SÉRIE : CE QUI SE PASSE RÉELLEMENT
Une analyse sourcée et calibrée de ce que l'IA fait au travail — séparée par ce qui est un fait établi, ce qui est contesté et ce qui est un mythe. Ni panique ni réconfort. Des preuves.
Trois camps distincts se crient dessus sans s'écouter. Aucun n'a entièrement raison. Comprendre la structure du débat est un prérequis pour comprendre les preuves.
Peu de sujets génèrent plus d'affirmations confiantes et contradictoires par colonne-pouce que l'intelligence artificielle et l'emploi. En une seule semaine, des médias crédibles publieront « L'IA vient chercher la moitié de tous les emplois de cols blancs » et « L'IA crée plus d'emplois qu'elle n'en détruit — l'histoire le prouve. » Les deux titres sont techniquement défendables. Aucun ne raconte l'histoire complète.
La confusion est structurelle, non accidentelle. Elle provient de trois débats distincts qui sont regroupés en un seul : ce qui se passe maintenant (empirique, mesurable), ce qui se passera d'ici 2030 (projection contestée), et ce qui se passera sur 20 à 50 ans (véritablement inconnu). Les chercheurs qui sont pessimistes sur l'emploi structurel à long terme et les chercheurs qui sont optimistes sur la création d'emplois agrégés à court terme citent parfois des horizons temporels différents — et les deux peuvent avoir raison simultanément.
Il y a aussi une économie politique de l'optimisme. Les entreprises qui construisent l'IA ont un intérêt direct dans le récit selon lequel leur technologie crée plus d'emplois qu'elle n'en détruit. Les syndicats et les travailleurs déplacés ont un intérêt direct à documenter les dommages. Aucun groupe n'est nécessairement malhonnête — les deux appliquent une pression de sélection sur les preuves qui sont amplifiées.
Ce rapport tente d'être utile en étant discipliné : chaque affirmation est explicitement catégorisée par niveau de preuve. Lorsque les données sont claires, nous le disons. Lorsqu'elles sont contestées, nous le disons et présentons les deux côtés crédibles. Lorsque les affirmations ne sont pas soutenues par des preuves — quel que soit le camp qui les fait — nous le disons également.
Séparer les chiffres qui sont bien établis des projections qui sont contestées — et être honnête sur la différence.
Goldman Sachs Research (2025) documente une baisse mesurable et statistiquement significative de l'emploi spécifiquement parmi les travailleurs âgés de 22 à 25 ans dans les professions exposées à l'IA. Le chômage chez les 20-30 ans dans les rôles exposés à la technologie a augmenté d'environ 3 points de pourcentage depuis le début de 2025. Les développeurs de logiciels âgés de 22 à 25 ans ont connu une baisse d'environ 20 % de l'emploi par rapport à leur pic de fin 2022. Ceci est corroboré par « Canaries in the Coal Mine » du Stanford Digital Economy Lab (Brynjolfsson et al., 2025), qui a identifié la même cohorte comme l'indicateur avancé de l'impact de l'IA sur le marché du travail.
Fait important : l'emploi global continue d'augmenter. Ce n'est pas un effondrement macroéconomique de l'emploi — c'est une compression ciblée du pipeline d'embauche débutant dans des rôles spécifiques exposés à l'IA. Le signal est concentré sur qui est embauché pour commencer sa carrière, et non sur des licenciements massifs.
Plusieurs expériences randomisées de haute qualité confirment que les outils d'IA augmentent réellement la productivité. Brynjolfsson, Li & Raymond (2025, Quarterly Journal of Economics) — l'étude la plus rigoureuse disponible — a constaté que l'IA générative a augmenté la productivité des travailleurs du service client d'une moyenne de 14 %, avec les gains les plus importants pour les travailleurs les moins qualifiés. Les études sur GitHub Copilot montrent des améliorations de la vitesse de codage d'environ 55 % pour les développeurs. La principale conclusion est que l'IA fonctionne actuellement comme un amplificateur de productivité, et non comme un remplacement, pour la plupart des travailleurs actifs. La dynamique de remplacement se manifeste dans l'embauche — moins de nouvelles personnes nécessaires — plutôt que dans les licenciements de travailleurs existants.
La part du revenu du travail dans les entreprises non agricoles américaines est passée d'environ 64 % en 1980 à environ 57 % en 2017 (Acemoglu, Manera & Restrepo, 2020). Cette tendance pré-IA reflète des décennies d'automatisation biaisée en faveur du capital, où le taux d'imposition effectif sur le travail (environ 25-34 %) dépasse de loin celui sur le capital (environ 5-10 %), incitant à la substitution. Les recherches du FMI (2024-2025) projettent que l'IA est susceptible d'augmenter davantage les rendements du capital au détriment du revenu du travail — mais cet effet dépend fortement de la question de savoir si l'IA complète ou remplace les travailleurs à revenu élevé, et du degré auquel les gains de productivité sont captés par les propriétaires de capital plutôt que distribués sous forme de salaires.
« L'impact le plus répandu de l'IA générative sera probablement sur la qualité de l'emploi plutôt que sur la quantité d'emplois. »
— Organisation internationale du travail (OIT/NASK Global Index, mai 2025)Niveau de risque, mécanisme d'exposition et calendrier projeté — triés par catégorie professionnelle. Les pourcentages de risque sont des estimations basées sur des modèles (voir mise en garde Section 02).
| Profession | Exposition aux tâches | Mécanisme principal | Calendrier | Preuve |
|---|---|---|---|---|
| Représentants du service client | Les chatbots LLM traitent les demandes de niveau 1 ; les rôles humains se réduisent au traitement des exceptions | 2024–2026 (déjà actif) | ✓ Established | |
| Agents de saisie de données | Automatisation directe du traitement répétitif des données ; OCR de haute précision + IA | 2024–2027 | ✓ Established | |
| Assistants administratifs / secrétaires | Planification, rédaction, gestion de documents, courriel — tout réplicable par l'IA | 2024–2028 | ◈ Strong Evidence | |
| Traducteurs / Interprètes | Les LLM atteignent désormais une qualité proche de l'humain pour la traduction commerciale standard ; déclin de l'emploi documenté | 2023–2026 (en cours) | ✓ Established | |
| Comptables / Agents de comptabilité | Traitement de données financières de routine entièrement automatisable ; logiciel de comptabilité IA à grande échelle rapide | 2025–2028 | ◈ Strong Evidence | |
| Correcteurs / Éditeurs de copie | Tâches de correction grammaticale/stylistique désormais effectuées par l'IA avec une précision supérieure pour le contenu standard | 2023–2026 | ◈ Strong Evidence |
Sources : OIT/NASK Global Index 2025 ; Goldman Sachs Research 2025 ; McKinsey Global Institute ; FMI SDN 2024
| Profession | Exposition aux tâches | Mécanisme principal | Calendrier | Preuve |
|---|---|---|---|---|
| Développeurs logiciels juniors | Les outils de génération de code réduisent les besoins en rôles débutants ; les rôles seniors deviennent plus productifs | 2024–2028 | ✓ Established | |
| Parajuristes / Assistants juridiques | Examen de documents, recherche juridique, analyse de contrats — tout réplicable par LLM à vitesse élevée | 2025–2029 | ◈ Strong Evidence | |
| Analystes financiers (niveau débutant) | Analyse de routine, génération de rapports, synthèse de données désormais automatisées ; jugement senior conservé | 2025–2030 | ◈ Strong Evidence | |
| Journalistes / Rédacteurs de contenu | Journalisme de données et génération de contenu standardisé automatisés ; investigation/récit moins touché | 2024–2028 | ◈ Strong Evidence | |
| Radiologues (couche de dépistage) | L'IA surpasse les humains sur le dépistage initial d'images ; le rôle se déplace vers le diagnostic complexe, la communication | 2026–2032 | ⚖ Contested | |
| Caissiers de détail | Caisses libre-service + vente au détail sans friction à grande échelle ; expansion du modèle Amazon Go | 2024–2030 | ◈ Strong Evidence |
| Profession | Exposition aux tâches | Mécanisme principal | Remarques | Preuve |
|---|---|---|---|---|
| Enseignants / Éducateurs | Tâches administratives + génération de contenu standardisé automatisées ; instruction de base et mentorat résilients | Transformation du rôle probable ; réduction du volume peu probable à court terme | ⚖ Contested | |
| Comptables / Auditeurs (seniors) | Éléments de routine automatisables ; jugement complexe, relation client, travail face à la responsabilité résilients | Bifurcation : rôles juniors sous pression, rôles seniors amplifiés | ◈ Strong Evidence | |
| Spécialistes du marketing | Création de contenu, tests A/B, analyse de campagne s'automatisant rapidement ; stratégie créative moins touchée | Amplificateur de productivité actuellement ; déplacement à venir au niveau débutant | ◈ Strong Evidence | |
| Ressources humaines | Présélection, planification, administration automatisées ; culture, résolution de conflits, travail nécessitant jugement non touché | ATS (systèmes de suivi des candidatures) déjà pilotés par IA | ◈ Strong Evidence | |
| Conducteurs de camions / Livreurs | Véhicules autonomes techniquement proches de la viabilité ; retards réglementaires, d'assurance, dernier kilomètre persistent | Volume élevé de travailleurs concernés (3,5M aux États-Unis seulement) ; calendriers régulièrement retardés | ⚖ Contested |
| Profession | Exposition aux tâches | Pourquoi résilient | Niveau de risque | Preuve |
|---|---|---|---|---|
| Plombiers / Électriciens / Métiers spécialisés | Nécessite une dextérité physique dans des environnements non structurés ; les robots ne peuvent pas encore effectuer de manière fiable ou rentable | Faible — horizon de 10 à 20 ans minimum | ✓ Established | |
| Infirmières autorisées | Soins physiques, communication avec les patients, travail émotionnel, jugement clinique dans des situations non structurées | Faible pour le déplacement ; élevé pour l'augmentation de la productivité (diagnostics IA) | ✓ Established | |
| Thérapeutes en santé mentale | Relation thérapeutique, empathie, jugement humain nuancé ; outils IA comme suppléments, pas remplacements | Faible — barrières réglementaires et éthiques élevées même si l'IA s'améliore | ◈ Strong Evidence | |
| Éducateurs de la petite enfance | Soins physiques, formation de relations, surveillance du développement — non réplicable par l'IA | Très faible | ✓ Established | |
| Cadres supérieurs / PDG | Jugement stratégique, capital relationnel, responsabilité, prise de décision ambiguë dans des situations nouvelles | Faible — mais l'IA amplifiera la productivité de ceux qui l'adoptent | ◈ Strong Evidence | |
| Travailleurs de la construction | Manipulation physique dans des environnements non structurés et variables ; robotique pas encore viable à grande échelle | Faible pour 10+ ans ; potentiellement plus élevé 2030–2040 | ✓ Established |
Les chiffres agrégés masquent des expériences radicalement différentes selon le genre, l'âge, l'éducation et le revenu. Le même titre « L'IA crée plus d'emplois » peut être simultanément vrai dans l'agrégat et catastrophique pour des populations spécifiques.
La raison structurelle : Entre 93 et 97 % des postes de secrétaire et d'assistant administratif aux États-Unis étaient occupés par des femmes entre 2000 et 2019 (US Census Bureau). Ce sont des professions de niveau 1 pour le déplacement par l'IA. L'OIT constate que la surreprésentation des femmes dans les rôles de bureau et administratifs est le principal moteur de l'écart entre les genres dans l'exposition à l'IA — et non une caractéristique inhérente du travail des femmes qui serait uniquement automatisable.
Le problème aggravant : Non seulement les femmes sont concentrées dans des emplois à risque plus élevé — mais elles adoptent les outils d'IA à des taux inférieurs, ce qui les rend moins susceptibles de passer de « l'IA me remplace » à « l'IA m'amplifie ». Les recherches suggèrent que les femmes font face à des pénalités sociales supplémentaires pour l'utilisation d'outils d'IA (préoccupations d'être perçues comme « trichant » ou moins intelligentes) que les hommes ne subissent pas au même degré.
La couche de biais : Les systèmes d'IA entraînés sur des données historiques reproduisent et peuvent amplifier les biais de genre existants dans le recrutement, les décisions salariales et la notation de crédit — créant un risque à la fois dans les emplois perdus et les emplois postulés. L'OIT note que les femmes sont sous-représentées dans le développement de l'IA (seulement 22 % des professionnels de l'IA dans le monde selon le WEF 2025), rendant l'auto-correction par des équipes de développement diversifiées structurellement difficile.
La compression du niveau d'entrée : L'effet d'âge le plus clair et le mieux documenté est la compression de l'embauche au niveau débutant. L'IA réduit le besoin de travailleurs juniors précisément dans les rôles qui servaient traditionnellement de premier échelon des échelles de carrière professionnelle : développeur junior, analyste junior, parajuriste junior, représentant du service client. Le pipeline vers les rôles supérieurs se rétrécit avant que ces rôles ne soient eux-mêmes menacés.
L'ironie pour la génération Z : La génération la plus inquiète de l'IA n'est pas celle qui perd des emplois dans l'agrégat — l'emploi global ne s'effondre pas. C'est la génération qui trouve la porte de son échelle de carrière plus étroite qu'elle ne l'était pour les cohortes précédentes. C'est un préjudice réel même si les chiffres macroéconomiques semblent corrects.
Travailleurs déplacés plus âgés : Les travailleurs âgés de 50 ans et plus qui perdent des emplois exposés à l'IA font face aux défis de transition les plus sévères. La recherche de la Réserve fédérale de Boston (décembre 2024) a révélé qu'environ 21 % des travailleurs interrogés s'attendaient à ce que l'IA aggrave leur situation financière dans les 5 ans, concentrés fortement dans cette cohorte plus âgée. La reconversion vers de nouveaux secteurs est plus difficile, prend plus de temps et a des rendements inférieurs à ce stade de la vie — ce groupe est celui identifié par Brookings comme le plus vulnérable.
Le document de travail du FMI (Rockall, Tavares, Pizzinelli, 2025) distingue trois groupes professionnels : HELC (Haute Exposition, Faible Complémentarité — la zone dangereuse), HEHC (Haute Exposition, Haute Complémentarité — la zone amplifiée), et LE (Faible Exposition — largement non affecté). La question politique critique est de savoir quels travailleurs se situent où.
Faible éducation (sans diplôme universitaire) : Exposition immédiate plus faible à l'IA (FMI : 26 % pour les travailleurs des pays à faible revenu contre 60 % pour les économies avancées), mais également capacité moindre de transition vers des rôles complémentaires à l'IA. La « protection » de ne pas être dans la ligne de mire de l'économie de l'IA est en partie un artefact du fait de ne pas encore avoir accès à l'infrastructure numérique qui permet à la fois le risque et l'opportunité.
Titulaires d'un diplôme universitaire : 44 % reconnaissent que l'IA peut effectuer certaines de leurs tâches (contre 22 % sans diplôme universitaire) — sensibilisation plus élevée, mais aussi capacité d'adaptation plus élevée. Les études confirment que les travailleurs ayant une éducation postsecondaire vivent l'IA davantage comme un complément à leurs capacités que comme un substitut.
L'Institut Brookings a confirmé : « Les travailleurs mieux payés et mieux éduqués font face à l'exposition la plus élevée. » Mais l'exposition ne signifie pas le préjudice si la complémentarité est élevée. Le vrai danger est la couche de travailleurs ayant suffisamment d'éducation pour être dans des rôles exposés à l'IA mais sans l'ancienneté, l'adaptabilité ou les ressources pour pivoter vers la complémentarité.
La dimension de classe de l'impact de l'IA sur l'emploi est l'aspect le plus politiquement combustible et analytiquement contesté de ce sujet. Elle nécessite une séparation minutieuse de deux dynamiques différentes opérant simultanément.
La réfutation la plus courante aux craintes de déplacement par l'IA est que de nouveaux emplois émergeront, comme ils l'ont fait lors des transitions technologiques précédentes. Dans les pays riches, c'est un argument contesté mais plausible. Dans le monde en développement, il est beaucoup plus difficile à défendre.
Le paradoxe indien : L'Inde aspire à devenir un hub majeur de l'IA, avec son marché de l'IA projeté de croître à un TCAC de 25-35 % d'ici 2027. Pourtant, le secteur indien des services informatiques et commerciaux de ~250 milliards de dollars — qui emploie des millions dans des rôles cognitifs externalisés anglophones — est précisément le secteur le plus exposé à l'automatisation par l'IA par les entreprises occidentales réduisant les coûts. Les travailleurs qui bénéficient des ambitions de l'Inde en matière d'IA et ceux qui y perdent des emplois sont des populations entièrement différentes, séparées par l'éducation, la langue, l'emplacement et le revenu.
Le piège de l'annotation de données : Une part importante des « nouveaux emplois » dans l'IA pour le Sud global consiste en étiquetage de données, modération de contenu et travail de formation d'IA — payant souvent 1 à 2,50 $/heure au Kenya, et de même au Bangladesh et en Inde. Ces travailleurs effectuent le travail ingrat qui fait fonctionner les systèmes d'IA, avec des protections minimales, aucune trajectoire de carrière, et une exposition à du contenu psychologiquement nuisible. La CNUCED a averti que l'IA pourrait réduire l'avantage concurrentiel de la main-d'œuvre à faible coût dans les pays en développement — le seul levier économique dont ils disposent — sans créer d'opportunité alternative équivalente.
Les recherches du FMI (2024) et l'analyse ResearchGate (2025) confirment : le déplacement se concentre en 2024-2027 tandis que la création d'emplois s'étale sur des délais plus longs. Dans les économies avancées, les institutions, les filets de sécurité et les systèmes éducatifs pour gérer cette transition existent (imparfaitement). Dans les économies en développement connaissant le déplacement de rôles externalisés, ces tampons institutionnels sont absents. Résultat : les économies en développement connaissent un déplacement sans création compensatoire, élargissant les inégalités internationales.
En Amérique latine : ~25 % des emplois au Brésil, au Chili, en Colombie, au Mexique et au Pérou présentent une exposition élevée à l'IA mais une faible complémentarité des tâches — les rendant très vulnérables à la substitution. Pour les travailleurs des centres d'appels et des services externalisés en particulier, ce risque est caractérisé comme « aigu » par les chercheurs de l'OIT.
L'argument le plus puissant pour l'optimisme sur le marché du travail est 200 ans de preuves que la technologie crée plus d'emplois qu'elle n'en détruit. Cet argument mérite un engagement sérieux — et un examen sérieux.
La réfutation économique standard : Le « sophisme du travail fixe » — la croyance erronée qu'il existe une quantité fixe de travail à faire — est une véritable erreur logique. Les nouvelles technologies créent une nouvelle demande, de nouvelles industries, de nouvelles professions que nous ne pouvons pas prédire à l'avance. Le gouverneur de la Réserve fédérale Barr (mai 2025) : les économistes ont longtemps été sceptiques quant à l'hypothèse que l'automatisation conduit à un chômage permanent.
Le contre-coup d'Acemoglu (du MIT/FMI, décembre 2023) : « Il n'y a aucune garantie que, sur sa trajectoire actuelle, l'IA génère plus d'emplois qu'elle n'en détruit. » Le modèle historique de création de nouveaux emplois reposait sur un équilibre entre l'automatisation et la création de nouvelles tâches. À un moment donné après environ 1970, cet équilibre a été perdu. La part du travail dans le revenu diminue depuis 50 ans. La création de nouvelles tâches a ralenti, en particulier pour les travailleurs sans diplôme universitaire de quatre ans. L'IA peut accélérer une dynamique déjà brisée, pas l'inverser.
L'argument de la vitesse : Les transitions historiques ont pris des générations. Le métier à tisser a déplacé les tisserands sur 50 à 100 ans ; les enfants des travailleurs se sont adaptés. L'IA comprime potentiellement des transitions équivalentes à 5-10 ans. Même si le résultat à long terme est net positif, les coûts de transition mesurés en vies humaines — perte de revenus, détresse psychologique, perturbation familiale — sont réels et concentrés dans des populations spécifiques qui ne peuvent tout simplement pas « attendre les nouveaux emplois ».
Le terme « Technologie à usage général » (GPT au sens économique) fait référence aux technologies qui remodèlent plusieurs secteurs simultanément — l'électricité, l'informatique, l'internet. Deming et Summers (2025) ont conclu que l'IA se qualifie comme un GPT de cette ampleur.
Ce qui est sans doute différent concernant l'IA par rapport aux GPT précédents :
1. Les GPT précédents automatisaient des tâches physiques ou cognitives étroites. L'IA est la première technologie capable d'effectuer un raisonnement général, du langage et des tâches créatives — le travail précédemment considéré comme uniquement humain et à l'épreuve de l'automatisation. 2. Les GPT précédents créaient de nouvelles tâches nécessitant de la main-d'œuvre humaine pour les exécuter. Les nouvelles tâches créées par l'IA (formateur IA, responsable éthique IA, chef de produit IA) nécessitent beaucoup moins de travailleurs par rapport aux tâches qu'elles remplacent. Les ingénieurs de prompts — autrefois prédits comme une grande profession — représentent moins de 0,5 % des offres d'emploi LinkedIn. 3. L'incitation à la substitution capital-travail est structurellement intégrée dans le code fiscal américain (travail imposé à ~30 %, capital à ~8 %), rendant le remplacement le choix rationnel pour tout acteur corporatif.
« L'économie américaine avait 2,5 robots industriels pour mille travailleurs dans la fabrication en 1993. Ce nombre est passé à 20 en 2019. L'automatisation excessive a causé une baisse de la part du travail dans le revenu de 64 % en 1980 à 57 % en 2017. »
— Acemoglu, Manera & Restrepo, cité dans Chicago Booth ReviewL'IA augmente la productivité dans les secteurs exposés à l'IA. Ceci est bien prouvé et n'est pas sérieusement contesté. La question cruciale et contestée est de savoir si ces gains de productivité se traduisent en prospérité plus large ou se concentrent davantage au sommet.
Les preuves de productivité sont réelles. Les expériences contrôlées randomisées — le gold standard de la science sociale — confirment que les outils d'IA augmentent la production dans les contextes professionnels. La question n'est pas de savoir si la productivité augmente, mais qui capte cette augmentation.
Acemoglu et Johnson (Power and Progress, 2023) introduisent le concept du « train de la productivité » : l'idée que pour que la majorité des gens bénéficient de la croissance de la productivité, cette productivité doit être « ancrée » dans une efficacité améliorée du travail humain — augmentant la productivité marginale des travailleurs — plutôt que simplement automatiser les tâches humaines et capturer les gains comme revenu du capital.
L'analyse de l'EPI (Economic Policy Institute) ajoute que le taux d'imposition effectif sur le travail est environ le double de celui sur le capital aux États-Unis, ce qui signifie que les entreprises sont structurellement incitées à substituer le capital au travail même lorsque ce n'est pas le choix le plus économiquement efficace. Brynjolfsson (MIT) recommande d'égaliser les taux d'imposition effectifs sur le travail et le capital comme l'intervention la plus directe pour changer cette structure d'incitation.
La contre-preuve des années 1990 : La recherche de l'EPI montre que les années 1990 — qui ont vu une croissance massive de la productivité induite par la technologie grâce à l'internet — ont abouti à une croissance salariale généralisée et à un chômage en baisse, et non à des gains concentrés. L'explication : le chômage a été suffisamment réduit pour générer un véritable pouvoir de négociation pour les travailleurs. La leçon politique est que les conditions d'emploi macroéconomiques comptent autant que la technologie elle-même pour savoir si les gains de productivité sont distribués.
Les camps catastrophiste et dédaigneux produisent tous deux des affirmations largement partagées qui ne sont pas soutenues par les preuves. Cette section identifie les plus courantes des deux côtés.
Frey & Osborne (Oxford Martin, 2013) ont produit un modèle très cité prédisant que 47 % des professions américaines étaient à risque élevé. Harvard Data Science Review (automne 2025) documente qu'il s'agissait d'une analyse au niveau des tâches incorrectement étendue à des emplois entiers. La réplication de l'OCDE appliquant leur propre méthodologie est arrivée à 9 % — cinq fois moins. Plus important encore : les professions signalées comme « à risque » en 2013 (préparateurs d'impôts, télévendeurs, souscripteurs d'assurance) n'ont pas, en fait, disparu à grande échelle au cours des 12 années suivantes. Le chiffre de 47 % est techniquement une sortie de modèle de 2013 projetée avec des mises en garde méthodologiques importantes — le présenter comme un fait est de la désinformation.
Ce chiffre de Goldman Sachs (2023) est fréquemment mal cité. Le rapport original indiquait que 300 millions d'équivalents temps plein pourraient être exposés à l'automatisation si l'IA était largement adoptée — une estimation d'exposition des tâches dans un scénario de déploiement optimiste de l'IA. Le même rapport projetait que le scénario de déplacement le plus probable est de 6-7 % de la main-d'œuvre américaine, avec un chômage augmentant de seulement 0,5 point de pourcentage au-dessus de la tendance pendant la période de transition, avant de récupérer en environ deux ans. Le chiffre de 300M est réel ; le présenter comme une prévision de chômage de masse à court terme ne l'est pas.
Le PDG d'Anthropic Dario Amodei a déclaré en 2025 que l'IA pourrait éliminer environ 50 % des postes de cols blancs débutants d'ici cinq ans. Le PDG de Nvidia Jensen Huang s'est explicitement opposé. Les preuves montrent une compression réelle et documentée de l'embauche au niveau débutant dans les secteurs exposés à l'IA — en particulier la technologie. Cependant, « 50 % des emplois de cols blancs débutants » dans toutes les industries d'ici 5 ans nécessiterait une vitesse et une portée d'adoption que les données actuelles ne confirment pas. La préoccupation sous-jacente est légitime ; le chiffre spécifique et le calendrier ne sont pas bien prouvés.
Le modèle historique est réel : 60 % des emplois américains actuels n'existaient pas en 1940. Mais Acemoglu et Johnson documentent que la création de nouvelles tâches a ralenti depuis 1970, l'équilibre entre automatisation et création d'emplois est déjà déséquilibré, et la vitesse d'adoption de l'IA peut comprimer des transitions qui prenaient historiquement des générations. La validité passée du modèle ne garantit pas sa validité future — en particulier lorsque l'IA est la première technologie à menacer les tâches de raisonnement général plutôt que seulement des tâches manuelles ou cognitives étroites spécifiques. Le sophisme du travail fixe est une véritable erreur économique ; rejeter entièrement le risque de l'IA en l'invoquant est également une erreur.
Les preuves sur les programmes de reconversion sont sobres. « Le choc chinois » (Autor, Dorn & Hanson, 2016) — l'article d'économie américaine le plus impactant de la dernière décennie — a démontré que la concurrence des importations chinoises a dévasté de grandes parties de la main-d'œuvre américaine, et que les programmes de reconversion ont largement échoué à produire des transitions réussies. Le Workforce Investment and Opportunity Act (WIOA) américain : en 2023-24, moins de 10 % des participants à la formation ont reçu une formation en cours d'emploi ; seulement 2 % ont reçu des apprentissages. Les exemples de reconversion réussie sont rares. Dire aux travailleurs de la fabrication ou du bureau déplacés de 55 ans de « se reconvertir » sans aborder les obstacles structurels de coût, de temps, de difficulté psychologique et de discrimination par l'âge n'est pas une politique — c'est une assurance qui échoue pour les travailleurs les plus vulnérables.
Harvard Data Science Review (automne 2025) documente : les ingénieurs de prompts représentent moins de 0,5 % d'un échantillon récent d'emplois annoncés sur LinkedIn (Vu & Oppenlaender, 2025). Les prédictions spécifiques de « nouveaux emplois de l'IA » qui ont largement circulé en 2022-2023 (ingénieur de prompts, éthicien de l'IA comme employeur de masse) ont largement échoué à se matérialiser à l'échelle prédite. Cela ne signifie pas qu'aucun nouvel emploi n'émergera de l'IA — cela signifie que des prédictions spécifiques sur quels emplois sont systématiquement peu fiables, et le volume total net de nouveaux emplois créés est beaucoup plus difficile à prédire que les emplois déplacés.
Un panorama de ce qui est réellement tenté, de ce que les données probantes disent sur chaque intervention, et de l'écart structurel entre l'ampleur de la perturbation potentielle et l'ampleur de la réponse politique.
Les problèmes structurels nécessitent des solutions structurelles. Mais en attendant les politiques, les individus peuvent entreprendre des actions que les données probantes soutiennent. Filtré par votre étape de vie et votre secteur.
Si votre profession apparaît dans les tableaux « Risque critique » ou « Risque élevé » de la section 03 — ou si votre rôle est principalement administratif, de saisie de données ou de service client de routine.
Si votre profession apparaît dans la catégorie « Résilient » — métiers qualifiés, soins de santé, éducation, services professionnels complexes.
Toutes les affirmations factuelles de ce rapport sont sourcées à des publications spécifiques et vérifiables. Les projections sont clairement distinguées des résultats empiriques.