L’enquête de Pew Research sur l’emploi et l’IA révèle une crainte mondiale qui dépasse les promesses de l’IA

Pew Research a mis en lumière un conflit saisissant dans 37 pays : la population s’attend à ce que l’intelligence artificielle supprime davantage d’emplois qu’elle n’en crée. L’enquête de Pew Research sur l’emploi et l’IA relève cette attente dans 34 des 37 pays étudiés. L’inquiétude dépasse l’emploi et porte également sur les inégalités de revenus ainsi que sur la capacité de l’IA à améliorer la vie dans son ensemble.

L’enquête internationale a interrogé 42 151 adultes dans 36 pays entre le 8 février et le 13 mai 2026. Pew a mené séparément une enquête auprès de 8 607 adultes aux États-Unis, portant la couverture totale de l’étude à 37 pays. Ces résultats sont parus avant que plusieurs avertissements récents concernant l’automatisation rapide n’intensifient le débat public.

Il ne s’agit pas simplement d’un nouveau cliché de l’anxiété face à une technologie inconnue. Les entreprises d’IA présentent leurs systèmes comme des outils de productivité capables d’étendre les capacités humaines et de créer de nouvelles opportunités économiques. Le public perçoit une autre répartition des résultats, où les employeurs captent les gains d’efficacité tandis que les travailleurs supportent le risque de déplacement.

Cette fracture est la question centrale. Les personnes peuvent reconnaître l’utilité de l’IA tout en doutant que ses bénéfices leur parviennent. À moins que les entreprises et les gouvernements ne répondent à cette préoccupation, l’adoption technique pourrait progresser plus vite que sa légitimité auprès du public.

Ce que l’enquête mondiale sur l’IA a réellement changé

L’enquête transforme une inquiétude diffuse face à l’automatisation en un schéma international mesurable.

Son résultat le plus important réside dans son ampleur géographique. Dans 34 des 37 pays sondés, les répondants s’attendent à ce que l’IA entraîne une baisse nette de l’emploi. Une baisse nette signifie que la technologie supprime davantage de postes que l’économie n’en crée grâce à elle.

Cette convergence importe, car les marchés du travail diffèrent fortement entre les pays étudiés. Leurs niveaux de salaire, leurs protections sociales, leurs structures industrielles et leur exposition aux technologies numériques ne sont pas les mêmes. Pourtant, l’orientation des attentes du public reste remarquablement cohérente.

La couverture de l’enquête examine également la capacité de l’IA à améliorer la vie quotidienne et son effet sur les inégalités de revenus. Ces questions relient les craintes liées à l’emploi à une préoccupation plus large : qui contrôle les bénéfices.

L’adoption de l’IA n’a pas besoin de provoquer un chômage de masse pour que ces craintes influencent les comportements. Les travailleurs pourraient éviter des professions dont ils jugent l’avenir incertain. Les étudiants pourraient reconsidérer des diplômes associés à des tâches exposées. Les responsables pourraient se heurter à des résistances lorsqu’ils introduisent des systèmes sans en expliquer les effets sur les effectifs.

Les résultats compliquent également une hypothèse courante sur la familiarité. Une meilleure connaissance de l’IA ne produit pas automatiquement une plus grande confiance à son égard. Les personnes s’inquiètent souvent davantage à mesure qu’elles comprennent ce que les systèmes génératifs peuvent faire avec l’écriture, le code, l’analyse, les images et le service client.

Cette réaction diffère d’une simple peur de la technologie. Les répondants évaluent une proposition économique visible. Les entreprises peuvent utiliser des systèmes qui accomplissent une partie des tâches humaines, mais les travailleurs ne disposent d’aucun droit automatique sur les économies qui en résultent.

L’enquête a été menée plusieurs mois avant sa publication. Elle ne recense donc pas chaque avertissement, lancement de produit ou annonce concernant l’emploi intervenu après le travail de terrain. Ce calendrier rend les résultats plus importants, et non moins. Les craintes étaient déjà largement répandues avant la dernière vague de débat public.

L’enquête n’établit pas que 34 pays connaîtront des pertes nettes d’emplois. Elle mesure des attentes plutôt que des résultats sur l’emploi. Néanmoins, les attentes influencent la confiance, les comportements d’achat, les choix de carrière, les négociations collectives et la pression politique.

La structure de l’échantillon exige une description précise. Le volet international a couvert 42 151 adultes dans 36 pays. L’échantillon distinct des États-Unis comptait 8 607 adultes. Un résumé de l’enquête a identifié ces composantes tout en rapportant des résultats dans 37 pays.

Cette distinction évite deux erreurs. L’étude n’a pas interrogé seulement 42 151 personnes dans l’ensemble du groupe de 37 pays. Elle n’a pas non plus mesuré chaque population nationale selon un processus d’échantillonnage identique.

La conclusion de Pew modifie le débat sur l’IA en établissant l’ampleur du problème de crédibilité. Le secteur ne cherche plus seulement à convaincre des spécialistes sceptiques ou des défenseurs du travail. Il fait face à un public international qui associe déjà l’IA à une diminution du nombre d’emplois.

L’enquête de Pew Research sur l’emploi et l’IA cartographie un déficit de confiance

Les gens semblent moins préoccupés par la question de savoir si l’IA fonctionne que par celle de savoir qui en bénéficie lorsqu’elle fonctionne.

Cette différence est déterminante. Une technologie peut être performante, largement utilisée et économiquement précieuse tout en restant impopulaire. La confiance du public dépend de la manière dont ses coûts et ses gains sont répartis.

Les développeurs d’IA mettent l’accent sur la productivité, car celle-ci peut soutenir une hausse de la production et des salaires. Cependant, cette chaîne comprend plusieurs décisions que la technologie ne peut pas prendre seule. Les employeurs décident si les économies financent des hausses de salaires, des horaires réduits, de nouvelles embauches, des prix plus bas ou des marges plus élevées.

Les travailleurs font donc l’expérience de l’IA à travers des choix organisationnels. Un salarié à qui l’on demande d’utiliser un assistant peut gagner du temps pour un travail de meilleure qualité. Un autre peut hériter de la charge de travail de collègues partis, parce que la direction s’attend à ce que l’automatisation comble l’écart.

Ces deux situations peuvent coexister au sein d’une même entreprise. Cela rend les promesses générales selon lesquelles l’IA améliorera le travail difficiles à évaluer. Le résultat concret dépend de la politique d’effectifs, de la conception des postes, de la formation et des incitations auxquelles répond la direction.

La question des inégalités de revenus saisit ce problème de répartition. Si les travailleurs à hauts revenus utilisent l’IA pour accroître leur valeur, tandis que les travailleurs effectuant des tâches routinières sont confrontés au remplacement, la technologie peut creuser les écarts existants. La propriété des modèles, des infrastructures informatiques, des données et de la distribution peut accentuer cette fracture.

Le Fonds monétaire international a estimé que l’IA pourrait affecter près de 40 % des emplois dans le monde. L’exposition atteint environ 60 % dans les économies avancées, selon son analyse du marché du travail. L’exposition ne signifie pas que chaque emploi concerné disparaît.

Certains emplois exposés peuvent devenir plus productifs. D’autres peuvent perdre des tâches, des heures, du pouvoir de négociation ou des opportunités pour débutants. La distinction entre l’exposition d’un emploi et sa destruction est essentielle, mais elle n’élimine pas le risque.

L’enquête de Pew Research sur l’emploi et l’IA mesure la manière dont le public tranche aujourd’hui cette incertitude. Dans la plupart des pays, les répondants s’attendent à ce que l’effet négatif sur l’emploi l’emporte. Le discours optimiste du secteur ne les a pas convaincus du contraire.

Une raison est que les bénéfices paraissent souvent abstraits, tandis que les coûts semblent personnels. La croissance de la productivité est un concept à l’échelle de l’économie. Une offre d’emploi annulée, un contrat indépendant réduit ou une file d’attente d’assistance automatisée touche immédiatement une personne précise.

Une autre raison concerne le contrôle. Les travailleurs choisissent rarement les systèmes utilisés pour évaluer leur performance, répartir leurs tâches ou déterminer les effectifs. Même des outils utiles peuvent susciter la méfiance lorsque leur adoption intervient sans concertation.

Les travailleurs du savoir font face à un défi connexe. L’IA peut accélérer la recherche et la rédaction, mais elle peut aussi fragmenter les éléments de preuve entre les conversations, les documents et les applications. Conserver une base de connaissances consultable aide à préserver les sources et les décisions lorsque les flux de travail automatisés se multiplient.

Cependant, une meilleure organisation personnelle ne résout pas la question de l’emploi. Les travailleurs ne peuvent pas compenser individuellement chaque changement structurel. Le déficit de confiance concerne les engagements institutionnels, et pas seulement l’adaptabilité individuelle.

Les employeurs doivent expliquer quelles tâches évolueront, comment la productivité sera mesurée et si le temps économisé modifiera les effectifs. Les gouvernements doivent présenter des plans crédibles pour la formation, le soutien au revenu, la concurrence et les protections des travailleurs.

Sans ces précisions, les personnes entendent des promesses d’opportunités parallèlement à des incitations visibles à réduire les coûts de main-d’œuvre. Leur scepticisme ne constitue pas un rejet de l’innovation. C’est une réponse à un contrat économique incomplet.

Les promesses de productivité de l’IA face à la réalité de la conception des emplois

L’enjeu principal oppose l’IA comme outil d’augmentation des travailleurs à l’IA comme voie de réduction de la main-d’œuvre.

L’augmentation signifie que la technologie aide une personne à accomplir son travail existant ou à assumer des tâches à plus forte valeur. La substitution signifie qu’un logiciel accomplit suffisamment de travail pour qu’un employeur ait besoin de moins de personnes. La plupart des déploiements comportent des éléments des deux.

Un assistant de service client peut rédiger des réponses pendant qu’un humain vérifie les cas difficiles. Il s’agit d’une augmentation au niveau des tâches. Si la même équipe traite ensuite deux fois plus de clients sans nouvelles embauches, l’organisation a substitué un logiciel à une demande future de main-d’œuvre.

Ce second effet est facile à manquer. La pression sur l’emploi ne se manifeste pas toujours par une vague spectaculaire de licenciements. Elle peut apparaître sous la forme de recrutements plus lents, de postes vacants non pourvus, de promotions de diplômés plus réduites ou de moins de contrats pour les travailleurs indépendants.

Le travail de début de carrière mérite une attention particulière. Les employés juniors commencent souvent par la recherche, la synthèse, la documentation, les tests et les tâches élémentaires de production. L’IA générative peut accomplir rapidement une partie de ces missions.

Les entreprises pourraient réagir en confiant aux équipes juniors des responsabilités plus complexes. Elles pourraient aussi recruter moins de débutants parce que les employés expérimentés peuvent produire davantage. La première voie développe les talents ; la seconde peut affaiblir le vivier qui forme les experts de demain.

L’Organisation internationale du Travail décrit l’exposition à l’IA générative principalement comme un enjeu de transformation, plutôt que comme la disparition automatique de professions entières. Son indice mondial de l’emploi évalue les professions selon les tâches que les systèmes actuels peuvent accomplir.

L’analyse au niveau des tâches offre un meilleur cadre que la question de savoir si l’IA remplacera une profession. Un emploi combine des activités exigeant des connaissances, une responsabilité, des relations et des actions physiques différentes. Les systèmes actuels assument rarement cet ensemble complet.

Pourtant, l’automatisation partielle peut toujours remodeler l’emploi. Si un logiciel prend en charge une part significative des tâches, les employeurs peuvent redéfinir les rôles autour du travail restant. Ils peuvent aussi intensifier les charges de travail en attendant de chaque salarié qu’il supervise davantage de production automatisée.

Le contrôle de la qualité devient central dans cet environnement. Les systèmes génératifs peuvent produire avec assurance des erreurs, des raisonnements incomplets, du code non sécurisé ou des affirmations non étayées. Un examinateur humain reste responsable, même lorsque la machine a produit le résultat initial.

Cette responsabilité a un coût. Les travailleurs doivent en comprendre suffisamment pour détecter les défaillances, conserver les éléments de preuve et savoir quand l’automatisation ne doit pas être jugée fiable. Le temps gagné pendant la production peut être en partie récupéré lors de la vérification.

Les mesures de productivité peuvent négliger ce travail invisible. Une entreprise pourrait compter les brouillons produits plus rapidement sans mesurer le temps de correction ou les erreurs en aval. Elle pourrait célébrer des durées de traitement plus courtes alors que les clients peinent à joindre une personne capable de résoudre des problèmes inhabituels.

L’Organisation de coopération et de développement économiques a également distingué l’exposition du remplacement immédiat. Ses perspectives de l’emploi ont étudié l’effet de l’automatisation sur la qualité de l’emploi, les compétences et le pouvoir de négociation, parallèlement aux niveaux d’emploi.

Ces dimensions contribuent à expliquer l’anxiété du public. Les personnes se soucient de bien plus que d’avoir simplement un emploi. Elles se préoccupent des salaires, de la stabilité, de l’autonomie, de l’évolution professionnelle et de l’équité des systèmes d’évaluation.

Le scénario optimiste pour l’IA reste plausible. De nouveaux outils peuvent réduire les tâches administratives fastidieuses, rendre l’expertise plus accessible et aider de petites équipes à entreprendre des projets qui exigeaient auparavant des budgets plus importants. De nouveaux produits et métiers peuvent également émerger.

Cependant, ces gains ne résolvent pas la question de leur répartition. Une entreprise peut devenir plus productive sans partager la valeur créée avec ses salariés. Un secteur peut croître tout en employant moins de personnes par unité de production.

Le pessimisme exprimé par l’enquête met les employeurs au défi de démontrer l’augmentation des capacités par des décisions observables. Les budgets de formation, la mobilité interne, la hausse des salaires et des recrutements stables constitueraient des preuves plus solides que de vagues déclarations sur le potentiel humain.

Ce que les chiffres ne peuvent pas encore nous dire

L’enquête capture une attente forte, mais elle ne peut pas déterminer le bilan final de l’IA sur l’emploi.

Les sondages d’opinion mesurent des croyances à un moment donné. Ils ne prédisent pas les capacités technologiques ni ne calculent les futures créations d’emplois. Les répondants interprètent également le terme général « IA », qui peut recouvrir de nombreux systèmes différents.

Une personne peut penser aux chatbots, aux véhicules autonomes, aux robots industriels, aux algorithmes de recommandation ou à la surveillance sur le lieu de travail. Chaque technologie affecte le travail différemment. Leurs exigences réglementaires et leurs coûts d’adoption diffèrent également.

Les comparaisons entre pays introduisent davantage d’incertitude. Les répondants vivent dans des économies aux protections de l’emploi, systèmes éducatifs, profils démographiques et secteurs dominants différents. Le sens de « perte d’emploi » peut varier selon ces conditions.

Le travail de terrain est également antérieur à des évolutions plus récentes. Les opinions peuvent changer après des licenciements marquants, des défaillances de sécurité, des gains de productivité ou de nouvelles réglementations. Répéter les questions au fil du temps sera plus instructif que de considérer un résultat isolé comme permanent.

L’enquête de Pew Research sur l’IA et l’emploi doit donc être lue comme un indicateur de confiance. Elle indique que la plupart des publics nationaux s’attendent actuellement à un bilan négatif pour l’emploi. Elle ne prouve pas que ce bilan s’est déjà produit.

Les statistiques du travail évoluent également plus lentement que l’adoption des produits. Une entreprise peut introduire l’IA en quelques semaines, tandis que les données officielles sur les professions peuvent mettre des mois ou des années à révéler les changements. Les cycles économiques compliquent encore l’attribution des causes.

Si un employeur réduit ses effectifs pendant un ralentissement économique, l’IA peut en être une cause, un outil de soutien ou une explication commode. Si les recrutements ralentissent tandis que la production augmente, l’automatisation peut y contribuer sans apparaître dans les chiffres des licenciements.

La création de nouveaux emplois est tout aussi difficile à mesurer. L’IA peut susciter une demande pour l’évaluation des modèles, le travail de sécurité, les opérations de données, l’intégration, la conformité et des services spécialisés. Certains postes conserveront des intitulés familiers, même si leurs tâches quotidiennes changent considérablement.

Les comparaisons historiques offrent des indications limitées. Les technologies antérieures ont éliminé certaines tâches tout en créant des secteurs et en augmentant la productivité. Elles ont aussi entraîné des transitions douloureuses, fragilisé certaines communautés et réparti les gains de manière inégale.

L’IA diffère de nombreux outils précédents parce qu’elle cible des tâches cognitives dans de nombreux secteurs. Le même modèle sous-jacent peut aider un programmeur, un spécialiste du marketing, un avocat, un analyste ou un agent de support. La distribution logicielle permet à ces capacités de se diffuser rapidement.

Pourtant, les capacités ne sont pas l’adoption. Les organisations font face à des restrictions liées aux données, à des coûts d’intégration, à des risques juridiques, à des exigences de sécurité et à des problèmes de fiabilité. De nombreuses démonstrations fonctionnent mieux dans des environnements contrôlés qu’au sein de systèmes opérationnels complexes.

L’enquête ne peut pas non plus révéler ce que les répondants accepteraient sous différentes politiques. Les personnes pourraient voir l’IA plus positivement si les employeurs garantissaient la reconversion, protégeaient les salaires ou partageaient les gains de productivité. Elles pourraient devenir plus sceptiques après avoir subi des décisions automatisées opaques.

Une autre incertitude concerne la vie au-delà du travail. L’IA peut soutenir la recherche médicale, l’accessibilité, l’éducation et la traduction, tout en introduisant des risques de fraude, de surveillance et de désinformation. Un répondant peut valoriser un usage et en rejeter un autre.

Cette combinaison rend les étiquettes simplistes trompeuses. Une personne qui s’attend à une destruction d’emplois n’est pas nécessairement anti-IA. Elle peut utiliser régulièrement l’IA tout en exigeant des protections contre ses conséquences économiques.

L’interprétation sceptique ne doit pas aller trop loin dans un sens comme dans l’autre. La peur du public n’établit pas l’inévitabilité d’un chômage de masse. L’optimisme du secteur ne démontre pas que la main-d’œuvre déplacée passera sans difficulté vers de meilleurs emplois.

Les preuves doivent relier des systèmes précis aux effectifs réels, aux salaires, à la production et à la qualité de l’emploi. Tant que ces preuves ne s’accumulent pas, les prévisions assurées restent moins utiles qu’un reporting transparent.

Les employeurs et les gouvernements portent désormais la charge de la preuve

L’enquête met la pression sur les institutions qui contrôlent l’adoption, car les travailleurs ne peuvent pas concevoir seuls la transition.

Les entreprises d’IA font face au défi de communication le plus visible. Elles décrivent souvent les modèles comme des assistants ou des collaborateurs. Les clients achètent toutefois ces produits en partie parce qu’ils promettent des coûts plus faibles et une production accrue.

Cette logique commerciale ne rend pas les pertes d’emploi inévitables. Elle crée une incitation que les messages publics abordent rarement directement. Si une équipe peut accomplir davantage de travail, les dirigeants doivent décider s’ils développent la production ou réduisent la demande de main-d’œuvre.

Les employeurs peuvent rendre cette décision compréhensible. Ils peuvent publier leurs objectifs de déploiement, identifier les tâches concernées, consulter les travailleurs et indiquer si l’automatisation modifie les effectifs. Ils peuvent distinguer les projets expérimentaux des systèmes utilisés dans les décisions d’emploi.

Les managers doivent également protéger la supervision humaine. Demander aux salariés d’approuver les résultats de l’IA sans leur accorder suffisamment de temps ni d’autorité crée une responsabilité sans contrôle. Cet arrangement transfère le risque vers le bas tandis que la direction s’attribue le gain de productivité.

La formation exige une précision similaire. Une courte formation au prompting ne prépare pas une personne à une profession qui perd ses tâches de débutant. Une formation efficace doit relier les travailleurs à des postes que les organisations prévoient réellement de maintenir.

Les gouvernements portent une charge différente. Ils ont besoin de données rapides sur le marché du travail capables de distinguer les licenciements des réductions de recrutement et des restructurations de tâches. Ils ont aussi besoin de politiques applicables avant que les déplacements ne deviennent une urgence.

La politique de concurrence compte parce que l’infrastructure de l’IA est coûteuse et concentrée. Si un petit groupe contrôle les modèles, la capacité cloud et la distribution, les gains de productivité peuvent s’accumuler au sein des entreprises disposant du plus de capital.

La politique éducative compte parce que les travailleurs ont besoin d’un jugement numérique étendu, et pas seulement d’une familiarité avec une interface. Les produits fondés sur les modèles changent rapidement. La vérification, l’expertise métier, la communication et la responsabilité conservent leur valeur d’un outil à l’autre.

La protection sociale compte parce que les transitions créent des lacunes, même lorsque l’économie finit par générer de nouveaux emplois. Les personnes ne peuvent pas payer leurs dépenses actuelles avec des prévisions sur les professions de demain. Les prestations et la reconversion doivent fonctionner durant la transition.

La représentation des travailleurs influe également sur les résultats. Les salariés comprennent souvent quelles tâches peuvent être automatisées en toute sécurité et lesquelles exigent du contexte. Les inclure peut améliorer la qualité du déploiement tout en réduisant la méfiance.

L’inquiétude du public face aux inégalités doit orienter ces réponses. Une transition ne peut pas être jugée uniquement à l’aune de la production nationale ou des bénéfices des entreprises. La répartition des salaires, la qualité de l’emploi, les effets régionaux et l’accès à la formation doivent faire partie de la même évaluation.

Les entreprises devraient rendre compte du lien entre l’adoption de l’IA et l’emploi à l’aide de mesures comparables. Parmi les indicateurs utiles figurent les postes vacants, le recrutement de débutants, les dépenses liées aux prestataires, les mutations internes, les heures travaillées et la production par salarié.

Aucune mesure unique ne tranchera le débat. Les effectifs peuvent rester stables tandis que les charges de travail s’intensifient. La productivité peut augmenter tandis que les salaires stagnent. De nouveaux rôles peuvent apparaître alors que leur accès reste limité aux travailleurs disposant de qualifications avancées.

La transparence réduirait néanmoins l’écart entre les promesses et les résultats. Elle permettrait aux travailleurs, aux investisseurs et aux décideurs publics d’évaluer si l’augmentation des capacités se produit comme annoncé.

Les conclusions de Pew suggèrent que l’optimisme volontaire ne suffit plus. Les institutions qui recherchent le soutien du public doivent montrer comment les personnes partagent les bénéfices et comment elles géreront les préjudices.

Trois signaux mettront à l’épreuve la peur mondiale des pertes d’emploi liées à l’IA

La prochaine étape du débat sera tranchée par les données de recrutement, les résultats pour les travailleurs et des mesures répétées de l’opinion publique.

Le premier signal concerne le recrutement de débutants dans les professions exposées à l’IA. Les postes pour jeunes diplômés, les fonctions professionnelles juniors et le travail numérique routinier constituent un premier test de substitution. Ces emplois comprennent de nombreuses tâches que les systèmes génératifs peuvent assister ou automatiser.

Un déclin persistant renforcerait l’interprétation pessimiste de l’enquête, surtout si la production reste stable. Des recrutements stables avec des responsabilités repensées soutiendraient l’argument de l’augmentation des capacités. Les chercheurs devraient comparer les rôles exposés avec des professions confrontées à des conditions économiques similaires.

Le deuxième signal est de savoir si les gains de productivité atteignent les travailleurs. La croissance des salaires, la réduction du temps de travail, les taux de promotion et la formation financée par les employeurs peuvent montrer si les personnes partagent la valeur créée. Une production plus élevée ne peut à elle seule répondre à cette question.

Si les salaires et la mobilité progressent parallèlement à l’adoption de l’IA, la confiance du public aura une raison de s’améliorer. Si la production augmente tandis que la rémunération et les opportunités stagnent, les préoccupations liées aux inégalités disposeront de preuves plus solides.

Le troisième signal est l’évolution des futurs résultats d’enquête. L’étude de Pew fournit une vaste référence dans 37 pays. Répéter des questions comparables peut révéler si l’expérience directe réduit la peur ou la rend plus concrète.

Le sentiment doit être interprété à côté des comportements. L’adoption peut augmenter même lorsque la confiance diminue, car les travailleurs et les consommateurs peuvent avoir peu de choix pratiques. Les statistiques d’usage ne peuvent donc pas, à elles seules, démontrer l’acceptation sociale.

La tendance observée dans 34 pays restera significative jusqu’à ce que les données sur l’emploi indiquent autre chose. Elle représente un avertissement : le progrès technique et la légitimité publique avancent sur des trajectoires distinctes.

Les développeurs devraient observer si les acheteurs exigent des systèmes conçus autour d’une supervision humaine responsable. Les clients d’entreprise devraient examiner les conséquences sur les effectifs parallèlement aux performances des modèles. Les travailleurs devraient se demander comment l’adoption modifie leurs rôles, leur évaluation et leur évolution professionnelle.

Les décideurs publics devraient résister à la fois au fatalisme et à la complaisance. La destruction d’emplois par l’IA n’est pas prédéterminée, mais une transition sans douleur vers de meilleurs emplois ne l’est pas non plus. Les institutions font des choix qui façonnent les deux résultats.

L’enquête de Pew Research sur l’IA et l’emploi pose une question pratique à toute organisation déployant ces systèmes : quelles preuves convaincraient les travailleurs que l’IA améliore leur avenir ? Publier ces preuves, partager les gains et corriger les déploiements préjudiciables offrirait une réponse crédible. Sans ces actions, le public continuera de juger l’IA selon son incitation perçue la plus évidente : accomplir davantage de travail avec moins de personnes.