IA et emploi : faut-il avoir peur de la « jobapocalypse » ?

Cela fait maintenant 10 ans qu’en 2016, dans un discours resté célèbre, Geoffrey Hinton, un des pères de l’intelligence artificielle moderne et Nobel de physique 2024 pour ses travaux dans ce domaine, déclarait qu’il était urgent d’arrêter de former des radiologues[1]. Vu les fulgurants progrès de l’IA dans la reconnaissance d’image, il était, selon lui, « parfaitement évident » que l’IA dépasserait dans les cinq ans les capacités humaines dans ce domaine et rendrait les radiologues obsolètes. Il ajoutait que les radiologues se trouvaient dans la situation du coyote des célèbres cartoons qui, après avoir dépassé le ravin, n’a pas encore regardé le sol sous ses pieds et n’a pas conscience qu’il se trouve déjà dans le vide et destiné à chuter.

Dix ans plus tard, les dirigeants des nouveaux géants de l’IA sont également friands de prophéties fracassantes. En janvier de cette année, Dario Amodei, co-fondateur et président exécutif d’Anthropic à l’origine du Chatbot Claude, dont l’entreprise est actuellement valorisée à 350 milliards de dollars[2], a publié un long essai dans lequel il prédit que l’IA remplacera la moitié des emplois de cols blancs débutants à un horizon de cinq ans.

Il est encore trop tôt pour savoir si Dario Amodei aura raison. Nous savons néanmoins que la prédiction de Geoffrey Hinton sur les radiologues a mal vieillie. Comme le remarquait en mai dernier le New-York Times[3], loin d’avoir disparus, les radiologues sont au contraire de plus en plus demandés. Le nombre de radiologues aux Etats-Unis, pays où les hôpitaux utilisent le plus l’IA, a augmenté depuis 10 ans[4] de plus de 17%. Les radiologues sont même devenus aujourd’hui aux Etats-Unis la seconde spécialité médicale la mieux rémunérée[5]. L’Association de radiologie nord-américaine publiait même en mars 2025 un article s’intitulant «  La pénurie croissance de radiologues : opportunités et défis [6]».

Les prédictions pessimistes sur les conséquences du progrès technologique sur le marché du travail ne sont pas nouvelles. Elles ont débuté dès le début du 19ème siècle lorsque les contemporains de la première révolution industrielle s’inquiétaient déjà des conséquences de la mécanisation croissante de la production sur les travailleurs. Certains des plus grands économistes de leurs temps, de David Ricardo[7] au début du 19ème siècle jusqu’à plus récemment Wassily Leontief[8] d’observant l’arrivée de l’informatique au début des années 1980, ont également douté des bienfaits du progrès technologique pour les travailleurs. Leontief avait d’ailleurs bien conscience que deux siècles de croissance et de progrès technologique n’avaient pas jusqu’alors entraîné de chômage technologique massif. Néanmoins, en 1982, il jugeait que les choses étaient cette fois différentes. Selon lui, l’informatique, en automatisant le traitement de l’information et non plus en remplaçant simplement la force animale ou humaine dans la production, « changeait la relation de l’homme avec la machine ». Ce changement radical l’amenait à entrevoir des effets dévastateurs sur l’emploi dans le secteur des services. La forte croissance de ce secteur dans les années 1980 jusqu’à aujourd’hui montra toutefois que l’informatique, elle aussi, n’était pas incompatible avec l’emploi.

Pourquoi y-a-t-il toujours autant d’emploi ?

Comment expliquer que les prédictions les plus catastrophistes sur l’emploi se soient pour l’instant révélées fausses ? 
Une première explication est que ces prédictions sous-estiment la complexité et la diversité du travail réalisé dans chaque profession. Pour étudier l’impact du progrès technologique sur l’emploi, les économistes d’aujourd’hui décomposent le travail réalisé dans une profession en ensemble de « tâches[9]» nécessaire pour produire. Dans cette approche, chaque profession nécessite pour produire de combiner un ensemble plus ou moins complexe et varié de tâches. Le progrès technique rend les machines capables de réaliser de nouvelles tâches à un coût qui diminue progressivement. Dans le cas des radiologues, il apparaissait ainsi naturel pour Geoffrey Hinton que cette profession, qui est aujourd’hui celle du domaine médical où l’IA est la plus utilisée, soit remplacée par des machines. Ce raisonnement oublie qu’en pratique, la plupart des professions se composent d’un nombre varié de tâches dont seulement certaines sont en partie ou en totalité automatisables. Parmi de nombreuses autres tâches, les radiologues doivent ainsi se coordonner avec les équipes médicales, participer aux décisions sur les traitements adaptés, communiquer les résultats aux patients et répondre à leurs questions. La lecture d’imagerie ne représente qu’une partie des tâches réalisées que l’IA n’automatise pas complètement car il reste nécessaire de vérifier et interpréter les résultats en fonction du contexte médical du patient. Au final, depuis 10 ans, en rendant les diagnostics plus efficaces et plus rapides et en permettant ainsi aux radiologues de consacrer plus de temps aux autres tâches, l’IA dans la radiologie semble avoir, au contraire des prédictions, augmenté plus que diminué la demande de travail des radiologues.

Les leçons de l’IA sur les radiologues confirment celles des révolutions technologiques passées sur lesquelles nous avons plus de recul. Durant les années 1980 et 1990, l’automatisation liée à l’informatique a montré que les professions complètement automatisables sont rares. Le plus souvent, le changement technologique transforme un métier sans le faire disparaître en automatisant les tâches répétitives et en augmentant la part des tâches dans lesquelles le travail humain conserve ses avantages. Dans le secteur bancaire, les progrès de l’informatique ont permis par exemple dès les années 1980 d’automatiser la distribution de billets de banque. Alors que certains observateurs anticipaient que les emplois de guichetier bancaires seraient décimés, ils ont au contraire cru dans les années 1990 en se reconvertissant dans le conseil et la vente de produits financiers aux clients qu’il est difficile d’automatiser, les tâches requérant de la capacité à manipuler les espèces étant remplacées par des qualités d’interaction humaine et de conseil aux clients.

L’IA ne sait pas tout faire

Une deuxième raison pour laquelle l’emploi reste également préservé est que, même avec l’intelligence artificielle, certaines tâches résistent toujours à l’automatisation. Les tâches impliquant des relations interpersonnelles, des capacités de persuasion, qui sont requises dans la gestion d’une équipe ou dans les négociations avec les clients ou les fournisseurs et qui sont pour l’instant difficilement automatisables. Selon l’économiste David Demings, les tâches de relations interpersonnelles et sociales ont été de plus en plus valorisées sur le marché du travail[10] sur les 30 dernières années et associées à une prime salariale croissante. 

L’automatisation de nombreuses autres tâches semble également à brève échéance hors de portée de l’intelligence artificielle contemporaine. L’intelligence artificielle a besoin de données pour s’entraîner à réaliser une tâche. Souvent, les données n’existent pas ou sont difficiles à collecter comme pour exercer les métiers du secteur de la construction ou de la restauration qui demandent de la coordination physique ou de manipuler des objets dans des espaces changeants en permanence. Les approches modernes en robotiques essaient d’entraîner les robots à reconnaître leur environnement en collectant eux-mêmes les données, mais elles sont pour l’instant trop exploratoires pour que des robots puissent opérer sur des sites de construction ou servir des repas à table dans des restaurants.

Si les données existent, les objectifs à atteindre peuvent aussi être complexes et nuancés. Or, l’IA doit savoir évaluer sans ambiguïté ses résultats après chaque tentative pour pouvoir s’améliorer. Par exemple, lorsqu’il s’agit de diriger une équipe ou négocier un contrat plusieurs critères peuvent coexister et les objectifs peuvent souvent être difficiles à définir de manière unique.

Réorganiser la production avec l’IA demandera du temps

Les outils d’IA se sont diffusés en un temps record à travers le réseau Internet qui existait déjà et les grands modèles de langage sont aisément utilisables car ils comprennent le langage naturel et ne nécessitent pas d’apprendre un langage de programmation. Toutefois, même si la diffusion de l’IA est d’une rapidité inédite, une troisième raison pour laquelle il est peu probable que nous rencontrions des bouleversements massifs et immédiat est que les entreprises ont besoin de temps pour intégrer l’IA dans leur processus de production et découvrir la meilleure manière de produire avec cette technologie. 

Comme pour les autres révolutions technologiques, produire avec l’IA demande aux entreprises de repenser l’organisation de la production. Cette réorganisation demande du temps pour créer de nouveaux process, former les travailleurs, installer de nouveaux logiciels et équipements. L’adoption de l’IA présente notamment des défis de confidentialité, de vérification de la qualité des résultats et de fiabilité car le comportement de l’IA reste difficilement prévisible et nécessite des vérifications humaines constantes. Il est reconnu aujourd’hui que les performances de l’IA peuvent être en dents de scie[11], avec des résultats remarquables dans certains domaines mais médiocres dans d’autres. Pour les entreprises, l’automatisation d’une seule tâche peut se révéler contre-productif si les risques d’erreurs ou sont trop important ou si les tâches humaines restantes deviennent plus importantes et chronophages.

Face à ces difficultés, des enquêtes[12] récentes suggèrent un ralentissement de l’utilisation de l’IA par les entreprises dans les derniers trimestres. Si ce ralentissement est vraisemblablement temporaire, il est néanmoins cohérent avec l’hypothèse de l’économiste Erik Brynjolfsson que, comme pour les précédentes révolution technologiques, l’adoption de l’IA ne sera pas linéaire mais suivra une courbe en J[13], telle que son adoption pourrait ralentir et stagner momentanément avant des périodes d’accélération rapide.

Un futur incertain

Selon l’économiste Joël Mokyr, Nobel d’économie 2025 pour ses travaux sur l’histoire économique, les contemporains des précédentes révolutions industrielles ont toujours été surpris[14] des développements des technologies et de leurs conséquences économiques et sociales. Comme les précédentes générations ayant vécu les grandes révolutions industrielles, de nombreux observateurs pensent que, cette fois, la nouvelle nature du changement technologique rend les choses vraiment différentes des expériences passées, à la fois plus rapide et à la fois plus massive. Toutefois, nous ne savons pas à quelle vitesse les entreprises adopterons l’intelligence artificielle ni qui seront les futurs gagnants de l’IA sur le marché du travail. Néanmoins, si la technologie progresse vite, elle ne sait pas encore tout faire et nous devons inventer la manière de produire avec elle ce qui prend du temps. S’il est certain que l’IA transformera profondément le marché du travail comme l’ont fait les grandes révolutions technologiques passées, il est peu probable que les changements soient aussi brusques que ne le prédisent certains. 

Il est alors nécessaire que nous mettions à profit le temps de transition pour répondre aux défis de la formation à ces technologies et repenser les institutions du marché du travail dans un contexte où les bouleversements et les réallocations entre secteurs devraient être importants sur le long terme.
 

Notes

[1]Geoffrey Hinton « On radiology », Creative Destruction Lab : Machine learning and the market for intelligence 2016
[2]https://www.ft.com/content/a75555a6-24c3-4468-aba9-7fe12b5def31
[3]Your A.I. Radiologist Will Not Be With You Soon , The New York Times, mai 2026
[4]https://www.neimanhpi.org/press-releases/consolidation-patterns-of-practices-with-radiologists-through-2023/
[5]https://www.worksinprogress.news/p/why-ai-isnt-replacing-radiologists
[6]https://pubs.rsna.org/doi/10.1148/radiol.232625
[7]https://doi.org/10.3406/rfeco.1989.1227
[8]https://www.jstor.org/stable/24966688
[9]https://doi.org/10.1016/S0169-7218(11)02410-5
[10]https://doi.org/10.1093/qje/qjx022
[11]https://www.aei.org/technology-and-innovation/jagged-intelligence-jagged-adoption/
[12]https://www.oxfordeconomics.com/wp-content/uploads/2026/01/Evidence-of-an-AI-driven-shakeup-of-job-markets-is-patchy.pdf
[13]https://doi.org/10.1257/mac.20180386
[14]https://doi.org/10.1016/S0169-7218(10)01002-6