Le Stanford HAI 2026 AI Index rapporte une baisse proche de 20 % de l’emploi des développeurs de 22 à 25 ans depuis 2024 dans les entreprises fortement exposées à l’IA générative, tandis que Brynjolfsson, Chandar & Chen mesurent un recul relatif de 13 % depuis fin 2022 dans les occupations les plus exposées. En face, l’Information Technology and Innovation Foundation publie en juin 2026 une étude qui conclut à une hausse significative des embauches juniors chez les adopteurs les plus intensifs d’IA. Deux tendances opposées, un seul marché.

Ce n’est pas une contradiction. C’est un diagnostic.

L’essentiel

  • Le Stanford HAI 2026 AI Index rapporte une baisse proche de 20 % de l’emploi des développeurs de 22-25 ans depuis 2024 dans les entreprises fortement exposées à l’IA ; Brynjolfsson, Chandar & Chen mesurent quant à eux un recul relatif de 13 % depuis fin 2022 dans les occupations les plus exposées.
  • Les adopteurs intensifs d’IA embauchent un nombre significativement plus élevé de juniors, selon l’ITIF (juin 2026) — à condition que ces juniors sachent piloter les outils.
  • La divergence entre les études s’explique par leur méthode : Stanford regarde les métiers exposés, l’ITIF regarde les entreprises qui pilotent activement l’IA.
  • Le ticket d’entrée n’a pas disparu : il a changé de nature. Écrire du code de base ne suffit plus ; orchestrer des agents et valider leurs sorties devient la compétence de base attendue.
  • La formation initiale reste calibrée sur l’ancien ticket. C’est là que le vrai décalage se creuse.

Les chiffres : ce que Stanford et Brynjolfsson mesurent, et ce qu’ils ne mesurent pas

Le Stanford HAI 2026 AI Index est l’un des recensements les plus complets sur l’impact de l’IA dans l’économie. Sa méthode : identifier les secteurs et les fonctions où les tâches sont substituables par les modèles actuels, puis suivre l’évolution de l’emploi dans ces zones d’exposition. Les développeurs juniors tombent dans cette catégorie parce que leurs tâches les plus fréquentes — écrire des fonctions unitaires, corriger des bugs simples, produire de la documentation, générer des tests — sont précisément celles que GitHub Copilot, Cursor et leurs équivalents exécutent aujourd’hui en quelques secondes.

La baisse proche de 20 % documentée par le Stanford HAI 2026 depuis 2024 est cohérente avec d’autres signaux. Les offres d’emploi pour développeurs juniors ont reculé de façon visible sur les grandes plateformes d’emploi aux États-Unis et en Europe dès 2023. Les recruteurs de grandes entreprises technologiques ont commencé à geler les postes d’entrée en justifiant que les outils permettaient aux développeurs seniors de couvrir une surface de travail plus large. GitHub a lui-même documenté que ses utilisateurs de Copilot complètent leurs tâches en moyenne 55 % plus vite — ce qui, côté RH, se traduit par moins de postes nécessaires pour le même volume de production. Le papier de Brynjolfsson, Chandar & Chen, qui mesure un recul relatif de 13 % depuis fin 2022 dans les occupations les plus exposées, arrive à un chiffre distinct mais converge dans sa direction : les exposés à l’IA subissent une compression réelle de l’emploi junior.

Ce que ces travaux ne mesurent pas directement, c’est ce qui se passe dans les entreprises qui ont fait un pari différent : non pas utiliser l’IA pour produire le même output avec moins de monde, mais l’utiliser pour pousser la production bien au-delà de ce qu’ils auraient pu faire autrement.

Le pari des adopteurs intensifs

C’est là qu’entre l’ITIF. Le rapport de juin 2026 ne regarde pas les métiers exposés — il regarde les entreprises qui ont le plus profondément intégré l’IA dans leur flux de développement, c’est-à-dire celles où l’IA n’est pas un outil d’assistance périphérique mais le moteur central de la production logicielle. Dans ces entreprises, les embauches de juniors ont augmenté de façon notable.

Pourquoi ? Parce que le profil recherché a changé, mais il existe toujours. Ces entreprises n’ont pas besoin de quelqu’un qui sait écrire une fonction de tri. Elles ont besoin de quelqu’un qui sait décomposer un problème en prompts cohérents, évaluer la sortie d’un agent, identifier quand le modèle hallucine sur un cas limite, et maintenir la lisibilité d’un codebase généré à grande vitesse. Ce sont des compétences accessibles à des profils juniors — à condition qu’ils les aient acquises.

Le paradoxe apparent entre les études se résout donc par une distinction simple : l’IA détruit les postes juniors qui existaient, et crée des postes juniors différents. La destruction est visible partout dans les entreprises exposées. La création n’est visible que chez ceux qui ont choisi de piloter activement la technologie plutôt que de la subir. C’est une fracture entre entreprises, pas une contradiction entre études.

On retrouve une logique proche dans ce que le modèle de l’entrepreneur solo augmenté commence à dessiner : l’IA ne remplace pas le travail humain en bloc, elle redistribue la valeur vers ceux qui savent l’orchestrer.

Le ticket d’entrée n’a pas disparu : il a muté

Pendant vingt ans, le ticket d’entrée pour un développeur junior était relativement stable. Savoir coder dans au moins un langage, comprendre les structures de données de base, produire du code lisible et testé : ces compétences ouvraient la porte. Le reste s’apprenait en travaillant aux côtés de seniors.

Ce ticket a changé de nature, pas de valeur. Les entreprises qui recrutent ne cherchent plus quelqu’un qui sait écrire du code — les modèles le font. Elles cherchent quelqu’un qui sait juger du code, le corriger quand il est plausible mais faux, comprendre ce que le modèle ne peut pas voir parce qu’il n’a pas accès au contexte métier, et maintenir une cohérence architecturale sur un projet qui avance dix fois plus vite qu’avant.

C’est une compétence de supervision plus que de production. Elle implique d’avoir une représentation mentale solide du problème à résoudre avant de déléguer la résolution au modèle. En d’autres termes, les fondamentaux théoriques comptent davantage, pas moins — parce qu’ils permettent d’évaluer la sortie plutôt que de la produire. Ce n’est pas la fin du métier ; c’est son déplacement vers une strate plus haute.

La difficulté est que ce déplacement n’est pas encore documenté dans les curricula. Les formations en génie logiciel — licences, masters, bootcamps — restent largement organisées autour de la production de code. Les cours d’algorithmique, les exercices de débogage, les projets de développement : tout cela prépare à l’ancien ticket. Le nouveau ticket, celui du développeur qui pilote des agents, n’a pas encore de curriculum standard.

Ce que les entreprises font en attendant que la formation s’ajuste

Face à ce décalage, certaines entreprises ont pris le problème à leur charge. Chez des éditeurs de logiciels de taille moyenne aux États-Unis, des programmes d’onboarding internes ont été restructurés pour former les nouvelles recrues non pas à coder, mais à auditer, corriger et orchestrer des sorties de modèles. Ces programmes durent en général trois à six mois et remplacent l’ancienne période de montée en compétence technique sur les langages maison.

Des entreprises comme Replit, qui commercialise un environnement de développement centré sur l’IA, ont publié leurs propres référentiels de compétences pour ce qu’elles appellent les “AI-native developers”. Ces référentiels insistent sur des capacités comme la décomposition de problèmes complexes en sous-tâches délégables, la gestion des incertitudes dans les sorties de modèles, et la documentation des décisions d’architecture — autant de compétences qui ressemblent davantage à celles d’un chef de projet technique qu’à celles d’un développeur de l’ère précédente.

Ce mouvement reste partiel et concentré dans les entreprises technologiques de pointe. La majorité des PME qui emploient des développeurs juniors n’ont pas encore redéfini leurs profils de recrutement. Elles appliquent des grilles de compétences héritées, constatent que les candidats sont moins productifs qu’attendu sur les outils IA — parce qu’ils n’ont pas été formés à les utiliser — et concluent trop vite que les juniors sont devenus inutiles. C’est une erreur de diagnostic qui se paie en recrutements ratés.

La dynamique des agents IA de plus en plus autonomes rend cette compétence de supervision encore plus critique : un agent qui “casse des choses” sans être gouverné correctement suppose quelqu’un en mesure de détecter le problème avant qu’il ne coûte cher.

Ce que les universités et les bootcamps n’ont pas encore fait

La formation initiale est en retard. C’est un constat documentable, pas un jugement. Les programmes de licence en informatique dans les grandes universités américaines et européennes ont pour la plupart intégré un ou deux cours sur l’IA générative depuis 2023 — comment utiliser une API, comment finetuner un modèle, parfois comment évaluer les biais d’un système. Ce n’est pas la même chose qu’apprendre à travailler dans un environnement où l’IA produit l’essentiel du code et où le rôle humain est de piloter, valider et décider.

Les bootcamps ont été plus réactifs, mais leur réponse a souvent été superficielle : ajouter un module “prompting” à un cursus inchangé. Savoir formuler une requête à ChatGPT est utile ; ce n’est pas suffisant pour être compétitif sur le marché que l’ITIF décrit.

Ce qui manque est plus structurel. Former un développeur à piloter l’IA suppose de lui apprendre à décomposer des problèmes sans coder, à tester des sorties sans les avoir écrites, à maintenir une cohérence systémique sur un projet dont les composants ont été générés par des outils différents. Cela demande des exercices pédagogiques qui n’existent pas encore dans la plupart des programmes. Quelques initiatives émergent — le MIT expérimente depuis l’automne 2025 un cours de “AI-assisted software engineering” qui intègre explicitement la supervision d’agents — mais elles restent des exceptions.

Le risque à court terme est une asymétrie croissante entre les juniors formés dans des environnements qui ont intégré ces pratiques et ceux qui arrivent sur le marché avec un profil standard. Cette asymétrie peut se creuser vite : dans un marché où les postes sont moins nombreux mais mieux définis, les premiers recrutements sont déterminants pour la trajectoire professionnelle.

La géographie du problème n’est pas uniforme

Les reculs documentés par Stanford et Brynjolfsson sont agrégés. La réalité géographique est plus nuancée. Aux États-Unis, la compression est concentrée dans les grandes zones technologiques — Bay Area, Seattle, New York — où les grandes entreprises ont le plus agressivement adopté les outils. Dans les marchés secondaires, les entreprises de services numériques et les cabinets de conseil tech continuent d’embaucher des juniors sur des profils plus traditionnels, souvent parce qu’elles n’ont pas encore fait la transition vers les outils les plus récents.

En Europe, le recul est plus lent. La réglementation, les cycles d’adoption plus longs et la structure plus fragmentée du marché du logiciel ont ralenti la compression. Mais les signaux avancés — recul des offres d’emploi junior sur les plateformes, allongement des délais de recrutement pour des profils techniques de base — suggèrent que le décalage n’est que temporel.

Dans les marchés émergents, la situation est différente encore. En Inde et au Vietnam, où une part importante de la main-d’œuvre junior travaille pour des clients occidentaux en offshore, la pression est forte. Les clients qui utilisent l’IA pour produire eux-mêmes ce qu’ils externalisaient réduisent leurs commandes. Mais certains acteurs locaux ont pivoté rapidement vers des services d’intégration et de supervision d’IA — exactement le ticket dont parle l’ITIF — et trouvent de nouveaux marchés. Le mouvement est là ; il est inégal.

Ce qui se joue dans les douze prochains mois

Le marché du développement logiciel junior est en train de se bifurquer. D’un côté, les postes qui ressemblent à ce qui existait avant 2022 vont continuer à se comprimer — pas jusqu’à zéro, mais significativement. De l’autre, les postes qui correspondent au nouveau ticket vont croître, sous des intitulés différents, dans des entreprises qui ne se reconnaissent pas encore dans le vocabulaire de l’IA.

La question pratique pour les institutions de formation est simple à formuler, difficile à résoudre : comment intégrer la supervision d’agents dans un cursus sans sacrifier les fondamentaux théoriques qui permettent précisément cette supervision ? La réponse ne peut pas être de tout remplacer par du prompting. Elle doit passer par une restructuration pédagogique qui traite l’IA non comme un sujet supplémentaire mais comme un environnement de travail dans lequel toutes les autres compétences s’exercent.

Les prochains mois verront probablement les premières cohortes d’étudiants formés dans des programmes restructurés arriver sur le marché. Leurs trajectoires d’insertion diront ce que les études ne peuvent pas encore mesurer : si le nouveau ticket ouvre bien les mêmes portes que l’ancien, ou si la bifurcation produit en réalité deux marchés de l’emploi étanches — l’un qui pilote l’IA, l’autre qui la subit.

Sources

  1. Stanford HAI 2026 AI Index – Economy chapter
  2. Brynjolfsson, Chandar & Chen – Canaries in the Coal Mine (2025)
  3. ITIF – Information Technology and Innovation Foundation — rapport sur l’emploi junior et l’IA, juin 2026
  4. Stanford HAI — AI Index Report 2026 (Stanford University Human-Centered AI Institute)
  5. GitHub — “The Impact of AI on Developer Productivity”, rapport interne cité dans Stanford HAI 2026
  6. Peng et al. (2023) – GitHub Copilot productivity study (arXiv 2302.06590)
  7. MIT AI Studio – cours automne 2025
  8. arXiv 2605.01160 – The Productivity-Reliability Paradox: Specification-Driven Governance for AI-Augmented Software Development