L’intelligence artificielle ne transforme pas uniquement notre manière de travailler. Elle modifie aussi la façon dont une entreprise est découverte, comprise, comparée et choisie. Pour les marques, les deux sujets sont liés : pendant que leurs équipes apprennent à travailler avec des assistants IA, leurs clients peuvent déléguer à ces mêmes technologies une partie de leurs recherches et de leurs décisions.
Le débat sur l’IA et l’emploi se résume pourtant souvent à une alternative : remplacement des salariés ou augmentation de leurs capacités. Cette opposition laisse de côté des questions essentielles. Quelles tâches perdent de leur valeur ? Comment former les débutants ? Qui vérifie les résultats ? Et que devient le marketing lorsqu’un agent peut préparer une sélection de produits ou de prestataires pour le compte d’un client ?
Chez MYA, nous proposons de lire ces évolutions ensemble. Notre positionnement Global Search consiste à travailler la visibilité des marques au-delà d’un seul moteur de recherche. Son prolongement vers le B2A, ou Business-to-Agent, ajoute une exigence : rendre les informations et les services d’une entreprise utilisables par les agents qui assistent ses clients.
Soyez trouvés par les humains. Soyez choisis par les agents.
Cette perspective n’annonce ni la fin du travail humain ni celle des sites web. Elle invite à repenser ce qui mérite d’être automatisé, ce qui doit rester sous contrôle et ce qui constitue réellement la valeur d’une marque.
Des LLM aux agents : pourquoi cette évolution concerne l’emploi
Un modèle, un assistant et un agent ne sont pas la même chose
Un grand modèle de langage, ou LLM, est un modèle d’intelligence artificielle capable de traiter et de générer du langage. Un assistant est une application qui permet d’interagir avec un ou plusieurs modèles. Un système agentique associe ces capacités à des outils, des instructions et des mécanismes de contrôle pour accomplir une succession d’actions.
Le lancement public de ChatGPT en novembre 2022, la présentation de Claude par Anthropic en mars 2023, puis celle de Gemini par Google en décembre 2023 constituent des repères dans la diffusion de ces usages.
L’offre ne se limite pas à ces trois écosystèmes. Les familles de modèles de Mistral, de Meta avec Llama, de DeepSeek et d’Alibaba avec Qwen élargissent les possibilités d’intégration. Les conditions d’accès, de déploiement et de licence varient selon les modèles : « poids ouverts » ne signifie pas automatiquement « sans contrainte ».
Il faut également distinguer les modèles des services de recherche qui les utilisent. Perplexity combine ainsi la recherche web avec ses propres modèles et ceux de fournisseurs tiers. Pour une marque, le modèle sous-jacent, les sources consultées et l’interface utilisée sont trois dimensions différentes.
Le changement décisif : passer de la réponse à l’exécution
Un assistant peut proposer un compte rendu. Un agent équipé des outils appropriés peut, dans un périmètre autorisé, consulter des documents, préparer ce compte rendu et intervenir dans un logiciel. La présentation de ChatGPT agent en juillet 2025 illustre ce passage vers des systèmes capables de combiner recherche et actions sur des interfaces numériques.
Pour l’emploi, la question ne porte donc plus seulement sur la production d’un texte. Elle concerne la possibilité de déléguer plusieurs étapes d’une mission. Mais une démonstration technique ne prouve pas qu’un processus peut être automatisé de manière rentable et fiable. Il faut encore intégrer les données, traiter les exceptions, contrôler les accès et vérifier le résultat.
IA et emploi : ce que montrent réellement les études
Une exposition importante ne signifie pas une disparition équivalente des postes
Dans son étude publiée en mai 2025, l’Organisation internationale du Travail, avec le NASK, estime que 25 % de l’emploi mondial relève de professions potentiellement exposées à l’IA générative. Cette proportion atteint 34 % dans les pays à revenu élevé. Les activités administratives figurent parmi les plus exposées.
Ces chiffres mesurent une exposition potentielle des tâches, pas des licenciements. L’étude considère la transformation des emplois comme plus probable que leur remplacement intégral, notamment parce que les professions combinent des tâches aux exigences différentes. Consulter l’étude OIT–NASK de 2025.
Les gains de productivité existent, mais dépendent du contexte
Une recherche publiée en 2025 dans le Quarterly Journal of Economics étudie l’introduction d’un assistant auprès de 5 172 agents de support client. Elle observe une augmentation moyenne de 15 % du nombre de problèmes résolus par heure, avec des bénéfices particulièrement importants pour les salariés moins expérimentés.
Ce résultat démontre l’intérêt d’une assistance dans une activité déterminée. Il ne signifie pas que tous les métiers deviennent 15 % plus productifs, ni que les entreprises réduisent leurs effectifs dans la même proportion. Consulter « Generative AI at Work ».
À production constante, un gain de productivité peut réduire le besoin de travail. Mais il peut aussi servir à traiter davantage de demandes, améliorer un service ou développer une activité auparavant trop coûteuse. L’effet sur l’emploi dépend donc également des décisions de l’entreprise et de la demande.
Les effets sur les salaires et les heures travaillées ne sont pas automatiques
Le document de travail d’Anders Humlum et Emilie Vestergaard publié en 2025 examine onze professions au Danemark, à partir d’enquêtes de 2023 et 2024 reliées à des données administratives. Dans ce périmètre, les chercheurs ne détectent pas d’effet significatif des chatbots sur les rémunérations ou les heures de travail enregistrées.
Ce constat ne préjuge pas des effets ultérieurs d’outils plus intégrés. Il rappelle qu’une utilisation répandue et des gains sur certaines tâches ne se traduisent pas immédiatement dans les indicateurs du marché du travail. Consulter « Large Language Models, Small Labor Market Effects ».
Aux États-Unis, un signal concerne particulièrement les jeunes
Dans la version d’août 2026 de leur étude, Erik Brynjolfsson, Bharat Chandar et Ruyu Chen analysent des données de paie américaines jusqu’à juin 2026. L’emploi des 22–25 ans dans les professions exposées à l’IA se situe 19 % en dessous de la trajectoire qu’il aurait suivie en progressant comme celui de leurs homologues moins exposés.
Ce n’est pas une mesure de « 19 % d’emplois supprimés par l’IA ». Les auteurs présentent un signal descriptif, non une estimation causale. L’écart passe principalement par une réduction des embauches. Certaines divergences préexistent à l’IA générative et les résultats sont plus marqués dans l’échantillon étudié que dans les enquêtes nationales.
En France, le contexte se dégrade sans permettre d’isoler un effet de l’IA
Au deuxième trimestre 2026, l’Insee mesure un taux de chômage de 8,3 % en France, en hausse de 0,7 point sur un an. Il atteint 21,6 % chez les actifs de 15 à 24 ans. Ce dernier pourcentage ne concerne pas l’ensemble des jeunes, mais ceux qui appartiennent à la population active. Consulter les résultats de l’Insee.
Ces données ne permettent pas d’attribuer la hausse à l’intelligence artificielle. La Direction générale du Trésor rappelle en juin 2026 que l’effet net agrégé de l’IA sur l’emploi reste incertain, entre substitution de certaines tâches et gains de productivité susceptibles de stimuler la demande.
La valeur du travail ne se résume plus à la production d’un livrable
Pour une entreprise, la bonne unité d’analyse n’est pas toujours le métier. C’est souvent la tâche, replacée dans une mission complète.
Prenons un exemple : produire un premier texte et garantir la pertinence d’une recommandation sont deux responsabilités différentes. Un outil peut accélérer la première sans assumer la seconde. Inversement, conserver une validation humaine ne suffit pas si cette validation devient une formalité.
Dans les métiers du marketing et du Search, nous proposons la grille de réflexion suivante. Elle illustre une répartition possible du travail, pas une prévision statistique de suppressions de postes.
Activité
Assistance envisageable
Responsabilité à organiser
Production éditoriale
Préparer un plan, un brouillon ou des déclinaisons.
Définir l’angle, vérifier les faits et apporter une contribution originale.
Analyse SEO
Regrouper des requêtes et préparer une synthèse.
Contrôler les données, interpréter les intentions et hiérarchiser les actions.
Catalogue produit
Normaliser des attributs et signaler des informations manquantes.
Valider les caractéristiques, les preuves et les conditions commerciales.
Reporting
Assembler des données et rédiger un commentaire initial.
Vérifier les mesures, expliquer les limites et décider des suites.
Relation client
Préparer une réponse ou traiter un cas standardisé.
Gérer les situations sensibles et assumer les engagements pris.
Notre lecture est la suivante : lorsqu’une première production devient plus accessible, la valeur se déplace vers le cadrage, la qualité des informations, le jugement et la responsabilité sur le résultat. Ce déplacement n’assure cependant ni le maintien de tous les postes ni une hausse automatique des rémunérations.
Préserver l’apprentissage, pas seulement accélérer l’exécution
Une question mérite une attention particulière : comment devient-on expert lorsque les tâches d’entrée dans un métier sont déléguées à des outils ?
Nous recommandons de distinguer les tâches répétitives sans intérêt pédagogique de celles qui construisent le jugement. Faire vérifier une réponse, comparer deux analyses ou expliquer une erreur peut devenir un exercice de formation. Mais un débutant doit aussi pouvoir comprendre les bases sans dépendre systématiquement d’un assistant.
Le critère d’évaluation ne devrait donc pas être uniquement « produit-il plus vite ? », mais aussi « sait-il expliquer, contrôler et corriger ce qu’il produit ? ».
Quel avenir pour l’emploi entre 2026 et 2030 ?
Il serait trompeur de présenter une trajectoire unique. Les perspectives ci-dessous constituent une grille prospective MYA, et non des prévisions chiffrées issues des études précédentes.
2026–2027 : observer les recrutements autant que les suppressions de postes
À court terme, une entreprise peut absorber davantage d’activité sans recruter autant qu’auparavant, réduire certaines prestations externes ou réaffecter le temps économisé. Elle peut également constater que la vérification et l’intégration limitent les économies attendues.
Les indicateurs utiles sont donc les embauches, les missions confiées aux indépendants, le temps de contrôle, les erreurs et le volume de travail réellement terminé. Le nombre de comptes ouverts sur un outil IA ne suffit pas à mesurer une transformation.
2028–2030 : une réorganisation possible des processus
Si les systèmes deviennent suffisamment fiables et intégrés, certaines organisations pourraient déléguer des chaînes de tâches plus longues. Une même équipe pourrait alors superviser davantage d’opérations, tandis que de nouveaux besoins apparaîtraient dans la qualité des données, l’évaluation et la gestion des exceptions.
La vitesse de cette évolution dépendra notamment de son coût complet, des contraintes métier et de l’acceptabilité des risques. Une tâche créative exploratoire et une opération engageant un client ne réclament pas le même niveau de fiabilité.
Au-delà de 2030 : la répartition des gains sera déterminante
Une hausse de productivité peut se traduire par davantage de production, des prix plus bas, des marges plus élevées, des rémunérations différentes ou une réduction du temps de travail. Aucun de ces résultats n’est automatique.
Le sujet ne se limite donc pas au nombre d’emplois. Il concerne aussi leur qualité, l’autonomie des salariés, l’accès aux carrières et la capacité à changer de fonction sans subir une longue période de déclassement.
Pourquoi cette transformation conduit MYA vers le Global Search
Le lien avec le Search est direct : les technologies utilisées pour assister les équipes peuvent également servir à rechercher une information ou à préparer un choix commercial. Google décrit notamment des expériences de recherche capables de traiter des questions complexes et des comparaisons, en s’appuyant sur des sources du web.
Pour une marque, cela ajoute une question au référencement traditionnel : ses informations peuvent-elles être retrouvées, correctement interprétées et mobilisées dans une réponse ?
Notre approche Global Search chez MYA associe le référencement naturel, la visibilité dans les réponses génératives et la cohérence des contenus sur les espaces où les publics recherchent des informations. Elle ne suppose pas que tous les canaux fonctionnent de la même manière.
SEO, GEO et AEO : des objectifs liés, mais distincts
Le SEO travaille la visibilité dans les moteurs de recherche. Le GEO, ou Generative Engine Optimization, s’intéresse à la présence et à la représentation d’une marque dans les réponses des systèmes génératifs.
Le sigle AEO est notamment utilisé pour Answer Engine Optimization, l’optimisation pour les moteurs de réponse. Dans notre réflexion sur les interfaces agentiques, nous explorons aussi son prolongement vers l’Agent Engine Optimization : rendre des informations et des fonctions exploitables par un agent. Ces deux usages du sigle doivent être explicités, pas confondus.
V.M.R. : distinguer visibilité, mention et recommandation
La méthode MYA V.M.R., Visible, Mentionné, Recommandé, permet de séparer trois objectifs :
Visible : rendre la marque et ses informations accessibles sur les espaces de recherche pertinents.
Mentionné : observer si la marque apparaît dans les réponses correspondant aux besoins de ses publics.
Recommandé : analyser si elle est proposée comme une option pertinente, et pour quelles raisons.
Ces niveaux ne sont pas interchangeables. Une citation n’est pas nécessairement une recommandation, et une recommandation ne constitue pas une vente. Notre objectif est de relier ces observations aux résultats commerciaux, sans promettre une présence systématique dans les réponses.
Du Global Search au B2A : être utilisable par les agents
Nous utilisons ici B2A, pour Business-to-Agent, pour désigner la préparation d’une entreprise aux interactions avec les agents qui assistent ses clients. L’agent ne devient pas un client autonome au sens commercial : il agit pour une personne ou une organisation, avec des objectifs et des autorisations.
Le B2A ne remplace donc pas le B2B ou le B2C. Il ajoute un intermédiaire possible dans la recherche, la comparaison et, lorsque cela est autorisé, l’exécution d’une action.
Le Global Search pose la question de la découverte et de la recommandation. Le B2A prolonge cette réflexion : que peut faire l’agent avec les informations qu’il a trouvées ?
Créer la préférence
Une marque doit pouvoir expliquer à qui elle s’adresse, quel problème elle résout et dans quelles situations son offre est pertinente. Une accumulation de qualificatifs génériques aide peu à comparer deux options.
Notre recommandation consiste à rendre les différences explicites : usages, caractéristiques, conditions, limites et critères de choix. La qualité de la proposition reste première. Sa structuration ne peut pas compenser une offre mal définie.
Apporter des preuves
Une promesse doit pouvoir être reliée à une information vérifiable. Selon l’activité, il peut s’agir d’une fiche technique, d’une méthode de test, d’une certification documentée ou de conditions de service clairement exposées.
Nous préconisons de préciser la provenance, la date et le périmètre de ces éléments. Une preuve portant sur un produit ne doit pas être étendue sans justification à toute une gamme. Cette discipline est utile pour le lecteur humain comme pour les systèmes qui exploitent les contenus.
Permettre l’action
Une fois l’offre comprise, une interaction peut nécessiter un prix à jour, une disponibilité, un formulaire accessible ou une fonction connectée au système de l’entreprise.
C’est ici qu’intervient la notion d’endpoint : un point d’accès logiciel à une information ou à une fonction. Selon le besoin, il peut servir à consulter un catalogue, vérifier une disponibilité ou préparer une demande de devis. Toutes les entreprises n’ont pas besoin de développer immédiatement une API publique.
Les marques n’ont pas à abandonner leur site web. Elles doivent compléter leur présence humaine par des informations et des interfaces utilisables par les agents.
Le site conserve son rôle d’explication, de confiance et de relation. Les flux, les données structurées et les interfaces logicielles répondent à d’autres usages. L’enjeu est leur cohérence, pas le remplacement d’un support par un autre.
MCP et A2A : des briques techniques, pas des garanties commerciales
Le Model Context Protocol, présenté par Anthropic en novembre 2024, vise à connecter les assistants à des données et à des outils. Le protocole Agent2Agent, annoncé par Google en avril 2025, concerne la communication et la coordination entre agents.
Ces initiatives illustrent les besoins d’interopérabilité. Elles ne garantissent ni la découverte d’une marque ni sa recommandation. Le B2A reste une question de stratégie, de qualité de service et de contrôle, dont les protocoles ne sont qu’une composante.
Pour toute fonction engageante, nous recommandons un périmètre d’autorisation explicite, une traçabilité des actions et une possibilité de reprise humaine. Permettre à un agent de consulter un prix n’équivaut pas à lui permettre de modifier une commande.
Exemple : ce que cela change pour une marque de beauté
Imaginons une demande fictive : « Comparez trois soins hydratants sans parfum, à moins de 40 euros, disponibles en France, en précisant leur contenance et les informations fournies par les marques. »
Une première marque dispose d’une page riche en promesses, mais le prix, la composition et les informations de disponibilité sont dispersés. Une seconde présente des caractéristiques explicites, des conditions à jour et des documents accessibles.
Dans une logique B2A, nous chercherions à réduire l’effort nécessaire pour vérifier la seconde offre. Cela ne garantit pas qu’un assistant la recommandera : sa sélection dépendra aussi des critères de l’utilisateur, de ses sources et de son fonctionnement.
Le travail marketing consiste alors à relier la proposition de valeur, les informations produit, les preuves et le parcours d’action. Il ne s’agit plus seulement de demander à un LLM de rédiger une fiche supplémentaire.
La différence stratégique se situe entre produire une description et construire une offre compréhensible, vérifiable et utilisable.
Quelles compétences développer dans les équipes ?
Notre évolution vers le Global Search et le B2A conduit à rapprocher des compétences souvent séparées : stratégie de marque, expertise éditoriale, SEO, connaissance des données produit et conception des interfaces.
Nous parlons d’architecture d’interfaces agentiques pour décrire ce travail de liaison. Il ne s’agit pas d’affirmer qu’un nouveau métier standardisé a déjà remplacé les précédents, mais d’identifier une responsabilité : organiser la rencontre entre une intention, des informations fiables et une action autorisée.
Un tel travail demande de savoir formaliser un besoin, sélectionner les sources de référence, détecter les incohérences, tester des parcours et définir les cas qui doivent revenir à un humain. La maîtrise d’un outil de génération ne suffit pas.
Une feuille de route en trois étapes
Premier mois : cartographier. Identifier les tâches réalisées, les temps de contrôle, les questions des clients et les informations nécessaires pour y répondre. Établir un état initial de la visibilité de la marque, sans confondre trafic, citations et recommandations.
Deuxième mois : tester. Choisir quelques usages limités. Comparer le travail assisté et non assisté sur la qualité, le temps total et les erreurs. En parallèle, améliorer un ensemble restreint de pages ou de données produit plutôt que multiplier les contenus.
Troisième mois : décider. Conserver les usages qui apportent un bénéfice démontré, revoir ceux qui déplacent simplement le travail vers la vérification et documenter les responsabilités. Tester une interface agentique uniquement lorsqu’un besoin concret le justifie.
Le bon indicateur n’est pas le nombre de textes générés ou d’agents déployés. C’est le coût d’un résultat validé, auquel s’ajoutent la qualité du service et les effets sur l’apprentissage des équipes.
L’enjeu : rester utile lorsque la production devient plus accessible
Les recherches disponibles ne permettent pas de résumer l’avenir du travail à une disparition générale des emplois. Elles ne justifient pas non plus de considérer les risques comme négligeables. Les effets dépendent des tâches, des organisations et de la manière dont les capacités techniques sont mises en œuvre.
Pour les marques, notre conviction est qu’il faut préparer simultanément deux évolutions : mieux travailler avec l’IA et mieux servir les clients qui l’utilisent.
C’est le fil conducteur du positionnement de MYA. Le Global Search travaille la découverte, la compréhension et la recommandation. Le B2A prolonge cette démarche vers des interactions utiles et contrôlées.
Notre rôle n’est pas de multiplier les contenus pour alimenter des machines. Il est d’aider les marques à clarifier leur valeur, rendre leurs preuves accessibles et construire des parcours cohérents pour les humains comme pour leurs assistants.
L’exposition d’un métier à l’IA signifie-t-elle qu’il va disparaître ?
Non. L’exposition indique que certaines tâches peuvent être affectées par la technologie. La disparition d’un poste dépend aussi de l’organisation du travail, du coût de l’automatisation et de la demande. L’OIT distingue explicitement exposition potentielle et pertes d’emplois effectives dans son étude de 2025.
Quelle est la différence entre GEO et B2A ?
Dans l’approche MYA, le GEO concerne la présence et la représentation d’une marque dans les réponses génératives. Le B2A concerne sa capacité à interagir avec les agents qui assistent ses clients. Être cité dans une réponse et permettre une action autorisée sont deux objectifs différents.
Faut-il créer une API pour être recommandé par une IA ?
Non. Une API est un moyen d’accès à des informations ou à des fonctions, pas une garantie de recommandation. Nous conseillons de partir du besoin : informations fiables, pages accessibles, données à jour, puis interface logicielle lorsqu’un usage concret la rend utile.
Comment mesurer la réussite d’une stratégie Global Search et B2A ?
MYA propose de suivre séparément la visibilité, les mentions, les recommandations et les résultats commerciaux. Pour les parcours agentiques, il faut ajouter la réussite des tâches, les erreurs et les interventions humaines. Les tests doivent préciser les requêtes, les outils et les dates afin de comparer des observations réellement comparables.
Sources et méthode : les résultats chiffrés sont rattachés aux publications originales dans les sections concernées. Les études mobilisées portent sur des populations, des périodes et des méthodes différentes ; leurs chiffres ne doivent pas être additionnés. Les perspectives temporelles, exemples et recommandations stratégiques sont une analyse MYA, distincte des résultats scientifiques présentés.
Partager la publication "IA et emploi : comment les LLM transforment le travail et la relation aux marques"
Nous utilisons des cookies pour vous garantir la meilleure expérience sur notre site. Si vous continuez à utiliser ce dernier, nous considérerons que vous acceptez l'utilisation des cookies.
