L’intelligence artificielle va-t-elle supprimer des emplois ou en créer ? Les deux phénomènes peuvent se produire, dans des métiers et à des moments différents. Les études disponibles ne permettent pas de promettre que chaque perte sera compensée, ni de transformer toute tâche exposée à l’IA en poste appelé à disparaître.
Le parallèle avec les transformations numériques précédentes aide à poser les questions, mais ne fournit pas une loi de l’histoire. Pour une entreprise ou un professionnel, le sujet utile consiste à comprendre les changements observés, les limites des prévisions et les compétences nécessaires pour faire un travail de qualité avec ces outils.
Exposition, automatisation et suppression d’emploi : trois niveaux différents
Un métier réunit des tâches : rechercher une information, traiter une exception, produire un document, discuter avec un client, décider et assumer le résultat. Un outil peut intervenir sur certaines de ces tâches sans prendre en charge l’ensemble du poste.
Il faut ensuite distinguer une possibilité technique d’une décision économique. Automatiser demande un système adapté, des données utilisables, une intégration et un contrôle. Le temps nécessaire pour vérifier les résultats ou traiter les erreurs entre dans le bilan, comme les licences et l’organisation du travail.
| Ce que l’on mesure | Ce que cela indique | Ce que cela ne prouve pas |
|---|---|---|
| Exposition d’une tâche | Une technologie pourrait intervenir dans sa réalisation. | Son automatisation effective ou la disparition du poste. |
| Usage de l’IA | Un outil est utilisé dans un contexte donné. | Un gain net de qualité, de temps ou de rentabilité. |
| Productivité observée | Une mesure de production évolue dans le périmètre étudié. | Un effet identique pour tous les métiers. |
| Évolution de l’emploi | Les effectifs ou recrutements changent. | Que l’IA explique à elle seule cette évolution. |
Cette distinction permet de lire une annonce sans passer directement d’une démonstration impressionnante à une prévision de chômage ou de prospérité générale.
Ce que montrent les travaux sur l’exposition
L’OIT et le NASK ont actualisé en 2025 leur indice d’exposition à l’IA générative. Environ un travailleur sur quatre dans le monde occupe un emploi présentant un certain degré d’exposition. Les auteurs estiment que la transformation des tâches est plus probable que leur remplacement complet dans la plupart des cas, compte tenu du besoin d’intervention humaine.
Il s’agit d’une évaluation des tâches et de leur exposition potentielle, pas d’un décompte de licenciements ni d’une garantie de maintien de chaque emploi. Les situations diffèrent selon les métiers, les pays et la composition du travail.
Pour une PME, cette lecture invite à décomposer un processus. Dans la préparation d’un devis, par exemple, une aide peut être envisagée pour reformuler une description. Le choix du périmètre, la vérification du besoin et l’engagement commercial restent des questions à attribuer explicitement.
Des gains de productivité existent, dans des contextes précis
L’étude Generative AI at Work, publiée dans le Quarterly Journal of Economics en 2025, examine le déploiement d’un assistant auprès de 5 172 agents de support client d’une entreprise de logiciels. Elle mesure en moyenne 15 % de problèmes résolus en plus par heure, avec des effets variables selon les agents et des bénéfices plus importants pour les moins expérimentés.
Ce résultat concerne un outil, une organisation et un type de tâche. Il ne signifie pas que toute entreprise gagne 15 % en installant un assistant généraliste, ni que le gain se convertit automatiquement en suppressions d’emplois. Il montre l’intérêt d’observer des usages réels avec une mesure définie.
Dans votre propre essai, comparez une tâche complète : préparation, réalisation, contrôle et corrections. Distinguez la vitesse de production d’un premier jet de la qualité d’un résultat utilisable. Une réponse livrée plus vite mais reprise plusieurs fois peut déplacer le travail vers le client ou vers un collègue.
L’emploi observé appelle davantage de prudence qu’un récit rassurant
Une mise à jour du Stanford Digital Economy Lab publiée le 12 août 2026, à partir de données de paie américaines d’ADP, observe un écart d’emploi d’environ 19 % en juin 2026 pour les 22–25 ans des professions très exposées, par rapport à la trajectoire qu’ils auraient suivie au rythme de leurs pairs moins exposés.
Les auteurs décrivent surtout une moindre embauche des jeunes dans ce périmètre, sans déplacement généralisé de l’emploi à l’échelle de l’économie. Ils insistent sur le caractère descriptif des résultats : ces données ne démontrent pas que l’IA cause à elle seule l’écart, et leur généralisation comporte des limites. Ce n’est ni une baisse de 19 % de tous les emplois ni un résultat mesuré en France.
La question des débutants mérite donc une attention propre. Si une entreprise automatise une partie des tâches d’entrée dans le métier, elle doit aussi décider comment les nouveaux collaborateurs apprendront à vérifier, comprendre les cas difficiles et acquérir l’expérience attendue ensuite.
Comment lire les grandes prévisions pour 2030
Le Future of Jobs Report 2025 du Forum économique mondial projette, à partir des anticipations des employeurs et de données sur l’emploi, 170 millions de postes créés et 92 millions déplacés d’ici 2030, soit un solde de 78 millions. Ces projections portent sur un ensemble de grandes tendances économiques, démographiques, technologiques et environnementales, pas sur l’IA seule.
Une projection décrit un scénario fondé sur des hypothèses. Elle n’est ni un bilan déjà réalisé ni une promesse pour un pays, une entreprise ou une personne. Avant de reprendre un chiffre, cherchez la date, le territoire, la population et les facteurs étudiés.
De la même manière, une hausse des offres mentionnant l’IA ne mesure pas directement les emplois nets créés, et une prime salariale observée ne devient pas un revenu garanti après une formation. Ces données peuvent aider à comprendre un marché ; elles ne remplacent pas l’examen des missions et compétences réellement demandées.
Ce que les précédentes transformations peuvent nous apprendre
L’histoire du numérique offre des questions utiles : quelles tâches deviennent moins coûteuses, quels services deviennent possibles et comment l’organisation se réajuste-t-elle ? Elle rappelle aussi que les transitions ont des effets différents selon les personnes et les entreprises.
Un gain global éventuel ne signifie pas que les personnes dont le travail change disposent immédiatement des compétences, des offres ou de la mobilité nécessaires. Pour préparer une transition, mieux vaut examiner ces passages concrets que promettre que « de nouveaux métiers apparaîtront » sans préciser lesquels ni pour qui.
Le parallèle historique doit donc servir à concevoir l’accompagnement : temps d’apprentissage, transmission entre collègues, évolution des responsabilités et accès aux opportunités. Il ne permet pas de conclure que l’IA suivra forcément une trajectoire identique à une innovation antérieure.
Cartographier les tâches avant de choisir les outils
Listez les activités qui prennent du temps et le résultat attendu. Pour chacune, décrivez les informations nécessaires, la fréquence, les erreurs possibles et la personne capable de vérifier. Une tâche fréquente, documentée et vérifiable peut être un bon terrain d’essai ; une décision difficile à contrôler appelle un autre niveau de prudence.
- Contenus commerciaux : préparer une structure ou des variantes à partir de faits fournis, puis contrôler les promesses, les sources et le ton.
- Support client : proposer une réponse à partir d’une documentation validée, avec un accès clair à un interlocuteur compétent.
- Développement : examiner une aide à la production ou à l’explication de code, avec revue, tests adaptés et compréhension de son fonctionnement.
- Gestion documentaire : essayer une extraction ou une synthèse en vérifiant les passages sources et les omissions.
Ces exemples sont des usages à évaluer, pas une liste de fonctions fiables dans n’importe quel outil. Commencez par le besoin, puis choisissez une solution autorisée dans l’entreprise et un périmètre d’essai maîtrisable.
Former à la vérification et au métier, pas seulement aux instructions
Savoir formuler une demande à un outil est utile, mais ne suffit pas à juger sa réponse. Un collaborateur doit comprendre l’objectif, les données utilisées et les critères du résultat. La connaissance du métier permet de repérer une proposition plausible mais fausse ou incomplète.
Une formation pratique peut faire travailler le même cas avec et sans assistance, comparer les résultats et discuter des erreurs. Conservez des exercices où la personne explique sa décision. Pour les débutants, prévoyez un accompagnement qui développe l’autonomie au lieu de la remplacer par la seule validation de textes générés.
Examinez une formation à partir de ses objectifs, de ses exercices et des compétences évaluées. Un intitulé comme « prompt engineer » ou « expert IA » ne décrit pas à lui seul un métier, une rémunération ou un niveau de maîtrise. Les responsabilités techniques, métier et de contrôle demandent des apprentissages différents.
Encadrer les données et mesurer le coût complet
La CNIL recommande d’encadrer les usages de l’IA générative, les données que les personnes peuvent transmettre et la vérification des sorties. Définissez les outils autorisés, les règles sur les informations confidentielles et le rôle de la validation humaine.
Pour chaque essai, additionnez le coût de l’outil, sa mise en place, la formation, les vérifications et les corrections. Relevez aussi les incidents, les reprises et les effets sur le service. Un temps libéré ne devient une économie ou une capacité supplémentaire que si l’entreprise décide comment l’utiliser.
Le bilan doit rester lisible : ce qui fonctionne, pour quelles tâches, avec quelles limites et sous la responsabilité de qui. Selon les résultats, vous pourrez étendre l’usage, le modifier ou l’arrêter. Cette décision locale est plus solide qu’une adoption motivée par un pourcentage mondial.
Préparer l’avenir sans prétendre le connaître
Les éléments disponibles montrent des possibilités de gains, des transformations de tâches et des signaux de difficulté pour certains groupes. Ils ne tranchent pas définitivement le solde futur des emplois. Une entreprise peut agir sans attendre cette réponse : documenter ses usages, former, observer la qualité et discuter des conséquences sur le travail.
Pour un professionnel, l’objectif est de comprendre où l’outil aide, où il se trompe et quelle valeur son propre jugement apporte. Pour une entreprise, c’est d’organiser cette complémentarité lorsqu’elle est utile, sans escamoter les coûts ni les transitions humaines qu’elle peut demander.
Questions fréquentes
Un métier exposé à l’IA est-il un métier condamné ?
Non. L’exposition décrit des tâches sur lesquelles l’IA peut intervenir. Leur automatisation réelle dépend de la qualité, du coût, des contraintes et de l’organisation. Le poste réunit souvent d’autres responsabilités ; son évolution doit être examinée au-delà d’un score d’exposition.
Les 78 millions d’emplois nets annoncés pour 2030 viennent-ils de l’IA ?
Le chiffre du Forum économique mondial est une projection liée à plusieurs grandes tendances, dont les technologies, la démographie et les transitions économiques. Il ne mesure pas l’effet de l’IA seule et ne constitue pas un bilan déjà observé.
Les gains mesurés dans une étude sont-ils transposables à ma PME ?
Ils donnent une piste, pas un engagement de résultat. Vérifiez le métier, les tâches, l’outil et la mesure étudiés. Réalisez un essai sur votre processus complet, en comptant la préparation, le contrôle et les corrections, puis comparez la qualité et le coût.
Quelles compétences développer en priorité ?
Associez la maîtrise du métier à la capacité de formuler un besoin, vérifier une réponse, retrouver les sources et repérer les limites de l’outil. Choisissez des exercices liés à vos tâches. Une formation utile doit montrer ce que vous saurez réaliser et contrôler, sans promettre un emploi ou un salaire automatique.
Comment protéger les informations de l’entreprise ?
Utilisez les outils autorisés et respectez les règles sur les données transmissibles. Vérifiez le contrat, les possibilités de réutilisation et les accès avant d’envoyer des informations personnelles ou confidentielles. Gardez une validation humaine des résultats destinés à engager l’entreprise.
Quel premier essai lancer sans bouleverser toute l’organisation ?
Choisissez une tâche fréquente dont le résultat est facile à vérifier, avec un responsable métier. Définissez une situation de départ, des critères de qualité et les conditions d’arrêt. Testez sur un périmètre adapté puis décidez à partir du travail réellement terminé, pas de la seule vitesse du premier résultat.