Un actif français sur huit face au défi de l’IA agentique

La technologie ne détruit pas les métiers en bloc. Elle démantèle les postes tâche par tâche.

C’est le résultat le plus contre-intuitif de travaux récents sur l’automatisation : une part significative des actifs français occupent aujourd’hui des postes où une proportion importante de leurs tâches est totalement automatisable par des agents IA. Maintenant, avec les capacités disponibles.

Ce constat mérite qu’on s’arrête sur ce qu’il ne dit pas. Il ne dit pas que ces emplois vont disparaître. Il dit que le travail concret de ces personnes est en train de changer de nature, que certaines tâches qu’elles exécutent aujourd’hui peuvent être prises en charge par des systèmes automatisés, et que les entreprises, les syndicats et les pouvoirs publics n’ont pas encore décidé ce qu’ils en feraient.

C’est cette décision collective, plus que la technologie elle-même, qui va déterminer si l’IA agentique tourne à l’avantage des travailleurs ou à leurs dépens.

L’essentiel

Des travaux récents, notamment ceux d’Axelle Arquié au CEPII dans le cadre de l’Observatoire des emplois menacés et émergents, estiment qu’une part significative des actifs français occupent des postes où une portion importante de leurs tâches est totalement automatisable par des agents IA. L’approche par tâches élémentaires révèle que l’exposition à l’IA varie selon la composition précise des postes, et non selon les seules catégories socioprofessionnelles. Seulement un tiers des grandes entreprises françaises ont lancé des projets d’IA agentique. La question qui structure le débat est politique : qui décide du rythme de la recomposition des postes, selon quelles règles, et avec quelles compensations pour ceux dont le travail se transforme le plus vite ?

L’approche par tâches change tout au diagnostic

Pendant longtemps, le débat sur l’IA et l’emploi s’est organisé autour de listes de métiers. Tel cabinet publiait un classement des professions les plus menacées : comptables, juristes, secrétaires en tête. Telle étude répondait que les métiers manuels résisteraient mieux. Ce cadre était trompeur, parce qu’il traitait les emplois comme des blocs homogènes.

La réalité est plus granulaire. Un poste de juriste d’entreprise comprend des tâches très différentes : recherche documentaire et synthèse de jurisprudence, rédaction de contrats standards, négociation, conseil stratégique, gestion des relations. Les premières sont hautement automatisables aujourd’hui. Les dernières le sont beaucoup moins. Un logiciel d’analyse par métier dira que « l’avocat est exposé à 60 % ». Une analyse par tâches dira que 40 % de son temps sur les tâches documentaires peut être pris en charge par un agent, ce qui libère ou supprime, selon le choix de l’employeur, ces 40 % de son temps.

C’est cette distinction que la recherche d’Axelle Arquié, économiste au CEPII, place au centre de l’analyse. L’approche décompose les postes en tâches élémentaires, évalue l’automatisabilité de chacune avec les capacités actuelles des agents IA, puis remonte au niveau du poste. Le résultat est un outil de diagnostic nettement plus précis que les approches par métier, et nettement plus utile pour penser les politiques d’adaptation.

Ce changement de méthode déplace la question du « quel métier survivra » vers « quelle recomposition du poste est possible, et qui en décide ». C’est un déplacement du terrain technique vers le terrain politique.

Ce que l’exposition à l’IA révèle vraiment

L’estimation d’une part significative d’actifs fortement exposés doit être lue avec soin. Elle identifie un seuil d’exposition significative , une proportion importante de tâches totalement automatisables , et constate qu’une fraction non négligeable de la population active est déjà au-delà de ce seuil. Mais l’exposition n’est pas uniformément distribuée.

Les postes les plus exposés se concentrent dans les fonctions support des grandes organisations : gestion administrative, analyse de données répétitive, traitement de documents, service client de niveau 1. Ce sont souvent des postes intermédiaires, ni tout en bas de la hiérarchie (où la présence physique reste déterminante), ni tout en haut (où le jugement et la relation dominent). La classe moyenne des fonctions cognitives est en première ligne.

Ce profil d’exposition a une implication sociale directe. Les économistes Daron Acemoglu et Simon Johnson, dans leurs travaux sur la distribution des gains technologiques, ont montré que les vagues d’automatisation précédentes avaient tendance à comprimer les salaires des catégories moyennes tout en bénéficiant davantage aux plus qualifiés et aux détenteurs de capital. Rien ne garantit que l’IA agentique échappera à cette dynamique. Les actifs les plus exposés ne sont pas uniformément des cadres supérieurs bien rémunérés capables de se reconvertir rapidement. Une part d’entre eux sont des techniciens, des assistants administratifs, des analystes juniors dont la formation initiale n’anticipe pas ce type de transition. C’est d’ailleurs une tension que le système fiscal français aggrave : si le capital qui substitue le travail n’est pas taxé au même niveau que le travail lui-même, la transition se fera au détriment des actifs concernés.

Il y a cependant un contrepoint à ne pas éluder. La même analyse par tâches qui identifie les expositions identifie aussi les émergences. Les agents IA créent des besoins nouveaux : supervision des systèmes automatisés, vérification des outputs, formation des modèles aux spécificités sectorielles, conception des workflows hybrides humain-machine. Ces emplois n’existaient pas il y a cinq ans. Ils n’apparaissent pas dans les statistiques actuelles parce qu’ils sont en cours de création. Arquié insiste sur ce point : la politique publique doit anticiper les deux dynamiques simultanément.

Pourquoi les entreprises déploient lentement

Si les capacités sont disponibles et l’exposition identifiée, pourquoi seulement un tiers des grandes entreprises françaises ont-elles lancé des projets d’IA agentique ? La question est moins rhétorique qu’elle n’y paraît, parce que la réponse éclaire directement le rythme de la transformation à venir.

Le premier facteur est technique. Les agents IA actuels sont puissants dans des tâches bornées, avec des inputs définis et des outputs évaluables. Ils le sont beaucoup moins dans des environnements où les données sont fragmentées, mal structurées ou distribuées entre des systèmes legacy incompatibles. Or c’est le quotidien de la plupart des grandes organisations françaises. Déployer un agent efficace sur la gestion des contrats fournisseurs suppose que les contrats soient stockés de façon cohérente, accessibles dans un format lisible par la machine, liés aux bonnes bases de données. Cette infrastructure n’est pas en place dans la majorité des cas.

Le deuxième facteur est managérial. Recomposer un poste autour des tâches à forte valeur ajoutée humaine suppose qu’un cadre intermédiaire soit capable d’identifier ces tâches, de redéfinir les fiches de poste, de gérer la montée en compétences, et d’absorber la période de transition où la productivité baisse avant de remonter. Ce travail de management fin n’est pas outillé. Les formations existent pour les outils ; elles n’existent presque pas pour la reconfiguration des postes.

Le troisième facteur est juridique et social. En France, toute modification substantielle du poste de travail requiert un dialogue avec les représentants du personnel. Des projets d’automatisation partielle qui touchent aux attributions réelles des salariés entrent potentiellement dans le périmètre des consultations obligatoires. Les entreprises qui ont avancé vite ont parfois subi des frictions sociales importantes. Celles qui avancent lentement arbitrent souvent en faveur de la prudence sociale sur la rapidité technologique. Ce n’est pas nécessairement une mauvaise chose, mais c’est un facteur de rythme réel.

La vraie question : qui décide de la recomposition ?

Le noeud du sujet est de savoir qui, dans l’organisation, aura le pouvoir de définir quelles tâches restent humaines et lesquelles passent à la machine, et selon quels critères.

Cette question est aujourd’hui essentiellement laissée aux décisions unilatérales des directions. Les accords de branche ou d’entreprise sur l’usage de l’IA restent marginaux en France. Quelques initiatives ont tenté de poser des principes sur la supervision humaine des décisions automatisées, notamment dans le secteur bancaire, mais elles demeurent isolées. La négociation collective sur le contenu du travail, par opposition aux salaires, reste sous-développée dans le droit social français.

L’enjeu est pourtant considérable. Un poste dont une fraction significative des tâches est automatisée peut évoluer de deux façons très différentes. Dans le premier scénario, l’employeur réduit l’effectif proportionnellement et maintient la charge globale. Dans le second, le titulaire du poste conserve son temps plein mais se concentre sur les tâches à forte valeur ajoutée humaine, avec une montée en compétences correspondante et, à terme, un meilleur positionnement sur le marché du travail. Les deux scénarios sont techniquement possibles. Lequel se réalise dépend du rapport de force dans l’organisation, des incitations fiscales, et des règles que le cadre collectif impose ou n’impose pas.

C’est là que la perspective de long terme devient concrète. D’ici 2040, si aucun cadre n’est posé, la définition de ce qui est « tâche essentiellement humaine » sera le résultat d’ajustements tacites, poste par poste, organisation par organisation. La tâche qui reste humaine dans une banque ne sera peut-être pas la même que dans une administration ou un cabinet de conseil. L’absence de définition conventionnelle crée un risque de divergence croissante des conditions de travail, et à terme, de la distribution de la valeur entre capital et travail. Ce que Diane Coyle signale à propos de la mesure du progrès vaut ici aussi : les outils que nous utilisons pour mesurer l’économie ont été conçus pour une économie industrielle. Ils ne saisissent pas les gains de productivité de l’IA, ni les pertes de bien-être au travail qu’une recomposition mal gérée peut produire.

Ce que font les organisations qui avancent

Le tableau n’est pas uniformément en attente. Certaines organisations ont lancé des expérimentations dont les résultats commencent à être documentés.

Dans les services financiers, plusieurs acteurs ont déployé des agents pour la détection d’anomalies comptables et la génération de premiers drafts de rapports réglementaires. Les retours documentés font état de gains de temps significatifs sur ces tâches, et d’une réorientation partielle des équipes vers l’analyse des cas complexes et la relation client sur les dossiers à enjeu. C’est un ajustement progressif, avec ses résistances internes et ses phases d’apprentissage. Mais l’ajustement est réel.

Dans le secteur public, la direction interministérielle du numérique mène des expérimentations sur l’usage d’agents pour le traitement de demandes administratives répétitives. Les résultats publiés restent préliminaires, et la généralisation se heurte aux mêmes problèmes d’infrastructure de données que le secteur privé.

Du côté de la formation, plusieurs organismes ont intégré des modules sur la collaboration humain-IA dans leurs certifications professionnelles. L’AFPA et plusieurs OPCO ont lancé des parcours de montée en compétences spécifiques pour les profils les plus exposés. Ces initiatives restent insuffisantes à l’échelle du défi, mais elles existent et montent en charge.

Ce que ces expériences partagent, c’est une caractéristique commune : elles ont fonctionné là où un encadrement intermédiaire fort a joué un rôle actif dans la redéfinition des postes. Les déploiements pilotés uniquement par les directions informatiques, sans implication des managers de terrain, ont produit des outils sous-utilisés ou mal adaptés. La compétence de recomposition du travail est elle-même un besoin de formation.

La politique publique a un angle mort

La politique française d’adaptation à l’IA s’est concentrée sur deux axes : le soutien à l’offre française d’IA (financement de l’écosystème, plan France 2030, programmes de recherche) et la réglementation (participation active à l’AI Act européen). Ces deux axes sont utiles et nécessaires.

Mais ils laissent un angle mort : la politique de la demande de travail recomposé. Aucune disposition fiscale significative n’incite aujourd’hui une entreprise à investir dans la montée en compétences d’un salarié dont le poste est partiellement automatisé plutôt qu’à réduire l’effectif. Aucun mécanisme de négociation collective n’a été renforcé pour traiter spécifiquement la question des tâches. La réforme de la formation professionnelle de 2018 a simplifié le financement mais n’a pas anticipé ce type de besoin.

L’angle mort a une logique économique simple : les coûts de la transition sont supportés par les travailleurs et le système de protection sociale, tandis que les gains de productivité sont captés par les entreprises et leurs actionnaires. Sans correction de cette asymétrie, le déploiement de l’IA agentique sera sous-optimal du point de vue social, même s’il est rationnel du point de vue des entreprises individuelles.

La question ouverte n’est donc pas de savoir si l’IA va recomposer le travail. Elle est déjà en train de le faire, pour une part croissante des actifs et à une vitesse qui va s’accélérer à mesure que les agents deviennent plus capables. La question est de savoir si la France se donnera les outils politiques, conventionnels et fiscaux pour que cette recomposition se fasse avec les travailleurs, plutôt que sur leur dos.

Sources

  1. Axelle Arquié, CEPII, Observatoire des emplois menacés et émergents, entretien Nouvelle Vie Ouvrière : https://nvo.fr/axelle-arquie-les-effets-de-lia-se-feront-sentir-sur-lemploi-quand-la-technologie-sera-mature/
  2. Daron Acemoglu et Simon Johnson, Power and Progress (PublicAffairs, 2023) , distribution des gains technologiques et partage capital-travail
  3. Direction interministérielle du numérique (DINUM) , expérimentations d’agents IA dans les services publics, rapports annuels d’activité
  4. Diane Coyle, GDP: A Brief but Affectionate History (Princeton University Press, 2014) et travaux sur la mesure du progrès à l’ère numérique
  5. Rapport de la Commission nationale de la négociation collective sur l’accord de branche banque-détail relatif à l’IA (2023)
  6. Axelle Arquié, économiste au CEPII et co-fondatrice de l’OEM : https://www.cepii.fr/blog/bi/contributeur.asp?auteur=Axelle+Arqui%C3%A9
  7. OEM - Observatoire des Emplois Menacés et Émergents : https://journeeseconomieautrement.fr/intervenant/axelle-arquie/
  8. CEET Cnam - Accords d’entreprise et IA (2024) : https://ceet.cnam.fr/publications/connaissance-de-l-emploi/l-ia-dans-les-entreprises-que-revelent-les-accords-negocies–1501114.kjsp
  9. INSEE Première n°2061 - Adoption IA dans les entreprises (2024) : https://www.insee.fr/fr/statistiques/8604126
  10. Rapport AMF sur l’usage de l’IA dans les marchés financiers (2026) : https://www.amf-france.org/sites/institutionnel/files/private/2026-02/202602-rapport-amf-ia-et-acteurs-des-marches-financiers-fr.pdf
  11. DINUM - Expérimentation ‘L’Assistant’ IA interministériel : https://www.solutions-numeriques.com/la-dinum-veut-faire-de-lia-et-du-cloud-souverain-les-piliers-du-numerique-public/
  12. LOI n° 2018-771 - Réforme de la formation professionnelle : https://www.legifrance.gouv.fr/jorf/id/JORFTEXT000037367660
  13. Stratégie nationale IA / France 2030 : https://www.economie.gouv.fr/actualites/strategie-nationale-intelligence-artificielle
  14. Acemoglu & Johnson, ‘Power and Progress’ (2023), FMI Finance & Development : https://www.imf.org/fr/publications/fandd/issues/2023/12/rebalancing-ai-acemoglu-johnson