Une fondatrice, installée dans une chambre libre à Columbus, passe un week-end à construire un outil qui trie les demandes d’indemnisation selon leur probabilité de contestation. Elle faisait auparavant ce tri elle-même, pour un salaire d’experte en sinistres. En mars, un assureur régional lui paie par carte le premier mois de service. Elle n’a ni salarié, ni bail de bureau, ni compte de paie : lorsque le statisticien du service du travail de l’État compte les nouveaux emplois du trimestre, elle n’y figure pas. Son ancien employeur, lui, a cessé de remplacer les deux experts partis.

Les scènes qui ouvrent et concluent cet article sont des illustrations ; les personnes qui y figurent sont inventées.

La question de savoir si la fondatrice et les bureaux vides se compensent est au cœur d’une prépublication déposée sur arXiv le 12 novembre 2026. Mark Esposito et Liu Zhang, tous deux affiliés à l’entreprise micro1, soutiennent dans AI and the Two Margins of Work que la technologie agit sur la demande de travail à deux endroits. Le premier est le travail dans les entreprises établies, où l’automatisation peut supprimer rapidement des tâches. Le second est la création de nouvelles activités, souvent par de nouvelles entreprises, qui mettent des années à se traduire par des embauches. Selon eux, les statistiques de paie enregistrent le premier rapidement et le second tardivement. L’article n’a pas été évalué par les pairs.

Ce que l’informatique a changé sur les deux fronts

Les auteurs partent du bilan de la dernière grande technologie à usage général. À partir des Business Dynamics Statistics du Census Bureau, ils examinent la période de 1982 à 1998. Les entreprises dans leur première année ont ajouté en moyenne 2,78 millions d’emplois par an. Les jeunes entreprises déjà établies, âgées d’un à cinq ans, en ont perdu 0,44 million en net, et les plus anciennes 0,52 million. La moyenne nationale publiée était de 1,80 million de nouveaux emplois par an : les créations d’entreprises compensaient donc plus que la contraction de toutes les autres.

Ces nouveaux emplois n’ont pas disparu. L’emploi dans les entreprises apparues à partir de 1978 est passé de 2,55 millions en 1978 à 45,68 millions en 1998, tandis qu’il diminuait dans les entreprises déjà en activité avant 1978. En 1998, les nouvelles entrantes représentaient 42 % des emplois salariés, et une cohorte d’entrantes conservait environ 80 % de ses emplois salariés au bout de cinq ans. Dans les secteurs les plus exposés à l’automatisation, les entreprises établies ont commencé à prendre du retard dès le début des années 1980. Les auteurs jugent seulement suggestive l’accumulation ultérieure d’emplois chez les nouvelles entrantes, car, en 1998, ses erreurs-types dépassent les estimations.

Ils rapprochent ces résultats des travaux de David Autor et de ses collègues, qui ont comparé des décennies d’intitulés de postes du recensement et estimé qu’environ 60 % des emplois américains de 2018 correspondaient à des intitulés inexistants en 1940. Daron Acemoglu et Pascual Restrepo fournissent le cadre : une technologie a un effet de déplacement lorsque les machines reprennent des tâches, et un effet de réintégration lorsque de nouvelles tâches apparaissent dans lesquelles les humains ont un avantage. Le résultat à long terme dépend de l’équilibre entre les deux.

Un modèle du décalage

Le modèle de l’article comporte une capacité d’IA qui réduit le coût d’une production acceptable dans les activités existantes et rend aussi d’autres projets intéressants à tenter. Il distingue l’effort propre du fondateur des heures de travail qu’il rémunère. L’hypothèse centrale est que les produits déjà exploités mettent du temps à changer d’échelle. S’ils le font immédiatement, l’automatisation ne supprime aucune heure au total. Sinon, les heures diminuent d’abord, puis se redressent à mesure que les entreprises établies se développent de nouveau et que de nouveaux produits arrivent.

Le calendrier détermine alors la profondeur du creux. Un gain soudain d’efficacité de l’ampleur supposée par les auteurs réduit les heures salariées de 4,6 %. Le même gain réparti sur sept ans, ce qui correspond selon eux davantage à la façon dont l’IA a été adoptée, produit un creux de 0,23 % qui se résorbe après environ sept ans. Ce sont des simulations fondées sur des hypothèses calibrées, et non des mesures.

Ce que les données montrent jusqu’ici

Les auteurs examinent ensuite les flux d’emplois des établissements recensés par le Bureau of Labor Statistics jusqu’au premier trimestre 2026. Dans 72 secteurs, entre le quatrième trimestre 2022 et le premier trimestre 2026, l’emploi des établissements qui existaient avant ChatGPT a diminué d’un montant équivalant à 13,6 % de son niveau de 2019. Le rythme n’était pas plus rapide qu’entre 2019 et 2022, et les ouvertures ont plus que remplacé ces emplois. Les secteurs les plus exposés aux grands modèles de langage ne montrent pas de pertes plus fortes que les autres dans les établissements poursuivant leur activité ; l’écart estimé est de 1,1 point avec une erreur-type de 1,9. Ils ne montrent pas non plus davantage de créations d’emplois lors des ouvertures.

Un choc soudain de l’ampleur envisagée par le modèle est exclu. Les possibilités restantes ne peuvent pas être départagées. Selon les auteurs, le résultat correspond à ce que leur modèle prédit avec une adoption lente, mais aussi à ce qu’on observerait en l’absence d’effet sur l’emploi salarié. Ils précisent ce qui permettrait de les distinguer : un écart devrait d’abord apparaître au sein des professions et dans l’embauche de personnes débutant dans les emplois exposés, avant de se manifester dans les totaux sectoriels.

Le Monetary Policy Report de novembre de la Bank of England, publié le 6 novembre, lit le même profil sous un autre angle. Les entreprises de son Decision Maker Panel estiment que l’IA a augmenté leur productivité d’environ 0,5 % en trois ans, ce que la Banque convertit en 0,1 à 0,2 point de pourcentage par an depuis le début de 2024. Elles signalent un effet proche de zéro sur l’emploi. Les agents de la Banque indiquent que l’adoption réduit la probabilité d’embaucher ou de remplacer des salariés, mais n’augmente pas sensiblement les licenciements.

Où se cache le nouveau travail

La création d’activité se manifeste plus tôt, mais pas dans la paie. Marchesi et Tang estiment qu’après la sortie de ChatGPT, les créations d’entreprises ont augmenté de plus de 10 % dans les secteurs dont l’IA peut faciliter les tâches de démarrage. Bena, Bian et Giannetti constatent environ 20 % de créations de start-up supplémentaires dans les secteurs davantage exposés au niveau des tâches, avec des entrantes plus petites. Les deux études comptent les demandes et immatriculations, qui précèdent toute embauche.

Les auteurs ajoutent une mesure de ce que la paie ne saisit pas. Le nombre d’entreprises sans salariés recensées par le Census Bureau a augmenté de 5,1 % en 2024, soit 1,56 million, contre un gain net de 0,89 million d’emplois salariés privés. En valorisant cette hausse aux recettes moyennes et en la convertissant au salaire moyen, ils l’évaluent à environ 1,3 million d’équivalents d’emplois salariés. Ils avertissent que la plupart de ces activités sont exercées à temps partiel et que les seuls décomptes ne permettent pas de relier la hausse à l’IA.

L’affirmation plus générale concerne l’enregistrement statistique. Si les heures des nouvelles activités entrent dans les statistiques avec un retard moyen d’un à trois ans, le creux réel de 0,23 % est mesuré à 0,6 à 1,0 %, et le redressement mesuré passe de 6,9 ans à une durée comprise entre 7,7 et 11,7 ans. Sans conversion de nouvelles activités en emplois salariés, le creux mesuré atteint 2 %. Selon les auteurs, la trajectoire sous-jacente est la même ; seul son enregistrement est tardif.

Un ratio à surveiller

Ils proposent comme correctif un ratio net de réintégration : les heures rémunérées dans les activités supplémentaires divisées par les heures rémunérées de tâches supprimées depuis une année de référence. Au-dessus de un, le nouveau travail utilise davantage d’heures que l’automatisation n’en a supprimé. Les heures supprimées nécessitent un scénario contrefactuel, puisque personne n’observe le travail qui aurait autrement été effectué. À titre d’analogue historique, les auteurs calculent 1,09 à partir des intitulés d’Autor pour 1990 à 2018 et soulignent qu’il ne s’agit pas d’une estimation pour l’IA.

Les auteurs signalent eux-mêmes des limites. Les intitulés de postes suivent la réalité avec retard ; un avocat peut garder son titre tandis que son travail change ; une activité peut rester hors de la paie ; une observation précoce ne décrit qu’une étape. Le calibrage du modèle détermine son creux et son redressement, et la fenêtre des données comprend la reprise après la pandémie.

À l’automne, la fondatrice de Columbus publie sa première offre : un poste d’analyste à temps partiel pour lire les demandes contestées qu’elle n’a pas le temps de traiter. Il apparaîtra dans une enquête de paie deux trimestres plus tard. L’assureur qui a cessé de remplacer ses experts disposera alors d’un an de chiffres montrant qu’il en a moins besoin, et la statistique censée compter les deux n’aura encore rempli qu’un côté.

Références

  • Acemoglu, D., & Restrepo, P. (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor. Journal of Economic Perspectives, 33(2), 3-30. doi.org
  • Autor, D., Chin, C., Salomons, A., & Seegmiller, B. (2024). New Frontiers: The Origins and Content of New Work, 1940-2018. Quarterly Journal of Economics. doi.org
  • Bank of England (2026). Monetary Policy Report, November 2026. bankofengland.co.uk
  • Bena, J., Bian, B., & Giannetti, M. (2026). Prompted to Start: How Generative AI Is Transforming Entrepreneurship. SSRN 5749564. papers.ssrn.com
  • Esposito, M., & Zhang, L. (2026). AI and the Two Margins of Work: Why Job Losses Show Up Before Job Creation. arXiv:2611.17530. arxiv.org
  • Marchesi, E., & Tang, S. (2026). When AI Meets Entrepreneurship: Evidence from the Commercialization of ChatGPT. SSRN 5759264. papers.ssrn.com
  • U.S. Census Bureau. Business Dynamics Statistics. census.gov