En bref. Le profil en T (T-shaped professional), expert dans une discipline et suffisamment ouvert pour collaborer avec les autres, reposait sur deux prix : la profondeur était rare, et l’étendue des connaissances coûtait cher à acquérir. L’IA générative a changé les deux. Lors d’une expérience de terrain menée auprès de professionnels de Procter & Gamble, les individus travaillant avec l’IA ont amélioré la qualité de leurs solutions de 0,37 écart-type, au niveau des équipes de deux personnes travaillant sans IA, et ont produit des solutions équilibrées entre dimensions technique et commerciale, quel que soit leur propre parcours. La barre horizontale du T peut désormais s’emprunter. La barre verticale change elle aussi : dans une étude publiée portant sur 5 172 agents du support client, l’assistance de l’IA a augmenté la productivité de 15 % en moyenne, les travailleurs les moins expérimentés progressant le plus. Notre propre analyse croise les notes de compétences d’O*NET 31.0 avec des scores publiés d’exposition à l’IA pour 372 métiers américains qui exigent généralement un diplôme. Les métiers à fortes compétences analytiques mais à faibles compétences relationnelles présentent l’exposition moyenne la plus élevée (0,52) ; associer la même intensité analytique à de solides compétences relationnelles va de pair avec une exposition inférieure de 16 %. La nouvelle forme que nous proposons est l’Arbre : une canopée d’étendue prolongée par l’IA, que vous empruntez ; un tronc de profondeur de jugement, qui vous appartient ; des racines faites de relations et de contexte que les machines ne peuvent pas fournir ; et des cernes de croissance qui enregistrent la vitesse à laquelle vous continuez d’apprendre.
Cet article fait partie de notre série consacrée à la stratégie de carrière à l’ère de l’IA. Il prolonge du spécialiste à l’orchestrateur, l’empilement de compétences à l’ère de l’IA et le capital de carrière : ce qui fructifie et ce qui décline.
D’où vient le T, et les deux paris sur lesquels il reposait
Le T est plus ancien que la plupart de ceux qui l’emploient. La première occurrence que citent généralement les chercheurs est un court article de David Guest paru en 1991 dans The Independent, intitulé « The hunt is on for the Renaissance Man of computing ». La Harvard Business Review a fait connaître l’idée au public du management en 2001 avec l’article de Morten Hansen et Bettina von Oetinger, « Introducing T-shaped managers ». Le directeur général d’IDEO, Tim Brown, a donné la définition que la plupart des gens reprennent aujourd’hui, dans un entretien accordé en 2010 au magazine Chief Executive : le trait vertical est « une profondeur de compétence qui leur permet de contribuer au processus créatif », et le trait horizontal, la disposition à collaborer entre disciplines.
Derrière la lettre se cachaient deux paris économiques :
- La profondeur est l’actif rare. On vous embauche pour la barre verticale. Des années d’études et de pratique dans un domaine sont difficiles à copier ; elles sont donc rémunérées avec une prime.
- L’étendue coûte cher, un peu suffit donc. Si vous êtes ingénieur, vous n’avez pas besoin de maîtriser le marketing ; il vous en faut assez pour dialoguer avec le responsable marketing. La barre horizontale est une interface de collaboration, pas une seconde compétence.
Ces deux paris étaient raisonnables pendant trente ans. L’IA générative change le prix de chacun.
Ce que l’IA fait à la barre horizontale
Les données les plus nettes viennent de « The Cybernetic Teammate », une expérience de terrain préenregistrée menée chez Procter & Gamble par Fabrizio Dell’Acqua, Karim Lakhani et leurs collègues, publiée dans Organization Science en 2026. Des professionnels ont travaillé sur de vrais défis d’innovation produit, seuls ou en équipes de deux réunissant un profil R&D et un profil commercial, avec ou sans un outil fondé sur GPT-4.
Dans la version document de travail, les équipes sans IA amélioraient la qualité des solutions de 0,24 écart-type par rapport aux individus travaillant seuls. Les individus avec IA progressaient de 0,37 écart-type, et les équipes avec IA de 0,39. Le résumé publié le dit simplement : les individus avec IA ont égalé la performance des équipes sans IA.
Le résultat le plus important pour le T concerne les silos. Sans IA, les professionnels de la R&D avaient tendance à proposer des solutions techniques, et les commerciaux des solutions commerciales. Selon les auteurs, les professionnels utilisant l’IA produisaient des solutions plus équilibrées, « quel que soit leur parcours professionnel ». C’est la barre horizontale, livrée à la demande.
La même étude contient un détail important, qui comptera plus loin. Les idées de la plus haute qualité venaient toujours de personnes travaillant ensemble : les équipes avec IA avaient une probabilité supérieure de 9,2 points de pourcentage à celle du groupe témoin (moyenne de 5,8 %) de produire une solution figurant parmi les 10 % meilleures, tandis que l’effet pour les individus avec IA n’était pas statistiquement significatif. L’IA fournit l’étendue des connaissances. Elle n’a pas remplacé la valeur d’un autre être humain dans la pièce.
Ce que l’IA fait à la barre verticale
La profondeur change de prix elle aussi, mais de façon inégale.
Dans « Generative AI at Work », publié dans le Quarterly Journal of Economics en 2025, Erik Brynjolfsson, Danielle Li et Lindsey Raymond ont étudié 5 172 agents du support client équipés d’un assistant d’IA. La productivité, mesurée en demandes résolues par heure, a augmenté de 15 % en moyenne. Les travailleurs moins expérimentés et moins qualifiés ont gagné à la fois en rapidité et en qualité, tandis que les plus expérimentés et les plus qualifiés ont enregistré de légers gains de rapidité et de légers reculs de qualité. Un savoir-faire qui avait demandé des années à construire est devenu en partie accessible aux nouveaux venus grâce à l’outil.
Dans le même temps, c’est la profondeur qui vous dit quand l’outil se trompe. Dans l’expérience du Boston Consulting Group portant sur 758 consultants, publiée dans Organization Science en 2026 (« Navigating the Jagged Technological Frontier »), ceux qui disposaient de GPT-4 ont accompli 12,2 % de tâches en plus et travaillé 25,1 % plus vite sur les tâches situées à l’intérieur de la frontière de l’IA. Sur une tâche délibérément choisie pour se situer en dehors de cette frontière, les consultants sans IA avaient raison dans environ 84,5 % des cas, contre 60 % et 70,6 % pour ceux qui utilisaient l’IA, soit une baisse moyenne de 19 points de pourcentage. Utiliser l’IA sur une tâche qui dépasse ses capacités a rendu les gens moins justes, et c’est la profondeur dans le domaine qui permet de remarquer que l’on se trouve face à une telle tâche.
L’étude originale « GPTs are GPTs » de Tyna Eloundou, Sam Manning, Pamela Mishkin et Daniel Rock va dans le même sens au niveau des compétences : d’un métier à l’autre, l’importance de la programmation et de la rédaction était fortement et positivement associée à l’exposition aux grands modèles de langage, tandis que les sciences et l’esprit critique y étaient fortement et négativement associés.
La barre verticale se scinde donc en deux. La profondeur codifiée, la part de l’expertise qui peut être mise par écrit et traitée par reconnaissance de motifs, devient moins chère. La profondeur de jugement, celle qui vous permet de vérifier, de décider et d’assumer la responsabilité, devient la raison pour laquelle on a besoin de vous.
Notre analyse : quels profils de compétences sont les plus exposés
Pour vérifier cela sur des données actuelles, nous avons croisé deux jeux de données publics rarement combinés :
- O*NET 31.0 (ministère du Travail des États-Unis, août 2026) : des notes d’importance, sur une échelle de 1 à 5, pour 35 compétences dans chacun des 910 métiers.
- Des scores d’exposition par métier publiés par Eloundou et ses collègues avec leur étude. Nous avons utilisé leur mesure bêta : la part des tâches d’un métier pour lesquelles l’accès à un grand modèle de langage, directement ou par l’intermédiaire d’un logiciel construit dessus, pourrait réduire au moins de moitié le temps nécessaire (la seconde voie étant pondérée à 0,5). Le jeu de données propose deux versions du score, l’une issue d’annotateurs humains, l’autre de GPT-4.
Sur l’ensemble des 910 métiers, presque toutes les compétences cognitives sont positivement corrélées à l’exposition, car l’exposition sépare surtout le travail de bureau du travail physique. Cette comparaison dit peu de chose des choix d’un travailleur du savoir. Nous avons donc restreint l’analyse aux 372 métiers classés dans les Job Zones 4 et 5 d’O*NET (les deux niveaux de préparation les plus élevés de cette nomenclature), où la plupart des emplois exigent une licence ou un diplôme de niveau master ou doctorat. Au sein de ce groupe, le constat se scinde en deux.
Tableau 1. Lien entre l’importance des compétences et l’exposition à l’IA dans les métiers de niveau diplômé (calcul CEOtudent, données O*NET 31.0 et données d’exposition d’Eloundou et al.)
| Compétence | Corrélation avec l’exposition, notation humaine | Corrélation avec l’exposition, notation GPT-4 | Pour comparaison : ensemble des 910 métiers, notation humaine |
|---|---|---|---|
| Programmation | +0,35 | +0,46 | +0,57 |
| Analyse de systèmes | +0,21 | +0,13 | +0,58 |
| Mathématiques | +0,19 | +0,21 | +0,45 |
| Rédaction | +0,12 | 0,00 | +0,74 |
| Esprit critique | -0,07 | -0,13 | +0,59 |
| Jugement et prise de décision | -0,12 | -0,21 | +0,55 |
| Sciences | -0,17 | -0,20 | +0,20 |
| Formation d’autrui | -0,23 | -0,39 | +0,45 |
| Coordination | -0,28 | -0,37 | +0,36 |
| Orientation service | -0,35 | -0,48 | +0,41 |
| Perspicacité sociale | -0,36 | -0,51 | +0,48 |
| Suivi et contrôle | -0,36 | -0,46 | +0,31 |
Corrélations de rang de Spearman sur 372 métiers des Job Zones 4 et 5, sauf dans la dernière colonne. Une valeur positive signifie que les métiers qui jugent la compétence plus importante tendent à présenter une exposition plus élevée.
Deux tendances ressortent. Parmi les emplois de niveau diplômé, les compétences analytiques de production qui forment généralement la barre verticale d’un T technique, à savoir la programmation, l’analyse de systèmes et les mathématiques, vont de pair avec une exposition plus élevée. Les compétences relationnelles que le T traitait comme une mince interface de collaboration, à savoir la perspicacité sociale, la coordination, la formation d’autrui et l’orientation service, vont de pair avec une exposition plus faible. La même orientation apparaît dans les scores notés par des humains comme dans ceux notés par GPT-4.
Pour voir ce que cela signifie pour un profil plutôt que pour une compétence isolée, nous avons construit deux indicateurs composites simples. Le score analytique fait la moyenne de la programmation, de l’analyse de systèmes, de l’évaluation de systèmes, des mathématiques et de l’analyse des opérations. Le score relationnel fait la moyenne de la perspicacité sociale, de la coordination, de la formation d’autrui, de l’orientation service, de la persuasion et de la négociation. Nous avons séparé les 372 métiers à la médiane de chacun de ces deux scores.
Tableau 2. Exposition moyenne à l’IA par profil de compétences, métiers de niveau diplômé (calcul CEOtudent)
| Profil | Métiers | Exposition moyenne, notation humaine | Exposition moyenne, notation GPT-4 |
|---|---|---|---|
| Analytique élevé, relationnel faible (le T technique classique) | 123 | 0,52 | 0,57 |
| Analytique élevé, relationnel élevé | 63 | 0,43 | 0,46 |
| Analytique faible, relationnel élevé | 123 | 0,41 | 0,42 |
| Analytique faible, relationnel faible | 63 | 0,44 | 0,51 |
| Ensemble des 372 métiers de niveau diplômé | 372 | 0,45 | 0,49 |
Le T technique classique, une compétence analytique profonde avec une mince couche relationnelle, est le profil le plus exposé du groupe. Les métiers qui combinent la même intensité analytique avec de solides compétences relationnelles affichent en moyenne 0,43 au lieu de 0,52 sur le score noté par des humains, soit 16 % de moins, et 19 % de moins sur le score noté par GPT-4. Classé selon le seul score relationnel, le quart supérieur des métiers de niveau diplômé affiche une moyenne de 0,40, contre 0,50 pour le quart inférieur.
Quatre mises en garde avant d’agir sur cette base. L’exposition n’est pas une perte d’emploi : elle mesure les endroits où l’IA pourrait accélérer des tâches, et l’étude « Canaries » présentée plus bas montre que l’effet sur le marché du travail dépend du fait que l’IA se substitue aux travailleurs ou les complète. Les scores d’exposition ont été produits en 2023, avec les capacités de l’époque de GPT-4. Il s’agit de moyennes par métier, et une personne peut avoir un profil très différent de celui du titulaire type de son intitulé de poste. Enfin, corrélation n’est pas causalité : les métiers à forte composante relationnelle peuvent être moins exposés pour d’autres raisons que les compétences relationnelles elles-mêmes. Malgré tout, l’orientation concorde avec les expériences de P&G et du BCG, ainsi qu’avec le constat publié par David Deming en 2017 dans le Quarterly Journal of Economics : entre 1980 et 2012, les emplois exigeant un haut niveau d’interaction sociale ont progressé de près de 12 points de pourcentage en part de la population active américaine, tandis que les emplois à forte intensité mathématique mais moins sociaux ont reculé de 3,3 points de pourcentage, la croissance la plus forte concernant les emplois qui exigent les deux.
Pourquoi le T est obsolète, et pas seulement daté
Une forme de lettre est un modèle, et un modèle devient obsolète quand ses hypothèses ne décrivent plus le monde. Chacune des deux barres du T cachait deux choses différentes sous un même trait.
- La barre horizontale mêlait l’étendue des connaissances (en savoir assez en marketing, en finance ou en droit pour suivre la conversation) et l’étendue des relations (avoir la confiance des personnes de ces fonctions et savoir se coordonner avec elles). L’IA fournit désormais une grande partie de la première. Elle ne fournit pas la seconde.
- La barre verticale mêlait la profondeur codifiée (procédures, syntaxe, analyses standard) et la profondeur de jugement (savoir à quoi ressemble un bon travail, repérer l’erreur énoncée avec assurance, assumer la décision). L’IA comprime la première. Elle augmente la valeur de la seconde.
Une forme incapable de distinguer ces éléments donne de mauvais conseils. Elle pousse l’analyste à approfondir la partie la plus exposée de ses compétences, et elle laisse croire à chacun qu’une mince couche de compétences de collaboration suffit.
La nouvelle forme : l’Arbre
Le cadre ci-dessous est notre synthèse éditoriale. Nous l’appelons l’Arbre, en partie parce qu’un T auquel on ajoute les bons éléments en devient un, et en partie parce que les arbres grandissent chaque année.
Tableau 3. Du T à l’Arbre (cadre éditorial CEOtudent)
| Partie de l’Arbre | Ce que c’est | Ce que le T supposait | Ce qui a changé, et les preuves | Ce qu’il faut construire |
|---|---|---|---|---|
| Canopée | L’étendue des connaissances entre fonctions, prolongée par l’IA | L’étendue coûte cher ; une barre mince suffit | L’IA donne aux individus une étendue transversale ; les professionnels de P&G utilisant l’IA ont produit des solutions équilibrées, quel que soit leur parcours | L’aisance à utiliser l’IA pour entrer vite dans des domaines voisins, plus une culture suffisante pour y poser de bonnes questions |
| Tronc | La profondeur de jugement dans un domaine : la capacité à vérifier, à décider et à rendre des comptes | La profondeur signifie l’expertise codifiée | Le savoir-faire codifié se diffuse vers les novices (gain moyen de 15 %, plus fort pour les agents moins expérimentés) ; hors de la frontière de l’IA, les utilisateurs sans profondeur avaient 19 points de moins de chances d’avoir raison | Une profondeur tournée vers l’évaluation : connaître les modes de défaillance, les standards de qualité et les points où l’IA tend à se tromper dans votre domaine |
| Racines | Relations, confiance et contexte : coordination, perspicacité sociale, formation d’autrui, connaissance du fonctionnement réel de votre organisation et de votre marché | La collaboration est une compétence d’interface | Dans notre analyse, les compétences relationnelles vont de pair avec une exposition plus faible parmi les emplois de niveau diplômé ; chez P&G, les idées du top 10 % venaient d’équipes, pas d’individus avec IA | Un investissement délibéré dans les personnes et les contextes où aboutit votre travail |
| Cernes de croissance | Le rythme d’apprentissage : la vitesse à laquelle vous reconstruisez chaque partie à mesure que les outils changent | Une compétence, une fois acquise, dure toute une carrière | Les employeurs s’attendent à ce que deux cinquièmes (39 %) des compétences actuelles des travailleurs soient transformées ou deviennent obsolètes entre 2025 et 2030 (WEF) | Une cadence de renouvellement : une revue programmée de ce que vous savez, de ce qui s’est déprécié et de ce qu’il faut réapprendre |
Trois différences avec le T méritent d’être explicitées.
La canopée est empruntée, et c’est très bien ainsi. Vous n’avez pas besoin de posséder les connaissances de la canopée, mais vous devez savoir comment les atteindre et les juger. Une large canopée sans tronc correspond exactement au profil contre lequel l’expérience du BCG mettait en garde : une production assurée dans des domaines où vous ne savez pas distinguer le vrai du faux.
Le tronc relève de l’évaluation, pas de la production. La question n’est plus « pouvez-vous faire le travail plus vite que quiconque ? », mais « pouvez-vous dire si le travail est juste, et y apposerez-vous votre nom ? ». C’est aussi la capacité au cœur de notre cadre de l’orchestrateur et de l’écart de discernement.
Les racines sont invisibles, et c’est pourquoi le T les a ignorées. Les relations, la confiance et le contexte organisationnel n’apparaissent sur aucune liste de compétences, mais ce sont eux qui décident si une bonne analyse se traduit en action. C’est aussi la partie d’une carrière la plus difficile à copier avec un abonnement.
Le problème du début de carrière : faire pousser un tronc quand les premiers échelons se raréfient
L’Arbre soulève une question difficile pour ceux qui débutent. La profondeur de jugement s’est traditionnellement construite en accomplissant pendant des années un travail codifié, celui-là même que l’IA fait désormais rapidement. Si ce travail disparaît, comment faire pousser un tronc ?
Les premières données sonnent comme un avertissement. Dans la version d’août 2026 de « Canaries in the Coal Mine? », Erik Brynjolfsson, Bharat Chandar et Ruyu Chen ont utilisé les données de paie d’ADP couvrant des millions de salariés américains jusqu’en juin 2026. Ils n’ont trouvé aucun signe de suppressions d’emplois généralisées à l’échelle de l’économie, mais l’emploi des travailleurs de 22 à 25 ans dans les métiers exposés à l’IA se situait 19 % en dessous du niveau qu’il aurait atteint s’il avait suivi le rythme de leurs pairs moins exposés, sans écart comparable pour les travailleurs expérimentés. Les baisses se concentraient là où l’usage de l’IA se substitue principalement aux tâches humaines ; là où il complète principalement les travailleurs, l’emploi était stable ou en hausse. Les auteurs présentent ces résultats comme des indicateurs précoces et descriptifs, et non comme des estimations causales.
Une étude danoise va dans l’autre sens quant à l’ampleur de l’effet à ce jour. Anders Humlum et Emilie Vestergaard, dans le NBER Working Paper 33777 (révisé en mars 2026), ont utilisé des registres administratifs et obtenu des effets nuls estimés avec précision sur les revenus et les heures enregistrées, ce qui exclut des effets supérieurs à 2 % deux ans après le lancement de ChatGPT. Ce qui a changé, selon eux, c’est la structure du travail : les employeurs ont absorbé l’IA en réorganisant les tâches.
Lues ensemble, ces études montrent que le choc global reste faible, mais que l’échelle change de forme à sa base. Pour les lecteurs en début de carrière, cela signifie rechercher délibérément un travail qui construit le jugement, et pas seulement de la production : relire, décider, expliquer ses décisions aux autres, traiter les exceptions sur lesquelles l’IA se trompe. Pour les managers, cela signifie concevoir des postes où les juniors continuent de prendre des décisions de jugement sous supervision, faute de quoi l’organisation n’aura plus de troncs dans dix ans.
Comment faire l’audit de votre propre forme
L’audit ci-dessous transforme l’Arbre en questions. Notez chacune de 1 (faux) à 5 (clairement vrai). Il s’agit d’un outil d’autoréflexion, pas d’un instrument validé.
Tableau 4. L’audit de l’Arbre (cadre éditorial CEOtudent)
| Partie | Question | Signal d’alerte si vous obtenez 1 ou 2 | Premier geste |
|---|---|---|---|
| Canopée | Puis-je utiliser l’IA pour acquérir en une semaine une compréhension opérationnelle d’une fonction voisine ? | Vous évitez les problèmes situés hors de votre spécialité | Choisissez une fonction voisine et menez un sprint d’apprentissage de deux semaines assisté par l’IA, avec de vraies questions tirées de votre travail |
| Canopée | Est-ce que je sais quand mes connaissances empruntées sont trop minces pour agir ? | Vous répétez des synthèses d’IA que vous ne sauriez pas défendre | Avant d’agir hors de votre domaine, demandez à un expert de vérifier la réponse de l’IA |
| Tronc | Suis-je capable de repérer de façon fiable quand une production d’IA dans mon domaine est fausse ? | Vous ne vérifiez la production de l’IA que pour les coquilles et le ton | Tenez un journal des erreurs d’IA que vous détectez ; relisez-le chaque mois |
| Tronc | Est-ce que j’assume des décisions, et pas seulement des livrables ? | Votre travail s’arrête quand vous le remettez | Rédigez une courte note de décision pour votre prochaine recommandation importante |
| Racines | Des personnes de deux autres fonctions m’appelleraient-elles en premier face à un problème ? | Votre réseau se limite à votre propre discipline | Programmez chaque mois une séance de travail avec une autre fonction |
| Racines | Est-ce que je comprends comment les décisions se prennent réellement là où aboutit mon travail ? | Vos bonnes analyses restent souvent inutilisées | Pour un projet en cours, cartographiez qui décide, qui influence et qui met en œuvre |
| Cernes | Ai-je reconstruit une part significative de mes compétences au cours des 12 derniers mois ? | Vos méthodes ressemblent à celles d’il y a trois ans | Instaurez une revue trimestrielle : ce que j’ai appris, ce qui s’est déprécié, ce qu’il faut réapprendre |
Si la plupart de vos notes basses concernent le tronc, approfondissez votre capacité d’évaluation avant de vous élargir. Si elles concernent les racines, votre force analytique se trouve probablement dans le quadrant le plus exposé du tableau 2. Si elles concernent la canopée, vous sous-utilisez la ressource la moins chère dont vous disposez. Notre guide pour développer son jugement approfondit la question du tronc.
C’est le prisme CEO et étudiant réuni en une seule forme. La moitié CEO possède le tronc et entretient les racines : décisions, responsabilité, relations. La moitié étudiant fait grandir la canopée et ajoute un cerne chaque année.
Quand le T reste la bonne forme
L’Arbre est une forme par défaut pour le travail intellectuel, pas une loi.
- Là où l’usage de l’IA est restreint. Dans les contextes où la réglementation, la sécurité ou la confidentialité limitent les outils d’IA, l’étendue reste coûteuse et le T classique reste payant.
- Dans le travail de pointe à la frontière technique. Les chercheurs qui font avancer un domaine ont toujours besoin d’une profondeur codifiée extrême ; la frontière de l’IA se situe souvent derrière eux.
- Là où la ressource rare est réellement l’exécution. Certains postes sont valorisés pour leur vitesse de production sous des standards stricts, et un profil étroit et profond leur convient.
- En début de carrière, pendant un temps. Une certaine profondeur codifiée est le moyen par lequel se construit le jugement. L’objectif n’est pas de la sauter, mais de ne pas s’y arrêter.
Le résumé honnête des preuves est que la forme change plus vite que le marché du travail, et non que les carrières bâties sur le T s’effondrent. C’est une raison de commencer à faire pousser l’Arbre dès maintenant, tant que le coût du changement reste faible.
Questions fréquentes
Qu’est-ce qu’un profil en T ?
Un profil en T (T-shaped professional) possède une expertise approfondie dans une discipline (le trait vertical) et une capacité plus large à collaborer avec d’autres disciplines (le trait horizontal). Le terme est apparu dans la presse au moins dès 1991 et a été popularisé dans le management par la Harvard Business Review en 2001 et par Tim Brown, d’IDEO.
Le modèle en T est-il encore pertinent à l’ère de l’IA ?
En partie. Son idée centrale, combiner profondeur et étendue, tient toujours, mais pas ses hypothèses. L’IA fournit désormais une grande partie de l’étendue des connaissances que représentait la barre horizontale, et elle comprime la profondeur codifiée. Ce qui reste rare, c’est la profondeur de jugement, ainsi que les relations et le contexte qui transforment l’analyse en action.
Qu’est-ce que le profil en arbre ?
C’est notre cadre pour les carrières à l’ère de l’IA : une canopée d’étendue prolongée par l’IA, que vous pouvez emprunter ; un tronc de profondeur de jugement, qui vous appartient ; des racines faites de relations et de contexte organisationnel ; et des cernes de croissance qui traduisent votre rythme d’apprentissage.
Quelles compétences sont les moins exposées à l’IA dans les emplois qualifiés ?
Dans notre analyse de 372 métiers américains qui exigent généralement un diplôme, les métiers qui jugent importantes la perspicacité sociale, le suivi et contrôle, l’orientation service, la coordination et la formation d’autrui tendaient à présenter une exposition à l’IA plus faible, tandis que la programmation, l’analyse de systèmes et les mathématiques allaient de pair avec une exposition plus élevée.
Dois-je cesser d’approfondir ma spécialité ?
Non. Orientez votre profondeur vers l’évaluation plutôt que vers la production : la capacité à dire quand un travail est juste, à repérer les erreurs de l’IA et à assumer la responsabilité des décisions. Dans une expérience du BCG, les consultants qui utilisaient l’IA sur une tâche hors de ses capacités avaient 19 points de pourcentage de chances en moins d’avoir raison que ceux qui travaillaient sans IA.
Comment les professionnels en début de carrière peuvent-ils construire leur jugement si l’IA fait le travail d’entrée de gamme ?
Recherchez un travail qui implique de relire, de décider et d’expliquer, et pas seulement de produire. Les premières données de paie montrent que l’emploi des 22 à 25 ans dans les métiers exposés à l’IA prend du retard sur celui de leurs pairs moins exposés, surtout là où l’IA se substitue aux travailleurs ; il est donc important de choisir des postes où l’IA complète votre travail.
Sources
Dell’Acqua, F., Ayoubi, C., Lifshitz, H., Sadun, R., Mollick, E., Mollick, L., Han, Y., Goldman, J., Nair, H., Taub, S., et Lakhani, K. R. The Cybernetic Teammate: A Field Experiment on Generative AI and Teamwork. Organization Science, 2026, volume 37, numéro 4, pages 1217 à 1242 ; version document de travail : NBER Working Paper 33641, 2025.
Dell’Acqua, F., McFowland, E., Mollick, E., Lifshitz, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., et Lakhani, K. R. Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science, 2026, volume 37, numéro 2, pages 403 à 423.
Brynjolfsson, E., Li, D., et Raymond, L. Generative AI at Work. The Quarterly Journal of Economics, 2025, volume 140, numéro 2, pages 889 à 942.
Eloundou, T., Manning, S., Mishkin, P., et Rock, D. GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models. Document de travail, arXiv 2303.10130 ; publié dans Science, 2024 ; données d’exposition par métier publiées par les auteurs.
National Center for ONET Development. ONET 31.0 Database, août 2026 : fichiers Essential Skills, Transferable Skills et Job Zones.
Deming, D. J. The Growing Importance of Social Skills in the Labor Market. The Quarterly Journal of Economics, 2017, volume 132, numéro 4, pages 1593 à 1640.
Brynjolfsson, E., Chandar, B., et Chen, R. Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Document de travail du Stanford Digital Economy Lab, version d’août 2026.
Humlum, A., et Vestergaard, E. Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI. NBER Working Paper 33777, 2025, révisé en mars 2026.
World Economic Forum. The Future of Jobs Report 2025. Janvier 2025.
Hansen, M. T., et von Oetinger, B. Introducing T-shaped managers: knowledge management’s next generation. Harvard Business Review, 2001, volume 79, numéro 3, pages 106 à 116.
Guest, D. Managers in focus as the skills gap closes: the hunt is on for the Renaissance Man of computing. The Independent, 17 septembre 1991, tel que documenté dans Neeley, K. A., et Steffensen, B., The T-shaped engineer as an ideal in technology entrepreneurship: its origins, history, and significance for engineering education, American Society for Engineering Education Annual Conference, 2018.
Brown, T. Entretien sur les profils en T, magazine Chief Executive, janvier 2010.
Les tableaux 1 et 2 ont été calculés par nos soins en croisant les notes d’importance des compétences d’O*NET 31.0 avec les scores d’exposition bêta par métier publiés par Eloundou et al. ; les indicateurs composites de compétences, la restriction aux Job Zones 4 et 5 et les découpages à la médiane relèvent de nos choix analytiques. Les tableaux 3 et 4 sont des cadres éditoriaux CEOtudent.
Ce contenu a été compilé avec le soutien de l’IA à la suite d’une recherche approfondie, puis rédigé et préparé pour publication par l’équipe éditoriale de CEOtudent.
This post is also available in:
