La pyramide ESN sous pression : que faire des juniors, des seniors et du management intermédiaire ?

L'IA réduit le besoin de certaines tâches qui servaient à la fois à produire pour le client et à former les consultants. C'est là que se situe la vraie tension. Si les cabinets adaptent leur pyramide uniquement à la productivité immédiate, ils peuvent améliorer leur marge à court terme tout en fragilisant leur capacité à fabriquer les seniors de demain. Le sujet n'est donc pas seulement de réduire ou de conserver les juniors : il faut dissocier désormais l'économie du delivery de l'économie de l'apprentissage.

En bref

• •La baisse du recrutement junior est déjà visible dans les ESN françaises, mais les données disponibles ne permettent pas de l'attribuer principalement à l'IA. Au premier semestre 2026, 33 % des ESN interrogées par Numeum-Xerfi déclaraient avoir réduit leurs recrutements de jeunes diplômés ; Numeum précise dans le même temps que l'effet direct de l'IA sur les volumes d'emploi reste limité à ce stade.
• •La pression est néanmoins structurelle : lorsque recherche, synthèse, code standard, tests, documentation ou premières analyses deviennent plus rapides, le besoin économique de travail junior n'évolue plus au même rythme que le besoin de former de futurs experts.
• •Supprimer la base de la pyramide serait pourtant une conclusion trop rapide. Une expérimentation menée avec 758 consultants de BCG montre que, pour les tâches situées dans le champ de compétence de GPT-4, les consultants équipés d'IA ont travaillé plus vite et mieux ; les profils initialement moins performants ont même bénéficié d'un gain relatif supérieur. En revanche, sur une tâche située hors de cette « frontière », l'IA a dégradé la justesse des réponses.
• •La pyramide ne doit pas simplement devenir plus petite ou plus senior. Elle doit devenir une architecture d'apprentissage explicite. Le management intermédiaire y joue un rôle moins centré sur la coordination et davantage sur la review, le jugement, le contexte client et la transmission.

La pression sur la pyramide est réelle. Son origine est plus complexe que « l'IA remplace les juniors »

Le modèle pyramidal classique des entreprises de services possède une logique économique bien connue : beaucoup de collaborateurs relativement juniors produisent une partie importante du travail ; des managers structurent, coordonnent et contrôlent ; des profils seniors apportent expertise, relation client, arbitrage et responsabilité.

L'IA fragilise cette mécanique là où la base de la pyramide était principalement mobilisée pour de la production standardisable : la collecte, la synthèse, les analyses préparatoires et la préparation de supports figurent parmi les activités les plus directement exposées. L'image d'un modèle historiquement très pyramidal dont une partie de la base productive pourrait se contracter reste toutefois une thèse prospective, pas une mesure démontrant que toutes les pyramides de conseil seraient déjà en train de se transformer de la même manière.

Du côté des ESN françaises, les données 2026 apportent un signal plus tangible. L'Observatoire Numeum-Xerfi, construit à partir d'une enquête auprès de 296 acteurs du numérique, dont 151 ESN, et de 116 DSI, indique que 33 % des ESN ont diminué leurs recrutements de jeunes diplômés au premier semestre 2026. Mais le même document replace cette baisse dans un contexte de ralentissement, de pression sur les marges et de sélectivité accrue du marché. Numeum écrit explicitement qu'à ce stade l'effet direct de l'IA sur les effectifs reste limité et que l'IA transforme d'abord les métiers, les compétences et l'organisation du travail.

Cette nuance est essentielle.

Écrire que « l'IA fait déjà disparaître les juniors des ESN » serait transformer une concomitance en causalité. Les recrutements évoluent également sous l'effet de la conjoncture, de la pression tarifaire, de la baisse de certains volumes de mission et de la recherche de profils plus immédiatement opérationnels.

En revanche, un autre mécanisme peut être défendu plus solidement : l'IA rend économiquement moins indispensable une partie du travail qui constituait historiquement la porte d'entrée dans le métier.

C'est un problème différent, et potentiellement plus profond.

La tâche junior avait deux fonctions : produire aujourd'hui et former pour demain

Prenons une première analyse de marché, un test simple, une recherche documentaire, un compte rendu, une première version de présentation ou une correction applicative standard.

Pour le cabinet, cette tâche produisait un résultat facturable.

Pour le junior, elle produisait autre chose : de l'expérience.

En préparant une analyse imparfaite puis en la faisant corriger, il apprenait ce qui comptait. En écoutant un manager reprendre une slide, il découvrait implicitement les standards du cabinet. En faisant une recherche puis en défendant ses conclusions, il construisait peu à peu ses réflexes. En traitant des cas simples avant des cas complexes, il accumulait les représentations nécessaires pour reconnaître plus tard une anomalie.

Production et apprentissage étaient en partie financés par la même activité.

L'IA commence à dissocier ces deux fonctions.

Une première version peut désormais être disponible avant même que le junior ait construit son raisonnement. Avec des outils agentiques capables de générer une première production cohérente « d'un bloc », le sens critique ne s'exerce plus nécessairement tout au long de la construction du livrable ; il doit être mobilisé au moment de la vérification et de l'itération — avec un risque documenté : les consultants expérimentés repèrent certaines erreurs que des profils plus jeunes ne savent pas encore identifier.

C'est ici que se joue la recomposition de la pyramide.

Si une entreprise continue de considérer l'apprentissage comme un simple sous-produit du delivery, elle risque de réduire précisément les tâches qui le finançaient sans reconstruire ce qui permettait d'apprendre.

Le problème n'est alors pas seulement « que faire des juniors ? ».

Il devient : comment fabrique-t-on un senior lorsque les tâches qui fabriquaient progressivement son expérience sont automatisées, accélérées ou déléguées à des agents ?

Mais l'idée que l'IA rendrait les juniors inutiles résiste mal aux contre-exemples

La thèse d'une base de pyramide condamnée paraît intuitive : si l'IA réalise davantage de tâches simples, il faudrait moins de débutants et davantage d'experts capables de contrôler les machines.

Les données invitent pourtant à être beaucoup plus prudent.

L'expérience menée avec BCG sur 758 consultants montre d'abord que, pour 18 tâches réalistes situées dans le champ de compétence de GPT-4, les participants utilisant l'IA ont réalisé 12,2 % de tâches supplémentaires et travaillé 25,1 % plus rapidement, avec une amélioration de la qualité mesurée. Mais une autre tâche, volontairement conçue hors de cette frontière de compétence, conduit au résultat inverse : les utilisateurs de l'IA étaient moins susceptibles d'arriver à la bonne conclusion.

Plus intéressant encore pour la question de la pyramide : les consultants dont la performance initiale se situait sous la médiane ont bénéficié, dans la partie favorable à l'IA, d'un gain relatif supérieur à celui des collaborateurs initialement les plus performants. Cela ne signifie surtout pas que « junior » équivaut à « moins performant » : l'étude ne permet pas ce raccourci. Elle montre en revanche que l'IA peut réduire certains écarts de performance au lieu de renforcer systématiquement les meilleurs.

Un panel de trente entreprises apporte un autre type de contrepoint. Sélectionnées pour leurs signaux organisationnels, elles ne constituent pas un échantillon représentatif. Malgré cette limite, on y trouve des entreprises qui automatisent fortement certaines activités sans conclure qu'il faut cesser de construire la relève. Chez bsport, par exemple, le choix rapporté est de continuer à recruter des juniors tout en faisant évoluer le tech lead vers un rôle d'orchestrateur. Chez Alan, le programme « Everyone Can Build » impose aux non-ingénieurs contribuant au code un engineering buddy, et la décision de merger reste du côté engineering : l'augmentation de l'autonomie s'accompagne donc d'une architecture explicite de review. Ces éléments sont des témoignages et cas particuliers, pas la preuve d'une tendance générale.

Ces contre-exemples conduisent à une lecture différente.

L'IA ne rend pas nécessairement le junior moins utile. Elle peut le rendre plus vite productif.

Mais être productif plus tôt ne signifie pas apprendre plus vite tout ce qui fera un bon senior.

Le vrai risque : une dette de séniorité

Les entreprises savent mesurer assez facilement un coût de recrutement ou un taux d'occupation. Elles savent beaucoup moins mesurer la valeur future d'une promotion qui n'aura lieu que dans quatre ou six ans.

C'est ce qui rend l'arbitrage dangereux.

À court terme, une équipe composée de moins de juniors, davantage de profils confirmés et de puissants outils d'IA peut sembler rationnelle. Gartner prévoit d'ailleurs que le rôle des ingénieurs se déplacera progressivement de l'implémentation vers l'orchestration, la résolution de problèmes et la conception système ; l'organisme estime également que 80 % des effectifs d'ingénierie devront monter en compétences d'ici 2027. Ces chiffres sont des prévisions d'analyste, pas des résultats déjà observés.

Le problème apparaît quelques années plus tard.

Si plusieurs promotions de juniors sont réduites, qui devient manager ? Qui connaît suffisamment le métier pour challenger un agent ? Qui sait distinguer une réponse simplement plausible d'une analyse défendable devant un client ? Qui possède les souvenirs de projets, d'incidents et d'échecs nécessaires au jugement ?

Un signal externe mérite ici attention, sans être transposé directement aux ESN françaises. Aux États-Unis, les travaux du Stanford Digital Economy Lab observent en 2026 un écart croissant d'emploi pour les 22-25 ans dans les professions les plus exposées à l'IA : leur emploi se situe environ 19 % sous la trajectoire qu'il aurait suivie s'il avait évolué comme celui des jeunes dans les métiers moins exposés. Les auteurs insistent eux-mêmes sur la limite centrale : il s'agit d'un résultat descriptif, pas d'une estimation permettant d'attribuer causalement tout cet écart à l'IA.

Le signal intéressant n'est donc pas « l'IA détruit l'emploi junior ».

C'est la possibilité d'un phénomène plus discret : une entreprise peut réduire aujourd'hui ses coûts d'entrée de carrière et découvrir demain qu'elle a sous-investi dans son stock d'expérience.

Nous pouvons appeler cela une dette de séniorité : la différence entre les compétences expérimentées dont l'entreprise aura besoin demain et celles que ses parcours actuels sont effectivement en train de fabriquer.

Cette dette n'apparaît pas dans le P&L du trimestre.

Elle finit pourtant par se matérialiser dans le prix du recrutement externe, la surcharge des experts, le temps de review, la fragilité des successions ou la difficulté à staffer des missions complexes.

Le senior ne disparaît pas : il risque de devenir le nouveau goulot

Si davantage de production est générée plus vite, quelqu'un doit encore décider ce qui mérite d'être conservé.

Ce déplacement s'observe dans plusieurs organisations : le travail se déplace vers la supervision, la review et le traitement des exceptions ; dans certains cas engineering, le goulot n'est plus la production elle-même mais la qualité des spécifications, des évaluations et de la review — un phénomène en confiance forte pour le premier point, seulement moyenne pour le second, et concentré dans des organisations à forte culture d'ingénierie.

Une tension proche existe pour les cabinets de conseil : plus l'IA accélère l'analyse, plus la responsabilité se concentre sur celui qui signe.

Appliqué à la pyramide, cela signifie que supprimer du travail junior ne supprime pas nécessairement le travail.

Une partie remonte.

Le senior doit vérifier davantage d'outputs, contextualiser les résultats, expliciter les exceptions, arbitrer ce que l'agent ne sait pas décider et assumer le résultat devant le client. Si la capacité de production augmente beaucoup plus vite que la capacité de review, le senior devient une ressource critique dont le temps doit être géré comme une capacité industrielle.

C'est un changement important pour les partners.

Le sujet de staffing ne devrait plus seulement être : « combien de jours seniors avons-nous vendus ? » Il devient aussi : « combien de capacité de jugement et de review avons-nous réellement disponible ? »

Le management intermédiaire est sous pression, mais pas nécessairement parce qu'il devient inutile

Après les juniors, la tentation suivante consiste à regarder les managers.

Une partie de leur activité traditionnelle est incontestablement exposée : consolidation de reporting, préparation de réunions, première lecture de documents, suivi de tâches, compte rendu, allocation simple ou production d'un premier niveau de synthèse.

Quelques cas montrent également des frontières qui bougent : des managers redevenant davantage contributeurs individuels, ou un tech lead devenant un orchestrateur distribuant du travail entre humains et agents. Mais il s'agit de choix organisationnels documentés dans quelques entreprises, pas d'une preuve que le management intermédiaire disparaît.

Une lecture uniquement fondée sur la productivité conduirait pourtant facilement à cette conclusion : moins de production humaine, équipes plus petites, donc moins de managers.

Elle oublie une autre fonction du management.

Un manager ne sert pas seulement à coordonner la production. Il transforme progressivement des personnes capables d'exécuter en personnes capables de juger.

À mesure que l'IA prend en charge davantage de production standard, cette fonction devient plus visible.

Le middle management peut perdre une partie de son rôle de coordination tout en devenant plus important comme infrastructure de qualité et d'apprentissage.

Le supprimer avant d'avoir reconstruit ces fonctions reviendrait à automatiser la production et à désindustrialiser la transmission.

Il faut désormais distinguer le « span of delivery » du « span of learning »

L'IA peut permettre à un manager de superviser davantage de production.

Un responsable peut suivre plusieurs agents, automatiser une partie de son reporting, obtenir rapidement des premières analyses et détecter plus facilement certains écarts. Son span of delivery, la quantité de flux de travail qu'il peut orchestrer, peut donc augmenter.

Mais rien ne dit que son span of learning puisse progresser au même rythme.

Apprendre à un junior pourquoi une analyse est mauvaise, l'emmener dans une réunion client, reprendre avec lui une hypothèse, débriefer un incident ou l'aider à comprendre un non-dit demande du temps humain.

Cette distinction reste une proposition de lecture, pas une métrique issue des études disponibles.

Elle permet néanmoins de mettre en évidence une erreur de design possible : considérer qu'un manager capable de superviser deux fois plus de production peut automatiquement faire progresser deux fois plus de personnes.

Dans une organisation très augmentée, la capacité rare pourrait ne plus être la capacité à produire.

Elle pourrait être la capacité à faire apprendre correctement.

Le bench change alors de nature

Dans beaucoup d'entreprises de services, le bench est d'abord regardé comme un écart à réduire : un collaborateur non facturé représente une capacité disponible mais aussi un coût immédiat.

À mesure que l'IA accroît la pression sur les taux d'occupation et sur la taille des équipes, il serait tentant de chercher à éliminer encore davantage cette capacité non facturée.

Il est préférable de distinguer bench subi et capacité d'apprentissage protégée.

Le premier reste évidemment à réduire : personne n'a intérêt à financer durablement des collaborateurs sans mission, sans progression ni production utile.

La seconde devient stratégique.

Le bench peut devenir l'endroit où l'entreprise recrée délibérément les expériences que le delivery ne fournit plus spontanément : simulations de missions, analyse contradictoire d'outputs IA, construction de jeux d'évaluation, participation à des post-mortems, production encadrée d'actifs réutilisables, exploration d'une nouvelle technologie ou immersion sur un secteur.

Cette transformation n'est pas encore un modèle sectoriel démontré. C'est une recommandation cohérente avec le déplacement vers les actifs réutilisables, l'apprentissage continu et les rôles de supervision observés par ailleurs.

Elle change surtout le vocabulaire de la décision.

Une heure non facturée n'est pas automatiquement une heure perdue.

La bonne question est : quelle capacité future cette heure produit-elle ?

Production et apprentissage doivent devenir deux systèmes explicitement pilotés

Le modèle historique permettait de les confondre. Le nouveau modèle ne le permet plus.

Cela conduit à regarder différemment les trois étages de la pyramide.

Juniors : recruter moins mécaniquement, mais former beaucoup plus intentionnellement

Le volume nécessaire peut diminuer dans certains métiers et certains types de missions. Il serait artificiel de préserver un nombre de juniors uniquement pour maintenir une ancienne forme de pyramide.

Mais les entrants conservés doivent bénéficier d'un parcours beaucoup plus explicite : produire avec l'IA, produire parfois sans elle pour comprendre le raisonnement, vérifier ses résultats, confronter plusieurs approches, expliquer leurs choix, participer tôt aux interactions client et être exposés aux exceptions et aux incidents.

L'apprentissage ne doit plus être mesuré par le nombre de slides réalisées ou de tickets fermés, mais par l'augmentation du niveau de décision qu'une personne est capable d'assumer.

Seniors : protéger leur capacité de transmission autant que leur capacité de production

Une entreprise qui maximise l'utilisation commerciale de ses meilleurs experts peut simultanément rendre impossible la formation de leur relève.

Les systèmes de staffing et de performance devraient donc faire apparaître le temps consacré à la review, au coaching et à la transmission, au lieu de le traiter comme une friction invisible entre deux missions facturées.

Managers : les évaluer sur la qualité du système qu'ils font progresser

Un bon manager augmenté n'est pas celui qui produit seul l'équivalent de trois personnes grâce à l'IA.

C'est celui qui augmente le niveau d'autonomie fiable de son équipe : meilleure qualité de décision, moins de rework, capacité à détecter les erreurs, meilleure compréhension du client et progression mesurable des personnes.

Cette évolution rejoint un enseignement plus large : les organisations observées ne convergent pas vers un modèle unique. Certaines distribuent l'IA, d'autres concentrent l'expertise, certaines resserrent les équipes, d'autres conservent leur organisation. Les modèles identifiés restent des grilles de lecture, non une organisation cible universelle.

La nouvelle équation du partner : combien de compétences faut-il fabriquer ?

À l'échelle d'un cabinet ou d'une BU, la question de la pyramide ne devrait donc plus être formulée ainsi :

« Avec l'IA, combien de juniors pouvons-nous enlever ? »

Elle devrait commencer par l'autre extrémité :

« Dans trois à cinq ans, combien de consultants expérimentés, managers, experts et futurs partners aurons-nous besoin de disposer, et comment seront-ils devenus capables d'assumer ces rôles ? »

Ensuite seulement vient la question de la base nécessaire pour produire ce stock de compétences.

Cette inversion est importante.

La pyramide historique était largement calibrée par le besoin de production actuel.

La pyramide future devra davantage être calibrée par le besoin de compétences futur.

Cela peut conduire à une base plus petite sur certains métiers.

Cela peut aussi conduire à maintenir volontairement un flux d'entrée supérieur au besoin de production immédiat, précisément parce qu'une entreprise qui ne forme plus dépendra demain du marché pour acheter les experts que ses concurrents auront pris le risque de fabriquer.

Ce que les données ne permettent toujours pas d'affirmer

• •Nous ne pouvons pas affirmer que l'IA est la cause principale du recul actuel du recrutement junior dans les ESN. Numeum décrit un marché simultanément affecté par la prudence des clients, la pression tarifaire et la recherche de rentabilité.
• •Nous ne pouvons pas affirmer que les profils juniors deviennent moins performants avec l'IA. Les expérimentations disponibles montrent au contraire de forts gains sur certaines tâches, parfois particulièrement élevés pour les collaborateurs initialement moins performants, mais aussi un risque de dégradation du jugement lorsque les utilisateurs font confiance à l'IA hors de son domaine de fiabilité.
• •Nous ne pouvons pas affirmer que le management intermédiaire est condamné. Quelques cas documentent une réduction ou une transformation de certaines fonctions managériales ; ils ne suffisent pas à établir une tendance générale.
• •Les organisations AI-native ne fournissent pas un modèle directement transposable aux ESN et cabinets historiques. Leurs structures de coût, leurs talents, leur culture et leur modèle économique sont différents.

Auto-diagnostic : votre pyramide produit-elle encore ses futurs seniors ?

• •Avons-nous identifié les tâches juniors que l'IA est déjà en train d'absorber ou d'accélérer ?
• •Savons-nous lesquelles de ces tâches avaient aussi une fonction d'apprentissage ?
• •Avons-nous remplacé cette expérience par un autre dispositif, plutôt que simplement supprimé la tâche ?
• •Notre plan de recrutement junior est-il construit à partir du seul besoin de staffing à 12 mois, ou aussi à partir de nos besoins de compétences à trois à cinq ans ?
• •Les juniors sont-ils exposés suffisamment tôt au contexte client, aux arbitrages, aux incidents et aux exceptions ?
• •Nos managers disposent-ils réellement de temps pour la review et le coaching, ou cette activité est-elle réalisée « entre deux sujets » ?
• •Mesurons-nous la progression de l'autonomie et du jugement, et pas seulement la productivité individuelle ?
• •Avons-nous identifié les expertises seniors qui constituent déjà un goulot de review ?
• •Le bench produit-il des compétences et des actifs identifiables, ou reste-t-il seulement une capacité en attente de facturation ?
• •Nos critères de promotion ont-ils évolué pour valoriser la capacité à orchestrer, vérifier, expliquer et transmettre dans un environnement humain + IA ?
• •Savons-nous combien de futurs managers et experts nous devons fabriquer chaque année pour maintenir notre capacité à moyen terme ?
• •Avant toute réduction d'un niveau de la pyramide, savons-nous explicitement quelle fonction de production et quelle fonction d'apprentissage ce niveau remplissait ?

Si plusieurs réponses sont négatives, le problème n'est peut-être pas encore la taille de votre pyramide. C'est le fait qu'elle continue d'être pilotée comme un modèle de staffing alors qu'elle doit aussi devenir un système de fabrication des compétences.

La conviction

L'IA ne met pas seulement la pyramide sous pression. Elle casse le mécanisme qui permettait à la production de financer implicitement l'apprentissage.

C'est pourquoi le choix stratégique ne se résume ni à préserver l'ancienne pyramide ni à la remplacer par une organisation brutalement seniorisée.

Le risque de la première option est de conserver des niveaux de staffing que les clients accepteront de moins en moins de payer.

Le risque de la seconde est plus lent : gagner en productivité aujourd'hui et découvrir quelques années plus tard que l'entreprise ne sait plus produire ses propres experts.

La réponse consiste à gérer séparément deux capacités : la capacité à délivrer, que l'IA peut fortement augmenter, et la capacité à apprendre et à transmettre, qui reste beaucoup plus dépendante du temps, de l'exposition au réel et de l'attention humaine.

La bonne pyramide ne sera donc probablement pas une forme unique.

Elle sera celle qui permet à chaque métier de répondre à une question simple : qui saura prendre les décisions difficiles lorsque ceux qui les prennent aujourd'hui auront quitté l'organisation ?