Depuis l’arrivée de ChatGPT à la fin de 2022, le débat sur l’intelligence artificielle et l’emploi est souvent réduit à une question :

Combien de postes l’IA va-t-elle supprimer ?

Nous regardons peut-être le mauvais indicateur. Les premiers changements pourraient apparaître bien avant une baisse visible de l’emploi total. Non pas d’abord dans les licenciements, mais dans les recrutements qui ralentissent, les postes qui ne sont plus ouverts et les départs qui ne sont pas remplacés.

Une étude publiée le 8 octobre 2026 par la Banque de France apporte à ce titre un signal particulièrement intéressant. Les chercheurs Marco G. Palladino, Antonin Bergeaud, Antoine Bertheau, Simon Bunel et Oscar Degos observent que, depuis fin 2022, les embauches en CDI des jeunes ont davantage reculé dans les métiers les plus exposés à l’intelligence artificielle générative. Dans le même temps, les entreprises déclarant un usage intensif de l’IA ne présentent pas de divergence statistiquement nette de leur emploi total par rapport aux autres entreprises. Ce résultat ne démontre pas que l’IA détruit les emplois des jeunes. Les auteurs sont très explicites sur ce point.

Mais il ouvre une question beaucoup plus stratégique pour les entreprises :

Si l’intelligence artificielle transforme les premières tâches confiées aux juniors, comment allons-nous continuer à fabriquer les compétences des professionnels expérimentés de demain ?

Un signal apparaît dans les recrutements des 21-29 ans

Pour étudier le phénomène, les chercheurs construisent un indice d’exposition à l’IA générative à partir du Répertoire opérationnel des métiers et des emplois de France Travail. Plus de 1 500 fiches métiers sont analysées selon les activités et les compétences qu’elles mobilisent.

Un grand modèle de langage évalue dans quelle mesure l’IA peut réaliser ou assister ces activités, en tenant compte de facteurs limitant la substitution, comme l’expertise tacite, la présence physique ou les interactions humaines. Cette distinction est fondamentale : être exposé à l’IA ne signifie pas qu’un métier va disparaître. L’indicateur ne mesure qu’une capacité technologique potentielle, pas l’utilisation réelle de l’IA dans chaque entreprise ni la probabilité de suppression d’un poste. Les chercheurs rapprochent ensuite cet indice des données administratives sur les mouvements de main-d’œuvre. Chez les 21-29 ans, l’écart est significatif. En mars 2026, la tendance des embauches en CDI dans le quintile de métiers le plus exposé se situe environ 28 % sous son niveau de novembre 2022, contre environ 8 % dans le quintile le moins exposé. L’écart atteint ainsi une vingtaine de points de pourcentage. Il diminue pour les tranches d’âge suivantes et devient presque inexistant chez les salariés de 50 ans et plus.

Le document de travail associé permet de donner un ordre de grandeur : dans le quintile le plus exposé, cette évolution représente environ 6 200 embauches de jeunes en CDI en moins par mois, relativement au niveau tendanciel de novembre 2022. Ce chiffre est important. Il doit cependant être interprété avec précaution.

Il ne signifie pas que l’IA a supprimé 6 200 emplois chaque mois. Il mesure un écart par rapport à une trajectoire de référence dans des séries désaisonnalisées et lissées. Les chercheurs parlent d’ailleurs d’un travail descriptif et précisent que leur analyse s’inscrit dans une recherche académique encore en cours.

Moins d’entrées, mais aussi moins de sorties

Un autre résultat est presque aussi important que celui des embauches. Les fins de CDI diminuent également. Chez les 21-29 ans, elles se situent environ 23 % sous leur niveau de novembre 2022 dans le quintile le plus exposé, contre environ 6 % dans le quintile le moins exposé. Les entrées diminuent donc, mais les sorties aussi.

Les chercheurs décrivent une forme de gel des mouvements de main-d’œuvre. Le marché se renouvelle moins. Comme les recrutements reculent davantage que les sorties, ce gel est asymétrique : il affecte particulièrement l’arrivée de nouveaux salariés. C’est un changement de perspective important. Si nous regardons uniquement le nombre total de personnes employées, nous pouvons ne rien voir d’impressionnant. Pourtant, sous la stabilité apparente des effectifs, la manière dont une organisation renouvelle ses compétences peut déjà être en train de changer.

Une entreprise peut conserver ses collaborateurs expérimentés, utiliser davantage l’IA, recruter moins de débutants et ne pas remplacer certains départs. Le changement apparaît alors dans les flux avant d’apparaître dans les stocks. C’est précisément l’un des enseignements de la Banque de France :

les premiers ajustements associés à l’IA peuvent être visibles dans les recrutements avant de l’être dans l’emploi total.

Ce que l’étude montre, et ce qu’elle ne démontre pas

Il serait pourtant incorrect d’en conclure que « l’IA fait chuter l’emploi des jeunes ». Plusieurs transformations se superposent depuis 2022. Le resserrement monétaire a pesé sur les recrutements. Le secteur technologique a connu une correction importante après les embauches de la période Covid. Le télétravail a également modifié les organisations et peut affecter l’insertion des jeunes salariés. Ces phénomènes concernent souvent les mêmes professions que celles fortement exposées à l’IA.

Autre limite importante : la Banque de France observe l’intensité d’utilisation déclarée de l’IA au début de 2026, alors que les différences de trajectoire des recrutements sont visibles auparavant. Les entreprises utilisant fortement l’IA peuvent donc posséder d’autres caractéristiques qui expliquent à la fois leur adoption technologique et leur politique de recrutement. Les auteurs sont explicites : leurs résultats montrent une association, mais ne permettent pas encore d’isoler l’effet propre de l’intelligence artificielle. Cette prudence ne diminue pas l’intérêt de l’étude. Elle empêche simplement de transformer un signal émergent en certitude.

Aux États-Unis, un signal proche apparaît

La France n’est pas le seul pays où cette question se pose. Aux États-Unis, Erik Brynjolfsson, Bharat Chandar et Ruyu Chen ont analysé des données administratives de paie issues d’ADP couvrant des millions de travailleurs jusqu’en juin 2026. Leur étude ne trouve pas de déplacement massif de l’emploi à l’échelle de l’économie. Mais chez les 22-25 ans, l’emploi recule davantage dans les professions exposées à l’IA. Il se situe désormais 19 % sous la trajectoire observée chez les jeunes travaillant dans les métiers moins exposés. Le phénomène passe principalement par une diminution des recrutements plutôt que par une augmentation des départs. La ressemblance avec le signal français est intéressante.

Mais les chercheurs de Stanford présentent eux aussi ces résultats comme des indicateurs descriptifs précoces, et non comme des estimations causales. Ils observent notamment que certains écarts existaient déjà avant la diffusion de l’IA générative. L’OCDE appelle à la même prudence. Les jeunes rencontrent effectivement davantage de difficultés à entrer sur les marchés du travail de plusieurs pays développés, particulièrement les jeunes diplômés. Mais l’organisation souligne que cette détérioration a commencé avant la diffusion massive des grands modèles de langage et que les données actuelles ne permettent pas de l’attribuer à l’intelligence artificielle. Nous avons donc un signal à surveiller, pas encore une loi économique établie.

La question qui se dessine : comment devient-on expert ?

Pour les entreprises, le point le plus important se trouve peut-être ailleurs.

Une grande partie des tâches sur lesquelles l’IA générative progresse était historiquement confiée aux collaborateurs en début de carrière. Il s’agissait notamment de rechercher de l’information, produire une première synthèse, préparer une analyse, rédiger un premier texte, traiter des données, programmer des fonctions standards ou structurer une présentation. Ces tâches ont une valeur productive. Mais elles possèdent également une valeur pédagogique.

Un professionnel expérimenté ne naît pas expert. Il construit progressivement son jugement en réalisant des tâches, en faisant des erreurs, en observant leurs conséquences, en étant corrigé et en confrontant son travail à celui de collègues plus expérimentés. Un développeur senior a commencé par résoudre des problèmes plus simples. Un consultant a appris en préparant des analyses. Un analyste financier a construit des modèles avant d’en superviser. Un journaliste a appris à rechercher, vérifier, sélectionner et hiérarchiser l’information.

Or l’automatisation peut modifier précisément ces premières étapes. Les auteurs du working paper soulignent eux-mêmes ce risque. Les emplois de début de carrière sont aussi des lieux où se constituent, par la pratique, les compétences des professionnels expérimentés de demain. Leur raréfaction pourrait donc avoir des conséquences bien après la période actuellement observée. Ils précisent néanmoins que leurs données ne permettent pas encore d’établir que ce mécanisme soit effectivement à l’œuvre en France.

C’est ici que la problématique devient organisationnelle.

Automatiser une tâche ne doit pas signifier automatiser l’apprentissage

Pour un dirigeant, la question n’est donc pas de conserver artificiellement toutes les tâches réalisées autrefois par des juniors. Ce serait absurde. Une entreprise n’a aucune raison de maintenir une activité manuelle inefficace lorsqu’une technologie permet de la réaliser mieux ou plus rapidement.

Elle doit en revanche comprendre ce que cette tâche permettait d’apprendre.

  • Si l’IA produit désormais la première analyse, comment le junior apprend-il à construire une analyse ?
  • Si elle génère le code, comment apprend-il à identifier une architecture fragile ?
  • Si elle rédige une synthèse, comment développe-t-il sa capacité à distinguer l’essentiel de l’accessoire ?
  • Si elle produit une réponse convaincante mais erronée, possède-t-il suffisamment d’expertise pour la contester ?

La montée en compétences à l’ère de l’IA ne peut donc pas se résumer à apprendre à utiliser des outils. Elle doit aussi organiser la construction du jugement.

Pour les entreprises, trois questions deviennent particulièrement importantes.

  • La première consiste à cartographier les tâches juniors aujourd’hui automatisées ou fortement assistées par l’IA.
  • La deuxième consiste à identifier parmi elles celles qui jouaient un rôle essentiel dans l’apprentissage du métier.
  • La troisième consiste à reconstruire volontairement ces mécanismes d’apprentissage : supervision, simulations, tutorat, revue critique, confrontation à des cas réels, compagnonnage avec des experts et utilisation de l’IA comme outil d’entraînement plutôt que comme simple substitut.

La performance immédiate ne peut pas être le seul critère.

Le paradoxe de la productivité

L’étude de la Banque de France ne démontre pas que l’intelligence artificielle détruit massivement l’emploi des jeunes.

Elle montre quelque chose de plus subtil : le recrutement des jeunes évolue moins favorablement dans les métiers les plus exposés. Les premiers ajustements peuvent donc apparaître dans les flux de recrutement avant d’être visibles dans les effectifs globaux.

Pour les dirigeants, cela change la question. Il ne suffit plus de demander :

« Quelles tâches pouvons-nous automatiser ? »

Il faut également demander :

« Quelle organisation devons-nous construire lorsque certaines des tâches qui formaient nos collaborateurs sont désormais réalisées par une machine ? »

Car une technologie peut créer une capacité de productivité. Une organisation peut simultanément, sans l’avoir voulu, fragiliser sa capacité d’apprentissage.

L’intelligence artificielle crée une capacité. Les organisations créent la valeur.

Cette valeur ne sera durable que si elles continuent également à produire l’expérience, le discernement et les compétences dont elles auront besoin demain. Le risque n’est donc pas seulement de réduire le nombre de juniors. Il est de ne plus construire suffisamment les seniors de demain.