétaires, des intégrations de flux de travail qui ont demandé des années, ou des relations de confiance qu’une API ne peut pas reproduire.

Le marché mûrit. Moins d’acteurs survivent au-delà de leur première année, mais ceux qui y parviennent ont de vrais avantages concurrentiels durables.

Nouveaux pièges, nouvelles responsabilités

Cursor a illustré ce paradoxe début 2026 en faisant tourner des agents IA de façon autonome pendant une semaine pour construire un navigateur web de zéro, plus d’un million de lignes de code Rust, en brûlant des billions de tokens. Le résultat ? Quelque chose qui « fonctionne à peu près ». Les sites simples s’affichent. Les sites complexes plantent. Des critiques ont qualifié la base de code de « bouillie d’IA ». Elle ne compilait même pas. Ce n’est pas un logiciel de production. C’est une démonstration à grande échelle. Mais c’est tout de même intéressant quand on compare l’autonomie de ce qui vient avec des essaims d’agents IA à grande échelle.

Comme coup joué auprès des VC, c’est brillant. Les investisseurs voient de l’élan. Les développeurs et les utilisateurs voient des outils en direct. Personne n’a rien promis ; ils ont montré quelque chose. Dans l’ancien cycle du battage, on levait des fonds sur des feuilles de route et une vision. Maintenant ? Livrer d’abord, ne jamais expliquer. Le journal des modifications devient le pitch deck.

Mais voici le piège : on peut dépenser la « confiance des utilisateurs » plus vite qu’on ne la construit.

Chaque nouvelle fonctionnalité force à réapprendre. Chaque changement d’interface coûte de la charge cognitive. L’IA peut générer du code à l’infini, mais elle ne peut pas régénérer la volonté de l’utilisateur de continuer à s’adapter, chaque semaine ou chaque jour. Quand nous quittons un outil le vendredi, nous nous attendons à retrouver le même menu ou le même bouton au même endroit le lundi. Pour les investisseurs qui regardent de l’extérieur, la vélocité ressemble à de l’innovation. Pour les utilisateurs qui vivent dans l’outil, la vélocité devient une nouvelle friction.

Apple l’a compris il y a des décennies. Traiter l’interface comme une fondation : les changements visibles se font lentement, délibérément, avec consensus. Les correctifs de sécurité et les améliorations de performance tournent de manière invisible en coulisses. Les utilisateurs font confiance aux iPhone parce que le geste du « retour » n’a pas changé depuis dix ans. Cette prévisibilité est le capital sur lequel ils échangent.

Anthropic suit une logique similaire. Claude Code CLI reste une interface de terminal, stable, minimale, sans interface graphique (GUI, Graphical User Interface) à réorganiser. Mais lorsqu’ils ont voulu apporter le même flux de travail agentique aux utilisateurs non techniques, ils n’ont pas greffé des fonctionnalités. Ils ont construit Claude Cowork. Un produit à interface graphique distinct, conçu intentionnellement à l’intérieur de l’application Claude Desktop, lancé en janvier 2026. La capacité a évolué, mais l’interface est restée intuitive.

La question que les investisseurs devraient poser n’est pas « à quelle vitesse livrent-ils ? » C’est : que se passe-t-il quand les utilisateurs cessent de suivre ?

Le battage passe des annonces aux démonstrations deepfake

Le battage ne disparaît pas. Il s’adapte.

L’ancien playbook, annonces en keynote et pitch decks léchés, perd de son effet parce que tout le monde l’a déjà vu. Alors les entreprises innovent dans la tromperie. Les démonstrations de produits en deepfake deviennent le nouvel appât pour investisseurs.

Nous l’avons vu au CES 2026, où un journaliste tech américain l’a même surnommé… le Chinese Electric Show. Des vidéos de concept pour des produits électroniques et des applications d’IA qui semblaient finis, fonctionnels et prêts à être livrés. Des rendus léchés. Des interfaces simulées. Des présentateurs générés par l’IA qui démontrent des fonctions qui sont peut-être, ou peut-être pas, techniquement possibles. Le public ne sait plus faire la différence. La plupart des investisseurs non plus.

C’est de la vente de concepts à l’échelle industrielle. L’objectif n’est pas de montrer ce qui fonctionne. C’est de montrer ce qui pourrait fonctionner, juste assez de manière convaincante pour boucler le tour de table. Que cela soit livré, que cela soit même faisable, c’est un problème pour plus tard.

La conséquence est un fossé de confiance. Les acheteurs avertis commencent à exiger des démonstrations en direct, un accès au code source ou une vérification par un tiers. Les acheteurs peu avertis continuent à financer du vaporware. L’écart se creuse jusqu’à ce que le marché lève le rideau.

19. Les résultats de l’IA vendus comme un service

2025 a exposé une partie cachée de la bulle de l’IA. Elle a exposé un échec d’exécution systémique, dicté par les incitations, pas par la technologie. La plupart des initiatives d’IA ont échoué bien avant que les modèles d’IA ne soient le problème. La cause racine était ce que les entreprises appellent habituellement les achats d’une automatisation par l’IA dans une entreprise (cela recouvre non seulement l’acte d’achat, mais toute la chaîne de décision autour du choix du fournisseur, de la validation de faisabilité, de la tarification, de la répartition des risques et de la responsabilité). En pratique, cette chaîne était mal auditée, précipitée au point d’être déconnectée de la réalité technique.

Au sommet du battage de l’IA, certaines sociétés de conseil en IA ou d’ingénierie logicielle avaient une récompense commerciale structurelle pour conclure vite des contrats, sans l’être vraiment pour livrer de vrais résultats. Les équipes commerciales vendaient d’abord des promesses et vérifiaient la faisabilité ensuite, vendant souvent des capacités d’IA mal spécifiées, non prouvées, ou même pas validées techniquement. Une fois les contrats juteux signés, avec un joli bonus pour le commercial, le département technique, avec ses ingénieurs logiciels, héritait d’une patate chaude impossible à tenir. Et parfois, ça brûle fort !

L’étape critique manquante était que certains de ces commerciaux cupides n’invitaient pas à l’appel des experts du domaine (SME) ou leurs ingénieurs logiciels, pour vérifier si c’était vraiment faisable techniquement ou économiquement. Dans un système sain, toute initiative d’IA ou d’automatisation commence par une étude de faisabilité menée par de vrais experts techniques : architecture logicielle, ingénierie des données, intégration de systèmes... Ce travail peut même être vendu indépendamment et devrait conditionner tout ce qui suit. À la place, il a été sauté ou remplacé par de la recherche générée par l’IA (de la bouillie), des audits superficiels et des vidéos de démonstration creuses, sans protections contre les hallucinations, la qualité des données ou les limites d’échelle.

À l’intérieur de ces organisations de livraison, cela a créé des frictions internes prévisibles. Les ingénieurs et les développeurs recevaient des projets économiquement ou techniquement non viables à grande échelle. De nombreuses solutions fonctionnaient en démonstration ou pour un seul utilisateur, comme on pouvait le voir sur les réseaux sociaux chez les hyper influenceurs, puis s’effondraient sous un volume réel, la complexité d’intégration, les exigences de sécurité ou le changement organisationnel. Ce n’était pas de l’incompétence au niveau de l’ingénierie ; cela pouvait être un échec structurel des incitations.

Quand les résultats ne se sont pas matérialisés, les entreprises clientes ont réagi sur la défensive. Des licenciements ont suivi, non pas parce que l’IA a remplacé des humains, mais parce que la direction devait réduire les coûts après avoir mal alloué le capital. Le récit de « l’IA qui remplace les emplois » a servi de communication et de message pour investisseurs commodes, masquant la classique réduction de coûts qui suit un investissement, souvent associée à du greenwashing et à une mise en scène d’investissements dans l’innovation. C’était donc l’une des dures réalités et histoires que vous ne verrez jamais officiellement dans les médias grand public.

En 2026, le modèle économique est contraint de s’adapter. Les solutions SaaS ou en marque blanche vendues comme un accès, ou le conseil vendu à l’heure, perdent en crédibilité. Le marché commence à basculer. Du SaaS (Software as a Service) vers l’OaaS (Outcome as a Service). Donc, d’une obligation de moyens vers une obligation de résultats + incitations, où les prestataires partagent les résultats, pour le meilleur et pour le pire, comme un couple marié.

Certaines entreprises chinoises, comme Bairong par exemple, ont annoncé publiquement une stratégie de Results as a Service et une plateforme « Results Cloud » liée aux résultats, incluant plusieurs modes d’« échange de valeur » comme la tarification à la tâche et la « rémunération à la position ». Aux États-Unis, la même logique émerge par des acquisitions. L’achat de Manus par Meta pour 2 milliards de dollars fin 2025 signale que les géants de la tech parient sur des agents IA qui livrent des résultats de bout en bout, pas seulement des API. Manus a traité plus de 147 billions de tokens et alimenté 80 millions d’ordinateurs virtuels (VM), mais l’acquisition ne portait pas sur le volume de tokens. Elle portait sur la fiabilité d’exécution. Quand une entreprise comme Meta acquiert une plateforme d’agents, elle achète la capacité de promettre des résultats, pas seulement un accès.

Dans ce modèle, les prestataires ne sont plus payés principalement pour l’effort, les présentations, les rapports (générés par de la bouillie d’IA) ou les licences. La rémunération est liée à l’impact mesurable, par des honoraires à la performance, un partage de revenus ou une tarification conditionnelle où le paiement dépend des résultats. Ce n’est pas de l’idéalisme. C’est de l’économie de la réputation. Fini le temps d’être moyen et confortable (en simulant le travail ou en facturant des heures) : place à un marché plus compétitif, où la seule option est d’être le meilleur pour atteindre l’excellence.

Cette transition ne sera pas universelle. Les modèles fondés sur les résultats ne fonctionnent que là où les KPI sont mesurables, les points de départ clairs, les données propres et l’attribution auditable. Mais la direction est donnée. En 2026, le marché commence à payer pour des résultats, pas pour de l’optimisme, pas pour des promesses comme celles que les politiciens essaient de vous vendre en campagne, mais la fin des attentes délirantes au pays des merveilles et une correction de récits super naïfs, diffusés en boucle par ces influenceurs de l’IA surexcités.

20. Les outils construits vite avec l’IA créent un risque à long terme

L’IA permet la création rapide d’outils par des personnes qui n’étaient jamais censées être responsables de systèmes de production.

De nombreux outils internes sont livrés sans propriétaire clair, sans documentation, sans protections de sécurité ni plan de maintenance. Ils fonctionnent juste assez bien pour qu’on s’y fie, et juste assez mal pour être dangereux.

Comme personne ne les comprend entièrement, les corrections paraissent risquées. Les problèmes sont repoussés. Les dépendances se propagent. Avec le temps, un risque silencieux s’accumule.

Finalement, les fonctions internes de gouvernance et de maîtrise des risques interviennent, non pour freiner l’innovation, mais pour stopper l’exposition non maîtrisée en imposant des normes, une responsabilité claire, de la documentation et des interrupteurs d’arrêt.

C’est là que la responsabilité devient inévitable. Les systèmes construits à la hâte paraissent souvent corrects en surface, tellement corrects que des profanes ne voient pas la différence. Mais sous l’interface, les fondations sont minces ou absentes. C’est comme empiler des étages sur une base instable ; tout paraît solide jusqu’à ce qu’un test de résistance, un changement d’échelle ou des cas limites fassent se propager des fissures.

Les organisations dotées d’une expertise profonde peuvent absorber cela. Les équipes qui savent raisonner sur les systèmes, documenter les décisions et reconstruire à partir des principes premiers peuvent produire plus avec les mêmes effectifs. Les autres découvrent trop tard que la vitesse sans responsabilité produit de la dette. Une dette technique issue d’une mise en œuvre hâtive qu’elles n’ont pas les moyens de rembourser avec le temps de développeurs consacré à réparer ou à refactoriser.

21. L’Europe accélère sa souveraineté numérique par nécessité mais n’en a toujours pas les moyens

La hausse des coûts, la dépendance géopolitique et l’incertitude réglementaire poussent les organisations européennes à repenser où et comment tournent les systèmes critiques. Mais la réalité est dure : les hyperscalers américains (AWS, Microsoft, Google) contrôlent environ 65 % à 85 % du marché européen du cloud, ne laissant aux fournisseurs locaux qu’une part infime.

La commodité du cloud est pesée face à la prévisibilité, à la conformité et au contrôle à long terme. Certaines charges de travail migrent vers des environnements locaux ou régionaux même s’ils sont moins pratiques ou plus lents à déployer.

Le coût de changement est le premier obstacle. Si des études de cas montrent que le rapatriement national depuis le cloud américain peut à terme réduire les factures mensuelles d’environ 60 %, le coût initial de migration est énorme. Il exige des mois de temps d’ingénierie, de refaire l’architecture des pipelines de données et de gérer la « gravité des données » qui rend le déplacement de pétaoctets prohibitif.

Le virage n’est pas idéologique. Il est défensif. Le risque de droits de douane est désormais réel, avec des projections de hausses de prix de 10 % à 25 %, voire plus si les guerres commerciales s’intensifient. Les DSI européens font face à une double menace : des coûts qui s’envolent pour les services américains, ou une expérience « dégradée » des services américains où les dernières fonctions d’IA sont retenues ou retardées en Europe à cause de frictions de conformité.

La souveraineté numérique passe du slogan politique à l’exigence opérationnelle, mais elle est coûteuse. Construire une infrastructure souveraine exige du capital, de l’énergie, du terrain, des talents et du temps. Cette réalité pousse les entreprises à diversifier plutôt qu’à remplacer entièrement les dépendances existantes, afin de réduire les risques.

Cela révèle aussi un problème plus profond. La réglementation seule ne peut pas le résoudre. Des règles statiques, uniformes pour tous, se brisent face à des systèmes d’IA qui évoluent vite. Il faut des règles dynamiques qui s’adaptent au contexte, au type de transaction, au niveau de risque et à l’intention.

En 2026, la souveraineté s’impose non pas en interdisant des systèmes mais en exigeant des points de contrôle, des journaux, des retours en arrière et une responsabilité locale. Les lois passent de ce qui est permis en théorie à la vérification de ce qui se passe réellement en pratique.

22. Les contraintes d’énergie et d’eau frappent directement les budgets d’IA

L’IA cesse d’être une dépense logicielle abstraite et devient une dépense physique.

La disponibilité de l’énergie, les limites de refroidissement et la consommation d’eau déterminent désormais où et comment l’IA peut tourner. Ces contraintes se retrouvent directement dans les prix, les plafonds de capacité et les disparités régionales.

En 2026, les décisions d’infrastructure ne sont plus purement techniques. Elles sont à la fois environnementales, politiques et financières.

L’efficacité devient une exigence stratégique, pas une amélioration facultative, parce que les coûts de l’IA sont désormais bornés par des intrants physiques : l’énergie, l’eau de refroidissement, la capacité du réseau électrique et les minéraux critiques pour les puces (cuivre), les câbles et les batteries.

Cela crée des asymétries géopolitiques. La Chine a des avantages structurels pour mobiliser l’énergie, les terrains et les chaînes d’approvisionnement industrielles à grande échelle, même si elle fait face à ses propres contraintes régionales dans les provinces du nord, où l’eau est rare, et à des tensions sur son réseau. L’Europe a une réglementation plus forte et une technologie avancée, mais des arbitrages plus difficiles quand l’énergie est chère, les réseaux contraints et les autorisations lentes.

La pression politique monte aussi. Les gouvernements doivent justifier pourquoi les centres de données méritent la priorité alors que les citoyens veulent aussi des factures stables, des services stables et de meilleures retraites. Le récit de l’IA devient une promesse de retour futur, mais ce retour n’est pas encore visible pour la plupart des gens.

23. Les modèles plus petits et moins chers gagnent dans l’usage réel

La seule voie durable est de faire plus avec moins : modèles plus petits, meilleur routage, moins de gaspillage, plus de calcul local là où c’est pertinent. Les gagnants ne sont pas les équipes au discours d’IA le plus bruyant, mais celles qui peuvent prouver une production fiable par unité d’énergie, d’eau et de coût.

En production, la prévisibilité l’emporte sur la puissance brute.

Les modèles plus petits, moins chers, plus rapides et plus faciles à contrôler offrent souvent un meilleur compromis entre coût et performance que les modèles de pointe pour de nombreuses tâches métier courantes. Ils sont plus faciles à auditer, à budgétiser et à intégrer aux systèmes existants.

À mesure que les coûts et la fiabilité comptent davantage, les équipes choisissent des systèmes adaptés à leur usage plutôt que la capacité maximale. Le leadership sur les benchmarks devient moins pertinent que la stabilité opérationnelle.

L’avantage concurrentiel passe de la possession du plus gros modèle à celle du modèle le mieux aligné.

24. La pile technologique passe du langage à la vision et à l’action

En 2026, le centre de gravité dépasse les LLM, les grands modèles de langage.

Viennent d’abord les LVM (grands modèles de vision). Depuis la sortie de NanoBanana Pro, les systèmes commencent à raisonner sur ce qu’ils voient : images, écrans, environnements, agencements physiques. Cela permet l’inspection, la surveillance et la compréhension situationnelle que le texte seul ne peut fournir.

Viennent ensuite les LVA (grands modèles de vidéo et d’action). Ils relient la perception à des séquences d’actions et deviennent la première étape pratique vers des systèmes hybrides (comme les robots) qui voient, décident et agissent.

En 2026, les architectures gagnantes combinent langage, vision et action plutôt que de parier sur le texte seul. Le contrôle, la sécurité et la vérification deviennent plus difficiles, mais les systèmes deviennent bien plus capables.

En même temps, le modèle d’interaction change. Le chat comme échange sans fin devient secondaire par rapport aux interfaces vocales et aux systèmes d’agents qui exécutent des actions concrètes à grande vitesse. La valeur passe de la rumination en boucles conversationnelles à l’exercice de la capacité d’agir : décider, agir, valider et passer à la suite.

Ces dernières années, les LLM (grands modèles de langage) ont été une étape nécessaire pour faire passer à l’échelle le raisonnement et la coordination, mais ils ne sont pas le point d’arrivée. Ils sont une couche de transition. L’architecture dominante à court terme est hybride : LLM, LVA et modèles du monde (World Models), où les modèles gèrent l’abstraction, l’explication et la coordination, tandis que les modèles de vision, de vidéo et d’action gèrent la perception et l’exécution. Ensemble, ils font passer l’IA du fait de parler du travail au fait de le faire réellement.

25. La maîtrise de l’IA devient un prérequis d’embauche, pas une spécialité

En 2026, « sait utiliser l’IA » cesse d’être un facteur de différenciation et devient une attente de base, comme les courriels, les tableurs ou les appels vidéo.

Les offres d’emploi ne présentent plus les compétences en IA comme spéciales. Elles les supposent. La question n’est plus de savoir si vous utilisez l’IA, mais à quel point vous savez la manier.

La vraie contrainte n’est plus la capacité. C’est l’architecture cognitive : ce que vous pouvez garder en tête pendant que les agents tournent, votre aisance à passer de la direction de haut niveau à la validation approfondie, et votre capacité à distinguer les schémas que vous déléguez du jugement que vous ne pouvez pas déléguer.

Les bâtisseurs qui réussissent ne sont pas ceux qui rédigent de meilleurs prompts. Ce sont ceux qui ont mis à jour leur relation à leur propre cognition. Ils savent où ils passent à l’échelle et où ils ne le font pas. Ils traitent l’IA non comme un outil qu’ils manient, mais comme un miroir qui révèle où leur pensée est claire et où elle est trouble.

Cela creuse un écart croissant. D’un côté : les personnes qui ont appris l’IA comme un ensemble de compétences, astuces de prompts, hacks de flux de travail et aisance avec les outils. De l’autre, les personnes qui ont restructuré leur façon de travailler, sachant quand faire confiance au résultat, quand plonger en profondeur et quand prendre du recul pour réfléchir.

Le premier groupe se banalise. Le second devient un multiplicateur de force.

Les filtres d’embauche s’adaptent en conséquence. Les candidats qui ne savent que rédiger des prompts sont écartés. Les candidats qui savent exploiter des systèmes, valider des sorties, changer d’altitude délibérément et expliquer ce qu’ils ont livré, pas seulement qu’ils l’ont livré, sont embauchés.

L’ironie est que plus l’IA prend en charge, plus l’humain qui comprend ce qu’elle ne peut pas faire devient précieux.

26. La fragmentation régionale de l’IA crée des systèmes incompatibles

Les États-Unis, l’UE et la Chine ne construisent plus le même avenir de l’IA. Chaque région crée son propre cadre réglementaire, technique et éthique, et ces cadres sont de plus en plus incompatibles.

En Europe, l’AI Act impose la transparence, la classification des risques et la supervision humaine. Aux États-Unis, la réglementation reste fragmentée et pilotée par l’industrie, avec une coordination fédérale minimale. En Chine, les restrictions de contenu, la localisation des données et les exigences d’alignement avec l’État déterminent ce que les systèmes d’IA peuvent et ne peuvent pas faire.

La conséquence : des systèmes d’IA qui fonctionnent légalement dans une région échouent à la conformité dans une autre. Un modèle entraîné sur des données américaines peut violer le RGPD. Un agent conçu pour les plateformes chinoises peut exiger des filtres de censure qui cassent des fonctionnalités ailleurs. Un flux de travail européen avec des pistes d’audit complètes peut être trop lent et trop coûteux pour des startups à l’américaine qui privilégient la vitesse.

Cela crée trois problèmes pratiques :

• La portabilité s’effondre. Les entreprises multinationales ne peuvent pas déployer une seule pile d’IA à l’échelle mondiale. Elles ont besoin de versions régionales, chacune avec des capacités, des protections et un traitement des données différents.
• L’interopérabilité en souffre. Les agents qui opèrent au-delà des frontières se heurtent à des frictions : exigences de journalisation incompatibles, modèles de consentement différents, règles de responsabilité qui ne correspondent pas.
• Les talents et l’outillage divergent. Les développeurs se spécialisent dans la conformité régionale. L’outillage se fragmente. Les bonnes pratiques ne se transfèrent plus proprement.

En 2026, les entreprises qui avaient supposé que l’IA serait une infrastructure mondiale ont découvert qu’elle devient une infrastructure régionale, avec des couches de traduction, des ponts de conformité et des frictions juridiques à chaque frontière.

L’ironie est que l’IA était censée transcender les frontières. Au lieu de cela, elle est façonnée par elles, plus que le cloud ou le mobile ne l’ont jamais été. Ce que nous appelions autrefois le « splinternet » pour le web fragmenté devient maintenant le splinter-AI : des systèmes parallèles, des règles parallèles, des avenirs parallèles.

27. Les plateformes d’emploi perdent leur pertinence quand le signal s’effondre

Les candidatures rédigées par l’IA s’opposent aux systèmes de tri par IA des ATS (Applicant Tracking System, logiciel de suivi des candidatures) utilisés par les RH, ou ce qu’il en reste, et aucun des deux camps ne fait confiance au résultat. Ce qui ressemble à de l’efficacité devient un échec d’appariement.

Les candidats peuvent désormais générer des centaines de candidatures sur mesure par semaine. Les recruteurs répondent en automatisant le tri avec des descriptions de poste générées par l’IA, conçues pour déjouer ces mêmes systèmes. Il en résulte une boucle fermée où le volume remplace l’intention et où la pertinence disparaît. Les bons candidats sont écartés comme les mauvais, et personne n’a le sentiment de contrôler la situation.

Le vrai coût est invisible. Du temps est perdu, la confiance disparaît et les deux côtés se sentent impuissants. Les recruteurs s’appuient davantage sur les recommandations internes et les réseaux connus. Les candidats cessent de croire que l’effort est corrélé aux résultats.

Beaucoup de personnes le vivent déjà. L’IA de recherche d’emploi génère des documents solides et sur mesure, mais le taux de réponse des plateformes n’est en grande partie que du bruit. Les entretiens qui ont réellement lieu ? Ils viennent de démarches directes, de recommandations du réseau, d’événements tech ou business, ou même de canaux non conventionnels comme les applications de rencontre (oui, vous avez bien lu, voilà jusqu’où va le désespoir créatif pour percer le système).

Des plateformes comme LinkedIn dérivent vers un comportement de plateforme grand public depuis la pandémie. Pas toujours, pas pour tout le monde, mais assez pour ressembler à un fil Facebook.

Des carrousels léchés, des infographies générées par l’IA qui ressemblent à de l’art mais ne disent rien, des appâts à engagement déguisés en analyses, le tout débouchant sur du contenu gratuit inutile. Le fil se remplit de publications que personne ne lit, et pourtant tout le monde publie. Demandez à quelqu’un d’expliquer le raisonnement derrière son diagramme parfait généré par l’IA, surtout pourquoi il se brise dans certains scénarios : la plupart ne peuvent pas. Au-delà des bases, ils ne connaissent même pas les règles de conception élémentaires du format. Ils ont tapé un prompt, obtenu quelque chose de brillant avec NanoBanana Pro, ChatGPT Images ou NotebookLM, et cliqué sur publier.

Il semble que la théorie de l’Internet mort ait visé juste. Mais les symptômes se voient. À moins de payer un abonnement Premium, car certains sites sont à l’épreuve des agents IA face à des navigateurs pilotés par agent comme ChatGPT Atlas ou Perplexity Comet Browser, et même alors...

L’embauche se déplace vers la preuve de travail, les contributions visibles, les communautés et la validation humaine directe. Le signal se rapproche des humains et s’éloigne des plateformes de masse. Cela favorise les personnes qui peuvent montrer de vrais artefacts, expliquer comment ils ont été construits et discuter des arbitrages et des échecs.

28. La mort du modèle freemium. Il est temps de payer un loyer numérique.

Le modèle freemium du SaaS était un entonnoir de vente de 2 décennies, rendu possible par de faibles coûts marginaux. Pour les produits natifs de l’IA où l’inférence est la valeur centrale, ce modèle est mort, avec une nuance importante. Le freemium survit très bien là où l’IA est un mécanisme de distribution ou une fonctionnalité plutôt que le produit. De nombreuses applications l’utilisent encore. Mais quand toute votre proposition de valeur brûle des tokens à chaque interaction, vous ne pouvez pas subventionner indéfiniment un calcul illimité.

Le nouveau standard tarifaire ressemble à la téléphonie prépayée : un forfait mensuel représentant un crédit de tokens. Quand vous l’avez consommé, vous rechargez. Ce modèle du « paiement à la pensée » est la seule voie durable pour les services d’IA gourmands en inférence.

Cela crée un fossé dangereux. La majorité s’accroche aux options gratuites, croyant faire des économies. Elle a tort. Le coût d’opportunité du « gratuit » augmente parce que la monnaie n’est plus seulement la donnée (avec des tonnes de contexte de chat d’IA et toute votre thérapie par l’IA), c’est l’attention et la capacité d’agir !

L’attention est la ressource la plus rare de l’économie. Les modèles « gratuits » consomment plus d’attention pour vendre des publicités, mais dans une autre forme d’addiction que celle du doomscrolling traditionnel de TikTok ou d’Instagram qui ramollit le cerveau, laissant aux utilisateurs aucun espace mental pour apprendre, grandir ou agir. Aucune place pour la capacité d’agir. Ils deviennent réactifs au lieu d’être proactifs, piégés dans des boucles ou des pensées ruminantes et complaisantes conçues pour monétiser leur passivité. La forme de consommation a changé, mais c’est toujours une consommation rêveuse sans action réellement valable.

Les utilisateurs payants achètent de l’espace. Ils achètent des outils qui les servent, pas un annonceur. Ils pourraient obtenir les moyens de gagner en capacité d’agir, d’apprendre de nouvelles compétences et de rester affûtés face à ce que le marché exige.

En 2026, la mentalité change. Et pour ceux qui n’avaient toujours pas compris… L’accès à l’intelligence n’a jamais été un droit fondamental, mais une subvention temporaire ou une expérience à grande échelle (qui s’est plutôt bien passée). Ceux qui paient leur propre calcul gardent le contrôle. Ceux qui ne le font pas deviennent le produit, non pas au sens de la confidentialité des données, mais au sens de la capacité cognitive.

L’avenir du contexte & de la collaboration

29. Le travail se recentre autour du contexte partagé

À mesure que les systèmes d’IA entrent dans les flux de travail, des outils séparés deviennent un handicap.

Les décisions, les documents et les sorties des agents IA doivent vivre ensemble pour que les humains puissent comprendre ce qui s’est passé, pourquoi, et ce qui vient ensuite. Les fils de discussion, les canevas partagés et les espaces de travail persistants remplacent les fichiers et les boîtes de réception chaotiques.

Ce basculement expose des années d’hygiène de l’information négligée. Les équipes dotées d’une structure, de noms et de responsabilités clairs accélèrent vite. Les équipes aux données désordonnées passent l’essentiel de 2026 à nettoyer avant que l’automatisation devienne sûre.

Le contexte devient l’interface. Les organisations qui y investissent débloquent des gains cumulatifs. Celles qui ne le font pas restent coincées à réexpliquer leur propre travail, à perdre du temps en boucles ou à faire semblant de travailler pour justifier leur rôle, face à l’extinction.

C’est là que la vraie collaboration devient impossible à simuler. L’IA peut accélérer la production individuelle, mais elle ne peut pas remplacer la cohérence d’équipe. Un comportement très individualiste, souvent promu au niveau grand public comme de l’indépendance (des mots à la mode comme « liberté » vous disent quelque chose), nuit au passage à l’échelle des organisations. Aucun système complexe n’a jamais grandi par le seul effort isolé. Même l’engouement pour les fondateurs solo n’est pas durable. Il faut déléguer à des humains en coulisses certaines tâches avant de pouvoir (presque) tout déléguer à des essaims d’agents IA, aussi rapides et intelligents qu’ils paraissent.

En 2026, les équipes utilisent l’IA pour rechercher plus vite, générer des options et explorer des possibilités, mais la validation se fait socialement. Les idées sont testées face à d’autres humains, débattues, affinées, rejetées et recombinées.

C’est pourquoi nous devons rester ancrés dans la réalité, sans glisser vers un excès de confiance induit par l’IA. Même quand les réponses de l’IA paraissent impeccables et difficiles à contester sur le moment, sans relecture par les pairs ni expertise humaine, des erreurs coûteuses peuvent surgir plus tard comme des surprises.

Les communautés retrouvent de l’importance, à la fois physiques (meetups, espaces de coworking, événements sectoriels, groupes d’entreprises locales) et en ligne (Reddit, Stack Overflow, Discord, X-Twitter, forums spécialisés), parce qu’elles préservent le contexte, le raisonnement et l’historique à travers des liens sociaux surtout humains que des algorithmes artificiels ne peuvent pas reproduire.

Pour la partie en ligne, le texte continuera de permettre la pensée lente, le désaccord constructif et l’accumulation de savoir partagé d’une manière que la vidéo courte ou l’audio ne peuvent pas égaler. Les messages vidéo et audio saturent l’attention ; le texte peut être parcouru, recherché et relu au rythme du lecteur.

Il y a une asymétrie à noter. La voix bat le clavier pour la saisie (3 à 5 fois plus rapide de parler que de taper), mais le texte bat la voix et la vidéo pour la sortie (2 à 7 fois plus rapide à lire qu’à écouter). Quand l’objectif est la précision ou une référence rapide, l’écrit gagne. Quand l’objectif est d’absorber un long récapitulatif, une semaine de fils Slack, des notes de réunion ou des mises à jour d’équipe, l’audio fonctionne bien. Vous pouvez écouter votre application de texte (Slack, Discord, WhatsApp) résumée comme un podcast pendant que vous faites vos séries à la salle de sport.

L’avantage concurrentiel n’est plus de savoir qui peut générer le plus de production seul, mais qui peut maintenir une compréhension partagée tout en avançant vite.

30. La mémoire change la façon dont les gens délèguent

Quand les systèmes d’IA conservent le contexte dans le temps, la délégation cesse d’être répétitive et devient relationnelle.

Au lieu de réexpliquer à chaque tâche les objectifs, les contraintes, le ton et les préférences, les gens commencent à se référer à un historique partagé. Ils corrigent la direction, affinent l’intention et s’appuient sur le travail précédent. Cela réduit la charge cognitive, mais surtout cela change la manière dont la confiance se forme entre les humains et les systèmes.

La valeur ici n’est pas la vitesse brute. C’est la continuité. Le travail passe de tâches isolées à des processus en évolution. Déléguer ressemble moins à donner des ordres et davantage à diriger quelque chose qui se souvient de ce qui comptait avant.

Cela explique aussi pourquoi la mémoire augmente les attentes au lieu de les réduire. Quand un système se souvient des décisions passées, les humains attendent de la cohérence. Les erreurs répétées paraissent négligentes, pas aléatoires. L’incohérence ressemble à de la négligence, pas à une erreur.

Il y a aussi un enjeu de contrôle important : quand les systèmes d’IA se souviennent de tout, il est beaucoup plus difficile pour les gens de dire « je ne savais pas » ou « je ne m’en souviens pas ».

Un nouveau mode de défaillance apparaît ici, ce que j’appelle la pollution mémorielle. C’est lorsque la mémoire s’accumule sans curation, et que des hypothèses périmées, des interprétations incorrectes, des décisions partielles et d’anciennes hallucinations se répandent dans le travail futur. Le système ne se souvient pas seulement des faits ; il se souvient des erreurs, des vérités partielles et des directions abandonnées, et les traite comme du contexte.

Cela remodèle subtilement la pensée. Le brainstorming devient biaisé vers les anciennes pistes. Les projets dérivent parce que les erreurs antérieures sont amplifiées au lieu d’être remises en question. Le problème n’est pas l’hallucination seule, c’est une mémoire polluée qui paraît cohérente et donc digne de confiance.

Cela force à redéfinir la source de vérité. La mémoire ne peut pas être traitée comme vérité par défaut. Les organisations et les individus doivent définir explicitement ce qui fait autorité, ce qui est provisoire et ce qui doit expirer.

En pratique, cela introduit de nouveaux rituels en 2026 : revues de mémoire, réinitialisations de contexte, ancres de vérité explicites et points de contrôle où les hypothèses sont revalidées. La délégation avec mémoire ne fonctionne que si la mémoire est activement gouvernée. Sinon, la continuité se transforme en enfermement narratif, où le système continue avec assurance dans la mauvaise direction.

31. La voix remplace la saisie de texte

Beaucoup de gens gardent encore des impressions dépassées de l’IA vocale : saccadée, lente, robotique. Cette perception était exacte jusqu’à récemment, mais la technologie a évolué en dessous.

L’ancienne architecture était un pipeline en 3 étapes : STT (reconnaissance vocale), puis le texte traité par un modèle de langage, puis TTS (synthèse vocale). Chaque étape ajoutait de la latence et perdait de l’information : le ton, l’émotion, le bruit de fond et le rythme. Le résultat paraissait mécanique parce qu’il l’était : 3 systèmes séparés collés ensemble.

La nouvelle architecture est nativement de voix à voix. Un seul modèle traite l’audio de bout en bout, en conservant la nuance, en raisonnant et en répondant même en millisecondes plutôt qu’en secondes. Le seuil de 300 ms pour une conversation naturelle est désormais atteint couramment. L’expérience paraît humaine parce que le système perçoit et répond enfin comme un humain et imite les émotions.

La vidéo n’en est pas encore là. Les conversations vidéo en temps réel exigent une inférence continue à une bande passante bien plus élevée que l’audio. Tant que les coûts d’inférence ne baissent pas davantage, accélérés par des initiatives comme l’accord de 20 milliards de dollars entre Nvidia et Groq[[2]](https://www.cnbc.com/2025/12/24/nvidia-buying-ai-chip-startup-groq-for-about-20-billion-biggest-deal.html) fin 2025, la vidéo IA en direct restera simulée par des avatars vidéo d’IA créés à partir d’une image avec synchronisation labiale plutôt que par une vraie compréhension vidéo en temps réel.

Cela démocratise l’action mais ne supprime pas la responsabilité. Dire quelque chose à voix haute est plus facile que configurer un système, mais les conséquences sont les mêmes.

À mesure que l’automatisation pilotée par la voix se répand, le goulot d’étranglement se déplace. Donner des instructions devient sans effort. Examiner les résultats devient la partie difficile. La voix accélère l’accès. Elle ne remplace pas le jugement.

32. Les robots sont confondus en une seule catégorie, mais leurs risques ne le sont pas

Pendant mon temps libre, par loisir, j’ai récemment commencé à étudier la robotique (commencez par le cours open source de Hugging Face), ce qui surprend beaucoup de gens qui me connaissent. Avant les affaires et l’ingénierie, ou même avant de pratiquer des sports comme la force athlétique, j’ai étudié et travaillé en électronique et en télécommunications, et avec ce qui se passe aujourd’hui avec l’IA, c’est le moment idéal pour recombiner logiciel et matériel. Et c’est super amusant de construire son propre kit en DIY (Do It Yourself, faites-le vous-même). Je jouais avec un Raspberry Pi. Aujourd’hui, c’est incroyable ce qu’on peut faire chez soi avec de petits kits de robotique, de l’automatisation de base et des composants du commerce. Mais la vraie demande est industrielle. Contrairement au récit populaire selon lequel « les robots vont tout automatiser », les robots ont toujours besoin des humains : pour les programmer, les maintenir, les sécuriser, les certifier et concevoir des procédures d’exploitation sûres. Avant que les robots puissent même approcher quelque chose comme l’autoréplication (le fantasme de la colonie sur Mars), le monde aura besoin de beaucoup de personnes qualifiées qui comprennent la robotique du monde réel.

En d’autres termes, la robotique devient l’une des compétences à plus fort effet de levier à apprendre avant que le marché ne gagne en maturité. Le débat public traite les robots comme une seule vague, mais en pratique, ils se répartissent en catégories très différentes, avec des calendriers et des risques très différents.

Les robots industriels continuent de se développer régulièrement. Ces systèmes fonctionnent dans des environnements contrôlés, usines, entrepôts, lignes de production, où les limites de sécurité sont claires et les modes de défaillance connus. Leur adoption s’accélère en 2026 parce qu’ils sont prévisibles et économiquement rationnels.

Les robots de divertissement progressent ensuite. Ils sont déjà apparus dans des spectacles en direct, des expositions, des événements marketing et des performances hybrides avec des humains (ils savent plutôt bien se déhancher en Chine). Leur rôle est le spectacle, pas la responsabilité. L’échec est embarrassant, pas mortel, ce qui en fait des terrains d’essai acceptables pour de nouveaux modèles d’interaction.

Les robots domestiques et de soins sont les plus en retard. Un robot physique à l’intérieur d’un foyer n’est pas seulement un appareil ; c’est une surface d’attaque potentielle. S’il est compromis, il devient un vecteur direct de dommages physiques. Un robot domestique piraté représente l’un des vecteurs de menace les plus intimes qui soient : un acteur distant qui contrôle un système physique à proximité de personnes vulnérables.

Les humanoïdes existent pour mettre les humains à l’aise. Ils sont conçus pour la coexistence, pour le travail de soin, pour des environnements où la confiance compte et où les gens doivent se sentir en sécurité auprès d’une machine.

Mais la nature personnelle d’un robot domestique compromis crée un autre type de risque. Il devient un cheval de Troie mécanique, piloté par un pirate dans votre espace intime, quelque chose avec quoi vos enfants interagissent, qui circule dans votre chambre, un morceau de métal qui gagne la confiance humaine.

En 2026, de nouvelles failles de sécurité et démonstrations rendent ce risque visible. Les premiers robots domestiques apparaîtront d’abord chez des adopteurs précoces fortunés, plus comme symboles de statut que comme nécessités, et chez des personnes handicapées ou âgées qui en ont le plus besoin. Les incidents touchant à la vie privée, à la sécurité et au contrôle ralentissent l’adoption de masse plutôt qu’ils ne l’accélèrent.

Les robots humanoïdes domestiques finiront par arriver, mais 2 à 3 ans plus tard que ce que suggère le battage, avec leur sourire de robot innocent en train de faire la vaisselle et de plier le linge. Ils suivront la trajectoire de l’industrie automobile : réglementés, assurés et conçus autour de contraintes où la sécurité passe d’abord. D’ici là, les robots entrent dans les usines et sur les scènes bien avant d’entrer dans les salons.

33. L’UCP (Universal Commerce Protocol) transforme les marchés en systèmes d’échange d’agent à agent

Une nouvelle couche émerge sous le commerce en ligne et les places de marché, un Universal Commerce Protocol (UCP, open source, de Google, comme l’A2A) qui permet à des agents logiciels de découvrir, négocier, effectuer des transactions et régler directement avec d’autres agents. Et une seule loi demeure : l’offre et la demande !

Au début, cela apparaît dans les environnements B2B : achats, logistique, achat publicitaire, ressources cloud, équilibrage des stocks et services financiers. La vitesse, la standardisation et les contrats lisibles par machine font paraître les achats humains lents et inefficaces en comparaison. Des jours ou des semaines contre des millisecondes. Une fois que les agents IA effectuent des transactions et négocient avec d’autres agents IA, le commerce cesse de ressembler à du shopping dans l’UX (expérience utilisateur) humaine et se met à ressembler à du trading, de type trading haute fréquence.

Les prix de certains produits ou services changent en continu, comme la crypto, avec une possible couche spéculative. Les stocks sont acquis non pour l’usage, mais pour le positionnement stratégique. La rareté artificielle devient une tactique, pas un effet secondaire. Les agents achètent de la capacité, des biens ou de l’accès en avance, les regroupent et les revendent plus tard plus cher quand la demande culmine. La logique reflète le trading haute fréquence, mais appliquée à des biens et services physiques.

Cela brise le commerce en ligne traditionnel et met la pression sur les magasins physiques locaux qui reposent sur la découverte, la commodité ou la concurrence par les prix. Quand les agents peuvent comparer, négocier et exécuter plus vite que n’importe quel humain, l’avantage d’être moins cher ou plus visible s’effondre.

En réponse, les entonnoirs de vente évoluent.

Les paywalls ne suffisent plus. Au lieu d’un accès ouvert suivi d’un paiement, les organisations introduisent des portes de confiance. L’entrée vient d’abord, la transaction ensuite. Les utilisateurs sont filtrés, acceptés et qualifiés avant même d’être autorisés à acheter.

Cela crée une nouvelle structure, l’« entonnoir de confiance ».

L’accès remplace l’exposition. L’appartenance remplace la portée. Les murs communautaires remplacent les paywalls.

La conséquence économique est paradoxale. À mesure que les robots et les agents IA produisent en masse des biens, des services et des contenus avec une constance quasi parfaite, la perfection perd de la valeur. Ce qui est rapide, impeccable et abondant devient interchangeable.

L’imperfection humaine devient le facteur de différenciation.

Les produits, l’art et les services qui portent une contrainte humaine visible, de la lenteur, de l’erreur et de l’intention retrouvent de la valeur et deviennent du luxe. Non malgré leurs imperfections, mais à cause d’elles. Ce qui ne peut pas être mis à l’échelle facilement devient rare par nature.

L’authenticité passe d’une affirmation à un processus.

La preuve n’est plus l’objet seul, mais la trace documentée qui se trouve derrière. La fabrication, les coulisses, les décisions, les révisions, les retards, la manière de raconter comment quelque chose a vu le jour. La vidéo, les journaux, les récits et les artefacts de processus deviennent des signaux de confiance et d’humanité.

Le luxe, dans ce contexte, ne se définit pas par le prix seul. Il se définit par le temps, le soin et l’implication humaine qui ne peuvent pas être compressés par l’automatisation.

Dans un monde où les agents échangent avec des agents à la vitesse des machines, la valeur la plus défendable n’est pas l’efficacité. C’est d’être incontestablement humain.

Pour conclure

2026 est l’année où les coûts cachés deviennent visibles.

Pas celui qui a les modèles d’IA les plus avancés. Pas celui qui livre les démonstrations les plus rapides. Pas celui qui annonce le plus fort. Mais celui qui sait opérer sans perdre le contrôle.

3 ans d’accélération de l’IA nous ont enseigné la mauvaise leçon. Nous avons optimisé la capacité alors que nous aurions dû optimiser la discipline. Les cartes de décision, la vitesse de revue, les niveaux de risque, les rituels de nettoyage, la gouvernance de la mémoire, ce ne sont pas des détails opérationnels. C’est la différence entre se capitaliser et se noyer discrètement dans la dette.

Ce qui ressemble à de la lenteur est souvent de la retenue. Ce qui ressemble à de la vitesse est souvent du temps emprunté.

Tel que formulé par le Dr Goldratt, la théorie des contraintes énonce que tout système a au moins un goulot d’étranglement limitant, et que lorsqu’on le relève ou le supprime, un autre goulot d’étranglement devient inévitablement le nouveau. L’amélioration est donc un cycle continu, pas une correction unique.

L’IA n’a pas supprimé la responsabilité. Elle l’a concentrée.

La question qui s’ouvre en 2026 n’est donc pas de savoir si l’IA est assez puissante.

C’est de savoir si vous êtes structuré pour garder le contrôle quand elle l’est.

Et voici l’étrange vérité dont personne ne parle : les systèmes qui durent ne sont pas ceux qui éliminent la friction. Ce sont ceux qui savent quelle friction garder.

Mais tout n’est pas risque

Il serait malhonnête de terminer sans reconnaître où l’IA crée une valeur réelle et mesurable, pas du battage, pas des promesses, mais des résultats validés.

La santé se distingue. D’ici la fin de 2026, des capteurs moléculaires conçus par l’IA détecteront probablement 3 à 5 types de cancer à un stade précoce par de simples tests. Des candidats médicaments découverts par l’IA avancent dans les essais de phase III, avec une première autorisation probable d’ici 12 à 18 mois.

Des plateformes de santé mentale comme Wysa et Woebot détiennent déjà des désignations Breakthrough Device de la FDA, avec des essais contrôlés randomisés montrant une amélioration de 40 % des symptômes dépressifs[[3]](https://blogs.wysa.io/blog/research/wysa-receives-fda-breakthrough-device-designation-for-ai-led-mental-health-conversational-agent) et une réduction de 63 % de la solitude[[4]](https://www.wysa.com/reports).

À l’intérieur des hôpitaux, la transformation est déjà en cours. Plus de 30 % des hôpitaux américains ont déployé de l’IA générative intégrée aux dossiers médicaux électroniques. La documentation clinique ambiante, une IA qui écoute et transcrit les consultations des patients, devient la norme et fait gagner 1 à 2 heures par jour aux cliniciens. Des modèles prédictifs signalent la détérioration d’un patient avant que les infirmiers n’observent un changement clinique. Ce n’est pas du battage. C’est une infrastructure en construction.

Le schéma est clair. L’IA fonctionne mieux là où le problème est bien défini, les données sont structurées, la boucle de rétroaction est mesurable et les humains restent dans la boucle pour le jugement. La santé, avec ses protocoles de diagnostic, ses essais cliniques et sa validation réglementaire, correspond à ce schéma. D’autres domaines de structure similaire aussi. La leçon n’est pas que l’IA est bonne ou mauvaise. C’est que les gains sont réels là où la discipline existe, et que les coûts sont réels là où elle n’existe pas.

Une note personnelle. Ce que je construis

Ces 33 prédictions ne sont pas que des observations. Elles façonnent ce que je choisis de travailler.

Ma prédiction pour moi-même. D’ici la fin de 2026, j’aurai mené au moins un atelier pilote aux îles Canaries, pour tester si une éducation à l’IA locale et pratique peut donner à des PME et à des particuliers présélectionnés une réelle capacité d’agir. Je découvrirai ce qui fonctionne, ce qui doit être ajusté et ce qui vaut la peine d’être fait ensuite. Cela n’arrive qu’en commençant. Dans tous les cas, j’aurai un artefact, une preuve de travail ou la preuve d’échecs expérimentaux accumulés, pas seulement un plan qui prend la poussière. Et ce sont les artefacts qui ouvrent des portes.

L’hypothèse à tester sur le marché est simple (et mon côté contrariant veut qu’elle soit fausse) :

La plupart des petites entreprises et des particuliers sont laissés de côté, non pas parce que l’IA est inaccessible, mais parce que personne ne leur apprend à l’utiliser de façon pratique, abordable et dans leur propre contexte. Ils ont besoin de comprendre les vrais écarts d’accès à ce qui est réellement possible : outils freemium contre outils payants contre options open source. Mais l’accès à une intelligence réelle et pratique ne suffit pas. Les gens ont aussi besoin de recul critique, de la capacité de sortir du résultat et de le remettre en question. Ils ont besoin de renouer avec ce qui fait la valeur des humains : le goût, la curiosité, le jeu, l’expérimentation, l’esprit critique, le jugement, l’intention et l’art.

Pensez à la conduite. L’IA est une voiture plus rapide. Vous ne pouvez plus vous permettre de continuer à conduire lentement, mais vous ne pouvez pas non plus laisser la voiture rapide conduire seule, comme les futures voitures autonomes. L’humain reste dans la boucle, non comme un goulot d’étranglement, mais comme celui qui conduit.

Le but n’est pas d’être remplacé par une machine. C’est de devenir une version augmentée de soi-même : plus affûté, plus rapide, mais toujours incontestablement humain. L’écart n’est pas l’intelligence. C’est l’accès à un soutien pratique et l’état d’esprit pour l’utiliser avec sagesse.

Cet article a surtout parlé des risques, des coûts cachés et de ce qui casse. C’est voulu ; le battage les ignore. Mais voici la face inverse : les mêmes outils qui créent du bruit et de la manipulation créent aussi des opportunités.

Les fenêtres d’opportunité dans les affaires sont plus courtes aujourd’hui, mais elles sont partout. Ceux qui continuent d’apprendre, qui restent en mouvement, qui tranchent dans le superflu et les faux, peuvent encore les saisir.

Le chemin à suivre n’est pas de résister à l’IA ; c’est de l’utiliser sans être utilisé par elle. Cela demande une éducation au service des personnes, pas des vendeurs. Des outils qui renforcent, pas qui extraient.

Et surtout, la collaboration humaine, pas l’isolement.

Si ce projet pilote capable de passer à l’échelle fonctionne à un endroit, il peut fonctionner n’importe où dans le monde. J’en dirai plus dans un prochain article.

Parce que la question qui s’ouvre en 2026 n’est pas seulement de savoir si les organisations sont structurées pour garder le contrôle. C’est de savoir si nous, en tant que citoyens et individus, le sommes aussi. Et c’est une question qui vaut la peine d’être testée.

Dans l’esthétique japonaise, il existe un concept appelé wabi-sabi qui trouve de la profondeur dans ce qui est inachevé, usé et éphémère. Il s’oppose en silence à la quête incessante de polissage et d’optimisation de l’intelligence artificielle.

Paradoxalement, nos imperfections et nos inefficacités humaines sont des expressions de beauté.

Quelles sont vos prédictions ?

#FutureOfWork #AIethics #Robotics