Le fossé du goût

La compétence la plus sous-estimée de l’ère de l’IA, c’est le mot « non ».

Pas un non craintif. Pas un non réflexe. Un non précis, informé, articulé : un non capable d’expliquer ce qui cloche dans un travail parfaitement compétent, et pourquoi. C’est la compétence qui sépare quelqu’un qui utilise l’IA de quelqu’un qui la manie. Et il se trouve que les quinze années passées à développer un instinct pour la qualité n’étaient pas un détour. C’était la route principale.

Dans « La spec est le produit », nous avons couvert la spécification : la capacité de décrire à quoi ressemble le bon avant que quoi que ce soit soit bâti. Mais même la meilleure spécification ne nous sauve pas du moment où le résultat atterrit, poli et plausible, et où quelque chose cloche. Quelque chose que nous n’arrivons pas encore à nommer. Quelque chose qui exige une faculté entièrement différente : le jugement.

Le problème des cent options

L’IA a changé l’économie de la génération. Il fallait autrefois une semaine pour produire une seule proposition d’architecture, un seul brief marketing, un seul concept de design. Nous en obtenons maintenant une douzaine en un après-midi. C’est merveilleux. C’est aussi, pour quiconque est attentif, un piège.

Le piège est le suivant : quand la génération coûtait cher, l’évaluation était implicite. Nous jugions en bâtissant. L’architecte qui développait une seule proposition sur cinq jours évaluait des milliers de microdécisions en chemin. La lenteur de la création n’était pas un défaut. C’était l’environnement dans lequel le goût se développait. La contrainte forçait le discernement.

Retirez la contrainte, et nous obtenons du volume sans discernement. Cent options, toutes compétentes, aucune juste. Le goulot d’étranglement est passé de « pouvons-nous produire ceci? » à « pouvons-nous dire si c’est bon? ».

C’est le fossé du goût. Et il s’élargit.

Ce qu’est vraiment le goût

Le goût, dans ce contexte, n’est pas une préférence esthétique. C’est la capacité accumulée d’évaluer un résultat contre des standards que nous ne savons peut-être pas entièrement articuler.

Une ingénieure sénior lit une revue de code et sent quelque chose se serrer. L’architecture est valide. Les tests passent. Mais quelque chose cloche. Après un moment, elle le nomme : cette solution couple deux systèmes qui devront évoluer indépendamment. Elle le sait non pas parce qu’elle a mené une analyse, mais parce qu’elle a déjà vu exactement cette forme d’erreur, dans trois bases de code différentes, dans trois entreprises différentes. C’est ça, le goût. De la reconnaissance de motifs opérant à la vitesse de l’instinct, nourrie d’une expérience qui ne se raccourcit pas.

L’IA n’en a pas une once. Elle a la capacité sans l’expérience, la fluidité sans la compréhension. Elle produit un résultat qui sonne autoritaire précisément parce qu’elle n’a aucune incertitude. Et cette assurance est ce qui rend l’évaluation si critique : l’écart entre « sonne juste » et « est juste » n’a jamais été aussi large.

Ne sous-traitez pas la réflexion

Dexter Horthy, qui a travaillé avec des milliers d’équipes d’ingénierie sur les flux de travail de codage avec IA, s’est tenu sur scène récemment et a dit quelque chose qui devrait résonner dans chaque organisation qui adopte l’IA : « Ne sous-traitez pas la réflexion. »

Il avait passé des mois à enseigner aux équipes à laisser les agents IA écrire des plans et du code sans révision humaine. Les résultats étaient rapides et la qualité était pauvre. Son équipe a fait marche arrière. Ses mots exacts : « J’ai dit de ne pas lire le code. J’avais tort. » Les équipes qui ont recommencé à réviser le résultat, qui ont ramené leur jugement dans le processus, ont obtenu de meilleurs résultats que celles qui roulaient sur le pilote automatique. Pas marginalement meilleurs. Fondamentalement meilleurs.

La leçon n’est pas « ralentissez ». La leçon, c’est que l’IA a besoin d’un partenaire de réflexion, pas d’une approbation automatique. L’agent produit le travail. L’humain évalue si le travail est juste. Pas s’il compile, pas s’il roule, mais s’il résout le vrai problème d’une manière qui tiendra quand ça comptera.

Klarna comme étude de cas

Si vous voulez voir à quoi ressemble le fossé du goût à l’échelle d’une entreprise, regardez Klarna.

En 2024, Klarna a remplacé environ 700 employés du service à la clientèle par de l’IA. Le chef de la direction a déclaré publiquement que « l’IA peut déjà faire tous les emplois que nous, les humains, faisons ». Les temps de résolution ont chuté. Les coûts ont chuté. Le conseil d’administration était ravi.

Puis la satisfaction de la clientèle s’est effondrée. L’IA donnait des réponses génériques. Elle ne pouvait rien traiter qui exige de la nuance, de l’empathie ou du jugement. Les clients se sont plaints. La qualité s’est érodée. Au début de 2025, le chef de la direction a admis publiquement : « Nous sommes allés trop loin. Nous nous sommes trop concentrés sur l’efficacité et les coûts. Le résultat a été une qualité moindre. »

Klarna a recommencé à embaucher des humains. Pas parce que l’IA a échoué. Parce que l’IA a réussi la mauvaise chose. Elle a optimisé pour des métriques faciles à mesurer (vitesse, coûts) en ignorant celles qui comptaient vraiment (la confiance, la qualité de la résolution, le sentiment que quelqu’un comprenait votre problème). Il n’y avait personne dans la boucle avec le jugement pour dire : c’est rapide, mais ce n’est pas bon.

Le revirement de Klarna est maintenant l’histoire que chaque conseil d’administration évoque quand quelqu’un propose des réductions d’effectifs pilotées par l’IA. C’est aussi l’illustration la plus claire du fossé du goût à l’échelle : capacité abondante, jugement absent, conséquences coûteuses.

Le même motif se rejoue en plus petit chaque jour. Un tableau de bord mesure l’adoption de l’IA par des métriques d’activité. Une équipe remodèle son flux de travail pour faire bien paraître le tableau de bord. Le tableau de bord s’améliore. Le travail, non. Le tableau de bord était censé refléter la valeur. À la place, la valeur a été remodelée pour entrer dans le tableau de bord. Voilà ce qui arrive quand la mesure remplace le jugement : nous optimisons pour ce qui est facile à compter et perdons de vue ce qui est difficile à voir mais qui compte vraiment.

Le goulot d’étranglement a bougé

Le récit populaire présente l’IA comme une histoire d’abondance : plus de capacité, plus de production, plus de tout. Mais comme l’a soutenu Nate B. Jones, le meilleur cadre est celui de l’économie du goulot d’étranglement. La capacité de l’IA croît. Mais la valeur ne se matérialise que si quelqu’un doté de jugement la dirige.

Le goulot d’étranglement était autrefois l’exécution. C’est maintenant l’évaluation. Et les gens qui prospèrent dans une économie du goulot d’étranglement ne sont pas ceux qui génèrent le plus. Ce sont ceux qui savent faire la différence entre un résultat qui a l’air juste et un résultat qui est juste.

Les grands déploiements d’IA en entreprise montrent invariablement le même motif : l’enthousiasme culmine dans les premières semaines, puis la plupart des utilisateurs décrochent en silence. Ceux qui restent ne sont pas les plus techniques. Ce sont ceux qui avaient déjà développé l’instinct de rejeter les mauvais résultats et le langage pour expliquer pourquoi. L’outil a amplifié ce qu’ils savaient déjà. Il n’a pas fourni le jugement qui leur manquait.

Les utilisateurs les plus productifs d’un outil de génération sont ceux qui savent le mieux ne pas utiliser ce qu’il produit. C’est assez paradoxal pour être important.

L’actif de quinze ans

Voici l’inversion que la plupart des gens n’ont pas encore absorbée : l’expérience qui semble devenir obsolète est précisément ce qui vient de prendre le plus de valeur.

Prenez la professionnelle sénior qui a passé quinze ans dans un domaine. Elle sait quelles approches lâchent sous pression. Elle reconnaît quand une proposition résout le problème énoncé tout en en créant trois autres, jamais énoncés. Depuis deux ans, elle vit une anxiété discrète, à regarder des collègues juniors armés d’outils d’IA produire des résultats qui semblent impossibles à distinguer des siens.

Il n’a jamais été aussi important qu’ils ne le soient pas. Le collègue junior ne sait pas encore quels résultats rejeter. Il accepte ce qui a l’air juste parce qu’il n’a pas encore développé la sensibilité pour distinguer « a l’air juste » de « est juste ». Cette sensibilité, c’est quinze ans d’expérience compressés en instinct, et aucun outil sur le marché ne la produit.

L’expérience ne s’est pas dépréciée. Ce à quoi elle sert a changé. Elle voulait dire « je sais comment bâtir ceci ». Elle veut maintenant dire « je sais si c’est bon ». L’évaluation est la ressource rare dans un monde de génération abondante.

Les personnes extraordinaires dans les organisations opèrent souvent à vingt-cinq pour cent de leur capacité, parce que l’essentiel de leur temps part en surcharge de coordination. L’IA réduit une bonne partie de cette surcharge. Le jugement de l’expert s’applique soudain à quatre fois le volume de travail. Perfectionner des gens au goût accumulé est presque toujours un meilleur choix qu’embaucher quelqu’un qui sait bien prompter mais ne sait pas évaluer le résultat.

Chaque rejet est un document

Il y a une dimension pratique que la plupart des organisations ratent. Chaque fois qu’une personne d’expérience rejette un résultat d’IA et explique pourquoi, elle crée du savoir institutionnel. Pas celui qui dort dans un wiki que personne ne lit. Le savoir opérationnel : un standard documenté de ce que « bon » veut dire dans ce contexte précis.

Avec le temps, ces rejets s’accumulent en un registre vivant du goût de l’organisation. Qu’acceptons-nous? Que refusons-nous? Pourquoi? Ce registre est précisément le genre de spécification qui améliore les prochains résultats de l’IA. Le jugement améliore la spécification, qui améliore la génération, qui exige un jugement plus raffiné encore. C’est une boucle qui se cumule.

Le fossé du goût, c’est la forme en K

L’économie en K roule sur ce fossé. Sur une branche, des gens génèrent des résultats et acceptent ce qui revient. Ils livrent vite. Et de plus en plus, ce qu’ils livrent ne survit pas au contact de quiconque comprend le domaine. Sur l’autre branche, des gens génèrent le même volume, puis l’évaluent avec le jugement accumulé des années. Ce qu’ils livrent tient.

La différence n’est pas la compétence technique. C’est le goût : la capacité de rejeter un travail compétent qui n’est pas assez bon, et d’expliquer pourquoi.

La partie rassurante, c’est que le goût n’est pas quelque chose que nous devons acquérir à partir de rien. La plupart des professionnels d’expérience l’ont déjà. C’est la chose même qui fait d’eux des gens d’expérience. Le changement, c’est de reconnaître que ce jugement, cet instinct qui passait autrefois pour une compétence douce, est maintenant la compétence dure.

L’IA a la capacité sans le goût. Nous avons un goût qui a pris des années à bâtir. C’est un partenariat, pas une compétition. La question n’est pas de savoir si notre jugement compte encore. C’est de savoir si nous avons la confiance de l’utiliser : regarder un résultat d’IA poli, parfaitement structuré, et dire, non, pas celui-ci, et voici pourquoi.

Ce « voici pourquoi » vaut plus cher que nous le pensons.

Ceci fait partie du « Guide du voyageur de l’économie en K ». Précédent : « La spec est le produit » sur la spécification. Suivant : « Penser en morceaux » sur la décomposition.