Étude · nº 3 · septembre 2026
L’essai de Bill Gates sur le travail, confronté aux données
La porte ne s’est pas fermée. Elle s’est rétrécie. Bill Gates affirme que le seuil du marché du travail est franchi. J’ai lu l’essai, puis passé une semaine à le confronter aux données d’emploi qu’il ne cite jamais. Le diagnostic tient. La forme des dégâts n’est pas celle que la plupart imaginent.
Une prévision qui mérite d’être démontée
Je ne suis pas Bill Gates de près. J’ai lu son essai d’août parce qu’on me l’a mis sous les yeux, et il m’a arrêté — non parce qu’il alarme, mais parce qu’il n’alarme pas. On y entend quelqu’un qui a regardé un système de près et énumère ce qui, selon lui, se casse, en admettant ce qu’il ne sait pas réparer.
Cette combinaison est assez rare pour y consacrer une soirée. Ce qui suit, c’est son argument, section par section, avec les chiffres qu’il omet. Chaque chiffre renvoie ici à sa source.
Là où l’essai et les entretiens du même jour divergent, je signale ce qui vient d’où — et cette distinction compte, car les chiffres les plus cités sont dans les entretiens, pas dans l’essai.
La question intéressante n’a jamais été de savoir s’il a raison. Elle est de savoir ce que les données font à la forme de son propos.
Pourquoi la comparaison habituelle ne tient pas
Pour penser cette transition, la plupart des gens saisissent l’image du champ vers le bureau. Gates soutient que l’analogie se rompt en deux endroits, et les deux méritent d’être dits clairement.
D’abord le calendrier. Ce basculement-là s’est étalé sur des générations. Celui-ci, selon son estimation, tombe sur le droit, le service client, la médecine, le logiciel et l’industrie en moins d’une décennie.
Ensuite, et c’est plus important : le passage du champ au bureau a créé un travail qui exigeait de la cognition humaine. Cette technologie se substitue à la cognition elle-même. Aucun barreau suivant du même type n’est en vue.
Il ajoute un détail qui explique la vitesse. L’ordinateur personnel a eu besoin de vingt ans pour changer le travail : il fallait écrire le logiciel, faire baisser le prix, former les gens. Cette technologie tourne sur du matériel que les gens possèdent déjà et parle une langue ordinaire. Elle s’adapte à nous, et non l’inverse.
Ce qu’il dit déjà franchi
Dans des entretiens du même jour, Gates nomme cinq seuils qu’il estime derrière nous : capacité biologique, capacité cyber, dépendance psychosociale, bouleversement du marché du travail et premiers signes de perte de contrôle6.
Son propos n’est pas que l’un d’eux soit arrivé. Il est que l’industrie a promis pendant des années de ralentir quand ils apparaîtraient, puis les a dépassés sans conversation publique.
Une précision de sourçage. La liste des cinq seuils ne figure pas dans l’essai.
L’essai nomme trois risques — la disparition du travail, des acteurs malveillants renforcés, et le tort fait aux enfants et aux relations humaines — et dit clairement qu’aucun plan n’existe pour la transition5. La formulation plus tranchante est venue dans les entretiens. La plupart des reprises fondent les deux.
Le mot seuil n’est pas rhétorique. Les grands laboratoires publient chacun un cadre de sécurité qui nomme à l’avance des niveaux de capacité — aide à la fabrication d’armes biologiques, opérations cyber autonomes, auto-propagation — et s’engagent à s’y arrêter. C’est cette promesse que Gates mesure.
Où l’effet apparaît réellement
C’est là que son essai se tait. Il écrit que l’emploi a baissé chez les jeunes travailleurs des professions vulnérables tout en restant stable pour leurs collègues plus âgés, et ne donne aucun chiffre. Le chiffre existe, et il est plus intéressant que la phrase.
Regardez d’abord le marché entier : il n’y a presque rien à voir.
Les données de paie couvrant des millions de salariés, regroupées selon l’exposition de la profession, montrent toutes les catégories à moins d’un point de pourcentage les unes des autres3. C’est pourquoi plusieurs équipes de recherche disent ne trouver aucune trace de l’IA sur le marché du travail.
Stanford Digital Economy Lab, panel de paie ADP équilibré3.
Ajoutez maintenant une seule variable. Mêmes données, même mois, mêmes professions — découpées par âge.
Même panel, même mois3. L’écart entre les plus jeunes et la tranche 41–49 atteint 4,9 points de pourcentage — à l’intérieur des mêmes professions.
L’effet ne passe pas entre les professions. Il passe à l’intérieur, trié par âge.
Sur une fenêtre plus longue, la fracture est plus nette encore : depuis fin 2022, l’emploi des 22–25 ans dans les deux catégories les plus exposées a chuté de 11 %, tandis que la même tranche d’âge dans les trois moins exposées a progressé de 10 %3.
−11 %
Dans les deux groupes les plus exposés
+10 %
Même âge, dans les trois moins exposés
Le contour en pointillé est le niveau de fin 2022 ; les deux ouvertures s’y mesurent3.
Personne n’est licencié. On laisse entrer moins de monde.
Cette distinction est le résultat. Les taux de départ des jeunes travailleurs exposés n’ont pas augmenté — les embauches ont ralenti.
La porte ne s’est pas refermée derrière ceux qui sont déjà dedans ; elle s’est rétrécie pour ceux qui cherchent à entrer. Gates décrit exactement cela quand il parle des postes d’entrée, et c’est la partie de son essai qui résiste le mieux au contact des données.
Ce que les chercheurs signalent eux-mêmes. L’effet est divisé par deux dès qu’on contrôle le niveau d’études, une partie du recul précède l’IA générative, et l’écart est plus faible dans les enquêtes nationales que dans ce panel de paie.
Le panel n’est pas représentatif du marché du travail américain, et l’article n’est pas relu par les pairs. Ses auteurs qualifient les résultats de descriptifs, non de causaux3.
Vérifiez votre propre métier
Gates nomme des professions par observation : vente et support, logiciel, travail de juriste assistant, puis évaluation de crédits, analyse de données, triage des patients. Il existe désormais une mesure officielle pour le vérifier.
En août, le Bureau of Labor Statistics a publié sa première classification des professions par exposition à l’IA, bâtie sur cinq mesures indépendantes — trois théoriques et deux issues de l’usage réel observé — accompagnée de projections d’emploi jusqu’en 20351.
Saisissez un métier ci-dessous. Tout ce qui revient provient des sources listées à la fin, et chaque chiffre porte une note vers celle dont il est issu.
Interactif · 825 professions
La profession
Et vous dedans
Ce n’est pas une prédiction vous concernant. On montre où votre métier se situe parmi les autres, et ce qui est arrivé à l’emploi des personnes de votre âge dans des professions d’exposition comparable.
L’exposition signifie qu’un modèle est applicable aux tâches — le Bureau précise explicitement qu’elle n’implique ni perte d’emploi, ni automatisation, ni effet sur les salaires1.
Un cinquième du marché, en détail
Mettez les 825 professions dans un même tableau et le tableau est plus calme que le débat. Triez par n’importe quelle colonne, filtrez par nom, et lisez la catégorie d’exposition sur la marque placée à côté.
Comment lire le tableau
Bureau of Labor Statistics, catégories d’exposition à l’IA et projections d’emploi 2025–351.
La part de l’emploi dans chaque catégorie, sur les 831 professions que le Bureau projette :
| Exposition | Professions | Emploi, 2025 | Part | Projection 2025–35 |
|---|---|---|---|---|
| Très élevée | 206 | 53,2 M | 31,3 % | +2,0 % |
| Élevée | 206 | 42,1 M | 24,8 % | +3,1 % |
| Modérée | 206 | 44,7 M | 26,2 % | +6,2 % |
| Faible | 213 | 30,3 M | 17,8 % | +2,5 % |
Bureau of Labor Statistics, catégories d’exposition à l’IA et projections d’emploi 2025–351.
Le tiers du marché le plus exposé croît le plus lentement — et croît quand même. C’est la projection officielle, pas une opinion. Et l’écart à l’intérieur de la catégorie supérieure est plus large que l’écart entre catégories :
| Exposition très élevée | Emploi | Projection à 2035 |
|---|---|---|
| Office clerks, general | 2,60 M | −6,0 % |
| Secretaries and administrative assistants | 1,89 M | −6,0 % |
| Bookkeeping and auditing clerks | 1,53 M | −5,6 % |
| Customer service representatives | 2,67 M | −5,3 % |
| Computer and information systems managers | 0,69 M | +15,8 % |
| Logisticians | 0,26 M | +17,6 % |
| Data scientists | 0,28 M | +34,6 % |
Même catégorie d’exposition, trajectoires opposées. Gates le dit une fois, dans une subordonnée que la plupart des résumés ont supprimée : dans le logiciel, la baisse des coûts engendrera une demande nouvelle, si bien que la perte nette y sera plus faible qu’ailleurs. Les projections lui donnent raison.
Le basculement arrive quand la vérification s’arrête
La ligne la plus sous-estimée de l’essai ne parle d’aucune profession. Gates écrit que le plus grand basculement pour les travailleurs surviendra lorsque la technologie sera quasiment sans erreur — car c’est alors qu’elle pourra tourner sans relecture humaine, et toutes les incitations économiques y poussent.
Un benchmark met des chiffres là-dessus.
GDPval, d’OpenAI, évalue les modèles face à des professionnels expérimentés sur 1 320 livrables réels issus de 44 métiers, environ sept heures de travail chacun7.
Le titre retenu : un modèle de pointe égale ou dépasse l’expert humain sur environ la moitié des tâches. Dans le même article dort un tableau que presque personne ne cite.
Le coût de la vérification
Avantage du modèle sur l’expert humain
Tout ce qui sépare ces deux chiffres est une question de quantité de vérification conservée7.
Mesuré naïvement, le modèle est environ 90 fois plus rapide et plusieurs centaines de fois moins cher. Dès que la vérification experte entre dans le prix, l’avantage se réduit à environ 1,1–1,4× sur le temps et 1,2–1,6× sur le coût7.
Toute l’économie du sujet tient donc à l’étape de vérification. Tant qu’une personne vérifie encore, le gain est marginal.
Le magot entier apparaît au moment où la vérification disparaît — ce qui est précisément pourquoi elle disparaîtra, et pourquoi Gates a raison d’appeler cela le vrai seuil plutôt qu’une capacité particulière.
Ce que l’essai laisse de côté
Gates construit tout son texte autour de l’équité : cette technologie deviendra soit le plus grand égalisateur, soit la pire source d’injustice. Puis il ne demande jamais qui occupe réellement les métiers exposés.
J’ai croisé la classification d’exposition avec l’enquête sur l’emploi. Pondérées par le nombre de personnes qui y travaillent, les professions de la catégorie la plus exposée sont féminines à 57,5 %.
Dans la catégorie la moins exposée, elles le sont à 36,9 %14. Vingt points d’écart, et la raison n’a rien de subtil : le travail administratif, de bureau et de support est à la fois le plus exposé et, presque partout, le plus féminin.
L’Organisation internationale du travail trouve la même chose à l’échelle mondiale, avec une méthode fondée sur des nomenclatures internationales plutôt qu’américaines : dans le palier d’exposition le plus élevé se trouvent 4,7 % de l’emploi féminin contre 2,4 % de l’emploi masculin, et dans les pays à revenu élevé 9,6 contre 3,58.
Ce même travail de l’OIT sert aussi de contrôle d’échelle. Il situe l’exposition mondiale à 24 % de l’emploi, là où le FMI la place près de 40 %9. Deux institutions crédibles, un seul phénomène, un facteur de près de deux entre elles. Qui cite un chiffre mondial unique avec assurance en a choisi un et caché l’autre.
Réserves, jetons et quatre questions sans réponse
Human Reserved
Gates propose de mettre certains travaux de côté pour les humains — non parce que les machines ne sauraient pas les faire, mais parce que la société décide que la perte serait trop grande.
Il emprunte le vocabulaire des réserves naturelles. L’origine personnelle, ce sont les dernières années de son père et les soignants qui comprenaient encore cet homme quand il ne pouvait plus se faire comprendre.
Il avance deux raisons. Une économique : un homme de 55 ans ayant passé sa carrière dans le bâtiment ne se redirige pas simplement vers le soin aux personnes âgées. Une humaine : un robot annonçant un diagnostic fatal est techniquement possible et ne devrait pas arriver.
Puis il énumère, dans son propre texte, les quatre questions auxquelles il ne peut répondre. Qui décide de ce qui est mis en réserve. Selon quels critères. Comment empêcher les entreprises de tricher. Ce qu’il advient du commerce quand un pays laisse les robots construire et un autre non.
À confronter aux données : le soin aux personnes âgées, son exemple central, manque déjà de bras.
Mettre en réserve un métier qui ne parvient pas à pourvoir ses postes, c’est le protéger d’une pression qu’il ne subit pas encore. Il anticipe une partie de cela — il s’attend à ce que le Japon, à court de jeunes, accueille volontiers le robot soignant.
Taxer les jetons et les robots
L’asymétrie qu’il veut supprimer est réelle et rarement dite aussi nettement. Embauchez une personne et l’employeur paie des cotisations. Achetez une machine et l’entreprise l’amortit. Le code des impôts subventionne aujourd’hui la substitution.
Son remède est un prélèvement ciblé sur les jetons d’IA et les robots, finançant la reconversion et une protection sociale renforcée, conçu pour épargner les usages qui rendent la médecine et l’éducation moins chères.
Il concède que c’est économiquement inefficace et juge le prix acceptable. Aucun taux ne figure dans l’essai ; le chiffre largement cité vient d’un entretien et est avancé comme une option, non comme un calcul6.
L’objection la plus forte est mécanique et non idéologique : une taxe sur les jetons mesure du calcul, pas du déplacement d’emplois. Le prix des jetons a chuté de plusieurs ordres de grandeur, l’assiette se rétrécit donc à mesure que le problème grandit, et l’inférence migre vers les appareils locaux et d’autres juridictions.
Ce dont les gens honnêtes débattent encore
Il serait facile de conclure en déclarant l’affaire entendue. Elle ne l’est pas, et le désaccord vaut mieux qu’un verdict.
| Résultat | Source |
|---|---|
| La croissance de l’emploi dans le logiciel a ralenti d’environ 3 points par an après fin 2022 ; environ 500 000 postes non créés | Réserve fédérale10 |
| Aucun lien entre usage de l’IA et variations de l’emploi, jusqu’en juillet 2026 | Budget Lab, Yale11 |
| 2,8–3 % d’heures économisées, effet exactement nul sur les revenus et les heures | Données administratives danoises12 |
| La baisse des offres exposées a commencé en mars 2022 — avant ChatGPT — en suivant le cycle des taux | 238 M d’offres d’emploi13 |
| Le chômage a plus augmenté dans le quintile le moins exposé que dans le plus exposé | Economic Innovation Group14 |
Trois points sur lesquels toutes ces équipes s’accordent, et ce sont les conclusions les plus sûres disponibles aujourd’hui : il n’y a pas de déplacement massif au niveau macro ; le mécanisme est un ralentissement des embauches plutôt que des licenciements ; et quelque chose arrive aux jeunes travailleurs des professions exposées.
Une autre limite a sa place ici. On ne peut encore tester aucune prévision de 2026 sur l’emploi réel par profession : la série officielle ne va que jusqu’à mai 2025, et la prochaine publication couvrant cette période n’est pas attendue avant 2027. Qui vous montre cette vérification aujourd’hui vous montre du bruit.
Ce que les chiffres changent
Le diagnostic de Gates survit. Le mécanisme est juste, les secteurs sont justes, et l’insistance sur les postes d’entrée est la partie que les données soutiennent le plus directement.
Ce que les chiffres changent, c’est la forme. Ce n’est pas une vague qui roule sur les professions et les emporte une à une. C’est un filtre qui opère à l’intérieur des professions et trie selon l’ancienneté. Il sélectionne contre ceux qui ont le moins de réserves et le plus d’années devant eux.
Il termine son essai par quatre questions et aucune réponse.
La mienne est plus étroite et plus facile à trancher que toutes : si le mécanisme est un ralentissement de l’embauche à l’entrée, alors la cible de l’action publique n’est pas de savoir quelles professions clôturer, mais qui obtient le premier barreau. Les réserves protègent ceux qui sont déjà sur l’échelle.
Sources
- US Bureau of Labor Statistics. AI exposure categories and employment projections, 2025–35, publié le 27 août 2026. Catégories bâties sur cinq mesures indépendantes. bls.gov/emp/publications/ai-exposure-categories.htm
- Anthropic Economic Index, jeu de données labor market impacts — part mesurée des tâches d’une profession apportées au modèle. huggingface.co/datasets/Anthropic/EconomicIndex
- Brynjolfsson, Chandar, Chen. Canaries in the Coal Mine ? Stanford Digital Economy Lab, révision d’août 2026 ; panel de paie ADP jusqu’en juillet 2026. digitaleconomy.stanford.edu/publications/canaries-in-the-coal-mine
- US Bureau of Labor Statistics, Current Population Survey, tableau 11 : personnes en emploi par profession détaillée et par sexe, moyennes annuelles 2025. bls.gov/cps/cpsaat11.htm
- Bill Gates. The turbulent AI era is here. The choices we make now are critical. GatesNotes, 26 août 2026. gatesnotes.com
- Entretien de la MIT Technology Review avec Bill Gates, 26 août 2026 — source des cinq seuils et des taux cités. technologyreview.com
- GDPval, OpenAI — 1 320 livrables réels issus de 44 professions ; voir le tableau des coûts pour les chiffres corrigés de la vérification. arxiv.org/abs/2510.04374
- International Labour Organization. Generative AI and Jobs: A Refined Global Index of Occupational Exposure, document de travail 140, mai 2025. ilo.org
- International Monetary Fund. Gen-AI: Artificial Intelligence and the Future of Work, SDN/2024/001, janvier 2024. imf.org
- Crane et Soto, Federal Reserve Board, FEDS 2026-018, mars 2026.
- Budget Lab at Yale, Tracking the impact of AI on the labor market, mis à jour le 19 août 2026. budgetlab.yale.edu
- Humlum et Vestergaard, NBER Working Paper 33777, révision de mars 2026.
- Iscenko et Curto Millet, janvier 2026 — 238 millions d’offres d’emploi.
- Eckhardt et Goldschlag, Economic Innovation Group, AI and Jobs, août 2025. eig.org
Jeu de données consolidé derrière les modules interactifs : 825 professions avec l’emploi, la projection, le salaire médian, la catégorie officielle d’exposition, la part mesurée des tâches confiées aux modèles et la composition par sexe.
Assemblé en septembre 2026 à partir des sources 1, 2, 4 et de la publication Occupational Employment and Wage Statistics de mai 2025.
Traduit de l’original anglais. Les intitulés de professions restent en anglais : ce sont les noms officiels de la nomenclature SOC, et c’est sur eux que porte la recherche. Là où la formulation exacte de la source compte, reportez-vous aux documents liés ci-dessus.