His starting point fits in a single sentence: hierarchies exist because humans are bad at handling information. From the Roman army to today’s multinationals, the same constraint keeps returning. A manager can only supervise a handful of people. As soon as an organization grows, you add a layer, then another, then another, until the pyramid is nothing more than a long chain of transmission.

For centuries, there was no alternative. Today, Dorsey argues, artificial intelligence changes the game. An AI that continuously aggregates the data produced across an entire company could offer a global, coherent, instant view of what is happening inside it. If the machine handles the circulation and synthesis of information, why keep all those layers of management?

The idea is seductive, and deeper than a simple headcount cut. Dorsey isn’t saying we will replace a few managers. He is saying the very structure of the company could be rebuilt around a central information system, far more capable than human hierarchies.

To this technological vision, another thinker of organizations offers almost the opposite. Frédéric Laloux, in Reinventing Organizations, studied companies that have largely dismantled the traditional hierarchy. Buurtzorg in the Netherlands and FAVI in France showed that you can coordinate thousands of people with far less central control than classical models assume. But where Dorsey sees technology as the answer to the coordination problem, Laloux bets first on the autonomy, trust, and responsibility of individuals.

Two bets on knowledge

Both start from the same observation. Large pyramids are slow, costly, often inefficient. The divergence lies elsewhere.

Dorsey believes technological progress finally makes it possible to centralize information efficiently:

• A “world model” of the company, continuously updated by AI. Intelligence no longer lives in people and the pyramid, but in the system. The model embodies command and control, and runs operations, performance, and priorities.
• No more middle management: only three roles remain, individual contributors, problem owners, and coaches.
• Money as a compass. The one signal that tells the company where to go, because it is, in his view, the only thing people don’t lie about. Surveys lie, attention lies, but the wallet tells the truth.

Laloux, for his part, advocates:

• Self-management, a form of self-governance that is not the absence of structure. Autonomous teams whose decisions belong to those in contact with reality.
• Wholeness, coming to work whole rather than reduced to a professional mask. You no longer amputate your emotions and intuitions at the door, because that is exactly what gives human judgment its value.
• An evolutionary, organic purpose. A calling the organization listens to and follows, rather than budget targets set from above. Support functions shrink to the bare minimum (thirty people for seven thousand caregivers at Buurtzorg) and hold no decision power.

Behind this disagreement hides a more fundamental question: what really limits an organization? At first glance the answer seems obvious: its ability to collect and transmit information. It’s the tacit assumption behind nearly every management tool of the past century, from dashboards to ERPs, from KPIs to collaboration software, and now AI. Each generation believes it has drawn a better map of reality.

But underneath, what truly separates them is the place of the human.

What the models will never see

The psychiatrist Christophe Dejours spent much of his career on what he calls the gap between prescribed work and real work. Prescribed work is the procedures, the rules, the plans, the instructions. Real work is what people actually do to keep things running. And the two never coincide.

Take a workshop: operators routinely bend the procedure to absorb the breakdown nobody had anticipated. Same in a hospital, where a nurse breaks a protocol that has become absurd in this particular case. Everywhere, thousands of small betrayals of the rules keep the organization standing despite the imperfection of its models.

That is why the work-to-rule strike is such a formidable weapon. Applying the rules to the letter is enough to reveal how much everything rests, in reality, on the practical intelligence of those who do the work. Marshal von Moltke put it another way: no plan survives first contact with the enemy. The modern company could say the same of its procedures.

And this is where the question of AI becomes truly interesting. The real issue is not whether an AI can replace some managers, it will in many cases. It is whether real work can be fully represented. Can we build a model complete enough to capture everything that makes an organization run?

The history of management answers mostly no. Taylorism believed it could break work down into perfectly measurable gestures. Reporting believed it could capture activity in a few indicators. ERPs believed they could represent flows, KPIs performance. Today, some imagine AI will represent all of it at once. But at every step, reality overflows the model. These models aren’t inherently bad; they simplify, by construction.

Seen this way, Dorsey and Laloux are not so much adversaries as the spokesmen of two philosophies. The first bets that our ability to represent reality keeps improving, and that good enough models will make coordination largely centralizable. The second bets that an essential part of reality will always remain human, local, contextual, resistant to formalization, and that it is therefore better to move the decision closer to those who live the situations. One is optimistic about knowledge, the other is cautious.

The future will probably prove neither entirely right. AI will melt away part of the coordination costs that once justified so many hierarchical layers; many functions of synthesis, reporting, and transmission will disappear. But that doesn’t spell the end of human judgment. Because work isn’t only a problem of information. It is also a problem of interpretation, of trust, of responsibility, and of constant adaptation to the unexpected.

So AI does not herald the end of management. What it will do is make untenable the idea that work fits inside a dashboard.

As for replacing human judgment, recall what Jorge Luis Borges described in his story “On Exactitude in Science”: the only way to have a perfect map is to build a map the size of the world it is trying to reproduce.

And that, in my view, is not about to happen any time soon.

Son point de départ tient en une phrase : les hiérarchies existent parce que les humains traitent mal l’information. De l’armée romaine aux multinationales d’aujourd’hui, la même contrainte revient. Un responsable ne peut superviser qu’une poignée de personnes. Dès qu’une organisation grandit, on ajoute un niveau, puis un autre, puis encore un autre, jusqu’à ce que la pyramide ne soit plus rien d’autre qu’une longue chaîne de transmission.

Pendant des siècles, on n’avait pas le choix. Aujourd’hui, estime Dorsey, l’intelligence artificielle rebat les cartes. Une IA qui agrège en continu les données de toute l’entreprise pourrait offrir une vision globale, cohérente, instantanée de ce qui s’y passe. Si la machine assure la circulation et la synthèse de l’information, à quoi bon garder tous ces étages de management ?

L’idée est séduisante, et plus profonde qu’une simple coupe d’effectifs. Dorsey ne dit pas qu’on va remplacer quelques managers. Il dit que la structure même de l’entreprise pourrait être repensée autour d’un système d’information central, bien plus performant que les hiérarchies humaines.

À cette vision technologique, un autre penseur des organisations oppose presque l’inverse. Frédéric Laloux, dans Reinventing Organizations, a étudié des entreprises qui ont largement démantelé la hiérarchie traditionnelle. Buurtzorg aux Pays-Bas, FAVI en France, ont montré qu’on pouvait coordonner des milliers de personnes avec beaucoup moins de contrôle central que ne le supposent les modèles classiques. Mais là où Dorsey voit la technologie comme la solution au problème de coordination, Laloux mise d’abord sur l’autonomie, la confiance, la responsabilité des individus.

Deux paris sur la connaissance

Les deux partent pourtant du même constat. Les grandes pyramides sont lentes, coûteuses, souvent inefficaces. La divergence est ailleurs.

Dorsey pense que les progrès technologiques permettent enfin de centraliser efficacement l’information :

• Un « world model » de l’entreprise, mis à jour en continu par l’IA. L’intelligence n’est plus chez les gens et la pyramide, mais dans le système. Le modèle incarne le command & control, et gère les opérations, les performances et les priorités.
• Plus de management intermédiaire : seuls trois rôles subsistent, des contributeurs individuels, des responsables de problèmes et des coachs.
• L’argent comme boussole. Le seul signal qui dit où l’entreprise doit aller, parce que c’est, selon lui, la seule chose sur laquelle les gens ne mentent pas. Les sondages mentent, l’attention ment, mais le portefeuille dit la vérité.

Laloux, lui, prône :

• Le self-management, une auto-gouvernance qui n’est pas l’absence de structure. Des équipes autonomes, dont les décisions reviennent à ceux qui sont au contact du réel.
• La plénitude, le fait de venir travailler entier, et non réduit à un masque professionnel. On ne s’ampute plus de ses émotions et de ses intuitions à la porte, car c’est ce qui fait la valeur du jugement humain.
• Une raison d’être évolutive et organique. Une vocation que l’organisation écoute et suit, plutôt que des objectifs budgétaires fixés d’en haut. Les fonctions support fondent au strict minimum (trente personnes pour sept mille soignants chez Buurtzorg) et n’ont aucun pouvoir de décision.

Derrière ce désaccord se cache une question plus fondamentale : qu’est-ce qui limite vraiment une organisation ? À première vue, la réponse paraît évidente : sa capacité à collecter et transmettre l’information. C’est l’hypothèse tacite de presque tous les outils de management depuis un siècle, des tableaux de bord aux ERP, des KPI aux logiciels collaboratifs, et maintenant à l’IA. Chaque génération croit avoir dessiné une meilleure carte du réel.

Mais en filigrane, ce qui les différencie, c’est la place de l’humain.

Ce que les modèles ne verront jamais

Le psychiatre Christophe Dejours a passé une grande partie de sa carrière sur ce qu’il appelle l’écart entre le travail prescrit et le travail réel. Le prescrit, ce sont les procédures, les règles, les plans, les consignes. Le réel, c’est ce que les gens font vraiment pour que les choses tournent. Et les deux ne coïncident jamais.

Prenez l’exemple d’un atelier : souvent, les opérateurs adaptent la procédure pour absorber la panne que personne n’avait anticipée. Même idée à l’hôpital, où l’infirmière enfreint le protocole devenu absurde. Partout, des milliers de micro-trahisons des consignes font tenir l’organisation malgré l’imperfection de ses modèles.

C’est pour cette raison que la grève du zèle est une arme aussi redoutable. Il suffit d’appliquer les règles à la lettre pour révéler à quel point tout repose, en réalité, sur l’intelligence pratique de ceux qui font le travail. Le maréchal von Moltke l’avait dit autrement : aucun plan ne survit au premier contact avec l’ennemi. L’entreprise moderne pourrait en dire autant de ses procédures.

Et c’est ici que la question de l’IA devient vraiment intéressante. Le véritable enjeu n’est pas de savoir si une IA peut remplacer certains managers, elle le pourra dans bien des cas. Il est de savoir si le travail réel peut être entièrement représenté. Peut-on construire un modèle assez complet pour capturer tout ce qui fait fonctionner une organisation ?

L’histoire du management répond plutôt non. Le taylorisme croyait décomposer le travail en gestes parfaitement mesurables. Le reporting croyait saisir l’activité dans quelques indicateurs. Les ERP croyaient représenter les flux, les KPI la performance. Aujourd’hui, certains imaginent que l’IA représentera tout cela d’un coup. Mais à chaque étape, le réel déborde du modèle. Ces modèles ne sont pas intrinsèquement mauvais ; ils simplifient, par construction.

Vu sous cet angle, Dorsey et Laloux ne sont pas tant des adversaires que les porte-voix de deux philosophies. La première parie que notre capacité à représenter le réel ne cesse de progresser, et que des modèles assez bons rendront la coordination largement centralisable. La seconde parie qu’une part essentielle du réel restera toujours humaine, locale, contextuelle, rétive à la formalisation, et qu’il vaut donc mieux rapprocher la décision de ceux qui vivent les situations. L’une est optimiste sur la connaissance, l’autre est prudente.

L’avenir ne donnera sans doute entièrement raison ni à l’une ni à l’autre. L’IA va faire fondre une partie des coûts de coordination qui justifiaient hier tant d’étages hiérarchiques ; beaucoup de fonctions de synthèse, de reporting, de transmission vont disparaître. Mais ça ne signe pas la fin du jugement humain. Car le travail n’est pas qu’un problème d’information. C’est aussi un problème d’interprétation, de confiance, de responsabilité et d’adaptation continue à l’imprévu.

L’IA n’annonce donc pas la fin du management. Elle va surtout rendre intenable l’idée que le travail tient dans un tableau de bord.

Quant à remplacer le jugement humain : comme le décrivait Jorge Luis Borges dans sa nouvelle « De la rigueur de la science », la seule manière d’avoir une carte parfaite est de créer une carte à la taille du monde qu’elle essaye de reproduire.

Et ce n’est pas, à mon avis, près d’arriver de sitôt.

When photography appeared, plenty of painters and critics dismissed it as a mere mechanical process. Where a portrait took days or weeks of labor, a photograph seemed to come down to pressing a button. Yet over time we learned to see that the art of photography never lived in the technical gesture itself. It lived in the choice of subject, the framing, the moment, the intention, the selection. And those choices are continuous and fine-grained. The photographer decides the light, the instant, the focal length, the grain. That density of decisions is what grounds authorship, not the absence of manual effort.

Today artificial intelligence draws the same objections. You often hear that prompting is neither art nor even a real skill, since all it takes is typing a few words into an interface to get an image, a piece of music, or a text.

But that objection rests on one particular conception of art: the one that ties artistic value to the quantity of manual labor. The more serious objection lies elsewhere. It asks: whose taste shows up in the result? Because the model does not simply execute, it brings its own aesthetic, inherited from its training. And that first conception does not always survive a look at the history of art.

The great masters of European painting often worked on commission. Renaissance and seventeenth-century workshops ran like genuine craft businesses. Painters belonged to guilds, employed assistants, and answered to the expectations of patrons. The master, true, directed his assistants closely. They were trained instruments, not autonomous generators bringing their own material. What was delegated there was execution, not taste. And yet no one today disputes the artistic standing of those works.

The twentieth century then went further and questioned the very idea that art had to pass through manual execution. With the ready-made, Marcel Duchamp showed that an act of selection could be enough to found an artistic gesture. His urinal was a critical move, situated, aimed squarely at the institution. It does not legitimize everything, but it shifts the question for good toward the decision. The work no longer lived only in the making of the object, but in the decision to present it as such.

Fountain (1917), Marcel Duchamp — photograph by Alfred Stieglitz. Public domain, via Wikimedia Commons.

That shift invites us to move the question. Instead of asking who made the work, it becomes more useful to ask where the creative decision sits.

Everything then depends on the intensity of the direction. A single word thrown into an interface, taking whatever comes out, is a lottery. Research, constraints, iterations, rejected versions, responsibility owned at the moment of publishing: that is a directed work.

Take a song generated by AI. The author may have chosen the subject, done the research, built a context, set the constraints, kept some versions and rejected the rest before releasing the final result. In that case the author is not just using a tool. They are directing a process of creation.

None of this means that every automatic generation is automatically art. A work can be dull, shallow, or simply uninteresting. But the artistic quality of a creation is a different question from its artistic status. Saying that a work is mediocre is not the same as saying it is not art.

What artificial intelligence finally forces us to admit is an old truth: art was never reducible to technical execution alone. Choices, intentions, sensibility, culture, and a way of looking have always been central.

Prompting can then be understood as a new medium. Like photography in its day, it automates part of the work that used to be manual. But automating a gesture does not necessarily make the creative act disappear.

When someone imagines a work, defines its broad lines, steers its making, and chooses the final result, they take part in its creation. So the question may not be whether prompting is art or craft, but whether it introduces a new form of creation, one where execution is largely delegated while intention and direction stay human.

After all, if we accept that a photographer can be an artist even though the act itself comes down to pressing a shutter, it becomes hard to claim on principle that someone guiding an artificial intelligence cannot be one too. The line does not run between the hand and the machine. It runs between the person who takes whatever the tool is willing to give, and the person who knows, version after version, what they refuse.

Lorsque la photographie est apparue, beaucoup de peintres et de critiques l’ont rejetée comme un simple procédé mécanique. Là où un portrait nécessitait des jours ou des semaines de travail, une photographie semblait se réduire à l’action d’appuyer sur un bouton. Pourtant, avec le temps, nous avons appris à reconnaître que l’art photographique ne résidait pas dans le geste technique lui-même, mais dans le choix du sujet, le cadrage, le moment, l’intention et la sélection. Notons-le : ces choix sont continus et fins. Le photographe décide de la lumière, de l’instant, de la focale, du grain. C’est cette densité de décisions qui fonde son auctorialité, pas l’absence d’effort manuel.

Aujourd’hui, l’intelligence artificielle suscite des critiques similaires. On entend souvent que le prompting ne serait ni de l’art ni même un véritable savoir-faire, puisqu’il suffirait de saisir quelques mots dans une interface pour obtenir une image, une musique ou un texte.

Cette critique repose cependant sur une conception particulière de l’art : celle qui associe la valeur artistique à la quantité de travail manuel. Mais la critique la plus sérieuse ne porte pas là. Elle demande : à qui appartient le goût qui apparaît dans le résultat ? Car le modèle ne se contente pas d’exécuter, il apporte sa propre esthétique, héritée de son entraînement. Or cette première conception ne résiste pas toujours à l’histoire de l’art.

Les grands maîtres de la peinture européenne travaillaient souvent sur commande. Les ateliers de la Renaissance ou du XVIIe siècle fonctionnaient comme de véritables entreprises artisanales. Les peintres appartenaient à des corporations, employaient des assistants et répondaient aux attentes de mécènes. Certes, le maître dirigeait ses assistants de près : des instruments dressés, non des générateurs autonomes apportant leur propre matière. La délégation y était d’exécution, pas de goût. Pourtant, personne ne conteste aujourd’hui le caractère artistique de ces œuvres.

De même, le XXe siècle a profondément remis en question l’idée que l’art devait nécessairement passer par l’exécution manuelle. Avec le ready-made, Marcel Duchamp a montré qu’un acte de sélection pouvait suffire à fonder un geste artistique. Son urinoir était un geste critique, situé, dirigé contre l’institution. Il ne légitime pas tout, mais il déplace définitivement la question vers la décision. L’œuvre n’était plus seulement dans la fabrication de l’objet, mais dans la décision de le présenter comme tel.

Urinoir (1917), Marcel Duchamp — photographie d’Alfred Stieglitz. Domaine public, via Wikimedia Commons.

Cette évolution invite à déplacer la question. Au lieu de demander : « Qui a fabriqué l’œuvre ? », il devient plus pertinent de demander : « Où se situe la décision créative ? »

Tout dépend alors de l’intensité de la direction. Un mot jeté dans une interface, on prend ce qui sort : c’est une loterie. Une recherche, des contraintes, des itérations, des versions rejetées, une responsabilité assumée à la publication : c’est une œuvre dirigée.

Prenons l’exemple d’une chanson générée par IA. L’auteur peut avoir choisi le sujet, effectué des recherches, construit un contexte, défini des contraintes, sélectionné certaines versions et rejeté les autres avant de publier le résultat final. Dans ce cas, il ne se contente pas d’utiliser un outil : il dirige un processus de création.

Bien sûr, cela ne signifie pas que toute génération automatique est automatiquement de l’art. Une œuvre peut être banale, superficielle ou peu intéressante. Mais la qualité artistique d’une création est une question différente de son statut artistique. Dire qu’une œuvre est médiocre n’est pas la même chose que dire qu’elle n’est pas de l’art.

L’intelligence artificielle nous oblige finalement à reconnaître une réalité ancienne : l’art n’a jamais été réductible à la seule exécution technique. Les choix, les intentions, la sensibilité, la culture et le regard ont toujours joué un rôle central.

Le prompting peut alors être compris comme un nouveau médium. Comme la photographie en son temps, il automatise une partie du travail autrefois manuel. Mais l’automatisation d’un geste ne fait pas disparaître nécessairement l’acte créatif.

Lorsqu’une personne imagine une œuvre, en définit les grandes lignes, oriente sa réalisation et choisit le résultat final, elle participe à sa création. La question n’est donc peut-être pas de savoir si le prompting est de l’art ou de l’artisanat, mais de reconnaître qu’il introduit une nouvelle forme de création où l’exécution est largement déléguée tandis que l’intention et la direction demeurent humaines.

Après tout, si l’on accepte qu’un photographe puisse être un artiste alors que l’acte lui-même se réduit à appuyer sur un déclencheur, il devient difficile d’affirmer par principe qu’une personne guidant une intelligence artificielle ne puisse pas l’être également. La frontière ne passe pas entre la main et la machine. Elle passe entre celui qui prend ce que l’outil veut bien donner, et celui qui sait, version après version, ce qu’il refuse.

He shows that where a lone worker can barely make twenty pins a day, ten specialized workers turn out forty-eight thousand. The division of labor had just laid the foundations of two and a half centuries of industrial capitalism.

AI does the exact opposite, and that is the paradox we are living through. For the first time since Smith, a major technology no longer fragments tasks but recomposes them inside a single person.

This person is the HI-C, the high-impact individual contributor Elena Verna describes at Lovable, or the Member of Technical Staff popularized by Anthropic, two names for one concept, an augmented individual who reclaims what several teams coordinated yesterday. It is the craftsman resurrected, a white-collar worker in cybernetic form.

Behind this augmentation sits the compression of white-collar work. It does not target code alone but reaches design, marketing, analytics, legal, product, and finance in turn. Becoming an average contributor in almost any field adjacent to your own now costs close to nothing, and that average, added to the craft you actually excel at, is enough to ship an entire project.

The problem is that the entire managerial scaffolding was built to handle that fragmentation. So if the value chain now fits inside one person, it is fair to ask what the chain of command is still for…

That reminds us that the Peter principle and the Dilbert principle already described the same bug, since we traditionally promote good craftspeople into roles where they stop being good. The root cause goes back to Smith, because the division of labor made coordination so expensive that producing coordination became a job in itself, better paid than producing value, and our whole economy still runs on that arrangement.

Yet agentic AI breaks exactly that dynamic. The cost of human alignment, the PRDs, the committees, and the daily meetings become the new bottlenecks, and the cost of coordination will soon be the anomaly to fix, because it will far exceed the simple cost of production. The middle manager will no longer arbitrate anything useful and will only slow a decision the machine could already have executed, so people will route around them and that intermediate layer will go obsolete.

Elena Verna shows it without hedging, since her growth team at Lovable was dissolved, she went back to being an IC, and she now ships alone the projects that used to occupy a whole team, while still being paid like a VP.

So of course, in that kind of structure, all of this is obvious, because it is an AI-native scale-up with a nearly flat hierarchy and software at the center of the work, the ideal terrain. The real question is how a bank, a government agency, or a several-thousand-person manufacturer will host this profile, and I see three locks standing in front of these HI-Cs, more anthropological than organizational.

The first lock is the compensation grid, indexed for forty years on span of control. Paying an IC like a VP blows up the entire HR system, that famous department in charge of human “resources”.

The second is the immune system of middle management, which was never designed to coordinate but to exist, and which will reject the graft through a thousand quiet gatekeepings, whether by blocking data access, stacking validation committees, or refining approval processes.

The last, and the most stubborn, is status. The title is still a social currency, and going back to IC stays symbolically violent even at equal pay. Why? Because the pyramid is not only an org chart, it is also a collective story.

This is why the HI-C will not fight to transform the pyramid, they will leave it, succumb to bore-out, or worse. Large organizations that fail to welcome these profiles may become the employer of last resort for craft talent, the way some public administrations did against the private sector, while those that adapt will gain a decade of lead.

The fork may already be underway. On one side, hyper-productive contributors, autonomous, well paid, and mobile; on the other, coordinators sliding into obsolescence, stuck in structures that cannot reform themselves.

But let’s go back to Adam Smith to close. He promised us abundance through specialization, AI promises us abundance through recomposition, and between the two promises stand two and a half centuries of institutions, careers, professional pride, and a middle class built on the org chart.

Managerial techniques will have had their share of misery, and I personally will feel no regret watching them challenged, or simply reinvented.

That, I believe, is where the real political problem of the decade is being decided.

Il y démontre que là où un ouvrier isolé peut à peine produire une vingtaine d’épingles par jour, dix ouvriers spécialisés en sortent quarante-huit mille. La division du travail venait de poser les fondements de deux siècles et demi de capitalisme industriel.

L’IA fait l’inverse exact, et c’est le paradoxe que nous vivons. Pour la première fois depuis Smith, une technologie majeure ne fragmente plus les tâches mais les recompose dans une même personne.

Cette personne, c’est le HI-C, le high-impact individual contributor qu’Elena Verna décrit chez Lovable, ou bien encore le Member of Technical Staff popularisé par Anthropic, deux noms pour un même concept, celui d’un individu augmenté qui ramène à lui ce que plusieurs équipes coordonnaient hier. C’est l’artisan ressuscité, une sorte de col blanc en version cybernétique.

À l’origine de cette augmentation, il y a la compression des tâches tertiaires. Elle ne vise pas que le code, mais touche tour à tour le design, le marketing, l’analytique, le juridique, le produit ou bien encore la finance. Devenir average contributor dans presque n’importe quel métier adjacent au sien ne coûte presque plus rien, et cet « average », additionné au craft où l’on excelle, suffit à livrer un projet dans sa globalité.

Le problème est que tout l’échafaudage hiérarchique a été bâti pour gérer cette fragmentation. Donc si la chaîne de valeur tient désormais en une personne, on peut se demander à quoi sert encore la chaîne de commandement…

Cela nous rappelle que le principe de Peter et le principe de Dilbert décrivaient déjà le même bug, puisqu’on promeut traditionnellement les bons artisans à des postes où ils cessent de l’être. La cause profonde remonte à Smith, car la division du travail rendait la coordination si coûteuse que produire de la coordination est devenu un métier en soi, mieux payé que produire de la valeur, et toute notre économie fonctionne encore sur ce principe.

Or l’agentic AI casse précisément cette dynamique. Le coût d’alignement humain, les PRD, les comités et autres daily meetings deviennent les nouveaux goulets d’étranglement, et le coût de coordination deviendra bientôt l’anomalie à corriger, parce qu’il dépassera de loin le simple coût de production. Le middle manager n’arbitrera plus rien d’utile et ne fera que ralentir une décision que la machine aurait déjà pu exécuter, si bien qu’on finira par le contourner et que cette couche intermédiaire deviendra obsolète.

Elena Verna le montre sans détour, puisque son équipe de growth chez Lovable a été dissoute, qu’elle est redevenue IC et qu’elle livre désormais seule des projets qui occupaient une équipe entière, tout en restant payée comme une VP.

Alors évidemment, dans ce genre de structure, tout cela coule de source, parce qu’on parle d’une scale-up AI-native, à la hiérarchie quasi plate et au travail centré sur le logiciel, soit le terrain idéal. La vraie question est de savoir comment une banque, une administration ou un industriel de plusieurs milliers d’employés hébergera ce profil, et je vois trois verrous se dresser devant ces HI-C, plus anthropologiques qu’organisationnels.

Le premier verrou est la grille de compensation, indexée depuis quarante ans sur le span of control. Payer un IC comme un VP fait sauter tout le système RH, ce fameux service en charge des « ressources » humaines.

Le deuxième est le système immunitaire du middle management, qui n’a jamais été conçu pour coordonner mais pour exister, et qui rejettera la greffe par mille gatekeepings discrets, qu’il s’agisse de bloquer l’accès aux données, d’empiler les comités de validation ou de raffiner des processus d’approbation.

Le dernier, et le plus tenace, est le statut. Le titre reste une monnaie sociale, et « redevenir IC » demeure symboliquement violent, même à rémunération égale. Pourquoi ? Parce que la pyramide n’est pas qu’un organigramme, c’est aussi un récit collectif.

Voilà pourquoi le HI-C ne se battra pas pour transformer la pyramide, il en sortira ou succombera au bore-out ou pire. Les grandes organisations qui n’accueillent pas ces profils deviendront peut-être l’employer of last resort des talents craft, comme certaines administrations le sont devenues face au privé, tandis que celles qui s’adaptent gagneront une décennie d’avance.

La bifurcation est peut-être déjà en marche. D’un côté, des contributeurs hyper-productifs, autonomes, bien payés et mobiles ; de l’autre, des coordinateurs en voie d’obsolescence, coincés dans des structures incapables de se réformer.

Mais revenons à Adam Smith pour finir. Il nous avait promis l’abondance par la spécialisation, l’IA nous promet l’abondance par la recomposition, et entre les deux promesses se tiennent deux siècles et demi d’institutions, de carrières, de fiertés professionnelles et de classes moyennes bâties sur l’organigramme.

Les techniques gestionnaires auront eu leur lot de malheurs, et je n’aurai personnellement aucun regret à les voir remises en cause ou tout simplement se réinventer.

C’est là, je crois, que se joue le vrai problème politique de la décennie.

Functional fog

This director is not entirely incompetent. He has probably survived fifteen years in an environment where vagueness was a viable strategy. Meetings absorb it, teams interpret it and processes compensate for it. Human organizations as a whole work like massive translation engines that turn the approximate into deliverables, and this director never needed to say exactly what he wanted, because other humans filled in the blanks for him.

AI fills in nothing. It takes every instruction at face value, and when the word is empty, so is the output.

This is not a flaw in the model, or in whatever configuration you might blame, but simply a tool that will refuse no matter what to guess what you have not articulated.

The new rhetoric

Aristotle would have recognized the problem. The Athenian sophists sold persuasion disguised as logic, producing speeches that were fluid, structured, convincing and often wrong.

He had to formalize the rules of valid reasoning, the syllogistic premises (major and minor), for a specific reason. The fluency of an argument guarantees nothing about its truth.

LLMs reproduce this pathology in both directions. Downstream, they generate responses that are eloquent and hollow. Upstream, the prompt itself can be fluent, structured and fundamentally empty.

“Build me a content strategy” is admittedly a simple enough phrase, but you could dress it up all you want and it would still sound like an instruction, an absence of thought disguised as a command. The modern sophists are those who mistake a well-crafted prompt for a well-formed idea. Aristotle would say the problem has not changed in twenty-four centuries.

What AI actually punishes

The consensus says AI threatens human thought, that it will make us lazy, dependent and intellectually atrophied. The problem may be ancient, but this dominant framing is not.

It is the wrong framing, because AI is not an anaesthetic but its opposite. It makes the pain of vagueness impossible to ignore.

The feedback loop is instant, and that is what changes everything. You ask a vague question, you get a vague answer; you rephrase with precision, and the answer transforms. There is no social filter, no colleague charitably interpreting your intent.

No teacher, manager or process has ever confronted anyone this directly with the quality of their own thinking. That is exactly why AI widens gaps instead of closing them. It is sold as an augmentation tool, but from where I stand it works as an amplifier. Those who think clearly get impressive results, and those who think vaguely get equally impressive vagueness.

The confession

Let us return to our marketing director, whose problem was never the tool. “Build me a content strategy” is the exact sentence he had been saying in meetings for years.

And it worked, because someone in the room understood, interpreted and executed on his behalf.

Now the same guy believes he has superpowers, but under the hood AI is only revealing his sudden blindness, his now relative incompetence and what the human organization had been masking all along, namely that this sentence never contained any thought.

Every prompt is a confession of what you actually know, what you actually want and what you actually thought before you started typing. AI is not a brain you rent, it is a confessional where you cannot lie.

The remaining question is who is willing to sit down. Risks included.

Le flou fonctionnel

Ce directeur n’est pas (totalement) incompétent. Il aura certainement survécu quinze ans dans un environnement où le flou était une stratégie viable. Les réunions l’absorbent, les équipes l’interprètent et les process le compensent. Les organisations humaines dans leur ensemble fonctionnent comme d’immenses systèmes de traduction qui transforment l’approximatif en livrable, et ce directeur n’a jamais eu besoin de dire exactement ce qu’il voulait, parce que d’autres humains comblaient les trous à sa place.

L’IA, elle, ne comble rien. Elle prend chaque instruction au mot, et quand le mot est vide, l’output l’est aussi.

Ce n’est pas un défaut du modèle, ou je ne sais quelle configuration, mais juste un outil qui refusera quoi qu’il arrive de deviner ce que tu n’as pas formulé.

La nouvelle rhétorique

Aristote aurait reconnu le problème. Les sophistes athéniens vendaient de la persuasion déguisée en logique, avec de beaux discours fluides, structurés, convaincants et souvent faux.

Il a dû formaliser les règles du raisonnement valide, les prémisses syllogistiques (majeures ou mineures), pour une raison précise. La fluidité d’un argument ne garantit rien sur sa vérité.

Les LLM reproduisent cette pathologie dans les deux sens. En aval, ils génèrent des réponses éloquentes et creuses. En amont, le prompt lui-même peut être fluide, structuré mais fondamentalement vide.

“Fais-moi une stratégie de contenu” est certes une formulation simple, mais tu pourrais la décorer qu’elle sonnera toujours comme une instruction, une absence de pensée déguisée en commande. Les sophistes modernes sont ceux qui confondent un prompt bien tourné avec une idée bien formée. Aristote dirait que le problème n’a pas changé en vingt-quatre siècles.

Ce que l’IA punit vraiment

Le consensus dit que l’IA menace la pensée humaine, qu’elle va nous rendre paresseux, dépendants et intellectuellement atrophiés. Si le problème est ancien, ce cadrage dominant ne l’est pas.

C’est le mauvais cadrage, car l’IA n’est pas un anesthésiant, c’est tout le contraire. Elle rend la douleur du flou impossible à ignorer.

La boucle de feedback est instantanée, et c’est ce qui change tout. Tu poses une question vague, tu obtiens une réponse vague ; tu reformules avec précision, et la réponse se transforme. Il n’y a pas de filtre social, pas de collègue qui interprète charitablement ton intention.

De plus, aucun professeur, manager ou process n’a jamais confronté quiconque aussi directement à la qualité de sa propre pensée. C’est précisément pour ça que l’IA creuse les écarts au lieu de les combler. On la vend comme un outil qui augmente, mais à mon sens elle fonctionne comme un amplificateur. Ceux qui pensent clairement obtiennent des résultats impressionnants, et ceux qui pensent flou obtiennent du flou tout autant impressionnant.

L’aveu

Revenons à notre directeur marketing, dont le problème n’a jamais été l’outil. “Fais-moi une stratégie de contenu” est la phrase exacte qu’il prononçait en réunion depuis des années.

Et ça marchait, parce que quelqu’un dans la salle comprenait, interprétait et exécutait à sa place.

Maintenant le même gars se croit doté de super-pouvoirs, mais sous le capot l’IA ne fait que révéler sa soudaine cécité, son incompétence cette fois relative et ce que l’organisation humaine masquait depuis le début, à savoir que cette phrase n’a jamais contenu de pensée.

Chaque prompt est un aveu de ce qu’on sait vraiment, de ce qu’on veut vraiment et de ce qu’on a vraiment pensé avant de taper. L’IA n’est pas un cerveau qu’on loue, c’est un confessionnal où l’on ne peut pas mentir.

Reste à savoir qui est prêt à s’y asseoir. Risques inclus.

This is the perfect-map trap. You refine it, keep it fresh, sometimes getting it wrong along the way, polish the legend, and meanwhile the territory shifts without you.

Rigor, as most data teams practice it, is not excellence but comfortable procrastination.

Stabilizing a pipeline, documenting a model or shipping a dashboard produces a measurable deliverable. It feels safe and fits neatly into a performance review, but it sidesteps the only question that matters. Did anyone learn something they didn’t know yesterday? Last week? Last month?

Most of the time, the answer is simply no.

The myopia of exploitation

James March, one of the most influential social science thinkers of the twentieth century, named this mechanism in 1991 in his paper “Exploration and Exploitation in Organizational Learning”. He called it the myopia of exploitation.

Organizations drift toward what produces visible, immediate results. Every dashboard shipped reinforces the belief that value lives in the dashboard. Every pipeline stabilized justifies the next one, and the loop closes.

Exploration, the kind born from surprise and uncomfortable discovery, gets crowded out in silence. The organization never decides to stop looking. It just forgets, too quickly and too confidently, that it could and should keep doing so.

The trap is insidious because it holds through a visibility gap. A shipped pipeline is a closed ticket. A suspicious correlation explored for two days and then discarded? In a sprint review, that is almost always “wasted” time.

Exploitation produces evidence of itself, while exploration only does so in hindsight, once it has already paid off.

So teams keep mapping, compulsively.

The territory shifted under the map

Yet the territory has shifted under the map.

In 2026, with the rise of AI, the cost of producing an insight is approaching zero. What used to take a week of investigation now takes minutes at best, and the old excuse (“we don’t have time, we have pipelines to maintain”) no longer holds.

The time spent on exploitation tasks (pipelines, data quality, modeling) is also trending toward zero.

When insight was scarce and expensive, upstream rigor was an economic necessity. When it’s abundant and cheap, rigor moves downstream. You don’t verify before searching anymore, you verify after finding.

An imperfect correlation that opens an unexpected lead creates more value than a flawless model confirming what everyone already knew. For an analyst trained to hunt down biases and artifacts, accepting this feels like heresy, because the better the cartographer, the harder it is to walk without a map.

But abundance changes the game. You can generate fifty hypotheses in under an hour. Forty-five of them will be noise, and five will open territories no dashboard could have mapped.

They were in no backlog, no roadmap and no question raised by a stakeholder in a meeting.

The hypothesis editor

A new role is emerging for data teams, that of a value hunter.

The analyst will no longer produce the insight. They will receive fifty and sort through them, going from researcher to hypothesis editor, producing the value everyone has been chasing.

Their most important responsibility, and their most thankless one, will be to judge, to cut and to dare say no. Saying “this correlation is tempting but it’s an artifact” takes more competence than finding it, because any AI agent can now explore without breaking a sweat.

Only a human who knows the domain, the biases and the composition traps can say that it doesn’t hold.

I’m convinced that this role doesn’t exist anywhere today. That there is a gap to fill, an incredible opportunity to seize.

Yet as long as data teams are evaluated on pipeline uptime and dashboard freshness, they will remain prisoners of exploitation. They will keep perfecting maps of territories they never explore.

Worse, it will be tempting to assume that business stakeholders are best positioned to take on this new responsibility. Many data teams will likely shrink on this belief alone.

Organizational slack

But March had a solution.

Uncomfortable but well-documented, he saw organizational slack as the answer to the problem at hand. Unallocated time, unjustifiable time, dedicated to exploration with no guaranteed return. Some high-performing organizations tolerate this apparent inefficiency, while the rest optimize what they can, until they go extinct.

Slack is expensive precisely because it produces nothing reportable. That’s its condition, not its flaw.

This will push toward building (or rebuilding) more fluid organizations, likely less constrained by management theory. A topic that brings us back to the impact some are already seeing from AI applied to tech.

But let’s return to our subject. One question remains that I will avoid addressing in this article.

Telling data teams “explore instead of mapping” is easy and comfortable.

But the real territory, the one nobody maps, remains a jungle where you can easily get lost. What will happen when the explorer gets it wrong? When they kill the right signal and keep the wrong one?

The terrain won’t forgive.

And exploration carries a cost that exploitation never did, the cost of not knowing whether you were right until it’s too late.

C’est le piège de la carte parfaite. On la raffine, on la met à jour, des fois en se trompant, on en soigne la légende, et pendant ce temps le terrain bouge sans nous.

La rigueur, telle qu’elle est pratiquée dans la plupart des équipes data, n’est pas de l’exigence pure, mais plus ou moins de la procrastination confortable.

Fiabiliser ou créer un pipeline, documenter un modèle ou produire un dashboard, c’est produire un livrable mesurable. Cela rassure et s’évalue, mais cela permet d’éviter la seule question qui compte. Est-ce que quelqu’un a appris quelque chose qu’il ne savait pas hier ? La semaine dernière ? Le mois dernier ?

La plupart du temps, la réponse est simplement négative.

La myopie de l’exploitation

James March, un des penseurs les plus influents des sciences sociales du XXe siècle, a donné un nom à ce mécanisme en 1991 dans l’article « Exploration and Exploitation in Organizational Learning ». Il l’a appelé la myopie de l’exploitation.

Les organisations dérivent vers ce qui produit des résultats visibles et immédiats. Chaque dashboard livré renforce la croyance que la valeur est dans le dashboard. Chaque pipeline stabilisé justifie le prochain créé et la boucle se referme.

L’exploration, elle, celle qui naît de la surprise et de la découverte inconfortable, est chassée en silence. En fait, l’organisation ne décide pas d’arrêter de chercher. Elle oublie juste trop rapidement, par certitude, qu’elle pourrait (et devrait) continuer de le faire.

Le piège est pernicieux car il tient par une asymétrie de visibilité. Un pipeline livré, c’est un ticket fermé. Une corrélation suspecte explorée pendant deux jours et rejetée ? Dans un sprint review, c’est très souvent considéré comme du temps “perdu”.

L’exploitation produit des preuves d’elle-même alors que l’exploration n’en produit que rétrospectivement, quand elle a déjà réussi.

Alors les équipes cartographient compulsivement.

Terrain mouvant

Pourtant, le terrain a changé sous la carte.

En 2026, avec la montée en puissance de l’IA, le coût de production d’un insight tend vers zéro. Ce qui prenait auparavant une semaine d’investigation prend au mieux quelques minutes et l’excuse historique (“on n’a pas le temps, on a les pipelines à maintenir”) n’a plus de fondement.

Surtout que le temps dédié aux tâches d’exploitation (pipeline, mise en qualité, modélisation, etc.) tend lui aussi vers zéro.

Quand l’insight était rare et cher, la rigueur en amont était une nécessité économique. Alors que lorsqu’il est abondant et cheap, la rigueur se déplace en aval. Désormais on ne vérifie plus avant de chercher, on vérifie après avoir trouvé.

La moindre corrélation imparfaite qui ouvre une piste inédite crée plus de valeur qu’un modèle parfait qui confirme ce qu’on savait déjà. Et accepter cela, pour un analyste formé à traquer les biais et les artefacts, c’est une hérésie. Car plus on est bon cartographe, moins on supporte l’idée de marcher sans carte.

Mais le foisonnement change la donne. On peut générer cinquante hypothèses en moins d’une heure. Et sur ces cinquante, quarante-cinq seront du bruit et cinq ouvriront peut-être des territoires qu’aucun dashboard ne pourrait cartographier.

Ils n’étaient pourtant dans aucun backlog, aucune roadmap, ni aucune question posée par un stakeholder en réunion…

L’éditeur d’hypothèses

C’est un nouveau rôle qui s’annonce pour les équipes data, celui de chasseur de valeur.

L’analyste ne produira plus l’insight, il en recevra cinquante et s’occupera d’en faire le tri. Il passera de chercheur à éditeur d’hypothèses produisant cette valeur tant recherchée.

Sa responsabilité la plus importante, la plus ingrate, sera d’arbitrer, de trancher et oser dire non. Dire “cette corrélation est séduisante mais c’est un artefact” demande plus de compétence que de la trouver car désormais n’importe quel agent IA peut explorer sans se fatiguer.

Seul un humain connaissant le domaine, les biais et les pièges de composition peut dire que ça ne tient pas.

Mais j’ai la certitude qu’à ce jour ce rôle n’existe nulle part. Qu’il y a un vide à combler, une opportunité incroyable à capter.

Néanmoins, tant que les équipes data seront évaluées sur la disponibilité de leurs pipelines et la fraîcheur de leurs dashboards, elles resteront prisonnières de l’exploitation. Elles continueront de perfectionner des cartes de territoires qu’elles n’explorent jamais.

Pire, il sera séduisant d’oser penser que les stakeholders métier soient les mieux placés pour endosser cette responsabilité nouvelle. On verra sans doute beaucoup d’équipes data se contracter sur cette simple croyance.

Le slack organisationnel

Mais March avait une solution.

Inconfortable mais documentée, il voyait dans le slack organisationnel, la solution au problème qui nous occupe.

Du temps non alloué, non justifiable, consacré à l’exploration sans garantie de retour. Certaines organisations performantes tolèrent cette inefficacité apparente, là où les autres optimisent ce qu’elles peuvent, jusqu’à l’extinction.

Le slack coûte cher précisément parce qu’il ne produit rien de rapportable. C’est sa condition, pas son défaut.

Cela poussera à re/construire des organisations plus fluides, sans doute moins freinées par les théories gestionnaires. Un sujet qui nous ramène aux impacts que certains perçoivent déjà dans l’IA appliquée à la Tech…

Mais revenons à notre sujet. Il restera néanmoins une question que j’éviterai de traiter dans cet article.

Dire aux équipes data “explorez au lieu de cartographier”, c’est facile et confortable.

Mais le vrai territoire, celui que personne ne cartographie, reste une jungle dans laquelle on peut facilement se perdre. Que se passera-t-il lorsque l’explorateur se trompera ? Quand il tuera le bon signal et gardera le mauvais ?

Le terrain ne pardonnera pas.

Et l’exploration, elle, a un coût que l’exploitation n’a jamais eu. Celui de ne pas savoir si on a raison avant qu’il soit trop tard.