Les transformations liées à l’intelligence artificielle ne sont pas uniformes selon les fonctions. Certaines voient leurs tâches répétitives absorbées en quelques mois. D’autres voient émerger de nouveaux besoins de supervision et de décision. D’autres encore restent peu impactées. Panorama, fonction par fonction, de ce qui bouge concrètement dans une PME ou une ETI en 2026.
Trois mouvements simultanés dans toute organisation
Avant d’entrer fonction par fonction, un cadre commun. Trois mouvements coexistent dans toute entreprise qui déploie l’IA aujourd’hui.
Une majorité de métiers transformés : le périmètre change, les tâches répétitives s’effacent, le cœur du métier se déplace vers la supervision et le jugement. Une minorité de métiers menacés sur leur format actuel : assistance administrative basique, certains rôles de production de contenu d’exécution, support client de niveau 1. Et des métiers nouveaux qui émergent : référent IA, data steward, superviseur d’agents, formateur interne.
Le Future of Jobs Report 2025 du Forum économique mondial, qui s’appuie sur les réponses de plus de 1 000 entreprises représentant 14 millions de salariés, estime que 39 % des compétences cœur de métier vont évoluer d’ici 2030, et que 170 millions de postes seront créés dans le monde sur la même période, contre 92 millions supprimés. Le solde est positif. La transition, elle, ne l’est pas pour tout le monde.
La distinction utile reste celle posée par David Autor et reprise dans l’article Ce que l’IA change structurellement dans une organisation : ce sont les tâches routinières qui sont absorbées en premier, qu’elles soient manuelles ou cognitives. C’est cette grille qui permet de lire ce qui suit.
Marketing et communication : l’une des fonctions les plus impactées à court terme
C’est aujourd’hui l’une des fonctions les plus avancées en adoption. Les tâches absorbées sont nombreuses : premiers jets de contenus, déclinaisons multi-formats, traduction, génération de visuels avec Midjourney ou ses équivalents, analyse de données de campagne, personnalisation à grande échelle.
Ce qui se renforce, en parallèle : la direction créative, la stratégie de marque, l’analyse stratégique des résultats, la relation avec les agences et prestataires. Un responsable marketing produit aujourd’hui plus de contenu, mais doit consacrer plus de temps à arbitrer ce qui mérite d’être publié et ce qui ne fait que du bruit.
Point de vigilance : la facilité à produire ne garantit pas la qualité. Le risque réel est de saturer ses propres canaux d’un contenu correct mais sans relief, dans un environnement où tout le monde fait pareil avec les mêmes outils.
RH et recrutement : transformation forte, vigilance maximale
Tâches absorbées : tri de CV, rédaction de fiches de poste, premiers comptes rendus d’entretien, génération de réponses standardisées aux candidats, synthèse de longs entretiens.
Ce qui se renforce : l’évaluation humaine, la décision finale d’embauche, le développement des collaborateurs, la gestion des situations sensibles. Un recruteur passe moins de temps à filtrer, davantage à évaluer.
Point de vigilance critique : les biais algorithmiques en recrutement ne sont pas une hypothèse. En 2018, Amazon a abandonné un système interne de tri de candidatures parce qu’il discriminait systématiquement les CV féminins, après s’être entraîné sur dix ans de données historiques majoritairement masculines, comme l’a documenté Reuters à l’époque. Le RGPD encadre strictement ces usages, et la responsabilité du dirigeant est engagée. Le sujet sera traité en profondeur dans le chapitre consacré à la gouvernance.
Finance et comptabilité : transformation discrète mais profonde
Moins visible que le marketing, mais tout aussi structurelle. Tâches absorbées : saisie comptable assistée, rapprochements bancaires, premières versions de reporting, classification de pièces, première lecture de contrats financiers.
Ce qui se renforce : l’analyse, la détection d’anomalies, le contrôle, le conseil au dirigeant. Le profil d’un comptable ou d’un contrôleur de gestion bouge vers l’interprétation et la décision, pas vers la production.
Point de vigilance : l’hallucination sur les chiffres reste une limite non résolue des LLM actuels. Un modèle peut produire une synthèse financière convaincante avec un chiffre faux. Aucun reporting ni document financier généré par IA ne devrait être publié sans contrôle humain. C’est une règle, pas une recommandation.
Opérations et processus : l’automatisation amplifiée par l’IA
Tâches absorbées : qualification d’entrées, traitement de demandes standards, mise à jour de bases de données, génération de documents techniques, suivi de stocks.
Ce qui se renforce : la conception des processus eux-mêmes, l’arbitrage des cas non standards, la coordination transverse entre équipes.
La distinction entre une simple automatisation et un agent IA est centrale ici. Elle est traitée dans l’article LLM, automatisation, agents : quelles différences pour l’entreprise. Le piège classique en opérations consiste à automatiser un processus mal conçu : on amplifie alors les erreurs au lieu de les corriger.
Service client : automatisation du niveau 1, valorisation du niveau 2
Tâches absorbées : réponses aux questions fréquentes, qualification des tickets entrants, premiers brouillons de réponses commerciales, synthèse d’historique client avant un appel.
Ce qui se renforce : la gestion des cas complexes, la négociation, la relation de confiance dans le temps. Le commercial au téléphone évoqué dans l’article 2, qui perçoit la détresse d’un client mécontent et transforme l’échange en moment de fidélisation, c’est précisément ce qu’aucun outil ne reproduit pleinement aujourd’hui. Et c’est précisément ce qui reprend de la valeur quand le niveau 1 est automatisé.
Point de vigilance : un service client entièrement automatisé sur le niveau 1 peut produire un effet inverse à celui recherché si le passage à l’humain n’est pas fluide quand le client en a besoin. L’expérience client se dégrade au moment où elle compte le plus.
IT et développement : l’IA comme co-développeur
Mention plus courte, parce que la fonction adopte vite. Les outils dominants sont GitHub Copilot, Cursor et Claude Code. Une étude commanditée par GitHub en 2022, menée par Eirini Kalliamvakou auprès de 95 développeurs, a documenté un gain de temps de 55 % sur une tâche de développement contrôlée avec Copilot. Les études internes menées depuis dans des entreprises comme Accenture confirment l’ordre de grandeur, sans toujours l’atteindre.
Ce qui se renforce : l’architecture, la revue de code, la sécurité applicative, la qualité globale. Un développeur produit plus de code, mais doit consacrer plus de temps à le relire et à arbitrer ce qui rentre en production.
Point de vigilance : la dette technique invisible. Un code généré rapidement, fonctionnel mais mal pensé, coûte plus cher à maintenir dans la durée qu’il n’a fait gagner à la création.
Les fonctions face à l’IA : tableau de synthèse
| Fonction | Niveau d’impact en 2026 | Tâches principales absorbées | Ce qui se renforce | Point de vigilance |
|---|---|---|---|---|
| Marketing / Communication | Élevé | Production de contenu, déclinaisons, visuels | Direction créative, stratégie | Saturation des canaux, originalité |
| RH / Recrutement | Élevé | Tri de CV, fiches de poste, CR d’entretien | Évaluation humaine, décision finale | Biais algorithmiques, RGPD |
| Finance / Comptabilité | Modéré à élevé | Saisie, rapprochements, reporting | Analyse, contrôle, conseil | Hallucination sur les chiffres |
| Opérations | Modéré | Qualification, transferts, documents techniques | Conception des processus | Process mal conçu = erreurs en série |
| Service client | Élevé sur niveau 1 | FAQ, qualification, brouillons | Cas complexes, négociation, fidélisation | Expérience client dégradée |
| IT / Développement | Élevé | Génération de code, tests, documentation | Architecture, sécurité, revue | Dette technique invisible |
Métiers nouveaux, métiers transformés, métiers peu impactés
Une distinction utile : tous les métiers présentés comme « nouveaux » ne se valent pas. Certains sont des fonctions durables qui s’installent dans l’organigramme. D’autres sont des rôles de transition qui se diluent à mesure que la compétence se diffuse.
Les fonctions durables qui émergent : référent IA en interne, data steward, AI product manager, superviseur d’agents IA, formateur interne IA. Ce sont des rôles de pilotage, de cadrage et de gouvernance, dont le périmètre se stabilise.
Les rôles de transition : le « prompt engineer » est l’exemple le plus parlant. Présenté en 2023 comme le métier d’avenir, il est en réalité en voie de banalisation. La compétence de prompt, c’est-à-dire savoir formuler une instruction claire à un outil IA pour obtenir un résultat exploitable, se diffuse dans tous les métiers plutôt que de se cristalliser en poste dédié. Comme savoir utiliser un moteur de recherche en 2005, c’est en train de devenir une compétence transversale, pas une spécialité.
Les métiers qui se transforment en profondeur sans changer de nom : journaliste, analyste, consultant junior, traducteur, designer, comptable, recruteur. Le titre reste sur la carte de visite, le contenu du quotidien bouge.
Les métiers peu ou pas impactés à court terme : ceux à forte composante physique non standardisée (artisanat de précision, métiers manuels d’expertise), ceux à très forte densité relationnelle (psychothérapie, négociation de haut niveau, médiation familiale), et certains métiers de terrain en environnement contraint. Cette zone se réduira dans le temps, mais elle existe.
Que faire lundi matin : un cadre opérationnel en quatre étapes
Le diagnostic ne suffit pas. Voici un cadre simple, adapté à une PME ou une ETI, pour passer à l’action dans les 60 prochains jours sans engager de transformation lourde.
1. Cartographier les tâches routinières, équipe par équipe. Demander à chaque manager d’identifier les trois tâches les plus chronophages et les moins valorisantes de son équipe. Pas en théorie, sur le quotidien réel des deux dernières semaines. C’est la base du diagnostic.
2. Choisir deux cas d’usage à faible risque. Pas dix, deux. Faible risque signifie : l’erreur est rattrapable, les données traitées ne sont pas sensibles, le périmètre est circonscrit. Typiquement : assistance à la rédaction interne, synthèse de comptes rendus, première qualification de demandes entrantes.
3. Désigner un responsable de supervision par cas d’usage. Pas un référent IA central. Un responsable au plus près de chaque cas, qui valide les sorties, repère les erreurs, et fait remonter les ajustements nécessaires. Sans cette boucle de supervision, le déploiement dérive en silence.
4. Mesurer le gain réel après 60 jours. Temps gagné, qualité produite, adoption par l’équipe, points de friction. Trois indicateurs simples suffisent. Si le gain n’est pas mesurable, soit le cas d’usage était mal choisi, soit la supervision n’a pas suivi. Dans les deux cas, on apprend.
Ce que ça implique pour un dirigeant aujourd’hui
Au-delà du cadre opérationnel, trois questions à se poser, fonction par fonction.
Pour chaque équipe, quel est aujourd’hui le ratio entre temps passé sur des tâches routinières et temps passé sur du jugement ? La réponse oriente directement les priorités.
Sur les 12 à 18 mois à venir, quelles tâches peuvent raisonnablement basculer vers de l’assistance IA pour libérer du temps qualifié ? Et avec quel niveau de supervision ?
Quels nouveaux savoir-faire faire émerger en interne pour que ce temps libéré produise de la valeur ? Sans cette dernière question, le gain reste théorique et le temps libéré ne se réinvestit pas seul.
L’enjeu n’est pas de savoir si vos métiers vont changer. Ils changent déjà. L’enjeu est de piloter cette transformation fonction par fonction, plutôt que de la subir.