L’IA ne provoque pas encore de chômage de masse. Elle commence peut-être plus discrètement : en supprimant les premières marches qui permettaient d’apprendre un métier, tout en rendant les profils expérimentés beaucoup plus productifs. Le problème n’est plus seulement de savoir quels emplois disparaîtront, mais combien d’Humains+ l’économie aura encore besoin d’employer.

Il y a quelques jours, j’ai téléchargé une étude de Stanford de 140 pages sur les premiers effets visibles de l’intelligence artificielle sur l’emploi. Je l’ai donnée à mon IA en lui demandant de la lire, de l’analyser, de vérifier sa méthodologie et surtout de m’expliquer ce que l’on pouvait réellement en conclure, sans transformer une corrélation en vérité absolue.

Quarante-neuf secondes plus tard, j’avais une première analyse structurée de l’étude, de ses résultats, de ses limites statistiques et de plusieurs questions que les auteurs laissaient ouvertes.

Ma première réaction a été assez peu académique : « Bon, la messe est dite. »

Évidemment, elle ne l’est pas. Quarante-neuf secondes de traitement ne remplacent pas les économistes qui ont conçu l’étude, travaillé sur plusieurs millions de fiches de paie, construit les modèles statistiques et passé des mois à essayer de distinguer ce qui pouvait relever de l’IA de ce qui pouvait provenir du Covid, des taux d’intérêt, du télétravail ou de l’évolution générale du marché du travail. Mais prétendre que rien d’important ne vient de se produire serait tout aussi absurde.

Une tâche intellectuelle qui m’aurait demandé plusieurs heures, peut-être une journée entière si j’avais voulu la faire correctement, venait d’être considérablement compressée. Lire, extraire, classer, synthétiser, comparer des arguments, repérer des réserves méthodologiques : une grande partie de ce travail relève précisément de ce que les chercheurs appellent du savoir codifié.

Et c’est justement là que leur étude devient intéressante.

Le premier emploi perdu pourrait être celui qui n’a jamais existé

L’étude s’intitule Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Erik Brynjolfsson, Bharat Chandar et Ruyu Chen y utilisent des données de paie fournies par ADP, l’un des plus grands gestionnaires de paie américains. Après leurs différents filtres méthodologiques, ils suivent chaque mois entre 3,5 et 5 millions de travailleurs américains.

Le premier résultat est important parce qu’il contredit beaucoup de titres faciles : les chercheurs ne constatent pas, à ce stade, de destruction massive et généralisée de l’emploi dans les professions les plus exposées à l’intelligence artificielle. L’économie américaine continue de créer des emplois et le scénario d’un chômage de masse déjà provoqué par ChatGPT n’apparaît tout simplement pas dans leurs données.

Le deuxième résultat est nettement moins rassurant. Chez les travailleurs âgés de 22 à 25 ans, l’emploi dans les professions les plus exposées à l’IA évolue beaucoup moins favorablement que dans les métiers peu exposés. Entre novembre 2022 et juin 2026, l’emploi des jeunes dans les deux quintiles les plus exposés recule d’environ 11 %, tandis qu’il progresse d’environ 10 % dans les trois quintiles les moins exposés. Les auteurs estiment ainsi que l’emploi de ces jeunes dans les métiers fortement exposés se situe environ 19 % sous le niveau qu’il aurait atteint s’il avait suivi la trajectoire des métiers moins exposés.

Il faut immédiatement ajouter l’astérisque qui manque souvent dans les titres : Stanford ne démontre pas que l’IA a supprimé 19 % des emplois juniors américains. Les auteurs insistent eux-mêmes sur le caractère descriptif de leur travail. Leur échantillon ADP n’est pas parfaitement représentatif de l’économie américaine et d’autres sources nationales donnent des effets globaux plus faibles. Dans l’American Community Survey, par exemple, l’écart entre les professions les plus et les moins exposées est beaucoup plus limité sur l’ensemble des jeunes travailleurs, même s’il devient nettement plus important dans les services professionnels, l’information et la finance.

Mais il existe un troisième résultat beaucoup plus difficile à balayer d’un revers de main : la détérioration observée chez les jeunes ne provient principalement pas d’une augmentation des départs ou des licenciements. Elle passe surtout par le recrutement.

Les entreprises embauchent moins de jeunes dans les professions exposées.

C’est probablement la phrase qui résume le mieux le problème :

Le premier effet visible de l’IA sur l’emploi pourrait ne pas être « quelqu’un est licencié ». Ce pourrait être « quelqu’un n’est jamais recruté ».

C’est beaucoup moins spectaculaire qu’une fermeture d’usine. Un salarié quitte une entreprise et on ne le remplace pas. Une équipe qui aurait normalement accueilli trois diplômés n’en engage plus qu’un. Un cabinet qui recrutait vingt jeunes chaque année en recrute douze. Personne ne reçoit de lettre de licenciement, personne ne descend dans la rue et aucun journal télévisé n’ouvre son édition sur les huit emplois qui n’ont jamais été créés.

Pourtant, ils ont disparu du système.

Le junior était lent. C’était aussi à cela qu’il servait.

C’est ici que le papier de Stanford devient beaucoup plus intéressant qu’une simple étude sur l’emploi. Les chercheurs distinguent notamment le savoir codifié du savoir tacite.

Le savoir codifié peut être documenté, enseigné et formalisé : règles comptables, procédures, statistiques, syntaxe informatique, droit, documentation technique, méthodes d’analyse, informations structurées. Le savoir tacite se construit davantage avec l’expérience : comprendre un client, arbitrer sous incertitude, reconnaître une mauvaise décision avant que les chiffres ne la confirment, négocier, gérer une équipe, lire une situation ambiguë ou savoir qu’une solution techniquement parfaite va échouer dans la réalité.

Les systèmes d’IA actuels sont particulièrement efficaces sur la première catégorie. Or une grande partie du travail que nous confiions historiquement aux débutants reposait précisément sur ce savoir codifié. On demandait au junior de préparer une première analyse, de compiler des informations, d’écrire une version préliminaire, de produire un tableau, de coder une fonction relativement simple ou de rédiger une première note. Le résultat n’était pas toujours extraordinaire et, soyons sérieux, personne n’a jamais recruté un jeune diplômé parce qu’il produisait dès son premier lundi le meilleur travail de l’entreprise.

Il produisait quelque chose d’utile tout en apprenant.

Le senior relisait, corrigeait, expliquait, emmenait le jeune en réunion, lui montrait pourquoi une décision était théoriquement correcte mais pratiquement absurde. Le junior se trompait, observait les conséquences de ses erreurs et accumulait progressivement ce fameux savoir tacite que l’on acquiert beaucoup plus difficilement dans un manuel.

Quelques années plus tard, il devenait senior.

Les auteurs de Stanford observent justement que les professions fortement dépendantes du savoir codifié évoluent moins favorablement pour les jeunes travailleurs, alors que l’expérience et le savoir tacite semblent davantage protéger les salariés plus avancés dans leur carrière. Ils avancent l’hypothèse que l’IA automatise précisément les tâches vérifiables et structurées qui justifiaient historiquement une partie des effectifs débutants.

Cela produit un problème auquel il va falloir répondre beaucoup plus sérieusement que par quelques formations à « l’utilisation responsable de ChatGPT ».

Comment devient-on senior lorsqu’il n’existe plus de poste pour apprendre à être junior ?

Une entreprise pourra très bien annoncer en 2035 qu’elle recherche désespérément des professionnels disposant de dix ans d’expérience, après avoir passé les dix années précédentes à supprimer les postes qui permettaient précisément d’acquérir cette expérience.

Les seniors ne sont pas sauvés, ils sont simplement plus loin dans la file.

C’est également là qu’il faut éviter une lecture trop rassurante de l’étude. Les travailleurs expérimentés sont actuellement beaucoup moins touchés que les 22-25 ans, mais cela ne signifie absolument pas qu’ils soient protégés. Cela signifie seulement que, jusqu’en juin 2026, les chercheurs n’observent pas chez eux le même décrochage.

Prenons trois consultants seniors produisant chacun 100 unités de travail. L’entreprise dispose donc d’une capacité totale de 300. Elle leur donne maintenant accès à de très bons systèmes d’IA et, un an plus tard, chacun est capable de produire l’équivalent de 300 unités. Le gain de productivité est spectaculaire, mais il ouvre immédiatement deux scénarios économiques très différents.

Dans le premier, l’entreprise conserve ses trois consultants et triple sa capacité de production. Elle sert davantage de clients, développe de nouveaux services et génère davantage de chiffre d’affaires. C’est la grande promesse de l’augmentation : l’intelligence artificielle ne remplace pas l’humain, elle lui donne davantage de pouvoir.

Dans le second scénario, la demande reste identique. L’entreprise a toujours besoin de 300 unités de travail et découvre qu’un seul consultant peut désormais produire ce qui nécessitait autrefois trois personnes. L’augmentation du premier devient alors la substitution des deux autres.

L’étude de Stanford apporte ici un élément particulièrement intéressant. En utilisant des données issues de l’Anthropic Economic Index, les chercheurs distinguent les usages où l’IA réalise directement une tâche de ceux où elle collabore davantage avec le travailleur. Les déclins observés chez les jeunes se concentrent davantage dans les professions où l’utilisation de l’IA est automatisante. Les usages complémentaires présentent un profil différent et peuvent même être associés à de meilleures évolutions de l’emploi chez certaines catégories expérimentées.

La question n’est donc probablement plus seulement : « Ce métier est-il exposé à l’intelligence artificielle ? »

Il faut désormais demander : qu’allons-nous faire de la productivité supplémentaire ?

C’est précisément à ce moment-là que « augmenter ou remplacer » cesse d’être une question technologique. Cela devient une question économique et, assez rapidement, une question politique.

Historiquement, l’entreprise a une réponse assez prévisible

L’histoire de l’automatisation est souvent racontée de manière rassurante : les machines détruisent certaines tâches, mais elles augmentent la productivité, réduisent les prix, créent de nouveaux produits et finissent par générer de nouvelles professions. C’est globalement vrai. Les auteurs de Stanford rappellent eux-mêmes que les grandes transitions technologiques précédentes ont finalement été accompagnées d’une croissance de l’emploi et des salaires réels, après une période d’adaptation du capital, des organisations et des compétences.

Mais il faut distinguer l’économie dans son ensemble de l’entreprise individuelle. Une entreprise qui découvre qu’elle peut produire le même résultat avec dix personnes pendant que son concurrent en emploie vingt possède un avantage immédiat. Elle peut vendre moins cher, augmenter ses marges, investir davantage ou prendre des parts de marché. Rien, dans son fonctionnement normal, ne l’incite spontanément à conserver dix personnes devenues inutiles simplement parce que cela serait préférable pour le marché du travail dans cinq ans.

Historiquement, ce qui compense ce phénomène se situe à un étage supérieur. La productivité libère des ressources, de nouveaux besoins apparaissent, de nouvelles entreprises sont créées et les travailleurs se déplacent progressivement vers de nouvelles activités. Le problème particulier de l’IA pourrait cependant être la vitesse avec laquelle les deux phénomènes se produisent : supprimer ou ne pas renouveler un poste peut demander quelques mois, tandis que former un humain pour une nouvelle profession peut demander plusieurs années.

Voilà pourquoi je reste prudent devant les discours très optimistes sur « l’augmentation ». Sam Altman, par exemple, mise énormément sur l’idée que l’intelligence abondante permettra aux humains de produire davantage, d’inventer de nouvelles choses et de créer suffisamment d’activités pour absorber une partie considérable de cette nouvelle productivité.

Ce scénario est parfaitement possible. Il n’est simplement pas automatique.

Le junior pourrait devenir un investissement dont personne ne veut payer seul le coût

Plusieurs chercheurs et institutions commencent justement à réfléchir à cette disparition potentielle des premières marches de carrière. Brookings, un important centre américain de recherche sur les politiques publiques, propose notamment de s’inspirer du modèle de la résidence médicale. L’idée consiste à ne plus considérer le jeune uniquement comme un salarié destiné à produire des tâches simples, mais comme un professionnel explicitement recruté pour apprendre un métier sous la supervision de profils expérimentés.

McKinsey explore une logique assez proche : si les tâches faciles qui formaient autrefois les débutants sont réalisées par l’IA, l’entreprise doit transformer la formation en processus volontaire. Il faut organiser l’observation, la pratique, la confrontation aux erreurs et la progression vers l’autonomie, même lorsque cela réduit temporairement la productivité.

Sur le papier, c’est séduisant. Économiquement, c’est beaucoup moins simple.

Aux États-Unis, une partie considérable du coût des études supérieures est aujourd’hui supportée par les étudiants, leurs familles, des prêts ou des mécanismes publics. L’entreprise reçoit ensuite un diplômé qui n’est pas encore expert mais qui fournit malgré tout une certaine quantité de travail utile pendant qu’il apprend. Si une IA fournit désormais une grande partie de ce travail pour une fraction du coût, le calcul financier change profondément.

Le junior doit toujours recevoir un salaire. Il mobilise du temps de senior pour être formé, commet des erreurs et n’est plus nécessairement indispensable aux tâches simples qui faisaient autrefois sa valeur économique immédiate. Après trois ou quatre années d’investissement, il peut parfaitement quitter l’entreprise pour rejoindre un concurrent.

Le directeur financier peut donc poser une question assez difficile à contester : pourquoi devrions-nous payer seuls pour fabriquer un expert que quelqu’un d’autre pourra recruter une fois qu’il sera devenu rentable ?

Le junior pourrait ainsi passer du statut de salarié peu expérimenté à celui d’investissement en capital humain à rendement différé. L’entreprise accepte une rentabilité faible ou négative aujourd’hui parce qu’elle espère disposer d’un professionnel très productif demain. C’est exactement ce que nous faisons lorsque nous investissons dans une machine, à une différence assez importante près : la machine remet rarement sa démission pour partir travailler chez le concurrent.

Ce raisonnement produit un problème classique de passager clandestin. Chaque entreprise peut avoir intérêt à laisser les autres former les talents et à les recruter ensuite. Si tout le monde adopte la même stratégie, plus personne ne fabrique les experts dont tout le monde aura pourtant besoin.

Nous pourrions alors être obligés de mutualiser ce coût : fonds sectoriels, apprentissage rémunéré, systèmes d’alternance, incitations fiscales, partenariats entre entreprises et enseignement ou mécanismes que nous n’avons pas encore imaginés.

Et cela nous conduit à une conclusion assez peu compatible avec l’obsession actuelle pour l’efficacité :

Nous pourrions devoir accepter une certaine inefficacité humaine aujourd’hui afin de conserver des humains compétents demain.

Peut-être que les universités vont devoir arrêter de se prendre pour Internet

Le problème ne s’arrête évidemment pas à l’entreprise. Si l’IA modifie la première partie des carrières, elle va également transformer la façon dont nous préparons les jeunes avant leur entrée sur le marché du travail.

Depuis des décennies, une grande partie du système universitaire repose sur une proposition relativement simple : des personnes possédant une expertise transmettent cette connaissance à des étudiants, dans un lieu et selon un horaire déterminés. Cette proposition de valeur devient nettement moins évidente lorsqu’un étudiant peut disposer en permanence d’un tuteur individuel capable d’expliquer un concept de dix manières différentes, de générer des exercices adaptés à ses erreurs, de répondre à trois heures du matin et de recommencer sans soupirer lorsque la quatrième explication n’a toujours pas fonctionné.

Mark Zuckerberg évoque explicitement cette perspective en imaginant que chacun puisse disposer d’un tuteur personnalisé de très haut niveau dans chaque matière. Sam Altman défend lui aussi depuis longtemps l’idée que l’intelligence artificielle pourrait fournir un enseignement extrêmement individualisé à très grande échelle.

Cela ne rend pas le professeur humain inutile. Cela change probablement l’endroit où se trouve sa valeur.

Le professeur de demain pourrait être beaucoup moins la personne chargée de transmettre une information et beaucoup plus celle qui vérifie que l’étudiant apprend réellement à penser. Il organise la confrontation, impose parfois l’effort, provoque le doute, évalue la compréhension profonde, crée des situations sociales et oblige l’étudiant à défendre un raisonnement plutôt qu’à produire une réponse correcte.

Il pourrait même devenir la personne qui dit : « Pour cet exercice, tu n’utiliseras pas l’IA. »

Et ce rôle pourrait devenir essentiel.

Savoir utiliser l’IA ne suffira pas. Il faudra parfois savoir ne pas l’utiliser.

Deux étudiants peuvent aujourd’hui rendre une excellente analyse produite avec l’aide d’un système d’intelligence artificielle. Le premier utilise l’outil pour chercher, confronter plusieurs hypothèses, identifier ses erreurs, demander une explication complémentaire et améliorer progressivement son raisonnement. Le second écrit simplement : « Fais-moi une excellente analyse de ce sujet. »

Le document final peut être quasiment identique.

Le capital intellectuel accumulé ne l’est absolument pas.

C’est probablement l’un des grands problèmes éducatifs des prochaines années. Nous allons devoir distinguer la personne devenue plus compétente grâce à l’IA de celle dont l’IA est simplement devenue compétente à sa place.

Cela implique un changement assez radical dans ce que nous considérons comme une bonne utilisation de la technologie. Le mantra actuel est « apprenez à utiliser l’IA ». C’est évidemment nécessaire. Mais la véritable compétence rare pourrait progressivement devenir : savoir quand il ne faut pas l’utiliser, savoir contester sa réponse et être capable de reconstruire le raisonnement sans elle.

Autrement, nous risquons de fabriquer une génération capable de produire un travail de niveau senior sans avoir jamais construit l’architecture intellectuelle qui permet à un senior de comprendre pourquoi ce travail est bon.

C’est la différence entre capacité apparente et compétence réelle.

Et si les études supérieures devenaient beaucoup plus proches de l’apprentissage ?

C’est là que la vieille opposition entre études académiques et apprentissage pourrait devenir beaucoup moins évidente. Pour certaines professions, des années d’études fondamentales resteront évidemment nécessaires : personne ne souhaite un chirurgien ou un ingénieur nucléaire dont toute la formation théorique aurait consisté à poser de bonnes questions à une IA.

Pour une grande partie des métiers tertiaires, en revanche, on peut imaginer un modèle différent. Une formation générale solide pourrait être suivie beaucoup plus rapidement d’une immersion professionnelle, accompagnée à la fois par un tuteur humain expérimenté et une IA pédagogique. L’étudiant apprendrait une partie de la théorie au moment où il en a besoin et confronterait immédiatement cette connaissance au réel.

L’entreprise redeviendrait alors davantage un lieu de formation et le senior une partie intégrante du système éducatif. L’école transmettrait les fondamentaux, les méthodes de raisonnement, l’esprit critique et la culture générale ; l’IA individualiserait une partie de l’apprentissage ; l’entreprise fournirait le contexte, les situations complexes et le savoir tacite.

Après avoir séparé pendant des décennies le lieu où l’on apprend du lieu où l’on travaille, nous pourrions finalement nous rapprocher à nouveau de quelque chose qui ressemble beaucoup à… l’apprentissage.

Avec, évidemment, une petite question désagréable que les belles présentations PowerPoint oublient souvent : qui paiera ?

L’IA pourrait créer une génération d’Humains+

C’est à ce stade qu’Alexandr Wang devient intéressant. L’ancien fondateur de Scale AI, aujourd’hui au cœur de la stratégie d’intelligence artificielle de Meta, explique depuis quelque temps que les jeunes devraient passer énormément de temps avec ces systèmes. Selon lui, ceux qui accumuleront des milliers d’heures d’expérience avec les outils d’IA pourraient disposer d’un avantage comparable à celui des premières générations ayant grandi avec l’ordinateur personnel.

Il est probablement difficile de lui donner complètement tort.

Nous allons vraisemblablement voir apparaître une nouvelle catégorie de travailleurs que l’expression « utilisateur d’IA » décrit assez mal. Il ne s’agira plus de quelqu’un qui ouvre occasionnellement ChatGPT pour améliorer un texte, mais d’un individu dont la capacité professionnelle inclut presque en permanence plusieurs intelligences externes.

Il recherche plus vite, comprend davantage de documents, teste davantage d’hypothèses, produit davantage de variantes, code avec beaucoup moins de friction, traduit, analyse, simule, prépare une négociation et peut disposer en permanence de spécialistes virtuels capables de travailler pour lui.

Humain + IA = Humain+.

Et cela risque de créer une transition générationnelle particulièrement étrange. Les seniors actuels ont construit leur expertise sans IA et peuvent maintenant ajouter la technologie à une compétence réelle déjà acquise. Les générations futures grandiront probablement avec ces systèmes comme une extension naturelle de leur capacité cognitive. Entre les deux se trouvent les jeunes qui entrent aujourd’hui sur le marché du travail : les anciennes méthodes d’apprentissage commencent à disparaître alors que les nouvelles n’existent pas encore réellement.

Ce sont peut-être eux, davantage encore que n’importe quelle profession particulière, les véritables « canaris dans la mine ».

Le piège de l’Humain+ : nous n’aurons peut-être pas besoin de tout le monde

Le concept d’Humain+ contient pourtant une contradiction que les discours technologiques ont tendance à sous-estimer.

Imaginons que la promesse se réalise. Les salariés deviennent réellement trois fois plus productifs. Les développeurs codent trois fois plus vite, les marketeurs gèrent trois fois plus de campagnes, les analystes traitent trois fois plus de données et les juristes préparent trois fois plus de dossiers.

C’est formidable si la demande augmente également par trois.

Mais si elle n’augmente que de 20 % ?

L’entreprise n’a plus besoin de quinze personnes pour produire ce que cinq Humains+ peuvent produire. Cela ne signifie pas que l’IA a « remplacé les humains » au sens traditionnel du terme. Les cinq personnes restantes ont même été spectaculairement augmentées.

Mais les dix autres ont tout de même un problème.

C’est pourquoi les formulations du type « l’IA ne remplacera pas l’humain, elle l’augmentera » me paraissent désormais beaucoup trop simples. L’augmentation de l’un peut être le mécanisme économique qui rend les autres inutiles.

Les deux choses peuvent être vraies simultanément.

The Gentle Singularity pourrait simplement ressembler à un budget annuel

Sam Altman utilise une expression que je trouve particulièrement intéressante : The Gentle Singularity, la singularité douce.

Nous avons tendance à imaginer la singularité comme un événement spectaculaire. Un ordinateur devient soudain plus intelligent que l’humanité, quelqu’un annonce la nouvelle et le monde bascule entre le journal télévisé de vingt heures et le dîner.

Altman imagine quelque chose de beaucoup plus banal. Une capacité extraordinaire apparaît, nous sommes stupéfaits pendant quelques semaines, puis nous l’intégrons à notre quotidien. Ce qui semblait impossible devient utile, puis normal, puis simplement attendu.

Mes quarante-neuf secondes devant les 140 pages de Stanford illustrent assez bien cette mécanique. Il y a quelques années, obtenir presque instantanément une première analyse détaillée d’un document scientifique aussi long aurait été une démonstration de science-fiction. Aujourd’hui, ma réaction a surtout été de regarder le chronomètre.

Le bouleversement du travail pourrait suivre exactement le même chemin. Pas vingt millions de licenciements le même mardi matin, mais une succession de décisions parfaitement rationnelles prises dans des milliers d’entreprises.

« Paul part à la retraite. On le remplace ? »

« Non, l’équipe peut absorber son travail avec les nouveaux agents. »

Puis une autre décision identique. Puis une autre.

Quelques années plus tard, nous découvrirons peut-être que les équipes sont devenues beaucoup plus petites, que les entreprises produisent davantage avec moins de personnes, que certains jeunes n’arrivent plus à entrer dans les professions qu’ils visaient et que les employeurs recherchent simultanément des experts qu’ils ont cessé de former.

Personne n’aura besoin de connaître la définition de la singularité, nous pourrons parfaitement être en train de la vivre sans savoir comment elle s’appelle.

Le débat ne devrait plus porter uniquement sur les emplois

Une grande partie du débat public actuel reste coincée entre deux images. D’un côté, l’IA est présentée comme un outil extraordinaire qui va nous libérer des tâches pénibles. De l’autre, elle devient une sorte de Terminator économique destiné à supprimer des millions d’emplois.

La réalité pourrait être beaucoup plus dérangeante parce qu’elle sera moins spectaculaire.

L’IA peut automatiser certaines tâches, augmenter certaines personnes, créer de nouvelles entreprises, réduire les coûts, améliorer les produits et permettre à de petites équipes de réaliser ce qui nécessitait hier des centaines de personnes. Elle peut simultanément supprimer des postes juniors, concentrer davantage de production entre les mains de profils expérimentés et faire disparaître des emplois sans qu’aucun licenciement n’apparaisse dans les statistiques.

Tout cela peut arriver en même temps.

La vraie question n’est alors plus uniquement de savoir combien d’emplois seront détruits ou créés. Elle concerne la manière dont nous déciderons de répartir la productivité supplémentaire.

Lorsque cinq Humains+ produiront ce que quinze personnes produisaient auparavant, nous pourrons produire davantage. Nous pourrons réduire le temps de travail. Diminuer les prix. Augmenter les salaires. Améliorer les marges. Former davantage de jeunes. Redistribuer une partie des gains.

Ou nous pourrons simplement employer cinq personnes au lieu de quinze.

La technologie ne décidera pas seule entre ces différentes options.

Augmenter ou remplacer n’est pas une propriété de l’intelligence artificielle. C’est une décision économique sur la manière dont nous répartissons le gain de productivité.

Et l’étude de Stanford nous donne peut-être un premier aperçu de ce qui se produit lorsque cette décision est prise discrètement, entreprise par entreprise, avant même que la société ait véritablement commencé à en discuter.

Le junior disparaît d’abord parce qu’il devient économiquement plus facile de ne pas le recruter. Le senior est ensuite augmenté parce que l’IA démultiplie son expérience. Puis quelqu’un finit forcément par regarder la feuille Excel et demander pourquoi il en faut encore trois.

La question n’est donc peut-être déjà plus : « L’intelligence artificielle va-t-elle prendre notre travail ? »

Elle est nettement plus compliquée.

Qui aura encore la possibilité d’apprendre à devenir indispensable dans une économie qui aura de moins en moins besoin de débutants ?

Et lorsque ces humains devenus indispensables pourront eux-mêmes produire comme trois personnes, il faudra enfin répondre à la question que la technologie ne peut pas résoudre à notre place :

combien d’entre eux déciderons-nous encore d’employer ?

Sources

Erik Brynjolfsson, Bharat Chandar et Ruyu Chen, Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence, Stanford Digital Economy Lab, version révisée d’août 2026.
Étude complète et présentation — Stanford Digital Economy Lab

Sam Altman, The Gentle Singularity.
Lire The Gentle Singularity

Meta, The Future is for Everyone.
Lire le manifeste de Meta

Brookings Institution, To save entry-level jobs from AI, look to the medical residency model.
Lire l’article de Brookings

McKinsey & Company, Building expertise in the age of AI: Who trains the next generation?
Lire l’analyse de McKinsey

Kellogg School of Management, travaux de Luis Garicano et Luis Rayo sur l’apprentissage professionnel à l’ère de l’IA.
Training in the Age of AI: A Theory of Apprenticeship Viability