Vous venez d'embaucher un million de mauvais employés

L'IA était censée remplacer le travail humain.

Elle a fait l'inverse.

Pour la première fois dans l'histoire, les humains sont moins chers que les logiciels.

Dépenses en tokens par employé dans les grandes entreprises

Et l'IA crée plus d'emplois qu'elle n'en supprime.

Croissance des effectifs après l'adoption de l'IA

La technologie a toujours résolu un problème en en créant un autre.

Dans les années 1830, l'avènement du chemin de fer a déclenché la plus grande expansion d'infrastructures que le monde ait jamais connue. Le kilométrage de voies ferrées américaines a été multiplié par 120 en une décennie.

Puis le système s'est effondré.

Le 5 octobre 1841, deux trains sont entrés en collision fatale sur le Western Railroad dans le Massachusetts à cause d'un simple défaut de coordination.

À mesure que la complexité des chemins de fer augmentait, les conducteurs individuels ne suffisaient plus à assurer la sécurité des voyages en train. Les compagnies ferroviaires ont donc entamé un effort de plusieurs décennies : embaucher des gestionnaires pour chaque zone géographique, définir de nouveaux rôles au sein de l'organisation, et établir des hiérarchies claires avec des lignes hiérarchiques. Le management moderne était né. Grâce à lui, le rail est devenu la première industrie milliardaire au monde, représentant à son apogée environ 60 % du marché boursier.

L'IA est en train de faire à nouveau s'effondrer le système.

Nous venons de donner à chaque employé, même aux pires, un effectif infini et un budget infini.

Gérer l'IA est plus difficile que gérer des humains, car l'IA fait dysfonctionner l'organisation instantanément. Heureusement, nous pouvons apprendre du passé :

Les effectifs d'agents et les effectifs humains échouent de la même manière.

Comprendre les 7 parallèles majeurs entre les deux débloquera les prochains milliers de milliards de dollars de création de valeur par l'IA.

Les 7 parallèles entre les effectifs d'agents et les effectifs humains

1. Le tokenmaxxing, c'est jeter des corps sur le problème.

Le cycle de hype du tokenmaxxing a fait son plein cours en moins d'un mois.

Mais la quantité de tokens dépensés n'a jamais été le vrai problème.

Les gens dépensent tellement en tokens parce qu'ils ne savent pas comment les utiliser.

Peut-être 1 employé sur 100 sait comment donner du contexte à l'IA. C'est une race rare de personne qui peut articuler clairement un processus, qui a la patience de faire preuve d'empathie envers une fenêtre de contexte polluée, ou même qui comprend ce que cela signifie.

Donnez un harnais d'agent aux 99 autres personnes et elles produiront des "boucles".

2. Les boucles sont des réunions sur des réunions.

Dans Claude Code/Cowork, Copilot, Autoresearch de Karpathy, ou tout harnais, les boucles sont un pansement pour le fait que presque personne ne sait correctement faire un prompt.

Les boucles sont une tentative de force brute pour compenser l'insuffisance humaine. Les agents s'appellent eux-mêmes pour se réparer uniquement parce qu'un humain n'a jamais articulé la tâche proprement. La force brute devient le seul chemin possible du système vers le progrès. Tout cela découle de l'incapacité humaine à comprendre correctement la tâche en premier lieu.

Vous dépensez des tokens pour dépenser des tokens.

3. Les tokens gaspillés sont le nouveau gonflement des effectifs.

La plupart des entreprises aujourd'hui sont mal gérées.

La grande majorité des travailleurs n'ont pas d'impact significatif sur l'entreprise. Ce sont des rouages dans la machine, qui tamponnent des approbations à chaque niveau et embauchent plus de rouages pour alimenter une machine qui existe pour exister.

Ils bouclent.

Souvent, il est plus efficace de couper la boucle. Elon a réduit de 80 % les effectifs de X et l'entreprise a mieux performé. Les partenaires opérationnels de private equity vivent de l'arbitrage de ce simple fait.

Tout comme 80 % des employés ne font rien, 80 % des tokens aujourd'hui ne font rien.

Les gens créent plus de gens. Les tokens créent plus de tokens. Boucler est le nouveau construire un empire.

4. Les tokens 100X sont les nouveaux ingénieurs 10X.

La promesse du logiciel était que nous le construirions une fois, le ferions fonctionner pour toujours à faible coût, et n'aurions jamais besoin de le superviser. L'IA a brisé cette promesse. Dès que le logiciel a pu tout faire, il n'a plus rien pu faire de manière prévisible.

Les tokens se comportent comme une main-d'œuvre, et dès que vous voyez les tokens comme des employés, les promesses de l'IA commencent à s'effondrer :

• "Les tokens sont plus précis que les humains" mais seulement lorsqu'on leur fait un prompt correctement.
• "Les tokens sont plus rapides que les humains" pourtant la vitesse ne signifie rien sur 100 tentatives.
• "Les tokens ne jouent pas la politique" mais ils construisent des empires de dépenses de tokens.
• "Les tokens ne démissionnent pas" mais ils meurent entre les nouvelles versions de modèle et les nouvelles sessions.
• "On peut faire confiance aux tokens" pourtant ils échouent avec confiance dans un formatage parfait.

Le seul domaine où l'IA bat vraiment les humains, c'est la scalabilité. Faire évoluer les humains consomme une énergie énorme en recrutement, intégration et attrition. Faire évoluer les tokens est instantané. C'est exactement pourquoi les mal gérer est si coûteux, et pourquoi vous devez trouver et faire évoluer le token 100X.

L'ingénieur 10X a construit la dernière ère d'entreprises. Le token 100X construira la prochaine.

De la même manière qu'une poignée d'employés rendent les autres 10X plus productifs, pour un poste donné, une certaine quantité de contexte de token peut réduire l'effort de l'IA de plusieurs ordres de grandeur. Il existe des tokens qui vous donneront 100X plus de levier.

Les humains sont moins chers que les tokens en moyenne, mais les bons tokens sont moins chers à l'échelle.

Le management convertit l'un en l'autre.

5. L'accaparement du contexte est la dernière tactique de sécurité de l'emploi.

Il y a un problème politique massif avec l'IA au sein de l'entreprise, et cela ne fera qu'empirer.

Les employés ne veulent pas enseigner leur sauce secrète aux systèmes d'IA.

Ils commencent à réaliser que ces systèmes ne sont pas seulement là pour "les aider" ou "augmenter la productivité".

Regardez Meta, où des employés actionnaires, qui sont extrêmement incités à bien faire avec l'IA, sont outrés que l'entreprise utilise le contexte des employés comme données d'entraînement. Et ça, dans une entreprise tech… un conflit qui est un microcosme de ce qui est sur le point d'arriver dans toutes les industries.

https://x.com/Polymarket/status/2061903052966076882

La connaissance tribale a été la sécurité de l'emploi pendant des siècles. Les guildes médiévales gardaient leurs méthodes secrètes. L'IA est la première technologie qui demande aux travailleurs de tout remettre d'un coup.

Personne ne forme son remplaçant gratuitement.

Les personnes qui détiennent les tokens 100X ont le moins d'incitation à les céder. Émotionnellement, structurellement et politiquement, les entreprises sont câblées pour rejeter la technologie la plus importante pour leur avenir.

6. Les évaluations sont les nouveaux OKR.

La meilleure façon de gérer un effectif de tokens est la même que la meilleure façon de gérer des humains : définir à quoi ressemble le succès.

Le seul cas d'usage de l'IA qui a échappé à la politique est le codage. Il a agrandi le gâteau et a rendu chaque ingénieur meilleur.

Le mécanisme, ce sont les évaluations. 99 % des revenus de l'IA aujourd'hui proviennent du codage car le codage a des évaluations intégrées. Le code s'exécute ou ne s'exécute pas.

Les cas d'usage plus larges et transversaux de l'IA ne deviendront opérationnels que lorsque quelqu'un construira les évaluations requises. Des évaluations spécifiques comptent plus que d'apprendre à vos employés à faire des prompts ou de leur donner un harnais de chat. Avec elles, l'IA dévorera les parties de l'économie que le code n'a jamais pu toucher.

Le vrai travail du management est de transformer des processus humains flous en code, d'exprimer le qualitatif en quantitatif.

La suite d'évaluations d'une entreprise deviendra sa ressource la plus précieuse.

Tout comme les OKR sont essentiels pour tirer le meilleur parti d'un effectif humain, les évaluations seront essentielles pour tirer parti d'un effectif de tokens infiniment scalable. Les évaluations sont la voie pour faire fonctionner les tokens 100X.

De plus, deux entreprises n'auront pas le même ensemble d'évaluations. Les évaluations seront la clé de l'avantage concurrentiel. Une organisation qui utilise des évaluations génériques ou des agents génériques n'a aucun avantage.

7. La prochaine opportunité de milliers de milliards de dollars est l'entreprise de transformation.

Les entreprises achètent des engagements de modèles fondamentaux, la couche applicative et des constructions internes depuis des années. Tout cela cache une vérité brutale sur l'économie :

Personne n'a encore l'IA qui fonctionne de manière fiable.

La Silicon Valley est tellement convaincue de cet échec que sa dernière obsession est de parier contre les entreprises d'aujourd'hui. Les startups "Neofirms" ou "AI Native Services" sont financées pour capturer les 21 000 milliards de dollars de dépenses de services dans l'économie de la connaissance, en partant du principe que les entreprises en place, empêtrées dans leurs propres politiques et processus, ne réussiront jamais la transition elles-mêmes.

Les neofirms pourraient bien fournir une pression concurrentielle qui catalyserait l'adoption de l'IA par les "tradfirms". Mais les plus grands actifs de l'IA se trouvent encore à l'intérieur des entreprises en place : des processus différenciés qui fonctionnent déjà, scalables via des canaux de distribution qui existent déjà.

En fait, les prochaines plus grandes entreprises ne vont pas manger les dépenses de services existantes. Elles vendront un type de service entièrement nouveau aux acteurs existants :

Les "entreprises de transformation IA" seront 10 fois plus grandes que n'importe quelle neofirm.

La transformation semble être un projet ponctuel. Mais il y a un paradoxe de Jevons à l'œuvre : chaque cas d'usage qu'une organisation adopte en révèle dix autres. Plus une entreprise devient habilitée par l'IA, plus elle consomme de transformation, tandis que la frontière de ce qui est possible avance chaque jour. Les efforts continus de transformation IA deviendront le seul moyen de rester compétitif.

Considérez Palantir, sur le papier l'entreprise la plus "disruptible" par Claude dans le logiciel : une entreprise d'un demi-milliard de dollars qui construit à la main des applications sur mesure pour les entreprises. Selon la logique qui a rendu le SaaS quasi non-investissable, $PLTR devrait être un zéro avant $NOW.

Ce n'est pas le cas, car Palantir n'a jamais vendu de logiciel. Il vendait de la transformation.

Mais la transformation elle-même a évolué depuis l'époque de Palantir. Dans un monde où l'IA est primordiale, c'est plus que des ontologies, des logiciels sur mesure et le rare prompt sur mesure. Le vrai travail réside dans les évaluations, dans la minimisation des tokens, dans la compréhension si profonde d'une entreprise que vous pouvez la programmer.

Encoder les nuances de chaque entreprise dans des agents deviendra la plus grande tâche économique de la décennie.

Il est temps de gérer.

Chaque phase du boom de l'IA a eu son cliché directeur.

On nous a dit de vendre des pioches pendant une ruée vers l'or, et nous avons construit l'infrastructure. On nous a dit de vendre du "Service-as-a-Software", et nous avons construit des neofirms. Nous avons assez d'infrastructure. Nous avons assez de services. Maintenant, le travail consiste à faire en sorte que les trains arrivent à l'heure.

Il est temps de faire l'inventaire de l'entreprise : trouver les tokens 100X, enregistrer les boucles qui fonctionnent, et diriger l'intelligence qui est massivement gaspillée.

Les humains viennent de devenir moins chers que les logiciels.

Quelqu'un doit encore dire aux deux quoi faire.

Merci à Sam Wolfe, David Oks, @WillManidis, et @Alex_Danco pour leur réflexion ici. Et à @ClaudeAI Fable 5, fonctionnant sur bien trop de boucles, pour l'aide à la rédaction de ceci.