Le marché du travail à l'ère de l'IA

Il existe deux façons de traiter le sujet de l'IA et de l'emploi, et toutes deux sont intellectuellement malhonnêtes. La première consiste à affirmer que rien de fondamental ne se passe, que l'IA, comme toutes les technologies précédentes, créera autant d'emplois qu'elle en détruira, et que les inquiétudes actuelles ne sont que le reflet d'un conservatisme anthropologique ordinaire face au changement. La seconde consiste à annoncer l'effondrement imminent du salariat, la fin du travail et l'avènement d'une oisiveté forcée pour des centaines de millions de personnes.

Aucune des deux ne tient à l'examen des données disponibles en mars 2026. Ce que les données montrent est à la fois plus subtil et, par certains aspects, plus inquiétant que les deux récits dominants : une disruption profonde est en cours, elle est asymétrique dans ses effets, elle s'accompagne pour l'instant d'un paradoxe de productivité persistant, et ses conséquences politiques et sociales pourraient précéder de plusieurs années ses effets macroéconomiques mesurables.

Cet article est une tentative honnête de cartographier ce que l'on sait, ce que l'on ne sait pas, et ce que cela implique, à court terme, à moyen terme, et pour la structure profonde de nos économies.

I. Ce que les données disent déjà : le présent, sans filtre

La "récession cols blancs" de 2025

Les chiffres de l'emploi américain de 2025 dessinent un tableau que les titres macroéconomiques agrégés masquent mal. Le taux de chômage global est resté relativement stable, l'emploi total continuait de progresser, mais sous cette surface, une fracture s'est ouverte dans les secteurs les plus exposés à l'IA générative.

En 2025, environ 55 000 suppressions d'emplois ont été directement attribuées à l'IA par les entreprises elles-mêmes aux États-Unis, selon les données de Challenger, Gray & Christmas sur un total de 1,17 million de licenciements, le niveau le plus élevé depuis la pandémie de 2020. Ces chiffres ne racontent pas tout : les "gels d'embauche" (décisions de ne pas remplacer des postes vacants) sont invisibles dans les statistiques de licenciements, mais représentent probablement l'impact le plus massif à court terme. Amazon a supprimé 14 000 postes corporate en citant explicitement l'IA. Workday a réduit ses effectifs de 8,5%. Microsoft a coupé 15 000 postes. Salesforce a réduit son support client de 4 000 personnes après que l'IA a absorbé environ la moitié de la charge de travail.

Ce qui est frappant dans ces données, c'est leur dimension générationnelle. Goldman Sachs a documenté une hausse de presque 3 points de pourcentage du chômage chez les 20-30 ans dans les secteurs exposés à l'IA depuis début 2025, significativement plus élevée que pour leurs homologues du même âge dans d'autres secteurs. Les développeurs de 22-25 ans ont connu une baisse d'emploi d'environ 20% par rapport à leur pic de fin 2022. L'IA générative frappe en premier les postes d'entrée de gamme dans les métiers cognitifs (exactement ceux que les jeunes diplômés occupaient pour accumuler de l'expérience). C'est un problème de pipeline de talents autant qu'un problème d'emploi.

En Europe, les signaux sont plus discrets mais convergents. Les secteurs les plus exposés selon les enquêtes (conseil en marketing, design graphique, administration, centres d'appels) voient leur croissance de l'emploi ralentir ou s'inverser. La Commission européenne estime que dans les économies avancées, environ 60% des emplois sont exposés à l'IA, dont 33% dans des rôles susceptibles d'être automatisés entièrement et 27% dans des rôles où l'IA peut servir d'amplificateur de productivité.

Le paradoxe de productivité, le retour de Solow

Voici ce qui devrait troubler les optimistes : malgré des dépenses en infrastructure IA qui devraient dépasser 600 milliards de dollars en 2026 chez les hyperscalers (CreditSights, janvier 2026), une adoption déclarée dans au moins une fonction par 88% des grandes entreprises (McKinsey, State of AI 2025), et les annonces tonitruantes de gains de productivité, les statistiques macroéconomiques restent obstinément muettes.

Une étude du NBER publiée début 2026, portant sur 6 000 dirigeants d'entreprises en États-Unis, Royaume-Uni, Allemagne et Australie, conclut que la grande majorité d'entre eux voit peu d'impact réel de l'IA sur leurs opérations. Seulement 1% des entreprises ont atteint une maturité IA mesurable. Seulement 39% des répondants signalent un impact sur leur résultat opérationnel. Seulement 1% des équipes dirigeantes du S&P 500 ont quantifié l'effet de l'IA sur leurs résultats.

En 1987, Robert Solow avait observé que l'on voyait l'ère informatique partout sauf dans les statistiques de productivité. L'observation s'applique aujourd'hui avec une précision déconcertante à l'IA. Daron Acemoglu, Prix Nobel 2024 d'économie, estime dans ses modèles les plus récents que l'IA générative produira environ 0,07% de gain de productivité annuel et 0,9% à 1,8% de croissance du PIB sur la prochaine décennie, très loin des projections à +7% de Goldman Sachs ou des 13 000 milliards de dollars supplémentaires de McKinsey.

La raison profonde de cet écart n'est pas le déni. C'est la courbe en J de l'adoption technologique : les gains de productivité d'une technologie générale-purpose ne se matérialisent pas au moment de l'investissement, mais plusieurs années plus tard, quand l'organisation entière s'est restructurée pour en tirer parti. L'électricité industrielle a mis vingt ans à se retrouver dans les statistiques de productivité manufacturière (le temps que les usines soient rénovées de fond en comble), et pas seulement équipées de moteurs électriques.

La question n'est donc pas de savoir si l'IA aura un impact macroéconomique. C'est quand, pour qui, et à quel prix de transition.

II. La mécanique de la disruption : comprendre ce qui se passe vraiment

Ce que l'IA automatise et ce qu'elle n'automatise pas (encore)

Une erreur analytique fréquente consiste à raisonner en termes d'"emplois menacés" plutôt qu'en termes de "tâches automatisables". McKinsey a documenté que si l'IA et la robotique pourraient théoriquement automatiser 57% des heures travaillées aux États-Unis, cela mesure un potentiel technique sur des tâches isolées, pas une destruction d'emplois correspondante. La plupart des emplois sont des assemblages de tâches hétérogènes, dont seule une fraction est pleinement automatisable.

Ce qui caractérise l'IA générative par rapport aux vagues d'automatisation précédentes, c'est son invasion du domaine cognitif. Les révolutions technologiques antérieures (mécanisation, informatique) avaient principalement automatisé des tâches physiques répétitives ou des calculs numériques structurés. L'IA générative s'attaque aux tâches langagières, analytiques, créatives de bas niveau : rédaction, synthèse, programmation de base, analyse de données structurées, service client, traduction, illustration. Ce sont précisément les tâches qui constituaient le cœur des emplois de la classe moyenne éduquée (et les premiers emplois de la génération diplômée).

Ce que l'IA ne sait pas faire de façon fiable (encore) : le jugement dans des situations nouvelles et ambiguës, la gestion de la relation humaine complexe, le raisonnement physique dans un environnement non structuré, la responsabilité légale et éthique, la créativité de rupture (par opposition à la créativité de recombinaison). Mais ces limites ne sont pas permanentes, elles définissent la frontière actuelle, et cette frontière recule.

La désindustrialisation 2.0, mais plus vite

L'analogie qui s'impose n'est pas celle de la révolution industrielle du XIXe siècle, trop lointaine pour être opérationnelle. C'est celle de la désindustrialisation des années 1980-2000 aux États-Unis et en Europe. En deux décennies, la globalisation et la robotisation ont détruit des dizaines de millions d'emplois manufacturiers dans les pays développés. Mais cette destruction s'est étalée sur vingt ans, dans des bassins géographiques délimités, touchant une classe ouvrière qui avait peu de pouvoir politique direct.

Ce qui se déroule aujourd'hui diffère sur trois points critiques.

La vitesse. La désindustrialisation s'est déroulée sur une génération. L'IA compresse les délais. Les outils de codage agentique ont franchi un saut de capacité fin 2025 qui a rendu obsolètes certains rôles de développeurs junior en quelques mois. La demande pour des métiers de l'IA a été multipliée par sept en deux ans, passant de 1 à 7 millions de postes explicitement requis. Les restructurations organisationnelles que la désindustrialisation a prises vingt ans à produire pourraient se dérouler en cinq.

Les victimes. La désindustrialisation touchait des travailleurs peu ou moyennement qualifiés, géographiquement concentrés, politiquement isolés. La disruption par l'IA cible les professionnels diplômés, dispersés dans toutes les métropoles, propriétaires immobiliers avec des crédits en cours, politiquement très actifs. Comme l'a formulé un ancien responsable du Pentagone : "Des cols blancs qualifiés dans des districts suburbains dont les remboursements d'emprunt sont soudainement menacés sont une force politique d'une nature très différente d'une ville industrielle creusée." C'est un changement de nature du conflit social potentiel.

L'emplacement. La désindustrialisation a déplacé des emplois vers les pays à bas salaires (les emplois ont migré physiquement). L'IA ne délocalise pas : elle supprime. Il n'y a pas de région du monde vers laquelle les tâches automatisées migrent ; elles disparaissent de la chaîne de valeur humaine.

III. Les scénarios à moyen terme : 2026-2032

La trajectoire est insuffisamment déterminée par les données actuelles pour permettre une prévision ponctuelle. En revanche, il est possible de délimiter trois scénarios distincts dont la probabilité respective dépend de quelques variables-clés.

Scénario A : La courbe en J se matérialise (probabilité : 40%)

Dans ce scénario, le paradoxe de Solow se résout dans les prochaines années comme il s'est résolu pour l'électricité et l'informatique : les entreprises restructurent leurs processus pour absorber pleinement les gains de productivité de l'IA, la croissance de la productivité accélère significativement à partir de 2027-2028, et de nouvelles catégories d'emplois émergent en quantité suffisante pour absorber les déplacés. Le WEF projette 170 millions de nouveaux emplois créés d'ici 2030 pour 92 millions détruits, un gain net de 78 millions.

Ce scénario est plausible. L'histoire des technologies grand public plaide en sa faveur : chacune a finalement créé plus d'emplois qu'elle n'en a détruit, à condition de regarder l'horizon suffisamment long. Il suppose cependant deux conditions qui ne vont pas de soi : que la transition soit suffisamment lente pour permettre la reconversion des travailleurs déplacés, et que la redistribution des gains de productivité soit suffisamment large pour alimenter une demande soutenue de biens et services.

Scénario B : La disruption sans absorption (probabilité : 40%)

Dans ce scénario, la destruction d'emplois précède la création de manière significative sur une période de cinq à dix ans, créant une période de chômage structurel et de sous-emploi massif pour les travailleurs déplacés. Les nouveaux emplois émergent, mais sont principalement accessibles aux personnes déjà bien positionnées : développeurs IA, ingénieurs de données, gestionnaires humains de systèmes automatisés. Les déplacés (comptables, analyste junior, développeur de base, rédacteur technique, assistant juridique) se retrouvent dans une économie qui n'a pas d'équivalent fonctionnel à leur offrir.

L'indicateur avancé de ce scénario existe déjà : les travailleurs cols blancs déplacés aux États-Unis en 2025 qui n'ont pas retrouvé d'emploi équivalent ont massivement migré vers des emplois de services à bas salaires (conduite, livraison, aide à la personne). Ce déversement d'une main-d'œuvre surqualifiée dans le secteur des services comprime les salaires de ceux qui y travaillaient déjà. C'est un effet de second ordre que les modèles agrégés ne capturent pas.

Scénario C : L'accélération brusque (probabilité : 20%)

Ce scénario est conditionnel à un saut capacitaire de l'IA vers des agents réellement autonomes et fiables, capables de conduire des projets complets de A à Z sans supervision humaine continue. Si ce saut survient avant 2028-2030 comme certains acteurs du secteur l'anticipent, la courbe de destruction d'emplois devient non linéaire. Les entreprises qui fonctionnent avec des équipes de trois personnes faisant le travail de 350 (comme certaines startups IA en 2025) deviennent la norme plutôt que l'exception.

Dans ce scénario, la question n'est plus de politique d'emploi au sens classique. Elle devient une question de redistribution des gains de productivité, et potentiellement de redéfinition du contrat social autour du travail.

IV. Le problème de fond : la concentration et la fracture distributive

Indépendamment du scénario qui se matérialise, une réalité distributive se dégage déjà clairement des données.

Capital contre travail

Acemoglu souligne dans ses travaux les plus récents que les gains de productivité de l'IA sont "peu susceptibles d'entraîner des hausses de salaires significatives". La raison est structurelle : l'IA automatise des tâches qui étaient précédemment réalisées par du travail humain, réduisant la demande de travail pour ces tâches et donc le pouvoir de négociation des travailleurs. Les gains vont au capital (aux entreprises qui déploient l'IA, à leurs actionnaires), et aux individus qui détiennent des compétences complémentaires rares.

Ce déplacement capital/travail n'est pas nouveau, il caractérise chaque vague d'automatisation. Ce qui est nouveau, c'est l'ampleur et la vitesse du mouvement dans des secteurs qui s'estimaient protégés. La "prime aux études supérieures" (le différentiel de salaire entre diplômés et non-diplômés) qui s'était creusée depuis les années 1980 pourrait commencer à se comprimer si les tâches cognitives de base deviennent commoditisées par l'IA. C'est une disruption du modèle d'ascension sociale par l'éducation qui a structuré les sociétés occidentales depuis un demi-siècle.

L'inégalité entre les générations

La fracture générationnelle documentée par Goldman Sachs est peut-être la plus lourde de conséquences sociales. Les travailleurs expérimentés (35-50 ans) sont globalement complémentaires à l'IA : ils apportent le contexte, le jugement, les relations. Les travailleurs débutants (22-28 ans) sont substituables : ils apportaient précisément les tâches structurées que l'IA apprend à exécuter. Si les emplois d'entrée de gamme dans les métiers cognitifs disparaissent (non pas parce qu'ils ont été supprimés, mais parce qu'ils ne sont plus proposés sur le marché) comment la prochaine génération accumulera-t-elle l'expérience nécessaire pour devenir les travailleurs expérimentés de demain ? IBM a explicitement reconnu ce problème : en triplant ses embauches de jeunes profils, le groupe a justifié ce choix par la nécessité de ne pas assécher son pipeline de futurs managers, l'expérience des postes juniors étant irremplaçable pour former les cadres de demain.

La géographie de la disruption

La disruption n'est pas géographiquement uniforme, ce qui a des implications politiques directes. Les métropoles concentrant des secteurs technologiques, financiers et juridiques à haute exposition à l'IA voient leurs marchés du travail se polariser rapidement. Les villes moyennes où la base économique était constituée de postes administratifs, de back-office bancaire, de centres d'appels régionaux, font face à un risque de désertification économique analogue aux villes industrielles des années 1990. Sauf que cette fois, les déplacés ont souvent des niveaux d'éducation élevés, des crédits immobiliers importants, et une représentation politique forte. Et la migration vers les grandes métropoles ne résout pas le problème : les fonctions les plus exposées à l'automatisation y sont tout aussi présentes, parfois davantage concentrées. Se déplacer de Rennes à Paris pour retrouver un poste d'analyste junior ou de gestionnaire de middle-office, c'est simplement changer de géographie dans un marché du travail qui se rétrécit des deux côtés.

V. Les implications politiques : ce que les marchés n'ont pas encore pricé

La disruption technologique du marché du travail a toujours eu des conséquences politiques. La désindustrialisation des années 1980-2000 a directement alimenté la montée du populisme des années 2010 dans les zones industrielles en déclin. Le Brexit, Trump 2016, la gilets jaunes, tous ces phénomènes ont une géographie qui se superpose à celle des bassins industriels dévastés.

Si la disruption actuelle touche en premier les cols blancs éduqués des centres urbains et banlieues aisées (les électeurs les plus actifs, les plus organisés, les plus représentés politiquement) la réponse politique sera probablement plus rapide et plus radicale que ce que les marchés anticipent aujourd'hui.

Les signes avant-coureurs existent déjà en 2026. La question de la régulation de l'IA dans l'emploi est entrée dans le débat politique américain avec une intensité inédite. Des propositions de taxation des entreprises qui réduisent leurs effectifs au profit de l'automatisation circulent dans plusieurs pays européens. Le débat sur le revenu universel de base (dormant depuis une décennie) est revenu dans les programmes politiques au Japon, en Corée du Sud, et dans plusieurs États américains.

La pression politique pourrait générer des régulations qui ralentissent l'adoption de l'IA dans certains secteurs (notamment ceux à forte visibilité sociale comme les professions juridiques, médicales, ou le secteur public). Ce serait un facteur supplémentaire qui, combiné aux délais d'adoption naturels, allongerait la courbe en J et prolongerait le paradoxe de Solow.

VI. L'horizon long terme : trois certitudes et une inconnue

Ce qui est quasi-certain

Premièrement, la structure des emplois va se réorganiser profondément, pas nécessairement se contracter globalement. L'histoire technologique suggère que la demande de travail humain ne disparaît pas, elle se déplace. Mais le déplacement est douloureux, inégalement distribué, et non automatique. Il requiert des institutions (éducation, formation continue, filets sociaux) capables d'absorber la transition. Ces institutions existent en Europe dans une forme plus élaborée qu'aux États-Unis, ce qui est un facteur d'atténuation non négligeable.

Deuxièmement, la polarisation du marché du travail va s'accentuer. La distinction entre emplois "augmentés" par l'IA (où le travailleur humain, équipé d'outils IA, voit sa productivité multipliée et son salaire suivre) et emplois "substitués" (où l'IA remplace directement la tâche humaine) va devenir la fracture structurante du marché du travail des dix prochaines années. Cette fracture ne correspond pas exactement à celle entre métiers qualifiés et non qualifiés : elle correspond à la capacité d'un métier à intégrer l'IA comme levier sans être absorbé par elle.

Troisièmement, le sens du travail comme catégorie sociale et psychologique est en jeu. Le travail n'est pas seulement un mécanisme d'allocation du revenu, c'est une structure de l'identité, de l'appartenance sociale, et de la participation citoyenne. La dévaluation accélérée de certaines formes de travail cognitif (si elle n'est pas accompagnée d'une redéfinition culturelle de la contribution sociale) génère des pathologies psychologiques et politiques bien documentées. Les crises de désespoir économique observées dans les communautés industrielles américaines après les délocalisations des années 1990-2000 (hausse de la mortalité, désintégration du tissu social, montée du vote protestataire) constituent un précédent empirique dont les mécanismes sont susceptibles de se reproduire à une échelle et une vitesse sans commune mesure.

Ce qui reste profondément incertain

La grande inconnue est la vitesse de franchissement des frontières capacitaires actuelles de l'IA. Si l'IA reste cantonnée aux tâches structurées et langagières de bas niveau, la disruption est sérieuse mais gérable dans le cadre des institutions existantes. Si les systèmes agentiques franchissent dans les deux à cinq prochaines années le seuil de fiabilité qui leur permet de conduire des projets complexes de façon autonome, la question change de nature. On parle alors de systèmes capables de décomposer un objectif stratégique en sous-tâches, de les exécuter en parallèle, de s'auto-corriger sur la base des résultats intermédiaires, et de livrer un output (un plan de restructuration, un diagnostic médical différentiel, un protocole de recherche, une analyse juridique complète) qui était jusqu'ici le produit de plusieurs semaines de travail qualifié. Le seuil critique n'est pas celui de la performance sur une tâche isolée, les modèles actuels l'ont déjà franchi dans de nombreux domaines. C'est celui de la fiabilité et de l'autonomie sur des chaînes de tâches longues et non structurées, là où l'erreur de propagation et le manque de jugement contextuel restent aujourd'hui les limites opérationnelles les plus contraignantes. Si ce seuil est franchi, nous entrons dans un régime où les modèles économiques actuels n'ont plus de précédent historique applicable.

Conclusion : la question qu'on n'ose pas poser

Le débat sur l'IA et l'emploi souffre d'un biais systématique : il est dominé par des acteurs qui ont un intérêt financier à l'optimisme (les entreprises tech) ou un intérêt idéologique à l'alarmisme (certains syndicats ou think-tanks politiques). Les données réelles en 2026 dessinent quelque chose de plus sobre et de plus complexe : une disruption réelle mais asymétrique, un paradoxe de productivité persistant, une fracture générationnelle qui s'approfondit, et des conséquences politiques et sociales qui pourraient précéder de plusieurs années les effets macroéconomiques mesurables.

La question qu'on n'ose pas vraiment poser est celle-ci : si les gains de productivité de l'IA s'accumulent structurellement au niveau du capital (via la compression des coûts salariaux, la concentration des rentes technologiques, et l’optimisation fiscale des plateformes) sans mécanisme de redistribution suffisant, alors le modèle de croissance des économies avancées devient insoluble. La consommation des ménages représente 70% du PIB américain et 55% du PIB européen. Elle repose sur des revenus du travail. Si ces revenus se compriment structurellement pour une fraction croissante de la population active, qui achète les biens et services que l'IA permet de produire plus efficacement ?

PERSIANCE est une plateforme de recherche macro indépendante. Les vues exprimées dans cet article sont celles de l'auteur et ne constituent pas un conseil en investissement.