Auteur : TT3LABS, plateforme de recrutement à distance Web3/IA/SaaS
Le 26 février 2026, le géant de la fintech Block a annoncé avoir licencié plus de 4000 employés, réduisant son équipe de plus de 10 000 à moins de 6 000 personnes. Le PDG Jack Dorsey a mentionné dans une lettre aux actionnaires :
“Les outils intelligents ont changé la signification de créer et de gérer une entreprise… une équipe nettement plus petite, utilisant les outils que nous construisons, peut faire plus et mieux.”
Dorsey a également fait une prévision extrêmement froide :
“Je pense que la plupart des entreprises sont déjà en retard. Dans l’année à venir, la majorité d’entre elles en arriveront à la même conclusion, en effectuant des ajustements structurels similaires.”
Après la clôture ce jour-là, le cours de l’action Block a explosé de plus de 20 %. C’est la réponse du marché financier : payer pour le levier et l’efficacité de l’IA dans les entreprises.
Un simple citoyen sans compétences en programmation peut désormais, grâce à de grands modèles, lancer en une nuit une application fonctionnelle complète. Le marché du capital ne manquera pas de poser une question cruciale : quelle est encore la valeur de maintenir un géant technologique avec des dizaines de milliers de programmeurs pour faire fonctionner un super app, alors que ses coûts humains sont si élevés ?
La tendance à remplacer la main-d’œuvre par l’IA, plus d’entreprises suivront. L’anxiété est inévitable, mais se limiter à l’angoisse ne sert à rien. Nous devons commencer par le contexte global, puis revenir étape par étape à la stratégie de survie individuelle.
L’IA n’est pas seulement un outil, elle devient un moyen de production
Certains commencent à utiliser le terme “Web4” pour définir la phase actuelle. Pour clarifier, voici un aperçu des différentes étapes de l’évolution d’Internet :
Web2
L’interaction principale est entre logiciel et utilisateur. Différents plateformes utilisent des algorithmes pour capter l’attention des utilisateurs, ce qui revient essentiellement à une guerre pour le trafic.
Web3
Tente de résoudre la question de la propriété et de la répartition de la valeur des actifs numériques. Beaucoup assimilent cela à la cryptomonnaie, mais fondamentalement, il s’agit toujours d’un jeu sur les règles de distribution de la richesse, sans toucher à la “production” des produits numériques.
Veille du Web4
L’IA commence à toucher à la relation de production elle-même. Elle ne se limite plus à un simple outil d’efficacité, mais devient une nouvelle forme de moyen de production. Celui qui maîtrise son usage pourra décupler ses capacités de production.
Dans la collaboration traditionnelle, il existe de nombreux coûts cachés : la capacité de jugement et l’intuition sectorielle d’un bon leader sont difficiles à transmettre, la compréhension erronée et la révision sont inévitables lors de travaux en équipe. Ce sont comme une “taxe occulte” sur l’organisation, sans solution claire jusqu’à présent. L’IA réduit considérablement cette “taxe”. Elle n’a pas de courbe d’apprentissage, elle exécute avec précision en suivant des instructions claires, et peut traiter plusieurs tâches en parallèle. La combinaison du jugement stratégique humain et de l’effet de levier de l’IA peut produire le rendement d’une équipe entière.
Bien sûr, l’IA peut encore parfois “dire des bêtises sérieuses”, ce qui nécessite une vérification humaine. Mais la fiabilité des modèles s’améliore chaque mois, et la marge de manœuvre pour les tâches purement exécutives est bien plus courte que ce que beaucoup pensent.
L’égalité d’efficacité et la crise profonde : quand la barrière d’entrée s’efface
À court terme, l’accès aux outils IA offre un gain d’efficacité pour le grand public. Mais en remontant plus loin, lorsque l’IA réduit considérablement la différence d’efficacité de base et abaisse drastiquement la barrière d’entrée professionnelle, les entreprises constateront que : si la productivité d’un individu augmente fortement sans croissance proportionnelle de l’activité globale, maintenir le même effectif devient une charge négative.
Regardez la disparité salariale actuelle. Selon les données de suivi de TT3LABS, depuis 2025, le marché de l’emploi en IA voit à plusieurs reprises des packages salariaux dépassant le million de dollars, pour des jeunes ingénieurs en IA sans compétences managériales approfondies. Meta a offert à ses chercheurs clés chez OpenAI une prime de plus d’un milliard de dollars, avec une rémunération moyenne en actions atteignant 1,5 million de dollars, et chez Anthropic, le salaire annuel de ses ingénieurs principaux peut atteindre 690 000 dollars (hors actions).
Ce que l’investissement capitalistique achète, c’est une capacité rare : rendre l’IA elle-même plus puissante. Ceux qui peuvent faire évoluer les modèles fondamentaux ont une valeur qui peut être amplifiée géométriquement dans tout le réseau commercial. En revanche, si le travail peut être remplacé par l’IA à moindre coût, la valorisation de certains profils pourrait diminuer.
Cela soulève aussi une crise potentielle plus profonde. Aujourd’hui, de plus en plus de personnes cherchent d’abord des réponses auprès de l’IA, en sautant la phase de réflexion, de vérification et d’expérimentation. Avec le temps, cela peut faire perdre la capacité de penser. La “faible technicité” qui forge votre sensibilité aux problèmes est essentielle. Dépendre trop longtemps de l’IA pour cette étape, c’est risquer de réduire votre rôle à celui d’un “traducteur de besoins” : transformer les demandes en instructions pour l’IA, puis transmettre ses résultats. Or, cette étape de médiation est justement celle que la prochaine génération d’IA pourrait facilement sauter.
Carte d’impact : où vous situez-vous ?
L’angoisse sans repère n’est que de l’anxiété. Avant de réfléchir à des stratégies, il faut tracer une “carte d’impact”. Ce n’est pas pour alimenter la panique, mais pour que chacun se positionne.
Postes à haut risque dont le travail peut être clairement commandé par des instructions
Codage de base, analyse de données simple, génération de rapports standardisés, design modulaire, relecture de traduction. Ces postes ont en commun d’être facilement décomposables en “entrée → traitement → sortie”. Parmi les 4000+ licenciés chez Block, une grande partie appartient à cette catégorie. Leur compétence n’est pas mauvaise, mais leur tâche est précisément ce que les grands modèles peuvent faire.
Une question à se poser : si tout votre travail peut être résumé en une instruction IA, cela signifie que la machine est prête à vous remplacer. La seule question est : quand votre entreprise prendra cette décision ?
Les middle managers en “compression”
Chefs de projet, responsables opérationnels, ingénieurs intermédiaires. Leur travail implique jugement et coordination. À court terme, l’IA ne peut pas tout faire, mais elle commence à “compresser” ces rôles. Avant, une chaîne de travail nécessitait cinq middle managers pour gérer chaque étape, en coordination. Maintenant, l’IA peut prendre en charge l’exécution en amont et en aval, et une ou deux personnes peuvent faire fonctionner toute la chaîne.
Ce groupe voit ses “postes” diminuer. Leur capacité n’a pas diminué, mais la demande pour leur rôle chute brutalement. Leur voie consiste à exploiter l’IA pour amplifier leur exécution, et à prendre la main sur la définition des problèmes.
Les gestionnaires de l’incertitude de valeur
Certains métiers ne consistent pas à “faire juste”, mais à “prendre des décisions dans un contexte d’informations incomplètes, en assumant les risques”. Négociations complexes, gestion de crise, management interculturel, évaluation d’investissements à haut risque. L’IA peut fournir analyses et conseils, mais ne peut signer, assumer la responsabilité, ou décrypter un regard ou un geste lors d’un dîner.
Ces rôles ne seront pas dévalorisés, au contraire : en réduisant considérablement leurs coûts d’exécution, l’IA permet de mobiliser des budgets plus importants pour des projets plus grands, et les décideurs disposent de leviers plus longs.
Souvent, le travail de chacun couvre plusieurs de ces niveaux. Un test simple : réfléchissez à votre quotidien professionnel. Combien de tâches peuvent être clairement commandées par une instruction ? Combien nécessitent votre jugement dans l’incertitude ? Plus la part de la première est grande, plus il faut agir rapidement.
Stop à l’angoisse des outils, transformez la puissance publique en avantage privé
Fin janvier, OpenClaw (“Le Petit Crabe”) a fait une entrée remarquée, avec plus de 170 000 étoiles sur GitHub en quelques jours. Les fournisseurs de modèles ont rapidement suivi : Alibaba Cloud a lancé un déploiement en un clic, Tencent a publié CoPaw en concurrence, MiniMax, Kimi ont aussi leurs solutions compatibles.
Et vous constaterez une chose intéressante : beaucoup consacrent plus de temps ce mois-ci à “étudier comment déployer Le Petit Crabe” ou “comparer les forfaits” qu’à produire réellement des résultats avec l’IA. Tout le monde poursuit l’outil, mais une fois déployé, la configuration peut être copiée en deux heures par d’autres.
“Tous les grands modèles de langage — OpenAI, Anthropic, Meta, Google, xAI — sont entraînés sur les mêmes données publiques Internet. En conséquence, ils sont fondamentalement identiques, ce qui explique leur commercialisation rapide.”
— Larry Ellison, Oracle, conférence téléphonique Q2 2026
En inversant la logique, cela signifie : si votre travail dépend uniquement des capacités publiques des grands modèles, votre production sera homogène, même si vous rédigez des instructions sophistiquées. Il n’y aura pas de véritable avantage concurrentiel.
Le vrai avantage réside dans la transition du public au privé.
Une tendance claire se dessine : de plus en plus d’organisations, des grandes entreprises aux startups, déploient des modèles locaux et privés. La raison principale est la sécurité des données : personne ne veut confier ses données sensibles à une API tierce. Mais cette tendance a aussi une réaction en chaîne sous-estimée : lorsque tous les acteurs principaux internalisent leurs données et connaissances, l’accès à l’information sectorielle via le réseau public diminue, devient obsolète. Sur la surface, l’IA réduit la barrière de connaissance, mais la connaissance sectorielle précieuse disparaît rapidement du domaine public pour s’enfermer dans des bases privées.
Ainsi, votre expérience sectorielle accumulée n’est pas en déclin, elle s’apprécie. À condition de l’utiliser.
Organisez, structurez, et formalisez ces expériences non standardisées, issues de vos échanges, emails, ou notes, pour qu’elles alimentent votre modèle privé. Selon TT3LABS, la proportion de candidats avec plus de deux ans d’expérience dans le Web3, ayant réussi leur pré-sélection, dépasse largement celle des talents techniques sans expérience sectorielle. La raison principale : la connaissance sectorielle pèse plus que la compétence technique générale. Un opérateur CEX depuis trois ans comprend la logique de conformité et les règles implicites, un participant à deux cycles de gouvernance DAO maîtrise la conception de propositions et l’état d’esprit communautaire, un spécialiste du contenu vertical connaît la psychologie de l’audience et le rythme narratif. Ces éléments ne figurent pas dans les données d’entraînement publiques.
Une fois ces expériences privées structurées et intégrées dans le modèle, votre IA devient non pas une encyclopédie universelle, mais un assistant dédié, qui ne travaille que pour vous, dans votre secteur. La profondeur de cette production est un avantage que personne ne pourra égaler avec un modèle général identique.
La seule règle essentielle : l’IA traite mieux le savoir public que personne, mais pour le savoir privé, elle dépend entièrement de votre alimentation. Ceux qui savent combiner expertise sectorielle et IA seront les véritables actifs dans cette nouvelle division du travail.
Votre base d’expériences est votre “modèle” véritable
Les modèles d’IA évoluent rapidement. GPT, Claude, Gemini, dans six mois, seront remplacés par des versions plus puissantes. Mais pour vous, changer de modèle n’est qu’un changement d’API. La véritable valeur durable, c’est la base de données et d’expériences que vous lui fournissez.
Le modèle est une infrastructure universelle, accessible à tous. Mais ce que vous y insérez — connaissances sectorielles, jugements, pièges évités — constitue votre “données d’entraînement” exclusive. Plus l’IA est forte, mieux elle digère votre corpus, et plus votre avantage privé s’accroît. Ne vous inquiétez pas de la “rapidité” à construire une base de connaissances, elle ne se dévalue pas avec l’évolution des modèles. La technologie change, mais votre barrière de connaissance privée ne fera que s’accroître avec la montée en puissance de l’IA.
Par ailleurs, la logique de compétition dans le monde du travail est aussi en train d’être réécrite. Autrefois, on pouvait montrer son engagement par des heures supplémentaires. Avec une machine qui fonctionne 7×24, toute stratégie basée sur “je tiens plus longtemps que les autres” devient obsolète.
Beaucoup disent : “Je continue à apporter une valeur émotionnelle à l’équipe.” C’est vrai, c’est une capacité humaine unique. Mais cette valeur ajoutée dépend de votre position hiérarchique. Quand une petite équipe de dix personnes devient deux, avec une série d’IA, le “lubrifiant” humain disparaît. En revanche, au niveau décisionnel, la complexité des négociations, la gestion de crises, la médiation entre intérêts, la confiance profonde entre partenaires, prennent de la valeur à mesure que les coûts de base diminuent. La valeur émotionnelle ne disparaît pas, elle migre vers le haut.
En fin de compte, l’investissement le plus stratégique dans l’ère de l’IA, ce n’est pas apprendre à utiliser un outil, mais entretenir cette base privée d’IA qui vous appartient. Les outils évoluent, mais votre expérience privée ne sera pas dévaluée.
Trois actions à commencer dès maintenant
Reprenons l’exemple de Block : certains ont été licenciés, d’autres restent. La différence, c’est que, après que l’IA est devenue un outil de production standard, ceux qui restent sont inébranlables. Ne pas attendre une formation officielle en IA. Dès aujourd’hui, voici quelques actions à entreprendre :
01. Passer de “faire soi-même” à “construire un flux de travail”
Le piège le plus courant est d’utiliser l’IA pour “se faciliter la vie” (par exemple, rédiger un rapport hebdomadaire ou polir un email). C’est une pensée d’exécution. La vraie démarche, c’est de se voir comme un “chef de chantier”, et de restructurer votre tâche principale en une ligne de production automatisée par l’IA.
Ne testez pas dix modèles en même temps. Choisissez l’outil le plus mature (par exemple ChatGPT Plus ou Claude), et faites-le intervenir dans la tâche la plus chronophage et sensible à l’expérience. Transformez le processus “collecte manuelle → analyse comparative → synthèse” en “automatiser la collecte → alimenter un cadre d’analyse IA → ajuster manuellement”. Quand cette méthode vous permet de réduire une tâche d’une semaine à une journée, tout en maintenant une qualité stable, vous ne serez plus un simple nœud de calcul, mais une “micro-entreprise” à haut levier.
02. Formaliser l’expérience tacite en votre “double numérique” privé
Les grands modèles apprennent sur des données publiques. Ils comprennent la théorie, mais ignorent vos clients difficiles, ou les règles implicites de votre département. Ces “connaissances cachées” sont votre actif le plus précieux.
Mais si ces connaissances restent dans votre tête, elles ne produisent pas d’effet de levier. La tâche est d’utiliser les fonctionnalités de personnalisation (Custom GPTs, Claude Projects) pour transformer votre expérience en “instructions système”. Intégrez vos cas marginaux, retours d’échec, règles non écrites. L’objectif n’est pas de créer un simple “carnet de connaissances”, mais un assistant privé, personnalisé, 24h/24, qui ne travaille que pour vous. Quand ce “double numérique” sera opérationnel, personne ne pourra vous surpasser avec un modèle général.
03. Renforcer votre “droit à définir les problèmes” et votre responsabilité
Pratiquez dans votre équipe : confiez à l’IA la recherche de réponses, et gardez la main sur la formulation des questions et la prise de décision. L’IA est un moteur de réponse parfait, mais ne perçoit pas la motivation réelle derrière une demande. Si votre supérieur veut “une nouvelle stratégie de rétention”, l’IA peut proposer dix modèles. Mais seul vous pouvez, en fonction du budget et des ressources, dire : “la solution B est idéale mais pas réalisable pour l’instant, la solution C, avec la moitié des fonctionnalités, correspond mieux à notre rythme actuel.”
Il faut aussi comprendre : l’IA ne va pas en prison, ne peut pas assumer la responsabilité. La rémunération élevée que vous recevez, c’est souvent pour garantir votre “garantie de résultat”. Quand vous soumettez un code ou une proposition générée par l’IA, vous devez pouvoir dire : “J’ai vérifié cette production avec mon expertise, je suis responsable du résultat final.” La capacité à prendre des décisions dans l’incertitude, et à assumer la responsabilité commerciale, constitue une prime que la machine ne pourra jamais remplacer.
Dorsey dit que “la plupart des entreprises sont déjà en retard”. Mais pour un individu, cette phrase peut aussi s’inverser : la majorité n’a pas encore commencé, ni pris conscience de cette tendance.
Tout le monde ne doit pas devenir expert en IA. Mais chacun doit se poser cette question : dans votre travail, quelles parties seront inévitablement automatisées, et lesquelles vous sont propres ? Ensuite, déplacez votre temps et votre énergie du premier vers le second.
Si un jour l’IA dépasse l’humain dans tous les domaines, peut-être en 2027, peut-être en 2030, ce ne sera pas une transformation à laquelle vous pourrez rester spectateur.
Elle ne vous attend pas.
