Carnet de bord d’un métier qui pourrait ne plus se reconnaître dans cinq ans, tenu par quelqu’un qui a passé des décennies dans le conseil en stratégie avant de construire les outils qui le transforment. Je repense à ces moments décisifs avec des clients, je me demande ce qui se serait passé si la GenAI avait été là, et ce que cela change pour ceux qui sont encore dans la partie.
« Je crains que vous ne passiez pas au tour suivant. Vous avez montré beaucoup de belles qualités. Mais vous savez, la concurrence est rude... Et puis, vous savez, vous n’êtes pas très fort en calcul mental. »
J’ai raccroché. BCG venait de me recaler.
Des années de bagne, des heures indécentes à plancher sur les maths et la physique en classe prépa, dans l’un des établissements les plus cotés et les plus sélectifs du pays... pour échouer parce que j’avais bafouillé sur un ordre de grandeur pendant l’une des fameuses études de cas de BCG ?
Nous ne saurons jamais ce que ce détail a vraiment pesé. J’ai assez vécu depuis pour savoir que les raisons qu’on vous donne sont rarement les vraies. La vérité était peut-être plus proche de : « L’activité stagne, on réduit les recrutements de juniors » ou « L’associé qui menait l’entretien avait perdu une énorme proposition la veille. »
Peu importe.
Une carrière est faite de ces petits accidents, de ces grains de chance ou de malchance aux effets papillon sans fin. Vous ratez une multiplication, et votre vie prend une tout autre direction. Un autre métier, d’autres villes, d’autres amours.
Avec le recul, entrer chez BCG à ce moment-là aurait changé ma vie pendant des années. Je n’aurais sans doute pas rencontré ma première femme. Ou j’aurais divorcé plus tôt. Ou plus tard. Je n’aurais pas rencontré l’âme sœur. Vertigineux.
Mais repenser à cet épisode aujourd’hui, alors que la GenAI réécrit les règles du travail intellectuel, donne un autre genre de vertige.
Le détecteur de baratin que les consultants sont en train de perdre
Je revois Dominique Mars pendant les comités de pilotage chez Mars & Co. Il était souvent le plus âgé dans la salle. Et le plus rapide en calcul. Toujours.
Quand un membre de l’équipe avançait une taille de marché, Dominique avait déjà calculé l’économie unitaire qu’elle supposait avant que quiconque ait fini de lire la slide. Quand quelqu’un proposait un prix d’acquisition, il voyait immédiatement que le multiple impliquait une prime de 40 % sur les comparables, et donc des synergies que personne n’avait vérifiées.
Dans ces moments-là, le calcul mental sert de détecteur de baratin. Une alarme intégrée contre les chiffres faux, les hypothèses irréalistes, les scénarios qui ne tiennent pas debout.
Avec un peu de recul, le calcul mental aide aussi à comprendre le monde des affaires.
Souvenez-vous d’Instagram. Facebook l’a racheté en 2012 pour 1 milliard de dollars. À l’époque, Instagram comptait 13 salariés, Facebook n’était pas encore l’impressionnante machine qu’est devenue Meta, et beaucoup jugeaient la dépense de Zuckerberg déraisonnable. Mais Instagram comptait aussi 30 millions d’utilisateurs. Et Zuckerberg savait faire une division : 33 dollars par utilisateur. Il était convaincu qu’en faisant entrer Instagram dans l’écosystème Facebook, il éliminerait un futur concurrent et accélérerait la croissance du revenu par utilisateur (autour de 5 dollars à l’époque). Parce que l’application était pensée pour le mobile, très visuelle... Même en tenant compte d’une part de cannibalisation, le pari penchait du bon côté.
En 2025, le revenu moyen par utilisateur de Meta tourne autour de 50 dollars. La moitié du chiffre d’affaires américain vient d’Instagram.
Le calcul mental sauve aussi des vies.
En mars 2020, l’article de Tomas Pueyo, « Coronavirus: Why You Must Act Now », a fait le tour du monde parce qu’il reposait sur un calcul, pas sur des modèles compliqués. Si le nombre de cas double tous les six jours, la croissance est exponentielle. Partez de 100 cas. Attendez deux semaines. Deux semaines, c’est un peu plus de deux doublements. Deux doublements font passer de 100 à 400. Les jours en plus ajoutent encore une bonne part. Vous n’êtes plus à 400, vous approchez de cinq fois le chiffre de départ.
L’enjeu n’était pas la précision. C’était la compréhension. Attendre n’ajoute pas des cas, cela les multiplie. Quiconque savait suivre deux doublements de tête voyait immédiatement pourquoi il était dangereux d’attendre. Après avoir lu cet article, j’ai tout de suite appelé mes parents, âgés et fragiles, pour les convaincre de se mettre à l’abri. Une semaine avant l’annonce brutale du confinement, l’incrédulité et le déni dominaient les médias français. Je crois que cet appel leur a peut-être sauvé la vie.
Une expérience sans groupe témoin
Le calcul mental compte, donc. Il débusque les erreurs, éclaire les décisions stratégiques, sauve des vies en temps de crise. D’où une question dérangeante : que se passe-t-il quand on cesse de le pratiquer ? Car c’est bien la pente actuelle.
Lilli, l’assistant IA interne de McKinsey, traiterait désormais environ 70 % des recherches documentaires des 45 000 salariés du cabinet, avec un gain estimé à 30 % du temps passé à chercher. Chez BCG, Deckster produit des premières versions de slides. Tous les grands cabinets ont déployé des outils qui automatisent les tâches ingrates de l’analyse.
Pour les jeunes consultants, cela pose un problème précis : moins de répétitions, une intuition plus faible. L’alarme que Dominique Mars s’était construite en des décennies de calcul, ce réflexe qui signale instantanément qu’un chiffre ne tient pas, exige des milliers de répétitions pour se former. Ces répétitions sont désormais confiées aux machines. Un consultant qui n’a jamais estimé un marché à la main, jamais vérifié lui-même ses hypothèses, jamais rattrapé ses propres erreurs de calcul... sur quel repère intérieur peut-il s’appuyer quand l’IA lui sort un résultat ?
Mes conversations avec de nombreux associés de cabinets depuis un an dessinent une tendance : davantage d’erreurs de chiffres ou de logique chez les juniors assistés par l’IA, rattrapées par les seniors.
Que les cabinets poussent l’adoption ou qu’ils ferment simplement les yeux sur l’IA que leurs juniors utilisent en douce, ils mènent une expérience sans groupe témoin : le jugement peut-il se former sans les milliers de répétitions qui construisent les raccourcis mentaux ?
Trois façons d’échouer
D’après mon expérience du déploiement de la GenAI dans des cabinets de conseil, trois écueils méritent qu’on s’en inquiète :
La panne sous pression. Un associé pose une question en réunion. Le réflexe du consultant : sortir son ordinateur ou son téléphone et interroger une IA. Ça marche quand on a le temps, et loin des yeux du client. Ça ne marche plus quand le temps manque. Réfléchir sous pression, garder des chiffres en tête tout en répondant à des questions hostiles, reste une épreuve profondément humaine.
L’incapacité à expliquer. Un client demande : « D’où sort ce taux de croissance de 23 % ? » Le consultant qui a pris la réponse de l’IA pour argent comptant peut renvoyer aux hypothèses du modèle, mais il est incapable de refaire le raisonnement de tête. Or le client doit défendre ce chiffre devant son propre conseil d’administration, et « c’est l’IA qui l’a dit » ne résiste pas à l’examen. Dans la plupart des conseils d’administration, expliquer se résume encore à des additions et des multiplications que quelqu’un peut dérouler au tableau.
L’accumulation d’erreurs. Surtout avec des systèmes d’agents (pensez à un agent chargé d’éplucher la data room d’une due diligence), de petites erreurs commises par un sous-agent se propagent dans les calculs des suivants. Le consultant, qui n’a pas refait le calcul de son côté, n’a aucun repère pour s’en apercevoir. L’erreur court jusqu’au livrable remis au client.
Chacun de ces écueils abîme quelque chose de précis. L’accumulation d’erreurs ronge l’exactitude. La panne sous pression ruine la crédibilité dans les moments décisifs. L’incapacité à expliquer entame la confiance.
L’absence de doute
Ces trois écueils ont une racine commune : l’absence de doute.
Prenez une question devenue un mème dans le petit monde de l’IA en 2024 :
« Combien y a-t-il de “r” dans “strawberry” ? »
Les premières versions de GPT-4 répondaient souvent, à tort, « deux ».
La raison technique est bien connue, et le problème largement corrigé depuis. Pour les sceptiques, c’était la preuve que les LLM restent fondamentalement peu fiables. Pour les optimistes, un bug passager que l’ingénierie finirait par régler.
Les deux camps sont passés à côté.
Le test de la fraise ne dit pas si l’IA sait compter les lettres. Il dit si l’utilisateur vérifie la réponse.
Un consultant qui demande à ChatGPT combien il y a de « r » dans « strawberry », obtient « deux » et le répète sans vérifier a échoué à un test qui n’a rien à voir avec l’orthographe. Son échec, c’est l’absence de doute : l’idée qu’un système extérieur a raison par défaut.
Étendez cette idée à des milliers de consultants qui font chaque jour des milliers de calculs, et vous obtenez une profession incapable de repérer ses propres erreurs.
Le calcul mental a toujours servi à muscler le scepticisme. Le réflexe de vérifier. L’habitude de se demander : ce chiffre a-t-il du sens ?
Ce réflexe peut cohabiter avec l’IA. À condition de concevoir des systèmes, et des critères de recrutement, qui continuent à le récompenser.
Comment recruter le jugement à l’ère de l’IA
Retour dans la salle d’entretien de BCG.
Au-delà des qualités relationnelles (allons !) et de l’aisance à l’oral, les études de cas devaient à l’origine permettre d’évaluer :
- la capacité à construire un raisonnement logique (à la question « Combien y a-t-il de stations-service en France ? », on attend du candidat qu’il identifie les bons leviers, densité urbaine, taux d’équipement automobile par région, fréquence des pleins, et qu’il en tire un modèle simple et cohérent)
- la capacité à tenir face à un client sous pression (un directeur financier conteste votre hypothèse de marge en plein conseil d’administration. Vous avez trois secondes pour répondre. Pas question d’ouvrir votre ordinateur.)
Les modèles de raisonnement actuels ont déjà franchi la première barre : demandez à Claude de bâtir un modèle pour estimer le marché des stations-service en France, il produira un raisonnement plus propre que la plupart des candidats.
Mais ce ne sont pas les LLM qui répondront aux clients sous tension. Le second test, celui de la résistance à la pression, devient donc encore plus décisif.
La réponse évidente serait de repenser le recrutement des cabinets pour l’ère de la GenAI. Pas se contenter d’en parler : construire vraiment le dispositif (curieusement, personne ne le fait).
Imaginez une étude de cas où le candidat est assis devant un ordinateur, avec un accès complet à Claude, ChatGPT et tous les outils de son choix. Le cas est ambitieux : bâtir la stratégie d’entrée d’une marque d’électronique grand public en Asie du Sud-Est, à partir de données fournies sur la taille du marché, la concurrence et la réglementation.
Il a 60 minutes.
Au bout du temps imparti, il présente sa recommandation. Mais la grille d’évaluation n’est plus la même. Elle mesure :
Le réflexe IA. Le candidat s’est-il jeté tout de suite sur l’IA, ou a-t-il d’abord esquissé un plan à la main ?
La qualité du dialogue avec le LLM. A-t-il posé à l’IA des questions utiles, bien géré le contexte, utilisé des techniques de prompt intelligentes, ou s’en est-il servi comme d’un moteur de recherche un peu bête ?
L’esprit critique. Le candidat prend-il les réponses de l’IA pour argent comptant ? A-t-il vérifié, recoupé, croisé les sources ?
La synthèse sous pression. Quand l’examinateur conteste un chiffre, le candidat sait-il refaire le raisonnement sans relire son échange avec la machine ?
Ce dispositif teste autre chose que les études de cas traditionnelles : la capacité à garder son jugement tout en tirant parti de l’automatisation.
Les études de cas classiques mesuraient la puissance d’analyse brute. Celle-ci mesure :
- le réflexe du doute
- la vérification systématique
- la synthèse sous pression
- la conscience de ce que l’IA ne sait pas évaluer
Les cabinets qui adopteront ce dispositif, ou quelque chose d’approchant, enverront un message clair : nous recrutons pour l’ère de l’IA. Nous attendons de vous que vous utilisiez ces outils. Mais nous jugeons votre capacité à ne pas vous laisser piéger par eux.
Ce serait un formidable argument de recrutement : « Notre processus de sélection fait une large place à l’IA, parce que c’est comme ça que vous travaillerez chez nous. Nous vérifions que vous restez plus malin que vos outils. »
L’alternative, c’est de continuer à tester le calcul mental tout en déployant des agents qui suppriment 60 % du travail des juniors. Ce n’est pas une stratégie. C’est de la nostalgie déguisée en exigence.
Le choix que les cabinets évitent
Il y a vingt-cinq ans, BCG testait le calcul mental et m’a recalé. Aujourd’hui, je me demande s’ils testaient la bonne chose.
Multiplier vite n’est pas le sujet. Le sujet, c’est le réflexe qui naît après l’avoir fait dix mille fois : l’alarme intérieure qui se déclenche quand les chiffres ne tiennent pas debout.
Les cabinets de conseil sont face à un choix inconfortable :
Option 1 : préserver les répétitions. Exiger des juniors qu’ils vérifient à la main ce que produit l’IA. Prévoir une vérification humaine à chaque étape. Accepter d’y perdre en productivité (et en image).
Option 2 : inventer un autre terrain d’entraînement. Si l’IA supprime les répétitions de calcul, comment forger autrement le jugement qu’elles construisaient ? Quelle nouvelle pratique, répétitive et à fort enjeu, peut muscler le même scepticisme ?
Option 3 : accepter le compromis. Reconnaître que les consultants nés avec l’IA auront un jugement différent : analyse plus rapide, sens des analogies plus large, mais intuition des chiffres plus faible. Compenser par la composition des équipes, en associant des généralistes dopés à l’IA et des spécialistes qui gardent les réflexes de vérification traditionnels.
La plupart des cabinets choisissent l’option 4 : faire comme si la question ne se posait pas. Déployer les outils d’IA à marche forcée, garder les critères de recrutement d’hier, et espérer que la tension se résorbe d’elle-même.
Elle ne se résorbera pas.
Le test de la fraise ne porte pas sur le décompte des lettres. Il porte sur la vérification. L’échec, c’est l’absence de doute.
Cette conviction qu’un système extérieur a raison par défaut, étendue à des milliers de consultants qui font chaque jour des milliers de calculs, produit une profession incapable de repérer ses propres erreurs.
Le calcul mental n’a jamais été une fin. C’était un moyen. La question n’est pas de savoir si nous avons besoin de consultants qui calculent vite. La question est : que cherchons-nous désormais chez les candidats ? Et sommes-nous en train de former le jugement que nous prétendons valoriser, ou simplement de recruter des gens doués pour parler à l’IA ?
Le conseil a deux ou trois ans devant lui avant que la première promotion d’analystes nés avec l’IA, ceux qui n’ont jamais estimé un marché ni vérifié une hypothèse à la main, n’atteigne le grade de Principal.
D’ici là, nous saurons si un jugement sans répétitions est possible. Ou si nous avons lancé une expérience impossible à défaire.
Vingt-cinq ans après ce refus de BCG, je calcule toujours le pourboire plus vite que tout le monde à table. Pas parce que cela fait de moi un meilleur stratège. Mais parce que ces dix mille répétitions ont construit quelque chose que je ne peux pas désapprendre : le réflexe de vérifier que les chiffres ont du sens. Les cabinets parient qu’on peut forger ce réflexe sans les répétitions. J’espère qu’ils ont raison.