# dgtresor-ia-effets-emploi-2026-06-30

## Veille

Note d'analyse **Trésor-Éco n° 391** (juin 2026) de la **Direction générale du Trésor** (Ministère de l'Économie), signée **Martin Chopard, Elisa Cotet, Tristan Gantois et Eloïse Villani**. Revue de littérature économique institutionnelle sur **l'effet de l'IA (surtout générative) sur l'emploi**. **Thèse en trois temps** : (1) l'IA joue sur le volume d'emploi via **deux canaux opposés** — effet de **déplacement** (substitution de tâches automatisables) vs effet de **productivité** (complémentarité, baisse des coûts, demande accrue) — mais l'**effet agrégé reste pour l'instant faible/non mesurable**, faute de recul et d'adoption (≈20 % des entreprises UE en 2025) ; (2) des **effets hétérogènes** apparaissent selon les **métiers** (exposition ≠ effet : tout dépend du degré de substituabilité/complémentarité et de l'**élasticité-prix** de la demande), les **travailleurs** (progrès technique biaisé, craintes pour les **jeunes**) et les **secteurs** (finance, informatique, services aux entreprises les plus exposés) ; (3) à **long terme, l'effet net reste incertain** — entre substitution massive (si IA agentique/physique se généralise) et **destruction créatrice** (leçon des révolutions passées : les innovations ont créé plus d'emplois qu'elles n'en ont détruit). Conclusion de **politique publique** : accompagner la transition (formation, mobilités — plan « Osez l'IA », France 2030) et **investir dans l'IA pour ne pas décrocher** face à la concurrence internationale. Corpus abondamment sourcé (43 notes, panels d'estimations Tableaux 1-3).

## Titre Article

L'intelligence artificielle, quels effets sur l'emploi ?

## Date

2026-06-30

## URL

https://www.tresor.economie.gouv.fr/Articles/895c28b4-dca6-4ca6-b03b-88058fc4ce87/files/a0c9e9a1-6c53-4f2e-ad5d-f603fd5c456d

## Keywords

IA et emploi, intelligence artificielle générative, effet de déplacement, effet de productivité, substitution, complémentarité, approche task-based, exposition à l'IA, élasticité-prix, paradoxe de Jevons, courbe en J, progrès technique biaisé, destruction créatrice, emploi des jeunes, labellisation, licenciements IA, chômage 15-24 ans, LLM, adoption de l'IA, Global AI adoption index, secteurs exposés, finance informatique services, reconversion professionnelle, métiers-ponts, politiques d'accompagnement, formation, plan Osez l'IA, France 2030, Académie de l'IA, décrochage compétitif, souveraineté, Trésor-Éco, DG Trésor, Acemoglu Restrepo, Autor, Brynjolfsson, Richmond OpenAI, Arquié, baromètre du numérique 2025

## Authors

**Martin Chopard, Elisa Cotet, Tristan Gantois, Eloïse Villani** — économistes de la **Direction générale du Trésor** (DG Trésor), Ministère de l'Économie, des Finances et de la Souveraineté industrielle, énergétique et numérique. Directrice de la publication : Dorothée Rouzet. Le document engage la DG Trésor mais « ne reflète pas nécessairement la position du ministère ».

## Ton

**Profil** : note d'analyse économique institutionnelle (série *Trésor-Éco*), registre **académique et prudent**, destiné aux décideurs publics et à la communauté économique. Neutralité assumée, aucun militantisme : la note **expose les mécanismes et l'incertitude** plutôt qu'elle ne tranche.

**Style** : structure canonique en 3 parties (volume agrégé → effets hétérogènes → long terme + politiques), thèses en sous-titres. **Rigueur du sourcing** : 43 notes de bas de page, trois tableaux-panels d'estimations (Tableau 1 : effet agrégé ; Tableaux 2-3 : par qualification et par expérience), graphiques d'exposition. Vocabulaire d'économiste (effet de déplacement/reinstatement d'Acemoglu-Restrepo, approche *task-based*, élasticité-prix, paradoxe de Jevons, courbe « en J », progrès technique biaisé, destruction créatrice). **Honnêteté épistémique** marquée : « les études empiriques ne permettent pas de déterminer l'effet total », insistance répétée sur le **faible recul temporel**, la **dispersion des résultats** et le risque de **labellisation** (l'IA comme prétexte de licenciements). Formule-cadre : effets *ex ante* incertains, appel à des **politiques publiques résolues**.

## Pense-betes

- **Thèse à retenir** : à ce stade, **pas d'effet agrégé mesurable** de l'IA sur l'emploi (recul insuffisant + adoption limitée), mais **deux canaux opposés** structurent l'analyse — **déplacement** (substitution) vs **productivité** (complémentarité). L'IA n'est ni « tueuse d'emplois » ni neutre : c'est **indéterminé empiriquement**, et cela dépendra des politiques et de la vitesse de diffusion.
- **Perception ≠ mesure** : **62 % des Français** voient l'IA comme un risque pour l'emploi (baromètre du numérique 2025), alors que l'effet macro reste indécelable. La note distingue nettement l'anxiété sociale des données.
- **Approche *task-based*** (Acemoglu-Restrepo, Autor) : on décompose un métier en tâches, on mesure l'**exposition**, MAIS **exposition ≠ effet** — il faut trancher **substituabilité** (l'IA remplace) vs **complémentarité** (l'IA augmente le travailleur, qui se recentre sur jugement/validation/relation). Tâches **cognitives** = plus exposées aux LLM ; **physiques** = moins (pour l'instant) ; **relationnelles** = intermédiaire.
- **L'élasticité-prix décide du signe** (Graphique 2) : si les gains de productivité baissent les coûts et que la **demande est élastique** (graphistes, développeurs, élasticité > 1), l'emploi peut **croître** (paradoxe de Jevons) ; si elle est **inélastique** (pompiers, dirigeants, ~0), l'emploi peut baisser. → la substituabilité technique ne préjuge pas de l'effet emploi.
- **Gains de productivité individuels prouvés** : **+14 %** pour les agents de service client, **+26 %** pour les développeurs informatiques (études expérimentales ciblées, probablement **sous-estimés** car obtenus sur des modèles déjà dépassés).
- **Fourchette d'exposition très large** : entre **5 % et 60 %** de l'emploi total selon les études (Graphique de couverture). Estimations France : **Arquié et al. (2026)** — **3,8 %** du contenu du travail à risque d'automatisation *aujourd'hui*, jusqu'à **16,3 % d'ici 2-5 ans**. Richmond (2026, OpenAI) US : **18 %** des emplois à risque élevé, 24 % verront leurs tâches se recomposer, 12 % en croissance, 46 % peu affectés.
- **Licenciements « IA » à relativiser** : en 2025, les suppressions attribuées à l'IA = **4,5 à 6,2 %** des licenciements annoncés aux US, diluées dans des flux d'embauches supérieurs. **Risque de « labellisation »** : **59 %** des entreprises US admettent invoquer l'IA pour justifier des gels d'embauche → l'IA sert de **prétexte** masquant des motifs structurels/post-Covid (cas Josh Bersin).
- **Craintes pour les jeunes** (le point le plus concret) : **Brynjolfsson et al. (2025)** — emploi des **22-25 ans** dans les professions les plus exposées **−16 %** (nov. 2022 → juil. 2025, US), corroboré par **Massenkoff & McCrory (Anthropic)** et Hosseini-Lichtinger. En **France** (Insee), chômage des **15-24 ans +2 pts** (19,1 % → 21,1 %, T1 2025→T1 2026) — mais **sans causalité établie** (conjoncture, surreprésentation en contrats temporaires). Enjeu : automatisation des **tâches codifiées** qui forment les juniors → risque sur l'insertion et le **renouvellement des seniors**.
- **Long terme = pari ouvert** : scénario **substitution massive** (si IA agentique/physique se généralise — Arquié : >40 % des métiers dépasseraient 30 % de tâches automatisables) VS **destruction créatrice** (revue 4 décennies : innovations ont créé + qu'elles n'ont détruit ; **Autor : 60 % des travailleurs occupent des métiers inexistants en 1940**). Rappel : **Frey & Osborne 2013** annonçait 47 % d'emplois US automatisables — **non matérialisé**.
- **Coûts de transition** : la lenteur des réallocations (obsolescence des compétences, frictions géographiques) **ampute de 40 %** le bénéfice de la robotisation en France (Bocquet 2026) → rôle des **métiers-ponts** et des politiques de formation.
- **Injonction stratégique (politique)** : **investir dans l'IA = protéger l'emploi** via la compétitivité. France = position **intermédiaire** (adoption **18 %** OCDE 2025 vs moyenne UE **20 %**, mais rattrapage **+8 pts** 2024-2025 vs +6 pts UE). Dispositifs : plan **« Osez l'IA »** (2025, **15 M de professionnels formés d'ici 2030**, **Académie de l'IA**) et **France 2030** (« Compétences et métiers d'avenir »).
- **À relier** : contrepoint macro-institutionnel au cluster productivité/emploi de la veille (SFEIR AI4IT [[girard-sfeir-ai4it-vs-ai4business-budgets-2027-2026-06-24]], disparition annoncée des développeurs [[bfmtv-tech-co-business-ia-developpeurs-disparaissent-2026-05-05]], comptabilité humains+agents [[sternfels-mckinsey-60000-people-20000-agents-officechai-2026-01-14]]). Ici, la lecture est **prudente et agrégée**, à l'opposé des retours d'expérience firme-par-firme.

## RésuméDe400mots

Cette note **Trésor-Éco n° 391** (DG Trésor, juin 2026) propose une revue prudente et sourcée de la littérature économique sur l'**effet de l'IA — surtout générative — sur l'emploi**. Point de départ : les capacités de l'IA ont fortement progressé (LLM, IA générative), nourrissant l'inquiétude (**62 % des Français** y voient un risque pour l'emploi), mais l'analyse économique invite à distinguer perception et mesure.

**1. Effet agrégé, pour l'instant faible.** L'IA agit via deux canaux opposés : l'effet de **déplacement** (substitution des tâches automatisables) et l'effet de **productivité** (gains individuels prouvés : +14 % en service client, +26 % chez les développeurs ; complémentarité, baisse des coûts, demande accrue). Les études empiriques récentes **n'identifient pas d'effet agrégé significatif**, faute de recul et parce que l'adoption reste partielle (≈20 % des entreprises UE en 2025). L'absence d'effet macro ne signifie pas absence de destructions localisées : les licenciements « IA » représentent 4,5-6,2 % des annonces aux US en 2025, avec un risque de **« labellisation »** (l'IA invoquée comme prétexte — 59 % des entreprises US).

**2. Effets hétérogènes.** Via l'approche *task-based*, l'**exposition** varie selon les tâches (cognitives > relationnelles > physiques), mais **exposition ≠ effet** : tout dépend du degré de **substituabilité/complémentarité** et de l'**élasticité-prix** de la demande (paradoxe de Jevons — un métier substituable mais à demande élastique peut voir son emploi croître). Le **progrès technique biaisé** pourrait défavoriser certains segments, avec des **craintes marquées pour les jeunes** : −16 % d'emploi des 22-25 ans exposés aux US (Brynjolfsson 2025), hausse du chômage des 15-24 ans en France (19,1 %→21,1 %) — sans causalité établie. Sectoriellement, finance, informatique et services aux entreprises sont les plus exposés.

**3. Long terme incertain.** Deux scénarios coexistent : **substitution massive** (si l'IA agentique/physique se généralise) ou **destruction créatrice** (les révolutions passées ont créé plus d'emplois qu'elles n'en ont détruit ; 60 % des travailleurs occupent aujourd'hui des métiers inexistants en 1940). La transition engendrera des **coûts** (réallocations lentes : −40 % du bénéfice de la robotisation en France), à fluidifier par la **formation** et les **métiers-ponts**.

**Conclusion de politique publique** : accompagner la transition (plan « Osez l'IA », former 15 M de personnes d'ici 2030, Académie de l'IA, France 2030) et **investir résolument dans l'IA** pour éviter un **décrochage de compétitivité** — la France se situant en position intermédiaire (adoption 18 %, en rattrapage) dans un contexte de concurrence internationale.

## GrapheDeConnaissance

- DG Trésor —publie→ Trésor-Éco n° 391 « L'IA, quels effets sur l'emploi ? » (DOCUMENT, 0.99)
- Trésor-Éco n° 391 —affirme_que→ l'IA n'a pas d'effet agrégé mesurable sur l'emploi à ce stade, faute de recul et d'adoption (AFFIRMATION, 0.95)
- IA générative —permet→ des gains de productivité individuels de +14 % (service client) à +26 % (développeurs) (MESURE, 0.9)
- IA générative —réduit→ la demande de travail via l'effet de déplacement (substitution de tâches) (CONCEPT, 0.88)
- effet de productivité —s_oppose_à→ effet de déplacement (CONCEPT, 0.9)
- approche task-based —mesure→ l'exposition d'un métier à l'IA par décomposition en tâches (AFFIRMATION, 0.9)
- élasticité-prix de la demande —permet→ de déterminer si les gains de productivité augmentent ou réduisent l'emploi d'un métier (AFFIRMATION, 0.87)
- Trésor-Éco n° 391 —affirme_que→ l'emploi des 22-25 ans exposés à l'IA a reculé de 16 % aux US (nov. 2022 - juil. 2025) (MESURE, 0.85)
- Trésor-Éco n° 391 —affirme_que→ l'IA sert parfois de prétexte (« labellisation ») pour justifier des licenciements et gels d'embauche (AFFIRMATION, 0.88)
- destruction créatrice —soutient→ l'hypothèse que l'IA créera à terme plus d'emplois qu'elle n'en détruira (AFFIRMATION, 0.8)
- Trésor-Éco n° 391 —affirme_que→ 5 à 60 % de l'emploi total serait exposé à l'IA selon les études (MESURE, 0.85)
- Arquié et al. —mesure→ 3,8 % du contenu du travail à risque d'automatisation aujourd'hui, jusqu'à 16,3 % d'ici 2-5 ans (France) (MESURE, 0.85)
- Trésor-Éco n° 391 —recommande→ accompagner la transition par la formation et les politiques de mobilité (Osez l'IA, France 2030) (AFFIRMATION, 0.93)
- Trésor-Éco n° 391 —recommande→ investir dans l'IA pour soutenir la compétitivité et éviter un décrochage face à la concurrence internationale (AFFIRMATION, 0.93)
- plan Osez l'IA —permet→ de former 15 millions de professionnels d'ici 2030 (Académie de l'IA) (MESURE, 0.85)
- approche task-based —est_basé_sur→ travaux d'Acemoglu et Restrepo (DOCUMENT, 0.9)

---
Canonical: https://www.thekb.eu/fr/fiches/dgtresor-ia-effets-emploi-2026-06-30/