top of page

La mise à jour de Stanford HAI sur le boom de l’IA révèle des gains inégaux

il y a 14 minutes
14 min de lecture
Illustrative photograph. Photo: RDNE Stock project / Pexels.

Stanford HAI a publié des conclusions intermédiaires le 15 novembre, associant un investissement record dans l’IA à des attitudes publiques incertaines et à des résultats inégaux en matière d’emploi. La mise à jour de Stanford HAI sur le boom de l’IA remet en cause une hypothèse commode : la confiance financière ne se traduit pas automatiquement par une confiance économique largement partagée.

L’éditeur de l’AI Index, Sha Sajadieh, indique que les investissements mondiaux des entreprises dans l’IA ont dépassé 1 000 milliards de dollars en 2026, soit 46 % de plus que le total de l’ensemble de l’année 2025. Ce chiffre mesure les capitaux engagés, et non la productivité effectivement réalisée, les rendements des investissements ou les dépenses consacrées exclusivement aux centres de données américains.

La tension centrale oppose l’avenir financé par les investisseurs à celui vécu par les travailleurs et les communautés. Des recherches antérieures menées après le lancement de ChatGPT fournissent une référence en matière d’emploi. La nouvelle mise à jour examine si l’expansion des investissements s’accompagne d’une acceptation plus large. Pour les employeurs, les développeurs d’infrastructures et les acheteurs d’entreprise, ces résultats exigent des preuves distinctes.

Ce que change la mise à jour de Stanford HAI sur le boom de l’IA

La mise à jour place les investissements, les attentes du public et les signaux liés à l’emploi dans une même discussion sans les rendre interchangeables.

L’évaluation du boom de l’IA de Sajadieh présente des conclusions jusque-là inédites tandis que les chercheurs préparent le prochain AI Index, prévu pour avril 2027. Il s’agit d’une évaluation intermédiaire, et non du rapport annuel finalisé.

Ses conclusions publiques résistent à une simple étiquette optimiste ou pessimiste. Dans tous les pays interrogés, davantage de répondants s’attendent à ce que l’IA supprime des emplois plutôt qu’elle n’en crée. À l’échelle mondiale, toutefois, une majorité estime encore que ses bénéfices dépassent ses inconvénients.

Aux États-Unis, 60 % des adultes déclarent qu’un nouveau centre de données local les mettrait mal à l’aise. Des majorités au sein des deux partis politiques expriment ce malaise.

Ces résultats portent sur des questions et des populations différentes. Ils ne permettent pas d’établir que les mêmes répondants accueillent simultanément favorablement l’IA, craignent d’être remplacés et s’opposent à des infrastructures proches de chez eux.

La conséquence analytique est simple : l’acceptation dépend de ce que l’on demande aux personnes d’accepter. Soutenir la promesse générale d’une technologie diffère de la confiance accordée au déploiement d’un employeur ou de l’accueil d’un aménagement physique à proximité.

Un investisseur évalue les rendements attendus. Un travailleur évalue ses revenus, ses opportunités et son pouvoir de négociation. Un résident évalue les conséquences locales d’un projet particulier. Leurs jugements peuvent diverger sans que personne ne comprenne mal la technologie.

Cette distinction modifie la façon dont les entreprises devraient interpréter l’adoption. Une personne qui utilise un assistant d’IA a démontré sa volonté d’utiliser ce service. Elle n’a pas nécessairement approuvé chaque projet d’infrastructure ou chaque décision d’emploi associé à son expansion.

De même, l’opposition à un aménagement proposé ne démontre pas une opposition à toutes les applications de l’IA. Traiter toutes ces réponses comme un unique indice d’approbation effacerait les choix qui comptent.

La mise à jour instaure donc un test plus exigeant pour le boom. L’investissement établit un engagement financier. D’autres éléments doivent déterminer si cet engagement produit des bénéfices durables au-delà des organisations qui fournissent les capitaux.

C’est aussi pourquoi le calendrier compte. Les publications intermédiaires permettent aux lecteurs d’examiner des différences émergentes avant qu’une publication annuelle ne les consolide. Elles devraient encourager un examen plus attentif, tout en laissant place aux révisions et à des détails méthodologiques plus complets.

Pour l’histoire du boom de l’IA de Stanford HAI, le changement immédiat concerne le cadrage du succès. Davantage de dépenses peuvent coexister avec des questions non résolues sur qui en bénéficie, qui s’adapte et qui dispose d’une voix significative.

Les employeurs font face à une question d’embauche avant un verdict sur les licenciements

La pression sur l’emploi mérite attention même lorsque les preuves ne permettent pas d’attribuer un rôle causal à l’IA.

La nouvelle évaluation décrit la poursuite du recul de l’emploi chez les jeunes travailleurs dans les professions exposées, notamment le service client. Elle relève également des baisses plus prononcées dans certaines professions caractérisées par un usage d’IA d’assistance, dont le marketing et la gestion informatique.

Cette observation élargit les questions que les chercheurs doivent poser. Elle n’établit pas que l’IA a provoqué ces changements, ni que chaque employeur utilisant des outils d’assistance a réduit ses effectifs.

La précédente analyse de l’emploi en début de carrière, publiée le 12 août, apporte un contexte utile. Erik Brynjolfsson, Bharat Chandar et Ruyu Chen ont étudié les données de paie d’ADP jusqu’en juin 2026.

Ils ont signalé un déficit d’emploi de 19 % parmi les travailleurs de 22 à 25 ans dans les professions fortement exposées, par rapport à une évolution au même rythme que leurs pairs moins exposés. Cette comparaison ne signifie pas que l’IA a éliminé 19 % de leurs emplois.

Les chercheurs ont constaté que l’ajustement passait principalement par une baisse des embauches plutôt que par une hausse des séparations. Ils n’ont par ailleurs constaté aucun déplacement généralisé à l’échelle de l’économie associé à l’IA.

Leurs réserves comptent tout autant. Les ajustements liés au niveau d’éducation réduisaient les écarts, certaines différences précédaient l’usage généralisé de l’IA générative, et les résultats variaient selon les choix analytiques. Ils ont explicitement qualifié leurs conclusions de non causales.

Pour les employeurs, cela déplace l’attention vers l’entrée dans une profession. Une main-d’œuvre stable peut masquer un resserrement du vivier de recrutement. Les employés existants peuvent rester en poste tandis que moins de nouveaux venus reçoivent l’occasion de se développer.

Prenons l’exemple hypothétique d’un service d’assistance client qui introduit un assistant. Les responsables pourraient conserver leur personnel existant tout en décidant que les futurs postes vacants n’ont plus besoin d’être remplacés. Cela affecterait les opportunités sans provoquer une vague correspondante de licenciements.

Un autre service pourrait utiliser la même capacité pour améliorer le service et traiter une demande auparavant non satisfaite. Sa décision d’embauche pourrait différer parce que sa clientèle, son budget et ses objectifs de croissance diffèrent.

Ces exemples illustrent des mécanismes possibles, plutôt que des explications documentées du schéma observé par Stanford. Les tendances de paie ne permettent à elles seules pas de déterminer quelles décisions chaque responsable a prises.

Cette distinction compte pour les jeunes travailleurs, car l’embauche offre plus qu’un revenu immédiat. Les postes d’entrée de carrière offrent également une pratique encadrée, des contacts professionnels et l’expérience de la gestion d’exceptions que la formation formelle ne peut pas entièrement reproduire.

Si les employeurs réduisent ces postes, ils sont confrontés à une question de plus long terme sur le développement des compétences futures. L’achat de meilleurs logiciels ne répond pas automatiquement à la manière dont une organisation cultivera un jugement expérimenté.

Les acheteurs d’entreprise ont donc besoin d’une définition plus large de la réussite de l’implémentation. Une production plus rapide est pertinente, mais la supervision, la gestion des erreurs, le développement des employés et la répartition des responsabilités le sont aussi.

La pression s’exerce sur les responsables, qui doivent expliquer leurs choix opérationnels réels. Présenter un outil comme un soutien aux employés offre peu de réassurance à moins que les décisions en matière d’effectifs et de formation ne rendent cette description crédible.

Une lecture prudente de l’impact de l’IA sur l’emploi selon Stanford doit préserver les deux aspects des preuves. Des opportunités inégales justifient une enquête ; les tendances disponibles ne justifient pas un verdict général sur des licenciements causés par l’IA.

Aider les travailleurs ne garantit pas davantage d’embauches

La fonction immédiate d’un outil et la décision finale d’un employeur en matière d’effectifs sont des résultats distincts.

La distinction entre automatisation et augmentation est utile ici. L’automatisation délègue une tâche à un logiciel ; l’augmentation implique qu’une personne collabore avec un logiciel pour l’accomplir.

L’indice économique fondé sur les tâches d’Anthropic examine l’utilisation de l’IA à travers les tâches professionnelles, plutôt que de considérer des emplois entiers comme des unités indivisibles. Ses données proviennent d’activités impliquant Claude.

Cette approche aide à identifier la manière dont les personnes utilisent un assistant. Elle ne mesure pas directement les plans de recrutement de chaque employeur, l’expérience de chaque travailleur ou l’ensemble du marché de l’IA.

Il est important de préserver cette limite lors de la comparaison des fournisseurs. Les données d’usage d’Anthropic décrivent les interactions avec Claude. ChatGPT d’OpenAI appartient à un environnement produit distinct. Les conversations associées à aucun de ces produits ne devraient automatiquement représenter l’ensemble de l’activité professionnelle.

La question plus large de l’emploi concerne ce qui se passe après qu’une tâche devient plus facile. Les responsables peuvent utiliser l’effort économisé pour accroître la production, améliorer la qualité, réduire les charges de travail ou revoir les effectifs.

Ces choix dépendent en partie de la demande. Une organisation dont les clients attendent un service fait face à une décision différente de celle qui peine à vendre sa production existante.

Une interface d’assistance ne garantit donc pas une stratégie d’emploi expansive. L’employé peut conserver le contrôle de chaque tâche tandis que la direction modifie le nombre d’employés dont elle estime avoir besoin.

L’inverse est également possible. Automatiser une activité répétitive peut laisser aux travailleurs davantage de temps pour un travail que les clients valorisent. Cette possibilité empêche d’assimiler simplement l’automatisation des tâches à l’élimination des emplois.

Des preuves de bénéfices pratiques existent. L’étude publiée sur la productivité du service client, menée par Brynjolfsson, Danielle Li et Lindsey Raymond, a constaté des gains de productivité moyens de 15 %.

L’étude a mesuré la productivité par le nombre de problèmes résolus par heure. Les effets différaient selon les travailleurs, illustrant pourquoi une moyenne ne doit pas devenir une promesse universelle.

Cette recherche constitue un contrepoids concret à une lecture exclusivement négative de l’IA au travail. L’assistance peut améliorer les performances dans un véritable environnement de service. Mais la performance des tâches et la croissance de l’emploi restent des questions différentes.

Un responsable d’assistance hypothétique pourrait répondre à de meilleurs taux de résolution en réduisant les files d’attente. Un autre pourrait maintenir son objectif de service avec moins de recrutements prévus. Le seul résultat de productivité ne permet pas de choisir entre ces réponses.

C’est l’arbitrage central du récit du boom sur l’emploi. Les entreprises peuvent créer des outils utiles alors que les travailleurs restent incertains quant à la manière dont les gains qui en résultent seront répartis.

Pour les travailleurs du savoir, cette distinction affecte également l’évaluation quotidienne. Un assistant qui rédige plus vite peut encore exiger des vérifications approfondies. Un assistant qui améliore la recherche d’informations peut réduire les reprises sans modifier les effectifs.

Les approches connexes de gestion des connaissances s’inscrivent dans cette discussion pratique. Leur valeur dépend de la capacité des personnes à retrouver, évaluer et appliquer efficacement l’information.

Les acheteurs devraient donc distinguer une promesse produit d’un résultat organisationnel. « Aide les employés » décrit une interaction prévue. Un meilleur travail, des charges de travail soutenables et des parcours professionnels stables exigent chacun leurs propres preuves.

Les conclusions de novembre rendent cette distinction plus difficile à éviter. La question pertinente va au-delà de savoir si l’IA collabore avec un travailleur : elle porte sur ce que l’organisation fait de la capacité ainsi créée.

L’acceptation du public dépend de la décision précise

Le soutien financier ne peut se substituer au consentement des personnes confrontées à des conséquences différentes.

Les conclusions sur l’attitude du public introduisent une source de pression distincte. Les développeurs d’infrastructures et les dirigeants d’entreprise ne peuvent pas supposer qu’un intérêt général pour l’IA résout les préoccupations liées à un déploiement particulier.

Pour un résident, la décision pertinente peut concerner une installation dans son quartier. Pour un employé, elle peut porter sur la surveillance, la responsabilité ou une modification des responsabilités quotidiennes.

Il s’agit de décisions différentes, avec des exigences de preuve différentes. Une démonstration favorable ne peut trancher un différend sur l’utilisation des sols. Une annonce d’investissement ne peut établir que les employés font confiance à une politique de travail.

Cette distinction explique aussi pourquoi de larges attentes de bénéfices peuvent coexister avec des inquiétudes. Les personnes évaluent couramment un développement global séparément de sa mise en œuvre spécifique.

Une personne peut apprécier un assistant tout en se demandant si une installation proposée constitue un aménagement local acceptable. Une autre peut accueillir favorablement une application tout en s’inquiétant de l’accès aux emplois de début de carrière.

Il s’agit de possibilités illustratives, et non de conclusions sur les répondants interrogés. Établir les raisons des répondants nécessiterait des questions et des analyses allant au-delà des principaux résultats.

Les développeurs devraient donc éviter d’interpréter l’inconfort comme un diagnostic. Une réponse à un sondage peut signaler un problème nécessitant une enquête sans en identifier la cause sous-jacente.

Les questions possibles concernant une installation incluent les besoins en ressources, les engagements publics et la répartition des bénéfices locaux. La mise à jour de Stanford n’établit pas quelles considérations ont motivé le résultat rapporté.

Cette limite rend les éléments de preuve propres à chaque projet plus importants. Les communautés peuvent évaluer des plans divulgués et des engagements exécutoires plus directement que de larges affirmations sur le progrès technologique.

La même logique s’applique au sein des entreprises. Les travailleurs peuvent évaluer un déploiement plus concrètement lorsque les dirigeants expliquent qui vérifie les résultats, qui gère les erreurs et comment les responsabilités évoluent.

Une promesse abstraite de productivité laisse ces questions pratiques sans réponse. Une politique de mise en œuvre claire crée un élément que les employés peuvent examiner et contester.

Pour les entreprises d’infrastructure, cela suggère une réalité commerciale exigeante : le financement et l’acceptation publique doivent se développer par des processus différents. La réussite de l’un ne règle pas l’autre.

Pour les acheteurs en entreprise, l’adoption exige de même davantage que l’accès à un modèle performant. Les organisations doivent déterminer si son utilisation correspond à leurs obligations, leurs flux de travail et leurs relations avec les employés.

Ces considérations sont des implications analytiques, et non des causes mesurées des attitudes rapportées. Elles montrent pourquoi les résultats publics doivent être examinés aux côtés des données d’investissement sans devenir des preuves contre l’investissement lui-même.

La principale fracture demeure entre l’avenir financé et l’avenir vécu. Combler cet écart exige des bénéfices spécifiques que les personnes concernées peuvent reconnaître, plutôt que de supposer que les dépenses parleront d’elles-mêmes.

Les éléments de preuve laissent encore place à des issues différentes

L’interprétation la plus solide maintient ensemble les signaux d’alerte et l’incertitude.

Une courte mise à jour institutionnelle ne peut répondre à toutes les questions soulevées par ses conclusions. Les lecteurs doivent distinguer une tendance rapportée de l’explication qu’ils jugent la plus plausible.

Le tableau de bord de l’emploi aux Canaries suit les résultats de paie selon les groupes professionnels et les caractéristiques des travailleurs. Il offre une vue continue des différences que les chiffres agrégés peuvent masquer.

Ses classifications aident les chercheurs à organiser les comparaisons. Elles ne signifient pas que chaque personne au sein d’une profession utilise l’IA de la même manière ou travaille dans des conditions identiques.

Une profession exposée regroupe différents employeurs, tâches et stades de carrière. Traduire un résultat au niveau d’un groupe en prévision pour un employé donné exigerait des informations supplémentaires.

Les différents modèles de recherche saisissent également différentes parties de l’économie. Les registres de paie décrivent l’emploi dans les entreprises participantes. Les enquêtes auprès des dirigeants décrivent l’expérience organisationnelle déclarée. Les données d’utilisation décrivent les interactions avec des services particuliers.

Ces sources peuvent diverger sans que l’une d’elles devienne inutile. Une enquête générale peut constater peu d’évolution globale tandis qu’un ensemble de données détaillé identifie une pression concentrée chez les nouveaux arrivants.

L’enquête sur l’IA au niveau des entreprises offre une comparaison pertinente. Son résumé décrit près de 9 000 hauts dirigeants interrogés dans sept pays durant l’été 2026.

Ces dirigeants ont rapporté pratiquement aucun effet net sur l’emploi au cours des trois années précédentes et prévu peu d’impact net au cours des trois suivantes. Ces déclarations et prévisions concernent les entreprises dans leur ensemble.

Cette perspective diffère de la question de savoir si les jeunes travailleurs de certaines professions ont particulièrement pris du retard par rapport à leurs pairs. Un effet agrégé limité peut coexister avec des différences substantielles au sein de la main-d’œuvre.

Les prévisions introduisent une autre distinction. L’attente d’un dirigeant constitue une preuve concernant des décisions et conditions anticipées. Ce n’est pas une observation de ce qui se produit ensuite.

De même, un engagement financier reflète des attentes concernant une valeur future. La répartition finale de cette valeur dépend de l’adoption, des choix opérationnels, de la demande, de la concurrence et d’autres conditions.

Une analyse prudente devrait également permettre à l’interprétation d’évoluer. Si les professions exposées se redressent par rapport aux groupes de comparaison, les affirmations d’une divergence persistante s’affaibliraient.

Si les différences persistent dans plusieurs ensembles de données et approches analytiques, l’inquiétude serait mieux étayée. Aucun de ces résultats ne devrait être décidé à l’avance par l’enthousiasme ou le scepticisme à l’égard de l’IA.

Pour l’impact de l’IA sur l’emploi selon Stanford, la norme appropriée est l’accumulation de preuves. Une seule étude devrait éclairer le débat sans devenir l’explication définitive de chaque marché de l’embauche en difficulté.

La même rigueur s’applique à l’investissement et à l’opinion publique. Les engagements de capital, les réponses aux sondages et les résultats observés répondent chacun à une question circonscrite. Les combiner crée un contexte, plutôt qu’une chaîne causale unique.

Cette incertitude n’efface pas la valeur informative de l’actualité. Elle définit le défi pratique : les institutions doivent prendre des décisions alors que les preuves restent incomplètes, puis réviser ces décisions à mesure que des résultats plus solides émergent.

Trois signaux permettront de vérifier si l’écart se resserre

Les prochains éléments utiles concerneront la persistance, les résultats organisationnels réalisés et les réponses concrètes des communautés concernées.

Premièrement, observez si les différences d’emploi persistent dans les prochaines publications mensuelles. La comparaison pertinente porte sur les professions plus et moins exposées, en tenant compte de l’âge et de l’évolution de la composition de l’échantillon.

Un écart durable sur plusieurs publications renforcerait les inquiétudes concernant l’inégalité des opportunités. Un écart qui se réduit affaiblirait l’argument selon lequel la divergence actuelle s’enracine.

Dans cette comparaison, l’embauche mérite une attention particulière. Une reprise des opportunités pour les nouveaux arrivants raconterait une histoire différente d’une stabilité de l’emploi due principalement au maintien des employés expérimentés.

Les lecteurs devraient également examiner si les professions de soutien à l’usage suivent la même trajectoire que les groupes orientés vers l’automatisation. Des différences persistantes aideraient les chercheurs à affiner leurs questions, même sans établir la causalité.

Deuxièmement, observez si les entreprises font état d’améliorations opérationnelles concrètes parallèlement à leurs engagements en matière d’IA. Les plans d’investissement décrivent les ressources prévues ; les résultats commerciaux décrivent ce que les organisations en obtiennent.

Des informations utiles distingueraient l’utilisation des résultats. Une organisation peut diffuser largement un assistant sans établir s’il améliore le service, réduit les retouches ou soutient une demande supplémentaire.

Les données sur les effectifs devraient accompagner ces affirmations lorsque disponibles. Des gains de productivité accompagnés d’une reprise des embauches soutiendraient un récit d’expansion plus large. Des gains accompagnés d’une diminution des opportunités de début de carrière renforceraient l’inquiétude distributionnelle.

Aucune de ces combinaisons n’établirait une règle universelle. Elles offriraient toutefois une base plus solide pour évaluer des entreprises particulières qu’un total de dépenses seul.

Les comparaisons nécessitent également des périmètres cohérents. Un chiffre à l’échelle de l’entreprise peut masquer des différences entre départements, tandis qu’un projet pilote réussi peut surestimer ce qui se passe après l’élargissement du déploiement.

Troisièmement, observez comment les communautés et les employeurs concernés répondent à des changements proposés. Les éléments utiles incluent les décisions, les engagements divulgués et le respect ultérieur de ces engagements.

Pour une installation, une approbation assortie d’obligations claires fournirait plus d’informations qu’un soutien général à l’IA. Un désaccord persistant nécessiterait d’examiner le différend particulier avant de lui attribuer une explication générale.

Au sein des organisations, des responsabilités publiées et des engagements de formation rendraient les affirmations de soutien aux employés plus faciles à évaluer. Leur valeur dépendrait de leur mise en œuvre, plutôt que de leur seule formulation.

Ces signaux constituent un test du récit du boom de l’IA de Stanford HAI. Ils demandent si la confiance financière commence à s’aligner sur des bénéfices organisationnels mesurables et des opportunités crédibles pour les personnes concernées.

L’AI Index d’avril 2027 devrait fournir un point de référence plus complet, mais les lecteurs n’ont pas besoin de l’attendre pour distinguer les attentes des résultats. Cette distinction est déjà utile pour évaluer les annonces d’embauche, les affirmations de déploiement et les propositions d’infrastructure.

Lisez les futures annonces sur l’IA en gardant ces distinctions à l’esprit. Demandez-vous si un chiffre mesure les dépenses, l’utilisation, la production, l’emploi ou une attente concernant l’avenir. Vérifiez quelle expérience les preuves représentent, et laquelle elles excluent. Lorsqu’un employeur promet une assistance, recherchez les décisions de recrutement et de formation qui accompagnent cette promesse. Lorsqu’un projet promet de larges bénéfices, examinez ses engagements spécifiques envers les personnes concernées. La mise à jour de Stanford HAI sur le boom de l’IA offre une raison de suivre ces questions ensemble tout en gardant leurs réponses distinctes. Quel résultat à venir modifierait réellement votre évaluation : des embauches plus solides, des gains opérationnels vérifiés ou un accord concret permettant aux personnes de demander des comptes à une organisation ?

 
 

Commencez pour Gratuit

Un premier assistant IA local avec gestion des connaissances personnelles

Pour une meilleure expérience IA,

remio ne supporte que Windows 10+ (x64) et M-Chip Macs actuellement.

Votre partenaire IA au travail
Faites-en plus avec remio

Planifiez. Créez. Livrez.
Tout au même endroit.

bottom of page