Qu’est-il arrivé à la soi-disant apocalypse de l’emploi en IA ? Rédigé par Joe Bertolami via RealClearMarkets, un rapport récent de Stanford a examiné les dernières données sur l'emploi et a révélé que, jusqu'à présent, l'IA n'a pas abouti à des emplois à grande échelle…
A recent report from Stanford reviewed the latest employment data and found that, so far, AI has not resulted in large scale job destruction. Parallèlement, de nouvelles données sur l’embauche de l’Economic Times révèlent que l’IA alimente activement une création d’emplois sans précédent, les compétences en IA alimentant désormais près des deux tiers des nouvelles embauches du Global Capability Center. Ensemble, ces récentes dépêches en première ligne du marché du travail pointent vers une réalité apaisante : l’apocalypse tant redoutée de l’emploi dans l’IA ne s’est pas matérialisée comme un événement d’extinction soudaine.
Le constat (parfois enterré) : l’IA a un impact réel et modifie considérablement la nature du travail. Mais les perturbations ne sont pas un phénomène nouveau. L’économie a toujours démantelé les œuvres anciennes pour en construire de nouvelles. Ce qui détermine si cette évolution ressemble à un progrès ou à un effondrement, ce n’est pas seulement le nombre d’emplois perdus, c’est aussi la vitesse à laquelle cette perte touche le marché du travail.
En 1995, Bill Gates a diffusé une note intitulée « The Internet Tidal Wave », qualifiant le Web de développement informatique le plus important depuis l’IBM PC. Si Internet était un raz-de-marée, l’intelligence artificielle est un tsunami. Il s’agit sans doute de la plus grande avancée informatique depuis la machine de Turing. Pourtant, de loin, il est difficile d’apprécier la vitesse de cette vague, ce qui amène beaucoup à se demander quand l’économie dans son ensemble en ressentira réellement l’impact.
Pour replacer cela dans son contexte, nous devons comprendre le modèle historique déjà visible sur le marché du travail. La combinaison de plusieurs décennies de données du Bureau of Labor Statistics des États-Unis et de la Réserve fédérale donne une histoire remarquablement cohérente de courbes qui se chevauchent : perte et création d’emplois. Au cours des deux dernières décennies, près de 20 millions d’emplois aux États-Unis ont disparu dans des secteurs perturbés. Sur la même période, la masse salariale totale a augmenté de 25,7 millions. Cela équivaut à environ 1,3 nouvel emploi pour chaque emploi détruit. Les exemples classiques incluent les emplois dans la location de vidéos (-98,9%) et le traitement de texte (-83%) qui ont largement disparu, mais de nouveaux emplois ont surgi en même temps dans des domaines comme le traitement des données (+54%) et l’entreposage (+260%) pour soutenir l’économie numérique.
Les données révèlent également un premier signal qui distingue un déclin résorbable d’un effondrement brutal : la demi-vie de perturbation, ou le temps qu’il faut à une profession pour perdre la moitié de son pic d’emploi. Lors des plus grandes perturbations technologiques des dernières décennies, la demi-vie médiane est d’environ 10 ans. Les perturbations rapides, comme le traitement des photos, prennent entre un et cinq ans. Les perturbations typiques durent de huit à 13 ans. Et le temps est l’amortisseur ultime. Lorsque l’économie évolue sur dix ans, cela ressemble à un progrès plutôt qu’à un effondrement rapide, car cela donne aux travailleurs plus âgés le temps de prendre leur retraite et aux jeunes le temps de se préparer.
Si nous suivons les métiers les plus exposés à l’IA – représentants du service client, support informatique, télévendeurs – depuis l’arrivée des LLM modernes en 2022, les premières données sont mesurées. Après trois ans, la perturbation actuelle semble plus « typique » qu’un effondrement rapide, sans même tenir compte des effets de la délocalisation, de l’automatisation et des corrections post-Covid. C’est la loi d’Amara qui s’applique en temps réel : nous avons tendance à surestimer l’effet de la technologie à court terme et à le sous-estimer à long terme. Les premières alertes désastreuses ont cédé la place à une rhétorique plus prudente. En 2025, Dario Amodei d’Anthropic a averti que l’IA pourrait supprimer la moitié des emplois de col blanc d’ici cinq ans. D’ici 2026, lui et Sam Altman d’OpenAI mettent l’accent sur la productivité, la croissance économique et la demande continue de main-d’œuvre humaine.
Cependant, le seul examen du nombre total d’emplois masque une menace structurelle dangereuse. Les preuves actuelles ne présagent pas la fin du travail humain, mais l’IA brise discrètement le mécanisme par lequel nous créons des travailleurs expérimentés.
Le génie logiciel est le canari dans la mine de charbon. Selon la plupart des mesures globales, l’emploi semble stable ; le chômage s’est maintenu à 4,2 % en juin 2026, et des groupes comme le Yale Budget Lab ne trouvent pas encore d’effet clair de l’IA sur le total absolu des emplois dans les professions exposées. Mais la composition change sous nos pieds. Selon AP et Oxford Economics, les offres de développeurs juniors ont diminué d’environ 40 % en quatre ans. L’emploi des diplômés en informatique et en mathématiques âgés de 22 à 27 ans a chuté de 8 % depuis 2022, alors même que les diplômés plus âgés dans les mêmes domaines ont légèrement augmenté. Cette même érosion fait surface partout où le travail de débutant était autrefois synonyme de tâches de routine : parajuristes, analystes juniors et soutien de première ligne.
Le paradoxe est que ces industries continuent de croître alors même que leurs portes d’entrée se rétrécissent. Le BLS prévoit toujours une croissance de 15 % pour les développeurs de logiciels et les analystes d’assurance qualité d’ici 2034. Mais cette projection repose sur un pipeline qui transforme les juniors en talents seniors – justement ce pipeline est actuellement étranglé.
La raison réside dans la nature du travail. Le développement de logiciels est un processus de jugement et de responsabilité : décider quoi construire, l’exécuter et s’approprier le résultat. L’IA maîtrise parfaitement la couche intermédiaire, le codage de routine bien spécifié qui servait autrefois d’apprentissage aux juniors. Mais il reste bien plus faible quant au jugement requis de part et d’autre. Les tâches automatisées par l’IA sont précisément celles sur lesquelles les juniors ont été embauchés pour apprendre.
[…] La suite de l’article est à lire sur ZeroHedge via le lien ci-dessous.
Traduit automatiquement de l’anglais. Le texte original fait foi.
Source : ZeroHedge — Lire l’article original
À propos de l'auteur
