Meta et Klarna reculent sur le tout-IA : pourquoi l’automatisation a encore besoin des humains

L’IA transforme la façon dont les entreprises composent leurs équipes. Mais les cas de Meta et de Klarna montrent qu’il est bien plus difficile de remplacer une fonction entière que d’automatiser une partie de ses tâches. Meta a interrompu la préparation d’une seconde vague de restructuration dans le cadre de Project OT, après une première réduction d’effectifs. Klarna, de son côté, a recommencé à recruter des agents humains pour son service client après que son modèle très centré sur l’IA a produit des résultats de moindre qualité. 218

La leçon est moins idéologique que pragmatique : l’IA peut traiter à grande échelle des tâches structurées et répétitives. Mais il faut toujours des personnes pour gérer l’ambiguïté, contrôler les résultats, résoudre les exceptions et préserver la qualité de la relation client.

Meta : la vision d’équipes réduites confrontée aux limites du terrain

Selon Reuters, Project OT — pour Organization Transformation — devait se dérouler en deux vagues. Meta a mis en œuvre la première en mai 2026, en supprimant environ 10 % de ses effectifs, puis a annulé la préparation de la vague suivante, initialement envisagée pour novembre. L’entreprise a confirmé l’existence de Project OT, le présentant comme un programme d’un an consacré à la baisse des coûts, à la refonte des équipes et au redéploiement vers des priorités stratégiques. 2

Ce revirement compte parce que le projet ne relevait pas d’un simple plan de réduction des coûts. Il imaginait des équipes beaucoup plus petites, épaulées par des agents d’IA. Or, produire davantage de brouillons, de code ou de résultats intermédiaires ne garantit pas, à lui seul, une livraison de produit fiable. Dans des processus complexes, des humains doivent encore définir les objectifs, relier les travaux entre différents systèmes, tester les résultats, repérer les défaillances et assumer la responsabilité lorsqu’un problème survient.

Meta n’a pas renoncé à investir dans l’IA ni à l’intégrer au travail de ses équipes. Ce qui a changé, c’est le degré de confiance dans la capacité des agents à justifier une deuxième vaste réduction d’effectifs selon le calendrier prévu. 2

Klarna : le volume automatisé ne garantit pas la qualité du service

L’expérience de Klarna illustre la même difficulté dans le service client. Son assistant IA a pris en charge une part importante des échanges courants, notamment les questions sur les paiements, les remboursements et les retours. Mais l’entreprise a ensuite abandonné une posture de support exclusivement automatisé et repris le recrutement d’agents humains. 1720

D’après les informations publiées sur ce changement de cap, le directeur général Sebastian Siemiatkowski a reconnu que Klarna avait réduit ses capacités humaines trop agressivement. Le problème n’était pas l’absence d’utilité de l’IA : l’automatisation avait davantage de mal avec les dossiers complexes, ambigus ou émotionnellement sensibles, où l’expérience humaine apporte enquête, discernement et empathie. Klarna a donc commencé à reconstituer une capacité de support humain en complément de l’automatisation. 1819

La nuance est particulièrement importante dans la relation client. Un système peut résoudre rapidement les demandes les plus fréquentes, tout en détériorant la confiance si les clients confrontés à un paiement contesté, à une situation inhabituelle ou à un problème qui s’aggrave ne parviennent pas rapidement à un interlocuteur compétent. L’automatisation ne crée de valeur que si le parcours prévoit une escalade claire vers un humain responsable.

Le modèle qui se dessine : l’IA comme levier, pas comme substitut universel

Les deux cas convergent vers un modèle d’organisation plus durable :

• Automatiser les tâches prévisibles. L’IA est particulièrement utile lorsque les données d’entrée sont standardisées, que le résultat est simple à vérifier et qu’une erreur se corrige à faible coût.
• Conserver des humains aux points de décision. Leur rôle reste essentiel dès qu’il faut croiser des informations issues de plusieurs systèmes, arbitrer, exercer un jugement, rendre des comptes ou gérer une relation.
• Intégrer l’escalade dans le processus. Le support client et les autres processus à fort enjeu ont besoin d’un passage clair vers des personnes qualifiées, plutôt que d’une impasse dans une boucle automatisée.
• Mesurer les résultats, pas seulement l’activité. Davantage de code généré, des premières réponses plus rapides ou un volume de tâches supérieur ne suffisent pas si la qualité, la résolution effective, la sécurité ou la confiance des clients se dégradent.

Cela ne signifie pas que les emplois resteront inchangés. La transformation devrait plutôt passer par la refonte des équipes, l’évolution des compétences attendues et la diminution de certains postes dédiés aux tâches routinières — pas par une disparition immédiate du travail humain.

Les recrutements se déplacent vers les capacités techniques

Les données du marché technologique vont dans ce sens. SignalFire indique que les recrutements dans les grandes entreprises technologiques se situaient 25 % sous leur niveau de 2019, tandis que les recrutements d’ingénieurs logiciels ne reculaient que de 11 %. Les ingénieurs logiciels représentaient ainsi 55 % des recrutements de ces entreprises, contre 46 % en 2019. 49

Ces chiffres ne prouvent pas que l’IA explique à elle seule chaque évolution : les recrutements dans la tech dépendent aussi de la conjoncture et des ajustements d’effectifs intervenus après la pandémie. Ils montrent toutefois que des organisations plus resserrées n’ont pas éliminé leur besoin de talents techniques. Elles privilégient davantage les profils capables de concevoir, déployer, évaluer, sécuriser et superviser des systèmes de plus en plus automatisés.

Le principal risque à court terme concerne l’accès au premier emploi

Des chercheurs du Stanford Digital Economy Lab n’ont trouvé aucune preuve d’un déplacement massif de l’emploi à l’échelle de l’économie dans les données administratives de paie disponibles jusqu’en juin 2026. En revanche, l’emploi des 22-25 ans dans les professions fortement exposées à l’IA se situait 19 % sous le niveau qu’il aurait atteint s’il avait progressé au même rythme que celui de leurs pairs moins exposés. Aucun écart comparable n’a été observé pour les travailleurs expérimentés, et l’ajustement semble surtout passer par une baisse des embauches plutôt que par une hausse des séparations. 35

Ce chiffre de 19 % correspond à un retard relatif par rapport à une trajectoire « à rythme égal » : ce n’est pas un décompte d’emplois directement supprimés par l’IA. Il met néanmoins en lumière un enjeu sérieux. Si l’IA absorbe une partie des tâches routinières confiées aux débutants, les entreprises risquent d’offrir moins d’occasions d’acquérir l’expérience qui permet ensuite d’accéder à des postes plus seniors.

Ce que les entreprises peuvent retenir de Meta et Klarna

La question utile n’est plus de savoir s’il faut utiliser l’IA. Elle est de déterminer où elle améliore réellement un processus sans retirer les capacités humaines qui le rendent fiable.

La suspension de la seconde vague chez Meta et la reprise des recrutements dans le support chez Klarna suggèrent une même méthode : évaluer l’automatisation à l’aune des résultats finaux — livraison effective de produits, justesse des décisions, dossiers réellement résolus, confiance des clients et coûts de récupération maîtrisables. Là où l’IA fonctionne bien, elle peut accroître la capacité d’une équipe réduite. Là où l’incertitude ou les conséquences d’une erreur sont élevées, le bon modèle est généralement celui d’une collaboration entre humains et IA, et non d’un processus sans humains.

L’IA redessine donc la composition des équipes et augmente leur effet de levier. Les entreprises les mieux placées seront probablement celles qui l’emploient pour améliorer le travail humain, plutôt que comme un raccourci pour contourner ce travail indispensable aux produits complexes et aux relations avec les clients.