IA et salaires : le pouvoir de partir

Un salarié peut conserver son poste tout en perdant une raison d’obtenir une augmentation : la possibilité de trouver mieux ailleurs. De son côté, l’employeur peut continuer à avoir besoin d’une personne, tout en trouvant plus facilement quelqu’un pour la remplacer. Entre ces deux possibilités se joue une partie du salaire. L’intelligence artificielle pourrait modifier cet équilibre avant qu’un plan de licenciement en révèle les conséquences.

Le 13 octobre 2026, à Dublin, Philip Lane place cette question dans le diagnostic de la Banque centrale européenne. Il décrit des tendances d’emploi agrégé encore peu bouleversées et des intentions d’embauche modérées, notamment pour les diplômés débutants. La perspective d’une substitution par l’IA pourrait, selon lui, freiner la progression salariale et réduire la part du travail dans le revenu. C’est un mécanisme envisagé, dont ce discours ne mesure pas l’effet causal. ^[1]

Pour l’examiner, il faut suivre ce que la technologie change dans une relation de travail : les tâches difficiles à transmettre, la possibilité de recruter ailleurs, les occasions de changer d’entreprise. Les résultats disponibles dessinent un paysage contrasté. Des gains de productivité sont documentés, certaines portes d’entrée se rétrécissent, tandis que plusieurs études européennes trouvent des rémunérations stables ou plus élevées chez les utilisateurs. La question du partage reste ouverte. ^{[4] [5] [7] [9]}

La valeur d’une autre possibilité

Imaginons un service qui traite des dossiers complexes. L’exemple est pédagogique. Une salariée expérimentée sait repérer les anomalies, retrouver les bonnes règles et comprendre les demandes mal formulées. Son départ entraînerait un temps d’apprentissage et des erreurs. Ces difficultés donnent à l’entreprise une raison de la retenir, au-delà du volume de dossiers qu’elle traite chaque semaine.

Un outil peut rendre une partie de ce savoir accessible aux autres membres de l’équipe. Le service devient plus rapide et moins dépendant d’une seule personne. Pour cette salariée, deux évolutions coexistent : elle produit davantage, mais une partie de ce qui rendait son remplacement difficile s’atténue. Sa rémunération future dépendra notamment de la valeur des compétences qui restent rares et des offres qu’elle pourra obtenir ailleurs.

Les économistes appellent option extérieure la solution disponible lorsque la relation actuelle s’arrête ou qu’un accord échoue. Du côté du salarié, cela peut être un autre emploi. Du côté de l’entreprise, une autre organisation, un recrutement ou une automatisation. Une option n’a de poids que si elle est praticable. Une démonstration séduisante ne remplace donc pas l’évaluation de la fiabilité, de l’intégration et des compétences nécessaires pour faire fonctionner le service.

Henrique Basso et Omar Rachedi étudient cette logique à propos des robots industriels. Leur travail associe des données américaines de 2008 à 2018 à un modèle de négociation : la capacité d’automatiser peut modifier la réaction des salaires, même lorsque l’ajustement envisagé n’est pas immédiatement réalisé. Ce résultat éclaire un mécanisme ; ses paramètres ne se transposent pas directement aux outils génératifs de 2026. ^[2]

Méthode et périmètre

Schéma analytique conditionnel, sans échelle de montant ni probabilité. L’automatisation et la standardisation sont distinguées dans le texte. Les effets envisagés dépendent de l’adoption effective, des débouchés et des institutions du marché du travail.

L’autre côté de la relation est tout aussi important. Si plusieurs employeurs recherchent la même compétence, le salarié peut convertir un gain d’efficacité en mobilité et en progression salariale. Si les postes accessibles se raréfient, une excellente performance dans l’entreprise actuelle peut coexister avec un pouvoir de négociation affaibli. L’effet passe alors par le marché environnant, y compris pour une personne qui utilise peu l’IA.

Il faut donc regarder ensemble la capacité de remplacer et la capacité de partir. Mesurer seulement le nombre de tâches techniquement automatisables laisse de côté la demande des clients, l’organisation du travail et les solutions de repli des deux parties.

Quand le savoir circule dans l’entreprise

Un document de travail de septembre 2026, signé Masao Fukui, Emi Nakamura et Jón Steinsson, formalise un phénomène voisin : la standardisation peut accroître la production tout en rendant les salariés plus interchangeables. Dans ce modèle, les personnes continuent d’accomplir les tâches. C’est la dépendance du résultat à leur savoir individuel qui diminue. Le travail propose une explication théorique du partage des revenus, plutôt qu’une estimation de l’effet actuel des chatbots. ^[3]

L’intérêt de cette approche tient à l’architecture du travail. Reprenons notre service fictif. Si l’outil propose une procédure et si le salarié apprend à la discuter, à la corriger et à en comprendre les limites, une compétence transportable peut se former. Si la procédure devient une suite d’instructions dont le salarié ignore la logique, la performance peut s’améliorer tout en restant très dépendante du système de l’employeur. Dans les deux situations, le compteur de dossiers augmente. La valeur professionnelle acquise peut être différente.

Un terrain réel montre que cette diffusion du savoir peut aussi être favorable aux débutants. Dans l’étude publiée en 2025 par le Quarterly Journal of Economics, une étude portant sur 5 172 agents de support mesure une hausse moyenne de 15 % des dossiers résolus par heure lors de l’introduction progressive d’une assistance générative. Les 5 172 personnes constituent l’échantillon étudié ; toutes n’ont pas reçu l’outil. Les moins expérimentés bénéficient particulièrement de l’outil. Ce pourcentage décrit une mesure de production au poste de travail, pas une hausse de salaire. ^[4]

Notre précédente revue sur l’IA et la productivité présentait des versions antérieures de plusieurs études. Cette analyse retient les versions publiées ou révisées identifiées en sources.

La même amélioration technique peut ainsi ouvrir un métier à davantage de candidats et modifier la rareté d’une expertise. Tout dépend ensuite de l’expansion de l’activité, des compétences demandées et de la concurrence entre employeurs. Une entreprise qui conquiert de nouveaux clients peut recruter davantage, alors même que chaque salarié traite plus de dossiers.

Le modèle de Fukui et de ses coauteurs contient d’ailleurs un contrepoint instructif : lorsque toutes les entreprises y sont identiques et standardisées de la même manière, les meilleures possibilités de remplacement des employeurs sont compensées par les meilleures possibilités de retrouver un poste pour les salariés. La part du travail reste alors inchangée. Les différences entre entreprises sont décisives pour obtenir l’autre résultat. ^[3]

Cette condition interdit de déduire une baisse générale des salaires de la seule facilité d’utilisation d’un outil. Elle invite à observer où se créent les emplois accessibles et si les compétences nouvelles permettent réellement de circuler entre entreprises.

Le ralentissement peut commencer à l’entrée

Pour un débutant, l’option extérieure dépend d’abord de l’existence d’une offre. Une entreprise peut réduire ses recrutements tout en conservant ses équipes. Les salariés présents continuent à travailler ; les candidats attendent plus longtemps leur première possibilité. À court terme, l’effectif total peut donner une impression de continuité, alors que les trajectoires des nouvelles cohortes changent.

Dans la version révisée en août 2026 de leur étude sur les paies américaines ADP, les chercheurs de Stanford observent cette divergence chez les 22–25 ans. Entre novembre 2022 et juin 2026, l’emploi baisse d’environ 11 % dans les deux groupes de professions les plus exposés à l’IA et progresse d’environ 10 % dans les trois groupes les moins exposés. Ils situent l’ajustement surtout dans les recrutements. ^[5]

Méthode et périmètre

Base commune 100 en novembre 2022. Groupe fortement exposé : deux quintiles supérieurs de professions, environ −11 %. Groupe moins exposé : trois quintiles inférieurs, environ +10 %. Calcul sur ces arrondis : 89 / 110 − 1 = −19,09 %. Seuls les points de départ et d’arrivée sont représentés ; aucune évolution mensuelle n’est inventée. Version du document annoncée le 12 août 2026 ; limites et tendances antérieures, pages 3–4.

Le chiffre d’environ 19 % mis en avant dans cette version compare les trajectoires. Il exprime l’écart par rapport au niveau atteint si le groupe le plus exposé avait suivi l’autre. Les auteurs signalent des tendances antérieures, une sensibilité aux contrôles et un écart plus prononcé dans ADP que dans les enquêtes nationales. Ils ne présentent pas cette mesure comme un effet causal isolé de l’IA. ^[5]

En France, l’Insee décrit également une faiblesse à l’entrée. Sa note du 24 mars 2026 relève une baisse annuelle de 7,4 %, au quatrième trimestre 2025, de l’emploi des 15–29 ans hors alternants dans les activités informatiques et les services d’information. Le périmètre et la période diffèrent de l’étude américaine ; ce constat descriptif ne permet pas d’attribuer toute la baisse à l’IA. ^[6]

Ces observations donnent une raison de suivre les flux, au-delà des annonces de suppressions de postes. Pour savoir comment la négociation évolue, on voudrait connaître le nombre de candidatures abouties, le délai pour retrouver un emploi comparable et la rémunération proposée aux entrants. Une raréfaction des offres pourrait peser sur les exigences salariales avant de modifier la rémunération des équipes en place.

La transmission reste une hypothèse à tester. Le recul des recrutements peut aussi refléter un cycle d’activité, des embauches excessives dans la période précédente ou une recomposition des qualifications. Relier les données d’adoption aux décisions de recrutement, entreprise par entreprise, permettrait de mieux départager ces explications.

Un risque plus lent concerne la formation. Si les tâches simples disparaissent du parcours d’entrée, il faut reconstruire les occasions d’apprendre qui conduisent aux tâches difficiles. Une équipe très expérimentée peut momentanément fonctionner avec moins de juniors. La question de son renouvellement se pose ensuite. Ce scénario concerne l’organisation de l’apprentissage ; les chiffres disponibles ne permettent pas d’en mesurer aujourd’hui l’ampleur future.

Les résultats européens résistent au récit uniforme

L’étude danoise d’Anders Humlum et Emilie Vestergaard apporte un contrepoids important. Elle relie des enquêtes auprès d’environ 25 000 travailleurs, dans onze professions exposées, à leurs données administratives jusqu’à fin 2024. Les auteurs ne détectent pas d’effet moyen différentiel net sur les revenus ou les heures. Leurs intervalles excluent un effet moyen sur les revenus d’une ampleur supérieure à 2 %. Cette borne porte sur leur estimation moyenne, pas sur chaque trajectoire individuelle. ^[7]

Un autre travail, publié par la BRI en janvier 2026, exploite des données d’entreprises de 2019 à 2024. Les auteurs estiment un gain de productivité et trouvent des rémunérations plus élevées chez les utilisateurs, sans recul de l’emploi détecté à court terme. Leur méthode repose sur un rapprochement avec des entreprises américaines comparables ; l’interprétation causale dépend de ses hypothèses. L’IA y comprend des usages plus larges que les assistants génératifs. ^[9]

Les intentions recueillies par la BCE vont également dans un sens favorable chez les utilisateurs intensifs. Dans la vague de fin 2025 de l’enquête SAFE (Survey on the Access to Finance of Enterprises, sur l’accès des entreprises au financement), ceux-ci prévoient davantage de progression salariale et d’emploi sur les douze mois suivants que les non-utilisateurs. Le graphique reprend les moyennes pondérées brutes publiées en note : elles diffèrent des écarts ajustés calculés dans la régression. ^[8]

Méthode et périmètre

Source : note 4 de l’encadré SAFE, Bulletin économique BCE 2/2026. Salaires : 3,1 % sans usage, 3,7 % avec usage significatif. Effectifs : 0,6 % et 2,8 %. Les écarts bruts ne sont pas mélangés avec les coefficients ajustés de +0,6 point pour les salaires et +1,3 point pour l’emploi. Périmètre IA large, comprenant outils prédictifs, génératifs et automatisation de processus. Aucun intervalle de confiance des moyennes n’est reconstitué.

Une entreprise qui voit ses commandes augmenter peut investir dans l’IA et prévoir des embauches pour la même raison : elle cherche à développer sa capacité. Comparer les utilisateurs aux autres sans tenir compte de cette sélection attribuerait trop vite à l’outil une différence qui existait dans leurs perspectives. Réciproquement, classer les entreprises selon l’exposition technique de leur métier ne mesure pas précisément leur adoption effective.

La BCE souligne aussi l’importance du motif d’utilisation. Dans son analyse publiée le 4 mars, l’usage associé à la recherche et à l’innovation accompagne des créations d’emplois ; les entreprises visant une réduction des coûts de personnel présentent un autre profil. Les résultats viennent de comparaisons d’enquête avec contrôles, et leur horizon demeure limité. ^[14]

Ces travaux ne peuvent pas être fondus dans une moyenne unique. Ils observent des années, des technologies et des populations différentes. Ils rendent en revanche une conclusion nécessaire : l’hypothèse d’un affaiblissement salarial doit être examinée face à des cas où l’adoption s’accompagne d’une expansion, et face à des résultats moyens encore proches de zéro.

L’absence d’effet détecté jusqu’à fin 2024 ne tranche pas toutes les transformations de 2026. Elle oblige à préciser ce qui aurait changé depuis : intensité d’usage, fiabilité, intégration ou demande. Sans ce lien supplémentaire, annoncer que l’effet négatif serait simplement retardé reviendrait à protéger l’hypothèse contre toute observation contraire.

Le partage change même lorsque la fiche de paie progresse

La productivité décrit ce qui est produit par unité de travail. La valeur ajoutée est la valeur de la production diminuée des biens et services consommés pour la réaliser. Dans notre exemple d’entreprise, la part salariale rapporte la rémunération totale des salariés à cette valeur ajoutée. Une rémunération et une productivité en hausse peuvent ainsi coexister avec une part salariale en recul. ^[15]

Prenons un exemple entièrement fictif, à prix constants, avec le même effectif et le même nombre d’heures. La valeur ajoutée passe de 100 à 110 unités. La rémunération totale du travail, cotisations employeur comprises, passe de 60 à 61,2. Elle augmente donc de 2 %, tandis que la valeur ajoutée progresse de 10 %. La part du travail descend de 60 % à environ 55,6 %. ^[16]

Méthode et périmètre

Paramètres choisis pour exposer l’arithmétique, sans estimation empirique ni prévision. Avant : valeur ajoutée 100, travail 60, reste 40. Après : 110, 61,2 et 48,8. Part finale : 61,2 / 110 × 100 = 55,636 %. Les barres sont à la même échelle à partir de zéro. Rémunération avec cotisations employeur ; les autres composantes de la valeur ajoutée ne sont pas le bénéfice net. La source 3 éclaire la question du partage et ne fournit aucun des paramètres fictifs.

Cet exercice ne prédit aucun de ces taux. Il montre pourquoi une fiche de paie en hausse peut coexister avec une redistribution du revenu produit. Le reste de la valeur ajoutée comprend d’autres composantes, dont l’excédent brut d’exploitation et, selon la convention, des impôts nets de subventions. L’assimiler au bénéfice net effacerait notamment l’usure du capital et plusieurs étapes des comptes. ^[17]

Le salaire moyen peut aussi devenir difficile à interpréter lorsque la composition des équipes change. Dans un autre exemple fictif, deux personnes rémunérées respectivement 30 et 50 donnent une moyenne de 40. Si seul le poste payé 50 reste dans le calcul, la moyenne monte à 50 sans augmentation individuelle. Un ralentissement des embauches juniors peut modifier ce type de composition. Pour suivre le partage, il faut donc rapprocher rémunérations à caractéristiques comparables, heures et entrées dans l’emploi.

La lecture des mesures américaines de productivité et de rémunération réelle distingue également leur périmètre et leur période ; elle ne mesure pas un effet propre de l’IA.

C’est ici que le sujet devient macroéconomique. Une hausse du revenu global peut être distribuée différemment entre ménages. Son effet sur la consommation dépendra de la part que les bénéficiaires dépensent, de leur épargne et de leur accès au crédit. Les détenteurs de capital peuvent également être salariés, directement ou par l’intermédiaire de fonds de retraite. La séparation comptable entre travail et autres revenus ne suffit donc pas à désigner les ménages gagnants et perdants.

Le calendrier des accords salariaux

Les hausses déjà négociées créent une inertie. Une entreprise peut réviser son organisation cette année alors qu’un accord prévoit encore les augmentations des mois suivants. Pour identifier un changement de rapport de force, les nouveaux accords et les offres d’embauche peuvent devenir plus informatifs que les seuls salaires versés aujourd’hui.

Le wage tracker de la BCE, publié le 16 septembre, exploite les accords signés jusqu’à fin août. Les clauses connues impliquent une progression annuelle de 2,7 % au premier trimestre 2027 et de 2,8 % au deuxième. Mais la couverture statistique passe de 32,5 % à 25,1 % des salariés des neuf pays participants. Ces informations contractuelles restent conditionnelles aux accords présents dans la base. ^[11]

Méthode et périmètre

BCE, communiqué du 16 septembre 2026, tableau 1. Accords connus à fin août. T1 2027 : hausse annuelle 2,7 %, couverture 32,5 %. T2 : 2,8 % et 25,1 %. Les barres de couverture sont proportionnelles sur une base 100 ; la frise calendaire est schématique et non proportionnelle. Dénominateur : salariés des neuf pays participants. Données conditionnelles et révisables ; la partie prospective ne constitue pas une prévision.

Les futurs accords pourront enrichir ou modifier le signal. La partie grisée du graphique désigne ce qui échappe aux données disponibles du tracker ; elle n’identifie pas des salariés dépourvus de négociation collective. Le communiqué précise aussi que des primes anciennes créent des effets de base sur la mesure de 2026. Un ralentissement apparent doit d’abord être confronté à ces calendriers avant qu’on lui cherche une explication technologique. ^[11]

Pour l’inflation, le passage de la productivité aux prix comporte encore une étape. Reprenons notre entreprise fictive : produire davantage avec une rémunération totale augmentant moins vite réduit la composante salariale par unité produite. L’entreprise peut baisser son prix, préserver sa marge, améliorer la qualité ou consacrer davantage de ressources à d’autres intrants. La concurrence et la demande contribuent à déterminer le résultat. On ne peut donc pas déduire un mouvement précis des prix de vente de la seule différence entre salaires et productivité.

Il faut également que le temps libéré devienne une capacité utile. L’enquête de la BCE publiée le 26 août rappelle que les heures économisées, autodéclarées par les utilisateurs, ne deviennent une production supplémentaire que si l’organisation permet de les employer à cette fin. Traiter une tâche plus vite laisse ouverte la question du travail qui vient ensuite. ^[10]

Une file de commandes peut absorber cette capacité. Un service sans nouveau débouché peut plutôt réduire les délais, améliorer la qualité, diminuer les heures ou revoir ses recrutements. Ces réponses ont des conséquences différentes sur la croissance, le bien-être et les revenus. Les agréger trop tôt sous un unique chiffre de « productivité de l’IA » ferait disparaître le mécanisme que l’on cherche à comprendre.

Le risque d’une croissance à deux vitesses

L’investissement nécessaire à l’adoption crée une demande avant que tous les gains de production soient réalisés. L’analyse de financement publiée par la BCE le 6 octobre étudie ces liens entre nouvelles technologiques, crédit et investissement. Elle souligne aussi des différences de financement entre secteurs et entre l’Europe et les États-Unis. La dynamique de l’investissement peut donc suivre un calendrier distinct de celui des revenus du travail. ^[12]

Méthode et périmètre

Synthèse analytique, sans montant, délai calibré, probabilité ni coefficient causal. Les flèches représentent des transmissions possibles. La consommation dépend de la distribution entre ménages, du patrimoine, de l’épargne et des anticipations. Aucun effet net sur le PIB, l’inflation ou les taux directeurs n’est estimé.

Les choix de financement se prolongent dans la concurrence pour le crédit entre l’IA et les autres emprunteurs.

Un scénario favorable combine des outils utiles, une activité en expansion et des compétences recherchées par plusieurs employeurs. Les gains d’efficacité alimentent alors de nouvelles possibilités de travailler et de négocier. Dans un scénario plus déséquilibré, l’investissement reste dynamique mais les débouchés professionnels de certains ménages se réduisent. La consommation pourrait devenir plus dépendante des revenus et du patrimoine d’autres groupes. Le signe et l’ampleur de l’effet global restent à établir.

Les perceptions peuvent intervenir avant les pertes réalisées. L’enquête européenne d’août associe une vision négative de l’IA à des attentes plus défavorables sur l’emploi, les revenus et les dépenses. Les auteurs rapprochent également cette inquiétude du contexte économique général. La corrélation laisse le sens de la causalité ouvert : craindre l’IA peut accompagner une inquiétude plus large plutôt que la provoquer. ^[10]

Pour une banque centrale, ces trajectoires posent des questions différentes. Une offre productive qui s’améliore, une demande qui accélère avec l’investissement et une consommation qui ralentit dans certains groupes peuvent coexister. Une orientation automatique des taux à partir de l’étiquette « IA » ignorerait leur calendrier et leur poids respectif. L’article décrit ici des transmissions possibles, sans attribuer à l’IA une fraction déterminée de l’inflation ou du mouvement actuel des taux.

Préserver des possibilités réelles

Le pouvoir de négociation dépend aussi de l’organisation collective. Le chapitre de l’OCDE consacré au dialogue social et à l’IA décrit son rôle dans le choix des technologies, la formation et les conditions de travail. Il souligne en même temps les limites de moyens et de compétences des représentants. Ces constats, publiés en 2023, donnent des leviers à examiner, plutôt qu’une garantie de résultat valable dans chaque entreprise. ^[13]

Dans notre service de dossiers, un accord utile pourrait organiser l’apprentissage des exceptions, le temps de formation et l’accès aux tâches qui construisent une expertise. Il pourrait aussi fixer comment comparer qualité et quantité avant de redéfinir les objectifs. Ce sont des propositions d’analyse. Leur intérêt serait de rendre observable ce qui évolue dans le travail, au-delà de l’achat d’une licence ou du nombre de personnes formées à un outil.

Pour apprécier l’hypothèse de Lane, la recherche devrait ensuite suivre les mêmes salariés et les mêmes entreprises : changement effectif des tâches, offres accessibles, mobilité, rémunération à poste comparable, puis contenu des nouveaux accords. Une progression durable de ces possibilités chez les utilisateurs soutiendrait le scénario de complémentarité. Leur raréfaction, concentrée là où l’intégration de l’IA transforme réellement les tâches, renforcerait celui d’un rapport de force dégradé. Les difficultés générales d’un secteur resteraient à distinguer de l’adoption elle-même.

Au 14 octobre 2026, le corpus réuni ne permet pas d’établir une baisse générale des salaires européens causée par l’IA. Il permet de formuler une question plus précise que le décompte des postes supprimés : les travailleurs gagnent-ils, avec ces outils, davantage de possibilités professionnelles qu’ils n’en perdent ? La réponse se cherchera autant dans les emplois accessibles que dans ceux qui existent déjà.

Sources et méthode

Enquête documentaire arrêtée au 14 octobre 2026. Le discours de Lane a été confronté à des travaux de recherche, des données d’enquête et des indicateurs contractuels. Le dossier distingue mécanismes théoriques, observations descriptives, estimations dépendantes d’hypothèses et attentes des répondants. Les périodes statistiques restent attachées à chaque résultat ; les études ne sont pas agrégées en une estimation commune.

Les graphiques reproduisent des valeurs explicitement publiées ou des calculs signalés. Le cas du service de dossiers et les simulations de partage et de composition sont fictifs. Aucun entretien propre, examen de paies individuelles ni réplication des bases ADP, danoises ou SAFE n’a été réalisé. Pour l’étude publiée au QJE, le résumé, le tableau I et les sections pertinentes de la version publiée ont été consultés, notamment dans le texte hébergé par Danielle Li ; pour le Danemark, de la synthèse de recherche rédigée par les auteurs. Les autres références précisent les parties consultées.

Le visuel éditorial est une illustration conceptuelle générée avec une IA ; il ne représente ni une entreprise réelle ni une observation de recherche.

1. The AI opportunity for Europe. Philip R. Lane / BCE. Publication : 2026-10-13. Paragraphes sur le marché du travail et la transmission macroéconomique. Hypothèse sur le pouvoir de négociation et la part du travail. Aucun effet causal agrégé sur les salaires européens mesuré dans ce discours.
2. Robot adoption and inflation dynamics. Henrique S. Basso, Omar Rachedi / Banco de España, Documentos de Trabajo 2536. Publication : 2025-09-29. Résumé, introduction et mécanisme du modèle. Travail sur les robots industriels et la dynamique salaires-prix ; transposition conceptuelle à l’IA, aucun coefficient réutilisé comme estimation de son effet en 2026.
3. The Commoditization of Labor. Masao Fukui, Emi Nakamura, Jón Steinsson. Publication : 2026-09-19. Page de titre ; introduction, pages imprimées 1–4. Document de travail des auteurs, également NBER 35815. Standardisation et substituabilité ; résultat de neutralité de la part du travail lorsque les entreprises sont identiques. Aucun effet causal de l’IA générative estimé.
4. Generative AI at Work. Erik Brynjolfsson, Danielle Li, Lindsey Raymond / The Quarterly Journal of Economics. Publication : 2025-02-04. Résumé de la version publiée, volume 140(2), pages 889–942. 15 % : dossiers résolus par heure, pas salaire ni PIB. Version publiée retenue, différente des chiffres de la première version de travail. Résumé, tableau I et sections de la version publiée consultés ; échantillon total de 5 172 agents, dont 1 636 observés après accès à l’outil. texte intégral hébergé par Danielle Li.
5. Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Erik Brynjolfsson, Bharat Chandar, Ruyu Chen / Stanford Digital Economy Lab. Publication : 2026-08-12. Pages imprimées 1–4, section 2.2 et discussion des limites. Version révisée : écart descriptif de trajectoire de 19 %, et non ancien coefficient ajusté de 13 % ou 16 %. Niveaux environ −11 % / +10 % ; âges 22–25 ans. Tendances antérieures et sensibilité aux contrôles ; aucune causalité isolée revendiquée. Annonce de la révision.
6. Avec l’essor de l’intelligence artificielle générative, l’investissement numérique tire davantage la croissance aux États-Unis qu’en France, tandis que l’emploi recule dans les activités informatiques des deux côtés de l’Atlantique. Raphaële Adjerad, Gaston Vermersch / Insee, Note de conjoncture. Publication : 2026-03-24. Partie sur les jeunes entrants ; figure 11 et son texte de lecture. −7,4 % pour les 15–29 ans hors alternants dans les activités informatiques et services d’information. Aucun rapprochement quantitatif avec les 22–25 ans américains ni avec un groupe témoin tous âges. Analyse descriptive.
7. Still Waters, Rapid Currents. Anders Humlum, Emilie Vestergaard / RFBerlin Research Insight 28/26. Publication : 2026-07. Synthèse, section sur les revenus, figure 3 et implications. Environ 25 000 travailleurs, onze professions exposées ; pas d’effet moyen différentiel net sur revenus/heures. Les intervalles excluent un effet moyen sur les revenus d’une ampleur supérieure à 2 % selon les auteurs. La borne n’est ni un maximum individuel ni un intervalle exact à dessiner. Synthèse rédigée par les auteurs.
8. Adopting and investing in AI: evidence from euro area firms in the SAFE. Annalisa Ferrando, Sara Lamboglia, Judit Rariga, Maurice Schmidt / BCE. Publication : 2026. Bulletin économique 2/2026, note 4 ; note du graphique C. Moyennes pondérées non conditionnelles : salaires 3,1 / 3,7 %, emploi 0,6 / 2,8 %. Les écarts ajustés de la régression sont une autre mesure. IA au sens large ; attentes, pas réalisations ni effets causaux.
9. AI adoption, productivity and employment: evidence from European firms. Iñaki Aldasoro, Leonardo Gambacorta, Rozalia Pal, Debora Revoltella, Christoph Weiss, Marcin Wolski / BRI, Working Paper 1325. Publication : 2026-01-23. Résumé ; PDF pages imprimées 1–3, données et identification. IA et analytique au sens large. Estimation de +4 % du niveau de productivité sous hypothèses de l’instrument fondé sur des entreprises américaines comparables ; emploi sans recul détecté à court terme, rémunération supérieure. Pas une expérience aléatoire ni une prévision générale de l’IA générative.
10. AI adoption and the productivity promise: what workers report. António Dias da Silva, Laura Lebastard, David Sondermann / BCE. Publication : 2026-08-26. Sections gains de temps et perceptions ; notes méthodologiques des graphiques. Temps économisé autodéclaré ; conversion en production dépend de l’usage des heures. Corrélation entre pessimisme sur l’IA et anticipations économiques, sans sens causal établi.
11. ECB wage tracker at 2.7% in H1 2027, pointing to a modest uptick in negotiated wage growth. BCE / Eurosystème. Publication : 2026-09-16. Tableau 1, notes de couverture et effets des primes ; communiqué. T1/T2 2027 : 2,7 / 2,8 % de progression annuelle ; couverture 32,5 / 25,1 % des salariés des neuf pays participants. Informations contractuelles conditionnelles, pas prévisions. Couverture statistique ≠ couverture par la négociation collective.
12. Funding the AI revolution: evidence from euro area sectors. Ana Sofia Cianfarani, Paola Di Casola, José Ramos, Dennis Zander / BCE. Publication : 2026-10-06. Sections financement et comparaison transatlantique ; notes du graphique 4. Liens entre nouvelles technologiques, crédit et investissement ; modèle macro et classification sectorielle. Aucun coefficient de consommation ou de taux repris dans l’article.
13. Social dialogue and collective bargaining in the age of artificial intelligence. Sandrine Cazes / OCDE, Perspectives de l’emploi 2023, chapitre 7. Publication : 2023-07-11. Résumé, sections 7.2 et 7.5. Dialogue social, choix techniques, formation et conditions de travail. Analyse ancienne, aucune efficacité causale universelle ni règle juridique 2026 déduite.
14. Artificial Intelligence: friend or foe for hiring in Europe today?. Laura Lebastard, David Sondermann / BCE. Publication : 2026-03-04. Sections emplois actuels et intentions ; notes de régression. Version corrigée à 5 000 entreprises le jour de publication. Comparaisons transversales avec contrôles ; intensité et motif de l’adoption importants. Aucun résultat européen moyen présenté comme universel ou comme observation d’octobre 2026.
15. Eurostat : valeur ajoutée. Valeur de la production diminuée de la consommation intermédiaire ; définition comptable, aucun paramètre de la simulation.
16. OCDE : rémunération des salariés. Salaires et traitements bruts, avec cotisations sociales employeur ; définition, aucune observation chiffrée nouvelle.
17. Eurostat : excédent brut d’exploitation. Solde brut avant consommation de capital et autres étapes des comptes ; il ne correspond pas au bénéfice net.