Statistique Canada a publié en juin 2026 un profil national des travailleurs qui utilisent l’intelligence artificielle, à partir de la nouvelle Enquête canadienne sur les conditions de travail. Ses résultats dessinent une carte des inégalités d’accès plutôt qu’une transformation homogène du travail. L’outil amplifie pour l’instant les hiérarchies existantes. La vraie ligne de partage est moins la destruction d’emplois que la capacité, variable selon les individus et les entreprises, à tirer parti de la technologie.

L’essentiel

  • L’usage professionnel de l’IA varie fortement selon la profession, le niveau de qualification et les caractéristiques sociodémographiques, selon l’enquête de Statistics Canada (juin 2026).
  • Les travailleurs les plus qualifiés et les mieux rémunérés sont les premiers adoptants : l’IA renforce un avantage existant plutôt qu’elle n’en crée un nouveau.
  • Daron Acemoglu le formule ainsi depuis plusieurs années : le destin d’une technologie dépend des institutions qui encadrent son déploiement et des acteurs qui captent ses gains.
  • La trajectoire n’est pas fixée : des politiques de formation, une réorganisation des entreprises et des outils accessibles aux PME pourraient élargir la diffusion d’ici 2035.
  • Le signal à surveiller est l’écart d’adoption entre diplômés et non-diplômés, et entre grandes entreprises et PME.

Les diplômés d’abord, les autres ensuite

L’enquête canadienne ne mesure pas la performance économique de l’IA. Elle mesure qui l’utilise. Et la réponse est nette : les travailleurs qui déclarent un usage professionnel régulier de l’intelligence artificielle se concentrent dans les professions à haute qualification, dans les secteurs à forte intensité cognitive et dans les tranches de revenus supérieures.

Ce résultat peut sembler banal. Les nouvelles technologies arrivent souvent par le haut. Mais la particularité de ce moment tient à la promesse implicite qui accompagnait l’IA générative depuis 2022 : celle d’un outil universel, accessible à un stagiaire comme à un directeur, capable de compenser des différences de formation ou d’expérience. L’enquête canadienne met cette promesse en tension avec les faits observés. L’outil est peut-être universel dans son accès formel.

Son usage productif, lui, reste concentré.

Plusieurs mécanismes expliquent cet écart. Le premier est cognitif : formuler une requête efficace à un modèle de langage suppose de savoir ce qu’on cherche, de connaître le domaine suffisamment pour évaluer la réponse, et de corriger les erreurs quand elles surviennent. Ces capacités sont inégalement distribuées, et elles se construisent en grande partie dans les études supérieures. Le second mécanisme est organisationnel : les grandes entreprises, qui emploient proportionnellement plus de diplômés, ont les moyens de former leurs équipes, d’acquérir des licences pour les outils performants et d’intégrer ces outils dans les flux de travail existants. Une PME de dix personnes n’a généralement ni le temps ni les ressources pour faire de même.

L’anticipation d’Acemoglu

Daron Acemoglu, dont les travaux sur la technologie et les institutions ont façonné une partie du débat économique des deux dernières décennies, avance une thèse qui s’applique directement ici : la technologie n’est pas neutre. Son impact sur la distribution des gains dépend des institutions qui encadrent son déploiement, des choix faits par les entreprises sur l’automatisation et l’augmentation, et des rapports de force qui déterminent qui capte la valeur créée.

Dans Power and Progress, coécrit avec Simon Johnson, Acemoglu distingue deux trajectoires technologiques. La première automatise les tâches existantes et réduit le besoin de travailleurs pour les accomplir. La seconde augmente la productivité des travailleurs en leur donnant de nouveaux outils, crée de nouvelles tâches et élargit le spectre de ce qu’ils peuvent accomplir. Les deux trajectoires coexistent dans l’histoire du progrès technique, mais la seconde est celle qui distribue le plus largement les gains. L’enjeu, pour Acemoglu, est de savoir quelles incitations et quelles institutions orientent les entreprises vers l’une plutôt que l’autre.

Les données canadiennes s’inscrivent dans ce cadre. Si l’IA professionnelle se concentre d’abord chez les diplômés et dans les grandes structures, c’est aussi parce que les entreprises ont été peu poussées à l’étendre à d’autres catégories de travailleurs. Les outils existent. Les formations sont rares. Les réorganisations du travail qui rendraient l’IA utile à un technicien ou à un agent de service n’ont pas été entreprises à grande échelle.

C’est un choix, souvent fait par défaut.

L’optimisme de la diffusion technologique a ses propres arguments

La lecture d’Acemoglu sur la captation technologique n’est pas la seule disponible. Une tradition différente, celle des études du progrès, rappelle que la plupart des technologies qui paraissaient d’abord réservées à une élite ont fini par se diffuser largement, en baissant les coûts, en simplifiant les interfaces et en générant les formations qui manquaient au départ.

Cette lecture n’est pas naïve. Elle s’appuie sur l’histoire longue de l’électricité, de l’informatique personnelle et d’internet. Chacune de ces vagues a connu une phase de concentration initiale, suivie d’une diffusion qui a finalement bénéficié à des catégories de travailleurs bien au-delà des premiers adoptants. Des économistes comme Tyler Cowen ou Noah Smith soulignent que les gains de productivité liés à l’IA pourraient, à terme, augmenter les revenus réels y compris des travailleurs qui n’utilisent pas directement l’outil, à travers la croissance économique générale et la baisse du coût des biens et services.

Les données canadiennes capturent un instant, pas une trajectoire, et ne tranchent pas définitivement entre les deux lectures. Elles posent néanmoins une question précise : à quel rythme la diffusion se produit-elle, qui l’accélère, et qui reste à l’écart pendant combien de temps.

Comme le montrent les cas asiatiques d’IA dans les administrations publiques, l’accès formel à un outil et sa transformation en capacité productive collective sont deux choses très différentes. L’écart entre les deux ne se comble pas spontanément.

L’usage professionnel se mesure au Bureau of Labor Statistics aussi

Les données canadiennes s’inscrivent dans un tableau plus large. Le Bureau of Labor Statistics américain a publié en mai 2026, dans sa Monthly Labor Review, un article intitulé AI and the rise of software investment, le BLS consacre une page thématique dédiée à la question, intitulée Productivity and Artificial Intelligence. Les résultats de cette analyse sont cohérents avec ce qu’on observe au Canada : l’adoption professionnelle de l’IA suit les lignes de fracture habituelles de l’économie. Les secteurs à haute intensité de connaissances, finance, conseil, technologie, services juridiques, ont intégré les outils plus tôt et plus profondément. Les secteurs à forte intensité de main-d’œuvre peu qualifiée, commerce de détail, restauration, construction, soins à domicile, restent largement à l’écart.

Cette divergence sectorielle a des conséquences concrètes sur la productivité. Les entreprises qui adoptent l’IA dans les secteurs déjà productifs creusent leur avantage sur celles qui ne l’adoptent pas. L’écart de productivité entre secteurs, qui se mesure déjà en multiples, risque de s’élargir si la diffusion reste concentrée. Les travailleurs qui restent à l’écart de ces gains ne perdent pas nécessairement leur emploi dans l’immédiat. Ils perdent du terrain en termes de revenu relatif, d’évolution de carrière et de capacité à négocier leurs conditions de travail.

Ce dernier point mérite d’être nommé. L’IA, dans les secteurs qui l’adoptent, renforce la position de négociation des travailleurs qui la maîtrisent. Elle rend leur travail plus difficile à substituer, augmente leur valeur ajoutée mesurable et crée les conditions d’une progression de revenu. Pour ceux qui n’y ont pas accès, l’effet symétrique s’applique : leur position relative se fragilise, sans qu’aucun emploi ne disparaisse nécessairement à court terme.

Les trente prochaines années ne s’écrivent pas seules

La trajectoire de l’IA professionnelle est ouverte. Deux scénarios plausibles structurent le débat.

Dans le premier, les outils continuent de se simplifier, leurs coûts baissent, et des programmes publics de formation permettent à des catégories de travailleurs aujourd’hui exclues d’accéder à un usage productif. Les PME, qui emploient la majorité des salariés dans la plupart des économies avancées, trouvent des solutions adaptées à leur taille et à leur budget. Les entreprises qui réorganisent le travail autour de l’IA découvrent que des techniciens ou des agents de terrain formés peuvent tirer parti d’outils de diagnostic, de planification ou de communication, et que ces gains se traduisent en productivité et en revenus. Dans ce scénario, l’avantage initial des diplômés se maintient, mais l’écart se réduit au fil du temps.

Dans le second, l’IA reste un outil des grandes entreprises et des travailleurs déjà bien positionnés. Les budgets de formation continue restent insuffisants. Les outils accessibles aux PME restent limités par rapport à ceux disponibles pour les grandes structures. L’écart de productivité entre secteurs et entre catégories de travailleurs s’élargit. Les gains de l’IA se concentrent dans un segment étroit de l’économie, et le débat politique finit par se cristalliser autour de la redistribution de ces gains plutôt que de leur élargissement.

Les signaux qui permettent de distinguer ces trajectoires sont identifiables dès maintenant. L’évolution de l’écart d’usage entre diplômés et non-diplômés dans les enquêtes annuelles est le premier. Le taux d’adoption dans les PME face aux grandes entreprises en est le second. Si ces deux indicateurs convergent dans les prochaines années, si l’écart se réduit plutôt que de s’élargir, le scénario de diffusion devient plausible. S’ils divergent, la concentration devient la trajectoire dominante.

Ce qui rend le scénario de diffusion possible n’est pas la seule dynamique de marché. Il suppose des choix politiques délibérés. Les programmes publics de formation à l’IA appliquée existent dans plusieurs pays, le Canada, le Danemark et Singapour ont lancé des initiatives en ce sens, mais restent limités en volume et en cible. Atteindre les travailleurs qui en ont le plus besoin suppose de les concevoir autrement que comme des formations universitaires supplémentaires. Les outils pédagogiques et les apprentissages sur le lieu de travail, intégrés dans les conventions collectives ou les politiques de ressources humaines, seraient probablement plus efficaces que des certifications additionnelles réservées à ceux qui ont déjà du temps et de la formation.

Pour les PME, la question est différente. L’accès aux outils est moins un problème de coût que d’intégration. Les logiciels de comptabilité, de gestion des stocks ou de service client qui intègrent des fonctions d’IA à un niveau utilisable sans compétences techniques avancées existent déjà dans certains secteurs. Leur généralisation dépend en partie des éditeurs de logiciels, mais aussi des politiques sectorielles et des organisations professionnelles qui peuvent accélérer l’adoption.

La formation comme levier, pas comme supplément

Les entreprises qui ont réussi à élargir l’usage de l’IA au-delà de leurs équipes les plus qualifiées partagent une caractéristique : elles ont investi dans la réorganisation du travail, pas seulement dans l’accès à l’outil. Former un technicien à ChatGPT sans changer la façon dont ses tâches sont structurées produit peu d’effet. En revanche, repenser un flux de travail pour qu’un outil d’IA génère un premier jet, une analyse de données ou un plan d’action que le technicien affine et valide change la nature de son travail et sa valeur ajoutée mesurable.

Cette réorganisation coûte du temps managérial et suppose une forme d’expérimentation. Les grandes entreprises peuvent se la permettre plus facilement que les PME. Mais elle n’est pas impossible à petite échelle : des associations sectorielles, des chambres de commerce ou des organismes de formation professionnelle peuvent jouer un rôle de diffusion en documentant et en partageant ce qui fonctionne dans des entreprises comparables.

Acemoglu posait la question avant l’arrivée de l’IA générative, et les données canadiennes la remettent en lumière : qui décide du déploiement d’une technologie, et dans l’intérêt de qui. Les réponses dépendent des rapports de force dans les entreprises, des politiques publiques et des choix des organisations. Les données de Statistics Canada fournissent un point de départ pour orienter ces choix. La trajectoire qui suivra dépend de ceux qui décident d’agir sur ces signaux.

Sources

  1. Statistics Canada, Workplace artificial intelligence use, 17 juin 2026, https://www150.statcan.gc.ca/n1/en/catalogue/75-006-X202600100007
  2. Statistique Canada, Profil des travailleurs utilisant l’IA au travail, juin 2026, https://www150.statcan.gc.ca/n1/daily-quotidien/260617/dq260617b-eng.htm
  3. Statistique Canada, Analyse IA entreprises, T2 2026, juin 2026, https://www150.statcan.gc.ca/n1/pub/11-621-m/11-621-m2026010-eng.htm
  4. U.S. Bureau of Labor Statistics, AI and the rise of software investment, Monthly Labor Review, mai 2026, https://www.bls.gov/opub/mlr/2026/article/ai-and-the-rise-of-software-investment.htm
  5. Daron Acemoglu & Simon Johnson, Power and Progress: Our Thousand-Year Struggle Over Technology and Prosperity, PublicAffairs / Hachette, 2023, https://www.hachettebookgroup.com/titles/daron-acemoglu/power-and-progress/9781541702547/?lens=publicaffairs
  6. Daron Acemoglu, Nobel Lecture, American Economic Review, juin 2025, https://www.aeaweb.org/articles?id=10.1257/aer.115.6.1709