Qantas licencie 100 employés : ce que l'IA n'a pas prévu

L'IA devait tout simplifier. Elle a surtout créé un chaos que personne n'avait cartographié.

Qantas, la compagnie aérienne australienne symbole de fiabilité depuis un siècle, traverse une crise silencieuse qui mérite qu'on s'y attarde. Après avoir automatisé des pans entiers de ses opérations et externalisé massivement durant la pandémie, la compagnie fait face à un paradoxe douloureux : elle a trop coupé, trop vite, dans les mauvais endroits. Et aujourd'hui, les goulots d'étranglement organisationnels qui en résultent coûtent bien plus cher que les économies réalisées.

Ce cas n'est pas anecdotique. Il est le miroir de ce que des centaines d'entreprises vivent en ce moment, souvent en silence.

Ce qui s'est passé chez Qantas : les faits bruts

Entre 2020 et 2022, Qantas a licencié plus de 8 500 employés, soit près de 30 % de ses effectifs. Une partie de ces suppressions de postes concernait des fonctions jugées automatisables : gestion des bagages, traitement des réclamations, support client, planification des rotations d'équipages. L'objectif affiché était clair : réduire les coûts structurels en s'appuyant sur des outils numériques et des prestataires externes.

Le problème ? Les outils déployés — des systèmes de machine learning pour optimiser les plannings, des chatbots pour gérer le service client, des algorithmes de tarification dynamique — ont été intégrés sans que les équipes restantes soient formées pour les superviser, les corriger ou les contester. Résultat : des décisions automatisées erronées qui s'enchaînent, sans qu'aucun humain ne soit positionné pour appuyer sur le frein.

L'automatisation sans garde-fous : un angle mort stratégique

Le vrai problème n'est pas l'IA en elle-même. C'est l'illusion qu'une fois un système automatisé mis en place, les humains deviennent superflus à tous les niveaux. Cette croyance génère ce que les spécialistes appellent un goulot d'étranglement organisationnel : un point de friction où les décisions s'accumulent, où personne n'a l'autorité, les compétences ou simplement le temps de trancher.

Chez Qantas, cela s'est traduit concrètement par :

• Des annulations de vols mal gérées, avec des replanifications automatiques incohérentes que les agents au sol ne pouvaient pas corriger faute d'accès aux systèmes
• Un service client externalisé incapable de déroger aux scripts imposés par les outils, même face à des situations d'urgence évidente
• Des pilotes et personnels navigants confrontés à des plannings générés algorithmiquement, violant parfois les règles de repos réglementaires, sans qu'aucune fonction de contrôle humain ne soit clairement désignée

La compagnie a depuis été condamnée par les autorités australiennes et a versé des millions en compensations. Le PDG Alan Joyce a quitté ses fonctions prématurément. L'image de marque, construite en un siècle, a pris un coup sévère.

Un phénomène qui dépasse largement le secteur aérien

Ce que Qantas a vécu, c'est ce que les analystes de McKinsey ou du MIT appellent désormais le "automation debt" — la dette cachée que l'on contracte lorsqu'on automatise sans investir parallèlement dans la gouvernance humaine des systèmes.

Dans les banques, les hôpitaux, les logisticiens e-commerce : le schéma se répète. On supprime des postes opérationnels. On déploie un outil. Et six mois plus tard, on réalise qu'il manque exactement les profils qu'on vient de licencier — mais avec des compétences supplémentaires pour interagir avec la machine.

Ce n'est pas un argument contre l'automatisation. C'est un argument pour une transition architecturée. La différence entre les entreprises qui réussissent leur virage IA et celles qui s'y brûlent tient souvent à une seule question : Qui surveille le système quand il se trompe ?

Les 3 leçons que chaque organisation devrait tirer de ce cas

1. Automatiser une tâche ≠ supprimer le poste

Un outil peut gérer 80 % des cas standards. Les 20 % restants — les exceptions, les urgences, les situations hors norme — exigent un jugement humain. Si personne n'est en charge de ces 20 %, c'est toute l'opération qui dysfonctionne.

2. La formation est un investissement, pas un coût optionnel

Déployer un système de machine learning sans former les équipes à en comprendre les limites, c'est installer un pilote automatique sans apprendre aux pilotes à reprendre les commandes. La métaphore n'est pas anodine dans le cas de Qantas.

3. La gouvernance de l'IA doit être pensée avant le déploiement

Qui valide les décisions critiques ? Qui a le pouvoir de suspendre un algorithme en temps réel ? Ces questions doivent avoir une réponse avant que le système soit en production, pas après le premier incident majeur.

Conclusion : l'IA n'est pas le problème. L'improvisation l'est.

Qantas n'a pas échoué parce qu'elle a fait confiance à l'IA. Elle a échoué parce qu'elle a confondu automatisation et désengagement managérial. L'IA est un levier puissant — mais un levier sans main pour le tenir ne fait qu'accélérer la chute.

La vraie compétence organisationnelle du prochain cycle économique ne sera pas de savoir utiliser l'IA. Ce sera de savoir concevoir les systèmes humains autour d'elle — avec la même rigueur qu'on met à concevoir les algorithmes eux-mêmes.

Les entreprises qui l'auront compris dans 3 ans auront un avantage structurel difficile à rattraper. Les autres auront simplement un beau cas d'école à étudier.

— Reservoir Live