Le premier effet organisationnel de l’IA dans le retail n’est pas une vague de licenciements, mais un poste qui ne s’ouvre jamais. Lors d’un dîner de dirigeants organisé par Glossy et Modern Retail, rapporté ce mois-ci, un cadre a raconté avoir publié des postes sur le compte de recrutement de l’entreprise, puis les avoir retirés une fois que l’équipe avait constaté que le logiciel pouvait faire le travail. Le poste s’est évaporé avant même que quiconque n’y soit embauché.

Ce qui a remplacé l’embauche, c’est une plateforme. Une marque présente ce soir-là avait construit un système de renseignement interne reliant les données logistiques, les médias payants, les avis clients et les fils Reddit, à la recherche de corrélations exploitables. Un autre cadre avait assemblé une vue unifiée de l’e-commerce et du commerce physique en trois semaines environ, sans l’investissement technologique à six chiffres que ce même chantier aurait autrefois exigé. L’apprentissage de deux ans qu’un analyste aurait autrefois suivi, à apprendre d’où venaient ces chiffres, n’a aucun équivalent dans ce système.

Tous les convives à cette table ont lu ce changement comme une histoire de productivité, et la conclusion de la salle était optimiste : produits, expertise et communauté compteraient davantage, non moins, une fois le travail facile automatisé. Comme l’a confié un cadre à la même assemblée, tout avantage qu’une marque construit grâce à l’IA, ses concurrents le construiront aussi — l’avantage était donc censé se déplacer vers ce que le logiciel ne peut pas copier. C’est une conclusion confortable. Elle omet aussi de dire d’où cette expertise incopiable était censée venir.

Le jeune merchandiser n’a jamais eu de valeur pour le travail en lui-même. Extraire les taux d’écoulement et relancer une livraison en retard, c’était la manière dont la connaissance s’installait. Ce qui s’accumulait, c’était un sens de ce qui constitue une véritable anomalie et ce qui n’est qu’un directeur de magasin ayant mal scanné des retours. Ce sens était l’actif — et il a toujours été rémunéré comme s’il s’agissait de travail administratif.

Le phénomène est visible au-delà de la mode, dans les registres de paie plutôt que dans l’anecdote. Le Digital Economy Lab de Stanford, s’appuyant sur le plus vaste ensemble de données de paie des États-Unis, a constaté une baisse relative de 16 % de l’emploi chez les travailleurs de 22 à 25 ans dans les métiers les plus exposés à l’IA. L’emploi des travailleurs plus expérimentés dans ces mêmes métiers, lui, s’est maintenu ou a progressé. Les baisses se concentrent là où l’IA automatise plutôt qu’elle n’augmente, et l’ajustement passe par les effectifs plutôt que par les salaires. Une entreprise qui n’embauche jamais n’a rien à déclarer.

Une marque qui cesse d’embaucher des juniors n’a pas économisé un salaire ; elle a cessé de fabriquer des seniors.

L’économie du phénomène a été modélisée, et le résultat est pire que l’évidence apparente. Dans un article sur la transmission intergénérationnelle du savoir, Enrique Ide modélise des novices acquérant un savoir-faire tacite en travaillant aux côtés d’experts. Une meilleure automatisation des postes d’entrée relève la production au moment de l’adoption, mais abaisse la croissance à long terme, constate l’article — même lorsque l’emploi débutant ne recule pas. Le dommage vient du fait que les novices sont détournés des experts les plus productifs. Dans un bureau d’achat, c’est l’assistant qui a encore un poste, assis devant un tableau de bord plutôt qu’aux côtés du merchandiser qui a survécu à quatre mauvaises saisons.

Ce qui laisse le logiciel détenteur de la mémoire. Ces plateformes ont été construites rapidement — l’une en trois semaines, par un cadre qui avait déjà un emploi. Elles décident désormais quelles corrélations comptent. Chaque entreprise tient deux registres, l’un pour les salaires et l’autre pour ce que ses collaborateurs savent ; seul le premier est audité. Le personnel qui aurait été qualifié pour dire à une plateforme qu’elle avait tort est précisément la ligne budgétaire qui l’a fait paraître bon marché.

Rien de tout cela ne ressemblera à une erreur avant plusieurs années. La plateforme aura raison sur la plupart des choses, parce que la plupart des choses se répètent. Son premier véritable échec surviendra lors d’une saison qu’aucune personne dans l’entreprise n’aura vécue — et le procès qu’on lui intentera devra être instruit par des gens qui ont tout appris d’elle.