1. Ce que l’histoire des révolutions technologiques nous apprend
Pour comprendre les transformations liées à l’intelligence artificielle, il est utile de revenir à des épisodes comparables de l’histoire économique. Une recherche récente menée à la London School of Economics présentée dans un très bon article sur Le Monde s’est intéressée à l’impact de l’introduction de la machine à coudre dans l’industrie de la chaussure en Angleterre au XIXᵉ siècle.
Cette innovation, introduite dans les années 1850, a profondément modifié l’organisation de la production. Le temps nécessaire pour fabriquer une paire de chaussures a été réduit d’environ 80 %, ce qui a favorisé le passage d’un modèle artisanal, fondé sur de petits ateliers, à un système industriel organisé autour d’usines et de production de masse.
L’analyse détaillée des données de recensement de l’époque montre cependant que la transformation ne s’est pas traduite par une disparition simple des emplois. En quelques décennies, environ 152 000 emplois artisanaux ont été perdus, mais près de 144 000 nouveaux emplois ont été créés dans les usines. Le secteur a donc connu une mutation profonde plutôt qu’un effondrement.
Un élément particulièrement intéressant de cette étude est la dimension générationnelle du changement. Les artisans en place n’ont généralement pas rejoint les nouvelles usines : ils ont continué à exercer leur métier dans un secteur en déclin. En revanche, les jeunes générations ont cessé d’entrer dans l’apprentissage artisanal pour travailler directement dans les nouvelles structures industrielles.
Cette transition s’est donc opérée progressivement, sur l’espace d’une génération, tout en transformant profondément les rapports sociaux et l’organisation territoriale de l’activité. La production industrielle s’est concentrée dans certaines régions, tandis que d’autres territoires ont vu leur activité décliner.
Ce type de dynamique rappelle que les grandes innovations technologiques ne modifient pas seulement les outils de production. Elles transforment les systèmes économiques dans leur ensemble : les métiers, les chaînes de valeur, les territoires et les trajectoires professionnelles. C’est précisément dans ce type de transformation systémique que s’inscrit aujourd’hui l’intelligence artificielle.
2. L’intelligence artificielle : une révolution différente
Si l’histoire industrielle permet d’éclairer les transformations technologiques, l’intelligence artificielle présente néanmoins une particularité importante : elle agit principalement sur le travail cognitif.
Les révolutions industrielles précédentes ont d’abord automatisé l’énergie physique et la production matérielle. Les machines ont remplacé ou amplifié la force humaine dans les usines, les transports ou l’agriculture. L’IA, au contraire, intervient dans des domaines longtemps considérés comme relevant exclusivement de l’intelligence humaine : analyse de données, rédaction de textes, programmation, traitement d’informations complexes ou production de contenus.
Cette évolution explique pourquoi l’IA touche aujourd’hui de nombreux métiers qualifiés. Les professions liées à l’informatique, à la finance, au droit, à l’administration ou aux médias reposent en grande partie sur la manipulation d’informations structurées ou textuelles, un domaine où les modèles d’intelligence artificielle sont particulièrement performants.
Cependant, comme pour les innovations passées, la transformation ne se traduit pas immédiatement par une disparition des métiers. L’intelligence artificielle modifie d’abord la structure des tâches qui composent les emplois. Un métier est rarement constitué d’une seule activité homogène : il combine des phases d’analyse, de rédaction, de coordination, de prise de décision et d’interaction humaine. L’IA peut automatiser certaines de ces composantes, mais rarement l’ensemble.
Cette distinction entre tâches et emplois est essentielle pour comprendre la dynamique actuelle. L’intelligence artificielle n’automatise pas des professions entières ; elle reconfigure progressivement les activités qui les composent. Cela peut se traduire par des gains de productivité importants, une évolution des compétences demandées et une redéfinition des rôles dans les organisations.
C’est précisément ce que montrent les analyses récentes basées sur l’usage réel des outils d’intelligence artificielle dans les entreprises. Elles révèlent que les capacités techniques de l’IA progressent très rapidement, mais que leur adoption dans les organisations reste plus lente et plus progressive. Cette différence apparaît clairement dans les données publiées récemment par les chercheurs d’Anthropic.
3. Potentiel technologique vs usage réel
Les économistes d’Anthropic ont récemment publié une analyse basée sur plus de deux millions de conversations réelles avec leur modèle d’intelligence artificielle Claude. L’objectif était d’observer concrètement comment l’IA est utilisée dans le travail quotidien et de comparer cet usage réel avec les capacités théoriques de la technologie.
Le graphique issu de cette étude met en évidence deux zones distinctes. La première correspond aux tâches que l’IA est déjà capable d’accomplir techniquement. Cette zone est très large et concerne de nombreux métiers fondés sur le traitement d’informations. La seconde correspond à l’utilisation effective de ces outils dans les organisations. Elle est nettement plus réduite.
Cet écart est particulièrement visible dans plusieurs domaines. Dans les métiers liés à l’informatique et aux mathématiques, par exemple, l’analyse montre qu’environ 75 % des tâches pourraient déjà être réalisées par des systèmes d’intelligence artificielle. Les professions liées à la finance, au droit, à l’administration ou à la production de contenu présentent également une forte exposition potentielle.
À l’inverse, les métiers reposant davantage sur l’action physique ou la présence humaine — agriculture, construction, maintenance, transport ou restauration — restent beaucoup moins concernés. Ces activités impliquent des interactions avec le monde matériel ou des situations complexes qui ne peuvent pas être facilement automatisées par des modèles numériques.
Le point le plus intéressant du graphique réside cependant dans l’écart entre la capacité technologique et l’usage réel. La technologie progresse rapidement, mais son adoption dans les organisations reste plus lente. Plusieurs facteurs expliquent ce décalage : les contraintes réglementaires, les enjeux de responsabilité, la nécessité d’adapter les processus de travail, mais aussi l’inertie organisationnelle et les questions de confiance.
Autrement dit, la transformation n’est pas instantanée. Comme lors des révolutions industrielles précédentes, l’impact économique et social de la technologie se déploie progressivement. Mais cet écart ne doit pas masquer une tendance de fond : avec le développement d’IA capables d’enchaîner des actions et de fonctionner de manière autonome, les zones d’usage potentiel continuent de s’élargir.
4. Une transformation du travail déjà perceptible
Même si les suppressions d’emplois massives souvent évoquées dans les débats publics ne se sont pas encore matérialisées, plusieurs signaux montrent que la transformation du travail est déjà en cours. Elle se manifeste d’abord de manière discrète, à travers l’évolution des pratiques de recrutement et l’organisation interne des entreprises.
Aux États-Unis, par exemple, certaines études indiquent que le recrutement des jeunes travailleurs dans les métiers les plus exposés à l’intelligence artificielle a déjà diminué. Les embauches de diplômés âgés de 22 à 25 ans dans ces secteurs ont reculé d’environ 14 % au cours de l’année écoulée. Ce phénomène suggère que les entreprises commencent à intégrer les gains de productivité potentiels de l’IA dans leurs décisions de recrutement.
Par ailleurs, la proportion d’emplois comportant une part significative de tâches automatisables progresse rapidement. Selon les estimations d’Anthropic, près de 49 % des emplois aux États-Unis comportent désormais au moins un quart de tâches réalisables par l’intelligence artificielle. Ce chiffre était estimé à environ 36 % seulement un an auparavant. Cette évolution rapide témoigne d’une extension progressive des domaines d’application de l’IA.
Cependant, ces transformations ne signifient pas que les emplois disparaissent immédiatement. Dans de nombreux cas, l’intelligence artificielle agit plutôt comme un outil d’augmentation des capacités humaines. Elle permet d’automatiser certaines tâches répétitives ou analytiques, libérant du temps pour d’autres activités : prise de décision, coordination, relation client ou créativité.
Cette dynamique rappelle que le travail ne peut pas être réduit à une simple addition de tâches. Les analyses économiques qui évaluent l’automatisation potentielle des métiers reposent souvent sur cette simplification. Or la sociologie du travail montre que l’activité professionnelle inclut également des dimensions informelles et relationnelles : coopération entre collègues, adaptation aux situations imprévues, arbitrages organisationnels ou responsabilités individuelles.
Néanmoins, dans la pratique, de nombreuses décisions d’investissement et d’organisation dans les entreprises reposent sur une logique d’optimisation des tâches. Dans ce contexte, l’intelligence artificielle agit comme un levier de transformation progressive du travail : elle modifie les compétences recherchées, redéfinit certaines fonctions et transforme les trajectoires professionnelles, parfois sans provoquer de rupture spectaculaire mais en produisant une évolution continue des métiers.
5. L’intelligence artificielle comme outil de pilotage de la transition climatique
Au-delà de ses effets sur le travail, l’intelligence artificielle joue également un rôle croissant dans la transformation des systèmes économiques nécessaires à la transition climatique. Les enjeux environnementaux reposent en grande partie sur la compréhension et la gestion de systèmes complexes : réseaux énergétiques, chaînes d’approvisionnement industrielles, flux de matières ou dynamiques territoriales. Dans ce contexte, les capacités d’analyse de l’IA deviennent particulièrement utiles.
L’un des premiers apports concerne la capacité à exploiter de grandes masses de données. Les politiques climatiques, les stratégies industrielles de décarbonation ou les dispositifs de mesure des émissions reposent sur des volumes croissants d’informations issues de sources multiples : données énergétiques, données de production, données logistiques ou encore données territoriales. Les systèmes d’intelligence artificielle permettent d’identifier des corrélations, de modéliser des trajectoires et de produire des analyses à une échelle difficilement atteignable par des méthodes traditionnelles.
L’IA peut également contribuer à l’optimisation des infrastructures. Dans les systèmes énergétiques, par exemple, elle est utilisée pour améliorer la gestion des réseaux électriques, anticiper les variations de production des énergies renouvelables ou optimiser la consommation énergétique des bâtiments. Dans la logistique et l’industrie, elle permet de réduire les trajets inutiles, d’optimiser l’utilisation des ressources et d’améliorer l’efficacité des processus.
Un autre domaine d’application concerne l’accélération de l’innovation bas carbone. Les outils d’intelligence artificielle sont de plus en plus utilisés dans la recherche sur les matériaux, la simulation industrielle ou l’analyse environnementale. Ils permettent de tester rapidement un grand nombre d’hypothèses, d’identifier des solutions techniques prometteuses et d’accélérer certains cycles de développement.
Dans ce contexte, l’intelligence artificielle apparaît comme un outil capable de soutenir la transformation des systèmes économiques vers des modèles plus sobres en carbone. Cependant, cette contribution ne doit pas être considérée comme une solution autonome. Les choix technologiques, les orientations industrielles et les politiques publiques restent déterminants. L’IA peut faciliter l’analyse et l’optimisation des systèmes, mais elle ne remplace pas la capacité collective à définir les trajectoires de transition.
6. Une double transformation à gouverner
La diffusion de l’intelligence artificielle intervient donc dans un moment particulier : celui d’une transformation simultanée des systèmes économiques liée à la transition climatique. Autrement dit, les sociétés doivent gérer deux transitions majeures en parallèle : une transition écologique qui transforme les modes de production et une transition technologique qui modifie la structure du travail.
Cette superposition des transformations pose plusieurs défis.
Le premier concerne les compétences. Les métiers liés à la transition climatique — ingénierie énergétique, analyse environnementale, reporting carbone, gestion des ressources — évoluent déjà rapidement. L’introduction de l’intelligence artificielle dans ces domaines modifie encore les profils recherchés : les capacités d’analyse de données, de modélisation et de pilotage de systèmes complexes deviennent de plus en plus importantes.
Le second défi concerne l’organisation du travail et le dialogue social. Les transformations induites par l’IA ne se traduisent pas toujours par des ruptures visibles, mais plutôt par une modification progressive des tâches, des responsabilités et des trajectoires professionnelles. Dans ce contexte, les institutions du travail doivent être capables d’anticiper ces évolutions, d’accompagner les reconversions et de garantir une répartition équilibrée des gains de productivité.
Enfin, un troisième enjeu concerne la gouvernance des technologies elles-mêmes. Les choix d’investissement, les modèles économiques des plateformes numériques et les règles encadrant l’utilisation des données influencent directement la manière dont l’intelligence artificielle est déployée dans l’économie. Dans le cadre de la transition climatique, ces décisions peuvent orienter l’IA vers des usages favorisant l’efficacité énergétique, la sobriété et la coopération entre acteurs.
Les transformations technologiques passées montrent que les effets sociaux des innovations dépendent largement des institutions qui les accompagnent. La question centrale n’est donc pas seulement de savoir ce que l’intelligence artificielle est capable de faire, mais comment les sociétés choisissent d’en organiser l’usage. Dans le contexte climatique, cette gouvernance devient un élément déterminant pour orienter la technologie vers des trajectoires compatibles avec les objectifs de transition.
Comprendre et orienter la transformation
L’intelligence artificielle s’inscrit dans une longue histoire de transformations technologiques qui ont profondément redessiné les systèmes économiques. Comme les innovations industrielles du passé, elle ne se limite pas à introduire de nouveaux outils : elle modifie la structure des tâches, l’organisation du travail, les chaînes de valeur et les dynamiques territoriales.
Les analyses récentes montrent que ses capacités techniques progressent très rapidement, souvent plus vite que son adoption réelle dans les organisations. Cet écart explique pourquoi la transformation du travail reste encore peu visible à grande échelle. Pourtant, les premiers signaux apparaissent déjà : évolution des recrutements, transformation des compétences recherchées et extension progressive des domaines d’automatisation.
Dans le même temps, l’intelligence artificielle devient un instrument de plus en plus important pour analyser et piloter les systèmes complexes impliqués dans la transition climatique. Elle peut contribuer à optimiser les infrastructures énergétiques, améliorer la gestion des ressources et accélérer certaines innovations bas carbone. À ce titre, elle constitue un outil potentiellement puissant pour accompagner les transformations nécessaires à la décarbonation des économies.
Mais comme toute technologie, ses effets dépendront largement des choix collectifs qui encadrent son développement et son usage. Les institutions du travail, les politiques publiques et les modèles de gouvernance joueront un rôle déterminant pour orienter ces transformations. L’enjeu n’est donc pas seulement de mesurer les capacités de l’intelligence artificielle, mais de comprendre comment l’intégrer dans des trajectoires économiques et sociales compatibles avec les objectifs de transition.
Dans ce contexte, la question centrale n’est peut-être pas de savoir si l’IA va transformer nos sociétés — cela semble déjà engagé — mais plutôt de déterminer comment cette transformation peut être organisée pour contribuer à une économie à la fois plus soutenable, plus efficace et socialement équilibrée.
