Steve Hanke remet en question les prédictions de destruction massive d’emplois par l’IA

Steve Hanke a contesté les prédictions de destruction massive d’emplois par l’IA, alors même que dirigeants et chercheurs avertissent régulièrement que l’automatisation éliminera des postes de bureau qualifiés. L’argument de l’économiste, mis en avant par Google News, déplace le débat : il ne s’agit plus de savoir si l’IA peut accomplir des tâches, mais si les entreprises peuvent réorganiser de façon rentable des emplois entiers autour d’elle.

Cette distinction est importante. Un modèle peut rédiger un e-mail, résumer une réunion ou générer du code logiciel sans remplacer l’employé responsable du résultat final. La plupart des emplois combinent des tâches routinières avec du jugement, de la responsabilité, une activité physique, des relations et des connaissances auxquelles les logiciels ne peuvent pas accéder de manière fiable.

La position de Hanke s’oppose aux prévisions bien plus sombres de certains dirigeants de la tech. Le PDG d’Anthropic, Dario Amodei, a averti que l’IA pourrait éliminer de nombreux emplois de bureau de niveau débutant, tandis que des chercheurs sur le travail observent une pression précoce sur les jeunes travailleurs. Le débat ne porte plus sur la capacité de l’IA à transformer le travail. Il porte sur la question de savoir si l’automatisation des tâches se traduira par un chômage de masse.

Ce que Steve Hanke affirme réellement au sujet des emplois liés à l’IA

L’argument de Hanke se comprend mieux comme une analyse de l’adaptation économique, et non comme l’affirmation que l’IA laissera l’emploi intact.

Selon l’interview de Hanke, l’économiste de Johns Hopkins University ne s’attend pas à ce que l’IA devienne un destructeur massif d’emplois. Cette position rejette le raccourci qui relie une plus grande capacité des modèles à un chômage permanent.

Le maillon manquant de cette chaîne est la demande. Lorsque la technologie réduit le coût de production de quelque chose, les clients en achètent souvent davantage. Les entreprises peuvent accroître leur production, améliorer leur service, lancer de nouveaux produits ou réorienter leurs employés vers des tâches auparavant trop coûteuses.

La productivité décrit la quantité de production que les travailleurs génèrent à partir d’un volume donné de travail. Si l’IA accroît la productivité, une entreprise peut produire le même résultat avec moins d’heures. Elle peut aussi utiliser ces heures pour servir davantage de clients, améliorer la qualité ou pénétrer un autre marché.

L’effet final sur l’emploi dépend de la réponse qui l’emporte. La réduction des coûts diminue la demande de travail lorsqu’une entreprise maintient sa production constante. L’expansion accroît cette demande lorsque la baisse des coûts attire suffisamment d’activité supplémentaire.

C’est pourquoi une vidéo de démonstration ne peut pas trancher le débat sur l’emploi. Le fait qu’un modèle accomplisse une tâche ne montre ni comment les clients réagiront, ni à quelle vitesse les entreprises l’adopteront, ni quel nouveau travail en découlera.

Les organisations évoluent aussi plus lentement que les développeurs de modèles. Une entreprise doit connecter l’IA à des données fiables, définir des procédures de contrôle, former les employés, gérer la sécurité et attribuer la responsabilité en cas d’erreur. Ces contraintes séparent la capacité technique de l’automatisation économiquement utile.

Un modèle de support client en offre un exemple clair. Il peut suggérer des réponses et retrouver le texte des politiques, permettant à un représentant de traiter davantage de conversations. Pourtant, l’entreprise a toujours besoin de personnes pour résoudre les exceptions, apaiser les clients mécontents, approuver les remboursements et assumer la responsabilité des résultats.

Le même schéma apparaît dans le développement logiciel. Les assistants de programmation peuvent générer des fonctions ou des tests, mais les ingénieurs doivent décider quoi construire, examiner les dépendances, protéger les données clients et maintenir les systèmes après le déploiement. Une production de code plus rapide peut même créer davantage de travail de revue et d’intégration.

Rien de tout cela ne garantit la stabilité de l’emploi. Les entreprises peuvent supprimer des postes lorsque les logiciels absorbent suffisamment de tâches et que la demande ne progresse pas. L’affirmation plus solide est plus limitée : l’automatisation au niveau des tâches ne conduit pas automatiquement à l’élimination au niveau des professions.

Ce raisonnement s’inscrit dans une longue histoire de changements technologiques. La mécanisation a réduit les besoins en main-d’œuvre pour certaines activités tout en créant des rôles complémentaires, des marchés plus vastes et des secteurs entièrement nouveaux. La transition a néanmoins porté préjudice à certains travailleurs, régions et groupes d’âge.

Cette distinction évite que l’optimisme ne devienne de la complaisance. Une économie peut éviter le chômage de masse tout en voyant des millions de personnes subir des licenciements, un affaiblissement de leur pouvoir de négociation ou des reconversions difficiles. La résilience globale ne protège pas chaque travailleur.

L’intervention de Hanke modifie donc la question. Au lieu de demander si un modèle peut accomplir un travail humain, les observateurs doivent se demander si les entreprises suppriment des postes, modifient leurs plans de recrutement, augmentent leur production ou repensent les emplois.

Ces résultats exigent des données sur le marché du travail. Les seuls benchmarks de capacités ne peuvent pas les fournir.

Pourquoi le débat dans Google News porte sur les tâches, et non sur des professions entières

Les éléments les plus convaincants à l’appui de Hanke distinguent l’exposition à l’IA du remplacement complet par l’IA.

Une étude de 2025 menée par l’Organisation internationale du travail et le NASK polonais a révélé qu’un emploi sur quatre dans le monde présente une certaine exposition à l’IA générative. Les chercheurs ont toutefois conclu que la transformation est plus probable que le remplacement.

L’indice de l’OIT sur l’emploi évalue les tâches au sein des professions au lieu de considérer chaque emploi exposé comme également automatisable. Cette approche offre une vision plus utile du risque sur le lieu de travail.

Un emploi est un ensemble d’activités. Un employé administratif peut planifier des réunions, préparer des documents, interpréter des demandes inhabituelles, protéger des informations confidentielles et coordonner plusieurs personnes. L’IA générative traite certaines de ces activités plus facilement que d’autres.

L’exposition mesure si l’IA peut aider à accomplir des tâches pertinentes ou les réaliser. Elle ne prouve pas que les employeurs adopteront la technologie, qu’elle fonctionnera de manière fiable ou qu’un poste entier disparaîtra.

Les chercheurs de l’OIT ont attribué aux tâches un score d’automatisation fondé sur les capacités actuelles de l’IA générative. Ils ont constaté que la plupart des professions comportent encore des activités nécessitant une intervention humaine. Le travail de bureau reste particulièrement exposé, car les modèles de langage peuvent traiter de nombreuses tâches textuelles et structurées.

Le genre et la géographie influencent également le risque. Dans les pays à revenu élevé, l’OIT a constaté que près de 10 % de l’emploi des femmes se situe dans des professions présentant le potentiel d’automatisation le plus élevé. La part comparable pour les hommes était de 3,5 %.

Cet écart reflète la concentration professionnelle, et non une différence de capacité technique entre les travailleurs. Dans de nombreuses économies avancées, les femmes occupent une part plus importante des postes administratifs et de bureau. Ces emplois comprennent davantage de tâches que les modèles actuels peuvent reproduire.

Cette conclusion complexifie tout titre rassurant. L’IA n’a pas besoin de provoquer un chômage à l’échelle de l’économie pour causer des dommages inégaux. Elle peut exercer une pression concentrée sur des professions employant certains groupes démographiques.

La transformation peut aussi réduire les effectifs sans faire disparaître une profession. Un service qui nécessitait auparavant 20 employés peut fonctionner avec 15 personnes utilisant l’IA. L’intitulé du poste survit, mais les recrutements diminuent et les charges de travail changent.

L’emploi de début de carrière présente une autre vulnérabilité. Les jeunes salariés commencent souvent par la recherche, la rédaction, la mise en forme, la documentation et l’analyse de base. Ces missions les aident à acquérir le contexte nécessaire pour assumer des responsabilités plus élevées.

Si l’IA absorbe ces tâches, les employeurs sont confrontés à un problème de développement. Ils peuvent embaucher moins de juniors aujourd’hui, mais cette décision peut ensuite affaiblir leur vivier de travailleurs expérimentés.

Les entreprises peuvent répondre en repensant les postes de début de carrière plutôt qu’en les supprimant. Un analyste junior pourrait passer moins de temps à assembler des données et davantage à vérifier les hypothèses, interroger les parties prenantes et expliquer les conclusions.

Cette refonte exige une gestion délibérée. Elle ne se produira pas simplement parce qu’un abonnement à l’IA devient disponible.

Les travailleurs ont également besoin d’accéder aux informations qui étayent leurs décisions. Les systèmes de connaissances personnels peuvent aider les employés à conserver le contexte des réunions, des documents et des travaux antérieurs à mesure que l’IA transforme leurs responsabilités quotidiennes. Une base de connaissances IA consultable favorise cette continuité sans décider quelles tâches un employeur doit automatiser.

Le cadre fondé sur les tâches offre à l’argument de Hanke son fondement le plus solide. La plupart des emplois comportent trop de variété, de connaissances tacites et de responsabilité pour qu’un seul modèle puisse les absorber entièrement.

Mais ce cadre indique aussi où la pression arrive d’abord. Les tâches numériques routinières sont confrontées à une automatisation plus rapide, tandis que les activités humaines et physiques restent plus difficiles à remplacer.

Les lecteurs de Google News qui découvrent ce débat devraient donc interpréter avec prudence l’expression « exposition à l’emploi ». Elle décrit un contact avec l’IA, pas une lettre de licenciement garantie. Les conséquences dépendent de la manière dont les employeurs réorganisent le travail restant.

Le véritable enjeu oppose la destruction d’emplois à leur refonte

La thèse optimiste de Hanke ne tient que si les entreprises utilisent les gains de productivité pour développer l’activité plutôt que de traiter chaque gain comme un objectif de réduction des effectifs.

Les entreprises n’adoptent pas l’IA dans un environnement neutre. Les dirigeants subissent une pression pour réduire les coûts, protéger les marges et montrer aux investisseurs que des investissements technologiques coûteux génèrent des rendements. Supprimer des postes offre un résultat visible plus rapidement que créer un nouveau marché.

Cette incitation renforce l’argument de la destruction d’emplois. Même lorsque l’IA ne peut pas automatiser une profession entière, une entreprise peut combiner automatisation partielle et consolidation du travail. Les employés restants absorbent alors les tâches que le système ne peut pas traiter.

L’autre possibilité est la refonte des emplois. Les employeurs répartissent différemment les responsabilités, créent des rôles de contrôle, augmentent la capacité de service et forment les travailleurs à superviser des processus assistés par l’IA. Cette voie peut préserver l’emploi tout en augmentant la production.

Aucun de ces résultats ne découle automatiquement de la technologie. La stratégie de gestion, la demande des clients, l’offre de travail, la réglementation et la pression concurrentielle déterminent le résultat.

Les prévisions sur l’emploi du Forum économique mondial illustrent ces deux directions. Son rapport de 2025 prévoyait 170 millions de nouveaux rôles et 92 millions de rôles déplacés dans le monde d’ici 2030. Cela représente une hausse nette de 78 millions de postes.

Ces chiffres couvrent plusieurs forces structurelles et ne concernent pas uniquement l’IA. L’évolution démographique, la transition énergétique, les conditions économiques et l’adoption plus large du numérique influencent tous ces projections.

L’estimation illustre néanmoins le conflit central. Des déplacements massifs et une création nette d’emplois peuvent se produire simultanément. Les travailleurs qui perdent leur poste ne disposeront pas nécessairement de la localisation, de l’expérience ou des compétences requises pour les nouveaux emplois.

Une assistante administrative déplacée ne devient pas instantanément ingénieure en IA. La formation exige du temps, des revenus, un accès et un employeur disposé à recruter une personne sans expérience directe.

La géographie crée un autre décalage. De nouveaux postes dans les centres de données, l’énergie et les métiers techniques peuvent apparaître dans des régions différentes de celles où les bureaux subissent l’automatisation. L’emploi national peut progresser tandis que certaines communautés perdent un travail stable.

Le calendrier compte autant que les totaux. Si les entreprises suppriment rapidement des rôles, mais que les nouvelles industries recrutent lentement, les travailleurs peuvent connaître des années de chômage ou de baisse de revenus. Un résultat favorable en 2030 n’efface pas une transition douloureuse en 2027.

Le type d’emploi compte également. Un nouveau poste contractuel sans horaires prévisibles ne remplace pas nécessairement la sécurité d’un emploi salarié. Se limiter au nombre d’emplois peut masquer l’évolution des salaires, des avantages sociaux et du pouvoir de négociation.

La position de Hanke est la plus solide au niveau macroéconomique. Les nouvelles technologies réduisent couramment les coûts de production, stimulent l’investissement et créent une demande complémentaire. Les économies ne sont pas des ensembles fixes de tâches en attente d’automatisation.

Sa faiblesse apparaît au niveau de la répartition. Les marchés peuvent créer de nouvelles opportunités sans les offrir aux mêmes travailleurs qui ont supporté le coût de l’ajustement.

Cette tension explique pourquoi les entreprises subissent davantage de pression que les concepteurs de modèles. Les laboratoires d’IA peuvent démontrer des capacités, mais ce sont les employeurs qui décident si ces capacités soutiennent les travailleurs ou les remplacent.

Les investisseurs devraient surveiller les indicateurs opérationnels plutôt que le langage promotionnel. Le chiffre d’affaires par employé peut augmenter parce que les travailleurs sont devenus plus productifs, parce que l’entreprise a réduit ses effectifs, ou pour ces deux raisons.

Les clients influencent également l’équilibre. Si la baisse des coûts améliore le service ou réduit les prix, la demande peut progresser. Si les entreprises conservent toutes les économies réalisées tout en laissant la qualité de service se dégrader, les gains de productivité ne produiront pas la même réponse économique.

La confrontation la plus importante n’oppose donc pas l’intelligence humaine à l’intelligence des machines. Elle oppose l’expansion à l’extraction.

L’expansion utilise l’IA pour créer davantage de valeur, répondre à une demande non satisfaite et générer du travail complémentaire. L’extraction l’utilise principalement pour réduire les coûts de main-d’œuvre tout en maintenant inchangées les ambitions de l’organisation.

Les prévisions de Hanke dépendent d’une victoire suffisamment fréquente de l’expansion pour compenser les déplacements d’emplois. Les prochains trimestres montreront si le comportement des entreprises confirme cette hypothèse.

Ce que l’argument optimiste sur les emplois liés à l’IA ne résout pas

Éviter une apocalypse de l’emploi n’empêcherait pas des salaires plus faibles, moins d’offres ou un marché plus rude pour les personnes qui débutent leur carrière.

L’emploi n’est qu’un indicateur de la santé du marché du travail. Un salarié peut conserver son emploi tout en recevant des augmentations plus modestes, en assumant davantage de responsabilités ou en perdant le contrôle de la manière dont son travail est évalué.

Les recherches récentes se concentrent de plus en plus sur ces effets plus discrets. Les entreprises peuvent capter l’essentiel des gains de productivité via des marges plus élevées plutôt que de les partager sous forme de rémunération ou de réduction du temps de travail.

La pression sur les salaires est particulièrement difficile à détecter. Les employeurs annoncent rarement que l’IA a réduit le pouvoir de négociation d’un salarié. Le changement se manifeste par des augmentations plus lentes, des offres moins élevées ou moins de postes concurrents.

Les gels de recrutements posent un problème de mesure comparable. Une entreprise peut se réduire par attrition sans présenter ce changement comme un licenciement lié à l’IA. Les salariés en poste restent, mais ceux qui partent ne sont pas remplacés.

Cette dynamique compte pour les jeunes diplômés. Ils dépendent de nouvelles offres plutôt que de la continuité de l’emploi. Un taux de chômage global stable peut coexister avec une dégradation du marché des postes de début de carrière.

Le contre-argument crucial à Hanke porte donc sur la répartition et le calendrier, et pas seulement sur le nombre total d’emplois. L’IA peut ne pas détruire l’emploi à très grande échelle tout en transférant des revenus des travailleurs vers les propriétaires.

Elle peut aussi accroître la surveillance. Les logiciels qui enregistrent la production, évaluent les interactions ou recommandent des décisions de staffing peuvent réduire l’autonomie des travailleurs même sans remplacer personne.

Les risques de qualité ajoutent une autre contrainte. Les systèmes d’IA générative produisent parfois des informations erronées dans un langage assuré. L’examen humain reste essentiel lorsque les erreurs affectent l’argent, la santé, les droits juridiques, la sécurité ou la sûreté publique.

Le travail de vérification n’est pas gratuit. Les employés doivent suffisamment maîtriser le sujet pour reconnaître les erreurs, examiner les résultats incertains et documenter la décision finale. Une génération plus rapide peut créer un flux plus important de contenus à vérifier.

La responsabilité ne peut pas non plus être facilement automatisée. Un modèle ne peut pas assumer une responsabilité juridique, témoigner de l’intention d’une organisation ou réparer une relation client endommagée. Les entreprises ont toujours besoin de personnes responsables derrière les décisions importantes.

L’analyse du monde du travail de l’OIT souligne que les effets de la technologie dépendent des choix de mise en œuvre. Le dialogue social, la formation et les protections des travailleurs influencent la capacité de la transformation à améliorer la qualité des emplois.

Ces garanties remettent en question l’idée selon laquelle l’adaptation du marché à elle seule produira un bon résultat. Les travailleurs disposent de niveaux de pouvoir de négociation différents, et les entreprises possèdent davantage d’informations sur l’automatisation planifiée que les employés.

Les petites entreprises font face à des contraintes distinctes. Elles peuvent accéder à des outils d’IA performants, mais nombre d’entre elles ne disposent pas d’équipes de sécurité dédiées, de données internes propres ou de temps pour mener des évaluations approfondies. L’adoption pourrait rester superficielle même lorsque la technologie se révèle efficace dans des tests contrôlés.

Les grandes entreprises peuvent avancer plus vite dans certains domaines, car elles disposent de capitaux et de personnel spécialisé. Toutefois, les systèmes hérités, les règles d’approvisionnement et les obligations réglementaires peuvent ralentir les déploiements à l’échelle de l’entreprise.

Ces différences rendent les prévisions nationales incertaines. L’adoption de l’IA ne progressera pas au même rythme dans toutes les entreprises et toutes les professions.

La fiabilité des modèles peut aussi évoluer rapidement. Un meilleur raisonnement, des coûts d’exploitation plus faibles ou des systèmes d’agents plus performants pourraient rendre une automatisation plus poussée économiquement viable. La frontière actuelle des tâches n’est pas permanente.

La conclusion prudente n’est pas que Hanke a tort. C’est que sa position traite d’un résultat — la destruction nette massive d’emplois — alors que les travailleurs subissent plusieurs autres formes de pression.

Le scénario à court terme le plus plausible combine gains de productivité, licenciements ciblés, réduction des recrutements, refonte importante des emplois et effets inégaux sur les salaires. Cet ensemble paraît moins spectaculaire qu’une crise du chômage, mais il exige tout de même de l’attention.

La couverture de Google News peut aplatir cette complexité en titres opposés. Un camp affirme que l’IA éliminera le travail, tandis que l’autre invoque des technologies antérieures qui ont créé de la prospérité.

Ces deux cadres négligent le terrain opérationnel intermédiaire. Les employeurs automatiseront des flux de travail individuels, découvriront de nouveaux goulets d’étranglement, ajusteront les effectifs et répéteront le processus. L’incidence sur le marché du travail s’accumulera au fil de milliers de décisions plutôt que d’un événement décisif unique.

Les travailleurs en début de carrière supportent le risque le plus lourd

La plus grande menace immédiate n’est pas la disparition de tous les emplois de bureau. C’est l’érosion du premier échelon de la carrière.

Les missions de début de carrière semblent souvent automatisables, car elles impliquent un travail numérique prévisible. Les employés juniors résument des documents, préparent des premières versions, effectuent des recherches de base, mettent à jour des dossiers et écrivent du code courant.

Ces tâches servent également de formation. Elles exposent les travailleurs au vocabulaire de l’organisation, aux attentes des clients, aux erreurs courantes et au jugement de collègues expérimentés.

Supprimer les tâches sans remplacer le processus d’apprentissage crée un coût caché. Les entreprises gagnent du temps aujourd’hui, mais réduisent demain le vivier de personnes préparées à occuper des fonctions seniors.

Les managers ne peuvent pas supposer que la vérification des résultats de l’IA assure le même développement. Une vérification efficace exige un modèle mental de ce qu’une réponse correcte doit contenir. Les débutants construisent en partie ce modèle en réalisant eux-mêmes le travail.

Cela crée un paradoxe de l’expérience. Les employeurs veulent des travailleurs capables de superviser l’IA, mais ceux-ci ont besoin d’une expérience pratique avant de pouvoir l’évaluer de manière fiable.

Les organisations disposent de plusieurs moyens pour résoudre ce problème. Elles peuvent préserver des rotations structurées, exiger des employés qu’ils expliquent les résultats automatisés et confier aux juniors des missions en contact avec les clients ou transversales.

Elles peuvent également mesurer l’apprentissage plutôt que le simple volume de production. Si un modèle rédige la première version, l’employé peut documenter les erreurs, améliorer la qualité des sources et défendre la recommandation finale.

Ces pratiques exigent un investissement. Une entreprise uniquement focalisée sur les économies immédiates réduira probablement les recrutements juniors avant de mettre en place un système de formation de remplacement.

Le risque dépasse les services professionnels. L’assistance client, le marketing, la comptabilité, le développement logiciel et les opérations juridiques dépendent tous de filières qui font progresser les travailleurs des missions routinières vers des responsabilités exigeant davantage de jugement.

Les modèles d’apprentissage ont survécu aux technologies antérieures parce que les secteurs ont toujours besoin de personnes expérimentées. L’IA soulève la possibilité que les entreprises sous-investissent dans la phase initiale tout en s’attendant à ce que la phase ultérieure perdure.

Les établissements d’enseignement subissent aussi cette pression. Apprendre aux étudiants à produire des dissertations génériques ou du code de base offre moins de valeur lorsque les modèles peuvent générer instantanément ces résultats. Les programmes doivent mettre l’accent sur la vérification, la connaissance du domaine, le cadrage des problèmes et la prise de décision responsable.

Cette évolution ne doit pas devenir un prétexte pour abandonner les compétences fondamentales. Les étudiants qui n’apprennent jamais à écrire, calculer ou coder sans assistance risquent d’avoir du mal à détecter des erreurs sophistiquées.

Les travailleurs déjà présents dans les organisations disposent d’un avantage. Ils comprennent les processus internes, les relations et les exceptions qu’un nouveau candidat ne peut pas facilement démontrer. L’adoption de l’IA peut donc protéger les salariés en poste tout en réduisant les points d’entrée.

Ce résultat ne se manifesterait pas par une destruction massive d’emplois. Il se manifesterait par une génération qui reçoit moins d’occasions de débuter.

Les effets pourraient ensuite atteindre les salaires et la mobilité. Lorsque moins d’employeurs forment des travailleurs inexpérimentés, les candidats se disputent un nombre plus réduit de postes. Les entreprises peuvent exiger davantage d’expérience tout en offrant une rémunération moindre.

L’argument historique de Hanke fournit toujours une raison d’être optimiste. De nouveaux secteurs et de nouvelles responsabilités peuvent créer d’autres voies d’entrée. L’évaluation de l’IA, la gouvernance des données, la conception de flux de travail, la conformité et la mise en œuvre auprès des clients nécessitent tous du travail humain.

Cependant, nombre de ces fonctions exigent des compétences que les travailleurs développaient autrefois dans les emplois désormais exposés à l’automatisation. Les employeurs doivent bâtir des passerelles plutôt que de supposer que le marché fournira des candidats expérimentés.

C’est ici que l’argument de la refonte des emplois est soumis à son test le plus exigeant. Repenser les emplois ne peut pas signifier donner à un seul employé senior un système d’IA et éliminer l’équipe junior.

Un modèle durable doit expliquer comment les personnes entrent, apprennent et progressent. Sans cette filière, les gains de productivité d’aujourd’hui peuvent créer demain des pénuries de compétences.

Ce qu’il faut surveiller après le débat Steve Hanke de Google News

Trois signaux mettront la thèse de Hanke à l’épreuve plus efficacement qu’une nouvelle prédiction sur l’intelligence artificielle générale.

Le premier signal est le recrutement de début de carrière dans les professions exposées à l’IA. Les offres destinées aux développeurs logiciels juniors, analystes, professionnels de l’administration, spécialistes du marketing et employés de l’assistance client donnent un aperçu précoce du comportement des employeurs.

Une baisse durable de ces offres affaiblirait le scénario optimiste, surtout si l’activité économique globale reste saine. Elle indiquerait que les entreprises utilisent l’IA pour réduire leur demande de nouveaux travailleurs.

Des recrutements de début de carrière stables ou en hausse renforceraient la position de Hanke. Cela indiquerait que les employeurs ont toujours besoin de personnes même lorsqu’ils automatisent les parties routinières du travail.

Le deuxième signal est la relation entre productivité, production et effectifs. La seule croissance de la productivité ne permet pas de distinguer l’expansion de la réduction des coûts.

Si les entreprises déclarent une production plus élevée, une demande client croissante et un emploi stable, l’IA ressemblera davantage à une technologie complémentaire. Les travailleurs produiraient davantage tandis que les organisations viseraient des marchés plus vastes.

Si le chiffre d’affaires par employé augmente principalement parce que les effectifs diminuent, les éléments appuieront le scénario de substitution. Les investisseurs devraient examiner l’évolution des effectifs parallèlement aux ventes, au volume de service et aux dépenses d’investissement.

Le troisième signal est la croissance des salaires dans les professions fortement exposées. L’emploi peut rester stable tandis que la rémunération perd de son élan.

Une croissance salariale plus lente indiquerait que l’IA a accru l’offre de production utilisable ou affaibli le pouvoir de négociation des salariés. Un tel résultat remettrait en cause toute définition du succès fondée uniquement sur le nombre d’emplois.

Une croissance salariale soutenue montrerait que les gains de productivité profitent aux travailleurs, en particulier lorsqu’ils s’accompagnent de délais de recrutement plus courts et d’embauches dynamiques. Elle conforterait l’idée que l’IA complète une expertise humaine rare.

Les décideurs publics devraient suivre ces signaux selon la profession, l’âge, le genre et la région. Les moyennes nationales peuvent masquer des pertes concentrées parmi les employés de bureau, les jeunes diplômés ou les communautés dépendantes d’un nombre limité d’employeurs.

Les chercheurs doivent également distinguer les effets de l’IA de ceux des taux d’intérêt, de la politique commerciale, des évolutions démographiques et des cycles économiques ordinaires. Les entreprises invoquent parfois l’IA lorsqu’elles réduisent leurs effectifs pour des raisons financières plus larges.

L’inverse est également vrai. Les entreprises peuvent automatiser discrètement certaines tâches sans qualifier cette décision d’initiative d’IA. Les chercheurs auront besoin d’offres d’emploi, de données de paie, d’enquêtes sur les tâches et de communications d’entreprise pour dresser un tableau crédible.

Les lecteurs devraient éviter de considérer les données d’un seul mois comme un verdict. Les embauches et les investissements fluctuent, tandis que les changements organisationnels peuvent mettre plusieurs trimestres à se manifester.

La question la plus utile est de savoir si une tendance cohérente se dessine. Les professions exposées perdent-elles leurs offres plus vite que des postes comparables ? Les gains de productivité élargissent-ils la demande ? Les salaires suivent-ils le rythme ?

L’argument de Steve Hanke mérite l’attention, car il remet en question une hypothèse simpliste. La capacité d’automatiser le travail ne détermine pas le nombre final d’emplois dans une économie dynamique.

Les critiques méritent une attention égale, car l’adaptation globale peut masquer de lourdes pertes pour certaines personnes. Un gain net apporte peu de réconfort à quelqu’un dont les compétences, le lieu de résidence ou l’âge empêchent d’accéder aux nouvelles opportunités.

Les éléments disponibles ne justifient ni la complaisance ni la certitude d’une apocalypse de l’emploi provoquée par l’IA. Ils indiquent plutôt une transformation rapide des tâches, des déplacements d’emplois ciblés et une bataille autour de la répartition des gains.

C’est le critère que devrait appliquer la future couverture de Google News. Il faut observer les embauches, la production et les salaires réels avant d’accepter soit la promesse d’une abondance sans effort, soit la prédiction d’un chômage universel.

Pour les travailleurs, la réponse concrète consiste à démontrer comment leur jugement améliore les résultats assistés par l’IA, plutôt que seulement la rapidité avec laquelle ils utilisent un modèle. Pour les employeurs, le test consiste à déterminer si l’automatisation élargit leurs ambitions tout en préservant une voie permettant aux personnes d’apprendre.

Les prochains rapports sur le marché du travail et les communications des entreprises révéleront si l’IA devient un moteur de production plus largement partagée ou un mécanisme plus restreint de réduction de la masse salariale. Vers quel résultat votre lieu de travail s’oriente-t-il actuellement ?