Source : Bonny Banerjee & Shreya Singh, The Human-AI Substitution Principle: When will you be replaced by AI in your organization?, prépublication arXiv:2607.20781 (cs.AI / econ.GN), 22 juillet 2026, https://arxiv.org/abs/2607.20781. Pas encore évaluée par les pairs.
L'essentiel
Cet article n'est pas une étude empirique : c'est un modèle mathématique. Les auteurs construisent un cadre théorique, baptisé HAT, pour Human–AI Task Allocation, qui répond à une question précise : à quelles conditions de coût et de risque une organisation a-t-elle intérêt à confier une tâche à une IA plutôt qu'à un humain ? Ils en tirent une règle de décision, le « principe de substitution humain–IA ». Le résultat central tient en une phrase : une IA remplace un humain si et seulement si son coût effectif, une fois le risque intégré, est inférieur. Tout le reste découle d'hypothèses posées au départ. Et à retenir avant tout : le titre pose la question du quand, mais l'article ne prédit ni date, ni nombre d'emplois, ni trajectoire du marché du travail. Il décrit une logique d'optimisation, pas l'avenir.
Ce qu'ils ont étudié, et comment
Le cadre modélise une organisation hiérarchique : des niveaux de management (une profondeur D), un nombre de subordonnés par manager, et tout en bas des exécutants. Chaque poste peut être tenu par un humain ou par une IA, et l'organisation répartit les tâches de façon à minimiser un coût « ajusté au risque », le coût direct auquel on ajoute une pénalité pour le risque, pondérée par la tolérance au risque de l'organisation. Côté humain, ce coût grimpe fortement avec la compétence (talent rare, formation, expérience accumulée). Côté IA, il se décompose en un coût de formation fixe, payé une fois, puis amorti sur le nombre de déploiements, plus un coût d'exploitation marginal qui, lui, dépend peu du niveau de capacité du modèle. Le risque de l'IA est éclaté en trois volets : fiabilité (erreurs, comportements instables), conformité (exposition réglementaire) et réputation (perte de confiance).
L'hypothèse qui porte tout l'édifice, les auteurs insistent bien : c'est un choix de modélisation, pas un fait démontré, est que le coût marginal de la capacité d'une IA croît au plus aussi vite que le coût marginal de la compétence humaine. C'est volontairement conservateur : l'inégalité suffit, l'égalité stricte n'est pas requise. Il s'agit d'une prépublication arXiv signée de Bonny Banerjee (chercheur et consultant indépendant aux États-Unis, ancien universitaire au long parcours de publications sur les agents IA) et de Shreya Singh (chercheuse en mathématiques et science des données au Chennai Mathematical Institute, en Inde). Le texte n'a pas encore été relu par des pairs. La seule mention liée au financement est un remerciement : la recherche a été menée pendant que B. Banerjee occupait une chaire Infosys (invité) au CMI ; aucune déclaration de conflits d'intérêts n'est incluse.
Ce que le modèle établit
Sous ces hypothèses, les auteurs démontrent (preuves en annexe) une série de propriétés. Les plus marquantes :
- La règle de substitution. Le coût nominal ne suffit pas : même si une IA paraît moins chère, une pénalité de risque assez forte peut à elle seule empêcher le remplacement. Le risque n'est pas un détail, c'est ce qui fait basculer la décision.
- Des transitions brutales, pas graduelles. Dans le modèle, la bascule se produit d'un coup, dès que l'écart de coût ajusté au risque change de signe. La composition des effectifs resterait donc stable longtemps, puis changerait par à-coups, ce qui expliquerait les « vagues » d'automatisation. Réserve posée par les auteurs eux-mêmes : cette netteté vient de la forme linéaire du modèle ; avec des coûts non linéaires ou des contraintes supplémentaires, la transition redevient progressive.
- Des hiérarchies plus plates. Comme les coûts humains explosent avec la profondeur hiérarchique, l'arrivée de l'IA réduit (au sens faible) la profondeur optimale et élargit l'encadrement : moins de niveaux, des managers qui supervisent davantage de monde, à condition que l'organisation ait le droit de se réorganiser.
- Le milieu de la hiérarchie, un cas particulier. Sous une condition précise, la probabilité de substitution peut culminer à un niveau intermédiaire, ni au sommet, ni tout en bas. L'intuition : la pression au remplacement monte vers le haut (les postes y coûtent cher), mais la faisabilité chute près du sommet (responsabilité, conformité, réputation). Les auteurs précisent que cela ne signifie pas que les cadres intermédiaires sont toujours les plus exposés ; c'est un mécanisme conditionnel.
- Les profils très qualifiés : ça dépend. Il existe un seuil de compétence séparant une « zone de protection » d'une « zone de vulnérabilité », mais de quel côté tombe un travailleur très qualifié dépend des paramètres du domaine. Le modèle ne tranche pas dans l'absolu. Il range toutefois des domaines comme l'aide au code, l'analyse de données ou la rédaction parmi ceux où le coût marginal de la capacité IA est faible, donc où même des profils moyennement qualifiés peuvent entrer dans la zone de vulnérabilité à mesure que l'IA progresse.
- Les organisations hybrides. Humains et IA peuvent coexister durablement pour deux raisons : une contrainte externe (réglementation, quota d'humains), ou, c'est le point que les auteurs mettent en avant, parce que, dans les secteurs très réglementés (santé, finance, droit), la seule pénalité de conformité suffit à rendre l'automatisation totale non rentable une fois le risque intégré, sans qu'aucune règle ne l'impose.
Les auteurs ajoutent un volet « théorie des jeux » : humains (montée en compétence) et IA (amélioration, fiabilisation) s'adaptent, et l'issue est un équilibre. Ils notent aussi que la responsabilité, le fait qu'un agent nommé et sanctionnable réponde d'une décision, émerge du modèle plutôt que d'y être imposée : comme une IA ne peut aujourd'hui ni être tenue juridiquement responsable ni subir une atteinte à sa réputation, la déployer sur des rôles à forte responsabilité gonfle les trois risques, ce qui protège l'humain.
Pour rendre tout cela concret, l'article déroule un exemple chiffré sur une firme de services professionnels type (cinq niveaux, 341 personnes). Avec les valeurs de départ choisies, le seuil de compétence tombe sous zéro : tous les exécutants se retrouvent dans la zone de vulnérabilité, l'IA étant moins chère que même l'employé le moins qualifié. Ce résultat frappant tient surtout à l'écart supposé entre le plancher salarial humain (70 k$) et le plancher de coût de l'IA (~10 k$), ce sont des hypothèses de calibrage, pas des chiffres mesurés. Les auteurs montrent d'ailleurs qu'en relevant le risque de conformité (contexte santé/défense), ce seuil remonte nettement, ce qui illustre leur « levier de gouvernance » ; l'exemple reproduit aussi le pic de substitution au niveau intermédiaire et l'aplatissement (profondeur qui passe de 4 à 3).
Ce que l'étude ne montre pas
C'est ici que se joue la lecture honnête, et les auteurs y consacrent une longue liste. Ce travail est normatif, pas descriptif : il dit ce qui minimise le coût ajusté au risque sous ses hypothèses, pas ce que font réellement les entreprises. Chaque théorème est conditionnel, changez l'hypothèse centrale sur les coûts, et vous obtenez d'autres régimes. Il n'y a aucune validation empirique : les auteurs proposent au contraire sept prédictions testables pour de futures recherches, mais ne les testent pas eux-mêmes ; l'exemple chiffré ci-dessus est une illustration, pas une preuve. Plusieurs résultats forts ne tiennent que sous des conditions restrictives que les auteurs énoncent clairement, l'irréversibilité suppose « coûts humains et contraintes figés », les bascules nettes supposent « ni non-linéarité ni contrainte ». Les auteurs vont jusqu'à préciser que le résultat « toute la tâche à un seul agent » est une tendance de référence, pas une description : aucune IA ni aucun humain ne suffit à lui seul à la charge d'une vraie organisation, qui doit forcément répartir le travail. Enfin, le modèle raisonne à l'intérieur d'une seule entreprise : il laisse de côté le rythme des progrès de l'IA, les effets d'équilibre du marché du travail (salaires, réallocation des personnes), le fait que déployer une même IA à plus grande échelle en abaisse le coût (une boucle qui accélérerait l'adoption, non modélisée ici), et les frictions culturelles, politiques ou juridiques.
Ce que ça veut dire, concrètement
Pris pour ce qu'il est, le modèle offre une grille de lecture, pas un verdict. Son apport le plus solide n'est pas « l'IA va remplacer tel métier », mais un déplacement de la question : la substitution ne dépend pas seulement de ce que l'IA sait faire techniquement, mais du coût, du risque (fiabilité, conformité, réputation), de l'échelle de déploiement et de la structure de l'organisation. Le modèle suggère par exemple que ce sont le risque et la responsabilité, et non la seule capacité technique, qui expliquent pourquoi certains métiers réglementés résistent. Pour l'instant, c'est un cadre suggestif et cohérent en interne, pas une donnée sur le monde réel. Sa valeur se mesurera à sa capacité à produire des prédictions que d'autres pourront confronter aux faits.
Mon avis (opinion)
Ce que j'apprécie : l'article est d'une honnêteté rare sur ses propres limites. Il répète que tout est conditionnel, refuse de prophétiser un calendrier, nomme l'hypothèse qui porte ses conclusions au lieu de la dissimuler, et va même jusqu'à donner un contre-exemple à l'une de ses propres hypothèses techniques. Ce sur quoi je resterais prudent : un modèle linéaire produit forcément des seuils nets et des « bascules », et il serait facile de sur-interpréter ces résultats, surtout l'exemple chiffré où « tout le monde est remplaçable », comme des prédictions concrètes. C'est une bonne charpente pour raisonner sur l'automatisation, à ne pas confondre avec une boule de cristal.
Lire l'article : https://arxiv.org/abs/2607.20781 (PDF : https://arxiv.org/pdf/2607.20781).
