Aux États-Unis, la robotisation ne détruit pas les emplois de façon uniforme. Les données couvrant vingt ans montrent que les pertes frappent deux fois plus fort les travailleurs non blancs que les blancs, et deux fois plus fort les hommes que les femmes. Ces écarts reflètent, dans les chiffres, la position inégale des travailleurs face au coût du progrès technologique.

L’essentiel

  • Entre 1993 et 2014, l’adoption de robots est associée à une baisse estimée de 4,5 points de pourcentage de l’emploi des non-Blancs, contre 1,8 point chez les Blancs (Lerch, 2025 ; Acemoglu & Restrepo, 2020).
  • Les hommes perdent 3,7 points contre 1,6 pour les femmes, parce que la robotique concentre ses substitutions dans les industries manufacturières à dominante masculine, où les travailleurs non blancs sont surreprésentés.
  • Les pertes directes sont amplifiées par l’effondrement des emplois de services locaux qui dépendent de la demande des ménages industriels, ce qui creuse encore les écarts raciaux.
  • Acemoglu et Restrepo montrent que les effets distributifs de l’automation dépendent notamment des effets de déplacement, des gains de productivité et de la création de nouvelles tâches.
  • D’ici 2040, la prochaine vague d’IA pourrait reproduire ce schéma si les gains de productivité n’atteignent pas les travailleurs les plus exposés.

Deux décennies de données pointent vers les mêmes perdants

L’étude d’Acemoglu et Restrepo sur les marchés du travail américains entre 1993 et 2014 quantifie les effets distributifs que les discours sur la « destruction créatrice » laissaient dans l’ombre. Les robots réduisent le taux d’emploi dans les zones où ils sont déployés. L’analyse de Jason Lerch (2025) ajoute la décomposition par groupe : les pertes ne se répartissent pas uniformément.

Sur 1993-2014, l’adoption de robots est estimée avoir réduit l’emploi de 4,5 points chez les non-Blancs. Un virgule huit pour les Blancs. L’écart est d’un facteur deux et demi. Pour les hommes versus les femmes, le rapport est similaire : 3,7 contre 1,6. Ces chiffres mesurent l’ampleur cumulée des pertes d’emploi liées à l’adoption de robots sur vingt ans, une transformation qui a affecté concrètement des centaines de bassins industriels américains.

Cet écart s’explique par la concentration sectorielle. Les travailleurs non blancs, et notamment les hommes noirs et hispaniques, occupaient en 1993 une part disproportionnée des postes de production et d’assemblage dans les usines américaines, précisément les postes que les robots de deuxième génération ont remplacés en priorité. Les femmes étaient davantage présentes dans les services, le commerce de détail et les soins, secteurs moins exposés à la vague de robotisation industrielle de cette période.

La ségrégation professionnelle préexistante n’a pas créé ces inégalités d’automation. Elle les a amplifiées. Les marchés du travail américains portaient déjà, en 1993, les traces de décennies d’exclusion et de discrimination. L’automation a agi comme un accélérateur : elle a frappé là où les travailleurs déjà vulnérables étaient concentrés.

Les pertes indirectes creusent un second fossé

Le premier effet est direct : une usine installe des robots, des ouvriers perdent leur poste. Mais l’analyse révèle un second mécanisme, moins visible et tout aussi puissant.

Quand une zone industrielle perd des emplois manufacturiers, les travailleurs déplacés réduisent leur consommation locale. Les restaurants, les épiceries, les garages, les pressing qui vivaient de cette demande perdent à leur tour des clients, puis des salariés. Acemoglu et Restrepo ont quantifié cet effet de diffusion : les pertes indirectes dans les services locaux s’ajoutent aux pertes directes dans l’industrie.

Et là, les écarts raciaux s’amplifient une seconde fois. La destruction se propage donc dans un tissu économique local déjà fragilisé, en frappant les mêmes groupes deux fois : d’abord à l’usine, puis dans le café d’en face.

Ce mécanisme en cascade modifie la lecture politique du problème. Les effets de l’automation ne s’arrêtent pas aux portes de l’usine. Les zones touchées subissent une dépression économique locale dont les travailleurs non blancs supportent une part disproportionnée, en raison de leur position dans l’économie locale, qui les expose à chaque maillon de la chaîne.

Un choix d’architecture, pas une fatalité technique

La thèse d’Acemoglu soulève une difficulté politique. Dans ses travaux sur les institutions et le partage des gains du progrès, il insiste sur un point : la technologie ne détermine pas ses propres effets distributifs. Les choix d’investissement, de régulation et de politique sociale décident qui gagne et qui perd.

Les robots qui automatisent une ligne de production ne créent pas automatiquement des emplois alternatifs pour les travailleurs déplacés. L’automation peut augmenter la valeur ajoutée tout en réduisant la part revenant au travail. Que ces gains soient ensuite redistribués dépend d’un choix politique, pas d’une loi économique.

Pendant cette période, les politiques de redistribution sont restées limitées. Les programmes de reconversion professionnelle américains sont restés sous-financés. Les zones industrielles touchées ont souvent reçu peu de soutien structurel. Le Trade Adjustment Assistance, le principal mécanisme fédéral d’aide aux travailleurs déplacés par la concurrence étrangère et l’automation, n’a couvert qu’une fraction des besoins.

Des économistes plus optimistes sur les effets à long terme de l’automation soulignent que les précédentes vagues technologiques ont finalement créé plus d’emplois qu’elles n’en ont détruit. Carl Benedikt Frey a montré que la mécanisation agricole du XIXe siècle avait, sur plusieurs décennies, libéré une main-d’œuvre qui a alimenté l’essor industriel. L’argument tient sur le temps long. Toutefois, selon Lerch, l’adoption de robots entre 1993 et 2014 est associée à une baisse estimée de 4,5 points de pourcentage de l’emploi des non-Blancs, un optimisme à long terme ne leur est d’aucune utilité immédiate et ne dit rien sur la durée ni sur la répartition du coût de la transition.

La question de l’orientation de la technologie, qu’Acemoglu développe dans ses travaux récents, prolonge ce constat. Les entreprises investissent dans la robotique parce que cela réduit leurs coûts salariaux. Les incitations fiscales et les politiques d’amortissement accéléré des équipements, en vigueur aux États-Unis depuis des décennies, rendent l’automation artificiellement bon marché par rapport à l’emploi humain. La charge fiscale asymétrique entre le capital et le travail incline les choix d’investissement et, par conséquent, la distribution des pertes.

Les géographies de la perte révèlent une carte prévisible

Les données analysées par Benjamin Lerch portent sur les zones d’emploi, des entités géographiques regroupant des marchés du travail locaux. Elles révèlent que l’automation a des effets plus sévères sur les non-Blancs car ils sont davantage concentrés dans des emplois ouvriers automatisables.

La Rust Belt en est l’exemple le plus documenté. Detroit, Cleveland, Gary et Youngstown ont perdu des emplois industriels depuis les années 1970, d’abord sous l’effet de la concurrence internationale, puis sous celui de la robotisation. Leurs populations, majoritairement noires dans les quartiers ouvriers, ont subi successivement la désindustrialisation et l’automation. Les 4,5 points de perte d’emploi par robot correspondent à des expériences concrètes dans des quartiers précis, et non à une moyenne nationale abstraite.

Cette géographie a une implication politique souvent ignorée : les programmes nationaux d’aide à la reconversion sont peu adaptés à des crises locales concentrées. Un travailleur de 55 ans à Gary, Indiana, qui perd son poste à l’usine dispose de moins d’options de reconversion qu’un jeune diplômé à Chicago. La mobilité géographique est faible pour les travailleurs à faibles revenus, et beaucoup sont propriétaires de logements dont la valeur s’est effondrée avec l’industrie locale.

L’exposition à l’automation en Asie-Pacifique suit d’ailleurs une logique comparable : les groupes les plus vulnérables avant la transition le restent pendant et après, sauf intervention délibérée.

Les prochaines vagues d’IA et leurs effets attendus d’ici 2040

L’étude de Lerch porte sur la robotique industrielle de 1993 à 2014. La prochaine vague, l’IA générative et les agents logiciels, a un profil d’exposition différent. Elle touche d’abord les emplois cognitifs de routine : saisie de données, traitement de documents, service client standardisé. Ces emplois sont, eux, surreprésentés chez les femmes et dans certaines communautés non-blanches qui avaient précisément migré vers les services pour échapper aux destructions industrielles.

Si le schéma des vingt dernières années se reproduit, automation concentrée sur les emplois où les groupes vulnérables sont surreprésentés, gains capturés par le capital, absence de redistribution structurelle, les inégalités raciales et de genre sur le marché du travail pourraient s’aggraver encore, cette fois dans le secteur des services.

Trois trajectoires se dessinent pour 2040, selon les choix politiques des prochaines années.

Dans la première, l’orientation de l’IA reste déterminée principalement par les incitations privées actuelles. L’IA continue d’automatiser les tâches les plus codifiables, qui sont aussi celles où les travailleurs peu qualifiés, surreprésentés parmi les non-Blancs, sont concentrés. Les gains restent du côté du capital. Les politiques de reconversion restent fragmentées. Dans ce scénario, les données de Lerch se répètent sur un nouveau secteur.

Dans la deuxième trajectoire, des mécanismes de redistribution sont mis en place avant que les pertes ne s’accumulent. Brookings a publié en 2026 une analyse des effets de la robotisation sur la mobilité professionnelle, qui suggère l’intérêt de politiques territiales ciblées sur les zones et les groupes les plus exposés plutôt que sur la population générale. Les certifications alternatives, les programmes de formation accélérée dans les secteurs en croissance, et les transferts directs aux travailleurs déplacés constituent les briques connues de cette architecture. Ce qui manque, aux États-Unis comme ailleurs, est moins la connaissance des outils que la volonté politique de les financer à l’échelle.

La troisième trajectoire est celle qu’Acemoglu appelle l’augmentation plutôt que la substitution. L’IA comme outil qui rend les travailleurs plus productifs sans supprimer leurs postes. Des exemples existent, les outils de codage assisté qui augmentent la productivité des développeurs, les systèmes de diagnostic médical qui amplifient les capacités des infirmières, mais ils restent concentrés dans des secteurs déjà qualifiés et bien rémunérés. Les étendre aux emplois peu qualifiés où les travailleurs non-blancs sont surreprésentés supposerait un choix délibéré d’orientation de la recherche et des investissements, qui ne se produit pas spontanément.

Les signaux à surveiller dans les prochaines années sont lisibles : l’évolution des taux d’emploi par groupe démographique dans les secteurs de services exposés à l’IA, le volume et le ciblage des programmes fédéraux de reconversion, et les choix fiscaux concernant l’amortissement des équipements IA. Ces trois variables suffiront à indiquer, d’ici 2027-2028, dans quelle trajectoire les États-Unis s’engagent.

Mesures disponibles pour les décideurs

Les données de Lerch et d’Acemoglu ne sont pas seulement un diagnostic. Elles définissent les leviers d’intervention.

Le premier est fiscal. Si les incitations à l’automation sont élevées parce que le capital bénéficie d’un traitement fiscal favorable par rapport au travail, corriger cette asymétrie réduit la vitesse d’adoption de technologies de substitution pure, sans décourager les innovations d’augmentation, qui créent de la valeur sans supprimer des postes. Des économistes comme Daniel Susskind ont exploré comment cette correction tarifaire pourrait s’articuler avec une taxation des gains de productivité de l’automation pour financer les transitions.

Le deuxième est géographique. Les pertes d’emploi liées à l’automation sont localement concentrées. Les politiques de reconversion qui opèrent au niveau national ou étatique sont trop éloignées pour capter ces concentrations. Des fonds d’adaptation locale, ciblés sur les zones d’emploi les plus touchées et dotés de mandats explicites sur les groupes sous-représentés, sont plus efficaces que des programmes généraux.

Le troisième est de gouvernance technologique. Acemoglu pose depuis plusieurs années la question de qui oriente la R&D en IA. Les grandes entreprises technologiques investissent dans ce qui maximise leurs profits, ce qui, dans le contexte actuel, signifie souvent automatiser le travail plutôt qu’augmenter les travailleurs. Des politiques d’orientation de la recherche publique, des critères de financement liés aux effets distributifs, et des exigences de transparence sur qui supporte les coûts d’une technologie financée partiellement sur fonds publics constituent des pistes que ni le marché seul ni la régulation des risques IA ne couvre.

La robotique industrielle a mis vingt ans à produire des données assez claires pour mesurer ses effets distributifs. L’IA générative est déjà déployée à grande échelle. Si les décideurs attendent 2040 pour avoir des données équivalentes à celles de Lerch, les pertes seront déjà accumulées, et concentrées, selon toute vraisemblance, sur les mêmes groupes.

Sources

  1. Daron Acemoglu, Pascual Restrepo, Robots and Jobs: Evidence from US Labor Markets, Journal of Political Economy, 2020. https://drodrik.scholars.harvard.edu/robots-jobs
  2. Jason Lerch (2025), analyse des effets inégaux de l’automation sur le marché du travail américain, AEA Economic Research. https://www.aeaweb.org/research/automation-employment-gaps-us
  3. Brookings Institution (2026), Robotization and Occupational Mobility (sans URL garantie, rapport cité sans lien).
  4. Carl Benedikt Frey, The Technology Trap: Capital, Labor, and Power in the Age of Automation, Princeton University Press, 2019.
  5. Daniel Susskind, A World Without Work, Metropolitan Books, 2020.