Il y a un an, on ne parlait que d'entreprises qui remplaçaient des équipes par de l'IA. Depuis quelques semaines, on parle de celles qui font machine arrière et réembauchent des humains.
Le dernier exemple en date, rapporté par la presse économique : Ford, qui réembaucherait environ 350 ingénieurs expérimentés après avoir constaté que les dysfonctionnements de son IA lui coûtaient cher — notamment au contrôle qualité.
Avant de crier à « l'IA qui ne marche pas », regardons ce que cette histoire dit exactement.
Le film du rétropédalage
Ford n'est pas un cas isolé. La même presse cite IBM, revenu en arrière après avoir voulu confier une large part de ses RH à l'IA ; des chaînes de restauration rapide qui retirent des bornes de commande automatisées ; et une étude du cabinet Robert Half selon laquelle près d'un tiers des dirigeants ayant supprimé des postes « à cause de l'IA » auraient fini par réembaucher pour le même travail.
Même Alex Karp, le patron de Palantir — qui vend pourtant de l'IA — s'est fait le porte-voix d'un certain ras-le-bol, jugeant que ces modèles ont été « survendus » et les budgets promis, démesurés.
Le point commun de ces retours : des entreprises parties à marche forcée, poussées par la peur de rater le train, qui découvrent la facture une fois l'euphorie retombée.
L'angle mort : les « barbes grises »
Le cas Ford est le plus parlant. Pour le contrôle qualité, l'entreprise avait installé des centaines de caméras intelligentes, entraînées sur les plans des pièces, les spécifications techniques, les normes. Sur le papier, imparable : la caméra vérifie si la voiture respecte les tolérances.
Sauf qu'il manque à ces caméras ce que Ford appelle, dit-on, ses « barbes grises » : ces inspecteurs qui, au fil des années, ont acquis un savoir-faire empirique. Celui qui « sent » qu'une portière est mal réglée — même quand, techniquement, ça passe — parce qu'un détail clochera pour le client.
Ce savoir-là n'est écrit nulle part. Il n'est pas dans les spécifications, donc il n'est pas dans les données. Et ce qui n'est pas modélisable n'est pas automatisable — quelle que soit la puissance du modèle.
Ce que les LLM apportent vraiment : de la cognition
Attention au contresens inverse. Les modèles d'aujourd'hui — les grands modèles de langage en particulier — apportent une vraie valeur cognitive : ils lisent, comprennent, résument, comparent, classent, rédigent. Vite, à grande échelle, sans se fatiguer. Ce n'est pas un gadget, c'est puissant, et ce serait absurde de s'en priver.
Mais la cognition n'est pas le jugement. Comprendre un texte, ce n'est pas sentir qu'une portière clochera pour le client. Analyser mille dossiers, ce n'est pas trancher le cas tordu que personne n'avait anticipé. L'IA excelle sur ce qui s'énonce et se mesure ; elle bute sur ce qui s'acquiert par l'expérience et ne s'écrit nulle part.
Bien placée, cette cognition ne remplace pas vos barbes grises : elle les décharge du volume et les concentre sur les cas où leur jugement fait la différence.
Ce n'est pas l'IA qui a échoué. C'est le « à marche forcée ».
Tirer de tout cela « l'IA est une bulle » serait aussi faux que le discours inverse d'il y a un an. Ces caméras détectent parfaitement les défauts spécifiés. Les chatbots répondent très bien aux questions courantes. L'IA a fait, dans chaque cas, ce qu'elle sait faire.
Ce qui a échoué, c'est un mot : remplacer. On a confondu « l'IA gère 80 % des cas » avec « l'IA peut se passer d'humains ». Or les 20 % restants — le cas tordu, le client sensible, le détail qui ne se mesure pas — sont précisément là où se joue la qualité. Un dispositif censé remplacer doit être parfait sur 100 % des cas. Aucun ne l'est.
On a déjà vu ce film. Klarna avait remplacé une partie de son service client par l'IA, puis réembauché. Une étude du MIT rappelait que l'immense majorité des pilotes d'IA générative ne produit aucun retour mesurable — non par faute de technologie, mais par faute de méthode. La nouveauté de 2026, c'est l'ampleur du rétropédalage. Pas la leçon.
Ce que ça change pour votre PME
Bonne nouvelle : une PME n'a pas les moyens de se tromper à l'échelle de Ford, et c'est précisément ce qui la protège. Quatre réflexes suffisent à éviter le rétropédalage :
- Augmenter, pas remplacer. L'IA prend le récurrent, le mesurable, le volume. L'humain garde le jugement, l'exception, la relation sensible. Les deux ensemble battent chacun séparément.
- Garder le savoir-faire dans la boucle. Vos « barbes grises » à vous — le comptable qui repère l'anomalie, la personne à l'accueil qui sent un client agacé — ne sont pas un coût à supprimer. Ils sont ce que l'IA ne remplacera pas.
- Commencer petit et mesurer. Un cas d'usage, un service, un gain chiffré avant/après. On ne bascule pas toute une fonction sur une promesse.
- Refuser la marche forcée. La peur de rater le train est un mauvais conseiller. Le bon rythme, c'est celui où chaque étape produit un résultat vérifié avant la suivante.
La révolution de l'IA aura bien lieu dans les entreprises. Simplement, elle ne se fera pas en supprimant les humains — elle se fera en les débarrassant de ce qui les empêche de faire ce qu'ils font de mieux.
Par où commencer
Pas par « faire de l'IA » parce que tout le monde en fait. Par une tâche répétitive précise, mise au travail avec vos équipes et mesurée honnêtement — quitte à conclure qu'un cas mérite de rester humain. Notre bibliothèque de 70 cas d'usage IA est faite pour repérer les bons candidats, et 30 minutes de conversation, gratuites et sans engagement, suffisent souvent à trier ce qui vaut le coup de ce qui vaut mieux laisser à vos barbes grises.