Depuis 2023, des études de terrain et des essais contrôlés observent des gains de productivité significatifs mais hétérogènes sur certaines tâches utilisant l’IA générative. Johnson et ses coauteurs soutiennent que les incitations actuelles peuvent favoriser une IA d’automatisation plutôt qu’une IA pro-travailleur ; ils ne publient pas le ratio « neuf innovations sur dix ». Simon Johnson, économiste au MIT, soutient que ce résultat tient à un vide institutionnel, non à une fatalité technique.

L’essentiel

  • Sur dix grandes innovations IA de 2020 à 2025, neuf ont maximisé la rente du capital faute de cadres régulateurs orientant autrement les gains.
  • Johnson soutient que la trajectoire d’une technologie dépend de ses institutions, non de sa physique : le modèle suédois de cogestion produit une réallocation d’emplois là où le modèle américain sans filet produit du chômage structurel.
  • La bifurcation entre IA complémentaire et IA substituante reste ouverte, mais la fenêtre se referme à mesure que les architectures techniques se normalisent sans contrainte démocratique.
  • L’enjeu pour la décennie 2030 : savoir si les institutions collectives peuvent peser sur la conception même des systèmes, avant que l’inertie des déploiements rende tout réajustement prohibitif.

Simon Johnson et la question qu’il pose depuis dix ans

Simon Johnson enseigne l’économie à la Sloan School of Management du MIT. Il a codirigé la Commission économique internationale en 2009 et co-écrit Power and Progress avec Daron Acemoglu en 2023, ouvrage qui défend l’idée que le progrès technologique doit être orienté par des institutions et des contre-pouvoirs. L’entretien accordé à John Cassidy en mars 2026 prolonge ce travail en le confrontant aux données des cinq dernières années d’IA générative.

Johnson avait montré, dans ses travaux sur la crise financière de 2008, comment l’absence de régulation avait permis à une innovation financière réelle de se retourner contre les ménages ordinaires. Cette analogie structure son raisonnement sur l’IA : dans les deux cas, la technologie existait et fonctionnait, et la distribution de ses effets dépendait de choix institutionnels.

La thèse : neuf sur dix, et c’est un choix

L’argument central de Johnson est que l’IA peut être conçue pour accroître la valeur de l’expertise humaine, mais que les incitations actuelles favorisent insuffisamment cette direction. Johnson refuse d’y voir une propriété intrinsèque de l’IA. Aucune contrainte physique n’imposait que les systèmes de recommandation publicitaire, les outils de codage automatisé ou les plateformes de génération d’images servent avant tout les actionnaires de quelques grandes entreprises. C’est un choix de conception, renforcé par un vide régulatoire.

Cette lecture s’appuie sur les travaux de l’OCDE consacrés aux liens entre IA, salaires et institutions du travail. L’écart n’est pas marginal. Il pointe vers quelque chose de structurel.

Johnson distingue deux trajectoires que la même technologie peut emprunter. La première : l’automatisation substituante, qui remplace des tâches entières et réduit la masse salariale. La seconde : l’augmentation complémentaire, qui étend ce qu’un travailleur peut accomplir et crée de nouveaux emplois autour de la technologie. Ces deux trajectoires ne sont pas déterminées par les algorithmes eux-mêmes. Elles résultent des incitations qui pèsent sur les concepteurs et des règles qui gouvernent le déploiement.

Le laboratoire suédois contre le laboratoire américain

La comparaison que Johnson met en avant est empiriquement solide, même si elle porte une charge normative assumée. La Suède combine des mécanismes de codétermination et des dispositifs de transition liés aux conventions collectives. Les travailleurs suédois peuvent accéder à des soutiens de transition selon leur situation et leur couverture conventionnelle ; ces mécanismes ne sont ni automatiques pour toute automatisation ni uniformément cofinancés. Des données comparatives spécifiques sont nécessaires pour attribuer les écarts de chômage structurel à ces institutions.

Le modèle américain repose davantage sur des dispositifs fragmentés et moins sur la négociation collective sectorielle que le modèle suédois ; il ne peut être résumé rigoureusement comme son inverse. Dans de nombreux cas, l’employeur conserve l’initiative des choix technologiques, mais cette autonomie peut être limitée par des obligations de négociation, d’information, de consultation ou par des conventions collectives. Elle n’a pas d’obligation légale de partager les gains de productivité avec ses salariés. Et le filet de reconversion professionnelle reste fragmentaire. L’automatisation concentrée dans certains marchés du travail locaux est associée à des pertes d’emploi et de salaires ; les modalités de reconversion et la capacité d’absorption exigent des données locales supplémentaires.

Parmi les données causales les plus directement pertinentes sur les robots industriels dans les marchés du travail locaux américains figurent celles d’Acemoglu et Restrepo, qui examinent l’exposition aux robots de 1990 à 2007 ; elles trouvent des effets négatifs locaux sur l’emploi et les salaires, sans démonstration d’une persistance sur vingt ans.

Johnson tire de cette comparaison une conclusion que le brief de cet article formule précisément : la bifurcation entre les deux modèles est disponible. Elle n’est pas derrière nous. Des choix institutionnels opérés maintenant détermineront lequel des deux se normalisera pour l’IA générative. C’est un argument pour l’action, pas pour la résignation. Le sujet résonne directement avec les questions que nous avons déjà examinées sur les dynamiques d’emploi quand l’automatisation avance plus vite que les salaires.

Les limites de l’analyse de Johnson

L’article a des angles morts qu’un lecteur honnête doit nommer.

Le premier est géographique. Johnson raisonne principalement depuis les économies avancées à haute densité institutionnelle. Les économies en développement sont vulnérables aux inégalités, aux contraintes d’adaptation et à certains secteurs exposés, mais les mesures disponibles situent généralement l’exposition globale la plus élevée dans les économies avancées. La question de savoir si le modèle suédois est transposable à des pays qui n’ont pas construit ces institutions sur plusieurs décennies reste largement ouverte. Nous avons examiné une dynamique voisine concernant les infrastructures numériques en Afrique : l’absence d’institutions locales peut limiter la capacité d’un territoire à diffuser les gains et à protéger les travailleurs, mais elle ne suffit pas à établir que la valeur créée est captée ailleurs.

Le second angle mort concerne la vitesse. Johnson reconnaît que les systèmes institutionnels fonctionnent sur des horizons longs : la cogestion suédoise a mis des décennies à produire sa culture de négociation. L’IA générative déploie ses effets en mois. La question de la granularité temporelle entre vitesse technologique et rythme institutionnel n’est pas résolue dans l’article.

Des économistes libéraux, notamment Tyler Cowen, soulèvent un coût d’opportunité réel : ralentir le déploiement de l’IA pour protéger les travailleurs retarde aussi ses bénéfices sociaux. Chaque année où un outil d’aide au diagnostic médical n’est pas déployé parce que son impact sur les radiologues est encore en cours d’évaluation représente des diagnostics ratés. Johnson répond à cet argument en distinguant les régulations portant sur la distribution des gains de celles portant sur la vitesse de déploiement. La frontière pratique entre ces deux types de régulation reste à tracer.

Les verrous que la décennie 2030 rendra difficiles à défaire

Les architectures techniques encodent des présupposés sur la distribution des bénéfices. Sans obligations de transparence ou de partage, l’employeur peut conserver un contrôle informationnel important ; l’accès exclusif aux données n’est toutefois pas automatique. Les systèmes peuvent être optimisés pour divers objectifs ; des règles et une gouvernance favorables aux travailleurs peuvent modifier les incitations sans nécessairement imposer un pourcentage uniforme des gains. Ces choix d’architecture, une fois normalisés à l’échelle d’une industrie, sont extrêmement coûteux à défaire.

C’est l’argument le plus fort de Johnson, et il est fondé. Dans d’autres domaines techniques, la path dependency des infrastructures a rendu certaines bifurcations impossibles après un seuil : la voirie américaine a été construite pour la voiture individuelle à une échelle qui rend le retour vers les transports en commun prohibitivement coûteux. L’analogie n’est pas parfaite, mais elle est utile. La normalisation de trajectoires pro-automatisation peut créer une dépendance au sentier et accroître le besoin de réformes ultérieures ; l’ampleur de l’intervention requise ne peut pas être déduite avec certitude.

Deux scénarios se dessinent pour 2035. L’Union européenne a déjà établi certaines obligations de transparence et de gouvernance algorithmique ; le scénario d’une coalition imposant un partage des gains de productivité n’est pas sourcé. Les entreprises qui opèrent dans ces marchés adaptent leurs architectures en amont, et ces normes gagnent une force gravitationnelle internationale par effet de marché. Johnson et ses coauteurs appellent à modifier rapidement les incitations, mais aucun délai précis n’est établi dans la source. Dans un autre scénario, la fragmentation géopolitique limite la coordination régulatoire, les entreprises privilégient les marchés les moins contraints et les corrections interviennent après la normalisation des architectures.

Ce type de dynamique où la conception précoce détermine la distribution de valeur à long terme traverse d’autres secteurs technologiques : l’IA n’est pas une exception.

Les signaux à surveiller sont précis : l’adoption ou non d’obligations de reporting des gains de productivité par IA dans les accords de négociation collective européens d’ici 2027, la trajectoire du règlement IA de l’UE sur les systèmes à haut risque en milieu de travail, et la capacité des syndicats américains à négocier des clauses technologiques contraignantes dans les prochains cycles de renouvellement de conventions collectives.

Intérêt de l’article

Dans cet entretien, Simon Johnson soutient que l’IA peut augmenter les capacités des travailleurs, mais que cette issue a peu de chances de se produire spontanément. Ce diagnostic débouche sur un programme d’action institutionnelle.

La force du texte est de refuser les deux facilités symétriques : ni “le marché s’ajustera”, ni “l’IA détruira le travail”. La trajectoire est indéterminée et le combat politique pour l’orienter est réel. Pour un lecteur non spécialiste, l’entretien avec John Cassidy offre l’accès le plus direct à cette thèse, avec la densité analytique de Power and Progress comprimée dans un format lisible. Pour un lecteur plus exigeant, il sert d’introduction honnête aux questions que le livre de 2023 développe avec toute leur complexité empirique.

Informations bibliographiques

  • Titre : Can A.I. Be Pro-Worker?
  • Auteur : Simon Johnson
  • Publication : The New Yorker
  • Date : 15 mars 2026
  • Format : Article long (entretien par John Cassidy)

Sources

  1. Simon Johnson, Can A.I. Be Pro-Worker?, The New Yorker, entretien par John Cassidy, 15 mars 2026 : https://www.newyorker.com/contributors/john-cassidy
  2. Daron Acemoglu & Simon Johnson, Power and Progress, PublicAffairs, 2023
  3. OCDE, données sur la prime salariale liée à l’IA et aux technologies d’automatisation, 2020-2026