Skip to main content

Intelligence artificielle générative, productivité et avenir du travail :
pourquoi l’IA est plus susceptible de transformer les emplois que de les éliminer

Rannella Billy-Ochieng’, économiste principal | rannella.billyochieng'@td.com
Thomas Feltmate, directeur et économiste principal | 416-944-5730

date publiée: 1 octobre 2026

télécharger

partagez ceci:

Faits saillants

  • Les progrès rapides de l’intelligence artificielle (IA) générative ont intensifié les craintes que l’automatisation puisse remplacer de nombreux travailleurs. Toutefois, pour que des emplois soient supprimés à grande échelle, il faudrait que l’IA effectue les tâches de façon fiable, qu’elle fonctionne à un coût économiquement intéressant et qu’elle soit rapidement adoptée par toutes les entreprises. 
  • Ces conditions demeurent un obstacle de taille. Les recherches indiquent que la capacité de l’IA à fonctionner de façon autonome reste limitée et que de nombreux éléments en remettent en question la faisabilité économique et la transparence. Ces obstacles modéreront l’intensité de l’adoption lorsque les entreprises étudieront les avantages qu’il y a à réorienter leurs flux de travail.  
  • Si ces conditions étaient réunies, une apocalypse des emplois causée par l’IA pourrait faire grimper le taux de chômage de 0,7 à 1,4 point de pourcentage d’ici le début des années 2030. Les répercussions seront plus importantes si elles coïncident avec un ralentissement économique plus général, lorsque la demande et les embauches sont déjà faibles. 
  • Toutefois, on observe peu de signes d’une perturbation de l’emploi global liée à l’IA. Le signe le plus visible de ce rajustement apparaît dans les professions les plus exposées à l’IA. Et même dans ces secteurs, la croissance de l’emploi a davantage été ralentie par la baisse des embauches que par les licenciements purs et simples.  

 

Les conversations sur la façon dont l’IA générative transformera l’avenir du travail sont devenues un point de discussion commun dans les universités comme dans les conseils d’administration des entreprises. Cet intérêt est né de la capacité croissante de l’IA à effectuer un éventail plus large de tâches. À mesure que ces technologies deviennent plus performantes, les inquiétudes quant au risque de suppressions d’emplois généralisées augmentent elles aussi. Ces préoccupations doivent être entendues, mais elles brouillent souvent la distinction entre capacité et résultats sur le marché de l’emploi. Ce n’est pas parce que l’IA peut effectuer une tâche qu’elle peut nécessairement le faire de façon autonome ni que les entreprises choisiront d’automatiser cette tâche. Au bout du compte, l’incidence de l’IA sur l’emploi dépendra principalement de trois grands facteurs : la capacité technique, la faisabilité économique et le rythme d’adoption au sein des entreprises. 

Pour qu’une « apocalypse de l’emploi » à grande échelle causée par l’IA se produise, il faudrait que plusieurs conditions soient alignées simultanément, et les données actuelles donnent à penser que ce n’est pas encore le cas. Les recherches ont montré que la performance entièrement autonome reste limitée malgré le vaste éventail des capacités de l’IA. De même, bien que de nombreuses tâches puissent techniquement être automatisées, beaucoup moins d’entre elles semblent, pour le moment, économiquement viables une fois pris en compte les coûts de mise en œuvre, les exigences en matière de surveillance et les obstacles opérationnels. Le rythme d’adoption est également un facteur important. Bien que l’utilisation de l’IA continue de se répandre, le déploiement dans l’ensemble des entreprises reste graduel et inégal. Prises ensemble, les données actuelles suggèrent que l’IA est davantage susceptible de remodeler la façon dont le travail est effectué que de supprimer purement et simplement de nombreux emplois. L’hypothèse d’une apocalypse de l’emploi liée à l’IA relève donc encore d’un scénario de risque, et non du scénario de base. 

Ce rajustement graduel des dynamiques de travail nous donne le temps de l’assimiler et de nous adapter à ce contexte en évolution. Les entreprises auront le temps de reconvertir leur personnel et de créer un solide bassin de talents prêts pour l’avenir. Les décideurs auront le temps de réfléchir aux mesures de protection nécessaires pour soutenir le plein emploi, et les travailleurs peuvent aussi décider par eux-mêmes de perfectionner leurs compétences pour être des participants actifs dans un monde axé sur l’IA.  

L’exposition actuelle des emplois aux technologies d’IA      

L’intelligence artificielle a le potentiel de transformer une part importante des tâches au travail, mais il ne faut pas confondre exposition des tâches à l’IA et pertes d’emplois nettes. Chaque emploi est un ensemble de tâches qui nécessite des compétences, des niveaux de jugement et des formes d’expertise différents. En envisageant le travail sous l’angle des tâches, on voit plus clairement où l’IA est le plus susceptible d’influer sur le travail. Des recherches portant sur plus de 18 000 tâches au travail donnent à penser que l’IA peut déjà toucher une part importante des activités quotidiennes. Aux États-Unis, sur l’ensemble des emplois, environ la moitié sont exposés aux technologies d’IA par le biais d’au moins un quart des tâches qui les composent (graphique 1).

Bien que ce constat souligne l’ampleur de la portée de l’IA, exposition ne signifie pas automatisation. L’exposition indique que l’IA peut compléter ou effectuer certaines tâches ou aider à leur réalisation. Toutefois, cela ne signifie pas que ces tâches seront entièrement automatisées ni que les emplois auxquels elles s’appliquent disparaîtront. Dans bien des cas, l’IA est davantage susceptible de modifier la façon dont le travail est effectué que de remplacer des travailleurs.

Graphique 1 : Ce graphique linéaire montre l’exposition à l’IA générative selon les professions. Environ 80 % des professions comptent au moins 10 % de tâches exposées, 59 % en comptent au moins 25 %, et 21 %, au moins 50 %. Le graphique montre une ligne descendante. Par conséquent, la part tombe à environ 7 % pour une exposition de 60 % et s’approche de zéro à 80 %. Source : BLS, Eloundou et coll. (2024), Services économiques TD. Graphique 2 : Le diagramme de dispersion montre la durée des tâches logicielles que les agents d’IA devraient pouvoir accomplir avec un taux de réussite de 80 %. La durée des tâches augmente fortement au fil du temps, passant de près de zéro minute pour la période de 2019 à 2023 à environ 20 à 70 minutes pour plusieurs observations en 2025. Les observations les plus élevées atteignent environ 90 minutes pour Google et 185 minutes pour Anthropic, ce qui indique une nette augmentation de la capacité des agents d’IA à effectuer de façon fiable des tâches logicielles plus longues. Source : METR et Services économiques TD.

Première condition : la capacité et la fiabilité

L’IA doit démontrer un degré élevé de capacité et de fiabilité pour que des suppressions d’emplois généralisées se produisent. Pour remplacer des êtres humains à grande échelle, l’IA doit être en mesure d’effectuer des tâches avec exactitude, constance et surveillance minimale. Les données du projet Model Evaluation and Threat Research (METR) montrent que les principaux modèles d’IA sont de plus en plus efficaces pour résoudre les problèmes de génie logiciel qui nécessitent un raisonnement prolongé (graphique 2). Les progrès ont été particulièrement marqués dans le développement de logiciels, car les résultats peuvent être évalués de façon objective et les cycles de rétroaction sont rapides. Toutefois, le succès en matière de codage ne se traduit pas nécessairement pleinement dans l’ensemble de l’économie. De nombreuses activités au travail impliquent des connaissances tacites, un jugement complexe, des interactions interpersonnelles et des environnements où la performance est difficile à mesurer.

Le constat est donc plus nuancé si l’on examine plus largement les tâches au travail. La question clé n’est pas de savoir si l’IA peut aider à accomplir une tâche, mais si elle peut le faire de façon autonome et fiable. D’après les recherches existantes, il reste rare que l’IA puisse être utilisée de manière entièrement autonome. Une étude estime que moins de 2 % des emplois contiennent plus de la moitié de tâches qui pourraient être entièrement automatisées au moyen de l’IA combinée aux outils logiciels existants1. La distinction entre exposition et automatisation demeure importante. Bien que l’IA puisse influer sur une grande partie des activités au travail, la part des emplois aujourd’hui susceptible d’être largement automatisée semble beaucoup plus faible. Par conséquent, à court terme, l’IA devrait davantage avoir pour effet de remodeler le travail que de supprimer un grand nombre d’emplois.

Deuxième condition : pour être complètement déployée, l’IA doit démontrer une faisabilité économique crédible

Les capacités techniques à elles seules ne suffisent pas à entraîner des pertes d’emploi généralisées liées à l’IA. Les emplois ne seront massivement remplacés par l’IA que si elle prouve sa compétitivité économique et sa transparence. Les études montrent que l’automatisation ne semble rentable que pour une petite partie des tâches professionnelles une fois les coûts de mise en œuvre, les exigences en matière de surveillance et les risques opérationnels pris en compte. Des chercheurs du Massachusetts Institute of Technology (MIT) ont comparé le coût de déploiement de l’IA au coût de la main-d’œuvre humaine pour des tâches qui pourraient être effectuées à l’aide de systèmes de vision informatique. Alors que 36 % des professions comptaient au moins une tâche exposée sur le plan technique, seules 8 % d’entre elles comportaient une tâche dont l’automatisation à grande échelle semblait viable sur le plan économique.2 Ces constatations donnent à penser que la faisabilité technique ne se traduit pas automatiquement par une faisabilité économique. 

Passer à un monde où l’IA remplace les travailleurs nécessite également que les entreprises repensent leurs flux de travail et investissent dans le déploiement, le tout en réalisant des économies de coûts importantes. D’après les données actuelles, ces conditions sont loin d’être généralisées. Pour les entreprises, les coûts de déploiement vont au-delà de l’accès au modèle lui-même. Ils incluent également des dépenses liées à la conformité, à la protection des renseignements personnels, à la cybersécurité, aux exigences juridiques et à la gestion du changement. Parmi les coûts globaux, les coûts d’utilisation (jetons) sont particulièrement importants, car ils déterminent les paramètres économiques de l’exploitation de l’IA à grande échelle. Et les coûts d’utilisation varient considérablement selon la complexité de la tâche. L’IA est souvent économique pour les activités de routine, comme la synthèse de documents, la rédaction de courriels ou l’extraction de renseignements, mais son coût augmente considérablement pour les tâches exigeant un raisonnement, de la planification ou une résolution de problèmes complexe (graphique 3).3 À mesure que les entreprises s’appuient davantage sur les technologies pour des tâches complexes, cela pourrait introduire une inconnue économique qui manque de transparence et qui pourrait être difficile à prévoir.

Graphique 3 : Ce graphique linéaire montre les prix de la mémoire à large bande passante en dollars américains par gigaoctet. Les prix passent d’environ 6 $ par gigaoctet en juin 2021 à environ 9 $ à la fin de 2022, avant d’atteindre un sommet d’environ 18 $ en 2025. Les prix ont ensuite reculé à environ 15 $ avant de remonter légèrement à environ 16 $ en février 2026. Dans l’ensemble, le graphique montre que la mémoire à large bande passante est devenue beaucoup plus chère depuis 2021, malgré une certaine volatilité récente. Source : Données de l’indice IA du Digital Economy Lab de l’Université Stanford, EPOCH AI et Services économiques TD. Graphique 4 : Ce graphique à barres montre l’utilisation estimative de jetons d’IA pour cinq tâches. L’utilisation des jetons augmente considérablement avec la complexité des tâches, passant d’environ 1 000 jetons pour rédiger un billet de blogue ou 3 000 pour répondre à une question de soutien reposant sur des connaissances à environ 8 000 pour vérifier un fichier de code de 500 lignes et 13 000 pour exécuter un agent conversationnel de soutien. La génération de 1 000 mots de code requiert le plus grand nombre de jetons, soit environ 52 000, loin devant les autres tâches. Source : Calperch.com et Services économiques TD.

Les prix payés par les utilisateurs dans les entreprises sont, en fin de compte, influencés par les coûts engagés par les fournisseurs d’IA eux-mêmes. Ces coûts sont multidimensionnels et continuent d’évoluer. Ils comprennent les infrastructures informatiques, les dépenses de transfert de données, les coûts d’entraînement des modèles et le matériel requis pour soutenir l’inférence à grande échelle. Bien que les coûts de certaines composantes de cette structure aient diminué au fil du temps, d’autres ont évolué dans le sens inverse. Les coûts associés à l’entraînement des modèles et au transport des données ont généralement diminué, ce qui favorise une adoption plus large. Dans le même temps, la hausse du coût de la mémoire à large bande passante et de certaines catégories de composants de semi-conducteurs de pointe a créé de nouvelles pressions au sein de la chaîne de valeur de l’IA (graphique 4). Ces tendances donnent à penser que la trajectoire future des coûts de l’IA reste incertaine. Les pressions concurrentielles et les gains d’efficacité continuent de faire baisser les coûts d’utilisation, tandis que les contraintes liées aux infrastructures peuvent limiter le rythme de cette baisse. Pour l’instant, les arguments économiques en faveur d’un remplacement généralisé de la main-d’œuvre demeurent beaucoup plus limités que les arguments techniques en faveur d’une adoption plus généralisée de l’IA.

Troisième condition : le rythme d’adoption déterminera l’ampleur des répercussions

Figure 5 : Ce graphique combiné montre l’utilisation de l’IA générative par les travailleurs en emploi. L’utilisation globale passe d’environ 33 % en août 2024 à 45 % en mai 2026, tandis que la part d’IA générative utilisée chaque jour reste beaucoup plus faible, passant d’environ 9 % à 14 %. Cela indique que l’adoption au travail est généralisée et en hausse, mais que l’utilisation quotidienne demeure limitée. Source : Outil de suivi de l’adoption de l’IA générative développé par le Harvard Project on Workforce, Services économiques TD.

La vitesse à laquelle les technologies d’IA seront déployées au travail influencera l’avenir des travailleurs sur le marché de l’emploi. Le déploiement rapide de l’IA pourrait compromettre les perspectives des travailleurs s’il se produit à un rythme qui dépasse leur capacité à s’adapter. Bien que l’adoption de l’IA par les consommateurs ait progressé rapidement, sa diffusion au sein des entreprises s’est faite à un rythme plus modéré : selon le Business Trends and Outlook Survey (BTOS), environ une entreprise sur cinq a déclaré récemment utiliser des technologies d’IA. L’adoption reste également inégale selon les secteurs et la taille des entreprises, les grandes entreprises étant en tête des efforts de déploiement.

Côté employés, les données brossent un tableau similaire d’une adoption croissante. Les enquêtes indiquent que près de la moitié des travailleurs ont utilisé l’IA au moins une fois – mais seuls 13 % d’entre eux l’utilisent quotidiennement (graphique 5).4 Cette distinction est importante : la connaissance et l’expérimentation à grande échelle signalent un intérêt croissant pour l’IA, mais l’intensité de l’utilisation reste inégale. L’IA semble donc plutôt être un complément aux flux de travail existants qu’une composante profondément intégrée au travail quotidien dans une grande partie de l’économie.

Les tendances actuelles en matière d’adoption laissent entrevoir un processus de rajustement plus graduel. Bien que l’utilisation de l’IA continue de croître, son déploiement demeure inégal et loin d’être universel. Les contraintes économiques, les difficultés de mise en œuvre et les différences entre les secteurs devraient influer sur la rapidité d’adoption. Il semble plus probable que l’IA soit intégrée progressivement aux flux de travail existants qu’elle ne soit introduite abruptement comme substitut général aux travailleurs. 

Graphique 6 : Ce graphique combiné présente les gains et les pertes d’emplois bruts en pourcentage des emplois, de 1992 à 2025. Les deux mesures affichent une tendance à la baisse au cours de la période, les pertes d’emplois totales étant passées d’environ 7,5 % au début des années 1990 à environ 5,5 % à 6 % ces dernières années, tandis que les gains d’emplois totaux sont passés d’environ 8 % à environ 6 %. Les pertes d’emplois remontent temporairement vers 2008, tandis que les gains d’emplois affichent un bond temporaire prononcé vers 2020. Plus récemment, les pertes d’emplois brutes sont restées globalement stables, tandis que les gains d’emplois sont revenus à environ 6 %. Source : Organismes nationaux de statistique et Services économiques TD. Le graphique exclut la période de COVID-19 du deuxième trimestre de 2020.Il est également important de comprendre comment le rythme d’adoption de l’IA s’oriente par rapport à la rotation habituelle sur le marché de l’emploi. Les marchés de l’emploi sont en constante évolution. Des millions d’emplois sont créés et détruits chaque année à mesure que les entreprises se développent, se contractent et adoptent de nouvelles technologies. Pour que les suppressions d’emploi liées à l’IA prennent une réelle ampleur, il faudrait que son adoption soit suffisamment rapide pour dépasser ces mécanismes de rajustement normaux. Historiquement, les perturbations du marché de l’emploi sont associées à d’importants chocs économiques ou à des changements transformationnels qui se sont propagés rapidement à l’ensemble de l’économie. À l’heure actuelle, les gains et les pertes d’emplois bruts sont stables (graphique 6). Il est essentiel de surveiller ces évolutions de près. Les États-Unis étant un pays frontière de l’adoption de l’IA à l’échelle mondiale, les effets de l’IA sur leur marché de l’emploi aideront à révéler ce que l’avenir réserve aux pays dont le taux d’adoption est plus faible.5 Aux États-Unis, les données publiées par Challenger, Gray & Christmas montrent que plus de 20 % des licenciements prévus étaient attribués à l’IA en 2026.6 Certes, les mises à pied sont un baromètre important du changement, mais il est important de reconnaître que l’IA stimule également la création d’emplois, en particulier dans les secteurs qui soutiennent la construction de centres de données liées aux infrastructures d’IA. Ces gains ont plus que compensé les pertes d’emplois déclarées, ce qui a atténué l’incidence sur l’emploi global. 

 

Ce à quoi ressemblerait une apocalypse de l’emploi liée à l’IA 

Graphique 7 : Ce graphique linéaire montre l’augmentation prévue du taux de chômage selon deux scénarios d’adoption de l’IA sur la période de 2026 à 2031. Les deux scénarios commencent près de zéro en 2026. Selon le scénario légèrement pessimiste, le taux de chômage augmentera de 0,7 point d’ici 2031. Dans le scénario plus pessimiste, l’augmentation se produit plus rapidement et atteint 1,4 point d’ici 2031. Les scénarios indiquent que le chômage pourrait augmenter progressivement si les travailleurs licenciés à cause de l’IA peinent à trouver de nouveaux emplois. Source : Bureau of Labor Statistics et Services économiques TD.Pour que les suppressions d’emplois liées à l’IA soient sévères, il faudrait que la technologie effectue les tâches des travailleurs de manière fiable et à grande échelle, qu’elle offre aux entreprises des arguments économiques convaincants en faveur de son adoption et qu’elle se diffuse rapidement et largement dans tous les secteurs. Toutefois, même si ces conditions sont remplies, le résultat demeure très incertain, notamment concernant l’ampleur des gains de productivité que l’IA pourrait générer. Plutôt que d’ancrer notre analyse à un seul résultat, nous utilisons un éventail d’hypothèses de productivité pour limiter cette incertitude à une fourchette. Ces scénarios s’appuient sur les estimations de productivité de la Réserve fédérale américaine, fondées sur l’expérience historique du boom des technologies de l’information des années 1990, période durant laquelle la diffusion des nouvelles technologies avait entraîné une accélération marquée de la croissance de la productivité.7

Dans notre scénario de perturbation modérée, l’adoption s’accélère plus rapidement que dans l’hypothèse de base et se diffuse à grande échelle dans l’ensemble de l’économie, faisant grimper la productivité annuelle de 0,5 point de pourcentage d’ici 2031. Dans certaines fonctions, les entreprises peuvent produire plus avec moins de travailleurs, ce qui se solde par des suppressions lorsque les compétences ne sont plus alignées sur la demande. Dans le scénario le plus extrême, l’adoption et la diffusion se produisent encore plus rapidement, augmentant la productivité annuelle d’un point de pourcentage entier par rapport à notre scénario de base d’ici 2031. La transition plus rapide amplifie également le périmètre des suppressions d’emplois, les travailleurs peinant à trouver un nouvel emploi. Lorsque les compétences sont mal alignées sur les occasions émergentes, les recherches d’emploi sont plus longues, ce qui entraîne des répercussions à long terme sur le marché de l’emploi. Dans ces scénarios, le taux de chômage augmente de 0,7 et de 1,4 point de pourcentage, respectivement, par rapport à notre scénario de base d’ici le début des années 2030 (graphique 7). 

Pour autant, les chiffres globaux ne reflètent qu’une partie de la situation. La perturbation ne sera probablement pas répartie de manière égale entre les secteurs. Les segments de l’économie affichant une forte concentration de professions exposées à l’IA, en particulier les secteurs du traitement des données et de l’information, pourraient être plus proches de la frontière de l’adoption et connaître davantage de suppressions. D’autres secteurs pourraient se révéler plus résilients, en particulier lorsque l’IA ne remplace pas les tâches des travailleurs, mais les complète. Et les destructions d’emploi ne se produisent pas en vase clos. Les transformations technologiques peuvent également créer des emplois à mesure que les gains de productivité se répercutent sur les revenus et la demande. Les travailleurs qui conservent leur emploi peuvent devenir plus productifs et obtenir des salaires plus élevés – et donc, dépenser davantage en biens et en services. Cela crée un effet de compensation important. Bien que les secteurs à forte concentration de postes exposés puissent nécessiter moins de travailleurs, d’autres segments de l’économie peuvent profiter d’une demande plus forte et des nouvelles occasions créées par l’adoption de l’IA. L’incidence définitive sur l’emploi dépend donc non seulement des emplois supprimés, mais aussi de la capacité de l’économie à créer de nouveaux emplois et à absorber des travailleurs.

Il existe également d’importants risques qui ne sont pas pris en compte dans nos estimations. Ces scénarios isolent le choc de l’IA plutôt que de le superposer à un repli économique classique. Une récession se produisant parallèlement à l’adoption rapide de l’IA pourrait intensifier le rajustement à mesure que la confiance et la demande s’affaibliront, ce qui entraînerait des pertes d’emploi plus importantes que dans les scénarios isolés. À l’inverse, des rajustements de la participation de la population active pourraient modérer la hausse du taux de chômage. L’éventail d’issues possibles est donc exceptionnellement large : une raison de plus pour envisager une éventuelle « apocalypse de l’emploi » liée à l’IA comme un scénario de risque plutôt que comme une conclusion inévitable.

Ce que nous observons dans le marché de l’emploi aujourd’hui

Pour qu’une apocalypse de l’emploi liée à l’IA se produise, quelques conditions doivent être réunies simultanément. Comme aucune d’elles ne se produit, nous continuons d’estimer qu’un rajustement ordonné est en train de s’effectuer parallèlement à l’adoption plus générale de l’IA. Bien que ce rajustement n’ait pas modifié de façon significative la dynamique de l’emploi global, l’adoption précoce de l’IA a déjà eu un effet visible sur les emplois les plus susceptibles d’être directement substitués. La croissance de l’emploi dans ces postes a nettement faibli ces dernières années (graphique 8), surtout pour les jeunes travailleurs.8 De même, le taux de chômage des travailleurs les plus exposés est légèrement plus élevé que dans l’ensemble (graphique 9). Malgré ces tendances, les chiffres globaux des suppressions d’emplois restent bien contenus. 

Graphique 8 : Ce graphique à barres montre la croissance sur 12 mois de l’emploi dans les professions les plus exposées à l’IA au cours de la période de 2022 à 2026. La croissance de l’emploi diminue de façon constante, passant de près de 9 % en 2022 à environ 3 % à la fin de 2023, puis à environ 1 % au début de 2025. Par la suite, la croissance avoisine zéro en 2025 et en 2026, certaines observations devenant légèrement négatives. Dans l’ensemble, la croissance de l’emploi dans les professions les plus exposées à l’IA ralentit depuis plusieurs années. Source : Indicateurs économiques de l’IA développés par le Digital Economy Lab de l’Université Stanford et ADP Research, Services économiques TD.Graphique 9 : Ce diagramme de dispersion compare les taux de chômage moyens en 2025 avec l’exposition à l’IA. Les emplois dans leur ensemble sont exposés à l’IA à hauteur d’environ 34 % et affichent un taux de chômage d’environ 4,3 %, tandis que les 30 professions les plus exposées sont exposées à l’IA à hauteur d’environ 67 % et ont un taux de chômage à environ 4,5 %. Le graphique montre que le chômage était légèrement plus élevé dans les professions les plus exposées à l’IA en 2025. Source : BLS, Eloundou et coll. (2024), Services économiques TD.

Les employeurs s’adaptent à travers leurs embauches. Les données du Hiring Lab d’Indeed sur l’embauche montrent que les professions dont une plus grande partie des compétences peuvent être transformées par l’IA générative ont affiché la décélération la plus prononcée en matière d’embauche (graphique 10). Les perturbations se traduisent donc plutôt par une baisse de la demande de main-d’œuvre que par des pertes d’emplois pures et simples. Cela explique pourquoi le ralentissement touche de façon disproportionnée les jeunes travailleurs qui intègrent le marché de l’emploi. Il est important de noter qu’en examinant de plus près les fonctions de réaction des entreprises, bon nombre d’entre elles profitent de cette occasion pour reconvertir leurs employés plutôt que de les licencier carrément (graphique 11).9

Graphique 10 : Diagramme de dispersion comparant la part des compétences professionnelles que l’IA générative pourrait transformer considérablement avec la variation des offres d’emploi. La ligne de tendance en pointillé descend, ce qui indique que les professions plus exposées à l’IA générative ont généralement connu une baisse plus importante des offres d’emploi. Les secteurs très exposés, comme ceux des données et analyses et du développement de logiciels, affichent certaines des baisses les plus importantes, soit environ 62 % et 56 %, respectivement. La plupart des professions voient les offres d’emploi baisser, à l’exception notable des médecins et des chirurgiens, dont les offres ont augmenté d’environ 8 %. Source : Services économiques TD et Hiring Lab d’Indeed.Graphique 11 : Graphique à barres montrant les variations d’effectifs déclarées par les entreprises utilisant l’IA en 2026. La reconversion est la réponse la plus courante, indiquée par environ 34 % des entreprises de services et 22 % des entreprises de biens. Parmi les entreprises de services, environ 15 % disent embaucher moins de travailleurs, 13 % en embaucher plus, et 4 % indiquent en licencier. Parmi les entreprises de biens, 6 % d’entre elles déclarent embaucher moins de travailleurs. Aucune barre n’apparaît pour la part de ces entreprises qui embauchent plus ou licencient. Dans l’ensemble, la reconversion est beaucoup plus courante que la baisse du nombre d’emplois parmi les entreprises qui utilisent l’IA. Source : Enquêtes régionales de la Réserve fédérale de New York auprès des entreprises (août 2026) et Services économiques TD.

La transformation axée sur l’IA prendra beaucoup de temps à se diffuser dans le travail au quotidien. Mais comme cela se produit graduellement, elle pourrait passer inaperçue pendant des années. Les données actuelles donnent à penser que les suppressions liées à l’IA restent faibles par rapport à la rotation permanente qui caractérise un marché de l’emploi en bonne santé.  

Un rythme d’adoption progressif donne du temps à ceux qui sont dans la ligne de mire du changement. Les décideurs peuvent profiter de cette période pour élaborer des garde-fous politiques qui favoriseraient une pleine participation. De même, les travailleurs peuvent mettre ce temps à profit pour se familiariser avec ces changements et renforcer les compétences dont ils auront besoin dans un marché de l’emploi propulsé par l’IA.  

Conclusion

Les craintes entourant les effets potentiels de l’IA sur le marché de l’emploi persisteront tant qu’on n’en saura pas plus sur la manière dont on travaillera à l’avenir. Pour que le scénario d’apocalypse de l’emploi le plus extrême se réalise, il faut que trois conditions soient réunies.  Premièrement, les technologies d’IA doivent être capables d’exécuter un large éventail de tâches de façon autonome. Deuxièmement, cette capacité doit être offerte de façon financièrement faisable et transparente pour inciter les entreprises à repenser leurs flux de travail. Et troisièmement, la vitesse de diffusion doit être suffisamment rapide pour dépasser la tendance naturelle de l’économie à s’adapter.

Puisque ces facteurs ne semblent pas s’aligner, la thèse d’une apocalypse de l’emploi liée à l’IA reste un scénario de risque, et non le scénario de base. L’avenir du travail continuera de refléter un changement graduel plutôt qu’une perturbation rapide et importante. Cela donne l’avantage du temps aux décideurs et aux travailleurs – du temps pour préparer les outils politiques et les emplois à ce qui s’en vient.

Notes en fin d’ouvrage

  1. GPT are GPT 2024 June . https://www.science.org/doi/10.1126/science.adj0998
  2. Maja S. Svanberg, Wensu Li, Martin Fleming, Brian C. Goehring, and Neil C. Thompson, “Beyond AI Exposure: Which Tasks Are Cost-Effective to Automate with Computer Vision?” (working paper, January 19, 2024), SSRN.
  3. https://calcperch.com/ai-cost-benchmarks/
  4. GenAI Adoption Tracker: Harvard Project on Workforce, Alex Bick, Adam Blandin. (2026, May). GenAI Adoption
  5. Alexander Bick, Adam Blandin, David Deming, Nicola Fuchs-Schündeln and Jonas Jessen, “Why Does AI Adoption Differ So Much across Countries?,” St. Louis Fed On the Economy, April 14, 2026.
  6. Challenger, Gray & Christmas.https://www.challengergray.com/blog/challenger-report-layoffs-fall-hiring-picks-up-ai-leads-for-fifth-straight-month/
  7. Cascaldi-Garcia, Danilo, and Hyunseung Oh (2024). “Global Implications of Brighter U.S. Productivity Prospects,” FEDS Notes. Washington: Board of Governors of the Federal Reserve System, July 19, 2024, https://doi.org/10.17016/2380-7172.3559.
  8. Stanford Digital Economy Lab and ADP Research. “AI Economic Indicators: Canaries Dashboard.” Accessed [September 25th, 2026]. https://digitaleconomy.stanford.edu/project/indicators/canaries/
  9. Jaison R. Abel, Richard Deitz, Natalia Emanuel, and Nick Montalbano, “Businesses Are Using AI to Transform Work, Not Cut Jobs,” Federal Reserve Bank of New York Liberty Street Economics, September 1, 2026, https://libertystreeteconomics.newyorkfed.org/2026/09/businesses-are-using-ai-to-transform-work-not-cut-jobs/.

Avis de non-responsabilité