IA et emploi 2030 : trois futurs possibles

En septembre 2026, l’équipe économique d’Anthropic a mis en ligne un explorateur de scénarios et un rapport technique de 57 pages qui répondent à une question simple et vertigineuse : à quoi ressemblera l’économie en 2030 selon ce que l’IA saura faire, et selon la vitesse à laquelle nous l’adopterons ? Trois scénarios, des chiffres précis, aucune promesse. Je les ai lus, j’ai refait tourner le modèle, puis j’ai fait ce qui manquait : le transposer à la France — et tester mes propres hypothèses une par une.

Déclaration d’intérêt : je dirige un organisme de formation. J’ai donc un intérêt direct à ce que les gens se forment. C’est précisément pour cela que je refuse de leur vendre de la peur ou des promesses : les chiffres ci-dessous sont sourcés, datés, et la partie « France » est présentée pour ce qu’elle est — une adaptation exploratoire, pas une prévision.

Ce qu’Anthropic a réellement fait, et pas fait

Le rapport Economic Scenarios for Transformative AI (Korinek, Jones, Sacher, Cotter, McCrory — septembre 2026) ne prédit rien. Il construit une machine à convertir des hypothèses en conséquences. Vous entrez cinq réglages, il vous rend le PIB, les salaires, la part du travail dans la valeur, le nombre de personnes qui doivent changer de métier et le chômage qui en découle, année par année jusqu’en 2030.

C’est un document de travail de l’Anthropic Institute, écrit par des chercheurs qui travaillent sur l’économie de l’IA, et qui a bénéficié des commentaires de Daron Acemoglu, David Autor, Pascual Restrepo et Emi Nakamura sur une version antérieure. Des remerciements ne sont pas une validation : ils disent que le travail a été discuté par des gens compétents, pas que ses résultats sont avalisés — et encore moins l’adaptation française que je propose plus bas.

Les cinq réglages : les capacités (quelle part des tâches cognitives l’IA sait faire), l’adoption (sur ces tâches, quelle part est réellement effectuée avec l’IA — savoir faire n’est pas faire), l’autonomie (l’IA assiste ou remplace), la productivité gagnée sur chaque tâche touchée, et le réemploi (combien de temps met une personne déplacée pour retrouver un emploi ailleurs).

Le point qui change tout : les auteurs séparent l’économie en deux groupes. Les travailleurs du savoir — 62,4 % des emplois américains — exposés à l’IA. Et tous les autres : soins, bâtiment, maintenance, logistique, restauration, qui ne le sont pas directement, et vers qui les déplacés doivent migrer. Un développeur ne devient pas électricien en un mois. C’est cette friction qui fabrique du chômage, et c’est elle qui va nous intéresser.

Trois scénarios américains, quatre trouvailles

Les trois scénarios partagent les mêmes réglages jusqu’à mi-2026 et ne divergent qu’après. Le rapport insiste : presque toute la divergence arrive après 2027. Ce que vous observez autour de vous aujourd’hui ne permet donc pas encore de savoir dans quel scénario nous sommes.

Source : Korinek et al. (2026), tableau 3. Valeurs au 1ᵉʳ janvier 2030, prix 2025. Le rapport n’attribue aucune probabilité aux scénarios.

L’IA fait grandir l’économie dans tous les cas

Le chômage monte chez les cols blancs, et baisse ailleurs

C’est le résultat le plus contre-intuitif. Dans le scénario substantiel, le chômage des travailleurs du savoir passe de 2,9 % à 4,5 % — une hausse de plus de moitié — pendant que celui des autres métiers baisse, parce que la productivité gagnée dans les bureaux crée de la demande sur les chantiers, dans les ateliers et dans les services à la personne. Dans l’extrême, près d’un travailleur du savoir sur cinq est au chômage : au-dessus de tout ce que les États-Unis ont connu depuis 1945.

Les salaires montent en moyenne, pas pour les cols blancs

Le gâteau grossit, mais une part croissante va au capital

Aujourd’hui, sur chaque dollar produit, 60 cents vont au travail. Dans le scénario substantiel, cette part tombe à 56 % en quatre ans — presque autant que toute la baisse américaine des quarante dernières années. Dans l’extrême, elle tombe à 45 %, et le revenu total du travail est alors quasiment inchangé pendant que le PIB fait +32 %. Les auteurs le disent sans détour : dans ce monde-là, le problème n’est plus la croissance, c’est le partage. Compenser les perdants coûterait environ 9 % du PIB — aux États-Unis, la taille de la Social Security et de Medicare réunies. Et l’histoire montre que ce genre de transfert n’arrive pas tout seul.

Attention : ce sont des chiffres américains

C’est là que la plupart des articles s’arrêtent. Ils recopient « 17,9 % de chômage chez les cols blancs » et laissent le lecteur français se l’appliquer. Erreur. Le modèle est bâti sur le marché du travail américain, et le nôtre ne lui ressemble pas. Neuf corollaires avant d’aller plus loin.

Le point de départ. Les États-Unis partent de 3,8 % de chômage. La France est à 8,3 % au deuxième trimestre 2026, son plus haut niveau depuis 2020, avec 2,7 millions de chômeurs (Insee, 7 août 2026). Le même choc ne tombe pas sur le même sol.

La vitesse de réemploi. Le rapport se calibre sur un fait américain : chaque mois, 22 % des chômeurs retrouvent un emploi. En France, l’Insee mesure que 27,0 % des personnes au chômage sont en emploi trois mois plus tard — mais aussi que 22,7 % basculent vers l’inactivité et que 50,3 % restent au chômage (Insee, transitions sur le marché du travail, moyenne du 4ᵉ trimestre 2023 au 3ᵉ trimestre 2024). Un taux trimestriel ne se convertit pas mécaniquement en taux mensuel — les allers-retours à l’intérieur du trimestre ne sont pas observés — mais si l’on pose l’hypothèse la plus simple, 27 % sur trois mois correspondent à environ 10 % par mois. C’est de là que vient le 9 % que j’utilise : un ordre de grandeur construit, pas une statistique publiée.

La rigidité des salaires. Aux États-Unis, le salaire des cols blancs peut baisser. En France, SMIC, conventions collectives et CDI ralentissent cet ajustement. Le rapport le montre lui-même : plus les salaires sont rigides, plus le coût prend la forme de chômage plutôt que de baisse de paie.

Qui encaisse le choc. Le modèle parle de licenciements. En France, l’ajustement passe d’abord par le non-remplacement des départs, la fin des CDD et le gel des embauches de débutants. Le chômage des 15-24 ans est déjà à 21,6 %. Le premier col blanc déplacé en France n’est pas un cadre de 50 ans : c’est un jeune diplômé qui n’entre pas.

Le secteur public. La fonction publique emploie 5,80 millions d’agents fin 2023 (DGAFP, rapport annuel édition 2025), soit près d’un emploi sur cinq, en grande partie du travail cognitif. L’automatisation y sera plus lente et les départs se feront par attrition. Cela amortit le scénario extrême, et ralentit aussi les gains du substantiel.

La structure des métiers. Cadres 23,8 %, professions intermédiaires 25,4 %, employés 24,3 %, ouvriers 17,5 % (Insee, enquête Emploi 2025). Je retiens 60 % de « travail cognitif » en additionnant les cadres, les professions intermédiaires et une partie des employés — ceux de l’administration et du commerce. L’Insee ne publie pas cette catégorie : c’est un regroupement que je fais, et le curseur pourrait raisonnablement se placer entre 55 et 63 %.

L’adoption. 18 % des entreprises françaises de 10 salariés et plus utilisaient au moins une technologie d’IA en 2025, contre 10 % en 2024. Mais ce chiffre, seul, trompe : ces entreprises emploient 59 % des salariés du champ, contre 40 % un an plus tôt (Insee Première n° 2120, champ des entreprises de 10 salariés et plus, hors agriculture, finance et assurance). Trois mesures différentes qu’il ne faut pas confondre : la part des entreprises équipées, la part des salariés qui travaillent dans une entreprise équipée, et la part des tâches réellement faites avec l’IA — seule la troisième entre dans le modèle.

À qui appartient le capital. Quand la part du capital monte, aux États-Unis l’argent reste en grande partie aux États-Unis. En France, le calcul, les modèles et une bonne part de l’infrastructure IA sont détenus hors du pays. Une fraction des gains sortirait donc du revenu national. Le modèle ne le mesure pas ; il faut l’avoir en tête.

La croissance de base. Le modèle américain suppose 2 % de croissance sans IA. La France a fait +0,8 % en 2025, pour un PIB de 2 991 milliards d’euros (Insee, comptes de la Nation), et son potentiel est autour de 1 %.

Simulation France : ce que donnerait le même modèle chez nous

J’ai reconstruit le modèle du rapport — les équations sont publiques — et je l’ai d’abord fait tourner avec les paramètres américains, pour vérifier qu’il retrouve le tableau 3. Le détail de cette vérification est dans l’annexe de reproduction, avec le tableau écart par écart.

Ensuite, j’ai remplacé ce qui doit l’être par des données françaises. La colonne « statut » compte autant que la valeur : certaines lignes sont des mesures, d’autres sont mes choix.

Résultats 2030 pour la France

Les écarts de salaire comparent deux mondes en 2030 — avec IA et sans IA. Ils ne décrivent pas l’évolution d’une fiche de paie entre 2026 et 2030. Le partage 6,4 % / 11,1 % du chômage entre les deux groupes est produit par le modèle à partir des écarts de taux de séparation. Ordres de grandeur, pas une prévision.

L’adoption plus lente change-t-elle la conclusion ? J’ai refait tourner la simulation avec une adoption française identique à l’américaine. Le chômage total passe de 15,9 à 17,1 % dans l’extrême, de 8,7 à 8,8 % dans le substantiel, et le PIB gagne deux points. Autrement dit : mon hypothèse d’adoption plus lente atténue légèrement le résultat, elle ne le fabrique pas. La hiérarchie entre scénarios est inchangée.

Combien de personnes ?

Les pourcentages endorment, les effectifs réveillent. Ce sont des variations du stock d’emplois simulé entre mi-2026 et début 2030 — soit environ trois ans et demi — et non un décompte de licenciements : un poste qui disparaît par non-remplacement compte ici comme un poste en moins. La conversion en personnes suppose une population active constante à 32,5 millions.

Ce qui pèse vraiment : je me suis trompé de coupable

Voici la partie la plus utile de ce travail, et elle commence par une correction de ma propre analyse.

Dans une première version de cet article, je concluais que l’écart entre la France et les États-Unis venait de la vitesse de retour à l’emploi. Pour l’établir, j’avais donné à la France un marché du travail américain — chômage de départ plus bas, salaires souples, réemploi rapide — et constaté que le chômage tombait de 15,9 à 10,8 %. Trois choses changées à la fois, une seule créditée du résultat. C’est une faute de méthode, et un lecteur me l’a signalée.

J’ai donc refait l’expérience proprement : un paramètre à la fois, et en lisant la hausse due à l’IA, pas le niveau final — puisqu’une partie de l’écart existe avant même que l’IA n’entre en scène.

Lisez la troisième ligne. En multipliant par près de deux et demi la vitesse de retour à l’emploi, la hausse due à l’IA ne baisse pas : elle passe de 7,6 à 7,7 point. Elle ne bouge pas. Dans le scénario substantiel, elle empire même légèrement, de +0,4 à +0,8 point. J’ai vérifié en faisant varier le réemploi entre 7 et 11 % par mois : le chômage total de 2030 se déplace de 15,9 à 16,0 %. Rien.

Ma conclusion précédente était fausse. Le niveau du chômage français en 2030 est plus élevé qu’aux États-Unis d’abord parce qu’il part de plus haut, et la hausse elle-même est amortie non par la rapidité du réemploi mais par la flexibilité des salaires.

Ce qui marche vraiment : recréer des tâches

Restait à tester ce que la relecture m’a suggéré, et qui s’est révélé être le résultat le plus intéressant de tout ce travail. J’ai gardé la technologie du scénario extrême — capacités, adoption, productivité, automatisation, tout au maximum — et desserré uniquement les trois hypothèses sociales que ce scénario pousse au pire : l’économie recrée des tâches humaines, le handicap de recherche redevient celui du scénario substantiel, les entreprises ouvrent leurs postes plus vite.

Même technologie. Même puissance. Presque quatre points de chômage total en moins, sept points chez les cols blancs, et leur salaire qui repasse en positif — pour deux points de PIB seulement.

Et en isolant chaque levier : la recréation de tâches humaines vaut à elle seule 2,7 points de chômage total, la réduction du handicap de recherche 2,4 points, l’ouverture plus rapide des postes en vaut −0,7 (elle joue en sens inverse, isolément).

C’est cela qu’il faut retenir, et c’est différent de ce que j’écrivais : la variable qui compte n’est pas la vitesse à laquelle on replace les gens, c’est le fait que l’économie continue de créer des choses à faire pour eux — et que les passerelles entre familles de métiers existent réellement. La formation et l’orientation servent la seconde. La première dépend de la façon dont les entreprises déploient l’outil : en remplaçant, ou en redéployant.

Sur les salaires, une précision que je dois à l’honnêteté : dire que « le coût est le même, il change seulement de forme » serait une affirmation que ce modèle ne permet pas. Il ne mesure ni la durée du chômage, ni les revenus de remplacement, ni la santé, ni la redistribution. Ce qu’il montre, et rien de plus : des salaires moins ajustables déplacent l’ajustement vers l’emploi.

Deux groupes ne sont pas deux destins

Le modèle range chacun dans une case et l’y laisse : vous êtes cognitif, ou vous ne l’êtes pas. C’est ce qui le rend calculable — et c’est aussi sa limite la plus sérieuse quand on veut en tirer un conseil personnel. « Passer des bureaux vers le terrain » n’est pas une recommandation, c’est un flux agrégé. Dans la vraie vie, il y a au moins trois trajectoires, et la troisième est la plus rare.

Transformer son poste. Le métier reste, sa composition change. C’est le cas le plus fréquent, et le modèle ne le voit pas du tout : pour lui, un poste existe ou n’existe plus. Une gestionnaire de paie dont sept tâches sur vingt-deux passent à l’outil et qui récupère le contrôle de ce que l’outil produit n’a pas changé de groupe — mais son travail, si.

Évoluer vers une fonction voisine. Même secteur, même employeur souvent, compétences largement transférables. C’est la trajectoire que les dispositifs de formation servent le mieux, et celle dont on parle le moins.

Changer de famille de métiers. C’est celle que le modèle compte, et c’est la plus coûteuse : formation longue, revenu à sécuriser, parfois mobilité géographique. La chiffrer à 1,9 % des actifs dans le scénario substantiel ne dit rien de la probabilité que vous la fassiez.

Je ne mets pas de chiffre sur ces trois voies : le modèle n’en produit pas, et les inventer serait exactement ce que je reproche aux autres.

Ce que ça change pour vous, dès cette semaine

Le rapport se termine par une phrase que je fais mienne : lequel de ces mondes nous attend deviendra probablement plus clair d’ici un an ou deux, et s’y préparer est la voie prudente. Se préparer, ce n’est pas paniquer.

Cartographiez vos tâches, pas votre métier. Et pas en comptant vingt lignes qui pèseraient toutes pareil : répondre à un courriel et démêler un incident client ne mobilisent ni le même temps ni la même responsabilité. Une grille à cinq colonnes suffit.

Ce qui se lit dans cette grille : les tâches où l’outil fait déjà aussi bien et qui vous prennent beaucoup de temps, celles où votre responsabilité reste engagée quoi qu’il arrive, et celles qui n’existaient pas il y a trois ans. Aucun seuil magique — je n’ai aucun élément pour affirmer qu’à moitié automatisé il faut partir. Ce que la simulation dit, c’est autre chose : ce qui protège, c’est que de nouvelles tâches apparaissent, et qu’on soit celui qui les prend.

Décidez un cap à dix-huit mois, pas un plan à dix ans. Toute la divergence des scénarios arrive après 2027. Dix-huit mois, c’est exactement le temps de la preuve : une certification, un projet mené avec l’IA, une expérience dans une autre famille de métiers. Un cap se corrige ; une paralysie, non.

Financez la traversée pendant que vous êtes en emploi. CPF, projet de transition professionnelle, plan de développement des compétences se mobilisent bien plus facilement depuis un poste que depuis la file d’attente. Le simulateur de financement vous dit quel dispositif vous concerne selon votre statut.

Un contrepoint que je me dois de poser, puisque je dirige un organisme de formation : ce modèle ne mesure pas l’efficacité d’une formation. Une reconversion réussit quand il y a des postes accessibles à l’arrivée, des employeurs qui recrutent sur autre chose qu’un diplôme initial, un revenu tenable pendant la transition et une vie personnelle qui le permet. La formation est une condition, elle n’est pas la condition suffisante — et vous vendre l’inverse serait malhonnête.

Si vous dirigez une équipe ou un service RH, retenez une ligne : dans le scénario substantiel, l’emploi des autres métiers augmente d’environ 550 000 postes pendant que le travail de bureau en perd 660 000. La question n’est pas « combien de gens vont perdre leur poste », c’est « combien de passerelles avons-nous construites entre ces deux colonnes ». Aujourd’hui, la réponse est : trop peu, et trop lentes.

Le niveau monte. Personne ne sait encore jusqu’où. Mais entre ceux qui regardent la mer et ceux qui apprennent à nager, l’écart se creuse maintenant — pas en 2030.

Et si vous voulez faire vos propres hypothèses, l’explorateur de scénarios d’Anthropic vous laisse régler vous-même les cinq curseurs et voir l’économie qu’ils impliquent.

Annexe de reproduction

Annoncer qu’on a répliqué un modèle n’engage à rien si personne ne peut le vérifier. Voici donc l’écart, ligne par ligne, entre le tableau 3 du rapport et ma reproduction, avec les paramètres américains.

Où la reproduction est fidèle, et où elle ne l’est pas. Sur toutes les lignes d’emploi et de chômage — celles dont se sert la partie française — l’écart maximal est de 0,1 point. Sur les niveaux de PIB et de salaires du scénario extrême, il monte à 1,8 point. La raison est identifiée : j’ai omis le canal « idées » de la section 2.2 du rapport, qui ajoute de la croissance par accélération de l’innovation. Le rapport lui-même le chiffre à moins de 0,7 point de PIB dans ses scénarios centraux ; il pèse davantage dans l’extrême.

Ce que j’ai également simplifié : la demande de travail cognitif au salaire rigide est approchée par une courbe à élasticité constante autour de la cible, là où le rapport résout le système complet. Le bloc « niveau » (proposition 1) et le bloc de frictions mensuel sont, eux, repris tels quels.

Le code, les paramètres et les résultats exportés sont disponibles sur demande — le format d’archive que j’aurais voulu joindre est bloqué par la configuration de sécurité du site, et je ne l’affaiblirai pas pour un fichier. Écrivez-moi, je vous les envoie.

Une remarque de méthode, pour finir. J’écrivais dans la première version qu’« une réplication qui tomberait juste partout serait suspecte ». C’est faux : reproduire exactement un calcul publié est le résultat souhaitable, et c’est ce qu’on doit viser. Ce qu’une réplication exacte ne prouverait pas, en revanche, c’est que le modèle décrit correctement la France. Ce sont deux questions différentes, et seule la seconde est vraiment discutable.

Pour aller plus loin

• IA et emploi 2030 : qui dit vrai ? — ce que mesurent vraiment les études, et ce qu’elles ne mesurent pas.
• IA et emploi : le chiffre a quatre ans — pourquoi la statistique la plus citée en France a été calculée avec un modèle de 2022.
• Le métier que vous visez a déjà été transformé par l’IA.
• IA et reconversion professionnelle — la page qui rassemble le sujet, et les métiers d’avenir face à l’IA — douze pistes comparées sur les tâches exposées, la demande déclarée du bassin et le coût réel de la qualification. Ce sont deux exercices différents : ici des scénarios, là des conditions vérifiables métier par métier.

Où en êtes-vous sur votre carte ? Le bilan Clarté Reconversion prend trois minutes et vous rend une restitution immédiate, sans carte bancaire.

Soyez libre de vos pensées et de vos décisions, toujours.

Sources

• Anthropic Institute, « What will our economic future look like? » — Econ Scenario Explorer, septembre 2026.
• Korinek A., Jones C. I., Sacher S., Cotter T., McCrory P., « Economic Scenarios for Transformative AI », The Anthropic Institute Working Paper 2026-02, septembre 2026 (tableaux 1, 3, 4 et 6 ; section 2.2 pour le canal omis ; section 4.6 pour la rigidité salariale).
• Insee, Informations rapides n° 192, 7 août 2026 — taux de chômage de 8,3 % au deuxième trimestre 2026.
• Insee, Transitions sur le marché du travail — 27,0 % des chômeurs en emploi trois mois plus tard, 22,7 % vers l’inactivité (T4 2023 à T3 2024).
• Insee, Les comptes de la Nation en 2025 — PIB de 2 991,1 milliards d’euros, +0,8 %.
• Insee, Insee Première n° 2120, 21 juillet 2026 — 18 % d’entreprises utilisatrices, employant 59 % des salariés du champ.
• Insee, enquête Emploi 2025 — structure par catégorie socioprofessionnelle.
• DGAFP, rapport annuel sur l’état de la fonction publique, édition 2025 — 5,80 millions d’agents fin 2023.

Simulation France : modèle dérivé du rapport ci-dessus, exécuté le 9 septembre 2026, expériences de décomposition ajoutées le même jour après relecture critique. Sources consultées le 9 septembre 2026.