L’IA transforme les salaires, pas seulement les emplois

Compression salariale : une étude d’Apollo Global Management estime le coût du ralentissement de la progression salariale des travailleurs exposés à l’IA à 28 milliards de dollars par an, répartis entre 5,8 millions de personnes.

D’où vient la version rassurante

L’affirmation s’est rapidement propagée : les suppressions d’emplois sont en baisse, les embauches sont en hausse et rien ne prouve que l’IA remplace les travailleurs. Torsten Sløk, économiste en chef d’Apollo Global, avance une version de cet argument depuis plusieurs semaines, en s’appuyant sur les données de Challenger qui montrent une baisse de 41 % des suppressions d’emplois sur un an jusqu’en août, soit le total janvier-août le plus faible depuis 2022, tandis que les projets d’embauche ont augmenté de 37 % sur la même période, atteignant leur niveau le plus élevé depuis 2023.

Cette partie résiste à l’examen. Mais ce n’est pas l’intégralité du rapport.

Dirigez plus intelligemment à l'ère de l'IA

Rejoignez la communauté People Managing People pour accéder à du contenu exclusif, des modèles pratiques, des événements réservés aux membres et des conseils hebdomadaires en leadership—c'est gratuit de s'inscrire.

Get Free Access

Have an account? Log In

Ce que montrent réellement les motifs indiqués

Avant d’adhérer une fois de plus aux récits selon lesquels l’IA sert de bouc émissaire, il vaut la peine d’examiner en détail les données utilisées pour étayer cette nouvelle version de l’argument. 

Le rapport mensuel de Challenger comprend deux tableaux distincts : l’un suit le nombre total de suppressions d’emplois, tandis que l’autre les répartit selon les raisons déclarées par les employeurs pour justifier les licenciements.

Dans le deuxième tableau, l’IA est la principale raison citée pour les suppressions d’emplois jusqu’à présent en 2026, mentionnée dans 116 175 annonces, soit 22 % de toutes les suppressions d’emplois cette année. La baisse globale du nombre total de suppressions d’emplois s’explique principalement par une diminution des licenciements dans le secteur public par rapport aux niveaux exceptionnellement élevés de l’année dernière, et non par un recul du rôle de l’IA dans les suppressions d’emplois qui ont effectivement lieu.

Deux choses peuvent être vraies simultanément : le nombre total de licenciements peut diminuer, et l’IA peut rester la raison la plus fréquemment invoquée pour les licenciements qui subsistent.

Le constat concernant le frein à l’embauche présenté plus haut provient d’une enquête de la Fed de New York auprès d’entreprises de services utilisant l’IA, dont les résultats sont détaillés ci-dessous. 

Ce n’est pas la première fois que cela se produit

Le fait que les salaires absorbent un choc d’automatisation plutôt que les effectifs a un précédent. Les robots industriels ont produit un schéma presque identique, des années avant que l’IA générative n’existe comme outil de travail.

Dans une étude publiée dans le Journal of Political Economy, Daron Acemoglu, du MIT, et Pascual Restrepo, de l’université de Boston, ont étudié l’adoption des robots dans 19 secteurs et 722 zones de déplacement domicile-travail aux États-Unis entre 1990 et 2007.

Leur principale conclusion : chaque robot supplémentaire pour 1 000 travailleurs réduisait le ratio emploi-population d’environ 0,2 point de pourcentage et les salaires d’environ 0,42 %. L’effet s’accumulait progressivement au sein des marchés locaux du travail au fil des années, plutôt que de prendre la forme d’une vague de licenciements très médiatisés.

L’impact n’était pas non plus réparti de manière uniforme. Les chercheurs ont constaté qu’il se concentrait principalement sur les travailleurs moins diplômés, en particulier dans l’industrie manufacturière, tandis que les travailleurs situés aux échelons supérieurs de l’échelle salariale étaient largement épargnés. Cela correspond étroitement à la configuration observée par Apollo dans les données de cette année sur l’IA : les travailleurs des services et ceux du quartile inférieur des revenus absorbent l’essentiel de l’effet sur les salaires, tandis que les personnes les mieux rémunérées n’en subissent aucun.

La comparaison a toutefois ses limites. Les robots industriels sont des investissements physiques en capital, coûteux. Les outils d’IA sont bon marché et peuvent se diffuser dans une organisation en quelques semaines, ce qui pourrait signifier que le phénomène se déroulera plus rapidement, plus lentement ou différemment, d’une manière que les données sur les robots ne permettent pas de prévoir.

Ce que cette étude établit, c'est que ce schéma précis — les perturbations se répercutant sur les salaires et la participation plutôt que sur les effectifs — s'est déjà produit une fois dans des données mesurables et publiées, bien avant que l'IA ne remette la question à l'ordre du jour. 

Les 4 800 $ manquants 

Le chiffre de 28 milliards de dollars avancé par Apollo, qui correspond à la croissance salariale totale perdue par les travailleurs exposés à l'IA dans l'étude, est présenté sous la forme d'une moyenne unique :  4 800 $ par an, répartis entre 5,8 millions de travailleurs. 

Les moyennes masquent la répartition très inégale de ce chiffre, et il convient de prêter attention aux calculs que le chiffre global laisse de côté.

Au sein de ce groupe, les travailleurs des services ont connu une baisse relative de 24,3 % de la croissance salariale, et le quartile inférieur des revenus une baisse de 10,7 %, tandis que les personnes les mieux rémunérées n'ont subi aucun effet mesurable. 

L'écart est plus grand que ne le laisse entendre la moyenne de 4 800 $, et il touche le plus durement les personnes qui gagnent déjà le moins. Un employé de centre d'appels ou un vendeur du commerce de détail qui subit une croissance salariale inférieure de près d'un quart perd bien plus que la moyenne, en plus de partir d'un salaire déjà plus faible. Une personne qui gagne déjà bien sa vie dans un métier fortement exposé pourrait ne presque rien ressentir de tout cela. 

Cela compte dans la façon dont ce phénomène apparaît, ou n'apparaît pas, dans la plupart des rapports sur la rémunération. Une entreprise qui examine la croissance moyenne globale des salaires cette année pourrait voir un chiffre qui semble proche de la normale, car les travailleurs dont les revenus sont suffisamment élevés pour ne pas être affectés tirent la moyenne vers le haut.

La compression est bien réelle pour les travailleurs qui la subissent, mais elle reste invisible dans le chiffre agrégé que la direction est le plus susceptible de voir en premier.

Ce qu'il faut vérifier dans vos propres données

Aucun des trois rapports à l'origine de ces conclusions ne nécessitait de données propriétaires, pas plus que leur vérification en interne. 

Les chiffres de Challenger proviennent d'annonces publiques de suppressions de postes. La Fed de New York interroge directement les entreprises et publie les résultats. Apollo a établi son estimation à partir des données du Bureau des statistiques du travail. 

Pour avoir une idée approximative de l'ampleur du phénomène par État, le tableau de bord wageloss.ai du Centre pour la sécurité de l'IA convertit les licenciements attribués à l'IA par Challenger en une estimation en dollars, même s'il ne prend en compte que le volet des licenciements, et non la compression salariale ou le ralentissement des recrutements, qui nécessitent davantage d'attention. Le schéma sous-jacent est visible dans des données que la plupart des organisations possèdent déjà. 

Voici quelques points de départ pour une équipe de rémunération ou de ressources humaines qui souhaite effectuer cette vérification :

• Segmentez la croissance salariale selon l'exposition à l'IA, et pas seulement par service. Calculez la croissance salariale sur les 24 derniers mois pour les postes où les outils d'IA sont régulièrement utilisés, puis comparez-la à celle de postes par ailleurs similaires, au même niveau et avec la même ancienneté, où ils ne le sont pas. Une moyenne combinée à l'échelle d'un service peut masquer la même compression qu'une moyenne nationale.
• Vérifiez les demandes de recrutement qui ont été clôturées plutôt que pourvues. Ni Challenger ni l'enquête de la Fed de New York ne peuvent repérer une demande de recrutement approuvée puis clôturée sans embauche. La plupart des systèmes de suivi des candidatures le peuvent. Ce chiffre, pour les postes spécifiquement exposés à l'IA, est plus proche de ce que mesure le chiffre de 15 % de la Fed de New York concernant les entreprises qui « ont recruté moins » que tout ce qui figure dans un rapport sur les effectifs.
• Surveillez le délai de remplacement, et pas seulement le taux de remplacement. Un écart croissant entre le départ d'une personne occupant un poste exposé à l'IA et son remplacement, même si le poste finit par être pourvu, constitue souvent la première manifestation visible de ce schéma, bien avant qu'il n'apparaisse dans une enquête d'engagement ou un entretien de départ.
• Réunissez la rémunération et la planification de l'adoption de l'IA autour de la même table. L&D, ou la personne qui dirige le déploiement de l'IA, gère généralement le budget de reconversion. La rémunération gère le budget salarial. Si un poste bénéficie cette année d'un investissement dans la reconversion tandis que sa croissance salariale accuse du retard, les deux équipes qui suivent ces chiffres séparément pourraient ne jamais les comparer. Le lien ne sera donc établi que si une personne placée au-dessus des deux équipes pose à chacune la même question.

Rien de tout cela ne nécessite d'attendre le prochain rapport de Challenger ou la prochaine enquête de la Fed. Les données à vérifier se trouvent déjà en grande partie dans un SIRH et un ATS.