Auteur : TT3LABS, Plateforme de recrutement à distance Web3/AI/SaaS
Le 26 février 2026, le géant de la fintech Block a annoncé un licenciement de plus de 4 000 personnes, réduisant la taille de l'équipe de plus de 10 000 à moins de 6 000. Le PDG Jack Dorsey a mentionné dans sa lettre aux actionnaires :
Smart tools have changed what it means to create and run a company... a significantly smaller team, using the tools we're building, can do more and do it better.
Dorsey a également donné sa prévision extrêmement froides :
Je pense que la plupart des entreprises sont déjà en retard. Au cours de la prochaine année, la majorité d'entre elles arriveront à la même conclusion et effectueront des ajustements structurels similaires.
Après la clôture de la journée, le cours de Block a augmenté de plus de 20 %. C'est la réponse du marché financier en argent réel : payer pour le levier et l'efficacité IA de l'entreprise.
Une personne ordinaire sans aucune connaissance en programmation peut désormais, grâce aux grands modèles, lancer indépendamment une application fonctionnelle complète en une seule nuit. Le marché financier se posera inévitablement une question aiguë : quelle valeur reste-t-il à coûts humains massifs des géants technologiques qui emploient des dizaines de milliers de programmeurs pour maintenir le fonctionnement quotidien d'une application supérieure ?
La tendance à remplacer les travailleurs humains par l'IA sera suivie par de plus en plus de grandes entreprises. L'anxiété est inévitable, mais se contenter d'être anxieux ne sert à rien. Nous devons commencer par comprendre les changements du contexte global, puis descendre progressivement jusqu'à élaborer des stratégies de survie individuelles.
L'IA n'est pas seulement un outil, elle devient un moyen de production
Certains acteurs du marché commencent à utiliser le terme « Web4 » pour définir la phase actuelle. Pour clarifier la chronologie, examinons d'abord les différentes étapes de l'évolution d'Internet :
Web2
Le cœur réside dans l'interaction entre le logiciel et l'humain ; différentes plateformes utilisent des algorithmes pour capter l'attention des utilisateurs, ce qui revient à une guerre d'acquisition de trafic.
Web3
Tente de résoudre les problèmes de propriété et de répartition des actifs numériques. Beaucoup de gens le confondent simplement avec les cryptomonnaies, mais en réalité, il reste encore à un niveau de jeu sur les règles de répartition de la richesse et n'aborde pas les relations de « production » des produits numériques.
Veille de Web4
L'IA touche pour la première fois à la transformation des rapports de production eux-mêmes. Elle n'est plus simplement un outil d'augmentation de l'efficacité, mais devient un nouveau type de moyen de production. Celui qui saura mieux l'utiliser pourra augmenter la limite de production d'un ordre de grandeur.
Dans la collaboration d'équipe traditionnelle, il existe de nombreux coûts implicites : le jugement et l'intuition professionnelle des bons leaders sont difficiles à transmettre aux subordonnés, et les écarts de compréhension ainsi que les pertes dues aux révisions sont inévitables lors de l'exécution à plusieurs. Ce sont des « impôts cachés » du fonctionnement organisationnel, pour lesquels il n'existait auparavant aucune solution claire. L'IA réduit considérablement ce coût caché : elle n'a pas de courbe d'apprentissage, exécute avec qualité dès lors qu'elle reçoit des instructions claires, et peut traiter simultanément plusieurs lignes d'action. La capacité stratégique d'une personne combinée au levier d'exécution de l'IA permet de produire ce qu'équivalait autrefois l'ensemble d'une équipe.
Bien sûr, l'IA continue parfois de "dire des choses absurdes avec un sérieux absolu", ce qui rend l'audit et le jugement humains toujours indispensables. Toutefois, la fiabilité des modèles s'améliore mensuellement, et la fenêtre tampon pour les postes purement exécutifs est bien plus courte que la plupart des gens ne le pensent.
Égalité d'efficacité et crise profonde : après la disparition des barrières à l'entrée
À court terme, les particuliers qui intègrent des outils IA bénéficient d’un avantage d’efficacité. Mais en extrapolant vers l’avenir, une fois que l’IA aura éliminé les écarts d’efficacité de base et réduit considérablement les barrières à l’entrée dans les métiers spécialisés, les entreprises constateront qu’une fois l’efficacité individuelle fortement augmentée, maintenir un effectif constant sans une expansion proportionnelle de la taille globale de l’activité devient un fardeau.
Regardez la segmentation des salaires actuelle. Selon les données de suivi des postes de TT3LABS, depuis 2025, le marché de l'emploi en IA a déjà vu à plusieurs reprises des paquets salariaux de plus de dix millions de dollars américains, et ces candidats sont de jeunes ingénieurs en IA sans beaucoup d'expérience en gestion d'équipes. Lorsque Meta a recruté des chercheurs clés d'OpenAI, les primes de signature ont dépassé 100 millions de dollars américains, et la rémunération moyenne en actions des employés d'OpenAI atteint 1,5 million de dollars américains, tandis que le salaire de base annuel maximal pour les ingénieurs de recherche seniors chez Anthropic s'élève à 690 000 dollars américains (hors actions).
L'argent dépensé ici achète une capacité rare : rendre l'IA elle-même plus puissante. Ceux qui peuvent faire évoluer les modèles sous-jacents voient leur valeur amplifiée de manière géométrique dans l'ensemble du réseau commercial. Les autres, dont les tâches peuvent être couvertes par l'IA à un coût inférieur, risquent de voir leur évaluation diminuer.
Cela déclenche également une crise potentielle plus profonde. De plus en plus de personnes, face à un problème, réagissent en demandant à l'IA de leur fournir une réponse, sautant ainsi la phase intermédiaire d'analyse, de vérification et d'essais-erreurs ; avec le temps, cela entraîne une perte de capacité de réflexion. Or, c'est précisément ce « travail pénible » qui forge votre intuition face aux problèmes. En dépendant à long terme de l'IA pour accomplir cette étape, votre rôle professionnel se réduira à celui d'un « traducteur de besoins » : transformer les demandes des autres en entrées pour l'IA, puis transmettre les sorties de l'IA aux autres. Or, ce rôle de relais est précisément celui que la prochaine génération d'IA pourra facilement contourner directement.
Carte d'impact : Où vous placez-vous ?
La peur sans coordonnées n'est qu'anxiété. Avant de discuter des stratégies, nous devons d'abord tracer une « carte d'impact ». Ce n'est pas pour semer la panique, mais pour permettre à chacun de se situer.
Les postes dont les tâches à risque élevé peuvent être clairement définies par des instructions
Programmation de base, analyse de données élémentaire, génération de rapports standardisés, conception modulaire, traduction et relecture routinières. Ces postes ont en commun le fait que leurs tâches peuvent être clairement décomposées en « entrée → traitement → sortie ». Une bonne partie des plus de 4 000 personnes licenciées par Block se trouvaient dans cette catégorie. Leur compétence professionnelle n’était pas faible, mais leurs activités correspondaient exactement à ce que les grands modèles peuvent accomplir.
Une norme à vous poser : si tout votre travail peut être résumé dans une instruction pour une IA, cela signifie que les machines sont déjà capables de vous remplacer ; il ne reste plus qu'à attendre que l'entreprise prenne cette décision.
Les traders intermédiaires expérimentés constatent que le marché latéral est en cours de compression.
Chef de projet, directeur des opérations, ingénieur intermédiaire. Leur travail implique jugement et coordination ; l’IA ne les remplacera pas à court terme, mais les "compresse". Autrefois, une chaîne opérationnelle nécessitait cinq cadres moyens, chacun responsable d’une étape et en coordination avec les autres ; aujourd’hui, l’IA prend en charge l’exécution en amont et en aval, permettant à une ou deux personnes de faire fonctionner toute la chaîne.
Ce groupe fait face à une situation où « les postes se réduisent ». Vos compétences n’ont pas décliné, mais la demande du marché pour votre rôle diminue brusquement. La voie pour ce groupe consiste à utiliser l’IA pour amplifier son exécution vers le bas, et à acquérir le pouvoir de définir les problèmes vers le haut.
Maître de l'incertitude de la valeur
Il existe un type de travail dont le cœur n’est pas de « bien faire », mais de prendre des décisions dans un contexte d’informations toujours incomplètes, et d’en assumer les conséquences. Négociations commerciales complexes, gestion de crise de communication, gestion d’organisations interculturelles, évaluation d’investissements à haut risque. L’IA peut fournir des analyses et des recommandations, mais elle ne peut pas signer à votre place, ne peut pas prendre la responsabilité à votre place, et ne peut pas lire, lors d’un repas, les intérêts sous-jacents derrière un simple regard.
Ces rôles ne se déprécient pas, au contraire, les coûts d'exécution sous-jacents étant fortement réduits par l'IA, le même budget permet de mobiliser des projets plus ambitieux, allongeant ainsi la levier des décideurs.
Dans la réalité, de nombreuses personnes exercent un travail qui traverse plus d'un niveau. Un simple auto-test : réfléchissez à votre contenu de travail quotidien, combien peut être clairement décrit par une instruction, et combien nécessite que vous preniez des décisions dans l'incertitude. Plus la part du premier est élevée, plus vous devez agir rapidement pour changer.
Arrêtez l'anxiété liée aux outils et transformez la puissance de calcul publique en avantage privé
À la fin de janvier, OpenClaw ("小龙虾") est apparu soudainement, et en quelques jours, ses étoiles sur GitHub ont dépassé 170 000. Les fabricants de modèles ont rapidement réagi : Alibaba Cloud a lancé un déploiement en un clic, Tencent a publié CoPaw en tant que concurrent, et MiniMax ainsi que Kimi ont également déployé leurs propres solutions compatibles.
Ensuite, vous remarquerez un phénomène intéressant : beaucoup de gens passent ce mois-ci plus de temps à « étudier comment déployer des écrevisses » et à « comparer quel forfait est le plus avantageux » qu'à utiliser réellement l'IA pour produire des résultats commerciaux. Tout le monde suit les outils, mais une fois que vous avez déployé votre configuration, quelqu'un d'autre peut la copier exactement en deux heures.
Tous les grands modèles linguistiques — OpenAI, Anthropic, Meta, Google, xAI — ont été formés sur les mêmes données publiques disponibles sur Internet. Ils sont donc fondamentalement identiques, ce qui explique pourquoi ils sont en cours de marchandisation à un rythme extrêmement rapide.
— Larry Ellison, appel d'analyse des résultats du Q2 de l'exercice fiscal 2026 d'Oracle
En revanche, cela signifie que tant que votre travail repose uniquement sur les capacités publiques des grands modèles généraux, votre production sera homogène, même si vos instructions sont les plus élaborées possible, il n'existe aucune barrière à l'entrée.
The real barrier lies in moving from public to private.
Il existe désormais une tendance très claire : de plus en plus d'organisations, des grandes entreprises aux équipes de start-up, déployent des modèles privés localisés. La raison directe est la sécurité des informations — personne ne souhaite confier ses données métier essentielles à des API tierces. Mais cette tendance engendre une réaction en chaîne sous-estimée : lorsque les principaux acteurs du secteur enferment leurs données et leurs connaissances dans des déploiements privés, les informations industrielles accessibles aux modèles généraux sur le réseau public deviennent de moins en moins nombreuses et de plus en plus décalées. Apparemment, l'IA abaisse la barrière des connaissances pour tous, mais la couche véritablement précieuse des connaissances industrielles disparaît rapidement du réseau public pour s'enfouir dans les bases de connaissances privées de chaque entreprise.
Ainsi, vos connaissances implicites accumulées au fil des ans dans l'industrie ne se déprécient pas, elles s'apprécient. À condition que vous les mettiez en œuvre.
Organisez, structurez les expériences professionnelles non standardisées dispersées dans votre esprit, vos conversations et vos e-mails historiques, afin de les transformer en « contexte » que votre modèle privé puisse assimiler. Les données de l'interface TT3LABS montrent que le taux de sélection initiale des candidats ayant plus de deux ans d'expérience dans le Web3 est bien supérieur à celui des talents technologiques issus de grandes entreprises sans background dans le secteur, principalement parce que les connaissances spécifiques au secteur pèsent bien plus lourd que les compétences techniques générales. La compréhension des logiques de conformité et des règles implicites de listing d'une personne ayant trois ans d'expérience en CEX, le jugement sur la conception de propositions et les points de bascule émotionnels de la communauté d'une personne ayant traversé deux cycles de gouvernance DAO, l'intuition sur la psychologie du public et le rythme narratif d'un spécialiste du contenu vertical — rien de tout cela ne figure dans aucun jeu de données d'entraînement public.
Lorsque vous structurez ces expériences privées et les intégrez au modèle, votre IA n'est plus une encyclopédie générale, mais un partenaire dédié qui ne travaille que pour vous et ne comprend que votre domaine. Cette profondeur de résultat est inaccessible à quiconque utilise le même modèle général.
La logique fondamentale est simple : l'IA surpasse tout le monde dans le traitement des connaissances publiques, mais dépend entièrement de vos apports pour traiter les expériences privées. Ceux qui savent combiner les savoir-faire industriels approfondis avec l'IA constituent les actifs clés du nouveau modèle de division du travail.
Votre bibliothèque d'expériences est le véritable « modèle »
Les modèles d'IA évoluent à une vitesse fulgurante ; aujourd'hui, GPT, Claude et Gemini pourraient tous être remplacés dans six mois par des versions plus puissantes. Mais pour vous, changer pour un modèle plus puissant ne revient qu'à changer une interface API. Ce qui ne sera jamais remplacé, c'est l'ensemble de vos données privées et de votre base d'expérience que vous lui avez fournie.
Les modèles sont des infrastructures générales accessibles à tous. Mais les connaissances sectorielles, les jugements métier et les expériences d'échec que vous y intégrez constituent votre propre « corpus d'entraînement » exclusif. Plus l'IA est puissante, plus elle assimile efficacement ce corpus, et plus votre barrière privée s'élève. Ne vous inquiétez donc pas de savoir si créer une base de connaissances maintenant deviendra rapidement obsolète : votre base de connaissances est le seul actif qui ne perdra jamais de valeur à cause de l'évolution des modèles. Les modèles changent, mais votre barrière de données ne fera que s'apprécier avec l'amélioration des capacités de l'IA.
En parallèle, la logique traditionnelle de la concurrence professionnelle est en train d'être réécrite. Autrefois, les employés pouvaient démontrer leur dévouement en travaillant tard et en effectuant des heures supplémentaires, mais les machines produisent en continu 7×24 heures ; toutes les stratégies fondées sur « je peux tenir plus longtemps que les autres » deviennent nulles face à l'IA.
Beaucoup diront : « Je fournis encore de la valeur émotionnelle au sein de l’équipe. » C’est vrai, c’est une capacité uniquement humaine, mais sa prime dépend du niveau auquel vous vous trouvez. Lorsque les équipes de base passent de dix personnes à deux personnes et une rangée d’agents IA, le « lubrifiant d’équipe » perd son contexte. En revanche, au niveau décisionnel, les complexes jeux commerciaux, la construction de confiance à haut risque et la médiation des conflits entre entités aux intérêts divergents rendent les connexions humaines profondes encore plus précieuses, car les coûts sous-jacents ont diminué. La valeur émotionnelle ne disparaît pas ; elle migre vers le haut.
Au fond, ce que les particuliers devraient investir dans l'ère de l'IA, ce n'est pas d'apprendre à utiliser tel ou tel outil, mais de cultiver continuellement ce système d'IA privée qui n'appartient qu'à vous. Les outils évoluent, les bases d'expérience, elles, ne disparaissent pas.
Trois actions, commencez dès maintenant
Revenons à l’exemple de Block : certains ont été licenciés, mais d’autres sont restés ; la différence réside dans ce qui reste incompressible une fois que l’IA devient un outil de production standard. N’attendez pas que l’entreprise vous propose une formation à l’IA ; dès aujourd’hui, nous pouvons commencer à adopter ces actions :
01、Passer de la « main-d’œuvre directe » à la « création de flux de travail »
Le piège le plus courant pour les travailleurs consiste à utiliser l'IA pour se "détendre" (par exemple, faire rédiger un rapport hebdomadaire ou relire un e-mail par l'IA) — c'est encore une approche de niveau opérationnel. Ce que vous devez vraiment faire, c'est vous considérer comme un "entrepreneur", et restructurer le résultat le plus essentiel de votre poste en une chaîne de production automatisée par l'IA.
Ne tente pas simultanément une dizaine de nouveaux modèles ; choisis un seul outil actuellement le plus mature (par exemple ChatGPT Plus ou Claude) et force-le à intervenir dans la partie de ton travail la plus chronophage et la plus exigeante en expérience. Transforme ton processus linéaire « collecte manuelle des données → analyse et comparaison → émission de conclusions » en « configuration d’une extraction automatisée → alimentation d’un cadre d’analyse AI → intervention humaine pour ajustements et affinages ». Dès que tu pourras réduire une tâche qui prenait une semaine à un seul jour, avec une qualité extrêmement stable, tu ne seras plus simplement un nœud de puissance de calcul isolé : tu seras toi-même une « micro-entreprise » à haut levier.
02、Fixer l'expérience implicite dans votre double numérique personnalisé
Les grands modèles apprennent à partir de données publiques ; ils comprennent toutes les théories, mais ils ne savent absolument pas quelles sont les préférences cachées de votre client difficile, ni quels sont les points sensibles à éviter lors de la coordination entre votre département et le service financier. Ces « connaissances implicites » que vous avez acquises au prix de nombreuses erreurs constituent votre actif le plus précieux.
Mais ces actifs ne peuvent pas générer de capitalisation composée s’ils restent uniquement dans ta tête. Ta tâche actuelle consiste à utiliser les fonctionnalités de personnalisation actuellement ouvertes par les grands modèles (comme les Custom GPTs ou les projets Claude) pour transformer ton expérience en « instructions de configuration système » de l’IA. Alimente-la avec tous les cas limites que tu as traités, les rapports d’analyse d’échecs et les règles implicites du secteur. Ton objectif n’est pas de créer un carnet de notes de base statique, mais de « domesticuer » un assistant personnel 24 heures sur 24, doté de ton style commercial très personnel et qui ne travaille que pour toi. Lorsque ce « double numérique » sera formé, personne ne pourra rivaliser avec toi en utilisant une IA générique.
03、Renforcer son propre pouvoir de définition des problèmes et son sens des responsabilités
Au sein de l’équipe, commencez à pratiquer délibérément de confier au machine la tâche de « trouver des réponses », tout en conservant pour vous le pouvoir de « poser les bonnes questions » et de « prendre des décisions ». L’IA est un moteur de réponses parfait, mais elle ne pourra jamais percevoir la véritable motivation commerciale derrière un besoin. Votre patron dit : « Je veux créer une nouvelle stratégie de rétention », et l’IA vous fournira instantanément 10 modèles théoriques de growth hacking. Mais seul vous pouvez, en tenant compte du budget et des ressources de développement actuels, indiquer : « La solution B est parfaite, mais elle n’est pas réalisable pour le moment ; la solution C, en supprimant la moitié des fonctionnalités, correspond le mieux à notre rythme actuel ».
En même temps, vous devez comprendre un point : l’IA ne va pas en prison, ne prend pas de responsabilités. Les entreprises vous paient bien précisément pour acheter votre « garantie » sur les résultats commerciaux. Lorsque vous soumettez du code ou une solution générés par l’IA, vous devez avoir l’assurance de dire : « J’ai revu la sortie de l’IA avec mon expérience professionnelle ; je suis responsable du résultat final. » Ce « prime de responsabilité » — la capacité à prendre des décisions dans les zones floues et à assumer les conséquences commerciales finales — est quelque chose que la machine ne pourra jamais remplacer, à aucune époque.
Dorsey dit : « La plupart des entreprises sont déjà en retard. » Mais pour les individus, cette phrase s'applique aussi à l'inverse : la plupart des gens n'ont même pas encore commencé à se préparer ni pris conscience de cette tendance.
Personne n’a besoin de devenir un expert en IA. Mais chacun doit se poser clairement cette question : dans votre travail, quelles parties la machine pourra-t-elle inévitablement accomplir, et quelles parties sont uniques à vous ? Ensuite, déplacez votre temps et vos efforts de la première catégorie vers la seconde.
Si un jour l'IA dépasse l'humain dans tous les domaines, peut-être en 2027, peut-être en 2030, ce ne sera pas un changement que vous pourrez observer depuis le bord.
Il ne t'attend pas.