IA, productivité et emploi

Objectifs du chapitre — À la fin de ce chapitre, vous saurez :

• distinguer automatisation et augmentation du travail ;
• analyser l'effet des technologies sur l'emploi à l'aide de l'approche par les tâches ;
• expliquer la polarisation de l'emploi et ce que l'IA générative change ;
• présenter les effets de déplacement, de productivité et de réintégration ;
• discuter les estimations des effets de l'IA et les politiques d'accompagnement, notamment au Maroc.

5.1 Une crainte ancienne : la technologie détruit-elle l'emploi ?

La peur du « chômage technologique » accompagne chaque vague d'innovation : les luddites anglais brisaient les métiers à tisser au début du XIXᵉ siècle, Keynes évoquait en 1930 le chômage dû à la découverte de moyens d'économiser le travail plus rapide que celle de nouveaux usages du travail. Pourtant, sur longue période, l'emploi total a augmenté avec le progrès technique, tandis que sa composition changeait profondément : l'agriculture, qui occupait la majorité des actifs, n'en emploie plus qu'une faible part dans les pays développés.

Joseph Schumpeter (Capitalisme, socialisme et démocratie, 1942) parle de destruction créatrice : l'innovation détruit des activités et des emplois anciens et en crée de nouveaux. La question n'est donc pas seulement « combien d'emplois ? », mais « quels emplois, pour qui, et à quel rythme ? ».

5.2 Automatisation ou augmentation ?

• L'automatisation remplace le travail humain par la machine pour une tâche (un robot de soudure, un logiciel qui saisit les factures).
• L'augmentation rend le travailleur plus productif sans le remplacer (un assistant qui propose une réponse à un conseiller clientèle, un outil qui aide un médecin à lire une radiographie).

Une même technologie peut jouer l'un ou l'autre rôle selon la manière dont l'entreprise l'utilise. Les économistes Daron Acemoglu et Simon Johnson soulignent que l'orientation de l'innovation vers l'automatisation ou vers l'augmentation dépend de choix des entreprises et des politiques publiques, et pas seulement de la technique.

5.3 L'approche par les tâches et la polarisation

David Autor, Frank Levy et Richard Murnane (2003) proposent de raisonner non sur les métiers, mais sur les tâches qui les composent :

Une tâche est routinière si elle peut être décrite par des règles explicites. L'informatique a donc remplacé surtout les emplois intermédiaires (employés administratifs, ouvriers qualifiés de production), tandis que les emplois très qualifiés (non routiniers abstraits) et peu qualifiés (non routiniers manuels) progressaient. C'est la polarisation de l'emploi, observée dans la plupart des pays développés depuis les années 1980.

Ce que change l'IA : l'apprentissage automatique et l'IA générative n'ont pas besoin de règles explicites ; ils apprennent à partir d'exemples. Ils atteignent donc des tâches cognitives non routinières jusque-là protégées : rédaction, traduction, programmation, analyse de documents, relation client. Pour la première fois, des emplois qualifiés de bureau sont fortement exposés, tandis que les métiers manuels non routiniers le sont peu.

5.4 Déplacement, productivité, réintégration

Daron Acemoglu et Pascual Restrepo décomposent l'effet d'une technologie sur la demande de travail en trois forces :

1. L'effet de déplacement : la machine prend en charge des tâches auparavant effectuées par des travailleurs ; la demande de travail baisse pour ces tâches.
2. L'effet de productivité : la baisse des coûts fait baisser les prix, augmente la demande et les revenus ; les entreprises produisent davantage et embauchent pour les tâches non automatisées, dans le même secteur et ailleurs.
3. L'effet de réintégration : la technologie crée de nouvelles tâches et de nouveaux métiers où le travail humain a un avantage (développeurs, analystes de données, spécialistes de la cybersécurité, formateurs).

L'effet net dépend de l'équilibre entre ces forces. Une technologie « moyenne », qui automatise des tâches sans gain de productivité important, est la plus défavorable : elle déplace des travailleurs sans créer de croissance suffisante pour les réemployer.

5.5 Ce que disent les estimations

Les estimations de l'exposition des emplois varient beaucoup selon la méthode :

• Carl Frey et Michael Osborne (2013) estimaient qu'environ 47 % des emplois américains présentaient un risque élevé d'automatisation, en raisonnant par métier ;
• une étude publiée par l'OCDE en 2016 (Arntz, Gregory et Zierahn), raisonnant par tâche, aboutissait à environ 9 % des emplois à risque élevé dans les pays de l'OCDE, car la plupart des métiers combinent des tâches automatisables et d'autres qui ne le sont pas.

Sur la productivité, les premières études de terrain sur l'IA générative montrent des gains importants pour certaines tâches. Dans un centre d'assistance clients, l'introduction d'un assistant d'IA a augmenté le nombre de demandes traitées par heure d'environ 14 % en moyenne, avec des gains beaucoup plus forts pour les agents débutants que pour les plus expérimentés (Brynjolfsson, Li et Raymond, 2023). L'IA réduit ainsi l'écart entre novices et experts, en diffusant les bonnes pratiques des meilleurs.

À l'échelle macroéconomique, les avis divergent : certains travaux prévoient une accélération notable de la productivité ; d'autres, comme Acemoglu (2024), estiment les gains à moins de 1 % de productivité globale sur dix ans, parce que seule une partie des tâches est concernée et que les gains de coût par tâche sont limités. Comme pour le paradoxe de Solow (chapitre 1), les effets dépendront de la vitesse de diffusion et des réorganisations.

5.6 Les effets sur les inégalités

L'IA peut accroître les inégalités de plusieurs façons : entre travailleurs (ceux dont les compétences sont complémentaires de l'IA et ceux qu'elle remplace), entre travail et capital (les détenteurs des modèles et des données captent une part croissante de la valeur ajoutée), entre entreprises (les entreprises « superstars » qui maîtrisent l'IA prennent des parts de marché) et entre pays (ceux qui développent les modèles et ceux qui les utilisent). Elle peut aussi les réduire, en élevant la productivité des travailleurs les moins expérimentés, comme le montre l'étude sur les centres d'appels.

5.7 Le cas du Maroc : l'offshoring face à l'IA

L'offshoring est un secteur majeur de l'économie marocaine : il comptait environ 148 500 emplois fin 2024 et ses exportations de services ont atteint 26,22 milliards de DH, selon les chiffres du secteur rapportés par la presse économique. Une grande partie de ces emplois relève de la relation client (centres d'appels francophones et hispanophones) et du traitement de processus (back-office, comptabilité), deux domaines très exposés à l'IA générative.

L'IA y est à la fois une menace (automatisation des réponses simples, des saisies, des traductions) et une opportunité : montée en gamme vers les services informatiques (ITO), l'analyse de données et l'ingénierie (KPO), assistance augmentée qui rend les agents marocains plus productifs, nouveaux métiers (annotation et contrôle des données, intégration de solutions d'IA). L'enjeu principal est la formation : la stratégie Digital Morocco 2030 prévoit notamment des programmes de reconversion professionnelle vers les métiers du numérique (chapitre 7).

5.8 Méthode : analyser l'effet de l'IA sur un métier

1. Décomposer le métier en tâches et estimer le temps consacré à chacune.
2. Classer chaque tâche : routinière ou non, cognitive ou manuelle, exposée à l'IA ou non.
3. Distinguer automatisation et augmentation pour les tâches exposées.
4. Appliquer les trois effets : déplacement, productivité (la demande va-t-elle augmenter ?), réintégration (nouvelles tâches).
5. Conclure sur l'évolution probable du métier et les compétences à développer.

Les pièges à éviter

• Raisonner par métier entier plutôt que par tâche : peu de métiers sont entièrement automatisables.
• Oublier l'effet de productivité : une baisse des coûts peut augmenter la demande et l'emploi.
• Croire que seuls les emplois peu qualifiés sont menacés : l'IA générative touche des tâches cognitives qualifiées.
• Présenter les estimations (47 % ou 9 %) comme des prévisions certaines : elles dépendent de la méthode.
• Négliger le rôle de la formation et des choix d'organisation des entreprises.