IA et emploi à la rentrée 2026 : le chiffre unique est un piège

IA et emploi à la rentrée 2026… vaste sujet ! Fin août, le Financial Times a raconté une scène qui dit beaucoup de la rentrée 2026 : EY, KPMG et le Boston Consulting Group rappellent leurs consultants juniors plus souvent au bureau, non pour surveiller le télétravail, mais parce que l’IA absorbe désormais le travail technique qui les faisait exister. La lecture facile serait d’y voir la preuve que « l’IA détruit l’emploi des débutants ». La lecture inverse, tout aussi facile, serait d’y voir la preuve que « l’IA valorise enfin les compétences humaines ».

Les deux se trompent pour la même raison : elles cherchent un chiffre unique là où il n’y en a pas.

Je vais montrer ici pourquoi l’impact de l’IA sur l’emploi ne se lit pas comme un bloc, mais par secteur, par niveau d’ancienneté et surtout par la divergence entre organisations. Trois rapports de 2026 le prouvent en se contredisant en apparence. Et le récit monolithique que portent parfois les communications d’OpenAI et d’Anthropic, celui d’une transformation uniforme et inéluctable, est justement ce qui empêche de voir le vrai phénomène à mon sens : une polarisation.

IA et emploi en 2026 : des juniors rappelés au bureau

Reprenons l’observable. Selon le Financial Times du 27 août 2026, Sayeh Ghanbari, responsable du conseil d’EY au Royaume-Uni, estime que le télétravail massif n’est plus « la route du succès » à l’ère de l’IA, parce que les compétences proprement humaines se construisent par la présence. Chez KPMG, Callum Licence, head of UK advisory, tient un propos voisin : l’IA rendra le travail plus efficace, mais « the human benefits of connectivity and interaction will always remain ». BCG multiplie les activités de bureau pour recréer de la cohésion.

Le raisonnement des cabinets est cohérent : si l’IA prend la recherche, la vérification de données et les premiers brouillons, la valeur se déplace vers ce que la machine ne fait pas encore, le jugement et la relation client, qui s’apprennent au contact des seniors.

Le contrepoint est venu vite, et il est plus dérangeant. Andreas Horn, qui dirige l’AIOps chez IBM, a résumé le problème d’une phrase : « the training ground is gone, and no seating chart brings it back ». Autrement dit : les juniors n’ont jamais appris le métier en étant assis près d’un associé. Ils l’ont appris en faisant, mal puis mieux, le travail de routine que l’IA exécute désormais. Le retour au bureau traite donc le lieu de l’apprentissage, pas sa matière. C’est un déplacement de sièges, pas une reconception du métier.

Ce diagnostic n’est pas une intuition isolée. Une recherche McKinsey de 2026, signée Bryan Hancock et Charlotte Seiler, décrit le même démantèlement silencieux : recherche, mise en forme, nettoyage de données, analyses préliminaires, ces tâches qui construisaient l’instinct disparaissent en premier. Matt Beane, qui étudie l’apprentissage en situation de travail à UC Santa Barbara, prévient que les organisations qui coupent aujourd’hui la formation par le terrain paieront la facture dans trois à cinq ans, quand l’échelon intermédiaire manquera.

Voilà pour la scène. Elle est réelle, datée, sourcée. Mais elle ne concerne qu’un secteur, un pays et une poignée de très grands cabinets. En faire une loi générale sur « l’emploi » serait exactement l’erreur que je veux éviter.

Ce que mesure Goldman Sachs, et ce que la moyenne cache

Passons du cas au macro. Le 19 août 2026, Goldman Sachs a publié une note d’économie, Is AI Impacting Global Labor Markets?, signée par l’économiste Elsie Peng, qui analyse la croissance de l’emploi sur plus de 800 métiers dans les économies développées.

Les chiffres sont nets. Les secteurs les plus exposés voient leur emploi passer sous sa tendance historique. Les centres d’appel sont l’épicentre : 39 % sous tendance aux États-Unis, 33 % au Canada, 27 % en Allemagne. Le conseil en management, l’édition de logiciels et la publicité suivent. L’exposition se traduit en arithmétique de recrutement : pour chaque hausse de 10 points de l’exposition à l’IA, la croissance annuelle des effectifs recule d’environ 0,2 point aux États-Unis et de plus de 0,6 point en Australie. Et ce sont les postes de débutants qui encaissent le plus fort de l’effet. Le taux d’adoption de l’IA dans ces économies tourne autour de 15 à 20 %.

Ce résultat est précieux. Il montre que la scène décrite par le FT n’est pas une anecdote britannique : c’est un motif mesuré, concentré là où les outils d’automatisation sont déjà déployables, et plus sévère sur l' »entrée de gamme ».

Mais attention à ne pas sur-lire. Goldman raisonne en « écart à la tendance », pas en effondrement. La banque elle-même parle d’un déplacement de la croissance de l’emploi, pas d’un naufrage. Le phénomène est réel et localisé, ce qui est très différent d’un choc général. Et surtout, un chiffre moyen sur 800 métiers peut cacher deux mouvements opposés : des métiers exposés qui se contractent et d’autres, tout aussi exposés, qui se développent. C’est précisément la limite que la nuance suivante va faire éclater.

Le paradoxe PwC : les entreprises les plus exposées embauchent plus

Si l’IA détruisait mécaniquement l’emploi, les entreprises qui l’utilisent le plus devraient tailler dans leurs effectifs. Le PwC Global AI Jobs Barometer 2026, publié le 15 juin 2026 à partir de plus d’un milliard d’offres d’emploi dans 27 pays, montre l’inverse.

Les entreprises les plus exposées à l’IA affichent une croissance d’effectifs plus rapide que les moins exposées, 52 % contre 36 % depuis 2018, et une croissance des salaires plus forte, 24 % contre 17 %. Un effet de « super-star » domine ce groupe : le cinquième le plus exposé a gagné 163 % de productivité du travail depuis 2018, près de cinq fois la moyenne, et concentre environ 74 % de la valeur créée par l’IA. Les métiers exigeant des compétences IA croissent d’environ 69 %, contre 9 % pour l’ensemble du marché, soit près de huit fois plus vite. La prime salariale pour ces compétences atteint 62 %, contre 57 % un an plus tôt, et grimpe jusqu’à 118 % dans les biens de consommation.

PwC pose alors une distinction que ni le FT ni le débat courant n’emploient, et qui est pourtant la clé. L’IA « professionnalise » certains métiers, en automatisant la routine et en rehaussant le niveau de jugement attendu ; ces métiers croissent deux fois plus vite et avec une progression salariale supérieure de 42 % depuis 2021. Elle « démocratise » les autres, en les rendant accessibles à des non-experts, et ceux-là stagnent. Aux États-Unis, les postes de débutants les plus exposés sont désormais sept fois plus susceptibles d’exiger des compétences dites seniors, comme le leadership ; ils ont progressé de 35 % depuis 2019, quand les autres postes de débutants reculaient de 10 %.

Voilà le vrai visage du phénomène. Ce n’est pas « l’IA détruit » ni « l’IA crée ». C’est un marché qui se scinde en deux voies. Et un détail que PwC glisse suffit à calmer les emballements : seuls 8 % des dirigeants déclarent que l’IA a fait plus que légèrement bouger leur chiffre d’affaires sur l’année. La productivité explose chez quelques-uns ; la traduction en revenu, elle, reste largement à venir.

Le contrepoint que presque personne ne cite : la stabilité mesurée par Yale

À ce stade, on pourrait croire à une transformation fulgurante. Un quatrième travail de 2026 impose la prudence inverse. Le Budget Lab de Yale suit mois par mois la composition du marché du travail américain, et son constat, réitéré au printemps 2026, est le suivant : depuis l’arrivée de ChatGPT, la structure des métiers a bougé d’environ 1 %, un rythme comparable au bruit habituel et bien inférieur aux ruptures de l’informatique ou d’internet à leurs débuts.

En appliquant une méthode conçue pour isoler l’effet propre de l’IA (les doubles différences synthétiques), l’équipe ne trouve, à ce jour, pas de preuve solide d’un impact macroéconomique de l’IA sur l’emploi. Sa directrice, Martha Gimbel, résume : l’inquiétude « remains largely speculative ». Le marché de début 2026 se caractérise plutôt par une anomalie autre : peu de licenciements, mais peu d’embauches, en particulier des chômeurs. Le seul signal naissant que Yale identifie, une divergence entre la structure des emplois des 20-24 ans et celle des 25-34 ans, est fragile, porte sur de petits échantillons et pourrait précéder ChatGPT.

Comment concilier Yale avec Goldman et PwC ? Sans contorsion, en réalité. Le Budget Lab formule lui-même la réconciliation la plus utile de tout ce dossier : les indicateurs d’exposition peuvent masquer les effets, parce que si la moitié des métiers exposés se développe et l’autre moitié se contracte, la moyenne peut afficher zéro. Traduit : l’effet de l’IA sur l’emploi n’est pas faible, il est divergent. Il ne se voit pas dans l’agrégat national parce qu’il se joue à l’intérieur, entre secteurs, entre niveaux d’ancienneté, entre entreprises gagnantes et perdantes. Le chiffre unique ne ment pas seulement par imprécision ; il ment par nature, en additionnant des mouvements de sens contraire.

Le récit monolithique d’OpenAI et d’Anthropic, et pourquoi il induit en erreur

Les laboratoires qui vendent ces modèles produisent aussi, désormais, une part importante du discours public sur leurs effets. C’est légitime, et une partie de ce travail est de grande qualité. L’Anthropic Economic Index, par exemple, a l’immense mérite de mesurer des usages réels plutôt que des projections. Mais son architecture même appelle deux précautions.

La première tient à ce que ces données montrent quand on les lit jusqu’au bout. Dans son édition de mars 2026, l’index d’Anthropic met côte à côte ce que l’IA pourrait théoriquement faire et ce qu’elle fait réellement dans les usages observés. L’écart est vertigineux : sur près de 18 000 tâches répertoriées par le référentiel O*NET, une petite fraction seulement présente un usage mesurable de Claude. Le rapport note aussi que le chômage ne montre encore rien, même si l’embauche des jeunes ralentit dans les métiers exposés. Autrement dit, les données du fournisseur lui-même contredisent le récit maximaliste d’une automatisation déjà généralisée.

La seconde précaution est méthodologique, et je l’ai déjà formulée à propos du rapport IA-emploi d’Anthropic. La source des données est l’usage de Claude : c’est un biais de sélection assumé, pas neutre. La frontière entre « automatisation » et « augmentation » y reste floue, au point que le classement bascule d’une édition à l’autre, et que la mesure de juin 2026 a dû changer de méthode. Après, elle montre une workweek avec l’IA et finalement on interagit beaucoup plus avec ces outils, le week-end :

Surtout, ce type d’analyse observe les tâches déplacées, rarement les emplois créés. C’est l’angle mort que pointe Philippe Aghion depuis longtemps : les révolutions technologiques recomposent l’emploi autant qu’elles le détruisent, et une grille centrée sur les destructions ne verra jamais les créations. Ajoutez la non-transposabilité de ces indicateurs au droit du travail français, et l’on comprend pourquoi ces chiffres sont des signaux directionnels, pas des verdicts.

Je ne dis pas que ces travaux sont malhonnêtes. Je dis que le format « X % des tâches / des métiers touchés », qu’il vienne d’OpenAI ou d’Anthropic, aplatit précisément la divergence que Goldman, PwC et Yale, lus ensemble, rendent visible. Un acteur qui a intérêt à ce que l’IA paraisse inévitable a une pente naturelle vers le récit du bloc. Le rôle d’un lecteur exigeant est de refuser cette pente.

Le vrai mécanisme : l’IA confisque le terrain d’entraînement des débutants

Une fois la divergence admise, un mécanisme relie tous ces fils, et c’est le plus important pour l’éducation et pour les organisations.

L’IA n’attaque pas « les métiers ». Elle attaque en priorité les tâches d’entrée de gamme, celles qui servaient à la fois à produire de la valeur et à former les débutants. Le conseil en est le cas d’école, mais le juriste junior qui compilait la jurisprudence, l’analyste qui agrégeait les données de marché, le développeur qui écrivait le code de base sont dans la même position. Le premier échelon de l’échelle disparaît alors que l’on attend toujours des gens qu’ils atteignent le sommet.

D’où le paradoxe que le marché ne parvient pas à résorber. La prime pour les compétences IA est très élevée (62 % en moyenne). L’emploi des débutants recule (Goldman). Et les juniors que l’on garde, on les rappelle au bureau pour les former (FT). Ces trois faits ne sont contradictoires qu’en apparence. Le marché paie cher un jugement rare ; le jugement se construit par l’expérience ; l’expérience passait par des tâches que l’IA a confisquées. La prime récompense une compétence que le système d’apprentissage ne produit plus assez vite. Ce n’est pas un problème pédagogique que l’on résout par une prime : la maturation du jugement a une durée incompressible, et aucune rémunération ne l’accélère.

C’est aussi pourquoi le « manager d’agents IA », vers lequel les cabinets veulent faire glisser leurs juniors, est une réponse encore creuse. Superviser et valider la production d’un agent suppose le jugement que seule l’expérience donne. On demande au novice de contrôler le travail d’un système qu’il n’a pas les moyens d’évaluer. L’intention est juste ; le curriculum, lui, reste à écrire.

Lire l’impact finement : une grille à quatre échelles

Que faire de tout cela, concrètement ? Refuser le chiffre unique ne suffit pas ; il faut une grille. J’en propose une, à quatre échelles, pour analyser n’importe quelle annonce sur l’IA et l’emploi.

D’abord, l’échelle sectorielle : un centre d’appels, un cabinet de stratégie et un atelier de fabrication ne vivent pas le même choc, et parler de « l’emploi » sans nommer le secteur ne veut rien dire. Ensuite, l’échelle de l’ancienneté : l’IA frappe l’entrée de gamme et valorise le haut de l’échelle, ce qui déforme la pyramide plus qu’elle ne la rase.

Puis l’échelle organisationnelle, la plus négligée : à l’intérieur d’un même secteur, une minorité d’entreprises capte l’essentiel des gains pendant que les autres décrochent, si bien que le sort d’un salarié dépend autant de son employeur que de son métier. Enfin l’échelle temporelle : entre l’annonce, l’expérimentation, le déploiement et la transformation durable, il y a des années, et Yale nous rappelle que nous en sommes, à l’échelle macro, au tout début.

Cette grille impose une distinction que le débat confond sans cesse : entre destruction (des postes disparaissent), recomposition (le même métier change de contenu et de niveau requis) et création (de nouveaux rôles apparaissent). Les trois coexistent, à des rythmes différents selon l’échelle. Prétendre qu’un seul de ces trois mouvements résume la période, c’est faire du marketing, pas de l’analyse.

Ce que les données ne permettent pas encore de dire

Honnêteté de méthode, parce qu’elle change la conclusion. Aucun de ces travaux n’établit de causalité propre. Goldman mesure des corrélations entre exposition et emploi, pas un lien de cause à effet parfaitement isolé. PwC observe des entreprises « super-stars » sans démontrer que c’est l’IA, plutôt que leur avance de départ, qui les distingue. Yale mesure une stabilité, mais sur une fenêtre courte au regard de l’histoire des ruptures, et prévient que l’absence de signal aujourd’hui ne présage pas de l’absence de choc demain. Les données de layoffs attribués à l’IA sont elles-mêmes suspectes de sur-déclaration, puisque, comme le note le cabinet Challenger, invoquer l’IA dans un plan social peut séduire les investisseurs. La prudence est donc de mise.

Ce qu’il faut décider maintenant dans l’enseignement supérieur

Reste l’action, car c’est le seul intérêt d’une analyse. Pour l’enseignement supérieur, la conséquence est directe : nous ne devons plus former des exécutants techniques, dont l’IA a effacé la valeur d’entrée, mais des professionnels capables de piloter, critiquer et valider une production automatisée dès le premier jour. Cela veut dire déplacer l’évaluation de la restitution vers la confrontation, la justification et la vérification, et concevoir explicitement des situations où le jugement se construit sans passer par les tâches que la machine a prises. C’est un travail de (re)conception pédagogique, pas une incantation sur les « soft skills ».

Pour les organisations, la décision est de refuser de raisonner en moyenne. Se demander « quel est l’impact de l’IA sur mon emploi ? » ne mène nulle part. Les bonnes questions sont : dans quel secteur, à quel échelon, suis-je du côté des entreprises qui amplifient l’expertise humaine ou de celles qui se contentent de couper des coûts, et à quelle échéance ? La ligne de fracture de la rentrée 2026 ne passe pas entre ceux qui adoptent l’IA et ceux qui la refusent. Elle passe entre ceux qui l’utilisent pour créer de la valeur et former, et ceux qui l’utilisent pour économiser en laissant se rompre le fil de l’apprentissage.

Le chiffre unique est un piège parce qu’il tranche à votre place une question qui n’a pas de réponse unique.

Sources

• Financial Times, « Junior consultants called back to office as AI increases need for human skills », 27 août 2026 (article payant).
• Goldman Sachs Research (Elsie Peng), « Is AI Impacting Global Labor Markets? », 19 août 2026 (note réservée aux clients). Relais en accès libre : CNBC — « Goldman studied where AI is squeezing labor markets ».
• PwC, 2026 Global AI Jobs Barometer, 15 juin 2026. Communiqué officiel — rapport complet (PDF).
• The Budget Lab at Yale, « AI Is Probably Not (Yet) the Reason for Labor Market Weakening », 7 mai 2026. budgetlab.yale.edu.
• The Budget Lab at Yale, « What We Do and Don’t Know About How AI is Affecting the Labor Market », 2026. budgetlab.yale.edu.
• The Budget Lab at Yale, « Evaluating the Impact of AI on the Labor Market : November/December CPS Update », janvier 2026. budgetlab.yale.edu.
• Anthropic, Economic Index, édition « Cadences », juin 2026. anthropic.com.
• Anthropic, Economic Index, édition « Learning curves », mars 2026. anthropic.com.
• McKinsey (Bryan Hancock, Charlotte Seiler), recherche sur la disparition du terrain d’apprentissage des débutants, 2026. Relais en accès libre : IBTimes UK.