La question est légitime, mais elle est souvent mal posée. Le vrai sujet n’est pas de choisir entre un diplôme et un métier manuel, ni d’anticiper le “bon” secteur gagnant. Il est de comprendre ce que l’intelligence artificielle est déjà en train de transformer dans la nature même du travail.
Un mot résume assez bien ce basculement : le slop. Désigné mot de l’année 2025 par les lecteurs du dictionnaire Merriam-Webster, il désigne cette masse de contenus générés par l’IA, propres, plausibles, parfois impressionnants, mais souvent creux. Du travail qui ressemble à du travail, sans toujours en être vraiment.
Le slop n’est pas une dérive marginale. C’est un signal. Il nous dit que produire devient facile. Et que, dans ce contexte, la vraie question à poser aux jeunes n’est peut-être plus quelle compétence acquérir, mais comment apprendre à travaillerquand l’exécution est largement automatisable.
Ce que l'IA automatise en premier
L’intelligence artificielle ne remplace pas “le travail” en bloc. Elle commence par automatiser ce qui est standardisable : produire un texte correct, un tableau cohérent, un bout de code fonctionnel, une présentation lisible. Tout ce qui repose sur des règles explicites, des formats attendus et des conventions bien établies devient soudain très rapide à générer.
C’est précisément pour cela que le slop prolifère. L’IA excelle à produire des livrables plausibles, propres, rassurants. Mais elle ne sait pas pourquoi elle les produit. Elle ne comprend ni l’intention, ni les enjeux réels, ni les arbitrages implicites. Elle exécute très bien, sans jamais vraiment aller au fond du problème.
“Louis n’hésite jamais à mettre les mains dans le slop” - Vue d’artiste IA
C’est précisément pour cela que le slop prolifère. L’IA excelle à produire des livrables plausibles, propres, rassurants. Mais elle ne sait pas pourquoi elle les produit. Elle ne comprend ni l’intention, ni les enjeux réels, ni les arbitrages implicites. Elle exécute très bien, sans jamais vraiment aller au fond du problème.
Cette automatisation touche en premier lieu les tâches historiquement confiées aux profils juniors : préparation d’analyses, rédaction de synthèses, production de code ou de slides. Des tâches souvent formatrices, mais aussi répétitives. Résultat : la capacité à “faire” ne suffit plus à justifier une valeur professionnelle. L’IA peut déjà faire. Plus vite.
Le point clé n’est donc pas que l’IA remplace les humains, mais qu’elle dévalue l’exécution comme critère central. Elle augmente massivement la productivité, sans pour autant créer de compréhension, de jugement ou de responsabilité. Et c’est exactement là que se joue la suite.
Ce qui fait encore la différence…
Quand l’exécution devient facile, la valeur se déplace. Ce qui distingue un bon professionnel n’est plus sa capacité à produire rapidement quelque chose de correct, mais sa capacité à penser avant de produire.
Poser un problème est déjà un travail. Comprendre le contexte, identifier ce qui compte vraiment, formuler une question claire, décomposer un sujet complexe en éléments traitables : tout cela précède l’usage de l’IA, et ne peut pas être délégué sans perte de sens. Une IA peut proposer des solutions. Elle ne sait pas décider ce qui mérite d’être résolu.
Vient ensuite le jugement. Arbitrer entre plusieurs pistes, évaluer la qualité d’un résultat, détecter une approximation séduisante mais fausse, assumer un choix dans l’incertitude. Ces compétences ne sont ni automatisables ni immédiatement visibles dans un livrable final. Pourtant, ce sont elles qui font la différence entre un contenu qui ressemble à du travail et un livrable réellement utile.
Enfin, il y a la capacité à aller au bout. Pas seulement livrer, mais vérifier, ajuster, expliquer, défendre une position. L’IA peut produire des itérations infinies. Elle ne sait pas quand s’arrêter, ni pourquoi. Ce sens de la responsabilité intellectuelle reste profondément humain.
Dans un monde saturé de slop, la méthode, la clarté de pensée et la capacité de jugement deviennent des actifs rares. Et donc précieux.
… Pour longtemps
Le jour où l’IA saura formuler une intention, choisir ses problèmes et en assumer les conséquences, le sujet changera. En attendant, la valeur reste du côté de ceux qui savent penser avant de produire.
Côté formation, cela implique de privilégier tout ce qui oblige à structurer un raisonnement dans la durée. Par exemple : travailler sur des problèmes volontairement mal définis, où il faut clarifier le besoin avant de chercher une solution ; expliquer son travail à d’autres, à l’écrit ou à l’oral, jusqu’à être capable de répondre à la question "pourquoi as-tu fait comme ça ?" ; aller au bout d’un sujet sans réponse évidente, comme un projet personnel, une étude de cas réelle ou un mémoire qui impose des choix et des arbitrages.
Apprendre à utiliser l’IA fait évidemment partie du jeu, mais toujours comme un outil au service d’une démarche claire, jamais comme un substitut à la compréhension. Utiliser l’IA pour explorer des pistes, comparer des options, challenger une hypothèse ou reformuler un raisonnement est formateur. L’utiliser pour produire directement un résultat final l’est beaucoup moins.
L’IA accélère l’apprentissage quand il existe déjà une méthode. Elle fige les lacunes quand ce n’est pas le cas.
Côté recrutement, le signal fort n’est plus la qualité apparente d’un livrable, mais la capacité à raconter son travail. Être capable de dire ce qu’on a compris, pourquoi on a choisi telle approche, ce qu’on a volontairement écarté, où se situent les limites. Montrer qu’on sait douter, arbitrer et assumer un raisonnement imparfait vaut souvent plus qu’un résultat "propre", produit avec l’aide d’une machine.
Dans un monde saturé de slop, ceux qui tirent leur épingle du jeu ne sont pas ceux qui produisent le plus, mais ceux qui restent identifiables comme auteurs de leur pensée. Et cette compétence-là, contrairement aux compétences techniques à l’obsolescence de plus en plus accélérée, est appelée à durer.
