IA et emploi : le risque d’une sous-classe durable derrière la promesse technologique

L’intelligence artificielle ne transforme pas seulement les logiciels et les méthodes de travail. Elle rebat aussi les cartes de la répartition du pouvoir économique. À l’automne 2025, une inquiétude s’impose dans le débat public : si les gains de productivité sont captés par les détenteurs des modèles, des données et du capital, que restera-t-il aux personnes dont les tâches pourront être automatisées ou fortement dévalorisées ?

L’expression de « sous-classe permanente » résume ce risque dans ses termes les plus durs. Elle ne décrit pas simplement des salariés devant changer de métier après une innovation. Elle évoque une partie de la population qui pourrait perdre durablement l’accès à un emploi stable, à un revenu suffisant et aux moyens de se former pour revenir dans la course. Cette issue n’est pas écrite d’avance. Mais elle oblige à regarder au-delà des démonstrations spectaculaires et des promesses de croissance.

Le scénario d’une sous-classe est-il crédible ?

Les analyses qui envisagent des systèmes d’IA capables d’atteindre, voire de dépasser, la capacité humaine d’innovation d’ici 2027 ont donné une nouvelle intensité au débat. Un tel horizon, souvent associé aux projections les plus ambitieuses du secteur, ne doit toutefois pas être lu comme une prévision certaine. Il dépend d’hypothèses fortes sur les progrès des modèles, l’accès aux puces et à l’énergie, la qualité des données, les coûts d’exploitation et l’acceptation sociale de ces outils.

Le point important est ailleurs : même sans machine capable de tout faire, l’automatisation de tâches très nombreuses peut modifier rapidement l’organisation des entreprises. Une IA qui prépare une note, synthétise un dossier, produit une première version de texte ou classe des demandes clients ne supprime pas mécaniquement un métier. En revanche, elle peut réduire le nombre de personnes nécessaires, augmenter les cadences ou transférer vers les salariés restants des tâches de contrôle souvent moins visibles et parfois moins valorisées.

Le chercheur et ancien employé d’OpenAI Leopold Aschenbrenner figure parmi les voix qui ont popularisé des projections très rapides sur l’arrivée de systèmes beaucoup plus puissants. Ces scénarios ont le mérite de poser la question de la préparation collective. Ils ne permettent pas, à eux seuls, de conclure que tous les emplois intellectuels disparaîtront dans un délai donné.

Pourquoi les inégalités peuvent s’aggraver

Les révolutions industrielles précédentes ont créé de nouveaux métiers, mais elles ont aussi imposé de longues périodes de déplacement, de précarité et de conflits sociaux. L’électrification ou la mécanisation n’ont pas distribué spontanément leurs bénéfices. Les salaires, la durée du travail, la sécurité et l’accès à la protection sociale ont été obtenus par des lois, des négociations et des mobilisations.

L’IA générative réactive cette question sous une forme particulière. Développer et exploiter des modèles de pointe exige des centres de données, des processeurs spécialisés, de l’électricité, des données et des investissements considérables. Cette concentration des ressources donne un avantage aux grandes entreprises technologiques et aux acteurs financiers capables de supporter des coûts élevés avant d’espérer des revenus.

Pour les travailleurs, l’accès au capital compte également. Une personne qui possède une épargne, un réseau professionnel ou une formation recherchée peut plus facilement traverser une période de transition, acheter des outils et se reconvertir. À l’inverse, quelqu’un dont le poste disparaît, sans temps ni revenu pour se former, peut se retrouver enfermé dans une succession d’emplois moins stables et moins payés.

C’est en ce sens que l’idée de sous-classe permanente prend sa force. Le danger ne tient pas uniquement au chômage. Il tient à la possibilité qu’une partie des personnes ne bénéficie ni des gains de productivité ni des nouvelles opportunités créées par la technologie, tout en supportant l’essentiel des risques de la transition.

Quels métiers sont exposés, et lesquels ne le sont pas de la même façon ?

Les secteurs de l’écriture, de l’image, du journalisme, de l’éducation, du service client et de l’administration sont fréquemment cités parce qu’une part de leur production prend la forme de texte, d’images, de classement ou de synthèse. Or ce sont précisément les domaines où les outils génératifs savent fournir rapidement un premier résultat.

Mais confondre une tâche avec un emploi conduit à de mauvais diagnostics. Un journaliste ne se réduit pas à la rédaction d’un paragraphe, un enseignant ne se limite pas à expliquer une notion, et un graphiste ne consiste pas seulement à produire une image. Ces professions reposent aussi sur l’enquête, la responsabilité éditoriale, l’évaluation, la relation humaine, le jugement, la connaissance d’un contexte et la capacité à répondre des conséquences d’une décision.

Le risque est donc double. Dans certains cas, l’IA peut servir d’outil d’assistance et alléger des tâches répétitives. Dans d’autres, elle peut devenir un prétexte pour réduire les effectifs, confier à une personne le travail auparavant réalisé par plusieurs, ou acheter des contenus standardisés à bas coût. Les travailleurs de la technologie eux-mêmes ne sont pas hors d’atteinte : développeurs, concepteurs, annotateurs de données et prestataires peuvent voir une partie de leurs tâches absorbée par les outils qu’ils ont contribué à construire.

La promesse économique de l’IA résiste-t-elle aux faits ?

La crainte sociale est d’autant plus vive que la rentabilité de la vague actuelle d’IA reste incertaine. Des analyses citées dans le débat évoquent environ 95 % de clients entreprises ne retirant pas de retour sur investissement de leurs projets d’IA. Ce chiffre mérite d’être interprété avec précision. Il ne veut pas dire que 95 % des systèmes ne fonctionnent jamais, ni que toute dépense est inutile. Il suggère plutôt qu’un grand nombre d’expérimentations ne se traduisent pas, à ce stade, par un gain financier mesurable à l’échelle de l’organisation.

Cette nuance est essentielle. Une démonstration convaincante n’est pas un déploiement rentable. Pour passer d’un prototype à un outil utilisé au quotidien, une entreprise doit connecter l’IA à ses données, vérifier la sécurité, former les équipes, organiser le contrôle des résultats et assumer le coût des erreurs. Ces opérations peuvent coûter davantage que le logiciel lui-même.

Les travaux relayés par des institutions comme le MIT et la Carnegie Mellon University soulignent également les limites pratiques des agents d’IA. Ils peuvent échouer face à des consignes ambiguës, à des exceptions, à des informations manquantes ou à des séquences de tâches relativement simples pour un humain. Le problème est particulièrement sensible dans les activités où une erreur ne peut pas être facilement réparée.

Il existe donc un paradoxe. La perspective de remplacer des salariés peut séduire à court terme, alors même que les outils censés permettre ce remplacement restent coûteux, fragiles ou difficiles à intégrer. Si la rentabilité espérée ne se matérialise pas, les « artisans » de la bulle technologique, y compris les équipes chargées de construire, d’entraîner et de vendre ces solutions, peuvent eux aussi devenir remplaçables aux yeux des investisseurs.

Les syndicats peuvent-ils encadrer l’usage de l’IA ?

L’exemple des scénaristes américains apporte un enseignement concret. Lors de leur grève de 2023, les membres de la Writers Guild of America ont placé l’IA au cœur de la négociation avec les studios. L’accord obtenu a posé des garde-fous sur l’usage de contenus générés par IA dans l’écriture et a préservé les droits et crédits des auteurs.

L’enjeu n’était pas de bannir toute technologie. Les scénaristes pouvaient utiliser l’IA avec l’accord de l’entreprise, mais les studios ne pouvaient pas imposer un outil pour produire ou réécrire un matériau littéraire, ni utiliser une production d’IA pour remettre en cause le crédit ou la rémunération d’un auteur. Cette distinction est décisive : elle reconnaît qu’un outil peut assister une personne sans devenir le moyen de l’évincer.

Ce précédent ne se transpose pas automatiquement à tous les pays ni à tous les métiers. Il montre néanmoins que la négociation peut porter sur des règles précises : information préalable avant l’introduction d’un système, droit de refuser certaines utilisations, consultation des représentants du personnel, formation sur le temps de travail, responsabilité humaine identifiée et partage des gains de productivité.

Dans l’éducation, les médias ou les services administratifs, ces garanties peuvent compter autant que la performance du modèle. Sans elles, l’IA risque d’être déployée comme un simple instrument de compression des coûts. Avec elles, elle peut davantage devenir un outil dont les effets sont discutés, mesurés et corrigés.

Données, création et responsabilité : le débat éthique derrière la bulle

L’essor de l’IA générative repose sur l’absorption d’immenses volumes de textes, d’images, de sons et de codes. Cette réalité alimente les conflits sur le droit d’auteur, la rémunération des créateurs et la provenance des données. Des voix critiques qualifient ce modèle de « piraterie » lorsqu’il exploite des œuvres ou des compétences sans autorisation ni compensation équitable. Le mot est polémique, mais il met en lumière une interrogation concrète : qui profite de la valeur créée à partir du travail des autres ?

La question concerne aussi les données et le travail moins visible. Derrière des systèmes présentés comme autonomes se trouvent des personnes qui annotent des contenus, modèrent des résultats, corrigent des erreurs, testent des interfaces et assurent l’infrastructure. Leur rôle est indispensable, même lorsqu’il reste absent du récit public sur une IA supposément magique.

Une économie de l’IA soutenable ne peut donc pas se limiter à évaluer la rapidité d’un modèle. Elle doit aussi examiner la qualité de l’information utilisée, les droits des auteurs, les conditions de travail de la chaîne de production, la consommation de ressources et la possibilité de contester une décision automatisée.

Ce qu’il faut surveiller d’ici les prochains mois

La question centrale n’est pas de savoir si l’IA va « remplacer l’humain » dans l’absolu. Elle est de déterminer quelles activités seront automatisées, dans quelles conditions, avec quelles protections et au bénéfice de qui. Les annonces de nouveaux modèles compteront, mais elles ne suffiront pas à répondre à cette question.

Il faudra observer quatre indicateurs : la capacité des entreprises à démontrer des gains réels plutôt que des promesses, la fiabilité des agents dans des situations concrètes, l’évolution des embauches et des salaires dans les professions exposées, et la solidité des accords collectifs négociés autour de l’IA.

L’histoire des transformations technologiques rappelle que le progrès peut élargir les possibilités autant qu’il peut concentrer les richesses. Éviter qu’une innovation ne fabrique une sous-classe durable suppose de traiter le travail comme autre chose qu’une variable à éliminer. Cela implique des droits, des revenus, de la formation et un pouvoir de discussion pour celles et ceux qui vivront les conséquences de l’automatisation.