Bill Gates revient sur l’une des questions les plus épineuses de la révolution IA : quels emplois garderont leur sens quand les modèles sauront écrire, raisonner, programmer et analyser des données avec de moins en moins d’intervention humaine ? Sa réponse n’est pas une liste exhaustive de professions protégées. Elle identifie des domaines où la substitution reste structurellement difficile : la programmation, la biologie, l’énergie et le sport professionnel.
Une lecture superficielle pourrait conclure que tout le reste est condamné. Ce serait trop simple. L’IA n’efface pas des professions entières d’un coup : elle automatise d’abord des tâches précises, réduit la demande pour les profils répétitifs, et hausse le seuil d’exigence pour ceux qui restent. Ce que Gates pointe, c’est une distinction plus fine : certains emplois consistent à produire une réponse, d’autres à comprendre des systèmes complexes, agir sur le monde physique ou générer un intérêt humain que l’automatisation ne remplace pas.
Le code sera moins cher ; la compréhension des systèmes, plus précieuse
Les assistants de programmation écrivent des fonctions, génèrent des tests, détectent des erreurs, documentent des API et convertissent du code entre langages. Ce qui prenait des heures à un développeur junior peut se faire en quelques minutes avec un outil bien utilisé.
Le programmer ne disparaît pas pour autant. Le cœur du métier change.
Le vrai travail n’est pas d’écrire une fonction isolée : c’est de savoir si cette fonction s’intègre dans l’architecture, si elle est évolutive, si elle introduit une dette technique, si elle ouvre une faille de sécurité, si elle casse une dépendance ou si elle résout le mauvais problème. L’IA génère du code facilement, mais elle ne comprend pas le contexte métier, l’historique du produit, les décisions techniques antérieures ni les conséquences d’intervenir dans un système complexe.
Dans le développement de jeux vidéo, cela est particulièrement visible. Un jeu moderne ne se réduit pas à du code : il englobe moteur graphique, physique, IA des ennemis, audio, réseau, outils internes, optimisation, serveurs, télémétrie et expérience utilisateur. L’IA peut produire des scripts, prototypes et utilitaires. Transformer tout cela en un produit stable et agréable nécessite un jugement humain qu’aucun générateur de code ne remplace.
| Domaines de programmation | Ce que peut faire l’IA | Ce qu’un jugement humain doit encore apporter |
|---|---|---|
| Code répétitif | Générer des fonctions, tests et documentation | Valider l’architecture et la maintenabilité |
| Débogage | Suggérer des causes d’erreurs | Comprendre le contexte, les logs et les effets secondaires |
| Jeux vidéo | Créer des scripts, prototypes et outils | Ajuster la jouabilité, la performance et l’expérience |
| Sécurité | Revoir des modèles vulnérables | Prioriser les risques et réduire les faux positifs |
| Logiciels d’entreprise | Accélérer les intégrations | Décider des processus, des données et de la conformité |
Le programmeur qui se cantonne à traduire des instructions simples verra son rôle se rétrécir. Celui qui maîtrise l’architecture, les données, la sécurité et le sens du produit aura plus de valeur. L’IA ne réduit pas l’importance du logiciel, elle réduit la valeur du code produit sans discernement. C’est visible aussi dans la façon dont l’IA agissante s’intègre dans les processus d’entreprise sans que les décideurs aient encore la visibilité suffisante pour l’encadrer.
Biologie et énergie : quand l’IA bute sur le monde physique
En biologie, les modèles analysent de vastes volumes de données, repèrent des relations, proposent des molécules et accélèrent des expérimentations. Mais la biologie n’est pas une feuille de calcul. Les organismes ont de la variabilité, un contexte, des effets secondaires et des limites éthiques. Un modèle peut générer des hypothèses, mais quelqu’un doit concevoir l’expérimentation, interpréter les résultats, déceler les biais et assumer la responsabilité des choix qui impactent la santé ou les écosystèmes.
L’énergie est un autre cas de résistance par la complexité physique. L’IA peut optimiser les réseaux électriques, prévoir la demande et améliorer la maintenance. Mais l’énergie dépend d’infrastructures physiques : production, transport, distribution, stockage, régulation et gestion des pannes. Ce point prend encore plus de relief avec le développement de l’IA elle-même : la demande d’énergie des data centers IA aux États-Unis atteint des niveaux qui en font le principal goulot d’étranglement. Spécialistes de l’énergie et ingénieurs d’infrastructure deviennent des acteurs stratégiques, pas seulement techniques.
Sport et eSports : la narration humaine que personne ne remplace
La référence au sport professionnel est la plus directe à saisir. Une IA peut analyser des millions de phases de jeu, simuler des stratégies ou jouer de façon optimale. Mais le public ne regarde pas le sport uniquement pour l’efficacité. Il veut voir des humains : la pression, l’erreur, la remontada, la rivalité, les décisions impossibles sous stress.
La logique vaut aussi pour les eSports. Un bot jouerait mieux que beaucoup de professionnels, mais il ne génère pas le même lien lors d’une compétition en direct. La valeur n’est pas seulement dans la performance, c’est dans la narration. Cette dimension existera dans plus de secteurs qu’il n’y paraît : l’éducation, la santé, le conseil, la communication comportent des espaces où confiance, empathie et présence humaine comptent indépendamment de la qualité de la production.
La vraie frontière : tâches automatisables et responsabilité
Le débat sur l’IA et l’emploi s’est souvent posé de façon binaire : quelles professions disparaissent, lesquelles perdurent ? La réalité sera plus nuancée. Au sein d’une même profession, certaines tâches seront très automatisées, d’autres beaucoup plus valorisées. Un avocat, un journaliste, un enseignant, un designer ou un programmeur ne verront pas leur travail évolué de la même façon. Tout dépend de ce qu’ils apportent au-delà de la production générique.
Les profils qui résisteront le mieux combineront connaissance approfondie du domaine et utilisation avancée de l’IA. Ne faire qu’utiliser les outils ne suffira pas. Comprendre le problème à résoudre, oui.
En programmation, cela signifie passer de l’écriture de code à la conception de systèmes. En biologie, de l’analyse de données à la validation des connaissances. En énergie, de l’optimisation de modèles à la gestion des infrastructures. Dans le sport et les jeux vidéo, de l’exécution à la génération d’une expérience humaine que le public veut suivre.
L’IA rendra beaucoup de tâches moins chères. Elle rendra le jugement plus précieux.
Questions fréquentes
Quels emplois Bill Gates considère-t-il comme les plus résistants à l’IA ?
La programmation, la biologie, l’énergie et le sport professionnel, où la substitution est structurellement plus difficile en raison de la complexité des systèmes, de la dimension physique ou de l’intérêt humain que ces activités génèrent.
L’IA remplacera-t-elle les programmeurs ?
Pas entièrement. Elle automatisera les tâches de codage répétitives, mais la conception de systèmes, la maîtrise de l’architecture et la responsabilité technique resteront des compétences humaines précieuses.
Pourquoi le sport professionnel résiste-t-il à l’automatisation ?
Parce que le public regarde des humains, pas seulement des performances optimales. La narration, la rivalité, la pression et l’improvisation sous stress génèrent un intérêt qu’un agent autonome ne peut pas reproduire.
Quels profils tech sont les plus vulnérables face à l’IA ?
Les profils limités à des tâches répétitives, du code simple, du contenu générique ou du support de base sans compréhension profonde du système ou du métier ciblé.
Que faut-il apprendre pour s’adapter à l’IA dans la tech ?
L’architecture système, la sécurité, la gestion des données, le sens du produit et une utilisation avancée des outils IA. La combinaison connaissance technique et capacité de décision sera l’atout clé.
