La GenAI ne transforme pas seulement les emplois : elle transforme les tâches
Pourquoi la fiche de poste devient insuffisante, et ce que ça change pour les SIRH et la stratégie RH
Cet article est le premier volet d’une série de cinq sur les organisations fondées sur les compétences à l’ère de la GenAI. Il a été inspiré par une conversation avec un collègue sur LinkedIn, et quelques jours plus tard, par l’écoute de l’épisode 131 d’IA Café de l’OBVIA, qui explore les enjeux humains et éthiques de l’intelligence artificielle au travail.
L’analyste qui n’a pas changé de titre
Il y a quelques semaines, je discutais avec une partenaire d’affaires RH dans une organisation de taille moyenne. Elle me décrivait la situation d’une analyste RH de son équipe : même titre depuis trois ans, même niveau salarial, même fiche de poste.
Sauf que son travail, lui, avait changé.
Avant la GenAI, cette analyste passait environ 40 % de son temps à compiler des données, formater des rapports, rédiger des premières versions de politiques, et préparer des présentations pour les comités. Aujourd’hui, ces tâches sont réduites de moitié : certaines disparaissent complètement, d’autres sont accélérées. Elle passe désormais ce temps récupéré à valider des outputs IA, à formuler des prompts plus précis, à contextualiser des recommandations pour les gestionnaires, et à jouer un rôle de pont entre les données brutes et la décision humaine.
Son titre : Analyste RH. Sa fiche de poste : inchangée. Son travail réel : profondément différent.
Ce décalage entre le contenant administratif (le poste) et la réalité opérationnelle (les tâches) est au cœur de ce que la GenAI produit dans les organisations. Et c’est ce décalage qui rend la fiche de poste traditionnelle insuffisante comme unité de gestion du travail. Ce phénomène est bien documenté : Selenko et al. (2022) montrent que l’identité professionnelle des travailleurs est mise à l’épreuve précisément parce que le titre ne change pas alors que les tâches, elles, se transforment profondément.
Le poste : un contenant administratif utile, mais figé
La fiche de poste n’est pas une invention arbitraire. Elle a été conçue pour répondre à des besoins réels : équité salariale, clarté des responsabilités, conformité légale, planification des effectifs. Dans un monde où le travail change lentement, elle remplit bien ce rôle.
Mais la fiche de poste est un contenant. Elle décrit un ensemble de responsabilités, de compétences requises et d’attentes de performance à un moment donné. Elle est, par construction, statique. Elle est révisée en moyenne une fois tous les deux ou trois ans dans la plupart des organisations. Et elle est rédigée en termes de ce que le poste demande, pas en termes de ce que le travail implique réellement au quotidien.
Ce modèle a fonctionné parce que le travail lui-même changeait à un rythme gérable. Un analyste financier en 2010 faisait essentiellement le même travail qu’en 2005. Les outils changeaient (Excel, puis des outils BI), mais les tâches fondamentales restaient relativement stables : collecter des données, analyser, synthétiser, présenter.
La GenAI rompt avec ce rythme. Pas parce qu’elle invente un nouveau type de travail, mais parce qu’elle intervient directement au niveau des tâches, avec une vitesse et une capillarité que les cycles RH traditionnels ne peuvent pas absorber.
Le Forum Économique Mondial l’estime clairement dans son Future of Jobs Report : 39 % des compétences fondamentales des travailleurs actuels changeront ou deviendront obsolètes d’ici 2030. Et 63 % des employeurs identifient la pénurie de compétences comme leur principal obstacle à la croissance. Ces chiffres ne parlent pas de postes qui disparaissent. Ils parlent de tâches qui basculent, de compétences qui se déplacent, de travail qui se recompose, souvent sans que le titre ou la fiche de poste ne bougent.
Où la GenAI agit réellement : les tâches
Pour comprendre l’impact de la GenAI, il faut regarder un niveau plus bas. Pas le poste. Les tâches.
Une tâche est l’unité élémentaire du travail : rédiger un courriel, analyser un jeu de données, préparer une présentation, conduire une entrevue, valider une facture, répondre à un ticket de support. Les postes sont des agrégats de tâches. Et c’est sur ces agrégats que les systèmes RH ont été construits.
Or la GenAI n’opère pas au niveau de l’agrégat. Elle opère au niveau de la tâche. Et selon les caractéristiques de chaque tâche, son effet varie. Les travaux de Dell’Acqua et al. (2023) sur la « frontière technologique irrégulière » illustrent précisément ce point : la GenAI excelle dans certaines tâches de façon spectaculaire, et est contre-productive dans d’autrese. La frontière entre ce que l’outil fait bien et ce qu’il fait mal n’est pas droite.
On peut distinguer au moins trois effets distincts.
Réduction. Certaines tâches sont accélérées à tel point qu’elles cessent d’être des contraintes de temps significatives. La rédaction d’une première ébauche, la compilation de données depuis plusieurs sources, la reformatation de documents, la génération de résumés : ces tâches ne disparaissent pas, elles se compressent. Une tâche qui prenait deux heures en prend maintenant vingt minutes, avec un output de même qualité ou meilleure.
Amplification. D’autres tâches voient leur portée s’élargir. Un analyste RH qui pouvait auparavant traiter dix profils de candidats par heure peut maintenant en traiter cinquante, à condition de maintenir la qualité du jugement sur chaque recommandation. La capacité augmente, mais la responsabilité du jugement reste entière. Brynjolfsson et al. (2023) documentent que cet effet d’amplification est fortement différencié selon le niveau de compétence initial : les travailleurs moins expérimentés bénéficient davantage en termes relatifs, tandis que les experts conservent des avantages que la GenAI ne compense pas entièrement.
Création. La GenAI génère des tâches nouvelles qui n’existaient pas. La formulation de prompts efficaces. La validation d’outputs IA (ce qui exige de comprendre ce que l’IA fait et ce qu’elle peut rater). La détection d’hallucinations dans des contextes métier spécialisés. La gouvernance de l’usage des outils au sein de l’équipe. Ces nouvelles tâches requièrent des compétences que les fiches de poste n’ont pas encore nommées.
Ce triptyque (réduction, amplification, création) se produit dans le même poste, souvent sur la même semaine. Et il produit un phénomène que la recherche commence à documenter : un employé peut voir sa performance globale augmenter grâce à la GenAI tout en subissant une surcharge cognitive accrue liée à la validation et à la supervision des outputs. Shao et al. (2025), dans une étude longitudinale journalière publiée dans le Journal of Management, le montrent empiriquement : sur une même journée, le même employé peut bénéficier de gains cognitifs substantiels grâce à l’IA ET souffrir d’une surcharge informationnelle qui dégrade sa récupération post-travail. Les deux effets coexistent, sur la même personne, en même temps.
Les métriques d’adoption habituelles (taux d’utilisation, temps économisé, tickets résolus) ne captent pas cette dualité. Elles mesurent le gain. Elles ne mesurent pas le coût invisible.
Les compétences deviennent plus instables, plus contextuelles et plus hybrides
Si les tâches changent à la vitesse de la GenAI, les compétences nécessaires pour les accomplir changent avec elles.
La GenAI accélère un phénomène déjà à l’œuvre : les compétences deviennent moins stables, plus contextuelles, et plus hybrides.
Moins stables. La durée de vie utile d’une compétence technique spécifique raccourcit. Maîtriser un logiciel précis comptait pour beaucoup il y a dix ans. Aujourd’hui, ce qui compte davantage, c’est la capacité à apprendre rapidement un nouvel outil, à en comprendre les limites, et à l’intégrer dans un flux de travail existant. Gobeil-Proulx (2021) l’identifiait déjà dans le contexte québécois : les compétences qui résistent sont la littératie en IA, la capacité à travailler en équipe interdisciplinaire, la créativité et la résolution de problèmes complexes, pas les compétences techniques figées.
Plus contextuelles. La même compétence peut avoir une valeur très différente selon le contexte organisationnel. La capacité à formuler des prompts efficaces est utile partout, mais sa valeur spécifique dépend des outils disponibles, des processus métier, du secteur, et des contraintes réglementaires de l’organisation. Au Québec, en 2024-2025, seulement 12,7 % des entreprises utilisaient l’IA à des fins de production, selon Statistique Québec. Ce chiffre faible ne signifie pas que les compétences IA sont peu pertinentes : il signifie que leur valeur est très inégalement distribuée selon les secteurs et la maturité des organisations. Mehdi et Morissette (2024) affinent cette lecture en estimant, par analyses économétriques sur le marché du travail canadien, les niveaux d’exposition différenciés selon les catégories professionnelles, avec des résultats qui nuancent fortement les projections globales.
Plus hybrides. La GenAI valorise les profils hybrides — un spécialiste en rémunération qui comprend les implications des algorithmes de compensation IA, ou une chargée de formation qui sait concevoir des contenus humains ET évaluer ce qu’un LLM peut ou ne peut pas faire dans ce contexte. Ces profils n’entrent pas facilement dans une case de famille d’emploi.
Ce que ça demande aux SIRH : passer du profil au flux de travail
C’est là que les SIRH commencent à coincer.
Les SIRH ont été construits pour gérer des profils. Un employé a un poste. Ce poste a des compétences requises. L’employé déclare ou acquiert ces compétences. On mesure l’écart. On prescrit de la formation.
Ce modèle suppose que le travail est relativement stable, qu’on peut le décrire une fois et le gérer ensuite. Il suppose également que les compétences sont des attributs relativement stables des individus : on les a ou on ne les a pas, et on les accumule progressivement.
Ce dont les organisations ont besoin, ce n’est pas d’un meilleur profil de compétences. C’est d’une capacité à lire le travail réel dynamiquement : comprendre quelles tâches sont réellement accomplies, comment elles évoluent, quelles compétences émergent comme critiques, et comment ces compétences se distribuent dans l’organisation.
C’est une ambition architecturale différente. Elle exige des données qui vont au-delà des autodéclarations, des taxonomies qui capturent les relations sémantiques entre compétences plutôt que de simplement les classifier, et une gouvernance qui permette de maintenir cette lecture à jour.
Certains éditeurs de SIRH avancent dans cette direction. Workday Skills Cloud, avec ses 47 000+ compétences normalisées (Workday, 2022) et son approche ontologique auto-apprenante, est probablement l’exemple le plus documenté. Le principe est le suivant : au lieu de demander à l’employé de remplir son profil, le système infère ses compétences probables en analysant ses projets, ses formations, ses évaluations, ses mouvements internes. Il cartographie les relations sémantiques entre compétences, de façon similaire au fonctionnement des réseaux neuronaux humains : des relations multidimensionnelles plutôt qu’une hiérarchie rigide.
Mais une ontologie n’est pas une stratégie. Et un Skills Cloud déployé sans gouvernance, sans culture du partage des compétences, et sans connexion réelle aux décisions de développement et de mobilité, reste un outil de catalogage sophistiqué, pas un levier de transformation.
Ce sera le sujet du Volet 2.
La skills-based organization : une réponse possible, pas magique
Le concept d’organisation fondée sur les compétences (skills-based organization, SBO) n’est pas nouveau. Il circule dans les milieux RH depuis plus d’une décennie. Ce qui change avec la GenAI, c’est son urgence.
L’argument central de la SBO est simple : si les compétences sont l’unité de valeur dans le travail moderne, plus que les diplômes, plus que les titres, plus que l’ancienneté, alors toute la logique de gestion des talents devrait être organisée autour d’elles. La mobilité interne, le développement, l’acquisition, la planification des effectifs : tout pivoté sur la compétence plutôt que sur le poste.
Les données sont encourageantes. Selon un rapport Deloitte 2024 synthétisé par HR Grapevine, les organisations SBO surpassent leurs pairs sur tous les indicateurs mesurés : placement des talents (+107 %), anticipation du changement (+57 %), innovation (+52 %), atteinte des résultats (+63 %) et expérience employé (+79 %).
Ce qui est clair, en revanche, c’est que la SBO est une réponse architecturale à la volatilité du travail : une façon de construire l’organisation pour qu’elle puisse s’adapter plus rapidement que ses propres fiches de poste. Face à la GenAI, cette adaptabilité a une valeur évidente.
Ce qui est moins clair, c’est ce qu’une stratégie SBO demande vraiment : une infrastructure de données fiable, une gouvernance du signal de compétences, une culture organisationnelle qui valorise la mobilité plutôt que la rétention, et une discipline dans la mesure qui dépasse les tableaux de bord d’adoption. La plupart des organisations qui pensent faire du SBO font en réalité du catalogage de compétences avec un beau nom.
Et si une liste de compétences ne suffisait pas ?
Ce premier volet a posé le diagnostic : la GenAI déplace le travail au niveau des tâches, là où les SIRH et les fiches de poste n’atteignent pas. La question qui suit est logique — si les compétences deviennent l’unité de gestion pertinente, pourquoi si peu d’organisations réussissent à en faire une vraie stratégie ?
C’est ce qu’on explorera au Volet 2 : pourquoi tant d’organisations ont un catalogue de skills et si peu ont une vraie approche skills-based — et quelle est la différence entre une taxonomie et une ontologie.
Références
Références complémentaires
Deloitte / HR Grapevine. (2024). The Clear Benefits of a Skills-Based Approach. Repris dans HR Grapevine, 2024.
Jacob, S., Souissi, S., & Patenaude, N. (2022). Intelligence artificielle et transformation des métiers en gestion des ressources humaines. Chaire de recherche sur l’administration publique à l’ère numérique, Université Laval.
Statistique Québec. (2024-2025). Adoption et utilisation de l’intelligence artificielle par les entreprises au Québec en 2024 et en 2025. Portrait exploratoire. Gouvernement du Québec. https://statistique.quebec.ca/fr/document/intelligence-artificielle-entreprises-quebec
World Economic Forum. (2025). Future of Jobs Report 2025. WEF.
Workday. (2022). How Workday Is Delivering Next-Generation Skills Technology at Scale. https://www.workday.com/content/blog/it/posts/2022/09/how-workday-delivering-next-generation-skills-technology-scale.html
Skillsoft. (s.d.). What’s a Skills Taxonomy (vs. Ontology)? And Why Having One Makes HR Easier. https://www.skillsoft.com/blog/whats-a-skills-taxonomy-vs-ontology-and-why-having-one-makes-hr-easier
Interprétation terrain
Les observations sur les pratiques organisationnelles et les déploiements SIRH au Québec et au Canada sont tirées de l’expérience de terrain de GP-Nova dans ses mandats de conseil Workday. Elles ne constituent pas une étude systématique et ne sont pas généralisables directement, mais servent à illustrer et à contextualiser les tendances documentées par la recherche.