Automatisation, IA et emplois : ce que montrent les données et ce qui relève encore des prévisions

Les affirmations sur l’intelligence artificielle et les emplois vont de « la moitié de tous les emplois vont disparaître » à « rien n’a changé ». La plupart de ces affirmations mêlent trois types de déclarations différentes : ce qui a été mesuré concernant l’automatisation passée, ce qui a été estimé quant aux tâches que les nouvelles technologies pourraient accomplir, et ce qui est prévu pour l’avenir. Cette étude les distingue. Elle examine les recherches les plus connues sur les robots industriels, les estimations largement citées des emplois « à risque » en raison de l’informatisation et les critiques qu’elles ont suscitées, les études sur l’exposition aux grands modèles de langage menées par des chercheurs d’OpenAI et de l’Organisation internationale du Travail, les expériences de terrain et de laboratoire sur l’IA générative et la productivité, ainsi que les premières études sur les résultats observés sur le marché du travail entre 2023 et 2026. Les constats établis sont plus limités que ne le laisse entendre le débat public : l’automatisation a déplacé des travailleurs dans certains lieux et au sein de certains groupes, tandis que l’emploi agrégé s’est jusqu’à présent ajusté ; l’IA générative accroît la productivité dans certaines tâches, en particulier chez les travailleurs moins expérimentés ; et les premières données administratives ne montrent aucun déplacement à l’échelle de l’économie, mais révèlent un écart croissant en matière d’emploi pour les jeunes travailleurs dans les professions les plus exposées. Tout ce qui va au-delà relève de prévisions.

Principaux constats

• Les robots ont eu des effets locaux mesurables. Dans les zones de navettage des États-Unis, un robot industriel supplémentaire pour mille travailleurs a réduit de 0,2 point de pourcentage le ratio emploi-population et de 0,42 % les salaires (Acemoglu et Restrepo, 2020). En Allemagne, les pertes d’emplois liées aux robots dans le secteur manufacturier ont été entièrement compensées par de nouveaux emplois dans les services, la charge pesant principalement sur les jeunes entrant sur le marché du travail (Dauth et al., 2021). Dans 17 pays entre 1993 et 2007, les robots ont accru la croissance annuelle de la productivité du travail d’environ 0,36 point de pourcentage sans réduire significativement l’emploi total (Graetz et Michaels, 2018).
• Les estimations des « emplois à risque » ne sont pas des prévisions de pertes d’emplois. L’estimation de Frey et Osborne, publiée en 2013, selon laquelle environ 47 % de l’emploi aux États-Unis présentait un risque élevé d’informatisation décrivait un potentiel technique « sur un nombre d’années non précisé, peut-être une ou deux décennies ». Une réanalyse fondée sur les tâches pour l’OCDE a conclu qu’en moyenne, 9 % des emplois dans 21 pays de l’OCDE étaient automatisables.
• Les grands modèles de langage peuvent concerner de nombreuses tâches. Eloundou et ses collègues estiment qu’environ 80 % de la main-d’œuvre américaine pourrait voir au moins 10 % de ses tâches professionnelles affectées par les grands modèles de langage, et environ 19 %, au moins la moitié ; avec les seuls LLM, environ 15 % des tâches pourraient être accomplies nettement plus rapidement à qualité égale, proportion qui passe à 47–56 % avec des logiciels construits à partir de ces modèles.
• L’OIT prévoit davantage de transformation que d’automatisation. Son indice de 2025 révèle qu’un travailleur sur quatre dans le monde exerce une profession présentant une certaine exposition à l’IA générative, et que 3,3 % de l’emploi mondial relève de la catégorie d’exposition la plus élevée — 4,7 % de l’emploi féminin contre 2,4 % de l’emploi masculin. L’exposition concerne 34 % de l’emploi dans les pays à revenu élevé, contre 11 % dans les pays à faible revenu.
• L’assistance par l’IA accroît la productivité dans les tâches mesurées. Parmi 5,172 agents du service client, l’accès à un assistant IA a augmenté de 15 % en moyenne le nombre de problèmes résolus par heure, les gains les plus importants étant observés chez les travailleurs moins expérimentés et moins qualifiés (Brynjolfsson, Li et Raymond, 2025). Dans une expérience menée auprès de 453 professionnels, ChatGPT a réduit de 40 % le temps consacré aux tâches rédactionnelles et amélioré la qualité de 18 % (Noy et Zhang, 2023).
• Les premières données sur les résultats ne montrent aucun déplacement agrégé. Les données administratives danoises montrent des effets nuls précis des chatbots d’IA sur les revenus et le nombre d’heures travaillées, excluant des effets supérieurs à 2 % deux ans après le lancement de ChatGPT (Humlum et Vestergaard, 2025). Les données de paie américaines jusqu’en juin 2026 ne montrent aucun déplacement généralisé, mais l’emploi des jeunes de 22–25 ans dans les professions exposées à l’IA est inférieur de 19 % à ce qu’il aurait été s’il avait évolué au même rythme que celui de leurs pairs moins exposés — un écart descriptif, et non une estimation causale (Brynjolfsson, Chandar et Chen, révision de 2026).
• Les gains macroéconomiques pourraient être modestes. Acemoglu (2025) estime que l’IA augmentera la productivité totale des facteurs de 0,66 % au plus sur dix ans, et peut-être de moins de 0,53 %.

Question de recherche et champ d’étude

Cette étude examine ce que la recherche a établi — et ce qu’elle n’a pas établi — au sujet des effets de l’automatisation et de l’IA sur l’emploi, les salaires et l’organisation du travail. Cette question nous intéresse parce qu’elle est au cœur du débat sur la « société post-travail » : les sociétés ont-elles besoin de nouvelles institutions — revenus de base, fonds de richesse sociale, nouvelles formes de propriété — parce que la demande de travail humain va diminuer ?

Le périmètre couvre les travaux évalués par les pairs et les recherches marquantes sous forme de documents de travail publiés entre 2013 et 2026, dans cinq catégories : études locales des marchés du travail sur les robots industriels ; estimations du « risque » associé aux professions ; indices d’exposition à l’IA générative ; expériences sur la productivité ; et premiers éléments administratifs sur les résultats sur le marché du travail depuis la mise à disposition de ChatGPT en novembre 2022. Nous n’examinons pas les prévisions du secteur, les rapports de conseil ni les enquêtes sur les intentions des dirigeants, qui sont souvent citées, mais rarement transparentes quant à leur méthode. D’autres études de l’atlas portent sur les éléments disponibles concernant les politiques de soutien au revenu susceptibles de répondre aux évolutions du marché du travail.

Contexte

Une vieille question

Les craintes de chômage technologique sont aussi anciennes que l’économie industrielle. John Maynard Keynes a forgé l’expression « chômage technologique » en 1930, qu’il définissait comme le chômage dû au fait que la découverte de moyens d’économiser le travail progresse plus vite que l’apparition de nouveaux usages du travail. Depuis, l’emploi dans les pays riches a progressé au fil de vagues répétées de mécanisation et d’informatisation.

Pourquoi les emplois ont résisté — jusqu’à présent

L’essai de David Autor paru en 2015, « Why Are There Still So Many Jobs? », résume l’explication dominante. L’automatisation se substitue bien au travail, comme elle est censée le faire, mais elle le complète aussi, accroît la production d’une manière qui stimule la demande de travail et interagit avec les ajustements de l’offre de travail. Selon Autor, les commentateurs ont tendance à exagérer la substitution des machines au travail et à ignorer ces complémentarités. La technologie modifie effectivement les emplois disponibles et leur rémunération : au cours des dernières décennies, une « polarisation » du marché du travail a entraîné des gains salariaux disproportionnés pour les personnes situées au sommet et à la base de la distribution des compétences, et non pour celles du milieu.

Les tâches, pas les emplois

Le cadre moderne, développé notamment par Daron Acemoglu et Pascual Restrepo, considère les emplois comme des ensembles de tâches. Dans leur modèle de 2018, l’automatisation des tâches existantes réduit l’emploi et la part du travail et peut faire baisser les salaires, tandis que la création de nouvelles tâches pour lesquelles le travail dispose d’un avantage comparatif produit l’effet inverse. L’évolution de la position du travail dépend de la course entre ces deux forces. Dans une version intégrant l’hétérogénéité des compétences, les inégalités augmentent pendant les transitions provoquées soit par une automatisation plus rapide, soit par de nouvelles tâches. Ce cadre explique pourquoi la question « combien d’emplois l’IA menace-t-elle ? » n’est pas la bonne : ce qui compte, c’est de savoir quelles tâches sont automatisées, quelles nouvelles tâches apparaissent et à quelle vitesse les travailleurs peuvent passer des unes aux autres.

Méthode et sources

Cinq types d’éléments probants

Comment l’atlas évalue les affirmations

Nous considérons les résultats des première et quatrième catégories comme établis lorsqu’ils proviennent d’études évaluées par les pairs et reposant sur une stratégie d’identification crédible, tout en reconnaissant qu’ils décrivent des technologies, des lieux et des périodes particuliers. Nous considérons les estimations de l’exposition comme établies en tant que mesures, mais pas comme des prévisions. Nous considérons le suivi précoce des résultats comme émergent : instructif, mais trop récent pour être concluant. Toute affirmation concernant l’emploi agrégé futur est considérée comme une prévision.

Résultats : robots industriels

États-Unis

Acemoglu and Restrepo (2020) étudient les effets des robots industriels sur les marchés du travail américains, en s’appuyant sur des variations de l’exposition aux robots définies à partir des progrès de la robotique au niveau des secteurs et de la composition sectorielle de chaque zone de navettage. Ils constatent des effets négatifs robustes sur l’emploi et les salaires : un robot supplémentaire pour mille travailleurs réduit le ratio emploi-population de 0,2 point de pourcentage et les salaires de 0,42 %. Les zones les plus exposées aux robots après 1990 ne présentent pas de tendances différentielles auparavant, et l’impact des robots se distingue de celui des autres formes de capital et des autres technologies.

Allemagne

Dauth, Findeisen, Suedekum and Woessner (2021) utilisent des données administratives détaillées pour étudier l’ajustement des marchés du travail locaux allemands aux robots industriels. L’exposition aux robots est associée à des suppressions d’emplois dans l’industrie manufacturière, mais ces pertes sont entièrement compensées par la création de nouveaux emplois dans les services. La charge pèse principalement sur les jeunes qui entrent tout juste dans la vie active et qui délaissent la formation professionnelle au profit des établissements d’enseignement supérieur. Les travailleurs déjà en poste connaissent une plus grande stabilité de l’emploi au sein de leur entreprise, souvent en assumant de nouvelles tâches dans leurs usines d’origine, et les travailleurs exerçant des professions comportant des tâches complémentaires, comme les cadres et les scientifiques techniques, en bénéficient.

Éléments probants issus de plusieurs pays

Graetz and Michaels (2018) analysent l’adoption des robots dans 17 pays entre 1993 et 2007. L’utilisation accrue des robots a contribué à hauteur d’environ 0,36 point de pourcentage à la croissance annuelle de la productivité du travail, tout en augmentant la productivité totale des facteurs et en faisant baisser les prix à la production. Ils constatent que les robots n’ont pas réduit de manière significative l’emploi total, même s’ils ont diminué la part des travailleurs peu qualifiés dans l’emploi.

Ce que les études sur les robots établissent

Ces trois études ne sont pas contradictoires. L’automatisation peut réduire l’emploi et les salaires dans les lieux et les groupes exposés, tandis que l’emploi global s’ajuste, en fonction des institutions, de la demande et du rythme d’adoption. Les effets distributifs — sur les régions, les jeunes entrants et les travailleurs peu qualifiés — sont mieux établis que tout effet global.

Résultats : estimations des emplois « à risque »

Frey et Osborne

Dans un document de travail daté du 17 septembre 2013, publié ultérieurement dans Technological Forecasting and Social Change (2017), Carl Benedikt Frey et Michael Osborne ont estimé la probabilité d’informatisation de 702 professions détaillées, en utilisant des évaluations d’experts pour un sous-ensemble et un classificateur statistique pour le reste. Ils ont conclu qu’environ 47% de l’emploi total aux États-Unis se trouvait dans la catégorie à haut risque, « ce qui signifie que les professions concernées sont potentiellement automatisables sur un nombre indéterminé d’années, peut-être une décennie ou deux ». Ils ont également constaté une forte relation négative entre la probabilité d’informatisation d’une profession et les salaires ainsi que le niveau de formation qui lui sont associés.

Critiques

Le chiffre de 47% est devenu l’un des nombres les plus cités dans le débat sur l’automatisation, souvent présenté comme une prévision selon laquelle la moitié des emplois disparaîtrait. Trois critiques sont importantes.

1. Les professions ne sont pas des tâches. Arntz, Gregory et Zierahn (2016) ont soutenu, pour l’OCDE, que supposer que des professions entières sont automatisées surestime l’automatisabilité, car les professions qualifiées à haut risque comportent souvent encore une part importante de tâches difficiles à automatiser. En tenant compte de l’hétérogénéité des tâches au sein des professions, ils ont constaté qu’en moyenne 9% des emplois dans 21 pays de l’OCDE étaient automatisables, la proportion allant de 6% en Corée à 12% en Autriche.
2. Le potentiel technique ne signifie pas adoption. L’automatisation d’une tâche dépend des coûts, de la réglementation, du changement organisationnel et de la demande, et pas seulement de la faisabilité technique. Frey et Osborne ont explicitement décrit un « calendrier approximatif » plutôt qu’une prévision de pertes d’emplois.
3. Les estimations au niveau individuel diffèrent. Nedelkoska et Quintini (2018), pour l’OCDE, se sont appuyés sur l’évaluation d’experts de Frey et Osborne, mais ont estimé le risque pour des emplois individuels en utilisant l’enquête sur les compétences des adultes menée dans 32 pays, en reliant le risque à l’utilisation des compétences et à la formation. Leur approche, comme celle d’Arntz et de ses collègues, produit des estimations bien inférieures à celles fondées sur les professions.

Une décennie plus tard

Plus d’une décennie après l’article de 2013, l’emploi aux États-Unis n’a pas diminué dans des proportions proches de 47%. Cela ne prouve pas que Frey et Osborne avaient tort, puisqu’ils n’ont pas prédit de date, mais illustre pourquoi les estimations du potentiel technique ne doivent pas être interprétées comme des prévisions.

Résultats : exposition à l’IA générative

« Les GPT sont des GPT »

Eloundou, Manning, Mishkin et Rock ont évalué la compatibilité des professions aux États-Unis avec les capacités des grands modèles de langage, en combinant les classifications d’annotateurs humains et de GPT-4. Leur première version a été publiée en mars 2023 ; l’étude a paru dans Science en 2024. Ils estiment qu’environ 80 % de la main-d’œuvre américaine pourrait voir au moins 10 % de ses tâches affectées par les LLM, et qu’environ 19 % des travailleurs pourraient voir au moins 50 % de leurs tâches affectées. Avec l’accès à un LLM, environ 15 % de l’ensemble des tâches des travailleurs pourraient être effectuées nettement plus rapidement à qualité égale ; avec des logiciels et des outils reposant sur les LLM, cette proportion passe à 47–56 %. Les effets projetés concernent tous les niveaux de salaire, les emplois mieux rémunérés étant potentiellement plus exposés. Les auteurs ne font explicitement aucune prédiction sur le calendrier du développement ou de l’adoption et soutiennent que les LLM présentent les caractéristiques des technologies à usage général.

Deux réserves s’imposent. « Affectée » signifie qu’une tâche pourrait être accomplie plus rapidement, et non qu’un travailleur serait remplacé. En outre, la classification repose en partie sur un modèle de langage évaluant son propre potentiel, ce qui soulève des questions de calibration.

L’analyse de l’ILO de 2023

La première étude mondiale de l’ILO (Gmyrek, Berg et Bescond, août 2023) a évalué l’exposition à GPT-4 et conclu que l’effet prépondérant de cette technologie serait probablement l’augmentation des capacités dans les professions plutôt que l’automatisation. Les emplois présentant un fort potentiel d’automatisation représentaient seulement 0,4 % de l’emploi dans les pays à faible revenu, contre 5,5 % dans les pays à revenu élevé. Le potentiel d’augmentation était plus important : il concernait 10,4 % de l’emploi dans les pays à faible revenu et 13,4 % dans les pays à revenu élevé. Les effets étaient fortement genrés : dans les pays à revenu élevé, les emplois présentant un fort potentiel d’automatisation représentaient 8,5 % de l’emploi féminin, contre 3,9 % de l’emploi masculin, en grande partie parce que les emplois de bureau constituent une source importante d’emploi pour les femmes.

L’indice affiné de l’ILO pour 2025

La mise à jour de 2025 (Gmyrek et al.) a reconstruit l’indice à partir d’un échantillon de 29,753 tâches tirées de la classification professionnelle polonaise, d’une enquête menée auprès de 1,640 travailleurs de tous les grands groupes professionnels, qui a fourni 52,558 points de données sur 2,861 tâches, ainsi que de cycles de type Delphi avec des experts internationaux. Elle conclut que les professions de bureau restent les plus exposées, que certaines professions hautement numérisées dans les domaines professionnel et technique sont devenues plus exposées, et qu’à l’échelle mondiale, un travailleur sur quatre exerce une profession présentant une certaine exposition à l’IA générative. 3.3% de l’emploi mondial se situe dans le gradient d’exposition le plus élevé — 4.7% de l’emploi féminin contre 2.4% de l’emploi masculin, un écart qui s’élargit à 9.6% contre 3.5% dans les pays à revenu élevé. L’exposition globale concerne 11% de l’emploi dans les pays à faible revenu et 34% dans les pays à revenu élevé. L’ILO conclut que, comme la plupart des professions comprennent des tâches nécessitant une contribution humaine, la transformation des emplois est l’impact le plus probable.

Résultats : expériences sur la productivité

Service client

Brynjolfsson, Li et Raymond étudient l’introduction échelonnée d’un assistant conversationnel d’IA générative auprès de 5,172 agents du service client. L’accès à une assistance par IA a augmenté la productivité, mesurée par le nombre de problèmes résolus par heure, de 15% en moyenne, avec une forte hétérogénéité. Les travailleurs moins expérimentés et moins qualifiés ont amélioré à la fois la rapidité et la qualité de leur travail, tandis que les travailleurs les plus expérimentés et les plus qualifiés ont enregistré de faibles gains de rapidité et une légère baisse de qualité. L’assistance par IA semble avoir aidé les travailleurs à apprendre et a amélioré leur maîtrise de l’anglais, particulièrement chez les agents internationaux. Les gains étaient les plus importants pour les problèmes relativement rares. Les clients se montraient plus polis et demandaient moins souvent à parler à un responsable.

Rédaction professionnelle

Noy et Zhang ont confié des tâches de rédaction incitatives, propres à différentes professions, à 453 professionnels diplômés de l’enseignement supérieur et ont donné aléatoirement à la moitié d’entre eux accès à ChatGPT. Le temps moyen nécessaire à l’accomplissement des tâches a diminué de 40% et la qualité du travail a augmenté de 18%. Les inégalités entre travailleurs ont diminué. Les travailleurs ayant utilisé ChatGPT dans le cadre de l’expérience étaient deux fois plus susceptibles de déclarer l’utiliser dans leur emploi réel deux semaines plus tard, et 1.6 fois plus susceptibles de le faire deux mois plus tard.

Ce que les expériences montrent — et ne montrent pas

Ces études établissent que les outils actuels d’IA générative peuvent accroître considérablement la productivité dans le cadre de tâches bien définies et que les gains tendent à être plus importants chez les travailleurs moins expérimentés — réduisant ainsi les écarts dans l’accomplissement de ces tâches. Elles ne montrent pas ce qu’il advient de l’emploi lorsque ces gains se généralisent. Une productivité plus élevée par travailleur peut réduire le nombre de travailleurs nécessaires, accroître la production et la demande, ou réorienter les travailleurs vers de nouvelles tâches ; les expériences ne permettent pas de déterminer quel effet prédominera.

Résultats : premiers effets sur le marché du travail, 2023–2026

Danemark : adoption rapide, aucun effet sur les revenus pour l’instant

Humlum et Vestergaard mettent en relation de vastes enquêtes sur l’adoption des agents conversationnels avec les registres administratifs danois du marché du travail. Ils documentent des « courants rapides » : la plupart des employeurs dans les professions exposées avaient adopté des initiatives liées aux agents conversationnels, les travailleurs faisaient état de gains de productivité et les nouvelles tâches liées à l’IA étaient largement répandues. Pourtant, au moyen de méthodes de différences-de-différences, ils estiment des effets nuls précis sur les revenus et les heures travaillées enregistrées, tant au niveau des travailleurs que des lieux de travail, excluant des effets supérieurs à 2% deux ans après le lancement de ChatGPT. C’est la structure du travail qui a évolué : les employeurs ont intégré l’IA en réorganisant les tâches, notamment en introduisant de nouvelles tâches de création de contenu, de supervision de l’IA et d’intégration de l’IA.

États-Unis : un écart qui se creuse pour les jeunes travailleurs

Brynjolfsson, Chandar et Chen utilisent des données de paie à haute fréquence d’ADP couvrant des millions de travailleurs américains. Leur article, publié pour la première fois en août 2025 puis révisé en août 2026 à partir de données allant jusqu’en juin 2026, ne relève aucun signe de déplacement généralisé de l’emploi à l’échelle de l’économie. Cependant, l’emploi des jeunes travailleurs âgés de 22 à 25 ans dans les professions exposées à l’IA se situe désormais 19 % en dessous de ce qu’il aurait été s’il avait évolué au même rythme que celui de leurs pairs moins exposés ; cet écart s’est creusé régulièrement depuis août 2025. Les travailleurs expérimentés ne présentent pas d’écart comparable. Cette divergence s’explique principalement par une diminution des embauches de jeunes travailleurs plutôt que par une hausse des départs, et se concentre dans les professions où l’utilisation de l’IA se substitue principalement aux tâches humaines ; dans celles où elle complète principalement le travail des salariés, l’emploi est stable ou en hausse. Cette tendance persiste lorsque les entreprises technologiques et les professions de l’informatique sont exclues, ainsi que lorsque l’on tient compte de l’exposition aux taux d’intérêt et du travail à distance. Elle s’atténue lorsque l’on tient compte du niveau d’études, certaines tendances divergentes sont observables avant l’IA générative, et elle est plus marquée dans l’échantillon d’ADP que dans les données de référence des enquêtes nationales. Les auteurs décrivent ces faits comme des indicateurs descriptifs précoces — des « canaris dans la mine de charbon » — et non comme des estimations causales.

Prévisions macroéconomiques

Dans « La macroéconomie simple de l’IA » (2025), Acemoglu utilise un modèle fondé sur les tâches et des estimations existantes de l’exposition et des gains de productivité au niveau des tâches pour estimer les effets agrégés. Il constate des effets macroéconomiques non négligeables, mais modestes — une hausse de la productivité totale des facteurs ne dépassant pas 0,66 % sur dix ans — et soutient que même ce chiffre pourrait être trop élevé, car les premières données portent sur des tâches faciles à apprendre, ce qui conduit à une estimation révisée inférieure à 0,53 %. Il soutient également que l’IA ne devrait probablement pas accroître les inégalités autant que les précédentes technologies d’automatisation, mais qu’aucun élément ne montre qu’elle réduira les inégalités de revenus du travail, et qu’elle devrait creuser l’écart entre les revenus du capital et ceux du travail.

Distinguer les données empiriques des prévisions

Ce que les données empiriques ne montrent pas

• Cela ne montre pas que l’IA entraînera un chômage de masse. Aucune étude examinée ici ne fournit, à ce jour, de preuve d’une perte nette d’emplois imputable à l’IA générative, et les estimations de l’exposition ne sont pas des estimations de suppressions d’emplois.
• Cela ne montre pas que l’IA n’entraînera pas de fortes pertes d’emplois. Les premières études des résultats portent sur deux à trois ans après l’apparition d’une technologie dont les capacités et l’adoption évoluent rapidement. Il a fallu des décennies pour que l’automatisation passée produise tous ses effets.
• Cela ne montre pas que l’automatisation passée constitue un guide fiable. Les études sur les robots portent sur une technologie principalement utilisée dans l’industrie manufacturière. L’IA générative touche les tâches cognitives et administratives dans tous les secteurs, y compris les emplois mieux rémunérés.
• Cela ne montre pas que les gains de productivité seront largement partagés. Les expériences mesurent la production par travailleur pour une tâche donnée, et non la répartition des gains.
• Cela ne permet pas d’identifier la cause de l’écart concernant les jeunes travailleurs. Les données sur les salaires déclarés sont descriptives et leurs résultats sont en partie atténués par la prise en compte du niveau d’études et des tendances préexistantes.
• Cela ne permet pas de trancher si l’exposition signifie augmentation des capacités ou substitution. Les indices de l’OIT et d’Eloundou mesurent ce qui pourrait être affecté ; une même exposition peut accroître ou réduire la demande de travail selon la façon dont les entreprises déploient la technologie.

Implications pour la conception des institutions

1. Mettre en place un suivi avant de concevoir des réponses. Les travaux récents les plus utiles relient les enquêtes sur l’adoption aux données administratives sur les salaires et aux dossiers fiscaux. Les gouvernements et les instituts de statistique devraient créer des indicateurs publics et régulièrement actualisés de l’adoption de l’IA, du recrutement, des rémunérations et de l’évolution des tâches par profession et par âge, afin que les politiques puissent s’appuyer sur des données plutôt que sur des prévisions.
2. Surveiller le recrutement des travailleurs en début de carrière. Si l’IA réduit le recrutement de jeunes travailleurs dans les professions exposées, les premières institutions mises à rude épreuve seront celles qui forment et placent les nouveaux entrants : apprentissages, programmes pour diplômés et premiers échelons des carrières professionnelles. Les études sur les robots en Allemagne ont également constaté que la charge retombait sur les jeunes entrants.
3. Préparer des aides au revenu pouvant être adaptées à mesure que les données s’accumulent. Les données sur les transferts monétaires examinées ailleurs dans l’atlas indiquent des effets modestes des paiements inconditionnels sur l’offre de travail. Des mécanismes de type assurance, qui se déclencheraient automatiquement lorsque les suppressions d’emplois mesurées augmentent, seraient plus défendables que des dispositifs universels prématurés ou l’absence totale de plan.
4. Traiter le partage entre capital et travail comme une question de conception. Si l’IA creuse l’écart entre les revenus du capital et ceux du travail, comme le prévoit Acemoglu, les débats sur les fonds de patrimoine social, le partage des bénéfices ou les « dividendes de l’IA » deviennent des questions de propriété, et pas seulement de prestations.
5. Favoriser l’augmentation des capacités, et pas seulement lutter contre les suppressions d’emplois. Les expériences montrent que les outils d’IA peuvent accroître la productivité des travailleurs les moins expérimentés. La formation, les marchés publics et la concertation sur le lieu de travail peuvent orienter le déploiement vers une complémentarité avec les travailleurs — l’un des rares leviers disponibles avant que les résultats ne soient connus.
6. Présenter les prévisions comme des prévisions. Le débat public gagnerait à adopter la rigueur employée dans cette étude : distinguer ce qui a été mesuré, ce qui a été modélisé et ce qui est prédit, en indiquant chaque fois la date et la source.

Questions en suspens

• L’écart d’emploi concernant les jeunes travailleurs dans les professions exposées à l’IA va-t-il persister, s’accentuer ou se résorber, et l’IA en est-elle la principale cause ?
• À quelle vitesse la réorganisation des tâches au sein des entreprises — avec l’apparition de nouvelles tâches de supervision et d’intégration de l’IA — se traduira-t-elle par des changements de salaires et de structure professionnelle ?
• L’IA générative suivra-t-elle la trajectoire des précédentes vagues d’automatisation, avec des effets locaux et distributifs, mais un emploi global stable, ou son extension à tous les secteurs produira-t-elle des effets agrégés plus importants ?
• Comment l’exposition genrée des emplois administratifs affectera-t-elle l’emploi des femmes, en particulier dans les pays à revenu élevé ?
• Quelle part des gains de productivité induits par l’IA reviendra aux travailleurs, aux consommateurs et aux détenteurs de capital ?

Sources

1. Acemoglu, D. and Restrepo, P. (2020). "Robots and Jobs: Evidence from US Labor Markets." Journal of Political Economy 128(6): 2188–2244. doi:10.1086/705716
2. Acemoglu, D. and Restrepo, P. (2018). "The Race between Man and Machine: Implications of Technology for Growth, Factor Shares, and Employment." American Economic Review 108(6): 1488–1542. doi:10.1257/aer.20160696
3. Dauth, W., Findeisen, S., Suedekum, J. and Woessner, N. (2021). "The Adjustment of Labor Markets to Robots." Journal of the European Economic Association 19(6): 3104–3153. doi:10.1093/jeea/jvab012
4. Graetz, G. and Michaels, G. (2018). "Robots at Work." Review of Economics and Statistics 100(5): 753–768. doi:10.1162/rest_a_00754
5. Frey, C. B. and Osborne, M. A. (2013). The Future of Employment: How Susceptible Are Jobs to Computerisation? Document de travail de l’Oxford Martin School. PDF ; publié dans Technological Forecasting and Social Change 114 (2017): 254–280, doi:10.1016/j.techfore.2016.08.019
6. Arntz, M., Gregory, T. and Zierahn, U. (2016). The Risk of Automation for Jobs in OECD Countries: A Comparative Analysis. Documents de travail de l’OCDE sur les questions sociales, l’emploi et les migrations 189. doi:10.1787/5jlz9h56dvq7-en
7. Nedelkoska, L. and Quintini, G. (2018). Automation, skills use and training. Documents de travail de l’OCDE sur les questions sociales, l’emploi et les migrations 202. doi:10.1787/2e2f4eea-en
8. Autor, D. H. (2015). "Why Are There Still So Many Jobs? The History and Future of Workplace Automation." Journal of Economic Perspectives 29(3): 3–30. doi:10.1257/jep.29.3.3
9. Eloundou, T., Manning, S., Mishkin, P. and Rock, D. (2024). "GPTs are GPTs: Labor market impact potential of LLMs." Science 384(6702): 1306–1308. doi:10.1126/science.adj0998 ; document de travail arXiv:2303.10130
10. Gmyrek, P., Berg, J. and Bescond, D. (2023). Generative AI and Jobs: A global analysis of potential effects on job quantity and quality. Document de travail de l’OIT 96. doi:10.54394/FHEM8239
11. Gmyrek, P., Berg, J., Kamiński, K. et al. (2025). Generative AI and Jobs: A Refined Global Index of Occupational Exposure. Document de travail de l’OIT. doi:10.54394/HETP0387
12. Brynjolfsson, E., Li, D. and Raymond, L. (2025). "Generative AI at Work." Quarterly Journal of Economics 140(2): 889–942. doi:10.1093/qje/qjae044
13. Noy, S. and Zhang, W. (2023). "Experimental evidence on the productivity effects of generative artificial intelligence." Science 381(6654): 187–192. doi:10.1126/science.adh2586
14. Humlum, A. and Vestergaard, E. (2025). Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI. Document de travail du NBER 33777. doi:10.3386/w33777
15. Brynjolfsson, E., Chandar, B. and Chen, R. (2025, révisé en 2026). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab. digitaleconomy.stanford.edu
16. Acemoglu, D. (2025). "The simple macroeconomics of AI." Economic Policy 40(121): 13–58. doi:10.1093/epolic/eiae042