Le consultant à l’ère de l’IA : ce qui fera encore la différence

Le débat sur l’IA dans le conseil reste souvent coincé au mauvais endroit : combien d’heures gagnées, combien de slides produites, combien de tâches junior automatisées.

C’est une partie du sujet. Mais ce n’est pas le déplacement le plus intéressant.

Ce que l’IA met sous pression, c’est le profil même que le conseil a longtemps appris à reconnaître comme “bon” : rapide, articulé, adaptable, capable de structurer un problème flou et d’en faire un livrable clair sous contrainte.

Ce profil ne disparaît pas. Il reste utile. Mais une partie de ce qui le rendait rare devient plus facile à imiter.

Une machine peut déjà produire une analyse plausible, correctement formulée, bien structurée, parfois suffisante pour passer un premier niveau de lecture. Pas toujours. Pas sur tous les sujets. Pas sans erreurs. Mais suffisamment souvent pour déplacer la question.

Le conseil a longtemps vendu de la clarté.

L’IA produit désormais une forme de clarté standardisée, disponible à très grande échelle.

La conséquence n’est pas la disparition du métier. C’est une révision de sa hiérarchie de valeur.

La productivité est le signal le plus visible.

L’étude menée avec Boston Consulting Group par des chercheurs de Harvard, MIT, Wharton, Warwick et BCG reste un bon point d’entrée. Elle ne raconte pas seulement une histoire d’efficacité.

L’expérience porte sur 758 consultants ou knowledge workers du cabinet. Sur 18 tâches de conseil situées dans la zone de compétence de GPT-4, les participants utilisant l’IA complètent 12,2 % de tâches en plus et travaillent 25,1 % plus vite. Les auteurs observent aussi une amélioration de la qualité des réponses. Jusque-là, le résultat confirme l’intuition dominante : l’IA augmente le travailleur du savoir.

Le résultat le plus important est moins confortable. Sur une tâche volontairement placée en dehors de la frontière de capacité du modèle, les consultants utilisant l’IA produisent moins souvent la bonne réponse : 19 points de pourcentage de moins que le groupe sans IA.

Il ne faut pas tirer une loi générale d’une seule tâche hors frontière. Les auteurs signalent eux-mêmes cette limite. Mais le résultat décrit assez bien le risque nouveau du métier : une réponse peut être cohérente, persuasive, bien écrite, et malgré tout fausse.

Le consultant ne doit donc plus seulement savoir produire une réponse. Il doit savoir reconnaître le moment où une réponse bien produite ne mérite pas encore d’être utilisée.

Le livrable devient moins rare.

Les benchmarks d’agents donnent un signal encore incomplet, mais difficile à ignorer.

APEX-Agents, publié par Mercor, teste des agents IA sur des tâches longues de services professionnels, dont le management consulting. Les tâches sont construites par des experts du conseil, de la banque d’investissement, du droit corporate et d’autres métiers proches. Elles mobilisent des fichiers, des outils et des critères d’évaluation. Consulté le 26 avril 2026, le leaderboard public de Mercor affiche des scores supérieurs à 40 % en Pass@1 sur certaines configurations de management consulting.

Ce n’est pas un remplacement complet. Ce serait une mauvaise lecture du benchmark.

Mais le signal est suffisant pour montrer qu’une partie du travail devient mesurable, comparable et améliorable.

Tant que le livrable junior restait opaque, il pouvait être protégé par la marque, le temps passé, le pedigree et la complexité apparente. À partir du moment où certaines tâches peuvent être isolées, benchmarkées et partiellement automatisées, leur rareté se déplace.

Le livrable propre ne disparaît pas.

Il devient moins défendable comme cœur de valeur.

Le consultant bien calibré.

Le conseil a toujours eu besoin de jugement, de politique, de méthode et d’expérience terrain. Réduire le métier à une production de slides serait une caricature.

Mais il serait tout aussi caricatural d’ignorer que les cabinets ont longtemps privilégié un profil assez calibré. La sélection mesure la capacité à raisonner vite, à parler clairement, à se conformer aux codes, à supporter la pression, à produire dans un format attendu. Ces qualités ont leur utilité. Elles ont aussi servi de proxy.

Le problème des proxys est simple : ils restent utiles jusqu’au moment où l’environnement change.

Si l’IA rend plus abondante la première couche de recherche, de synthèse, d’argumentation et de mise en forme, le bon signal n’est plus seulement la capacité à produire du structuré. Il devient la capacité à résister intelligemment à ce qui paraît déjà structuré : une réponse trop fluide, un benchmark qui compare mal, une hypothèse élégante mais invérifiée, ou un consensus de réunion qui préfère avancer plutôt que rouvrir le raisonnement.

Le World Economic Forum estime que près de 40 % des compétences requises au travail devraient changer d’ici 2030. Le rapport cite aussi l’IA, le big data, la cybersécurité et la pensée analytique parmi les compétences appelées à prendre de l’importance. Ce type de données reste déclaratif, mais il va dans le même sens que les signaux observables dans les organisations : la valeur se déplace vers l’arbitrage, la supervision et la recomposition du travail.

Le consultant bien calibré reste employable.

Il n’est simplement plus un avantage suffisant.

Les signaux de recrutement commencent à bouger.

Il serait prématuré de dire que les cabinets de conseil ont refondu leur modèle de recrutement.

Le pedigree académique, les entretiens de cas, les réseaux d’écoles et la capacité à performer dans un format codifié restent puissants. On aurait tort de les enterrer trop vite.

Mais certains signaux faibles méritent attention.

Le Khan TED Institute, annoncé par ETS, Khan Academy et TED, n’est pas un substitut avéré aux universités d’élite. Le programme est encore en développement, et sa valeur réelle dépendra de la reconnaissance par les employeurs. Son design dit néanmoins quelque chose : coût visé inférieur à 10 000 dollars, progression fondée sur des compétences vérifiées plutôt que sur le temps de présence, participation d’acteurs comme Google, Microsoft, Accenture, Bain, McKinsey et Replit à la définition des signaux de compétence.

Ce n’est pas la fin du diplôme.

C’est un signe plus limité, mais plus solide : certains employeurs veulent peser plus directement sur la manière dont les compétences sont définies, observées et certifiées.

Le déplacement est lent, inégal, souvent plus visible dans les discours RH que dans les comités de promotion. Mais il existe.

Il oblige à poser une question inconfortable : les critères historiques du conseil détectent-ils encore les meilleurs profils pour travailler avec des systèmes IA, ou détectent-ils surtout ceux qui excellent dans les formes anciennes de la sélection ?

La neurodiversité comme révélateur.

La neurodiversité devient pertinente ici, mais pas comme slogan.

Pas non plus comme promesse selon laquelle les personnes neurodivergentes seraient “meilleures avec l’IA”. Ce serait faux dans beaucoup de cas, trop vague dans les autres, et probablement nuisible aux personnes concernées.

Le sujet est plus précis : la neurodiversité oblige à distinguer deux choses que les organisations confondent souvent, le niveau réel d’un individu et sa capacité à se conformer aux formats par lesquels ce niveau est évalué.

La littérature académique invite à beaucoup de prudence. Nancy Doyle rappelle que le concept de neurodiversité reste difficile à stabiliser, avec des définitions parfois conflictuelles, des réalités individuelles très différentes, et un besoin de penser l’ajustement entre la personne, le travail et l’environnement plutôt que d’attribuer mécaniquement des forces ou des faiblesses à une catégorie.

C’est précisément pour cela que le sujet est intéressant dans le conseil.

Un entretien classique mesure beaucoup de choses : raisonnement, vitesse, aisance sociale, clarté verbale, résistance au stress, familiarité avec les codes. Il ne mesure pas toujours la patience de vérification, la sensibilité aux incohérences, l’attention à certains détails, la capacité à suivre une logique jusqu’à ses conséquences, ou le refus d’accepter une réponse simplement parce qu’elle sonne juste.

Ces qualités ne sont ni exclusives aux personnes neurodivergentes, ni présentes chez toutes. Elles peuvent aussi devenir difficiles à exploiter si l’environnement de travail reste conçu pour une seule manière de communiquer, d’interagir ou d’être évalué.

Les données EY sont utiles à condition de ne pas leur faire dire plus qu’elles ne disent.

L’étude mondiale EY 2025 porte sur 1 603 professionnels neurodivergents et 508 professionnels neurotypiques dans 22 pays. Les données sont déclaratives, ce qui interdit d’en faire une preuve de performance individuelle. EY précise d’ailleurs qu’il ne faut pas généraliser les compétences à tous les neurotraits ou à toutes les personnes neurodivergentes.

Dans cet échantillon, 79 % des professionnels neurodivergents interrogés déclarent utiliser l’IA, et EY indique qu’ils sont 55 % plus susceptibles de le faire que les professionnels neurotypiques.

Le point n’est pas de transformer cette statistique en mythe.

Le point est de constater que des formes de cognition longtemps mal lues par les environnements corporate pourraient devenir plus visibles dans un monde où l’on demande moins seulement de produire, et davantage de vérifier, configurer, contredire, ajuster, auditer.

Les nouvelles portes d’entrée.

Certains acteurs expérimentent déjà d’autres portes d’entrée.

Microsoft présente son programme Neurodiversity comme une alternative front door vers l’entreprise, tout en affirmant conserver les mêmes standards d’évaluation. La nuance est importante : il ne s’agit pas d’abaisser l’exigence, mais de modifier les conditions dans lesquelles certains candidats peuvent démontrer leurs compétences.

SAP est un autre exemple utile parce que son programme précède largement la vague actuelle d’IA générative. L’entreprise indique avoir lancé son programme en 2013, avec plus de 240 collègues concernés dans 16 pays et plus de 125 entreprises inspirées par son approche.

Ces initiatives ne prouvent pas que le marché du conseil aurait basculé.

Elles montrent plutôt que plusieurs grandes organisations ont dû créer d’autres portes d’entrée pour accéder à des compétences que les processus standards pouvaient manquer.

Si le processus de sélection favorise surtout ceux qui savent se présenter dans le format attendu, il risque de sous-détecter des profils capables d’apporter autre chose : précision, pensée systémique, tolérance à la complexité, détection d’anomalies, mémoire opérationnelle, rapport moins conformiste au problème posé.

L’IA rend cette sous-détection plus coûteuse.

Le nouveau critère : la fiabilité du jugement.

La majorité des entreprises n’en est pas encore à l’IA opérable.

McKinsey indique que 88 % des répondants à son enquête 2025 déclarent une utilisation régulière de l’IA dans au moins une fonction, mais qu’environ un tiers seulement disent avoir commencé à scaler leurs programmes. Sur les agents IA, 23 % déclarent scaler au moins un système quelque part dans l’entreprise, et 39 % expérimenter. L’usage reste donc largement fragmenté.

Ce chiffre casse une illusion : le sujet n’est plus l’accès à l’IA. Cet accès se banalise. Le sujet devient la capacité à transformer des usages isolés en système de production fiable.

Notre biais, chez HLBRT, est différent de celui d’un cabinet installé. Nous ne cherchons pas à ajouter une couche d’IA à une pyramide humaine existante. Nous partons de l’hypothèse inverse : si les modèles continuent de progresser en raisonnement, en usage d’outils et en planification, une partie du conseil va être reconstruite directement comme infrastructure agentique.

Pas tout le métier.

Pas la relation de confiance avec un dirigeant.

Pas le jugement politique d’un partner dans une décision sensible.

Mais des blocs entiers de missions : analyse documentaire, benchmarks, cartographies concurrentielles, structuration d’hypothèses, vérification de claims, première version de livrable, préparation d’un board pack, mise à jour d’une analyse à partir de nouvelles données.

La différence est économique autant que technique. Dans un cabinet classique, l’expérience se capitalise surtout dans les personnes. Dans un système agentic-native, une partie peut se déposer dans l’infrastructure elle-même : sources déjà évaluées, hypothèses déjà testées, erreurs déjà détectées, raisonnements traçables, livrables reliés à leurs preuves.

C’est ici que l’exponentialité devient un sujet stratégique, à condition de ne pas en faire un slogan. Notre hypothèse est que la frontière de raisonnement des modèles se déplacera plus vite que les cycles de transformation des grandes organisations. Ce qui reste fragile aujourd’hui, comme le raisonnement multi-étapes, l’usage d’outils, la planification, la navigation dans des fichiers ou la vérification, pourrait devenir beaucoup plus robuste à mesure que les modèles de raisonnement, les architectures agentiques et les outils d’évaluation mûrissent.

Le risque, pour un cabinet classique, n’est pas de construire trop tôt. C’est de construire trop petit.

L’enjeu n’est pas de parier que l’IA va tout faire. Il est de construire l’infrastructure capable d’absorber chaque saut de capacité : workflows agentiques, mémoire d’engagement, observabilité, vérification systématique, droits d’action limités, livrables traçables.

Si cette boucle fonctionne, l’économie change. La mission N ne repart pas exactement de zéro. Elle peut réutiliser une partie du contexte, éviter certaines recherches redondantes, raccourcir certains cycles de correction et faire baisser le coût d’accès à un niveau donné de qualité.

Si cette hypothèse est juste, même partiellement, alors le profil du consultant change. La valeur ne se concentre plus seulement dans la capacité à produire l’analyse. Elle se déplace vers la capacité à définir ce qui peut être confié à un système, ce qui doit rester sous jugement humain, et ce qui doit être vérifié avant d’engager une décision.

C’est moins spectaculaire que l’image du consultant remplacé par l’IA.

Mais c’est probablement plus proche de la réalité à court terme.

L’IA ne supprime pas le conseil. Elle rend plus visible la différence entre le conseil qui produit et le conseil qui fiabilise.

Elle affaiblit une partie de la valeur du consultant conforme, rapide et présentable. Elle renforce celle du consultant capable de travailler avec une machine moyenne sans penser comme elle.

Le profil type ne disparaîtra pas.

Mais il pourrait perdre son monopole.

Sources :

1. Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality : https://pubsonline.informs.org/doi/10.1287/orsc.2025.21838
2. APEX-Agents: Management Consultant Agent Leaderboard : https://www.mercor.com/apex/apex-agents-leaderboard/management-consultant-agent/pass-1/loop_truncated_tools_agent/
3. The State of AI: Global Survey 2025 : https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
4. The Future of Jobs Report 2025 : https://www.weforum.org/publications/the-future-of-jobs-report-2025/
5. ETS, Khan Academy and TED Announce New Institute to Reimagine Higher Education for the AI Age : https://www.ets.org/newsroom/ets-khan-academy-ted-announce-new-institute-to-reimagine-higher-education-for-the-ai-age.html
6. Neurodiversity at work: a biopsychosocial model and the impact on working adults URL : https://academic.oup.com/bmb/article/135/1/108/5913187
7. How can action on neuroinclusion accelerate business transformation? https://www.ey.com/en_us/insights/consulting/how-can-action-on-neuroinclusion-accelerate-business-transformation
8. Microsoft Neurodiversity Hiring : https://www.microsoft.com/en-us/diversity/inside-microsoft/cross-disability/neurodiversityhiring
9. Neuroinclusion at SAP : https://www.sap.com/discover/autism-inclusion/index.html