Sur le sujet IA et emploi, la production de chiffres dépasse largement la production de mesures. Un même travail de recherche circule sous trois formes : ce que ses auteurs ont écrit, ce que la presse en a retenu, ce qu'un dirigeant en répète en réunion. À chaque étape, une réserve disparaît. Trier ce qui est mesuré, ce qui est modélisé et ce qui est deviné demande moins d'effort qu'on ne croit.
Le malentendu fondateur : exposé n'est pas supprimé
Tout commence par un document de travail publié en septembre 2013 par Carl Benedikt Frey et Michael Osborne, à Oxford. Sa conclusion, environ 47 % de l'emploi américain relève d'une catégorie à haut risque d'informatisation, est sans doute la statistique la plus recopiée de la décennie.
Sa méthode explique tout le reste. Les auteurs ont réuni un atelier à Oxford où un petit groupe de spécialistes a étiqueté à la main 70 professions, en répondant par oui ou par non à une question : cette profession est-elle automatisable dans les une à deux décennies qui viennent ? Un classifieur a ensuite étendu ce jugement aux 702 professions de la base O*NET, à partir de neuf variables décrivant les goulots d'étranglement de l'informatisation, de la dextérité fine à la perception sociale et à la persuasion.
Ce que produit cette chaîne n'est pas une prévision d'emploi, mais l'extrapolation statistique d'une opinion d'experts sur des professions entières. Frey et Osborne écrivent « à risque d'informatisation », pas « seront supprimés », et ne datent aucune destruction. Le glissement vers « l'IA va détruire un emploi sur deux » ne s'est pas produit dans l'article : il s'est produit dans les reprises.
La correction par les tâches, et ce qu'elle corrige vraiment
La critique la plus solide est venue de Melanie Arntz, Terry Gregory et Ulrich Zierahn, dans un document de travail de l'OCDE publié en 2016. Leur objection tient en une phrase : on n'automatise pas un métier, on automatise des tâches. Un intitulé classé à haut risque contient presque toujours une part de tâches réfractaires, et le ranger entier dans le lot fait gonfler le total. En reprenant les données individuelles de l'enquête PIAAC sur 21 pays, ils aboutissent à 9 % d'emplois automatisables en moyenne, de 6 % en Corée à 12 % en Autriche. Une réévaluation ultérieure de l'OCDE, sur un périmètre élargi, situe la part à haut risque autour de 14 %.
En France, le Conseil d'orientation pour l'emploi est arrivé en janvier 2017, sur les données de l'enquête Conditions de travail, à une conclusion du même ordre : moins de 10 % des emplois cumulent des vulnérabilités menaçant leur existence, mais la moitié des emplois est susceptible d'évoluer de façon significative dans leur contenu.
Deux remarques. D'abord, 9 % et 47 % ne se contredisent pas : ce sont deux constructions qui ne comptent pas la même chose. Ensuite, et c'est plus gênant, aucun des deux camps n'a mesuré quoi que ce soit sur des données d'emploi. Ce sont des jugements d'experts propagés par un modèle. Arntz et ses coauteurs le disent eux-mêmes : leurs 9 % ne doivent pas être assimilés à des pertes d'emploi attendues, ne serait-ce que parce qu'une technologie disponible n'est pas une technologie déployée.
Ce que l'OIT mesure sur l'IA générative
Le cadre a changé avec les modèles de langue, qui ne touchent plus les mêmes tâches. En mai 2025, l'Organisation internationale du travail et l'institut polonais NASK ont publié un indice révisé d'exposition professionnelle à l'IA générative. La presse en a retenu « un emploi sur quatre exposé ». Le détail dit autre chose.
Les auteurs distinguent quatre gradients d'exposition. Environ 25 % de l'emploi mondial présente une exposition quelconque, mais 3,3 % seulement relèvent du gradient le plus élevé. La répartition est très inégale : 34 % de l'emploi dans les pays à revenu élevé contre 11 % dans les pays à faible revenu, effet direct de la structure des économies. Elle est aussi genrée, la catégorie la plus exposée regroupant 4,7 % de l'emploi féminin contre 2,4 % de l'emploi masculin, écart qui se creuse avec le revenu du pays. Les métiers en tête sont administratifs : saisie, secrétariat, tenue de livres.
Côté méthode, les auteurs ont collecté 52 558 évaluations humaines portant sur 2 861 tâches, confrontées à des consultations d'experts, avant d'entraîner un assistant à généraliser ces scores à la classification ISCO-08. Plus solide qu'un atelier de 70 étiquettes, mais cela reste une opinion structurée sur ce qu'une machine pourrait faire, pas une observation de ce qui s'est passé. Et cet écart entre femmes et hommes ne dit rien des discriminations à l'embauche, autre registre, traité dans notre article sur d'où viennent réellement les biais algorithmiques.
💡 Quatre questions devant un chiffre sur l'IA et l'emploi
Qui l'a produit, à quelle date ? Mesure-t-il une exposition théorique ou une variation observée sur des données d'emploi ? Sur quel périmètre et quelle période ? Et s'il s'agit d'une projection, quel événement viendrait la démentir ? Un chiffre qui survit à ces quatre questions vaut qu'on s'en serve, les autres relèvent de la conversation. Nous travaillons ce tri avec les équipes en coaching et formation, avant de parler d'outils.
Les premières mesures sur données réelles
Depuis 2023, une autre littérature existe : elle observe des emplois plutôt qu'elle ne les note. Plus modeste, plus intéressante.
Les plateformes de travail indépendant ont servi de terrain précoce, les contrats y étant courts et la demande y réagissant vite. Ozge Demirci, Jonas Hannane et Xinrong Zhu ont relevé, dans les huit mois suivant la sortie de ChatGPT, une baisse de 21 % des annonces pour les missions de rédaction et de code relativement aux missions manuelles. Xiang Hui, Oren Reshef et Luofeng Zhou, côté indépendants, mesurent un recul plus faible en missions obtenues, environ 2 % pour les profils rédaction, mais des revenus mensuels en baisse d'environ 5,2 %. Détail contre-intuitif : les mieux notés ne sont pas protégés.
Le travail le plus commenté vient du Stanford Digital Economy Lab. Erik Brynjolfsson, Bharat Chandar et Ruyu Chen exploitent les registres de paie d'ADP, qui couvrent des dizaines de millions de salariés américains. Dans la version de novembre 2025 de Canaries in the Coal Mine?, les 22-25 ans des professions les plus exposées accusent un recul d'emploi relatif d'environ 16 %, quand leurs aînés dans les mêmes professions ne bougent pas. L'ajustement passe par le recrutement, non par les licenciements, et se concentre là où l'IA automatise plutôt qu'elle n'assiste. Les auteurs précisent qu'ils n'attribuent pas ce résultat à l'IA seule : beaucoup d'autres choses ont changé dans l'économie américaine sur la même période.
À l'inverse, le Budget Lab de Yale, qui suit depuis octobre 2025 la déformation de la structure des emplois américains, ne trouve pas de rupture macroéconomique : la composition professionnelle bouge un peu plus vite qu'aux débuts d'Internet, sans commune mesure avec ce qu'on annonçait, et le mouvement avait commencé avant la diffusion de l'IA générative.
Les deux résultats ne se contredisent pas : un effet net sur une cohorte, dans quelques professions, reste compatible avec une stabilité d'ensemble. C'est même la forme habituelle de ce genre de choc.
Là où un effet se voit, là où il ne se voit pas
L'état des lieux au début 2026 tient en trois catégories.
Un effet observable, dans des travaux portant sur des données réelles : rédaction de contenu standardisé, traduction de volume, production graphique de commande, une partie du support client de premier niveau, embauche débutante en développement logiciel. Le point commun n'est pas la difficulté de la tâche, c'est la faible dépendance à un contexte que la machine ne peut pas voir.
Un effet annoncé mais non établi : la santé, le droit, la comptabilité au-delà de la saisie, l'enseignement. Beaucoup de démonstrations, peu de séries d'emploi qui bougent. Responsabilité juridique, accès aux données et rythme des institutions y font des freins que les projections d'exposition ignorent par construction.
Un effet à peu près nul, et qui le restera : tout ce qui suppose un corps dans un lieu précis. Rappel utile aux économies où l'emploi informel et manuel domine, comme le montre notre état des lieux de l'IA au Maroc. L'exposition n'est pas une propriété de la technologie, mais d'une structure d'emploi donnée.
Le précédent historique, et pourquoi il ne prouve rien
L'exemple le plus employé pour rassurer est celui du guichetier de banque. James Bessen l'a documenté : leur nombre aux États-Unis a augmenté pendant les décennies de déploiement des distributeurs automatiques, d'environ 300 000 en 1970 à près du double au tournant des années 2000. Le distributeur a réduit le nombre de guichetiers nécessaires par agence, d'environ 20 à 13 entre 1988 et 2004 sur les marchés urbains : l'agence devenait moins chère à exploiter, donc plus fréquente, et les tâches restantes prenaient de la valeur.
La version courte omet la suite : l'emploi de guichetier recule nettement à partir des années 2010, quand la banque en ligne déplace la relation elle-même. La parabole a cessé d'être vraie à peu près au moment où elle devenait populaire, et elle enseigne l'inverse de ce qu'on lui fait dire. Automatiser une tâche peut faire croître un métier trente ans, puis le réduire quand une seconde technologie change le canal.
Sur le long terme, le résultat le plus robuste est celui de David Autor, Caroline Chin, Anna Salomons et Bryan Seegmiller, publié en 2024 dans le Quarterly Journal of Economics : la majorité de l'emploi américain de 2018 s'exerce dans des spécialités de métier apparues après 1940, reconstituées à partir de dizaines de milliers d'intitulés du recensement. Précision utile, il s'agit de spécialités nouvelles au sein de métiers parfois anciens, pas de professions inédites.
Cela établit que la création de travail nouveau a compensé par le passé. Pas qu'elle compensera cette fois, ni à quel rythme, ni pour les mêmes personnes. Une transition au solde positif sur quarante ans peut être brutale pour une cohorte. Le débat sérieux ne porte pas sur la fin du travail, mais sur la vitesse, la répartition et l'entrée dans le métier.
Ce qu'on ne sait pas
On ne sait pas mesurer la part de l'IA dans les décisions de non-recrutement : aucune statistique ne recense un poste qui n'a pas été ouvert. On ne sait pas séparer proprement un arbitrage de coût du capital d'un effet de technologie, sur une période où les deux ont bougé ensemble. Et on ne dispose de presque rien hors des États-Unis, l'essentiel des travaux sur données réelles reposant sur des sources américaines. C'est la limite la plus lourde de tout ce qui précède, et elle est rarement énoncée.
D'ici là, une règle de lecture suffit. Une prédiction sans méthode consultable n'est pas une information, c'est une prise de position. Elle peut se révéler juste, mais rien dans sa formulation ne permet de le savoir à l'avance, et ce n'est pas sur elle qu'on décide d'un plan de formation. Le vocabulaire compte aussi : notre lexique de l'IA sans jargon sépare quelques mots que ces débats confondent.
