Une échéance fictive fixée au vendredi pourrait être celle de n’importe qui. Une femme de vingt-quatre ans, que nous appellerons Ivana, a deux enveloppes sur son bureau. L’une contient une offre de l’équipe d’analyse d’une banque, avec un salaire et une date de début. L’autre, une admission à un master d’un an en science des données qui lui coûterait une année de salaire. Elle a passé une semaine à se demander pour lequel des deux un recruteur sera encore prêt à payer dans cinq ans. Son père, employé de banque depuis vingt-cinq ans, lui dit que l’expérience l’emporte toujours. Son professeur lui dit que le diplôme ouvre les portes. Tous deux parlent à partir d’un marché du travail qui n’existe peut-être plus.

Le 26 octobre, trois économistes de l’Universidad Torcuato Di Tella à Buenos Aires, Eduardo Levy Yeyati, Darío Judzik et Juan Ignacio Barbiero, ont publié un document de travail qui chiffre précisément ce débat. Intitulé Practice Makes Perfect, il affirme que l’IA générative a déjà modifié le prix du capital humain dans les professions américaines qui y sont le plus exposées. Le salaire associé à une année d’études supplémentaire a baissé. Celui d’une année d’expérience supplémentaire a augmenté en début de carrière et diminué en fin de carrière. L’article est une prépublication et n’a pas été évalué par les pairs.

Deux prix, un choc

Les auteurs partent d’une distinction ancienne. Les études constituent selon eux une approximation du savoir codifié, celui qui peut être écrit, enseigné et stocké. L’expérience représente le savoir issu de la pratique : le jugement qu’un gestionnaire de dossiers ou un chirurgien construit par répétition et qui résiste à la mise par écrit. Un modèle qui fournit du savoir codifié sur le lieu du travail devrait rendre ce premier type de connaissance moins cher ; les auteurs prédisent donc une baisse de ce que rapportent les études. Si les deux savoirs se complètent, l’abondance du savoir codifié devrait accroître la valeur du jugement, surtout en début de carrière, lorsque la pratique enseigne le plus vite. Une partie de l’expérience est aussi liée aux outils avec lesquels elle a été acquise, et cette partie peut perdre de la valeur.

Pour le tester, ils utilisent les fichiers de revenus de la Current Population Survey de 2018 à juin 2026. Ils retiennent les quarts supérieur et inférieur des professions américaines classées selon un indice d’exposition construit par Edward Felten, Manav Raj et Robert Seamans avant l’apparition de ChatGPT. Le groupe exposé comprend les développeurs logiciels, les responsables financiers et les avocats. Le groupe de comparaison inclut les chauffeurs routiers, les ouvriers du bâtiment et les serveurs. Les auteurs comparent chaque groupe avant et après novembre 2022, date de sortie de ChatGPT. Ils estiment les variations des gradients salariaux, le prix d’une année d’études ou d’expérience au sein d’une profession, et réservent à un terme distinct la question de l’évolution du salaire moyen.

Ce que montrent les données salariales

Avant le choc, une année d’études rapportait 7,5 points logarithmiques dans les professions exposées, plus de quatre fois le rendement du groupe de comparaison. Après, les auteurs constatent une baisse de 0,55 point logarithmique, soit environ 7 % de la valeur précédente. Dans les professions de comparaison, le rendement est resté à 1,7 point logarithmique. Puisque l’estimation compare des travailleurs au sein d’une même profession, elle ne reflète pas simplement le fait que les emplois exposés sont occupés par des personnes plus diplômées.

L’expérience a évolué dans deux directions. À trois ans d’expérience potentielle, le rendement d’une année supplémentaire a augmenté de 0,26 point logarithmique. L’effet était indiscernable de zéro à quinze ans et baissait de 0,12 point à vingt-cinq ans. Dans le modèle quadratique des auteurs, il change de signe à 18,1 ans. Pour un travailleur ayant seize années d’études et quinze d’expérience dans une profession exposée, l’article estime une variation salariale nette de moins 3,2 points logarithmiques par rapport à la trajectoire qu’implique le groupe de comparaison.

Le calendrier soutient un lien avec la sortie. Pour les études, les quatre coefficients antérieurs sont faibles et un test conjoint ne trouve rien avant novembre 2022 ; la rupture apparaît dès la première année suivante. Un placebo plaçant un faux choc au début de la pandémie donne un effet sur les études de moins 0,02. Les résultats résistent également à une règle uniforme de plafonnement des hauts revenus enregistrés sur toute la période. Cela importe, car le Census Bureau a modifié sa manière d’enregistrer les plus hauts revenus en avril 2023, et 11,5 % des observations du groupe exposé sont plafonnées, contre 0,7 % dans le groupe de comparaison.

Là où les auteurs restent prudents

L’article expose ses faiblesses. Un deuxième test de falsification, comparant le deuxième et le dernier quartile d’exposition, dont aucun n’avait été traité, a produit un effet sur les études d’une ampleur similaire, mais a échoué au test des tendances antérieures. Les auteurs y voient un avertissement : la composition des niveaux d’études peut créer une fausse rupture. La baisse en fin de carrière est la moitié la plus fragile du résultat sur l’expérience : son test des tendances antérieures donne une valeur p de 0,06, et les auteurs disent accorder davantage de poids à la hausse en début de carrière et à la rotation d’ensemble qu’à chaque chiffre de fin de carrière. Les années d’études ne captent ni le domaine ni la qualité, et l’expérience potentielle compte les années depuis la sortie de l’école plutôt que celles consacrées à des tâches exposées. Les jeunes qui restent dans ces emplois peuvent constituer un groupe sélectionné. Le coefficient des études peut aussi refléter leur valeur de signal : une technologie qui change la vitesse à laquelle les employeurs évaluent les travailleurs pourrait resserrer le gradient sans modifier ce qu’enseigne l’école. Les auteurs lisent leurs chiffres comme une réévaluation des études et de l’expérience mesurées et précisent qu’il ne s’agit pas d’une prévision des rendements à long terme.

Le même fil, depuis d’autres directions

D’autres sources de ce mois vont dans le même sens à partir de points de départ différents. Canaries in the Coal Mine? du Stanford Digital Economy Lab, révisé le 12 août 2026 par Erik Brynjolfsson, Bharat Chandar et Ruyu Chen, utilise les données de paie d’ADP sur des millions de travailleurs américains jusqu’en juin 2026. Il ne trouve pas de preuve d’une éviction généralisée, mais l’emploi des 22 à 25 ans dans les professions exposées à l’IA est inférieur de 19 % à ce qu’il serait s’il avait suivi le rythme de leurs homologues moins exposés, tandis que les travailleurs expérimentés ne présentent pas d’écart comparable. L’écart passe principalement par la réduction des embauches, et les auteurs qualifient leurs faits d’indicateurs précoces et descriptifs, non d’estimations causales. Le Beige Book de la Federal Reserve du 14 octobre rapporte que, dans cinq districts, certaines entreprises avaient réduit leurs effectifs par départs naturels, retardé des embauches ou anticipé moins de créations d’emplois après avoir investi dans l’IA. Le 16 octobre, les économistes d’Anthropic ont indiqué que la part de juniors dans ses propres recrutements techniques était passée de 27 à 9 %.

Aucune de ces études ne mesure la même chose que l’article argentin. Les données de paie comptent des emplois, le Beige Book recueille des témoignages et le récit d’Anthropic décrit une entreprise. L’article salarial porte sur les prix. Leur point commun est une histoire sur les premiers échelons des carrières professionnelles. La réserve de l’article lui-même — les résultats de début de carrière correspondent à un mécanisme de formation sans le tester — rappelle combien peu de choses sont établies. Les auteurs terminent sur une question laissée ouverte : les travailleurs peuvent-ils encore acquérir le savoir pratique dont la valeur augmente lorsque l’IA automatise une partie de l’apprentissage lui-même ?

Retour au vendredi inventé

Ivana ne trouve pas de réponse dans l’article, car il n’en donne pas. Il rapporte qu’une année d’études rapportait moins dans les professions exposées après 2022, que l’expérience précoce rapportait davantage et qu’une année d’études rapportait encore plus que dans le groupe de comparaison. Elle accepte le poste à la banque et dresse la liste des tâches auxquelles elle aura accès la première année qu’aucun modèle n’aurait pu apprendre dans un document, puisque c’est dans la pratique précoce que l’article trouve un rendement croissant. L’offre de master peut encore être reportée, et elle se renseigne lundi.

Références

  • Brynjolfsson, E., Chandar, B., & Chen, R. (2026, revised 12 August). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab. digitaleconomy.stanford.edu
  • Federal Reserve System (2026). Beige Book, October 2026: National Summary. federalreserve.gov
  • Felten, E., Raj, M., & Seamans, R. (2021). Occupational, industry, and geographic exposure to artificial intelligence: A novel dataset and its potential uses. Strategic Management Journal, 42(12), 2195-2217. doi.org
  • Levy Yeyati, E., Judzik, D., & Barbiero, J. I. (2026). Practice Makes Perfect: Tacit Knowledge, Generative AI, and Returns to Schooling and Experience. arXiv. arxiv.org
  • Wilmers, N., Catipon, R., Massenkoff, M., & McCrory, P. (2026). How employment is changing at Anthropic. The Anthropic Institute. anthropic.com