Échelle de formation

Qu’est-ce que l’échelle de formation ?

L’échelle de formation est le modèle traditionnel de développement de carrière dans les services professionnels—droit, conseil, finance, médecine—où les employés juniors échangent du travail de faible valeur contre du mentorat d’experts. Un analyste chez McKinsey produit des diapositives PowerPoint ; un associé junior dans un cabinet d’avocats révise des contrats ; un résident en médecine fait l’admission des patients. Le travail lui-même n’est pas très qualifié, mais il crée un échange économique : le travail du junior subventionne sa formation.

L’économiste de LSE Luis Garicano a formalisé cela comme le « AI Becker Problem », s’appuyant sur le travail fondateur de Gary Becker sur le capital humain. Dans la théorie originale de Becker, les entreprises n’investiront pas dans la formation générale (compétences qui se transfèrent à d’autres employeurs) à moins que les travailleurs ne « paient » d’une manière ou d’une autre. L’échelle de formation est le contrat implicite qui résout cela : les juniors acceptent des salaires bas et des tâches ennuyeuses ; en échange, ils gagnent des connaissances tacites—une expertise qui ne peut pas être enseignée à l’école.

Pourquoi l’IA menace l’échelle de formation

Les modèles de langage IA peuvent maintenant effectuer de nombreuses tâches que les juniors utilisaient traditionnellement pour payer leur formation :

• Révision de contrats - L’IA peut analyser des documents juridiques aussi bien qu’un associé junior
• Recherche de base - Les outils de recherche approfondie peuvent faire ce sur quoi les analystes de McKinsey passent des semaines
• Création de diapositives - L’IA peut générer des présentations qui ne nécessitent qu’une édition senior
• Modélisation financière - Le travail routinier sur tableur est de plus en plus automatisé

Quand l’IA fait ce travail mieux et moins cher, la « monnaie » du junior devient sans valeur. Pourquoi un associé embaucherait-il un analyste quand Claude peut faire la recherche de base ? Cela brise la logique économique de l’échelle de formation.

Caractéristiques clés

Transfert de connaissances tacites : L’échelle de formation ne concerne pas seulement l’accomplissement de tâches—c’est ainsi que les professionnels apprennent des choses qui ne sont écrites dans aucun manuel. Comment gérer un client difficile. Comment naviguer dans les politiques organisationnelles. Comment savoir quels détails importent. Cette connaissance se transfère par la proximité avec les experts, pas par la lecture.

Le problème de la monnaie : Comme le dit Garicano, les juniors paient pour la formation « non pas en dollars, mais en tâches subalternes ». Si l’IA dévalorise les tâches subalternes, les juniors n’ont pas de monnaie. Les entreprises pourraient payer les juniors pour apprendre, mais cela inverse complètement l’économie traditionnelle.

Risque de défaillance du marché : Si les échelles de formation s’effondrent, qui produit la prochaine génération d’experts ? Les seniors actuels prennent leur retraite ; l’IA ne peut pas (encore) fournir le jugement qui vient de décennies d’expérience. L’économie pourrait faire face à un déficit de compétences dans 15-20 ans.

Preuves de perturbation de l’échelle de formation

Deux articles d’août-septembre 2025 montrent des preuves systématiques de déclin du recrutement de juniors :

1. « Seniority-Based Technological Change » (Likenberg & Hosseini) : L’analyse de 62 millions de travailleurs montre que les professions exposées à l’IA ont un emploi senior stable ou en croissance mais un emploi junior en déclin—spécifiquement par une réduction du recrutement, pas des licenciements.

2. « Canaries in the Coal Mine » (Erik Brynjolfsson et al.) : Les travailleurs âgés de 22-25 ans montrent des baisses claires d’emploi dans les professions exposées à l’IA par rapport aux professions non exposées.

Pourquoi l’échelle de formation importe

Le problème de l’échelle de formation suggère que l’impact de l’IA sur le travail de connaissance peut être plus subtil et à plus long terme que les licenciements massifs :

1. Dés-embauche silencieuse : Pas de licenciements spectaculaires, juste moins de postes de débutants affichés
2. Érosion de l’expertise : Les experts actuels restent productifs, mais le pipeline de futurs experts se tarit
3. Perte de connaissances tacites : La mémoire institutionnelle et le jugement professionnel cessent d’être transmis
4. Amplification des inégalités : Les experts seniors gagnent en effet de levier ; les juniors perdent leur chemin vers l’expertise

Les organisations déployant des agents IA doivent consciemment résoudre le problème de la formation—ce que Garicano appelle concevoir le « ratio » où les gains de productivité des experts sont suffisamment importants pour justifier de continuer à embaucher et former des juniors.

Lectures connexes

• Seuil de supervision - Le niveau d’autonomie auquel l’IA cesse d’avoir besoin de supervision junior
• Human-in-the-Loop - Le modèle de supervision qui maintient les juniors pertinents
• Enterprise AI - Où les effets de l’échelle de formation sont les plus visibles