IA et début de carrière : lire des données d’emploi qui semblent se contredire

Une direction peut lire, dans la même matinée, trois affirmations apparemment contradictoires sur l’IA et le travail : les jeunes accèdent plus difficilement à certaines professions ; les effets mesurés jusqu’ici sur les revenus sont faibles ; une grande partie des tâches professionnelles pourrait changer. Chacune peut provenir d’une étude rigoureuse. Pour prendre une décision de personnel, il faut d’abord comprendre ce que chaque étude mesure.

Le début de carrière m’intéresse particulièrement. Les hôpitaux, les entreprises pharmaceutiques et les fabricants de dispositifs médicaux ont besoin de personnes capables d’assumer demain des responsabilités. Si les tâches d’entrée changent, le parcours par lequel ces personnes acquièrent de l’expérience peut lui aussi évoluer. Un chiffre global d’emploi ne répond qu’en partie à cette question.

Trois sources, trois objets de mesure

L’analyse de Stanford révisée en août 2026 étudie les données de paie américaines d’ADP jusqu’en juin 2026. Pour les 22 à 25 ans dans les professions exposées à l’IA, elle décrit un déficit relatif d’emploi de 19 % par rapport à l’évolution de personnes du même âge dans des professions moins exposées. Les auteurs le présentent expressément comme une association descriptive. Les différences de formation, les tendances déjà divergentes auparavant et les écarts avec les données nationales de comparaison limitent l’interprétation. [1]

Dans leur prépublication d’avril 2025, Humlum et Vestergaard relient des enquêtes auprès d’environ 25 000 personnes exerçant onze professions à des données administratives danoises. Pour la première phase d’usage étudiée, ils ne trouvent pas d’effets moyens statistiquement significatifs sur les revenus ou les heures de travail enregistrées. Ces résultats concernent d’autres personnes, une autre période et d’autres indicateurs que l’analyse américaine. [2]

L’indice de l’OIT de mai 2025 évalue, lui, l’exposition technique possible des tâches professionnelles. Il combine l’évaluation de tâches avec des enquêtes et des appréciations spécialisées. Il offre ainsi une vue structurée des activités susceptibles de changer. Il ne compte pas les emplois effectivement supprimés par l’IA. [3]

Ces sources servent de point de départ à l’interprétation que je propose ici. Elles ne prédisent pas les besoins en personnel d’un hôpital allemand particulier ou d’une entreprise donnée.

Un effectif peut rester stable alors que l’entrée devient plus difficile

Pour sa propre organisation, il est utile de distinguer le nombre de personnes employées et les mouvements de personnel. Un service peut conserver le même effectif d’une année à l’autre tout en accueillant moins de débutants. Les postes libérés pourraient, par exemple, être pourvus surtout par des personnes expérimentées. Un effectif total stable masquerait ce changement.

Il s’agit d’un exemple de raisonnement, pas de l’affirmation qu’une entreprise précise connaît déjà cette situation. Il montre les informations supplémentaires qu’une direction peut demander : recrutements par niveau d’expérience, mobilités internes, départs et raisons des changements de profils de poste. Ces chiffres doivent être lus avec la demande et la situation économique.

Il faut aussi définir ce que l’on appelle débuter. L’âge, l’expérience professionnelle et l’ancienneté dans l’organisation sont des caractéristiques différentes. Une personne de 35 ans peut découvrir un métier ; une personne de 25 ans peut déjà avoir plusieurs années d’expérience. Transformer une analyse par âge en conclusion sur les débutants exige de signaler cette imprécision.

Une tâche techniquement transformable ne détermine pas les effectifs

Plusieurs décisions séparent une aide possible par l’IA d’une transformation de poste. L’application est-elle disponible et adaptée à l’usage prévu ? Les informations nécessaires sont-elles accessibles ? La tâche s’intègre-t-elle au processus ? La demande augmente-t-elle lorsqu’elle devient plus facile à traiter ? Quelles responsabilités restent attachées à l’activité ?

Dans un exemple fictif, une nouvelle recrue d’un service scientifique prépare régulièrement des premières synthèses d’informations spécialisées publiques. Une aide par l’IA pourrait prendre en charge une partie de cette préparation. Plusieurs suites sont possibles : la même personne traite davantage de questions, consacre plus de temps à leur interprétation ou reçoit d’autres tâches. Le résultat dépend de décisions et de conditions qu’un indice des tâches ne décrit pas à lui seul.

Pour modifier un profil de poste, je demanderais donc une justification concise. Elle devrait nommer les tâches supprimées ou transformées, décrire les nouvelles et expliquer comment on en a déduit le besoin de travail humain. Une attente générale à l’égard de l’IA devient ainsi une hypothèse vérifiable sur sa propre organisation.

Le parcours d’apprentissage fait partie de la même décision

Les tâches confiées aux débutants peuvent avoir à la fois une fonction productive et une fonction pédagogique. La personne fournit un résultat et apprend en même temps à situer les informations, à reconnaître les erreurs typiques ou à trouver les bons interlocuteurs. Lorsqu’une telle tâche change, la direction devrait examiner ses deux fonctions.

Une organisation peut modifier ses routines et préciser l’apprentissage recherché. Si la première synthèse est automatisée, les débutants pourraient plutôt justifier la sélection, approfondir une question ouverte ou interpréter une source divergente. Il faut observer sur place si cette tâche de remplacement apporte l’apprentissage attendu.

Pour les médecins en formation, cette question relève du cadre de formation professionnelle dont l’équipe assume la responsabilité. Elle peut être tout aussi concrète pour les responsables et le personnel scientifique : quelles décisions cette personne devrait-elle pouvoir prendre seule dans deux ans, et quelles occasions de pratique l’y conduisent ? Une planification des postes qui omet ce parcours laisse ouverte une hypothèse sur la relève future.

Une observation ciblée pour les prochains mois

Je propose à une direction d’examiner ensemble, dans un périmètre limité, un service dont le travail change déjà. On relève la demande de ses prestations, la composition des nouveaux postes, l’usage réel de l’IA sur certaines tâches et les occasions d’apprendre disponibles. Répéter l’observation évite de donner trop de poids à des variations ponctuelles.

Cela suppose aussi un échange avec des personnes de différents niveaux d’expérience. Où l’aide facilite-t-elle l’entrée dans le métier ? Où manque-t-il désormais une occasion de construire soi-même une réponse ? Quelles tâches demandent aujourd’hui plus d’expérience qu’auparavant ? Ces réponses sont des indications qualitatives. Il faut les documenter comme telles et compléter les points contestés par une observation concrète.

La décision que pourrait déclencher l’analyse doit être précisée à l’avance. Il peut s’agir de modifier l’intégration des recrues, d’ajouter des tâches accompagnées ou de revoir un profil de poste. Nommer la prochaine décision évite que l’observation s’enlise dans une discussion générale sur l’avenir du travail.

L’incertitude restante doit figurer dans le même relevé. Si un service recrute trop peu pour dégager une tendance solide, cela doit être visible. Si la demande et l’usage de l’IA ont changé simultanément, les deux explications restent ouvertes. L’observation suivante devient ainsi plus instructive sans réduire prématurément une situation complexe à une cause unique.

Il me paraît juste de prendre au sérieux la recherche internationale tout en laissant ses limites visibles. Pour diriger une organisation, il en découle un travail exigeant : repérer tôt les changements, vérifier les hypothèses sur les besoins en personnel et organiser consciemment l’accès aux responsabilités futures. Cette attention est particulièrement utile en début de carrière, bien avant qu’une réponse macroéconomique nette soit disponible.