Les recrutements liés à l’IA sont concentrés dans un nombre restreint d’entreprises et de métropoles. Selon le rapport du gouvernement australien publié publiquement en 2026, 100 organisations concentraient 58 % des offres d’emploi liées à l’IA en 2024, et les deux tiers de ces postes se trouvaient dans quatre villes. L’adoption de l’IA dépend moins de la disponibilité des logiciels que de la capacité locale à former, recruter et intégrer des compétences, une capacité qui se distribue de façon très inégale.

L’essentiel

  • En 2024, 100 organisations australiennes concentraient 58 % des offres d’emploi IA, selon le gouvernement australien.
  • Seuls 4 % des petites entreprises non innovantes utilisaient l’IA, contre 19 % des innovantes, un écart de un à cinq qui sépare deux mondes.
  • La concentration géographique dans quatre métropoles est établie par les données australiennes. Les données montrent une concentration des recrutements IA dans des pôles et chez un petit nombre d’employeurs; elles ne démontrent pas que des gains de productivité s’y accumulent causalement.
  • La concentration actuelle peut compliquer la diffusion de l’IA aux PME et aux régions; le rapport suggère que des interventions ciblées pourraient élargir l’accès, sans prédire un verrouillage certain.
  • Des pistes existent : partage d’infrastructures, conseil aux PME, formation distribuée. Certaines relèvent de recommandations stratégiques; d’autres, comme les AI Adopt Centres, sont déjà opérationnels.

Quatre villes, cent entreprises, et tout le reste

Sydney, Melbourne, Brisbane et Perth absorbent les deux tiers des postes IA australiens. Ces métropoles concentrent aussi les sièges sociaux, les grandes universités et les capitaux. Le degré de concentration reste frappant : cent organisations, sur les millions qui composent le tissu économique australien, captent plus de la moitié de toute l’offre d’emploi dans le secteur.

Ce chiffre dit quelque chose de précis sur la nature de l’adoption de l’IA. Les logiciels sont disponibles partout : un outil d’automatisation du texte ou d’analyse de données se télécharge aussi bien à Darwin qu’à Sydney. Ce qui ne se télécharge pas, c’est l’écosystème humain qui permet de l’intégrer utilement, les data scientists pour le paramétrer, les managers pour le déployer, les juristes pour en gérer les risques, les acheteurs publics capables de rédiger un cahier des charges cohérent. Ces compétences se forment et se recrutent là où d’autres compétences similaires sont déjà présentes. La concentration appelle la concentration.

L’Australie n’est pas un cas isolé. L’informatique quantique suit la même logique de polarisation, avec quelques pôles universitaires et industriels qui captent l’essentiel des investissements et des talents mondiaux. La géographie de l’IA reproduit celle de l’innovation en général : dense dans les nœuds, creuse dans les marges.

L’écart entre innovantes et non-innovantes révèle le vrai obstacle

Le rapport australien distingue deux catégories d’entreprises : celles qui innovent déjà, et celles qui ne le font pas. Parmi les petites entreprises innovantes, une proportion significative utilisait l’IA en 2024. Parmi les non-innovantes, ce taux était nettement inférieur. En 2024–25, les petites entreprises actives en innovation déclaraient plus souvent utiliser l’IA que les autres.

Cet écart traduit une réalité précise. En 2024–25, les petites entreprises actives en innovation déclaraient plus souvent utiliser l’IA que les autres; cette corrélation ne prouve pas le mécanisme causal avancé. Pour les autres, les barrières restent élevées : intégrer un outil d’IA dans un processus métier exige une culture de l’expérimentation, des compétences de pilotage et une tolérance à l’incertitude que certaines petites structures n’ont pas développées.

Ce mécanisme prolonge une tendance plus large documentée par les statistiques de l’emploi. La croissance des postes se concentre dans les secteurs à haute valeur ajoutée, laissant une majorité d’entreprises dans des activités où les gains de productivité restent faibles. L’IA, dès lors, risque d’accélérer cette bifurcation plutôt que de la corriger.

La dissipation des rentes et ses effets concrets

L’économiste Daron Acemoglu a formalisé un mécanisme utile pour lire ces données. Dans ses travaux récents sur l’automatisation, il montre que lorsqu’une technologie améliore la productivité d’une catégorie de travailleurs ou d’entreprises, elle peut simultanément dissiper les avantages salariaux, les « rentes », des travailleurs plus vulnérables qui n’y ont pas accès. Le résultat peut être paradoxal : la productivité agrégée augmente, mais la répartition des gains s’écrase au détriment de ceux qui n’ont pas pu se repositionner.

Appliqué à l’Australie, ce cadre éclaire la situation des PME hors des grandes métropoles. Les PME peuvent subir les effets indirects de l’adoption de l’IA sans en capter les bénéfices directs. Dans certains contextes, les salariés des PME pourraient voir leur position salariale affectée par la concurrence d’entreprises mieux équipées en IA. Ces dynamiques pourraient entraîner une dégradation progressive de la position relative des PME.

Cette lecture s’oppose à une vision plus optimiste, portée notamment par des économistes proches de l’école schumpétérienne comme Philippe Aghion. Dans cette perspective, la concentration initiale de l’adoption dans les entreprises les plus dynamiques est une phase normale de diffusion d’une technologie générique. Les entreprises innovantes tracent le chemin, établissent les usages, forment les premiers praticiens, et ces compétences diffusent ensuite vers le reste du tissu productif, via la mobilité des salariés, l’imitation des pratiques ou la baisse des coûts des outils. Le délai n’est pas une défaillance : c’est le temps normal de la transition.

Les données australiennes permettent de tester ces deux lectures. Elles montrent une concentration persistante des recrutements IA depuis 2015. Elles signalent aussi que l’écart entre entreprises innovantes et non innovantes porte sur une capacité à innover en général, pas seulement sur l’IA. Les entreprises non actives en innovation déclarent moins souvent utiliser l’IA; les causes de cet écart ne sont pas établies par ces données, et l’efficacité d’une intervention extérieure reste à démontrer.

Les gains de productivité de l’IA et la question de leur captation

La répartition des gains de productivité mérite attention lorsque l’IA s’adopte massivement dans les grandes organisations. Les modalités de répartition de ces gains de productivité entre capital et salaires restent mal établies pour l’IA, bien qu’une tendance à orienter les gains vers le capital ait pu être observée lors de précédentes vagues d’automatisation.

En Australie, cette concentration dans quelques grandes organisations s’ajoute aux risques de captation des gains par le capital, bien que le mécanisme exact ne soit pas établi. Les grandes organisations qui adoptent l’IA présentent une structure favorisant l’orientation des gains vers la rémunération du capital, bien que ce mécanisme ne soit pas quantifié par les données disponibles. Les salariés de ces organisations peuvent en tirer bénéfice si leur employeur partage une partie des gains sous forme salariale. Mais rien dans la mécanique de marché ne garantit cette distribution, surtout lorsque le marché du travail local offre peu d’alternatives aux candidats.

Les PME se retrouvent dans une position doublement défavorable. Elles adoptent l’IA moins souvent et peuvent donc moins souvent en tirer des gains potentiels de productivité. Elles peuvent faire face à une concurrence intensifiée de la part d’entreprises qui adoptent l’IA, bien que cet effet ne soit pas mesuré par les données disponibles. Ces dynamiques pourraient exercer une pression sur les marges et l’attractivité salariale.

Les risques pour les régions éloignées

La carte des offres d’emploi IA en Australie ressemble à la carte de ses grandes métropoles. Les territoires du Nord, l’Australie-Occidentale hors Perth, le Queensland hors Brisbane figurent peu dans le marché de l’emploi IA; les raisons de cette concentration restent à documenter précisément.

Cette configuration a des conséquences concrètes sur la dynamique démographique. Les jeunes diplômés formés à l’IA dans les universités régionales migrent vers Sydney ou Melbourne, où les postes existent. Les régions perdent leurs talents au moment où elles auraient besoin d’eux pour mener leur propre transition numérique. Ce cercle n’est pas inéluctable, mais il se referme vite si rien ne vient l’interrompre.

Selon le FMI, le ralentissement de l’adoption des nouvelles technologies figure parmi plusieurs facteurs structurels de la faible productivité australienne. La concentration géographique de l’IA en est un symptôme supplémentaire. Un maintien du statu quo en matière d’adoption territoriale inégale pourrait laisser subsister ou accentuer les inégalités régionales, selon plusieurs scénarios prospectifs.

Quelles institutions pour éviter le verrouillage

Les données australiennes posent une question précise sur le plan prospectif : quelles institutions permettront aux PME et aux régions éloignées de capter les bénéfices de l’IA et d’élargir l’accès et la diffusion de l’IA hors des centres dominants.

Plusieurs mécanismes ont fait leurs preuves dans d’autres contextes technologiques. Les centres de ressources partagés, agences ou consortiums qui mutualisent l’accès à des compétences IA pour des PME qui ne peuvent pas les recruter seules, ont fonctionné dans les transitions numériques des années 2010 dans plusieurs pays nordiques. La logique est simple : une PME de vingt salariés ne peut pas financer un data scientist à plein temps, mais elle peut financer un tiers de poste dans une structure mutualisée. Cette approche suppose une coordination publique-privée que l’Australie a expérimentée dans d’autres secteurs mais peu développée pour l’IA.

La formation distribuée constitue un deuxième levier. L’Australie dispose d’un réseau de collèges techniques et d’enseignement professionnel, le système dit TAFE, présent dans les régions. Ces établissements pourraient devenir des points d’entrée pour des formations courtes à l’IA appliquée, ciblant les managers de PME, les comptables et les responsables logistiques, c’est-à-dire ceux qui décident d’adopter ou non un outil. Ce type de formation courte et pratique présente un coût faible et un effet multiplicateur potentiellement élevé.

Le conseil aux PME est souvent sous-estimé. Les entreprises non innovantes sous-estiment ce qu’elles pourraient automatiser, surestiment la complexité de la mise en œuvre et manquent de références dans leur secteur. Des dispositifs de conseil subventionné, sur le modèle de ce que certaines agences publiques britanniques ou allemandes ont mis en place pour la transition numérique, pourraient réduire ce coût d’entrée informationnel.

Ces pistes sont des hypothèses que les données australiennes rendent plausibles, et que des expérimentations en cours permettront de tester dans les prochaines années. Deux signaux méritent d’être suivis. Le premier est l’évolution du taux d’adoption de l’IA dans les PME non innovantes : s’il reste à 4 %, l’écart se creuse ; s’il monte, la diffusion fonctionne. Le second est la géographie des offres d’emploi IA : si elle se diversifie au-delà des quatre métropoles, les institutions de rééquilibrage produisent des effets.

Le calendrier reste la variable ouverte. Les pôles dominants pourraient attirer de nouveaux talents et développer de nouvelles expertises, un processus documenté dans d’autres contextes technologiques. L’absence de politique active de diffusion pourrait laisser persister ou accentuer les écarts observés. Les outils existent, certaines expérimentations montrent des résultats, et le choix de les déployer appartient aux institutions publiques et aux acteurs économiques australiens.


Sources

  1. Australian Government, Australia’s artificial intelligence ecosystem: growth and opportunities, juin 2025
  2. Australian Bureau of Statistics, Characteristics of Australian Business 2024-25
  3. Daron Acemoglu, Automation and Rent Dissipation: Implications for Wages, Inequality, and Productivity (2025), MIT Economics