L'IA générative et l'emploi des jeunes : Trois études convergentes révèlent une transformation du marché du travail
L’IA générative et l’emploi des jeunes : Trois études convergentes révèlent une transformation du marché du travail
avec des effets concentrés sur les travailleurs juniors. :icons: font :source-highlighter: highlightjs :experimental: :stem: latexmath
Alors que l’IA générative promet des gains de productivité spectaculaires, trois études majeures publiées entre août 2025 et janvier 2026 révèlent une réalité plus nuancée : cette technologie transforme profondément les modalités d’entrée sur le marché du travail, avec des effets concentrés sur les travailleurs juniors.
Le paradoxe de l’IA : productivité en hausse, opportunités en baisse
Depuis le lancement de ChatGPT en novembre 2022, les rapports de gains de productivité individuels s’accumulent. Les développeurs codent plus vite, les rédacteurs produisent plus de contenu, les analystes traitent plus de données. Pourtant, un phénomène contre-intuitif émerge dans les données d’emploi : les postes d’entrée de gamme disparaissent.
Nous documentons six faits sur les effets récents de l’IA sur l’emploi, avec une attention particulière aux travailleurs débutants dans les professions exposées à l’IA.
Stanford Digital Economy Lab
Trois études rigoureuses, utilisant des méthodologies différentes et des sources de données complémentaires, convergent vers une conclusion troublante : l’IA générative constitue un changement technologique « biaisé en faveur de la séniorité » (seniority-biased technological change), inversant la logique historique du progrès technique qui favorisait généralement les jeunes diplômés.
Trois perspectives, une réalité convergente
Étude 1 : Le déclin de l’emploi des 22-25 ans (Stanford, août 2025)
Brynjolfsson, Chandar & Chen ont analysé les données de paie de 25+ millions de travailleurs américains via le système ADP, avec une granularité mensuelle allant jusqu’à juillet 2025.
Résultats clés
Développeurs] B -->|Élevée Q4-5| D[Déclin -15%
Service client] B -->|Faible Q1-3| E[Croissance +6-13%
Tous secteurs] F[Travailleurs 35-49 ans] --> B B -->|Élevée Q4-5| G[Croissance +9-13%
Tous secteurs] B -->|Faible Q1-3| H[Croissance +6-13%
Tous secteurs] style C fill:#ff6b6b style D fill:#ff6b6b style E fill:#51cf66 style G fill:#51cf66 style H fill:#51cf66
Les données révèlent une divergence nette :
-
Développeurs logiciels (22-25 ans) : chute de ~20% depuis fin 2022
-
Service client (22-25 ans) : déclin similaire de ~15%
-
Travailleurs seniors (35-49 ans) dans les mêmes métiers : croissance continue de +9-13%
La spécificité est frappante : dans les métiers peu exposés à l’IA, tous les groupes d’âge connaissent une croissance similaire de +6-13%. Le phénomène est concentré sur l’intersection « jeunes × exposition élevée à l’IA ».
Automation vs Augmentation : un distinguo crucial
L’étude utilise l’indice économique d’Anthropic qui classifie les conversations avec Claude selon leur usage :
| Type d’usage | Description | Effet sur l’emploi junior |
|---|---|---|
Automation |
Conversations "directives" et "boucles de feedback" (délégation complète de tâches) |
Déclin significatif |
Augmentation |
"Itération de tâches", "apprentissage", "validation" (raffinement collaboratif) |
Pas de déclin |
|
Ce n’est pas l’IA en soi qui élimine les emplois juniors, mais la façon dont elle est utilisée. Les organisations qui adoptent l’IA comme outil d’augmentation préservent les opportunités pour les débutants. |
Étude 2 : L’effondrement de la signalisation coûteuse (Princeton/Dartmouth, nov 2025)
Anaïs Galdin (Dartmouth) et Jesse Silbert (Princeton) ont analysé 1,63 million de candidatures sur la plateforme Freelancer.com pour comprendre pourquoi les juniors sont désavantagés.
La théorie du signal brisé
Historiquement, les candidatures écrites fonctionnaient comme un signal coûteux à la Spence (1973) :
-
Rédiger une proposition personnalisée demande du temps et de l’effort
-
Les candidats compétents produisent ce signal à moindre coût (grâce à leurs compétences)
-
Les employeurs utilisent la qualité de la candidature pour inférer la capacité du candidat
-
Un équilibre séparateur émerge : les bons se distinguent des mauvais
(coût : 30 min, facile) I->>E: Proposition générique
(coût : 30 min, difficile) E->>E: Inférence : bonne proposition
= candidat compétent E->>C: ✓ Embauche le compétent Note over C,I: Post-IA : Signal bon marché C->>E: Proposition IA
(coût : 2 min) I->>E: Proposition IA
(coût : 2 min) E->>E: Impossible de distinguer
→ sélection aléatoire E->>I: ⚠️ Risque d'embaucher
l'incompétent
Résultats empiriques : l’équilibre s’est effondré
| Métrique | Pré-IA (août-oct 2022) | Post-IA (déc 2022-juin 2024) | Variation |
|---|---|---|---|
Score de signal (0-18) |
5,16 (σ=2,96) |
7,50 (σ=4,63) |
+45% (apparence) |
Temps de rédaction |
1,47 minutes |
1,08 minutes |
-26% (effort) |
Valeur du signal pour l’employeur |
25,67 $ (1 SD) |
10,82 $ (1 SD) |
-58% (utilité) |
Candidatures par offre |
28,92 |
62,67 |
+116% (volume) |
|
Les propositions semblent de meilleure qualité (+45% sur le score), mais elles sont produites avec 26% moins d’effort et les employeurs leur accordent 58% moins de valeur. C’est l’essence même de la « cheap talk » : des signaux qui coûtent peu mais n’informent plus. |
Impact sur le méritocratisme : une simulation contrefactuelle
Galdin & Silbert ont construit un modèle structurel pour simuler un marché « sans signal » vs « avec signal coûteux ». Les résultats sont édifiants :
-
Quintile supérieur (compétences élevées) : -19% de taux d’embauche
-
Quintile inférieur (compétences faibles) : +14% de taux d’embauche
-
Bien-être des travailleurs : -4%
-
Bien-être total : -1%
|
Pourquoi ce phénomène ? Dans l’équilibre sans signal, la compétition devient purement basée sur le prix. Or, les données révèlent une corrélation positive entre compétence et coût (les bons candidats valorisent davantage leur temps). Résultat : les incompétents, qui acceptent des prix plus bas, sont favorisés. |
Étude 3 : Le gel des embauches juniors (Harvard, oct 2025)
Hosseini & Lichtinger (Harvard) ont analysé 156,8 millions de parcours d’emploi de 62 millions de travailleurs via les données LinkedIn de Revelio Labs.
Le choc du T1 2023 : une rupture structurelle
Les chercheurs ont identifié 10 599 entreprises « adoptantes » (ayant publié au moins une offre d’intégrateur GenAI). Ces entreprises représentent 3,7% de l’échantillon mais 17,3% de l’emploi total.
L’effet sur les juniors est majoritairement un gel des embauches (-5,0 postes/trimestre), et non des licenciements :
-
72% de l’effet provient de la réduction des recrutements
-
Les séparations diminuent même (-1,8/trimestre), suggérant une rétention des employés existants
-
Les promotions restent stables (+0,02, non significatif)
|
L’hypothèse d’ajustement prospectif : les entreprises anticipent que les tâches juniors seront automatisées et gèlent préventivement les embauches. C’est moins coûteux qu’embaucher puis licencier. Le timing (immédiatement après ChatGPT) et le mécanisme (réduction des embauches > licenciements) soutiennent cette interprétation. |
Le paradoxe en U de l’éducation
Une découverte surprenante émerge lorsqu’on segmente par niveau de diplôme :
| Niveau | Description | Déclin embauches | Salaire moyen |
|---|---|---|---|
Tier 1 |
Ivy League, MIT, Stanford, Oxford |
-15% |
85 896 $ |
Tier 2 |
Universités internationales respectées |
-17% |
74 123 $ |
Tier 3 |
Bonnes universités nationales/régionales |
-24% |
64 042 $ |
Tier 4 |
Universités moins sélectives |
-27% |
58 196 $ |
Tier 5 |
Établissements très faibles |
-20% |
52 251 $ |
|
Ce pattern en U ne s’explique pas par l’exposition à l’IA (qui décroît linéairement du Tier 1 au Tier 5). Les diplômés du « milieu de gamme » sont les plus vulnérables, probablement parce qu’ils :
|
Les mécanismes en jeu : une triple convergence
Ces trois études, bien qu’indépendantes, révèlent trois facettes d’un même phénomène :
Nov 2022] --> B[Réduction des coûts
de signalisation] A --> C[Automatisation des
tâches codifiées] A --> D[Anticipation des
besoins futurs] B --> E[Effondrement du
signal coûteux
Galdin & Silbert] C --> F[Substitution
automation/juniors
Brynjolfsson et al.] D --> G[Gel préventif des
embauches
Hosseini & Lichtinger] E --> H{Impact différentiel} F --> H G --> H H --> I[Juniors : -8% à -20%
selon métier/exposition] H --> J[Seniors : stable ou +9-13%] H --> K[Méritocratisme : -19%
embauche top quintile] style A fill:#4dabf7,stroke:#1971c2,stroke-width:3px style E fill:#ff6b6b,stroke:#c92a2a,stroke-width:2px style F fill:#ff6b6b,stroke:#c92a2a,stroke-width:2px style G fill:#ff6b6b,stroke:#c92a2a,stroke-width:2px style I fill:#fa5252,stroke:#c92a2a,stroke-width:3px style J fill:#51cf66,stroke:#2f9e44,stroke-width:2px style K fill:#fa5252,stroke:#c92a2a,stroke-width:2px
Mécanisme 1 : Le signal brisé (Galdin & Silbert)
Avant l’IA, écrire une bonne candidature était coûteux en temps mais moins coûteux pour les compétents (grâce à leurs compétences). Ce différentiel de coût permettait la séparation.
Après l’IA, ce coût tend vers zéro pour tous. Le marché devient un pooling equilibrium où les employeurs ne peuvent plus distinguer. Face à cette asymétrie d’information, ils deviennent plus averses au risque et favorisent :
-
Les candidats avec réputation établie (seniors)
-
Les candidats acceptant des prix plus bas (souvent les moins compétents)
Mécanisme 2 : Codifié vs tacite (Brynjolfsson et al.)
L’IA excelle sur les tâches codifiables – celles qu’on peut décrire explicitement :
-
Écrire du code standard
-
Répondre à des questions clients fréquentes
-
Rédiger des emails de suivi
-
Créer des présentations basiques
Ces tâches constituent le cœur des rôles juniors. À l’inverse, les compétences tacites (jugement situationnel, gestion de parties prenantes, architecture stratégique) restent l’apanage des seniors.
Forte concentration] C --> F[IA
Haute performance] C --> G[Substitution directe] D --> H[Seniors
Forte concentration] D --> I[IA
Performance limitée] D --> J[Augmentation
complémentarité] G --> K[Réduction emplois
juniors] J --> L[Maintien/croissance
emplois seniors] style C fill:#ffd43b style D fill:#51cf66 style E fill:#ff6b6b style H fill:#51cf66 style K fill:#fa5252 style L fill:#40c057
Mécanisme 3 : Ajustement prospectif (Hosseini & Lichtinger)
Les entreprises n’attendent pas que l’automatisation soit complète. Dès qu’elles perçoivent ChatGPT/GPT-4 comme un changement de régime technologique, elles ajustent préventivement leurs embauches.
Pourquoi geler plutôt que licencier ?
-
Coûts de transaction : embaucher puis licencier est coûteux (recrutement, formation, indemnités, réputation)
-
Rétention de l’expertise : les juniors en poste ont de la connaissance tacite de l’entreprise
-
Flexibilité : un gel est réversible ; un licenciement crée des précédents
Cette explication est cohérente avec :
-
Le timing (T1 2023, immédiatement post-ChatGPT)
-
Le mécanisme (72% par embauches, pas séparations)
-
La concentration (métiers haute exposition)
Qui est affecté ? Les vulnérabilités asymétriques
Par âge : la fenêtre des 22-25 ans
L’effet est concentré sur une fenêtre étroite : 22-25 ans. Pourquoi ?
-
18-21 ans : Encore en formation, peu présents sur le marché
-
22-25 ans : Premier emploi post-diplôme, maximum de vulnérabilité
-
26-30 ans : Commencent à accumuler expérience/connaissance tacite
-
31+ ans : Expertise établie, rôles plus complexes
Par secteur : une diffusion large mais hétérogène
| Secteur | Déclin juniors | Caractéristiques |
|---|---|---|
Commerce de gros/détail |
-45% |
Service client, logistique, tâches répétitives |
Information |
-28% |
Développement, création de contenu |
Finance & assurance |
-27% |
Analyse junior, support opérationnel |
Manufacturing |
-25% |
Gestion de production, qualité |
Services professionnels |
-25% |
Conseil junior, analyse, recherche |
Santé |
-17% |
Administration, support (pas soins directs) |
|
Même la santé, secteur a priori « protégé » de l’automatisation, voit un impact via ses fonctions administratives et de support. L’IA n’automatise pas les soins infirmiers, mais elle peut remplacer les assistants qui gèrent la documentation, la planification, ou le support patient. |
Par métier : exposition ≠ automatisation
-
Quadrant haut-droit (rouge) : Forte exposition + tâches codifiables → Automatisation juniors
-
Développeurs (code standard, bugs simples)
-
Service client (questions fréquentes)
-
Comptables juniors (saisie, réconciliation)
-
-
Quadrant haut-gauche (vert) : Faible exposition + tâches tacites → Peu affecté
-
Aides-soignants (contact physique, empathie)
-
Artisans (compétences manuelles)
-
-
Quadrant bas-droit (orange) : Forte exposition + tâches tacites → Augmentation seniors
-
Juristes seniors (stratégie, négociation)
-
Managers marketing (vision stratégique)
-
Ce que cela signifie pour l’avenir
Le risque d’une « génération perdue »
Si les rôles juniors disparaissent durablement, nous faisons face à un problème de pipeline :
Opportunités raréfiées] B -->|Adaptés IA| D[? Nouveaux rôles
Encore flous] C --> E[Manque d'expérience] D --> F[Apprentissage IA
mais pas métier] E --> G[2030 : Pénurie de
seniors compétents] F --> G G --> H[Coût pour les organisations
+ inégalités accrues] style A fill:#4dabf7 style C fill:#ff6b6b,stroke:#c92a2a,stroke-width:2px style D fill:#ffd43b style G fill:#fa5252,stroke:#c92a2a,stroke-width:3px style H fill:#fa5252
Les organisations ont historiquement développé leur expertise via un modèle apprentissage-expérience-maîtrise :
-
Junior (1-3 ans) : Apprend les bases, fait des tâches structurées
-
Intermédiaire (4-7 ans) : Gagne en autonomie, gère des projets
-
Senior (8+ ans) : Expertise tacite, jugement, mentorat
Si la première étape disparaît, d’où viendront les seniors de 2030 ?
Trois scénarios possibles
Scénario 1 : Ajustement transitoire (optimiste)
Hypothèse |
Les entreprises sur-réagissent initialement, puis corrigent. |
Mécanisme |
• Elles réalisent que l’IA ne remplace pas tout |
Timeframe |
2026-2028 : stabilisation, nouveaux équilibres |
Probabilité |
Modérée – dépend de la vitesse d’innovation en architecture de rôles |
Scénario 2 : Reconfiguration structurelle (réaliste)
Hypothèse |
Les rôles juniors se transforment radicalement. |
Mécanisme |
• Les tâches codifiées sont effectivement automatisées |
Timeframe |
2025-2030 : période de transition chaotique |
Probabilité |
Élevée – cohérent avec l’histoire des GPT (General Purpose Technologies) |
Scénario 3 : Dualisme aggravé (pessimiste)
Hypothèse |
Le marché se polarise entre élites et précarité. |
Mécanisme |
• Seuls les diplômés de top établissements (Tier 1-2) accèdent aux bons postes |
Timeframe |
2025-2035 : divergence cumulative |
Probabilité |
Modérée à élevée si aucune intervention (formation, politiques) |
Implications et pistes d’action
Pour les organisations
1. Repenser l’architecture des rôles
|
Passez d’une logique "tâches" à une logique "capacités". Au lieu de découper les rôles en tâches individuelles (codifiables → automatisables), structurez-les autour de capacités composites où l’IA est un outil, pas un substitut. |
| Ancien modèle | Risque | Nouveau modèle |
|---|---|---|
Extraire données |
→ Toutes ces tâches peuvent être automatisées par GPT-4 + outils code |
Capacité : "Intelligence de données" |
2. Investir dans des parcours « IA-augmentés »
Créez des programmes d’onboarding qui forment explicitement à :
-
Collaboration humain-IA : Quand déléguer, quand vérifier
-
Développement du jugement : Via coaching intensif, pas tâches répétitives
-
Compétences non codifiables : Négociation, empathie, créativité
# Exemple de framework d'évaluation : "AI Collaboration Maturity"
class JuniorPerformance:
def __init__(self):
self.dimensions = {
'ai_orchestration': 0, # Capacité à bien utiliser l'IA
'critical_validation': 0, # Repérer les erreurs IA
'tacit_knowledge': 0, # Comprendre le contexte métier
'creative_problem_solving': 0 # Résoudre des problèmes nouveaux
}
def ai_amplification_factor(self):
"""
Score composite : un junior 'excellent' avec IA
vaut-il plus qu'un senior sans IA ?
"""
return (
self.dimensions['ai_orchestration'] * 0.3 +
self.dimensions['critical_validation'] * 0.3 +
self.dimensions['tacit_knowledge'] * 0.2 +
self.dimensions['creative_problem_solving'] * 0.2
)3. Mesurer les effets réels de l’IA sur vos équipes
|
Ne vous fiez pas aux intuitions. Instrumentez votre usage de l’IA et ses impacts sur les flux RH. |
| Indicateur | Formule | Alerte si |
|---|---|---|
Taux d’embauche juniors |
|
Baisse > 15% sur 2 trimestres |
Ratio temps-jusqu’à-productivité |
|
Junior/Senior > 3x (historiquement ~2x) |
Taux d’adoption IA par niveau |
|
Junior < Senior (devrait être inverse) |
Index de diversité des tâches |
Entropie de Shannon des catégories de tâches effectuées |
Baisse > 20% (signe de « tâchification ») |
Pour les individus (juniors et futurs juniors)
1. Misez sur les compétences non codifiables
Les études montrent que ce qui résiste à l’IA, ce sont les compétences tacites et relationnelles :
-
Jugement contextuel : Savoir ce qui compte dans une situation donnée
-
Compétences politiques : Naviguer les dynamiques organisationnelles
-
Empathie et influence : Convaincre, négocier, gérer des émotions
-
Créativité non algorithmique : Poser de nouvelles questions, pas résoudre des problèmes connus
|
Stratégie concrète : Dans vos premiers rôles, priorisez les opportunités qui vous exposent à :
|
2. Devenez excellent en orchestration d’IA
Ce n’est pas « savoir utiliser ChatGPT » (tout le monde peut). C’est :
-
Prompt engineering avancé : Chaînage, few-shot, constitution de contexte
-
Validation critique : Repérer les hallucinations, vérifier les sources
-
Composition de workflows : Combiner plusieurs outils IA + jugement humain
-
Compréhension des limites : Savoir quand l’IA échoue
# Exemple de workflow IA-augmenté pour analyse de marché
# Étape 1 : Génération de structure (IA)
$ claude "Crée un plan d'analyse de marché pour [secteur X]"
# Étape 2 : Recherche de données (Humain)
# → Identifier les sources primaires, vérifier actualité
# Étape 3 : Synthèse assistée (IA)
$ claude "Synthétise ces 5 rapports sectoriels : [pasted]"
# Étape 4 : Validation croisée (Humain)
# → Vérifier cohérence, chercher biais, confronter expertise
# Étape 5 : Insights originaux (Humain + IA itératif)
$ claude "Sur la base de cette synthèse, quelles tendances
émergentes ne sont pas encore dans le consensus ?"
# → Challenger les suggestions IA, ajouter intuition métier3. Construisez votre réputation et signaux alternatifs
Si les candidatures écrites ne signalent plus la compétence, créez d’autres signaux :
-
Portfolio public : GitHub, blog technique, projets open source
-
Réseau : Recommandations de personnes respectées > CV anonyme
-
Micro-expertise : Être connu pour quelque chose de spécifique
-
Contributions communautaires : Conférences, articles, mentorat
résiliente] style A fill:#ff6b6b,stroke:#c92a2a,stroke-width:2px style B fill:#fa5252 style H fill:#51cf66,stroke:#2f9e44,stroke-width:2px style I fill:#40c057,stroke:#2b8a3e,stroke-width:3px
Pour les décideurs publics et éducatifs
1. Repenser la formation initiale
Le modèle « formation théorique → stage → emploi junior » est remis en cause. Il faut :
-
Plus d’apprentissage par problèmes réels dès la formation
-
Moins de tâches répétitives dans les stages (désormais automatisables)
-
Développement explicite des soft skills (négociation, leadership, créativité)
|
Exemple inspirant : Le modèle 42 (école de code sans cours magistraux) où les étudiants apprennent par projets. Ce format développe naturellement les compétences d’orchestration et de résolution de problèmes, pas juste la technique. |
2. Politiques d’accompagnement de transition
Face à un choc technologique de cette ampleur, des mesures sont à envisager :
-
Crédit d’impôt « premier emploi IA-augmenté » : Inciter les entreprises à maintenir des rôles juniors en transformation
-
Certification des compétences IA : Standards reconnus pour « AI collaboration professional »
-
Observatoire des métiers émergents : Tracking en temps réel des nouveaux rôles (comme « AI prompt engineer », « AI validation specialist »)
3. Régulation de la signalisation sur les plateformes
Pour les plateformes de freelancing (Upwork, Fiverr, Malt, etc.) :
-
Transparence sur l’usage IA : Obligation de déclarer si une proposition est générée par IA
-
Systèmes de réputation robustes : Qui survivent à l’ère de la cheap talk
-
Mécanismes anti-gaming : Empêcher le spam de candidatures IA
|
Sans intervention, le risque est que ces plateformes deviennent des marchés de citrons (Akerlof 1970) où les bons candidats ne peuvent plus se signaler et se retirent, dégradant la qualité moyenne. |
Conclusion : Naviguer l’incertitude
Ces trois études, publiées entre août et novembre 2025, dessinent les contours d’une transformation majeure du marché du travail. Leurs résultats convergent :
| Étude | Résultat quantitatif | Mécanisme identifié |
|---|---|---|
Brynjolfsson et al. (Stanford) |
20% déclin développeurs 22-25 ans |
Automation des tâches codifiées → substitution |
Galdin & Silbert (Princeton/Dartmouth) |
-19% embauche top quintile, +14% bottom quintile |
Effondrement signal coûteux → perte de méritocratisme |
Hosseini & Lichtinger (Harvard) |
-7,7% emploi juniors (72% via gel embauches) |
Ajustement prospectif → anticipation automation |
Ce que nous savons avec confiance
-
✓ L’emploi junior dans les métiers exposés à l’IA décline depuis T1 2023
-
✓ L’effet est concentré sur les 22-25 ans
-
✓ Les seniors dans les mêmes métiers sont stables ou en croissance
-
✓ Le mécanisme principal est la réduction des embauches, pas les licenciements
-
✓ Les signaux de qualité (candidatures) sont dévalués par l’IA
-
✓ L’effet est plus fort pour les tâches codifiées que tacites
-
✓ L’automatisation affecte différemment des augmentation
Ce qui reste incertain
-
? Est-ce un ajustement transitoire ou un changement structurel permanent ?
-
? De nouveaux rôles juniors « IA-natives » émergeront-ils suffisamment vite ?
-
? Les organisations reconnaîtront-elles le risque de « génération perdue » ?
-
? Les systèmes de formation s’adapteront-ils à temps ?
-
? Quelle sera l’ampleur de la polarisation (élites vs précarité) ?
L’impératif d’action collective
Face à un changement technologique de cette vitesse, l’inaction garantit le pire scénario. Les trois études pointent vers un besoin d’intervention coordonnée :
-
Les organisations doivent repenser leurs modèles de développement des talents
-
Les individus doivent anticiper et développer les compétences résilientes
-
Les systèmes éducatifs doivent se transformer (pas juste ajouter des cours d’IA)
-
Les pouvoirs publics doivent réguler et accompagner la transition
Une technologie qui rend la communication moins coûteuse ne rend pas nécessairement les marchés plus efficaces. Quand la communication sert de signal coûteux plutôt que de simple transmission d’information, réduire les coûts peut briser le mécanisme de signalisation et nuire au bien-être.
Cette leçon dépasse le marché du travail. Elle nous rappelle que l’efficience technologique et l’efficience économique ne sont pas synonymes. L’IA peut rendre chaque travailleur plus productif individuellement tout en réduisant l’efficacité allocative du marché.
La question n’est donc pas « l’IA va-t-elle remplacer les juniors ? » (la réponse est partiellement oui), mais « Comment réorganisons-nous nos institutions pour que cette transition soit socialement soutenable ? »
C’est à cette question que nous, praticiens de l’IA et conseillers en transformation, devons maintenant nous atteler.
Cet article synthétise trois études académiques majeures publiées entre août et novembre 2025. Toutes les données quantitatives sont sourcées et vérifiables.
Références
-
[brynjolfsson2025] Brynjolfsson, E., Chandar, B., & Chen, R. (2025). "Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence." Stanford Digital Economy Lab, 26 août 2025.
-
[galdin2025] Galdin, A., & Silbert, J. (2025). "Making Talk Cheap: Generative AI and Labor Market Signaling." Job Market Paper, 14 novembre 2025, 128 pages.
-
[hosseini2025] Hosseini, S.M., & Lichtinger, G. (2025). "Generative AI as Seniority-Biased Technological Change: Evidence from U.S. Résumé and Job Posting Data." SSRN 5425555, 6 octobre 2025.
-
[spence1973] Spence, M. (1973). "Job Market Signaling." Quarterly Journal of Economics, 87(3), 355-374.
-
[akerlof1970] Akerlof, G.A. (1970). "The Market for 'Lemons': Quality Uncertainty and the Market Mechanism." Quarterly Journal of Economics, 84(3), 488-500.
-
[eloundou2024] Eloundou, T., et al. (2024). "GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models." Science, 381(6654).
À propos de l’auteur
Stéphane Mariel co-dirige Nakeo, cabinet spécialisé dans le déploiement de l’IA en entreprise. Expert en transformation technologique et ancien CTO, il conseille les organisations sur l’adoption responsable et efficace de l’IA générative.
Contact : nakeo.com | LinkedIn : Stéphane Mariel