Le meilleur argument pour expliquer pourquoi l'IA ne prendra pas votre emploi

Les 46 000 licenciements annoncés dans le secteur technologique en mars 2026 — un record sur plus d'un an — ont ravivé la crainte d'une destruction massive d'emplois liée à l'IA. Pourtant, les signaux macroéconomiques restent contradictoires : Amazon maintient ses volumes de recrutement de stagiaires en ingénierie logicielle, et les offres d'emploi dans ce secteur atteignent leur plus haut niveau depuis trois ans. C'est dans ce contexte qu'Aaron Levie, PDG de Box, avance une thèse structurée contre le scénario catastrophiste.

Son argument central repose sur une distinction entre substitution et multiplication. Là où beaucoup anticipent que les agents vont remplacer des postes, Levie soutient qu'ils vont démultiplier le nombre d'entités interagissant avec les systèmes logiciels d'entreprise. Dans son schéma, si aujourd'hui 90 % de l'activité sur un logiciel SaaS est générée par des humains, ce ratio s'inversera d'ici trois ans — avec les agents représentant 90 % des interactions. Mais selon lui, la question décisive n'est pas de savoir si la part humaine a diminué de 90 %, mais si le volume total a été multiplié par dix. Il parie sur la seconde hypothèse, ce qui implique que les sièges humains restent stables tandis qu'une couche de consommation agentic se superpose.

Cette lecture conduit à un repositionnement du modèle économique du SaaS. Le modèle par siège (seat-based) ne disparaît pas, mais se double d'un modèle à la consommation pour les agents. Levie prend l'exemple de Salesforce, qui prévoit davantage de commerciaux en fin d'année qu'en début — plus de sièges humains, et simultanément dix à cent nouveaux cas d'usage agentiques sur la même plateforme. Le siège humain conserve une fonction précise : il porte les droits d'accès, les entitlements, la représentation statefule de l'utilisateur dans le système. L'agent, lui, consomme les données à une échelle illimitée par-dessus cette base.

Sur la question de l'automatisation des tâches, Levie introduit la notion de "dernier kilomètre" (last mile). Lorsqu'un non-spécialiste vibe-code une application ou génère une analyse juridique, il accomplit selon lui les 80 premiers pourcents d'un travail professionnel — la partie textuelle, mécanique. Les 20 % restants concentrent la valeur réelle : le jugement, la connaissance du domaine, la gestion des cas limites, la responsabilité. Cette asymétrie expliquerait pourquoi les gains de productivité de l'IA restent difficiles à lire dans les statistiques globales : l'automatisation accélère la production de livrables intermédiaires, mais génère en retour un surcroît de travail de supervision, de correction et de décision.

Il illustre ce phénomène par une anecdote personnelle : en utilisant un agent pour cartographier des clients potentiels dans une ville, il a obtenu en quinze minutes un résultat qui lui a ensuite demandé deux heures de suivi. L'outil a si bien fonctionné qu'il a créé davantage de travail qu'il n'en a supprimé — une dynamique qu'il généralise à l'ensemble de l'économie sous l'expression "If You Give a Mouse a Cookie" appliquée au travail.

Sur la géographie de l'emploi en ingénierie, Levie avance un argument de redistribution sectorielle. Les deux dernières décennies ont concentré les meilleurs profils dans quelques grandes plateformes tech, privant le reste de l'économie — pharma, banque, manufacturing, automobile — d'une capacité d'automatisation suffisante. Avec des outils comme Claude Code ou Codex, ce qui nécessitait cinquante ingénieurs peut désormais être accompli par cinq. Des entreprises comme Eli Lilly créent déjà des postes de "lab automation software adviser" — des ingénieurs dont la mission est d'appliquer l'IA aux processus métiers internes. Ces rôles dits forward-deployed engineers (FDE) seraient, selon lui, les emplois d'ingénierie dominants de la prochaine décennie, non plus chez Meta ou Google, mais dans les secteurs traditionnels.

La thèse de Levie ne nie pas les disruptions en cours, notamment dans certaines catégories SaaS où la proposition de valeur migre vers la couche agentique. Il propose un cadre d'évaluation de la durabilité d'une plateforme : présence de logique métier, stockage de données propriétaires, expertise de domaine non reproductible par un nouveau modèle, gouvernance, effets de réseau. Les entreprises SaaS ne répondant pas à ces critères sont implicitement désignées comme vulnérables, sans être nommées.

La question reste ouverte : la dynamique de création d'emplois dans les secteurs non-tech compensera-t-elle, en volume et en calendrier, les dislocations observées dans la tech ? Les données statistiques agrégées ne permettent pas encore de trancher.