Le pari de 100 millions de dollars de la Rockefeller Foundation sur l’emploi lié à l’IA met les collectivités locales à l’épreuve

La Rockefeller Foundation a engagé 100 millions de dollars dans une stratégie pour l’emploi façonnée en partie par les bouleversements liés à l’IA, mais son financement seul ne déterminera pas son ampleur. Le titre de google news renvoie à une réalité plus complexe. Les agences étatiques et locales doivent transformer des expérimentations dispersées en matière d’emploi en programmes utilisés par les employeurs et accessibles aux travailleurs.

Baptisée Big Bet on Good Jobs for America, cette initiative de trois ans cible les communautés où l’emploi est fragile ou fortement exposé aux transformations technologiques. La fondation souhaite que ses actions soutiennent, à terme, environ 1,6 million d’emplois supplémentaires dans quelque 250 territoires. Elle prévoit également que les améliorations économiques locales qui en résulteront bénéficient à 10 à 20 millions de personnes.

Ces objectifs placent l’initiative en tension avec le système fragmenté qu’elle entend améliorer. Les conseils locaux pour l’emploi, les community colleges, les employeurs, les agences étatiques et les prestataires de services opèrent souvent selon des règles différentes. Le programme représente donc davantage qu’une réponse philanthropique aux suppressions d’emplois. Il teste la capacité des expérimentations locales à devenir des politiques publiques durables avant que l’IA ne transforme à nouveau le marché du travail.

Ce que change réellement la stratégie de 100 millions de dollars pour l’emploi

La Rockefeller Foundation finance un passage des expérimentations locales en matière d’emploi vers des politiques capables de fonctionner au-delà de la philanthropie.

La fondation a annoncé son engagement le 21 avril 2026. Ses priorités initiales incluent les soins de santé, l’économie du care, l’énergie, les systèmes alimentaires et les secteurs utilisant l’IA. Ces domaines associent une demande de main-d’œuvre persistante à une forte exposition aux évolutions technologiques et démographiques.

L’argent ne servira pas simplement à financer un programme national unique de formation. La stratégie pour l’emploi prévoit de tester des programmes dans des communautés individuelles, d’adapter les modèles efficaces et de les intégrer aux politiques publiques. Les outils de financement et les pratiques des employeurs font également partie de cette étape finale.

Cette structure confère plusieurs rôles potentiels aux agences étatiques et locales. Elles peuvent identifier les pénuries de main-d’œuvre, coordonner les organismes de formation, lever les obstacles liés aux licences professionnelles et mettre les résidents en relation avec des services d’accompagnement. Elles peuvent aussi utiliser les marchés publics, les subventions et les programmes de développement économique pour encourager la participation des employeurs.

La garde d’enfants illustre pourquoi l’ensemble du système compte. Un travailleur peut terminer une formation tout en restant dans l’impossibilité d’accepter un emploi faute de solution de garde fiable. Les règles de certification peuvent créer un autre obstacle lorsque les compétences acquises dans un programme ne répondent pas aux exigences d’un employeur ou d’un organisme de délivrance des licences.

La stratégie considère ces obstacles comme des éléments de la politique de l’emploi, et non comme des problèmes sociaux sans lien. Cette distinction est importante, car de nombreux programmes de formation mesurent les inscriptions ou les formations achevées. Aucun de ces indicateurs ne prouve que les participants ont obtenu des emplois stables offrant des conditions raisonnables.

La fondation prévoit de collaborer avec des partenaires publics, privés et philanthropiques. Elle souhaite que ces partenaires apportent des ressources supplémentaires et, à terme, mettent en œuvre les approches réussies sans soutien caritatif permanent. L’adoption institutionnelle devient ainsi une mesure centrale de la réussite.

Le programme se distingue également d’une tentative directe de créer partout des emplois technologiques. Il comprend des secteurs utilisant l’IA, mais son objectif plus large consiste à relier les personnes à un emploi de qualité pendant les transformations économiques. Un parcours dans les soins de santé peut donc être éligible même si le poste comporte peu de travail lié à l’IA.

Selon les premiers détails du programme, la fondation prévoit de commencer avec environ 20 à 30 communautés. Elle ne sélectionnera pas à l’avance l’ensemble des 250 territoires ciblés. Les lacunes du marché du travail et la demande des employeurs aideront à déterminer où débuteront les premières actions.

Cette approche progressive impose une discipline utile. Les programmes doivent produire des preuves avant que la fondation ne les étende à davantage de communautés. Elle crée aussi le risque que les projets pilotes réussis dépendent de responsables locaux atypiques ou de subventions temporaires.

Les agences étatiques et locales se trouvent au point où cette différence devient visible. Elles peuvent montrer si un modèle s’inscrit dans les budgets, les règles et les capacités administratives existants. Leur participation peut également révéler des coûts qu’un projet pilote de courte durée ne saisit pas.

C’est pourquoi l’histoire dépasse un simple article de google news sur un engagement majeur. Le changement important réside dans le mécanisme de mise en œuvre proposé. Les tests locaux doivent devenir une voie vers les politiques publiques, le financement et les comportements des employeurs.

La question suivante est de savoir si ce mécanisme correspond à la rapidité et à la géographie inégale des perturbations du travail liées à l’IA.

Pourquoi la pression de l’IA atteint les communautés de manière inégale

L’IA n’affecte pas tous les travailleurs ni toutes les économies locales au même rythme, ce qui fait des moyennes nationales un guide peu fiable pour l’intervention.

La Rockefeller Foundation affirme que sa stratégie donnera la priorité aux territoires où les résidents sont déjà éloignés de l’emploi. Elle prendra également en compte les communautés vulnérables à l’IA et à d’autres changements structurels. Ces conditions se recoupent souvent, mais elles ne sont pas identiques.

Une région peut connaître un faible chômage tout en exposant certains travailleurs à une forte pression. Les employés administratifs, les agents de support client, les analystes débutants et d’autres métiers fortement structurés autour de tâches peuvent voir les attentes évoluer avant que des licenciements n’apparaissent dans les données officielles. Les employeurs peuvent d’abord réduire les recrutements, fusionner des fonctions ou laisser des postes vacants non pourvus.

L’inverse peut aussi se produire. Une communauté en difficulté peut compter peu d’emplois que les systèmes d’IA actuels sont en mesure d’automatiser directement. Ses principaux problèmes peuvent concerner les transports, la garde d’enfants, la santé, l’éducation ou une demande limitée de la part des employeurs. Un programme de formation estampillé IA ne résoudrait pas ces contraintes.

Plus de 50 millions d’Américains vivent dans des communautés classées comme défavorisées par l’Economic Innovation Group. Ses recherches sur les communautés examinent les différences en matière d’emploi, de revenus, de pauvreté, de logements vacants et de création d’entreprises. Ces indicateurs aident à expliquer pourquoi une même évolution technologique produit des résultats locaux différents.

La fondation a également cité la baisse de confiance des travailleurs. Une mesure de Gallup a montré que 28 pour cent des travailleurs se déclaraient satisfaits de leurs possibilités d’avancer grâce au travail acharné à la fin de 2025. Ce résultat était en baisse par rapport aux 46 pour cent enregistrés un an plus tôt, selon la synthèse de la fondation des résultats sur le monde du travail.

Ces chiffres ne prouvent pas que l’IA a causé ce recul. Les coûts du logement, l’inflation, les conditions d’embauche et les attentes au travail peuvent également influencer la confiance. Ils montrent toutefois qu’une vaste initiative pour l’emploi s’inscrit dans un contexte où de nombreux travailleurs doutent déjà des voies traditionnelles de progression.

L’IA ajoute de la pression parce qu’elle modifie les tâches plus rapidement que de nombreuses classifications professionnelles n’évoluent. Un emploi peut conserver son intitulé tandis qu’un logiciel prend en charge la recherche, la rédaction, la planification ou l’analyse élémentaire. Les travailleurs ont alors besoin de compétences différentes, même lorsque la profession semble toujours stable.

Cela crée un problème de données pour les pouvoirs publics. Les demandes d’allocations chômage arrivent après les suppressions d’emplois. Les offres d’emploi peuvent montrer plus tôt l’évolution des compétences requises, mais elles ne correspondent pas toujours à des recrutements réels. Les enquêtes auprès des employeurs apportent du contexte, bien que les petites organisations puissent être difficiles à joindre.

Les agences locales peuvent combiner ces signaux avec des connaissances que les jeux de données nationaux ne captent pas. Les community colleges savent quels programmes perdent des étudiants. Les conseils pour l’emploi entendent quelles qualifications les employeurs refusent. Les bureaux chargés des prestations peuvent détecter des changements parmi les résidents qui demandent de l’aide.

Ce rôle d’information n’a de valeur que si les agences peuvent partager leurs constats de manière sûre et cohérente. Les systèmes fragmentés utilisent souvent des définitions différentes pour la participation, l’achèvement, le placement et le maintien dans l’emploi. Les comparaisons deviennent peu fiables lorsque chaque programme compte les résultats différemment.

Le programme aura donc besoin d’un cadre de mesure commun. Il devra distinguer un poste nouvellement créé d’un travailleur passant d’emplois existants à d’autres. Il devra également séparer les placements temporaires des emplois qui perdurent au-delà d’une subvention initiale.

La progression salariale compte, mais elle ne peut suffire à elle seule. Le nombre d’heures, les avantages sociaux, la stabilité des horaires, les possibilités d’évolution et l’autonomie des travailleurs contribuent à déterminer si un poste mérite l’appellation de « bon emploi ». Le coût de la vie local peut également modifier la signification d’un même salaire.

L’objectif ambitieux de la fondation crée un autre défi. Soutenir 1,6 million d’emplois supplémentaires exige davantage que de placer des individus dans de petits projets de démonstration. Les approches efficaces doivent influencer des systèmes plus vastes, notamment les formules de financement public, les exigences imposées aux employeurs et les règles de certification à l’échelle des États.

L’IA peut aider dans certaines parties de ce système. Derek Kilmer, vice-président senior de la fondation pour les programmes et politiques aux États-Unis, a évoqué un traitement plus rapide des permis pour les logements abordables. Des approbations plus rapides peuvent soutenir l’activité de construction, mais les logiciels seuls ne peuvent garantir de nouveaux logements ni des emplois stables.

Cet exemple résume la tension centrale de l’initiative. L’IA peut être à la fois une source de perturbation du marché du travail et un outil d’amélioration de l’administration publique. Les agences doivent rechercher des applications utiles sans supposer que l’automatisation produira automatiquement des gains économiques partagés.

L’attention de Google News face à l’épreuve de la mise en œuvre locale

Le véritable adversaire du programme n’est ni une autre fondation ni un fournisseur de technologies. C’est l’écart entre des objectifs nationaux ambitieux et les capacités locales de mise en œuvre.

L’angle de google news rend l’engagement financier facile à comprendre. Une fondation nationale fait un pari important sur les communautés et les travailleurs en période de changement porté par l’IA. L’histoire de la mise en œuvre est moins ordonnée, car la responsabilité traverse de nombreuses institutions.

Un ministère du Travail d’un État peut financer une formation, mais il ne peut pas obliger les employeurs à la reconnaître. Un community college peut créer une certification, mais il ne peut pas assurer le transport de chaque étudiant. Une collectivité locale peut coordonner les services, mais elle peut ne pas avoir autorité sur les exigences en matière de licences professionnelles.

Les employeurs ont également des incitations qui ne s’alignent pas toujours sur les programmes publics. Ils peuvent vouloir des travailleurs formés pour des postes immédiatement vacants tout en évitant des engagements à long terme. Ils peuvent modifier leurs critères d’embauche ou leurs plans technologiques avant qu’une cohorte en formation n’obtienne son diplôme.

Des partenariats locaux efficaces doivent définir la contribution de l’employeur. Celle-ci peut comprendre des entretiens, des placements rémunérés, une participation à l’élaboration des programmes, des horaires prévisibles ou des engagements à conserver les travailleurs qui réussissent. Sans obligations claires, les ressources publiques peuvent subventionner des formations pour des postes qui ne se concrétisent jamais.

Les soins de santé offrent un cas de test concret. De nombreuses communautés ont besoin de travailleurs supplémentaires, mais les voies d’accès peuvent comporter des frais de scolarité, des exigences cliniques, des licences professionnelles et des périodes de formation non rémunérées. La prise en charge d’un coût initial peut aider, mais les participants peuvent toujours avoir besoin d’une garde d’enfants, de transports et de revenus pendant leur formation.

Les agences étatiques peuvent traiter plusieurs de ces obstacles simultanément. Elles peuvent harmoniser les prestations, le financement de l’éducation et la reconnaissance des certifications. Elles peuvent aussi réviser les règles qui obligent les travailleurs à répéter des formations équivalentes lorsqu’ils passent d’un établissement ou d’une juridiction à l’autre.

Les administrations locales peuvent offrir une vision plus précise des lacunes de service. Les comtés administrent fréquemment des programmes de santé, de logement et d’emploi. Les villes influencent les transports, les autorisations et le développement économique. Les gouvernements tribaux et les territoires présentent des conditions juridiques et géographiques distinctes que les modèles nationaux risquent de négliger.

Cependant, la participation locale n’est pas automatiquement équitable. Les communautés disposant de rédacteurs de demandes de subvention expérimentés et de réseaux d’organisations à but non lucratif bien établis sont souvent plus compétitives pour obtenir des financements pilotes. Les territoires dont les capacités administratives sont les plus faibles peuvent avoir du mal à intégrer des programmes conçus pour les zones en difficulté.

La Rockefeller Foundation devra décider si elle récompense la préparation ou si elle la construit. Ne sélectionner que des communautés prêtes pourrait produire des résultats initiaux plus rapides. Cela pourrait aussi générer des modèles qui échouent dans les territoires comptant moins de personnel, des systèmes de données plus faibles et des réseaux d’employeurs plus restreints.

Une initiative connexe du secteur public illustre l’importance des capacités. Le AI Readiness Project s’efforce de réunir les responsables technologiques des administrations afin de favoriser l’apprentissage partagé et les projets pilotes. Son objectif déclaré inclut l’accompagnement des États, des territoires et des nations tribales, tout en soutenant au moins 10 démonstrations à l’échelle des États.

La couverture par Government Technology de cette initiative de préparation a mis l’accent sur la collaboration, la formation et des environnements d’expérimentation à faible risque. Ces fondations sont importantes, car les agences ne peuvent pas déployer l’IA de manière responsable sans expertise en matière de marchés publics, gouvernance des données et normes d’évaluation.

L’initiative pour l’emploi intervient à un niveau économique plus large, mais elle fait face à des exigences similaires. Les agences ont besoin de personnel capable d’interpréter les données du marché du travail, de gérer les fournisseurs, de protéger les informations personnelles et d’évaluer l’efficacité des interventions. Un projet pilote ne peut pas remplacer cette compétence institutionnelle.

Les marchés publics peuvent également ralentir l’adoption. Les administrations doivent documenter les exigences, évaluer les risques et garantir une concurrence équitable. Ces garde-fous sont importants, en particulier lorsque les systèmes traitent des données sur l’emploi ou les prestations. Ils peuvent néanmoins créer des calendriers incompatibles avec un programme philanthropique de trois ans.

Le partage de données constitue un autre obstacle. Les organismes de formation, les employeurs et les agences peuvent détenir différentes parties du dossier d’un participant. La combinaison de ces dossiers peut améliorer la mesure des résultats, mais elle soulève aussi des questions de consentement, de sécurité et d’accès.

Toute utilisation d’appariement automatisé exige une prudence particulière. Un système qui recommande des travailleurs pour des emplois peut reproduire les schémas présents dans les données historiques de recrutement. Les agences doivent mettre en place des tests, des voies de recours et un examen humain avant de considérer une recommandation comme une décision d’emploi.

Les travailleurs devraient également savoir lorsque l’IA influence leur parcours dans un programme. La transparence devrait couvrir la sélection, l’appariement, les évaluations et les recommandations d’accompagnement. Une personne ne devrait pas perdre l’accès à un programme parce qu’un modèle opaque a interprété des données incomplètes.

Ces contraintes ne font pas des administrations locales des partenaires inadaptés. Elles expliquent pourquoi leur rôle est essentiel. Les agences publiques apportent une responsabilité, une échelle et une continuité qu’une subvention temporaire ne peut pas créer à elle seule.

Le projet pilote le plus solide sera donc celui qui résiste aux conditions ordinaires de l’administration. Il doit fonctionner avec les niveaux de personnel réels, les exigences juridiques et les cycles budgétaires. Il doit aussi produire des éléments probants qu’une autre juridiction pourra examiner avant de reproduire le modèle.

Pour les équipes qui gèrent des preuves réparties entre agences et prestataires, une base de connaissances interrogeable peut aider à organiser les politiques, les comptes rendus de réunion et les évaluations. De tels outils facilitent la coordination, mais la gouvernance détermine toujours quelles informations peuvent être partagées.

L’engagement national attire l’attention. La conception administrative locale déterminera si cette attention se transforme en infrastructure durable pour l’emploi.

Les chiffres ne prouvent pas encore le modèle

La fondation a annoncé d’importants objectifs de résultats, mais les éléments publics ne montrent pas encore quelles interventions permettront de les atteindre.

L’engagement de 100 millions de dollars est confirmé, tout comme la période de trois ans et les objectifs à long terme liés aux emplois, aux communautés et aux bénéficiaires. Ces chiffres décrivent l’ambition et l’ampleur du projet. Ils ne représentent ni des placements réalisés ni un impact économique vérifié de manière indépendante.

Cette distinction est importante, car « permettre la création » peut couvrir plusieurs types de relations. Une subvention peut soutenir directement la formation d’un travailleur. Un changement de politique peut aider les employeurs à pourvoir des postes. Un outil de financement peut contribuer aux côtés de plusieurs autres programmes.

L’attribution devient plus difficile à mesure que l’initiative prend de l’ampleur. Si l’emploi progresse après le lancement d’un programme local, les évaluateurs doivent tenir compte de la croissance économique, de l’expansion des employeurs, des migrations et d’autres investissements publics. Comptabiliser chaque nouvel emploi exagérerait le rôle du programme.

La fondation a cherché un partenaire de mesure, d’évaluation et d’apprentissage pour son initiative américaine en faveur de l’emploi. Sa demande publiée décrivait une modélisation quantitative de l’impact, une analyse du marché du travail et un soutien aux infrastructures de données. Ce travail devrait aider à définir comment le programme distingue les résultats directs d’une influence plus large.

Même une évaluation solide ne peut éliminer toutes les incertitudes. Les communautés différeront par leur composition sectorielle, leurs caractéristiques démographiques, leur capacité de service et leur exposition aux chocs économiques. Une politique qui fonctionne dans un marché de la santé peut ne pas être transposable à un autre sans changements substantiels.

L’échelle du programme crée une pression arithmétique élémentaire. Répartir l’engagement entre 250 territoires laisserait un financement direct limité par lieu, avant même les coûts d’évaluation centrale et de gestion du programme. Ce calcul simple ne correspond pas au plan d’allocation réel, mais il illustre la dépendance à l’effet de levier.

La fondation entend explicitement attirer des capitaux publics, privés et philanthropiques supplémentaires. Elle souhaite également que des modèles éprouvés soient intégrés aux politiques publiques et aux pratiques des employeurs. Ces mécanismes devront fournir l’essentiel de l’échelle finale si l’initiative se rapproche de ses objectifs nationaux.

L’effet de levier peut constituer un résultat significatif. Une subvention modeste peut soutenir des preuves qui modifient un budget public plus important ou un processus d’employeur. Pourtant, les financements annoncés ou alignés ne devraient pas être comptés comme un impact tant que les fonds ne sont pas engagés et utilisés.

La fondation cite des travaux antérieurs ayant contribué à débloquer des financements fédéraux pour les énergies propres dans plus de 45 États. Cet historique étaye sa théorie selon laquelle la philanthropie peut réunir des partenaires et influencer des flux de capitaux plus importants. L’effort en faveur de l’emploi exige toutefois ses propres preuves.

Les estimations de déplacement par l’IA appellent une prudence similaire. Une étude associée à l’Iceberg Index du MIT a estimé que les capacités actuelles de l’IA recoupent des tâches représentant 11,7 % de la valeur salariale du marché du travail américain. La simulation du marché du travail modélise l’exposition, et non une prévision selon laquelle la même part des travailleurs perdra son emploi.

L’exposition des tâches peut conduire à plusieurs résultats. Les employeurs peuvent réduire leurs effectifs, augmenter leur production, redéfinir les emplois ou créer de nouveaux services. Les travailleurs peuvent utiliser l’IA comme assistant plutôt que subir un remplacement complet.

Un programme construit autour d’une seule prévision de déplacement serait donc fragile. Les planificateurs locaux ont besoin de stratégies fondées sur des scénarios, capables de fonctionner selon plusieurs schémas d’adoption. Ils devraient se préparer à l’évolution des tâches comme aux pertes d’emplois directes.

La pérennité politique constitue une autre incertitude. Les administrations des États changent, les budgets locaux se resserrent et les dirigeants d’agences partent. Un projet pilote réussi peut disparaître lorsque sa source de financement s’épuise ou que son défenseur quitte ses fonctions.

L’inscription d’un programme dans la loi ou dans un budget récurrent peut améliorer sa continuité. Elle peut aussi figer une approche avant que les preuves ne soient suffisamment solides. L’initiative doit équilibrer l’adoption rapide et la possibilité de révision.

La voix des travailleurs est une autre variable manquante. Les employeurs et les agences peuvent définir la réussite par les postes pourvus ou les coûts réduits. Les participants peuvent accorder davantage d’importance aux horaires, à la sécurité, aux avantages sociaux, au temps de trajet ou aux perspectives d’évolution.

Les programmes devraient recueillir les retours des travailleurs pendant leur conception et après le placement. Ils devraient également indiquer qui abandonne, et pas seulement qui termine la formation. L’attrition peut révéler des obstacles masqués par les chiffres agrégés de placement.

L’évaluation indépendante devrait examiner les différences selon la race, le genre, l’âge, le handicap et la géographie lorsque cela est légal et approprié. Les gains moyens peuvent masquer des groupes qui obtiennent des placements de moindre qualité ou connaissent des taux d’abandon plus élevés.

L’argument sceptique n’est pas que l’initiative manque de valeur. Il est qu’un objectif national peut dépasser les preuves produites par les projets pilotes locaux. Des définitions claires, des données comparables et des rapports publics détermineront si l’expansion reflète des résultats ou de l’enthousiasme.

Ce risque devrait rester visible chaque fois que l’histoire réapparaît via google news ou un autre canal de découverte. Les annonces de financement sont immédiates. Les résultats fiables en matière d’emploi prennent plus de temps à mesurer.

Les agences publiques doivent équilibrer l’adoption de l’IA et la protection des travailleurs

Les administrations des États et locales ne peuvent pas considérer l’IA uniquement comme une menace pour l’emploi ni uniquement comme un outil d’efficacité. Elles doivent gérer ces deux rôles.

La fondation inclut les secteurs utilisant l’IA parmi ses secteurs prioritaires. Ce choix crée des opportunités pour de nouvelles professions et permet aux travailleurs existants d’acquérir des compétences utiles. Il soulève également des questions sur le type de formation qui reste pertinent à mesure que les produits évoluent.

Former les personnes à une seule interface logicielle peut produire rapidement de bons taux d’achèvement. Cette formation peut devenir obsolète lorsqu’un fournisseur modifie des fonctionnalités ou qu’un employeur adopte une autre plateforme. Les programmes durables devraient mettre l’accent sur le discernement, les connaissances métier, la culture des données et l’utilisation responsable des outils.

Les professionnels de santé, par exemple, peuvent utiliser l’IA pour résumer la documentation ou coordonner les plannings. Ils ont toujours besoin de connaissances cliniques, de compétences en communication et d’une compréhension des exigences de confidentialité. La formation devrait expliquer dans quels cas les résultats automatisés exigent une vérification.

Les employés du secteur public font face à des exigences similaires. Une agence peut utiliser l’IA générative, c’est-à-dire un logiciel qui crée du texte ou d’autres contenus à partir d’invites, pour rédiger des documents courants. Le personnel reste responsable de la vérification des faits, de la protection des données et du respect des lois sur les archives.

L’IA peut également réduire les frictions administratives dans les programmes d’emploi. Elle peut résumer les notes de dossier, identifier les documents manquants ou aider les résidents à naviguer dans des exigences complexes. Chaque usage doit être testé auprès de la population réellement servie par l’agence.

Les promesses d’efficacité méritent un examen attentif lorsque les systèmes influencent l’accès aux prestations ou à l’emploi. Une décision plus rapide n’est pas automatiquement une meilleure décision. Les agences devraient mesurer les taux d’erreur, les recours, l’accessibilité et les résultats disparates, en plus du temps de traitement.

L’examen humain doit être réel. Un membre du personnel qui approuve simplement une recommandation automatisée sans disposer de suffisamment de temps ou d’informations offre peu de protection. Les examinateurs doivent avoir le pouvoir de modifier les décisions et de documenter leurs raisons.

Les contrats fournisseurs devraient soutenir cette supervision. Les agences ont besoin d’accéder aux informations sur les performances, aux avis de modification, aux conditions de sécurité et aux procédures de gestion des défaillances. Elles devraient éviter les accords qui empêchent les tests indépendants des systèmes à conséquences importantes.

Les équipes chargées des marchés publics peuvent également exiger des déclarations claires sur les données d’entraînement, les limites des modèles et les sous-traitants. Tous les détails ne seront pas nécessairement disponibles pour les systèmes commerciaux. L’agence doit néanmoins disposer de suffisamment d’informations pour évaluer le risque.

L’initiative en faveur de l’emploi peut servir de modèle de meilleures pratiques d’achat en liant le financement à la transparence et à l’évaluation. Un projet pilote qui utilise l’IA devrait divulguer son objectif, les utilisateurs concernés et les mesures de réussite. Il devrait également identifier les conditions qui déclencheraient sa suspension.

Les agences locales devraient distinguer les outils utilisés pour l’assistance de ceux utilisés pour la prise de décision. Rédiger un rappel de formation présente des risques différents de ceux liés au classement des candidats. Appliquer un même processus d’approbation à chaque usage peut gaspiller des ressources tout en négligeant les cas les plus risqués.

Les organisations syndicales et les travailleurs de première ligne devraient participer aux discussions de conception dès le départ. Les employés savent souvent quelles tâches créent des retards et quelles erreurs nuisent aux habitants. Leur participation peut révéler si un outil proposé répond à un problème réel.

Cette implication réduit également le risque que le développement des compétences de la main-d’œuvre devienne un euphémisme pour l’acceptation d’emplois de moindre qualité. La formation doit élargir les possibilités des travailleurs, et non simplement les préparer à davantage de surveillance ou à des horaires instables.

Les employeurs bénéficiant d’un soutien public devraient expliquer comment l’IA transforme les postes qu’ils proposent. Ils devraient identifier les tâches qui disparaissent, les compétences dont la valeur augmente et la manière dont les gains de productivité affectent les travailleurs. Sans cela, les prestataires de formation doivent planifier sur la base d’informations incomplètes.

L’accent mis par l’initiative sur les bons emplois ouvre la voie à de telles conditions. Les financements publics et philanthropiques peuvent demander aux employeurs des engagements concernant les salaires, la rétention, l’évolution de carrière et les horaires. Les normes précises devront refléter les marchés du travail et les métiers locaux.

Les gouvernements des États peuvent s’attaquer à des obstacles politiques plus larges. Ils peuvent moderniser les licences professionnelles, soutenir des certifications transférables et aligner les données sur l’éducation avec les résultats en matière d’emploi. Ils peuvent également financer des services aidant les participants à rester en formation.

Les agences locales peuvent tester ces approches sur des marchés du travail spécifiques. Leur expérience peut montrer quels obstacles comptent le plus et quelles interventions produisent des effets indésirables. La fondation peut ensuite diffuser des enseignements crédibles entre les différentes juridictions.

L’IA ne devrait pas dominer chaque stratégie locale pour l’emploi. De nombreuses communautés ont besoin d’investissements de base dans les transports, le haut débit, le logement ou les services de soins avant que la formation technique ne devienne utile. La conception du programme devrait permettre à ces besoins d’orienter la réponse.

Cette flexibilité est une force si elle s’accompagne d’une évaluation rigoureuse. Elle devient une faiblesse si toute activité locale est admissible sans théorie du changement commune. Des définitions partagées des résultats doivent coexister avec l’adaptation locale.

Le compromis central n’oppose donc pas l’emploi à la technologie. Il oppose l’expérimentation rapide à la construction d’institutions responsables. L’initiative ne réussira que si elle peut faire les deux.

Ce que les lecteurs de Google News devraient surveiller ensuite

La prochaine phase devrait être évaluée à l’aune de la sélection des communautés, de résultats mesurables en matière d’emploi et de preuves que les projets pilotes réussis intègrent des systèmes permanents.

Le premier signal sera la sélection des premières communautés. La fondation prévoit apparemment de commencer avec environ 20 à 30 territoires avant d’élargir le programme. Ces choix révéleront comment elle équilibre l’urgence des besoins, la demande des employeurs, la diversité géographique et la préparation administrative.

Un premier groupe crédible devrait inclure davantage que des communautés déjà expertes dans l’obtention de subventions nationales. Il devrait tester le modèle dans des marchés du travail et avec des capacités gouvernementales différents. Les critères de sélection devraient être suffisamment publics pour que les territoires non retenus comprennent la décision.

Les lecteurs devraient également observer quelles organisations dirigent les actions locales. Un partenariat uniquement porté par des consultants externes pourrait peiner après la fin du financement. Des structures plus solides incluront des agences, des employeurs, des établissements d’enseignement, des représentants des travailleurs et des prestataires de services aux responsabilités définies.

Le deuxième signal est le cadre de mesure. Le programme a besoin de définitions cohérentes pour les inscriptions, les achèvements, les placements, la rétention et la qualité des emplois. Il a également besoin d’une méthode défendable pour estimer les emplois influencés indirectement par les politiques ou le financement.

Les premiers rapports devraient distinguer les résultats directs des participants des effets nationaux modélisés. Ils devraient indiquer combien de personnes ont intégré des programmes, obtenu un emploi et sont restées en poste. Les données sur les salaires, les heures, les avantages et l’évolution de carrière offriraient une image plus complète.

Les résultats devraient inclure les échecs et les révisions. Un projet pilote qui identifie une filière de formation inefficace peut encore créer de la valeur si cet enseignement évite des dépenses plus larges. Masquer les résultats négatifs affaiblirait la stratégie de passage à l’échelle du programme.

Le processus d’évaluation devrait aussi distinguer l’exposition à l’IA des déplacements d’emplois réels. Les communautés peuvent suivre l’adoption par les employeurs, les changements de tâches, les tendances d’embauche et les licenciements. Aucun indicateur unique ne capturera l’ensemble de la transition.

Le troisième signal est l’adoption institutionnelle. Un projet pilote prometteur prend tout son sens à grande échelle lorsqu’un État modifie une politique, qu’une agence crée un financement récurrent ou que des employeurs adoptent une filière validée. Une expansion financée uniquement par une autre subvention de courte durée fournirait des preuves plus faibles.

Surveillez les changements apportés aux règles de certification, au soutien à la garde d’enfants, au financement de la formation et aux accords avec les employeurs. Ces détails administratifs en diront davantage sur la pérennité qu’une nouvelle annonce de participation.

Les documents budgétaires des États peuvent révéler si les gouvernements prévoient des coûts permanents. La législation peut montrer si une politique survit au-delà d’une administration. Les conventions collectives et les contrats employeurs peuvent indiquer si les travailleurs bénéficient des gains de productivité.

Le programme devrait également indiquer le montant des capitaux supplémentaires qu’il mobilise. Une affirmation générale sur des ressources alignées est moins utile que des engagements documentés liés à des interventions précises. Les financements publics devraient être identifiés séparément des contributions privées et philanthropiques.

Un résultat plus solide combinerait des placements crédibles, l’adoption de politiques et des coûts transparents. Un résultat plus faible mettrait l’accent sur le nombre total de bénéficiaires sans expliquer leur lien avec les activités financées.

Pour les lecteurs arrivant depuis google news, le chiffre phare n’est qu’un point de départ. L’histoire durable concerne la capacité des institutions locales à répondre aux changements technologiques avant que les travailleurs vulnérables n’en supportent les coûts.

Les développeurs et fournisseurs d’IA devraient suivre le programme, car les initiatives publiques peuvent façonner les attentes en matière d’achats et d’évaluation. Les acheteurs d’entreprise devraient le suivre, car les partenariats locaux peuvent mettre en lumière de véritables besoins de main-d’œuvre. Les travailleurs devraient le suivre, car les normes de qualité de l’emploi détermineront si l’adaptation crée des opportunités ou seulement une certification supplémentaire.

Les responsables des États et des collectivités locales n’ont pas besoin de prédire l’effet exact de l’IA sur chaque métier. Ils ont besoin de systèmes qui détectent les changements, testent des réponses et préservent la responsabilité. The Rockefeller Foundation parie que la philanthropie peut aider à bâtir ces systèmes.

La question décisive est désormais pratique : les premières communautés publieront-elles des preuves suffisamment solides pour que les gouvernements et les employeurs engagent leurs propres ressources ? Cette réponse, et non l’ampleur de l’annonce, déterminera si l’initiative devient une infrastructure durable pour la main-d’œuvre.