Comment analyser son métier avec l’IA : méthode par tâches

Qu'est-ce qu'une analyse d'un métier par tâches ?

Une analyse par tâches décompose un métier en activités récurrentes, puis examine pour chacune l'assistance possible par l'IA, la validation humaine, la responsabilité et la valeur professionnelle. Cette approche est plus utile qu'un pourcentage définitif appliqué à un intitulé, car deux personnes portant le même titre peuvent effectuer un travail très différent.

L'indice d'exposition publié par l'Organisation internationale du Travail en 2025 s'appuie sur les tâches, justement parce que l'IA ne touche pas toutes les composantes d'un métier de la même façon. La mesure de l'OCDE publiée en 2026 aboutit à un constat proche : les systèmes actuels sont plus proches du traitement routinier de l'information et des tâches codifiables que du jugement contextuel, de la compréhension interpersonnelle, des décisions complexes et de la responsabilité.

La méthode ci-dessous transforme cette logique de recherche en grille pratique. Elle ne nécessite pas de transmettre des données confidentielles de votre employeur.

La méthode en sept étapes

1. Reconstituez une semaine représentative

Listez ce que vous avez réellement fait, et non ce que décrit votre fiche de poste. Servez-vous de votre agenda, de vos notes de projet, de vos tickets et de vos livrables pour reconstituer cinq jours de travail. Regroupez les petites actions en tâches ayant un résultat clair, par exemple « préparer le rapport client hebdomadaire » ou « examiner une exception fournisseur ».

Pour chaque tâche, estimez :

• le nombre d'heures ou la part de la semaine ;
• la fréquence ;
• l'entrée et le livrable principal ;
• la personne qui vérifie ou utilise le résultat ;
• les conséquences d'une erreur.

Ne transmettez pas de dossiers clients, de documents privés, de données personnelles, d'identifiants ou d'informations propriétaires à un outil d'IA public.

2. Séparez la production de la décision

Une même tâche contient souvent une production répétable et un jugement plus sensible. « Préparer une prévision » peut inclure la collecte de données, le nettoyage d'un tableau, le choix d'hypothèses, l'étude des anomalies, l'explication de l'incertitude et l'approbation d'une recommandation.

Décomposez la tâche jusqu'à ce que chaque ligne corresponde à un seul résultat. Vous éviterez ainsi de confondre la génération d'un brouillon avec la responsabilité de la décision finale.

3. Évaluez la structure de chaque tâche

Utilisez une échelle simple de 0 à 3 pour cinq dimensions :

| Dimension | 0 | 1 | 2 | 3 | |---|---|---|---|---| | Répétition | Nouvelle à chaque fois | Quelques étapes répétées | Majoritairement répétable | Très standardisée | | Entrées numériques | Surtout physiques ou tacites | Mixtes | Surtout numériques | Entièrement numériques et structurées | | Vérifiabilité | Expertise nécessaire | Contrôle coûteux | Critères de contrôle clairs | Test automatique possible | | Contexte et exceptions | Changement constant | Nombreuses exceptions | Quelques exceptions | Règles stables | | Conséquence d'une erreur | Minime | Reprise nécessaire | Effet client ou financier | Effet juridique, de sécurité ou majeur |

Des scores élevés en répétition et en entrées numériques suggèrent une faisabilité technique plus forte. Une conséquence importante, un contexte instable ou un contrôle difficile renforcent le besoin d'une validation humaine qualifiée. N'additionnez pas ces cinq notes pour fabriquer une fausse probabilité scientifique.

4. Testez une partie réversible et peu risquée

Choisissez une tâche réversible, avec des entrées non sensibles et un résultat vérifiable. Vous pouvez, par exemple, préparer la structure d'un ordre du jour, classer des avis publics, produire des formules de tableur à partir de données fictives ou rédiger des questions pour examiner un document.

Définissez le test avant d'utiliser l'IA :

1. résultat attendu ;
2. source de référence ;
3. critères d'acceptation ;
4. données interdites ;
5. personne chargée du contrôle ;
6. condition d'arrêt.

Le cadre de gestion des risques liés à l'IA du NIST recommande des activités documentées de test, d'évaluation, de vérification et de validation pendant tout le cycle de vie d'un système. Une expérimentation professionnelle mérite la même discipline élémentaire : tester en contexte, consigner les échecs et conserver un responsable humain.

5. Mesurez l'ensemble du flux de travail

Gagner dix minutes sur un brouillon n'est pas un progrès si sa vérification en ajoute vingt. Comparez l'ancien et le nouveau flux avec des indicateurs adaptés :

• durée totale du cycle ;
• temps de contrôle ;
• nombre d'erreurs et de reprises ;
• exceptions manquées ;
• acceptation par le client ou le collègue ;
• coût de récupération en cas d'échec.

Réalisez plusieurs essais comparables. Notez les situations dans lesquelles l'IA aide, celles où elle ajoute du travail et les cas qui doivent rester hors du processus.

6. Classez la prochaine action

Placez chaque tâche dans l'une de ces quatre catégories :

| Catégorie | Signification | Action suivante | |---|---|---| | Automatiser avec contrôle | Répétable, vérifiable, faible conséquence | Construire un processus encadré et le surveiller | | Assister avec validation | L'IA peut produire ou classer, mais le contexte compte | Conserver une validation experte et une règle d'escalade | | Repenser le rôle | L'exécution diminue, mais le résultat garde sa valeur | Déplacer du temps vers le diagnostic, les décisions et la coordination | | Conserver une conduite humaine | Confiance, responsabilité, travail physique ou exceptions sensibles dominent | Limiter l'IA à une assistance encadrée, si elle est pertinente |

La catégorie peut évoluer avec les outils, la réglementation et les contrôles de l'organisation. Réexaminez les tâches importantes chaque trimestre ou après un changement majeur du processus.

7. Transformez le résultat en preuve

Choisissez une compétence qui améliore le nouveau flux de travail. Construisez un exemple concret montrant :

• le problème initial et le point de départ ;
• la tâche modifiée ;
• les contrôles et la validation ;
• le résultat ;
• les limites connues ;
• le prochain test.

Cette preuve est plus solide que l'affirmation « je maîtrise l'IA ». Elle montre du jugement, de la vérification, une connaissance du domaine et un sens des responsabilités.

Exemple fictif : le rapport marketing hebdomadaire

Cet exemple sert uniquement à expliquer la méthode. Il ne s'agit pas du résultat d'un client Jobisque.

Une analyste consacre quatre heures à collecter les données des canaux, corriger les libellés, rédiger un commentaire, contrôler les anomalies et présenter des recommandations. La collecte et le premier brouillon sont répétables et numériques. Expliquer une baisse soudaine des conversions est moins standardisé : un changement de suivi, une promotion, la saisonnalité ou un problème de qualité des données peuvent intervenir.

L'analyste teste l'IA uniquement sur une copie anonymisée du tableau. Les critères d'acceptation imposent que chaque chiffre corresponde aux données sources et que chaque explication causale soit présentée comme une hypothèse. Le premier test accélère la rédaction, mais invente la cause d'une anomalie. La tâche est donc classée « assister avec validation », et non « automatiser entièrement ».

La refonte du rôle est précise : automatiser la mise en forme, utiliser l'IA pour proposer des questions, puis consacrer davantage de temps à valider les données, rechercher les causes et expliquer les arbitrages aux décideurs. La preuve prend la forme d'un comparatif avant-après comprenant le journal des erreurs et le temps de contrôle, sans affirmation de productivité non vérifiée.

Grille d'audit à copier

Utilisez une ligne par tâche :

| Champ | Vos notes | |---|---| | Tâche et résultat recherché | | | Temps hebdomadaire ou fréquence | | | Entrée et livrable | | | Note de répétition (0-3) | | | Note des entrées numériques (0-3) | | | Note de vérifiabilité (0-3) | | | Note de contexte et d'exceptions (0-3) | | | Note de conséquence d'une erreur (0-3) | | | Responsable du contrôle ou de la décision | | | Test sûr et critères d'acceptation | | | Résultat : automatiser, assister, repenser ou conduite humaine | | | Compétence et preuve à construire | |

Pour obtenir un premier repère, utilisez le calculateur de risque IA par tâches. L'audit gratuit Jobisque peut produire une cartographie plus complète pour votre métier.

Les erreurs qui rendent l'analyse peu fiable

• Noter seulement l'intitulé : cela masque les différences d'ancienneté, de secteur, d'outils et de responsabilité.
• Confondre exposition et remplacement : la capacité technique ne détermine ni l'adoption, ni les effectifs, ni la réglementation, ni le calendrier.
• Tester avec des données confidentielles : une expérimentation pratique peut créer un risque contractuel, de sécurité ou de confidentialité.
• Mesurer seulement la vitesse du brouillon : le contrôle, la correction, la coordination et la récupération après échec font partie du calcul.
• Ignorer le responsable de la décision : une personne reste responsable d'utiliser ou de rejeter le résultat.
• Tirer une certitude d'un petit test : quelques exemples révèlent des modes d'échec, mais ne prouvent pas une performance universelle.

Ce que cette analyse ne peut pas prédire

Cette méthode ne peut pas dire si un employeur supprimera un poste, ni à quelle date. Elle n'observe pas la demande locale, la stratégie de l'entreprise, la réglementation, les budgets, les changements de modèles ou votre performance. Elle sert à choisir des tests contrôlés et des compétences défendables.

Après l'audit, le plan de carrière Jobisque peut transformer vos constats en priorités sur 90 jours. Cette offre unique à 19 $ ne garantit ni emploi ni revenu.

Sources

• Organisation internationale du Travail : Generative AI and Jobs, 2025
• OCDE : The OECD AI exposure measure, 2026
• NIST : cadre de gestion des risques liés à l'IA