{
"$schema": "https://github.com/otakuch/observatoires-ia/blob/main/schemas/indicateurs-ia-fr.schema.json",
"version": "0.3.0",
"compiled_at": "2026-09-17",
"country": "FR",
"scope": "Indicateurs prospectifs IA & emploi · France",
"license": "CC BY 4.0",
"source_aggregator": "Naully Nicolas · observatoire[s]·ia",
"documentation_url": "https://observatoire-ia.naullynicolas.ch/methodologie.html",
"count": 24,
"indicators": [
{
"title": "% emplois français automatisables d'ici 2030",
"unit": "%",
"n_sources": 14,
"value_min": 3.8,
"value_max": 38,
"value_median": 15,
"description_fr": "Deux horizons coexistent aujourd'hui en France. Environ 3,8% des emplois sont déjà fragilisés par l'IA dans sa forme actuelle. Ce chiffre monte à 16,3% d'ici 2 à 5 ans dès que l'IA agentique se généralise, soit 5 millions de postes. Stanford HAI AI Index 2026 : un tiers des organisations mondiales anticipent des réductions d'effectifs dans les 12 mois un signal d'anticipation fort, très au-dessus des destructions déjà observées. La rupture majeure est structurelle : l'IA cible en priorité les tâches cognitives des hauts diplômés, à l'inverse de toutes les vagues précédentes. La DG Trésor (Trésor-Éco n°391, juin 2026) retient une fourchette large d'emplois exposés (5% à 60% selon les méthodes), en distinguant les emplois menacés, dont une part significative des tâches est substituable, des emplois valorisés, où l'IA libère du temps pour des tâches à plus forte valeur ajoutée.",
"sources": [
{
"tier": 1,
"value": 20,
"year": 2026,
"citation": "Stanford HAI AI Index 2026 · 1/3 organisations anticipent réductions effectifs dans 12 mois · plus prononcé service client, supply chain, ingénierie logicielle",
"ai_type": "generative"
},
{
"tier": 1,
"value": 3.8,
"year": 2026,
"citation": "Coface/OEM 'Emplois, compétences, valeur' · Avr. 2026 · 3,8% emplois FR actuellement fragilisés par IA générative (phase Copilot)",
"ai_type": "generative"
},
{
"tier": 1,
"value": 16.3,
"year": 2026,
"citation": "Coface/OEM · Avr. 2026 · 16,3% emplois FR menacés à 2-5 ans avec IA agentique (Special Agent) = 5 millions sur 30M · seuil : >30% tâches automatisables",
"ai_type": "agentic"
},
{
"tier": 1,
"value": 11,
"year": 2026,
"citation": "Massenkoff & McCrory · observed vs theoretical gap large (Anthropic 2026)",
"ai_type": "generative"
},
{
"tier": 1,
"value": 15,
"year": 2026,
"citation": "Karger, Kuusela, Tetlock et al. mars 2026 · FRB Chicago · scénario rapide : LFPR US 62%→55% d'ici 2050 · ~10M emplois US attribuables à l'IA (adapté France : ~2,5-3M ETP)",
"ai_type": "unspecified"
},
{
"tier": 2,
"value": 10,
"year": 2022,
"citation": "France Stratégie",
"ai_type": "automation_broad"
},
{
"tier": 2,
"value": 15,
"year": 2024,
"citation": "Commission IA France",
"ai_type": "unspecified"
},
{
"tier": 1,
"value": 12,
"year": 2023,
"citation": "Autor & Salomons",
"ai_type": "automation_broad"
},
{
"tier": 2,
"value": 25,
"year": 2025,
"citation": "McKinsey MGI · 57% US heures auto · corrigé France -30% (rigidités)",
"ai_type": "automation_broad"
},
{
"tier": 1,
"value": 9,
"year": 2023,
"citation": "OCDE",
"ai_type": "automation_broad"
},
{
"tier": 2,
"value": 20,
"year": 2025,
"citation": "PwC AI Jobs Barometer 2025 · France · +273% métiers exposés",
"ai_type": "unspecified"
},
{
"tier": 2,
"value": 33,
"year": 2025,
"citation": "LinkedIn AI Report France 2025 · 33% professions profondément transformées (Economic Graph 30M membres)",
"ai_type": "unspecified"
},
{
"tier": 2,
"value": 38,
"year": 2026,
"citation": "BCG Henderson Institute avr. 2026 · 43% emplois US > 40% tâches auto. · adapté France ~35-38% (rigidités CDI, secteur industriel, IA Act)",
"ai_type": "automation_broad"
},
{
"name": "DG Trésor · Trésor-Éco n°391",
"url": "https://www.tresor.economie.gouv.fr/Articles/2026/06/30/l-intelligence-artificielle-quels-effets-sur-l-emploi",
"tier": 1,
"year": 2026,
"ai_type": "generative_and_agentic",
"citation": "DG Trésor · Trésor-Éco n°391 (juin 2026) · la part des emplois exposés à l'IA est estimée entre 5% et 60% selon les méthodes ; distinction emplois menacés (tâches substituables) vs emplois valorisés (tâches augmentées) · OpenAI estime 18% des emplois US à risque élevé d'automatisation · https://www.tresor.economie.gouv.fr/Articles/2026/06/30/l-intelligence-artificielle-quels-effets-sur-l-emploi"
}
]
},
{
"title": "Adoption IA générative en entreprise française",
"unit": "%",
"n_sources": 11,
"value_min": 24,
"value_max": 88,
"value_median": 38,
"description_fr": "L'IA s'est installée dans les entreprises françaises, mais à deux vitesses. La quasi-totalité des grandes organisations mondiales (88%) déclarent l'utiliser dans au moins une fonction. La GenAI a atteint 53% d'adoption populaire en seulement 3 ans plus vite que l'ordinateur personnel ou internet. Pourtant, seuls 7% des salariés français l'activent quotidiennement dans leur travail. Ce retard d'adoption n'est pas culturel : c'est un écart structurel qui se traduit par un différentiel de productivité croissant par rapport aux États-Unis (24ème rang mondial à 28,3%). La note DG Trésor n°391 (juin 2026) situe la France en position intermédiaire en Europe : 18% d'adoption de l'IA par les entreprises (OCDE 2025), proche de la moyenne européenne (20%) mais en deçà des pays nordiques, avec un rattrapage en cours (+8 pp entre 2024 et 2025 contre +6 pp pour l'UE). Mesure officielle et représentative : selon l'INSEE (Insee Première n°2120, enquête TIC 2025), 18% des entreprises françaises de 10 salariés et plus utilisent au moins une technologie d'IA en 2025, un triplement depuis 2023 (10% en 2024). L'adoption croît fortement avec la taille (58% pour les 250+ salariés) et varie selon les secteurs (59% dans l'information-communication, 10% dans la construction). À périmètre large (pas seulement l'IA générative) et sur l'adoption, non sur les effets emploi. La Banque de France (Bulletin 266/1, septembre 2026) mesure une diffusion bien plus large sur un périmètre différent : début 2026, plus des deux tiers des entreprises de 20 salariés et plus déclarent utiliser l'IA générative, de 64% chez les 20-49 salariés à 83% chez les 1 000 et plus. L'écart avec le 18% de l'INSEE ne traduit pas une contradiction mais deux mesures distinctes : seuil de taille, millésime et définition de l'usage diffèrent. Ces deux chiffres ne doivent pas être comparés directement.",
"sources": [
{
"tier": 1,
"value": 88,
"year": 2025,
"citation": "Stanford HAI AI Index 2026 · 88% adoption organisationnelle (vs 55% en 2022) · GenAI 53% adoption populaire en 3 ans · plus rapide que PC ou internet · US 24ème rang mondial à 28.3%",
"ai_type": "generative"
},
{
"tier": 1,
"value": 88,
"year": 2025,
"citation": "Coface/OEM citant McKinsey State of AI 2025 · 88% d'entreprises utilisent l'IA dans au moins 1 fonction (vs 55% en 2022)",
"ai_type": "automation_broad"
},
{
"tier": 1,
"value": 43,
"year": 2026,
"citation": "Bick, Blandin, Deming et al. · St. Louis Fed / BPEA mars 2026 · 43% travailleurs US vs 32% EU · France/Allemagne/Italie ~1/3 intensité US",
"ai_type": "unspecified"
},
{
"tier": 3,
"value": 32,
"year": 2025,
"citation": "Sortlist · PME/ETI françaises",
"ai_type": "unspecified"
},
{
"tier": 2,
"value": 38,
"year": 2025,
"citation": "Eurostat · digital intensity",
"ai_type": "unspecified"
},
{
"tier": 3,
"value": 28,
"year": 2024,
"citation": "CCI France · sondage PME",
"ai_type": "unspecified"
},
{
"tier": 2,
"value": 35,
"year": 2025,
"citation": "PwC AI Jobs Barometer 2025 · offres IA +273% en France 2019-2024",
"ai_type": "unspecified"
},
{
"tier": 2,
"value": 24,
"year": 2025,
"citation": "LinkedIn AI Report France 2025 · Access Partnership · 24% PME vs 36% grandes entreprises",
"ai_type": "unspecified"
},
{
"name": "DG Trésor · Trésor-Éco n°391",
"url": "https://www.tresor.economie.gouv.fr/Articles/2026/06/30/l-intelligence-artificielle-quels-effets-sur-l-emploi",
"tier": 1,
"year": 2026,
"ai_type": "generative_and_agentic",
"citation": "DG Trésor · Trésor-Éco n°391 (juin 2026) · taux d'adoption de l'IA par les entreprises françaises 18% (OCDE 2025), proche de la moyenne européenne (20%), avec un rattrapage en cours : +8 points de pourcentage entre 2024 et 2025 contre +6 pp pour la moyenne européenne · https://www.tresor.economie.gouv.fr/Articles/2026/06/30/l-intelligence-artificielle-quels-effets-sur-l-emploi",
"value": 18
},
{
"name": "INSEE · Insee Première n°2120",
"url": "https://www.insee.fr/fr/statistiques/9025878",
"tier": 1,
"year": 2026,
"value": 18,
"ai_type": "generative_and_agentic",
"citation": "INSEE · Insee Première n°2120 (21 juillet 2026, enquête TIC 2025) · 18% des entreprises de 10+ salariés utilisent au moins une technologie d'IA en 2025 (vs 10% en 2024, ×3 depuis 2023) · 10-49 sal. 15%, 50-249 sal. 31%, 250+ sal. 58% · info-communication 59%, construction 10%, transport 9% · mesure officielle d'adoption, périmètre large (pas seulement GenAI), non des effets emploi · https://www.insee.fr/fr/statistiques/9025878"
},
{
"name": "Banque de France · Bulletin 266/1",
"url": "https://www.banque-france.fr/fr/publications-et-statistiques/publications/lia-sinstalle-dans-les-entreprises-francaises-une-diffusion-rapide-mais-des-gains-de-productivite",
"tier": 1,
"year": 2026,
"ai_type": "generative_and_agentic",
"citation": "Banque de France · Bulletin 266/1 (sept.-oct. 2026) · début 2026, plus des deux tiers des entreprises de 20 salariés et plus déclarent utiliser l'IA générative · 64% chez les 20-49 salariés, 83% chez les 1 000 et plus · IA non générative 31% à 60% · information-communication 91%, activités spécialisées 84% · ATTENTION AU PÉRIMÈTRE : non comparable au 18% de l'INSEE, qui porte sur les entreprises de 10 salariés et plus en 2025 et sur l'usage d'au moins une technologie d'IA · https://www.banque-france.fr/fr/publications-et-statistiques/publications/lia-sinstalle-dans-les-entreprises-francaises-une-diffusion-rapide-mais-des-gains-de-productivite"
}
]
},
{
"title": "Gain de productivité annuel attendu d'ici 2030",
"unit": "%",
"n_sources": 18,
"value_min": 0.5,
"value_max": 4,
"value_median": 2.5,
"description_fr": "Les données macroéconomiques commencent à montrer les premiers signes de matérialisation. Aux États-Unis, la productivité a crû de 2,7% en 2025 presque le double de la moyenne décennale de 1,4% ce que Brynjolfsson appelle le début de la 'J-curve'. Parmi 12 000 firmes européennes, l'adoption de l'IA a généré +4% de productivité du travail, avec un multiplicateur formation remarquable : chaque 1% du budget investi en formation IA génère +5,9 points de productivité supplémentaires. Ces gains ne seront pas distribués uniformément les secteurs à demande expansible verront de nouveaux volumes, les secteurs à demande bornée des réductions d'effectifs. Côté perception terrain française, l'Observatoire Impact AI / Viavoice 2026 (1 000 salariés privés) nuance l'emballement : selon le DRH du groupe Bouygues, l'IA fait surtout gagner 5, 10 ou 15% sur certaines tâches sans remplacement massif des emplois. Les effets observés restent incrémentaux, l'enjeu se déplaçant vers l'organisation du travail et la valeur captée par le capital plutôt que vers une destruction d'emplois immédiate. Le PwC 2026 Global AI Jobs Barometer confirme le lien à l'échelle mondiale : la productivité croît 40% plus vite dans les entreprises les plus exposées à l'IA que dans les moins exposées, avec un effet superstar marqué (top 20% à +163%). Ces entreprises font croître leurs effectifs (+52% contre +36%) et leurs salaires (+24% contre +17%) plus vite que les autres, ce qui plaide pour une logique d'amplification du travail plutôt que de substitution. France et Suisse figurent dans le jeu de données (79,4 M et 8,7 M annonces), sans ventilation par pays. La DG Trésor (Trésor-Éco n°391, juin 2026) rappelle que les gains mesurés restent ciblés : +14% de productivité pour les agents de service client, +26% pour les développeurs, sur des usages précis et possiblement sous-estimés faute de modèles récents. La Banque de France (Bulletin 266/1, septembre 2026) documente le décalage entre diffusion et rendement : 31% seulement des entreprises utilisatrices d'IA générative constatent des gains de productivité, 41% pour l'IA non générative, et 22% si l'on rapporte la mesure à l'ensemble des entreprises interrogées. Les auteurs concluent que les gains dépendent moins de l'adoption que du degré d'intégration aux processus métier · une quantification directe de la friction organisationnelle. Google ATLAS v1.0 (septembre 2026) quantifie la même friction à l'échelle mondiale : l'IA n'est utilisée que pour 21% des tâches de la profession médiane qui en fait usage, et 3% seulement des professions dépassent 75% de leurs tâches. Le rapport s'ouvre explicitement sur un nouveau paradoxe de Solow. Source de première partie Google, données mondiales à dominante américaine.",
"sources": [
{
"tier": 1,
"value": 2.7,
"year": 2025,
"citation": "Stanford HAI AI Index 2026 · Brynjolfsson 2026 · US productivity growth 2.7% en 2025 · presque double de la décennie précédente (1.4%) · J-curve hypothesis · début de matérialisation des gains",
"ai_type": "generative"
},
{
"tier": 1,
"value": 4,
"year": 2026,
"citation": "Stanford HAI AI Index 2026 · Aldasoro et al. 2026 · 12 000 firmes européennes (2019-2024) · +4% productivité du travail · +5.9pp par 1% investi en formation IA",
"ai_type": "generative"
},
{
"tier": 1,
"value": 0.5,
"year": 2022,
"citation": "Gordon (Northwestern)",
"ai_type": "unspecified"
},
{
"tier": 2,
"value": 1.5,
"year": 2025,
"citation": "McKinsey MGI · Agents Robots and Us · nov. 2025 · Skill Change Index",
"ai_type": "agentic"
},
{
"tier": 1,
"value": 2.8,
"year": 2024,
"citation": "Brynjolfsson & Rock",
"ai_type": "generative"
},
{
"tier": 2,
"value": 1.2,
"year": 2024,
"citation": "Banque de France",
"ai_type": "unspecified"
},
{
"tier": 4,
"value": 4,
"year": 2025,
"citation": "Goldman Sachs optimiste",
"ai_type": "unspecified"
},
{
"tier": 2,
"value": 2.1,
"year": 2025,
"citation": "PwC · secteurs exposés IA · CA/employé ×3 plus rapide",
"ai_type": "unspecified"
},
{
"tier": 2,
"value": 1.8,
"year": 2025,
"citation": "LinkedIn AI Report France 2025 · Access Partnership · 523Mds$ capacité productive libérable = 16.5% PIB FR",
"ai_type": "unspecified"
},
{
"tier": 1,
"value": 2.5,
"year": 2026,
"citation": "Coface/OEM Avr. 2026 · gains productivité concentrés chez entreprises déployant l'IA · risque redistribution capital vs travail",
"ai_type": "automation_broad"
},
{
"tier": 1,
"value": 2.5,
"year": 2026,
"citation": "Karger, Kuusela, Tetlock et al. mars 2026 · FRB Chicago · median forecast GDP +2.5%/an · scénario rapide : +4%/an · au-dessus des projections gouvernementales 2.0% (MT) et 1.7% (LT)",
"ai_type": "unspecified"
},
{
"tier": 1,
"value": 3.2,
"year": 2026,
"citation": "Bick, Blandin, Deming et al. · St. Louis Fed / BPEA mars 2026 · +3.2 pp productivité cumulative US vs Europe depuis 2022 · France/Allemagne/Italie = 1/3 du taux US",
"ai_type": "unspecified"
},
{
"tier": 2,
"value": 2.0,
"year": 2026,
"citation": "BCG Henderson Institute avr. 2026 · 50-55% emplois US reshapés à 2-3 ans · gains productivité concentrés sur rôles Amplified (5%) et Rebalanced (14%) · lag multiyear entre potentiel et impact réalisé",
"ai_type": "automation_broad"
},
{
"name": "Impact AI · Observatoire de l'IA responsable en entreprise 2026 (Viavoice / KPMG France / Bouygues)",
"url": "https://impact-ai.ovh/observatoire-2026/",
"tier": 2,
"year": 2026,
"ai_type": "generative",
"citation": "Impact AI / Viavoice 2026 · 1 000 salariés privés France métropolitaine (17-26 février 2026) · perception terrain (DRH Bouygues) : l'IA fait gagner 5, 10 ou 15% sur certaines tâches, elle optimise le temps sans remplacement massif des emplois · effets actuels incrémentaux, déplacement de la valeur du travail vers le capital"
},
{
"name": "PwC · 2026 Global AI Jobs Barometer",
"url": "https://www.pwc.com/gx/en/services/ai/ai-jobs-barometer.html",
"tier": 2,
"year": 2026,
"ai_type": "generative_and_agentic",
"citation": "PwC 2026 Global AI Jobs Barometer · mondial · la productivité croît 40% plus vite dans les entreprises les plus exposées à l'IA que dans les moins exposées (effet superstar : top 20% à +163%) · effectifs +52% vs +36%, salaires +24% vs +17% · logique d'amplification, pas de remplacement · https://www.pwc.com/gx/en/services/ai/ai-jobs-barometer.html"
},
{
"name": "DG Trésor · Trésor-Éco n°391",
"url": "https://www.tresor.economie.gouv.fr/Articles/2026/06/30/l-intelligence-artificielle-quels-effets-sur-l-emploi",
"tier": 1,
"year": 2026,
"ai_type": "generative_and_agentic",
"citation": "DG Trésor · Trésor-Éco n°391 (juin 2026) · gains de productivité observés sur usages ciblés : +14% pour les agents de service client, +26% pour les développeurs informatiques · résultats possiblement sous-estimés (modèles dépassés) · https://www.tresor.economie.gouv.fr/Articles/2026/06/30/l-intelligence-artificielle-quels-effets-sur-l-emploi"
},
{
"name": "Banque de France · Bulletin 266/1",
"url": "https://www.banque-france.fr/fr/publications-et-statistiques/publications/lia-sinstalle-dans-les-entreprises-francaises-une-diffusion-rapide-mais-des-gains-de-productivite",
"tier": 1,
"year": 2026,
"ai_type": "generative_and_agentic",
"citation": "Banque de France · Bulletin 266/1 (sept.-oct. 2026) · une minorité seulement des entreprises utilisatrices constate des gains de productivité : 31% pour l'IA générative, 41% pour l'IA non générative · rapporté à l'ensemble des entreprises interrogées, la proportion tombe à 22% · les gains dépendent moins de l'adoption que du degré d'intégration aux processus métier · 6% des utilisatrices d'IA générative imputent à la technologie une baisse de leurs effectifs · https://www.banque-france.fr/fr/publications-et-statistiques/publications/lia-sinstalle-dans-les-entreprises-francaises-une-diffusion-rapide-mais-des-gains-de-productivite"
},
{
"name": "Google · AI & Economy ATLAS v1.0",
"url": "https://blog.google/innovation-and-ai/technology/ai/ai-economy-atlas-september-2026/",
"tier": 2,
"year": 2026,
"ai_type": "generative_and_agentic",
"citation": "Google ATLAS v1.0 (sept. 2026, T2, source de première partie) · profondeur d'usage faible : l'IA ne couvre que 21% des tâches de la profession médiane qui en fait usage, et 3% des professions dépassent 75% de leurs tâches · nouveau paradoxe de Solow · converge avec la Banque de France, qui mesure 31% d'utilisatrices constatant un gain · données mondiales à dominante US, sans ventilation France · https://blog.google/innovation-and-ai/technology/ai/ai-economy-atlas-september-2026/"
}
]
},
{
"title": "% emplois difficultés recrutement liées à l'IA",
"unit": "%",
"n_sources": 6,
"value_min": 52,
"value_max": 72,
"value_median": 65,
"description_fr": "L'IA crée une tension paradoxale : elle automatise des tâches tout en générant une demande de compétences que le marché ne produit pas encore. Les compétences liées à l'IA évoluent 34% plus vite que les autres. Résultat concret : 79% des salariés français n'ont reçu aucune formation structurée à l'IA de leur employeur. L'enjeu n'est plus uniquement la suppression d'emplois, mais la vitesse d'adaptation. Les entreprises qui forment tôt leurs équipes créent un avantage compétitif durable ; celles qui attendent subiront la pression en même temps que la transformation.",
"sources": [
{
"tier": 1,
"value": 72,
"year": 2026,
"citation": "Coface/OEM Avr. 2026 · diplômes corrèlent positivement avec exposition IA · valeur des diplômes remise en question",
"ai_type": "automation_broad"
},
{
"tier": 2,
"value": 58,
"year": 2024,
"citation": "DARES BMO 2024",
"ai_type": "unspecified"
},
{
"tier": 2,
"value": 52,
"year": 2023,
"citation": "France Travail · tensions sectorielles",
"ai_type": "unspecified"
},
{
"tier": 3,
"value": 65,
"year": 2025,
"citation": "Capital · pénurie compétences IA",
"ai_type": "unspecified"
},
{
"tier": 2,
"value": 68,
"year": 2025,
"citation": "PwC AI Jobs Barometer 2025 · compétences IA évoluent 34% + vite en France",
"ai_type": "unspecified"
},
{
"tier": 2,
"value": 62,
"year": 2025,
"citation": "LinkedIn AI Report France 2025 · 79% employés sans formation structurée IA",
"ai_type": "unspecified"
}
]
},
{
"title": "Score moyen exposition IA · métiers français",
"unit": "/10",
"n_sources": 6,
"value_min": 4.8,
"value_max": 7.5,
"value_median": 5.7,
"description_fr": "L'exposition à l'IA varie massivement selon les secteurs. Le numérique et l'informatique sont les plus touchés (31% des tâches automatisables), suivis de l'ingénierie (26,9%), du créatif et de l'administratif (23,8%), du juridique (21,6%) et de la finance (25%). À l'opposé, la restauration (7,5%), le bâtiment (14,7%) et la santé (14,9%) restent relativement protégés. La rupture centrale : l'exposition corrèle positivement avec le niveau de diplôme et de salaire inversion totale de toutes les vagues d'automatisation précédentes. Paris concentre les emplois cognitifs exposés et est la région la plus vulnérable.",
"sources": [
{
"tier": 1,
"value": 5.1,
"year": 2024,
"citation": "Eloundou et al. adapté ROME",
"ai_type": "generative"
},
{
"tier": 2,
"value": 5.3,
"year": 2024,
"citation": "France Stratégie · analyse ROME",
"ai_type": "automation_broad"
},
{
"tier": 1,
"value": 4.8,
"year": 2023,
"citation": "Autor · tâches France adapté",
"ai_type": "automation_broad"
},
{
"tier": 1,
"value": 7.5,
"year": 2026,
"citation": "Coface/OEM avr. 2026 · Informatique 31% · Architecture-Ingénierie 26,9% · Administratif 23,8% · Créatif 23,8% · Juridique 21,6% · Santé 14,9% · Construction 14,7% · Restauration 7,5%",
"ai_type": "automation_broad"
},
{
"tier": 2,
"value": 5.7,
"year": 2025,
"citation": "McKinsey Skill Change Index · presque tous les métiers ont ≥1 compétence très perturbée",
"ai_type": "automation_broad"
},
{
"tier": 2,
"value": 5.8,
"year": 2025,
"citation": "LinkedIn AI Report France 2025 · Tech 73,8% exposés · Santé 27,8%",
"ai_type": "unspecified"
}
]
},
{
"title": "% emplois où IA = complémentarité (non-substitution)",
"unit": "%",
"n_sources": 15,
"value_min": 44,
"value_max": 87,
"value_median": 68,
"description_fr": "La grande majorité des emplois ne sont pas voués à disparaître mais à se transformer profondément. Aux États-Unis, 57% des postes ont moins de 40% de leurs tâches automatisables ils appartiennent aux catégories les moins perturbées. En France, ce seuil est encore plus élevé en raison de la composition sectorielle. La substitution complète est structurellement plus lente que l'augmentation : remplacer un humain par l'IA exige un redesign total des processus et la formalisation des savoirs tacites. L'augmentation diffuse rapidement car l'humain reste dans la boucle et gère les exceptions. À ce stade, aucune preuve statistique d'impact emploi n'a été détectée au niveau des industries, ni en Europe ni aux États-Unis. Imas & Mandel 2026 (SSRN) apportent une preuve expérimentale décisive : lorsque l'humain est le producteur, la valeur d'exclusivité est 2x plus forte que pour un bien généré par IA. Le secteur relationnel (soins, hospitalité, artisanat, performance vivante) résiste non par contrainte technique mais parce que l'automatisation en détruirait la valeur. Le working paper Ramp / Revelio Labs (2026, 21 559 firmes américaines) apporte un contrepoint empirique fort à l'échelle firme : les adopteurs intensifs de l'IA voient leur emploi croître d'environ 10% et leurs effectifs juniors de 12% après adoption, quand les adopteurs légers ne bougent pas. Les auteurs soulignent toutefois un effet de sélection (les adopteurs sont déjà des firmes plus grandes et en croissance rapide) et une concentration sectorielle sur l'Information · la relation est descriptive autant que causale. Donnée américaine, sans équivalent France. La version d'août 2026 de l'étude Canaries (Stanford, données ADP US jusqu'à juin 2026) objective la distinction au cœur de cet indicateur : là où l'IA complète les travailleurs, l'emploi est stable ou en hausse, en particulier pour les expérimentés ; les reculs se concentrent dans les métiers où l'IA substitue les tâches humaines. Donnée américaine, sans équivalent France, mais qui ancre empiriquement la logique de complémentarité. Le dossier de The Economist (septembre 2026) documente la coexistence des deux mouvements aux États-Unis : environ un million d'emplois créés par l'IA et des métiers en nette progression, assistants juridiques +11%, analystes d'études de marché +6%, quand le service client recule de 10% et le secrétariat de 15% depuis janvier 2023. La complémentarité et la substitution ne s'excluent pas, elles se répartissent par métier. Source de presse, données américaines. Google ATLAS v1.0 (septembre 2026) appuie la lecture d'augmentation : les tâches cognitives non routinières représentent environ 35% des tâches professionnelles mais près de 65% des interactions professionnelles avec l'IA, et les tentatives d'automatisation de bout en bout comptent pour moins de 10% de ces conversations. Source de première partie, la Suisse n'est pas ventilée.",
"sources": [
{
"tier": 1,
"value": 44,
"year": 2026,
"citation": "Imas & Mandel 2026 SSRN · oeuvres humaines +44% prime exclusivité vs +21% IA · secteur relationnel structurellement protégé",
"ai_type": "unspecified"
},
{
"tier": 1,
"value": 46,
"year": 2026,
"citation": "Stanford HAI AI Index 2026 · Shao et al. 2026 · 844 tâches occupationnelles · 46.1% des travailleurs souhaitent que l'IA prenne en charge ces tâches · libérer du temps pour tâches haute valeur",
"ai_type": "generative"
},
{
"tier": 1,
"value": 87,
"year": 2026,
"citation": "Coface/OEM · 87% occupations < 30% tâches exposées en Special Agent · 15% des 923 professions < 5% = quasi-immunisées (travail physique)",
"ai_type": "agentic"
},
{
"tier": 1,
"value": 80,
"year": 2026,
"citation": "Jones & Tonetti 'Weak Links' Stanford 2026 · élasticité substitution <1 → impossible d'automatiser entièrement → tâches résiduelles humaines contraignent la croissance",
"ai_type": "unspecified"
},
{
"tier": 1,
"value": 75,
"year": 2026,
"citation": "Bick, Blandin, Deming et al. · St. Louis Fed mars 2026 · zéro preuve impact emploi niveau industrie Europe ou US à ce stade",
"ai_type": "unspecified"
},
{
"tier": 2,
"value": 57,
"year": 2026,
"citation": "BCG Henderson Institute avr. 2026 · 57% emplois US < 40% seuil = Limited-exposure 34% + Enabled 23% · substitution complète plus lente que l'augmentation car redesign process obligatoire",
"ai_type": "automation_broad"
},
{
"tier": 1,
"value": 68,
"year": 2025,
"citation": "BIS WP 1239 · EU firms",
"ai_type": "unspecified"
},
{
"tier": 2,
"value": 72,
"year": 2025,
"citation": "McKinsey MGI · Agents Robots and Us · 72% compétences applicables dans les deux contextes",
"ai_type": "agentic"
},
{
"tier": 2,
"value": 70,
"year": 2025,
"citation": "Commission européenne · IA & travail",
"ai_type": "unspecified"
},
{
"tier": 2,
"value": 67,
"year": 2025,
"citation": "LinkedIn AI Report France 2025 · 42% protégés + 25% augmentés = 67% sans transformation profonde immédiate",
"ai_type": "unspecified"
},
{
"tier": 1,
"value": 62,
"year": 2024,
"citation": "Autor · augmentation vs remplacement",
"ai_type": "automation_broad"
},
{
"name": "Ramp / Revelio Labs · A New Look at AI's Impact on Jobs",
"url": "https://ramp.com/data/ai-jobs-impact/paper",
"tier": 2,
"year": 2026,
"ai_type": "generative",
"citation": "Ramp / Revelio Labs 2026 · benchmark international (21 559 firmes US) · les firmes qui adoptent l'IA croissent plus vite : +10% d'emploi et +12% d'effectifs juniors chez les adopteurs intensifs, aucun effet chez les adopteurs légers · contrepoint à la substitution, mais effet en partie de sélection (adopteurs déjà plus grands et en croissance rapide) · pas de chiffre France · https://ramp.com/data/ai-jobs-impact/paper"
},
{
"name": "Stanford · Canaries in the Coal Mine? Six Facts",
"url": "https://digitaleconomy.stanford.edu/app/uploads/2026/08/Canaries_August2026.pdf",
"tier": 1,
"year": 2026,
"ai_type": "generative",
"citation": "Stanford · Canaries in the Coal Mine? Six Facts (août 2026, données ADP jusqu'à juin 2026) · Fait 5 : là où l'IA complète les travailleurs, l'emploi est stable ou en hausse (surtout pour les expérimentés) ; les reculs se concentrent là où l'IA substitue les tâches · ancre internationale de la distinction substitution/complémentation · donnée US, sans chiffre France · https://digitaleconomy.stanford.edu/app/uploads/2026/08/Canaries_August2026.pdf"
},
{
"name": "The Economist · The jobs apocalypse is postponed",
"url": "https://www.economist.com/finance-and-economics/2026/09/04/the-jobs-apocalypse-is-postponed-an-ai-jobs-boom-is-here",
"tier": 4,
"year": 2026,
"ai_type": "generative_and_agentic",
"citation": "The Economist (4 sept. 2026, T4, agrège BLS/Census/Goldman/Indeed) · benchmark américain · environ 1 M d'emplois créés par l'IA, chômage 4,1%, écart des 20-24 ans proche d'un plus bas pluri-décennal · mais substitution nette sur certains métiers : service client -10%, secrétariat et assistance administrative -15% depuis janvier 2023 · assistants juridiques +11% et analystes d'études de marché +6% entre 2023 et 2025 contre 2% en moyenne · pas de chiffre France ni Suisse · https://www.economist.com/finance-and-economics/2026/09/04/the-jobs-apocalypse-is-postponed-an-ai-jobs-boom-is-here"
},
{
"name": "Google · AI & Economy ATLAS v1.0",
"url": "https://blog.google/innovation-and-ai/technology/ai/ai-economy-atlas-september-2026/",
"tier": 2,
"year": 2026,
"ai_type": "generative_and_agentic",
"citation": "Google ATLAS v1.0 (sept. 2026, T2, source de première partie) · les tâches cognitives non routinières pèsent environ 35% des tâches professionnelles mais près de 65% des interactions professionnelles avec l'IA, et l'automatisation de bout en bout représente moins de 10% de ces conversations · l'usage est collaboratif avant d'être substitutif · données mondiales, ni France ni Suisse ventilées · https://blog.google/innovation-and-ai/technology/ai/ai-economy-atlas-september-2026/"
}
]
},
{
"title": "Jeunes (18-24 ans) utilisant l'IA chaque semaine",
"unit": "%",
"n_sources": 7,
"value_min": 20,
"value_max": 93,
"value_median": 74,
"description_fr": "Les jeunes ont adopté l'IA bien avant leurs employeurs : entre 73% et 93% des 18-25 ans l'utilisent chaque semaine. Cette adoption massive ne les protège pas pour autant. Les postes à risque immédiat dans les catégories Divergent et Substituted de la segmentation BCG sont précisément ceux occupés par des juniors tâches structurées, répétitives, faible valeur de jugement. Les entreprises ralentissent ou gèlent les embauches d'entrée de gamme et attendent des candidats capables de gérer des tâches de plus haut niveau dès le premier jour. La fluidité IA devient un substitut à l'ancienneté dans l'évaluation des candidatures.",
"sources": [
{
"tier": 1,
"value": 80,
"year": 2025,
"citation": "Stanford HAI AI Index 2026 · 4 étudiants sur 5 à l'université utilisent la GenAI · mais school policies non alignées · 46.1% des travailleurs veulent que l'IA prenne en charge certaines tâches",
"ai_type": "generative"
},
{
"tier": 1,
"value": 20,
"year": 2025,
"citation": "Stanford HAI AI Index 2026 · Brynjolfsson et al. 2025 données ADP · emploi développeurs 22-25 ans −20% depuis pic 2022 · pattern identique service client · gap débute mi-2024",
"ai_type": "generative"
},
{
"tier": 3,
"value": 73,
"year": 2025,
"citation": "Ifop-Jedha (n=1003)",
"ai_type": "unspecified"
},
{
"tier": 3,
"value": 74,
"year": 2025,
"citation": "Ipsos-CESI (n=1048)",
"ai_type": "unspecified"
},
{
"tier": 3,
"value": 93,
"year": 2025,
"citation": "Born AI / Heaven (n=495, 6 mois)",
"ai_type": "unspecified"
},
{
"tier": 1,
"value": 78,
"year": 2026,
"citation": "Coface/OEM citant Hosseini & Lichtinger SSRN 2025 · jeunes travailleurs disproportionnellement touchés · gel embauches juniors dans métiers exposés · pas seniors",
"ai_type": "automation_broad"
},
{
"tier": 2,
"value": 66,
"year": 2025,
"citation": "LinkedIn AI Report France 2025 · Gen Z 66.02% augmentés ou profondément transformés (37.23% profond)",
"ai_type": "unspecified"
}
]
},
{
"title": "Délai avant impact majeur marché travail FR",
"unit": "ans",
"n_sources": 10,
"value_min": 4,
"value_max": 75,
"value_median": 6,
"description_fr": "Le paradoxe actuel : l'IA est omniprésente dans les discours et quasi-absente des statistiques de l'emploi. Ce décalage est structurel : le déploiement à grande échelle des systèmes agentiques exige des experts d'intégration ingénieurs forward-deployed, intégrateurs système, chefs de projet dont l'offre reste très inférieure à la demande. La substitution complète est encore plus lente que l'augmentation car elle oblige à formaliser les savoirs tacites et à reconstruire les processus de zéro. Les signaux précoces convergent, mais même dans le scénario d'accélération, le pic d'impact se mesure en années.",
"sources": [
{
"tier": 1,
"value": 5,
"year": 2026,
"citation": "Massenkoff & McCrory · no unemployment impact detected yet (Anthropic 2026)",
"ai_type": "generative"
},
{
"tier": 1,
"value": 7,
"year": 2022,
"citation": "Frey & Osborne · timing",
"ai_type": "automation_broad"
},
{
"tier": 2,
"value": 6,
"year": 2025,
"citation": "McKinsey MGI · adoption takes time · electricity took 30+ years",
"ai_type": "automation_broad"
},
{
"tier": 1,
"value": 8,
"year": 2024,
"citation": "Acemoglu · gradual adoption",
"ai_type": "automation_broad"
},
{
"tier": 1,
"value": 4,
"year": 2026,
"citation": "Coface/OEM Avr. 2026 · IA agentique (Special Agent) commence à se déployer · effets agrégés absents MAIS signaux précoces convergents · phase actuelle = signal précoce, pas le choc principal",
"ai_type": "agentic"
},
{
"tier": 2,
"value": 4,
"year": 2025,
"citation": "BPI France · rupture IA",
"ai_type": "unspecified"
},
{
"tier": 2,
"value": 5,
"year": 2025,
"citation": "LinkedIn AI Report France 2025 · 56% entreprises FR prévoient d'augmenter leurs effectifs IA",
"ai_type": "unspecified"
},
{
"tier": 1,
"value": 8,
"year": 2026,
"citation": "Karger, Kuusela, Tetlock et al. mars 2026 · T1 · même en scénario rapide : déclin LFPR 'gradual' 62%→55% d'ici 2050 · 'historically unprecedented' mais pas 'transformative acceleration'",
"ai_type": "unspecified"
},
{
"tier": 1,
"value": 75,
"year": 2026,
"citation": "Jones & Tonetti 'Weak Links' · Stanford 2026 · même avec automatisation totale en temps fini : 'paths indistinguishable for next 75 years' · weak links = élasticité substitution <1",
"ai_type": "automation_broad"
},
{
"tier": 2,
"value": 6,
"year": 2026,
"citation": "BCG Henderson Institute avr. 2026 · lag multiyear entre potentiel et réalisation · talent d'intégration (forward-deployed engineers) = goulot d'étranglement · industries financières et juridiques : potentiel fort mais adoption non déployée",
"ai_type": "automation_broad"
}
]
},
{
"title": "Prime salariale IA · écart emplois IA vs non-IA",
"unit": "%",
"n_sources": 7,
"value_min": 25,
"value_max": 172,
"value_median": 56,
"description_fr": "Maîtriser l'IA paie déjà, et la prime se creuse : les postes intégrant des compétences IA affichent une rémunération supérieure de 47 à 56% à leurs équivalents sans cette dimension. Cette prime a doublé en un an. Mais cette récompense coexiste avec un risque inédit : les professions les mieux payées sont aussi celles dont le plus de tâches sont automatisables. L'IA ne creuse plus la polarisation habituelle entre cols bleus et cols blancs elle comprime les revenus par le haut en ciblant les tâches cognitives complexes des hauts salaires, renversant le schéma de toutes les révolutions technologiques précédentes. Édition 2026 : la prime salariale des compétences IA atteint 62% au niveau mondial, contre 57% l'an précédent (PwC 2026 Global AI Jobs Barometer), prolongeant la trajectoire ascendante de la série.",
"sources": [
{
"tier": 1,
"value": 172,
"year": 2026,
"citation": "Stanford HAI AI Index 2026 · consumer surplus GenAI US = 172Mds$ annuels début 2026 · vs 112Mds$ un an avant · valeur médiane par utilisateur ×3 en 1 an",
"ai_type": "generative"
},
{
"tier": 2,
"value": 56,
"year": 2025,
"citation": "PwC AI Jobs Barometer 2025 · worldwide · doublé en 1 an",
"ai_type": "unspecified"
},
{
"tier": 2,
"value": 25,
"year": 2024,
"citation": "PwC AI Jobs Barometer 2024 · baseline précédent",
"ai_type": "unspecified"
},
{
"tier": 2,
"value": 47,
"year": 2026,
"citation": "Massenkoff & McCrory · Anthropic Economic Index · workers in exposed jobs earn 47% more",
"ai_type": "generative"
},
{
"tier": 1,
"value": 60,
"year": 2026,
"citation": "Coface/OEM Avr. 2026 · 20-25% contenu tâches à risque dans le 10ème décile de revenus · les mieux payés sont les plus exposés · inversion polarisation historique",
"ai_type": "automation_broad"
},
{
"tier": 4,
"value": 30,
"year": 2024,
"citation": "Estimation DARES France",
"ai_type": "unspecified"
},
{
"name": "PwC · 2026 Global AI Jobs Barometer",
"url": "https://www.pwc.com/gx/en/services/ai/ai-jobs-barometer.html",
"tier": 2,
"year": 2026,
"value": 62,
"ai_type": "generative_and_agentic",
"citation": "PwC 2026 Global AI Jobs Barometer · mondial · la prime salariale des compétences IA atteint 62% (contre 57% l'an dernier) · https://www.pwc.com/gx/en/services/ai/ai-jobs-barometer.html"
}
]
},
{
"title": "Offres d'emploi liées à l'IA en France (milliers)",
"unit": "k",
"n_sources": 4,
"value_min": 21,
"value_max": 166,
"value_median": 147,
"description_fr": "La France est le premier marché européen pour les emplois liés à l'IA, avec 166 000 offres publiées en 2024 soit une hausse de 273% par rapport à 2019. Elle devance l'Allemagne et le Royaume-Uni. Cette position de leader cache une tension : les postes IA français exigent davantage de diplômes qu'ailleurs, à contre-courant de la tendance mondiale. Le marché crée, mais les profils qu'il demande ne sont pas encore produits à grande échelle par la formation initiale. La prime salariale associée est réelle et mesurable dès aujourd'hui.",
"sources": [
{
"tier": 2,
"value": 166,
"year": 2025,
"citation": "PwC AI Jobs Barometer 2025 · France N°1 Europe · 2024",
"ai_type": "unspecified"
},
{
"tier": 2,
"value": 21,
"year": 2019,
"citation": "PwC · base 2019 · +273% en 6 ans",
"ai_type": "unspecified"
},
{
"tier": 2,
"value": 147,
"year": 2025,
"citation": "Allemagne · 2ème EU · référence comparative",
"ai_type": "unspecified"
},
{
"tier": 2,
"value": 125,
"year": 2025,
"citation": "Royaume-Uni · 3ème EU · référence comparative",
"ai_type": "unspecified"
}
]
},
{
"title": "Capacité productive libérable par l'IA (% PIB)",
"unit": "%",
"n_sources": 5,
"value_min": 12,
"value_max": 18,
"value_median": 16,
"description_fr": "L'IA représente un potentiel de 523 milliards de dollars de capacité productive libérable pour l'économie française environ 16,5% du PIB. Ce chiffre ne signifie pas une création de richesse automatique, mais une réallocation possible du temps humain vers des tâches à plus haute valeur. La question n'est pas de savoir si cette capacité sera libérée, mais qui en captera les bénéfices. Les travailleurs qui s'adaptent, les entreprises qui déploient activement l'IA, ou les sociétés technologiques qui contrôlent l'infrastructure mondiale : la répartition de ces gains est le vrai enjeu politique des prochaines années.",
"sources": [
{
"tier": 2,
"value": 16.5,
"year": 2025,
"citation": "LinkedIn AI Report France 2025 · Access Partnership · 523 Mds$ = 16.5% PIB FR 2024",
"ai_type": "unspecified"
},
{
"tier": 2,
"value": 14,
"year": 2024,
"citation": "McKinsey · automation potential EU advanced economies (adapté France)",
"ai_type": "automation_broad"
},
{
"tier": 1,
"value": 12,
"year": 2025,
"citation": "FMI WP/2025/067 · gains productivité IA zone euro 10 ans",
"ai_type": "unspecified"
},
{
"tier": 2,
"value": 18,
"year": 2025,
"citation": "Goldman Sachs · global AI productivity potential",
"ai_type": "unspecified"
},
{
"tier": 1,
"value": 16,
"year": 2026,
"citation": "Coface/OEM Avr. 2026 · 16% contenu tâches exposé Special Agent · risque de capture par les entreprises technologiques US d'une partie des gains de productivité",
"ai_type": "agentic"
}
]
},
{
"title": "% professions fortement exposées IA agentique FR",
"unit": "%",
"n_sources": 6,
"value_min": 13,
"value_max": 33,
"value_median": 25,
"description_fr": "L'IA agentique représente le vrai seuil de rupture. En France, 13% des professions dépassent le seuil critique de 30% de tâches automatisables. La segmentation BCG Henderson Institute affine ce tableau à l'échelle américaine : 12% des emplois en substitution directe (demande bornée, l'IA exécute les tâches centrales), 12% en divergence (demande expansible mais postes juniors éliminés en premier). Adapté à la France, ce total de 24% descend à environ 19-20% en raison des protections contractuelles et du secteur industriel plus présent. La fenêtre pour se former et pivoter se mesure en années, pas en décennies.",
"sources": [
{
"tier": 1,
"value": 13,
"year": 2026,
"citation": "Coface/OEM Avr. 2026 · 13% des 923 professions > 30% tâches auto. · Special Agent · task-based framework granulaire",
"ai_type": "agentic"
},
{
"tier": 1,
"value": 15,
"year": 2026,
"citation": "Coface/OEM · 15% professions < 5% exposition = quasi-immunisées (travail physique)",
"ai_type": "automation_broad"
},
{
"tier": 2,
"value": 33,
"year": 2025,
"citation": "LinkedIn AI Report France 2025 · 33% professions 'profondément transformées'",
"ai_type": "unspecified"
},
{
"tier": 2,
"value": 25,
"year": 2025,
"citation": "LinkedIn AI Report France 2025 · 25% professions 'augmentées'",
"ai_type": "unspecified"
},
{
"tier": 2,
"value": 30,
"year": 2024,
"citation": "McKinsey · 1/3 métiers verront >10% compétences très transformées d'ici 2030",
"ai_type": "automation_broad"
},
{
"tier": 2,
"value": 24,
"year": 2026,
"citation": "BCG Henderson Institute avr. 2026 · Substituted 12% + Divergent 12% = 24% emplois US à risque élevé · adapté France ~19-20% (correction rigidités)",
"ai_type": "automation_broad"
}
]
},
{
"title": "Part du secteur relationnel dans l'emploi post-IA",
"unit": "%",
"n_sources": 3,
"value_min": 30,
"value_max": 35,
"value_median": 33,
"description_fr": "Imas (2026) modélise le changement structurel post-IA : quand la production standardisée est automatisée, la demande se réalloue vers les secteurs à haute élasticité-revenu — care, éducation, hospitality, artisanat, performance, thérapie. Comin et al. (2021 Econometrica) confirment que les effets-revenus expliquent 75% de ce type de réallocation historique. Imas et Mandel (2026) : l'implication IA réduit la prime d'exclusivité de 44% à 21% — la présence humaine dans la production est elle-même une valeur économique. Le secteur relationnel ne disparait pas avec l'IA, il devient plus précieux.",
"sources": [
{
"tier": 2,
"value": 35,
"year": 2026,
"citation": "Imas 2026 · Structural Change AGI model · relational sector employment share",
"ai_type": "unspecified"
},
{
"tier": 2,
"value": 30,
"year": 2021,
"citation": "Comin, Lashkari, Mestieri · Econometrica 2021 · income effects 75% structural change",
"ai_type": "unspecified"
},
{
"tier": 3,
"value": 33,
"year": 2026,
"citation": "Imas 2026 · BLS Consumer Expenditure Survey · ~50M US workers relational sectors actuellement",
"ai_type": "unspecified"
}
]
},
{
"title": "% métiers à risque élevé d'automatisation CT (France)",
"unit": "%",
"n_sources": 3,
"value_min": 3.8,
"value_max": 18,
"value_median": 15,
"description_fr": "Richmond (OpenAI 2026) classe 18% des professions US dans l'archétype risque élevé : forte exposition, faible nécessité humaine réglementaire, demande inélastique. Adapté France avec correction -20% : environ 15% des emplois. Ces métiers cumulent les trois facteurs défavorables — l'IA peut y faire beaucoup, la présence humaine n'est pas structurellement obligatoire, et la baisse des prix ne génère pas assez de demande supplémentaire pour absorber les gains de productivité. Exemples : saisie de données, traitement administratif, contenu générique, services client standardisés.",
"sources": [
{
"tier": 1,
"value": 18,
"year": 2026,
"citation": "Richmond OpenAI 2026 · 18% US jobs high automation risk · framework 3 dimensions",
"ai_type": "agentic"
},
{
"tier": 1,
"value": 15,
"year": 2026,
"citation": "Richmond OpenAI 2026 adapté France · correction -20% (CDI AI Act 35h) · 15% emplois FR archétype risque élevé",
"ai_type": "agentic"
},
{
"tier": 1,
"value": 3.8,
"year": 2026,
"citation": "Coface/OEM Avr. 2026 · 3,8% emplois FR actuellement fragilisés phase Copilot · convergent avec framework OpenAI court terme",
"ai_type": "generative"
}
]
},
{
"title": "% métiers qui se réorganisent sans disparaître (France)",
"unit": "%",
"n_sources": 3,
"value_min": 20,
"value_max": 33,
"value_median": 24,
"description_fr": "L'archétype réorganisation du framework OpenAI (Richmond 2026) est le plus important en volume : 24% des emplois US ont une forte exposition et une forte nécessité humaine (réglementaire, relationnelle ou physique), mais la demande n'est pas assez élastique pour absorber les gains de productivité. Le nombre de postes peut baisser même si les humains restent indispensables, car chaque professionnel fait plus avec l'IA. Exemples US : médecins, avocats, enseignants, infirmiers. En France, la correction réglementaire atténue l'effet.",
"sources": [
{
"tier": 1,
"value": 24,
"year": 2026,
"citation": "Richmond OpenAI 2026 · 24% US jobs reorganize · forte nécessité humaine + demande inélastique",
"ai_type": "agentic"
},
{
"tier": 1,
"value": 20,
"year": 2026,
"citation": "Richmond OpenAI 2026 adapté France · 20% emplois FR archétype réorganisation",
"ai_type": "agentic"
},
{
"tier": 2,
"value": 33,
"year": 2025,
"citation": "LinkedIn AI Report France 2025 · 33% professions profondément transformées · convergent avec archétype réorganisation",
"ai_type": "unspecified"
}
]
},
{
"title": "% gain de productivité IA agrégé · marché total",
"unit": "%",
"n_sources": 4,
"value_min": 3.0,
"value_max": 11.0,
"value_median": 4.5,
"description_fr": "Estimation du gain de productivité agrégé issu de l'usage de l'IA dans l'économie. Focaldata/FT (avril 2026) calcule +3,5% sur la base d'auto-déclarations UK+US. DSIT UK enquête entreprises : 56% des firmes utilisatrices reportent un gain, dont la plupart estiment l'amélioration jusqu'à 20%. Concentration sectorielle marquée : Tech & Communications +7,8% vs Health & Social Care +2,1% selon Focaldata. La distribution L-shape de l'usage (35% jamais, 11-18% quotidiennement) suggère que ce gain est très concentré sur une minorité de power users.",
"sources": [
{
"name": "Focaldata × Financial Times Workforce AI Tracker Wave 1",
"url": "https://focaldata.com",
"tier": 1,
"ai_type": "generative"
},
{
"name": "DSIT UK · Assessment of AI capabilities and the impact on the UK labour market",
"url": "https://www.gov.uk/government/publications/assessment-of-ai-capabilities-and-the-impact-on-the-uk-labour-market",
"tier": 1,
"ai_type": "generative"
},
{
"name": "Brynjolfsson, Li & Raymond · Generative AI at Work · NBER 2024",
"url": "https://www.nber.org/papers/w31161",
"tier": 1,
"ai_type": "generative"
},
{
"name": "Yale Budget Lab · Tracking the Impact of AI on the Labor Market",
"url": "https://budgetlab.yale.edu/research/tracking-impact-ai-labor-market",
"tier": 1,
"ai_type": "generative"
}
]
},
{
"title": "Écart formation IA · effet sur l'usage quotidien",
"unit": "points",
"n_sources": 3,
"value_min": 24,
"value_max": 43,
"value_median": 37,
"description_fr": "Effet d'une politique de formation IA en entreprise sur le taux d'usage quotidien des outils IA. Focaldata Wave 1 (avril 2026) : une entreprise qui délivre une formation IA formelle voit +37 points d'usage quotidien par rapport à une entreprise comparable sans formation. Une simple guidance informelle produit déjà +24 points. Or seuls 14% des actifs UK+US déclarent avoir reçu une formation formelle, ce qui en fait le levier le plus puissant et le plus négligé. Le rapport est explicite : « Training is the single most powerful tool for increasing AI adoption ». Implication directe pour les politiques publiques de formation continue, déjà identifiées comme la mesure prioritaire par DemoSCOPE en Suisse (M=3,27/4). En France, l'Observatoire Impact AI / Viavoice 2026 confirme l'ampleur du levier : 90% des salariés formés à l'IA responsable utilisent déjà l'IA générative au travail, contre 47% en moyenne, soit un écart de +43 points (corrélation, non strictement causale). Or 23% seulement déclarent avoir reçu une formation, dont 6% une formation approfondie : le déficit d'accompagnement reste le principal point de fragilité de la transition française.",
"sources": [
{
"name": "Focaldata × Financial Times Workforce AI Tracker Wave 1",
"url": "https://focaldata.com",
"tier": 1,
"ai_type": "generative"
},
{
"name": "DSIT UK · Skills England",
"url": "https://www.gov.uk/government/organisations/skills-england",
"tier": 2,
"ai_type": "unspecified"
},
{
"name": "Impact AI · Observatoire de l'IA responsable en entreprise 2026 (Viavoice / KPMG France / Bouygues)",
"url": "https://impact-ai.ovh/observatoire-2026/",
"tier": 2,
"value": 43,
"year": 2026,
"ai_type": "generative",
"citation": "Impact AI / Viavoice 2026 · 1 000 salariés privés France · 90% des salariés formés à l'IA responsable utilisent déjà l'IA générative au travail contre 47% en moyenne (+43 points · corrélation, non strictement causal) · 23% seulement déclarent une formation, dont 6% une formation approfondie · formation = point de bascule"
}
]
},
{
"title": "Instabilité des scores d'exposition à l'IA · variance entre méthodes",
"unit": "facteur de divergence",
"n_sources": 3,
"value_min": 1.6,
"value_max": 3.6,
"value_median": 2.4,
"description_fr": "Mesure de la (dé)stabilité des scores d'exposition à l'IA selon la méthode utilisée. Trois constats convergents en 2026 imposent une lecture prudente. Yin, Vu, Persico (NBER w35110, avril 2026) : trois LLM frontière appliquant la même rubrique sur les mêmes tâches produisent une divergence ×3,6, avec un accord aussi bas que 57%, et les coefficients DiD varient ×2,4. Yale Budget Lab (Gimbel et al., février 2026) : sur 867 métiers, les 7 mesures d'exposition s'accordent sur les faibles expositions (variance 0,03 pour les plombiers) mais divergent sur les fortes (variance 0,48 pour les programmeurs). Burn-Murdoch & O'Connor (FT, février 2026) : critique méthodologique des sept mesures dominantes citant Yale, Autor 2003, Bessen. Conséquence : les exposition scores indiquent des zones d'impact possible, pas des prédictions de remplacement.",
"sources": [
{
"name": "Yin, Vu, Persico · NBER w35110",
"url": "https://www.nber.org/papers/w35110",
"tier": 1,
"ai_type": "generative"
},
{
"name": "Gimbel, Kendall, Kulsakdinun · Yale Budget Lab",
"url": "https://budgetlab.yale.edu/research/labor-market-ai-exposure-what-do-we-know",
"tier": 1,
"ai_type": "generative"
},
{
"name": "Burn-Murdoch & O'Connor · Financial Times",
"url": "https://www.ft.com/content/f55c4eba-6e10-4283-8eae-e9f475048b37",
"tier": 1,
"ai_type": "generative"
}
]
},
{
"title": "Sous-estimation des coûts réels de l'IA en entreprise · le facteur TCO",
"unit": "facteur de sous-estimation",
"n_sources": 5,
"value_min": 5,
"value_max": 10,
"value_median": 7,
"description_fr": "Indicateur synthétique de l'écart entre les calculs de coûts annoncés en POC et les coûts réels en production, avec implications directes pour les entreprises françaises évaluant leurs investissements IA. Gartner (octobre 2024) : 500% à 1000% d'erreur potentielle dans les calculs de coûts si les CIO ne comprennent pas comment les coûts GenAI scalent ; 90% des CIO disent que la gestion des coûts limite leur capacité à dégager de la valeur, 72% rapportent un break-even ou des pertes. Gartner (janvier 2026) : prédiction du coût par résolution GenAI > 3$ d'ici 2030, supérieur aux agents B2C offshore. Tomer (avril 2026) : cadre formalisant que la comparaison pertinente est le coût total de possession par résultat acceptable, pas le prix par token. TrueFoundry (mars 2026) : citant IBM, hausse des coûts informatiques de 89% entre 2023 et 2025, dont 70% des dirigeants citent la GenAI comme moteur principal. Gartner Blind Spots (novembre 2025) : 50% des entreprises feront face d'ici 2030 à des coûts de maintenance croissants à cause d'une dette technique GenAI non gérée. Conséquence pour la France : les estimations Coface et France Stratégie sur l'impact emploi de l'IA reposent implicitement sur une économie d'opération qui s'éloigne progressivement du prix par token affiché.",
"sources": [
{
"name": "Gartner · Mesaglio & LeHong",
"url": "https://www.gartner.com/en/newsroom/press-releases/2024-10-21-gartner-identifies-four-emerging-challenges-to-delivering-value-from-ai-safely-and-at-scale",
"tier": 1,
"ai_type": "generative"
},
{
"name": "Gartner · Quinlan",
"url": "https://www.gartner.com/en/newsroom/press-releases/2026-01-26-gartner-predicts-genai-cost-per-resolution-for-customer-service-will-exceed-offshore-human-agent-costs-by-2030",
"tier": 1,
"ai_type": "generative"
},
{
"name": "Tomer · TCO Framework",
"url": "https://x.com/i/trending/2046697397959663779",
"tier": 2,
"ai_type": "generative"
},
{
"name": "TrueFoundry · Hidden costs guide",
"url": "https://www.truefoundry.com/blog/cost-of-generative-ai",
"tier": 2,
"ai_type": "generative"
},
{
"name": "Gartner · Chandrasekaran (Blind Spots)",
"url": "https://www.gartner.com/en/newsroom/press-releases/2025-11-19-gartner-identifies-critical-genai-blind-spots-that-cios-must-urgently-address0",
"tier": 1,
"ai_type": "generative"
}
]
},
{
"title": "Coût total réel de l'IA · l'angle mort des organisations françaises",
"unit": "facteur de sous-estimation",
"n_sources": 4,
"value_min": 5,
"value_max": 10,
"value_median": 7,
"description_fr": "Mesure structurante issue de quatre sources convergentes en 2025-2026 : la différence entre le prix-vitrine du token et le coût total réel d'opération de l'IA en entreprise. Gartner (LeHong, novembre 2025) : les organisations qui ne maîtrisent pas la mise à l'échelle de leurs coûts GenAI font des erreurs de calcul de l'ordre de 500% à 1000%. 72% des CIO interrogés rapportent que leur organisation a fait du break-even ou perdu de l'argent sur ses investissements IA. Gartner (Quinlan, janvier 2026) : d'ici 2030, le coût par résolution en service client GenAI dépassera 3$, soit plus que la majorité des agents humains B2C offshore. Gartner (Sommer, mars 2026) et AISuperior : LLM Cost Paradox documenté : prix unitaire des tokens -10× depuis 2022, mais consommation +100× pour les modèles agentiques et reasoning. Tomer (avril 2026, papier académique) : la comparaison « prix du token vs salaire humain » est économiquement biaisée. Le bon cadre : Coût Humain Total = Salaire + Coordination + Formation + Erreurs/Reprises ; Coût IA Total = Inférence + Intégration + Supervision + Gouvernance + Échecs/Reprises. Conséquence pour la France : les décisions de transformation et de plans sociaux fondées sur le différentiel apparent token vs salaire sont à requalifier.",
"sources": [
{
"name": "Gartner · 4 emerging challenges",
"url": "https://www.gartner.com/en/articles/ai-value",
"tier": 1,
"ai_type": "generative"
},
{
"name": "Gartner · GenAI customer service cost prediction",
"url": "https://www.gartner.com/en/newsroom/press-releases/2026-01-26-gartner-predicts-genai-cost-per-resolution-for-customer-service-will-exceed-offshore-human-agent-costs-by-2030",
"tier": 1,
"ai_type": "generative"
},
{
"name": "Gartner · LLM inference cost prediction",
"url": "https://www.gartner.com/en/newsroom/press-releases/2026-03-25-gartner-predicts-that-by-2030-performing-inference-on-an-llm-with-1-trillion-parameters-will-cost-genai-providers-over-90-percent-less-than-in-2025",
"tier": 1,
"ai_type": "generative"
},
{
"name": "Tomer · TCO framework academic paper",
"url": "https://arxiv.org/abs/2511.tomer-tco-framework",
"tier": 2,
"ai_type": "generative"
}
]
},
{
"title": "Souveraineté numérique IA · l'enjeu européen pour les organisations françaises",
"unit": "engagement et enjeu de gouvernance",
"n_sources": 4,
"value_min": 1,
"value_max": 1,
"value_median": 1,
"description_fr": "Pour les organisations françaises, le choix d'un fournisseur LLM n'est plus seulement technique ou économique : c'est une décision de gouvernance. Mistral AI (FR, Paris) a levé en mars 2026 830 millions de dollars de dette auprès de 7 banques européennes (BNP Paribas, Crédit Agricole, HSBC, MUFG, Bpifrance, La Banque Postale, Natixis) pour financer 13 800 GPU Nvidia GB300 dans son data center souverain de Bruyères-le-Châtel, avec un objectif de 200 MW de capacité européenne en 2027. C'est désormais l'alternative crédible aux hyperscalers américains pour les industries régulées. L'écosystème européen 2026 compte aussi Aleph Alpha (DE, secteur public), Apertus (CH, fully open), Minerva (IT), PhariaAI, LightOn et H Company. Pour les industries régulées (finance, santé, défense, secteur public), la résidence des données dans l'UE est devenue un prérequis de gouvernance, pas une option. La conformité au RGPD, à la directive NIS2 et au futur EU AI Act exige une traçabilité que les fournisseurs US ne peuvent pas garantir. Le débat coût/avantage doit désormais intégrer le coût d'une violation de conformité et le risque de vendor lock-in.",
"sources": [
{
"name": "Mistral AI · €830M debt round",
"url": "https://europeanbusinessmagazine.com/business/business-mistral-ai-830-million-debt-financing-european-banks-paris-data-center/",
"tier": 1,
"ai_type": "generative"
},
{
"name": "AI Business · Mistral Pioneers Sovereign AI",
"url": "https://aibusiness.com/foundation-models/mistral-pioneers-sovereign-ai-in-europe",
"tier": 2,
"ai_type": "generative"
},
{
"name": "Index.dev · European LLMs map",
"url": "https://www.index.dev/blog/european-llms-top-models",
"tier": 2,
"ai_type": "generative"
},
{
"name": "Kai Waehner · Enterprise Agentic AI Landscape 2026",
"url": "https://www.kai-waehner.de/blog/2026/04/06/enterprise-agentic-ai-landscape-2026-trust-flexibility-and-vendor-lock-in/",
"tier": 3,
"ai_type": "generative"
}
]
},
{
"title": "Le décalage entre la rhétorique IA et les données empiriques · réfutation académique 2026",
"unit": "écart rhétorique vs réel",
"n_sources": 6,
"value_min": 1,
"value_max": 1,
"value_median": 1,
"description_fr": "Pour les organisations françaises, l'enjeu pratique : ne pas calibrer les plans de transformation sur la rhétorique des CEO IA, mais sur les données empiriques. Trois travaux convergents en 2026 imposent une lecture nuancée. Garicano (Silicon Continent, avril 2026) formalise le « bundles framework » : les marchés du travail valorisent des métiers, pas des tâches isolées. Cas canonique des agents de voyage : -60% d'emploi depuis 2000, mais les salaires hebdomadaires moyens passent de 87% à 99% de la moyenne du secteur privé. Cas des comptables : Frey & Osborne 2013 prédisaient 94% de probabilité d'automatisation, le BLS recense 1,6 million d'actifs avec une croissance projetée +5%. Trammell (Stanford Digital Economy Lab, mars 2026) théorise la part durable du travail humain via les biens « human-intrinsic ». Le Washington Post (1er mai 2026) et le New York Times (3 mai 2026) documentent que les Big Tech (Amazon, Google, Meta) ont aujourd'hui le même nombre d'employés qu'en 2022, malgré 700 Md$ de CapEx IA. Oxford Economics (janvier 2026) qualifie les preuves d'une perturbation IA de « patchwork au mieux ». Wharton parle d'« AI-washing des pertes d'emploi ». Pour les directions RH françaises : une décision de réduction d'effectifs adossée à un POC IA doit être confrontée à ces évidences avant exécution. La rhétorique d'apocalypse junior à 1-5 ans (Amodei, Suleyman, Dimon) ne se traduit pas dans les chiffres d'effectifs des entreprises qui la promeuvent.",
"sources": [
{
"name": "Garicano · Silicon Continent · The task is not the job",
"url": "https://www.siliconcontinent.com/p/why-desk-jobs-survive-and-amodei",
"tier": 1,
"ai_type": "generative"
},
{
"name": "Trammell · Stanford DEL · Is labor a luxury?",
"url": "https://philiptrammell.substack.com/p/is-labor-a-luxury-in-the-long-run",
"tier": 1,
"ai_type": "generative"
},
{
"name": "Washington Post · Tech layoffs hide future of jobs",
"url": "https://www.washingtonpost.com/technology/2026/05/01/ai-jobs-tech-layoffs-austerity/",
"tier": 1,
"ai_type": "generative"
},
{
"name": "NYT Opinion · The AI jobs apocalypse is a Silicon Valley story",
"url": "https://www.nytimes.com/2026/05/03/opinion/ai-jobs-unemployment-silicon-valley.html",
"tier": 1,
"ai_type": "generative"
},
{
"name": "Fortune · Pearson CEO column",
"url": "https://fortune.com/2026/04/06/ai-job-apocalypse-silicon-valley-wrong-labor-market/",
"tier": 2,
"ai_type": "generative"
},
{
"name": "Oxford Economics · January 2026 review",
"url": "https://www.oxfordeconomics.com",
"tier": 2,
"ai_type": "generative"
}
]
},
{
"title": "Décalage prédictions Silicon Valley / réalité du marché de l'emploi",
"unit": "écart narratif et statistique",
"n_sources": 5,
"value_min": 1,
"value_max": 1,
"value_median": 1,
"description_fr": "Indicateur qualitatif sur le décalage entre les prédictions dramatiques des dirigeants de la Silicon Valley et les chiffres effectifs du marché du travail. Dario Amodei (Anthropic) annonce mai 2025 puis répète en 2026 que 50% des cols blancs juniors seront automatisés en 1 à 5 ans. Mustafa Suleyman (Microsoft AI) annonce dans le Financial Times que la plupart des tâches de cols blancs seront automatisées en 12 à 18 mois. Mais en mai 2026, le Washington Post et le New York Times documentent que les géants tech investissent massivement dans l'IA sans réduction significative d'effectifs. Trois cadres théoriques convergent pour expliquer ce décalage. Luis Garicano (LSE) : confondre automatisation des tâches et disparition des métiers est une erreur d'analyse classique. Philip Trammell (Oxford GPI) : si la complémentarité capital-travail reste forte sur les biens human-intrinsic, le revenu réalloué maintient la part du travail. Alex Imas (Stanford 2026) : l'effet-revenu réalloue la dépense vers les secteurs à forte composante humaine. Pour les DRH français, la conséquence pratique : ne pas calibrer un plan de transformation sur les déclarations d'éditeurs IA, mais sur les évidences empiriques sectorielles publiées par les institutions.",
"sources": [
{
"name": "Trammell · Is labor a luxury in the long run?",
"url": "https://philiptrammell.substack.com/p/is-labor-a-luxury-in-the-long-run",
"tier": 1,
"ai_type": "generative"
},
{
"name": "Garicano · Why desk jobs survive and Amodei is wrong",
"url": "https://www.siliconcontinent.com/p/why-desk-jobs-survive-and-amodei",
"tier": 1,
"ai_type": "generative"
},
{
"name": "Trammell & Korinek · Economic Growth under Transformative AI",
"url": "https://www.globalprioritiesinstitute.org/wp-content/uploads/Philip-Trammell-and-Anton-Korinek-Economic-growth-under-transformative-AI-October-2023.pdf",
"tier": 1,
"ai_type": "generative"
},
{
"name": "NYT · AI jobs and the unemployment that isn't coming",
"url": "https://www.nytimes.com/2026/05/03/opinion/ai-jobs-unemployment-silicon-valley.html",
"tier": 2,
"ai_type": "generative"
},
{
"name": "Washington Post · What Silicon Valley layoffs hide",
"url": "https://www.washingtonpost.com/technology/2026/05/01/ai-jobs-tech-layoffs-austerity/",
"tier": 2,
"ai_type": "generative"
}
]
},
{
"title": "Écart d'embauche des jeunes entre métiers exposés et peu exposés · France",
"unit": "points d'écart",
"n_sources": 1,
"value_min": 20.8,
"value_max": 31,
"value_median": 23.1,
"description_fr": "Indicateur de flux, pas de stock. Il mesure l'écart, en points de pourcentage, entre l'évolution des embauches du quintile de métiers le plus exposé à l'IA générative et celle du quintile le moins exposé, depuis novembre 2022, mois de la mise à disposition publique de ChatGPT. Trois périmètres, une même grandeur : 20,8 points sur les embauches en CDI des 21-29 ans (−28,3 % contre −7,5 %), 23,1 points tous contrats confondus (−22,1 % contre +1,0 %), et près de 31 points sur les seuls développeurs et ingénieurs informatiques (−42 % contre −11 %). Hors développeurs, l'écart reste de 17 points : l'informatique explique moins d'un cinquième du phénomène. L'écart décroît avec l'âge, 18,6 points à 30-39 ans, 15,3 à 40-49 ans, 3,8 après 50 ans, sans disparaître avant la cinquantaine. Les fins de contrat reculent également, de 23 % contre 6 %, mais plus tard et moins fortement, de sorte que le solde entre entrées et sorties se réduit d'environ 2 700 mouvements par mois : le marché se fige plutôt qu'il ne détruit. Source unique à ce jour. Aucune autre série française ne croise âge, métier et exposition à l'IA sur les flux d'embauche, et l'indicateur restera à n_sources = 1 tant qu'une publication indépendante ne reproduira pas la mesure. Les auteurs précisent que les résultats sont descriptifs : le resserrement monétaire, la correction post-Covid du numérique, la diffusion du télétravail et l'essor de l'apprentissage ne sont pas neutralisés.",
"sources": [
{
"tier": 1,
"value": 20.8,
"year": 2026,
"citation": "Bergeaud, Bertheau, Bunel, Degos & Palladino · LIFT Policy Paper 2026-02 · HEC Paris, octobre 2026 · données Dares MMO janvier 2019 à mars 2026 · écart sur les embauches en CDI des 21-29 ans",
"url": "https://heclift.github.io/website/files/papers/LIFT_PolicyNote_1.pdf"
}
]
}
]
}