Paragraphe d'introduction
Pascual Restrepo, un économiste de Yale, soutient dans un nouveau working paper du NBER (avril 2026) que l'intelligence artificielle générale (AGI) est peu susceptible d'éliminer la majorité des emplois humains parce que, selon lui, la plupart des tâches ne justifient pas les coûts fixes et récurrents de l'automatisation (Fortune, 4 avr. 2026 ; NBER, avr. 2026). L'article repositionne le débat public : il ne s'agit pas principalement d'une question de capacité — ce que l'AGI peut faire techniquement — mais des incitations du secteur privé et du calcul de rentabilité que les entreprises effectuent avant de remplacer la main-d'œuvre. La thèse centrale de Restrepo met l'accent sur les coûts d'implémentation, les frictions d'intégration et la répartition des bénéfices entre capital et travail comme contraintes décisives à une automatisation à grande échelle. Pour les investisseurs institutionnels, l'argument décale l'horizon d'un remplacement déterministe du travail vers une adoption sélective guidée par la rentabilité, qui favorisera certains secteurs, tâches et types d'entreprises. Cet article décortique les preuves, quantifie les expositions potentielles et évalue ce que signifie une trajectoire d'automatisation sélective pour le choix de stratégies et le risque macroéconomique.
Contexte
Le papier de Restrepo arrive à un moment d'attention accrue des investisseurs et des décideurs sur l'IA. L'article de Fortune résumant ses conclusions a été publié le 4 avril 2026 et a rapidement circulé dans les salles de rédaction financières, relançant le débat sur le risque de déplacement de la main-d'œuvre (Fortune, 4 avr. 2026). Du côté macroéconomique, les principaux indicateurs du marché du travail montrent de la résilience : le taux de chômage civil aux États-Unis était de 3,8 % en mars 2026 selon le Bureau of Labor Statistics (BLS, mars 2026), un niveau historiquement associé à des marchés du travail tendus. Dans ce contexte, Restrepo soutient que de nombreuses tâches effectuées par les travailleurs — en particulier celles impliquant des activités non répétables, relationnelles ou à faible valeur ajoutée — n'offrent pas un rendement convaincant pour une substitution automatisée.
Sa contribution s'inscrit dans une vague de littérature qui a déplacé l'attention de la faisabilité technique au niveau des tâches (par ex., les analyses à la Frey et Osborne) vers une lentille économique évaluant les coûts d'adoption, le fardeau de la supervision et de la correction d'erreurs, ainsi que les frictions managériales. Restrepo souligne trois contraintes concrètes : les coûts d'intégration initiaux (logiciels, matériel, reconversion), les dépenses récurrentes de supervision et d'atténuation des erreurs, et les limites des gains de revenus ou d'économies de coûts liés à l'automatisation de tâches à faible marge. Les investisseurs qui évaluent les risques d'AGI sur la seule base des capacités brutes peuvent donc surestimer le rythme et l'étendue du déplacement d'emplois. La nuance est cruciale : l'automatisation sélective peut néanmoins être transformationnelle dans des zones concentrées, même si les effets agrégés sur l'emploi sont atténués.
Un analogue historique peut être instructif. Le boom des robots industriels dans les années 1990 et 2000 a produit de forts gains de productivité dans les centres de fabrication, mais les déclins d'emploi ont été concentrés dans les rôles manuels routiniers tandis que les services et les professions hautement qualifiées se sont développés. La production manufacturière agrégée a augmenté même si certains marchés du travail locaux se sont contractés. La thèse de Restrepo suggère un schéma similaire : des perturbations concentrées, pas un remplacement universel.
Analyse approfondie des données
Le document du NBER de Restrepo fournit des illustrations empiriques et des calculs microéconomiques à l'appui de son argument (NBER, avr. 2026). Bien que le résumé de Fortune ne publie pas toutes les microdonnées, les signaux quantitatifs clés incluent des études de cas où les économies de coûts projetées de l'automatisation tombent en dessous des taux de rendement requis une fois intégration et supervision prises en compte (Fortune, 4 avr. 2026). En d'autres termes, lorsqu'on tient compte d'une majoration de 10 à 30 % des coûts totaux d'implémentation — due à la personnalisation, la conformité et la supervision humaine — de nombreux candidats à l'automatisation échouent aux tests d'investissement typiques des entreprises.
Les signaux de marché complémentaires sont cohérents avec une adoption sélective. Les investissements dans les semi-conducteurs et le matériel pour l'IA ont connu une flambée plus tôt dans la décennie : NVIDIA (NVDA) et d'autres fournisseurs de puces ont enregistré des gains de valorisation disproportionnés — le cours de l'action de NVDA a augmenté significativement d'une année sur l'autre à mesure que la demande de puissance de calcul pour l'IA s'accélérait (données de marché, avr. 2026) — alors que les employeurs du secteur des services de base n'ont pas connu de réductions d'effectifs proportionnelles. Ces mouvements de prix reflètent les attentes des investisseurs selon lesquelles les tâches intensives en calcul (centres de données, entraînement de modèles) sont des cibles d'automatisation à fort rendement, tandis que les tâches de main-d'œuvre diffusées sont moins attractives économiquement. La divergence entre les bénéficiaires de la tech-capex et l'emploi plus large suggère une réallocation du capital plutôt qu'une contraction généralisée de la demande de travail.
Les coûts réglementaires et de conformité comptent également. Restrepo souligne que les risques de conformité et de responsabilité — en particulier dans la santé, la finance et les services publics — augmentent le coût effectif de l'automatisation. Par exemple, automatiser une filière de diagnostic clinique implique une validation réglementaire et une exposition aux risques de faute professionnelle qui augmentent substantiellement le délai de mise en valeur comparé à l'automatisation d'un processus de rapprochement en back-office. Les preuves empiriques issues des revues réglementaires et des cycles de passation de marchés (les appels d'offres publics duraient en moyenne 18–24 mois dans certains secteurs à partir de 2025) signifient que même les automatisations techniquement réalisables peuvent être retardées par des réalités de gouvernance.
Implications sectorielles
La thèse d'automatisation sélective implique des gagnants et des perdants selon les secteurs plutôt qu'un choc uniforme. Les secteurs intensifs en capital et sensibles à l'échelle, avec des processus à forte marge — fournisseurs de cloud, hyperscalers, fabricants de semi-conducteurs et sociétés de trading algorithmique — ont à gagner d'efficacités portées par l'AGI parce que les coûts fixes (capacité de calcul, pipelines de données) s'amortissent sur de grands volumes. Par exemple, les entreprises d'infrastructures cloud pouvant centraliser la supervision coûteuse et proposer l'AGI en tant que service extraient une valeur disproportionnée par rapport aux petites entreprises décentralisées.
À l'inverse, les secteurs dominés par des services localisés et relationnels — Hôtellerie, de nombreux aspects du commerce de détail, services municipaux et soins personnels — font face à des barrières plus élevées. Ces activités génèrent souvent de faibles retours par interaction, rendant l'investissement requis dans des systèmes AGI sur mesure économiquement peu attrayant. Services de santé
