Et si on ne posait pas la bonne question quand on s’inquiète de l’impact des intelligences artificielles sur l’emploi ? Au-delà des emplois potentiellement détruits ou créés, que restera-t-il, et que doit-il rester, à l’humain ? Loin de remplacer tous les cols blancs, les IA vont modifier le rôle dévolu à chacun, ce qui devrait mobiliser l’enseignement pour apprendre aux plus jeunes à devenir des opérateurs d’abondance.

Le 10 mars 2026, le PDG de Nvidia Jensen Huang publiait un essai déclarant que l’IA crée plus d’emplois qu’elle n’en détruit. Quelques jours plus tôt, les économistes d’Anthropic publiaient des données empiriques racontant une histoire bien plus nuancée. Entre ces deux lectures, une question demeure entière : dans un monde où la machine produit instantanément, abondamment, et souvent convenablement, qu’est-ce que l’humain doit impérativement conserver comme capacité propre ?

Il y a quelque chose de troublant dans le débat actuel sur l’intelligence artificielle et le travail. Ce n’est pas qu’il soit faux, c’est qu’il pose systématiquement la mauvaise question. On se demande si l’IA va détruire des emplois, si les cols blancs sont les nouvelles victimes du progrès technique, s’ils vont connaître à leur tour « une sorte de désindustrialisation ». Ce débat est légitime.

Mais il écarte une interrogation autrement plus profonde qui consiste à s’interroger sur ce que doit conserver l’humain comme capacité propre dans un monde où la machine produit instantanément, abondamment, et souvent convenablement ? Pour répondre à cette question, le concept d’opérateur de l’abondance apporte un éclairage à maints égards pertinent.

À lire aussi : L'IA générative ne détruira pas votre emploi mais elle va changer profondément votre métier

L’abondance n’est pas la valeur

Jensen Huang utilise une formule a priori séduisante selon laquelle l’IA génère des réponses en temps réel, contextualisées et d’une plausibilité souvent confondante. En quelques secondes, elle produit un projet de conclusions judiciaires, une synthèse bibliographique, une analyse de risques, un plan de cours. C’est techniquement exact. Mais cette exactitude masque une ambiguïté fondamentale : produire ne signifie pas valoir.

La vraie question n’est pas « Est-ce que ce contenu est bon ? », mais pour qui est-il bon ? Dans quel contexte ? Avec quelles conséquences si l’on se trompe ? Et à cette question, le modèle ne répond pas, parce qu’elle exige une forme de connaissance que le philosophe Michael Polanyi qualifiait de tacite dans ses travaux sur les fondements du savoir scientifique « We can know more than we can tell », y écrit-il), un savoir qui vit dans la mémoire des situations, dans l’expérience accumulée des erreurs, dans la lecture des rapports de force d’une organisation, dans la sensibilité aux attentes implicites d’une juridiction ou d’un comité. Ce savoir-là ne se met pas dans un prompt, parce qu’il n’est pas de l’ordre de ce qui peut être intégralement formulé, et qu’il résiste, par nature, à toute tentative de formalisation complète.

Miroir amplificateur

C’est ici que les données empiriques publiées en janvier 2026 par les économistes d’Anthropic fournissent un éclairage décisif. Parmi les millions d’interactions analysées avec Claude, 52 % relèvent de modes augmentatifs. Autrement dit, l’humain itère, ajuste, réoriente. Il ne délègue pas, il collabore. Et surtout, les auteurs constatent une corrélation quasi parfaite entre la sophistication de la question posée et la qualité de la réponse obtenue.

Le modèle est un miroir amplificateur, il ne produit de valeur cognitive que dans la mesure où celui qui l’interroge est capable de formuler ce qu’il cherche. L’abondance que génère l’IA n’est donc pas une ressource libre d’accès. Elle est conditionnée par la compétence de celui qui la sollicite. Ce n’est pas une loi technique, c’est une loi cognitive.

L’opérateur de l’abondance

Il conviendrait d’appeler « opérateur de l’abondance » la figure professionnelle que l’économie de l’IA requiert, et que nos systèmes de formation ne produisent pas encore. Ce n’est ni le programmeur de modèles ni l’utilisateur passif. C’est quelqu’un qui sait formuler un problème en termes exploitables par un modèle, évaluer la pertinence et la fiabilité d’un output, injecter le contexte que la machine ne peut pas avoir et assumer la responsabilité d’une décision fondée en partie sur des suggestions qu’il n’a pas lui-même générées.

Cette compétence n’est pas technique au sens étroit. Elle est profondément intellectuelle. Elle suppose d’avoir été formée à la pensée critique, à l’argumentation, à l’identification des biais. Elle suppose d’avoir fait l’expérience de se tromper et d’avoir appris à détecter pourquoi. En un mot, elle suppose d’avoir été exposé à la difficulté des tâches que l’on délègue désormais, avant de les déléguer.

Le risque silencieux de la délégation aveugle

C’est là que le rapport publié le 5 mars 2026 par les économistes d’Anthropic Maxim Massenkoff et Peter McCrory introduit une distinction cruciale, à savoir la différence entre l’exposition théorique à l’IA, ce que le modèle pourrait techniquement faire dans un métier, et l’exposition observée, ce qu’il fait effectivement. La première dépasse 90 % dans les professions juridiques, financières et managériales. La seconde est bien inférieure, pour des raisons légales, organisationnelles, institutionnelles. Mais l’écart se réduit.

Et le signe avant-coureur le plus inquiétant n’est pas le chômage. C’est le ralentissement du recrutement des jeunes diplômés (22-25 ans) dans les professions les plus exposées. Les entreprises n’embauchent plus autant de juniors pour des tâches que l’IA fait désormais plus vite et moins cher. Ce n’est pas que l’IA supprime des postes, elle contracte plutôt les flux d’entrée dans les professions qualifiées, privant une génération de ce que l’économiste Kenneth Arrow appelait le learning by doing, ce processus lent et irremplaçable par lequel on devient capable de superviser ce qu’on n’a pas encore tout à fait compris.

La déqualification cognitive, c’est précisément cela. Non pas perdre son emploi, mais perdre progressivement la capacité de superviser ce qu’on délègue. On délègue la rédaction sans avoir appris à rédiger. On valide des outputs sans avoir développé la compétence critique qui permettrait de détecter ce que l’IA fait mal, ses angles morts, sa tendance à produire du plausible, là où il faudrait du vrai. Cette « délégation aveugle » n’est pas une fatalité technologique. Elle est le produit d’une augmentation passive, une délégation sans réinvestissement dans des compétences de niveau supérieur.

Quand la boucle se ferme sans nous

Ce raisonnement prend encore plus de force avec l’IA agentique, cette nouvelle génération de systèmes qui n’attendent pas une validation humaine à chaque étape, mais agissent. Ils naviguent, rédigent, exécutent du code, orchestrent d’autres agents, prennent des décisions intermédiaires dans des chaînes d’action qui s’étalent sur des heures sans intervention humaine. Jensen Huang l’a annoncé au GTC 2026 en déclarant que dans dix ans, chaque employé humain travaillera aux côtés de cent agents IA. Le chiffre est peut-être exagéré mais la direction ne l’est pas.

Avec l’IA générative, la boucle revenait toujours à l’humain. Il évaluait un output et décidait. Avec l’IA agentique, cette boucle peut se fermer en interne. L’opérateur de l’abondance doit alors devenir ce qu’on pourrait appeler un « architecte d’objectifs » ; non plus « est-ce que ce texte est bon ? » mais « cet agent a-t-il bien compris ce que je voulais, et ses cinquante actions intermédiaires étaient-elles toutes légitimes ? »

Or, les données Anthropic montrent que le taux de succès des modèles décroît significativement à mesure que la complexité de la tâche augmente, précisément là où les agents déploient le plus d’autonomie. La surveillance humaine est donc la plus nécessaire là où elle est la plus difficile à exercer. Et elle est impossible pour qui n’a jamais eu à faire ce qu’il supervise.

Urgence d’une politique de formation

La thèse de Jensen Huang n’est pas fausse, elle est incomplète. Oui, le déploiement de l’IA génère de l’emploi dans les secteurs de l’infrastructure physique. Mais, comme les réseaux électriques du début du XX^e siècle, une infrastructure ne s’irrigue pas équitablement par la seule vertu du marché. Et surtout, elle ne dit rien des effets sur les trajectoires d’apprentissage des professions intellectuelles.

Ce que les données suggèrent avec force, c’est l’urgence d’une politique de formation aux compétences d’exploitation de l’IA, non pas apprendre à coder des modèles, mais apprendre à penser avec eux, à les interroger, à en critiquer les outputs, à maintenir vivante la compétence que l’on délègue. Former des opérateurs de l’abondance. Cette tâche revient en premier lieu aux institutions d’enseignement supérieur, et elle est urgente, parce que la contraction des flux d’entrée des jeunes dans les métiers exposés laisse peu de temps avant que l’apprentissage ne soit structurellement impossible.

Car ce que l’IA ne peut pas faire à notre place, c’est précisément décider que tel output vaut quelque chose, dans ce contexte, pour cette personne, avec ces enjeux. Ce jugement n’est pas une technique. C’est une forme de responsabilité et elle reste irréductiblement humaine.

Bruno Deffains ne travaille pas, ne conseille pas, ne possède pas de parts, ne reçoit pas de fonds d'une organisation qui pourrait tirer profit de cet article, et n'a déclaré aucune autre affiliation que son organisme de recherche.

Dans l’enseignement supérieur, le parcours des étudiants étrangers reste marqué par un défi central : comprendre, suivre et participer dans une langue qu’ils ne maîtrisent pas pleinement. Les avancées récentes de l’intelligence artificielle en traduction et en interprétation ouvrent des perspectives, tout en soulevant des enjeux sensibles de protection des données. Une piste se dessine alors : développer des outils alternatifs, directement hébergés par les établissements eux-mêmes. Des chercheurs de l’Université de Montpellier ont développé un tel prototype.

L’enseignement supérieur français a attiré près de 450 000 étudiants étrangers en 2024-2025, plaçant la France au 7^e rang mondial. Ils représentent près de 15 % des effectifs étudiants dans les universités françaises.

La mobilité étudiante est en constante augmentation. En Europe, il y a eu plus de mobilités organisées en dix ans qu’au cours des vingt-sept années précédentes, la demande en 2025 étant en hausse de 9 % par rapport à 2024. Cette accélération est corrélée à l’augmentation des accords bilatéraux entre pays et un élargissement d’Erasmus+, le programme support européen aux mobilités internationales.

Au niveau mondial, les pays les plus attractifs sont sans surprise les pays anglophones, notamment les États-Unis, le Royaume-Uni et l’Australie, l’anglais étant de mise dans les échanges internationaux. Mais pour ceux qui choisissent la France et le français, dans quelle aventure s’engagent-ils ?

Les difficultés rencontrées par les étudiants étrangers

Pour ces étudiants, la barrière linguistique complique l’assimilation des connaissances techniques, freine la participation active en classe et l’immersion dans la vie étudiante, et cela malgré les enseignements de français langue étrangère (FLE). La complexité de la langue française augmente ce défi, même pour les étudiants étrangers francophones peu exposés au français académique.

L’Union européenne est consciente de ce frein à la mobilité et encourage ses États à fournir un soutien universitaire et extra-universitaire.

Nous avons mené en 2024 et 2025 une enquête auprès d’une partie des 9 000 étudiants étrangers qu’accueille chaque année l’Université de Montpellier. Elle révèle des besoins d’aide clairs :

• pendant les cours et les conférences, pour comprendre les enseignants à l’oral et avoir la transcription du contenu afin de mieux appréhender leur formation ;

• après les cours, dans une visée de mémorisation, de révision et de vérification du contenu des cours.

Les récents progrès de l’intelligence artificielle (IA) permettent de répondre à une partie de ces besoins.

Une analyse comparative des solutions de traduction simultanée basées sur l’IA a été menée selon trois critères principaux : la capacité de reconnaissance automatique de la langue parlée (permettant une adaptation dynamique lorsque l’intervenant change de langue ou lorsqu’une question est posée dans une autre langue), la facilité d’usage (minimisant les contraintes d’installation et de configuration pour les étudiants et les enseignants), et la qualité de la traduction produite. Cette analyse fait émerger deux types de solutions : des outils commerciaux accessibles par le cloud et des outils open source pouvant être installés en local sur serveurs propres.

Les outils commerciaux : efficaces, mais chers et risqués en termes de propriété intellectuelle

Du côté des outils commerciaux, notre veille technologique indique que l’outil le plus adapté aux besoins identifiés est eventCat. Un tel outil fournit un service clés en main, engendrant peu de contraintes informatiques et audiovisuelles pour être déployé. Cet outil a été testé en 2024 puis 2025 lors d’une conférence médicale partagée entre deux universités. Les intervenants avaient des profils linguistiques variés : chercheurs disposant d’un haut niveau d’anglais, médecins habitués à s’exprimer en français et représentants de patients possédant une connaissance limitée de l’anglais. Le public était constitué d’étudiants français et néerlandais, ces derniers maîtrisant bien l’anglais mais ne comprenant pas le français.

L’outil a permis aux intervenants de s’exprimer dans leur langue de prédilection, tandis que les étudiants anglophones suivaient via une traduction simultanée sur un lien dédié. Les retours des intervenants ont été très positifs. Afficher les traductions sur un grand écran installé à côté des intervenants plutôt que sur les smartphones ou ordinateurs portables des étudiants a permis de réduire leur charge cognitive, ceux-ci devant déjà simultanément suivre le discours oral et lire la transcription. La qualité de la traduction s’est avérée globalement satisfaisante, les acronymes du domaine et les accents des intervenants posant toutefois des soucis. Ceci souligne la nécessité d’une adaptation contextuelle plus fine pour des contenus hautement spécialisés.

Les inconvénients d’une telle solution sont un coût annuel de plusieurs dizaines de milliers d’euros par formation et une incertitude concernant les données. Par exemple, à la date de rédaction de cet article, la politique RGPD de l’outil identifié est de ne pas stocker plus de sept jours les flux audios reçus et leurs transcriptions et de ne pas utiliser ces données pour entraîner ses modèles IA, ce qui exposerait ces données aux attaques par prompts malicieux.

Cependant, la société opérant ce service est localisée aux États-Unis, elle est donc soumise au Cloud Act, l’obligeant à communiquer les données qu’elle stocke en cas d’injonction d’une autorité administrative de son pays. Les préoccupations sur la protection des données sont revenues à plusieurs reprises dans nos échanges avec les enseignants et également avec les étudiants, lors de notre enquête. Rappelons que les enseignants et les enseignants-chercheurs de l’enseignement supérieur sont titulaires des droits d’auteur sur les cours qu’ils proposent, c’est donc leur propriété intellectuelle qui peut être exposée par un outil de transcription et traduction automatique.

Un prototype d’outil en open source pour protéger les données

Il est donc préférable que les équipes pédagogiques disposent de solutions alternatives hébergées au sein de leur établissement. Le logiciel open source est dans ce cadre la voie naturelle, malheureusement en 2025, aucune solution de ce type n’existait encore pour répondre aux besoins exprimés par les étudiants étrangers dans nos analyses.

Nous avons donc élaboré les bases d’un tel outil et proposé un premier prototype. Celui-ci effectue déjà en local la traduction d’un contenu textuel, par un modèle d’IA libre pouvant s’exécuter sur un serveur classique. En revanche, la transcription des flux audio repose encore sur des services IA proposés par plusieurs acteurs du cloud (les modèles les plus efficaces pour cette étape sont soit plus lourds soit tout simplement propriétaires), bien que n’étant pas liés à un fournisseur particulier. Ce prototype bénéficie de la technologie RAG (génération augmentée par récupération) pour s’adapter à un vocabulaire technique et a pu être utilisé dans des cours de 20 à 30 étudiants. Les étudiants indiquent un fort intérêt pour ce type d’outils qu’ils utilisent aussi pour des discussions de socialisation.

Toutefois, ils notent tous des difficultés dans des cours techniques en français faisant appel à de nombreux anglicismes. Ces défauts restent à corriger mais la prochaine étape majeure consiste à effectuer la transcription de l’audio en texte de façon locale, sans recourir à un service cloud. En l’état actuel des modèles, ceci nécessite l’usage de processeurs spécifiques (GPU), représentant un effort d’équipement de l’ordre de plusieurs milliers d’euros par site. C’est le coût à payer pour la préservation des données.

L’apprentissage de la langue du pays d’accueil constitue un objectif central des mobilités internationales. Les outils numériques évoqués ci-dessus facilitent cet apprentissage et la réussite académique des étudiants étrangers, mais ne se substituent pas pour autant aux enseignements de FLE. Les outils IA favorisent l’acquisition de savoirs disciplinaires et, dans une certaine mesure, l’acculturation des étudiants étrangers. Mais ils ne sont pas suffisants pour une intégration réussie. Sur ce plan, ce que le pays d’origine met en place pour préparer la mobilité reste prépondérant.

Vincent Berry a reçu un financement de l'Université Montpellier (CNUMF).

Chouki Tibermacine est membre de l'ACM (Association of Computing Machinery). Il a reçu plusieurs financements publiques pour ses travaux de recherche : ANR, DGA, Région Bretagne.

Chrysta Pelissier, Vanessa Vigano et Éric Anglaret ne travaillent pas, ne conseillent pas, ne possèdent pas de parts, ne reçoivent pas de fonds d'une organisation qui pourrait tirer profit de cet article, et n'ont déclaré aucune autre affiliation que leur poste universitaire.

Les recherches en sciences comportementales permettent de mettre en évidence les erreurs commises par l’administration Trump lors de la première session de négociations avec l’Iran, tenue à Islamabad les 11 et 12 avril.

Les négociations entre les États-Unis et l’Iran piétinent. La deuxième rencontre de négociation prévue entre les belligérants n’a finalement pas eu lieu. Le président Trump vient d’annuler l’envoi d’une délégation au Pakistan, tandis que l’Iran semble poser des pré-conditions préalables à toute reprise des discussions. Dans ce contexte incertain, il semble utile de revenir à la première rencontre entre Washington et Téhéran, tenue les 11 et 12 avril 2026 au Pakistan, et de comprendre pourquoi elle a échoué.

Pour expliquer l’échec de cette première session de négociations, le vice-président américain J. D Vance, qui y avait pris part en personne, a affirmé que les États-Unis avaient proposé à l’Iran « leur meilleure et dernière offre » concernant la question du nucléaire. Cette offre ayant été rejetée, il avait mis fin aux pourparlers d’Islamabad et, avec l’ensemble de la délégation américaine, brusquement quitté la capitale pakistanaise après à peine un jour de négociations.

Cette déclaration sur la « meilleure et dernière offre » illustre une méconnaissance profonde de la dynamique et de la psychologie des négociations. Elle en serait risible, si les enjeux n’en étaient pas aussi importants pour la paix dans le monde et l’économie mondiale.

Faire une offre tôt est contre-productif pour régler un conflit

Mettre une offre sur la table dès le début des négociations est tout à fait contre-productif pour régler un conflit. La recherche empirique sur les négociations montre en effet que le timing des offres est crucial : faire une offre trop tôt réduit l’échange d’informations entre les négociateurs et accentue la dimension compétitive de la négociation. Il en résulte souvent une guerre de positions : les négociateurs se crispent et ne cherchent plus qu’à défendre leur position plutôt qu’à comprendre les motivations de la partie adverse. Au contraire, faire une offre tard dans la négociation permet à chacun de comprendre les intérêts, les besoins et les craintes (parfois inexprimées ouvertement) des parties en présence. Lorsque l’offre est faite tardivement, les négociateurs ont plus le loisir d’échanger des informations et d’explorer des solutions créatives avant de rentrer dans le marchandage compétitif. Or l’efficacité en négociation repose de manière cruciale sur la capacité à rechercher des informations sur la partie adverse et de lui poser des questions, plutôt que de simplement énoncer des demandes.

Même lorsque les deux parties sont disposées à faire des compromis, l’exploration des intérêts sous-jacents, la discussion des questions épineuses, la révélation des informations sensibles et l’élaboration de solutions mutuellement acceptables prennent du temps. De fait, la recherche a montré que discuter de plusieurs offres simultanées est plus efficace que proposer une offre unilatérale.

Contrairement à ce qu’a prétendu Vance, la première offre est rarement la meilleure si l’on souhaite réellement parvenir à un accord et résoudre un conflit. Les négociateurs sont en effet souvent influencés par des biais cognitifs dans la manière dont ils perçoivent la partie adverse, ce qui les conduit à commettre de nombreuses erreurs lorsqu’ils interprètent les informations dont ils disposent à son sujet ou tentent de comprendre ses intérêts et ses préférences. C’est d’autant plus le cas lorsque le conflit ne met pas seulement en jeu des intérêts pragmatiques, mais aussi des valeurs sacralisées. Dans ce cas, offrir des concessions symboliques (la reconnaissance symbolique de certaines prétentions de l’autre partie) est efficace pour amener l’autre à concéder quelque chose en retour. Dans ce cas précis, la présidence Trump semble par exemple nettement sous-estimer l’enjeu de fierté nationale et de reconnaissance symbolique que revêt pour l’Iran la question de l’enrichissement de l’uranium.

Tout est question de « timing »

En outre, mettre une offre sur la table au début de la négociation signifie faire une offre à un moment où l’autre partie n’est pas encore prête à faire des concessions. En effet, les gens sont plus enclins à faire des concessions à la fin qu’au début des négociations. Pour deux raisons.

Au départ, la confiance est absente. Elle met du temps à se construire et, dans les premières phrases, chaque partie tend à interpréter les comportements de l’autre avec méfiance. Ainsi, il n’est pas rare que les gens rejettent une offre qui vient de l’autre partie… simplement parce qu’elle provient de la partie adverse : ils l’évaluent alors en fonction de son origine plutôt que de ses mérites intrinsèques. Ce phénomène, caractéristique des négociations et nommé la « réaction de dévaluation » : nous jugeons que l’offre de l’autre partie doit être déterminée par ses intérêts, et nous percevons nos intérêts comme étant forcément antagonistes (perception de jeu à somme nulle).

D’autre part, le coût psychologique d’une sortie de la négociation évolue avec le temps. Au début, se retirer et aboutir à une impasse est relativement peu coûteux : l’investissement en temps et en effort reste limité. En revanche, en fin de négociation, une rupture devient bien plus difficile à accepter. C’est une application d’un biais bien connu, l’escalade de l’engagement (ou escalation of commitment) : plus on investit du temps dans une action, plus on a envie qu’elle réussisse. Et inversement.

De fait, les tactiques qui visent à faire céder l’autre sont plus efficaces à la fin qu’au début des négociations. Exprimer une menace ou se mettre en colère est plus efficace tard que tôt, car au début de la négociation, ces tactiques véhiculent une intention expressément négative, tandis qu’à la fin elles sont perçues comme étant plus acceptables — puisqu’à ce moment, la relation humaine est déjà construite.

Ces résultats de recherches empiriques corroborent les théories qui font de la négociation un jeu à plusieurs phases : discussions ouvertes d’abord ; marchandage à la fin. Commencer par des tactiques agressives ruine les chances de trouver des solutions coopératives. La capacité à rester cognitivement ouvert tout le long de l’interaction et à ne pas acter les choses trop tôt est déterminante. C’est pour cela que la patience est une qualité clé dans les négociations.

Analyser les signes d’amateurisme

Ces recherches empiriques sur la négociation sont, faut-il le préciser, publiées très majoritairement dans les revues académiques américaines de sciences comportementales. Elles sont bien connues aux États-Unis.

La proclamation de J. D. Vance sur la « meilleure et dernière offre » avancée d’entrée de jeu par Washington a donc dénoté un amateurisme certain. Et cela d’autant plus que les négociations entre les États-Unis et l’Iran sont d’une grande complexité et englobent de multiples variables : réouverture du détroit d’Ormuz, contrôle du programme nucléaire, armements balistiques, accès au nucléaire civil, levée des sanctions, garanties que la guerre ne reprenne pas, etc.

Vouloir parvenir à un accord sur des sujets aussi difficiles en aussi peu de temps révèle une inexpérience ahurissante des négociations. Les négociations qui ont abouti à l’accord sur le nucléaire iranien sous la présidence Obama avaient pris 20 mois ; celles du vice-président Vance ont pris 21 heures.

Les experts, comme Federica Mogherini qui fut en charge des négociations avec l’Iran pour la partie européenne, pointent d’ailleurs la méconnaissance ou l’incompréhension des aspects techniques de la négociation de la part de l’équipe américaine.

L’échec des négociations entre Américains et Iraniens lors de leur première rencontre au Pakistan n’a donc rien eu de surprenant. Il est complètement en ligne avec les recherches empiriques sur la psychologie des négociations. Soit dit en passant, cette même erreur explique l’échec des négociations de Camp David entre Israéliens et Palestiniens en 2000 — avec les conséquences funestes que l’on sait. Comme le rapporte Robert Malley, alors conseiller de Bill Clinton pour le Moyen-Orient, une offre avait été mise sur la table beaucoup trop tôt, à un moment où « ni les Israéliens ni les Palestiniens ne s’étaient préparés à complètement comprendre les peurs et les besoins de l’autre partie ».

Négocier, ce n’est pas imposer des conditions unilatérales à la partie adverse. Ce n’est pas non plus faire en sorte que l’autre accepte une reddition sans condition. Cette démarche peut fonctionner dans des négociations qui concernent une seule variable compétitive (le prix), ou lorsque l’on est en position de force, comme lorsqu’on est un riche propriétaire immobilier à New York. Mais elle s’avère inefficace dans des négociations qui concernent plusieurs variables et nécessitent un cheminement à tâtons vers des solutions mutuellement acceptables, ou lorsque le rapport de forces est incertain.

Pour paraphraser une phrase d’un autre président américain, Dwight Eisenhower : la négociation est « l’art de faire faire à quelqu’un quelque chose que vous voulez voir fait, parce qu’il a envie de le faire ».

À tous points de vue, ce qui s’est passé entre Américains et Iraniens lors de leur première rencontre au Pakistan ne ressemble pas à de la négociation.

Marwan Sinaceur a reçu des financements de ESSEC Research Center, Fondation ESSEC, Fondation INSEAD, Stanford University.