- 67 % des entreprises de 20 salariés et plus utilisent l'IA générative début 2026, 31 % des utilisatrices constatent un gain de productivité, 38 % citent le manque de cas d'usage comme premier frein (Banque de France, septembre 2026).
- L'exposition réelle de l'emploi français reste faible (3,8 %) mais quadruple à horizon 2-5 ans (16,3 %, Coface/OEM, avril 2026). Les scores d'exposition fondés sur les LLM divergent entre eux jusqu'à 3,6 fois : aucune décision RH ne devrait reposer sur une source unique.
- Le signal le plus sous-estimé de la rentrée concerne les juniors : non-recrutement plutôt que licenciement dans les métiers exposés. Il se lit aux États-Unis, il se surveille en France.
Quatre chiffres pour cadrer l'année
L'enquête de conjoncture de la Banque de France menée du 25 février au 3 avril 2026 auprès de 7 000 entreprises fournit, pour la première fois à cette échelle, une photographie de la diffusion de l'IA dans le tissu productif français. Elle sert d'ossature à ce numéro. Chaque chiffre porte sa source et son tier, aucune valeur n'est estimée.
Le problème n'est plus l'adoption, c'est l'intégration
Plus des deux tiers des entreprises françaises de vingt salariés et plus déclarent utiliser l'IA générative, mais l'usage reste majoritairement généraliste, concentré sur les fonctions support et transversales, et souvent expérimental. Seules 31 % des utilisatrices constatent un gain de productivité, 41 % pour l'IA non générative. Le premier frein cité n'est ni le coût ni la réglementation : c'est l'absence de cas d'usage identifiés, pour 38 % des entreprises Banque de France, 2026 · T1/C1. La Banque de France conclut elle-même que l'enjeu réside désormais moins dans l'adoption que dans la capacité à transformer durablement l'organisation. Autrement dit, la courbe d'adoption est acquise, la courbe d'intégration ne l'est pas.
- Remplacer l'inventaire d'outils par un portefeuille de cas d'usage chiffrés : coût, gain attendu, indicateur de suivi, propriétaire.
- Confier chaque cas d'usage à un responsable métier, pas à la DSI. La DSI sécurise, le métier répond du résultat.
- Donner une date de fin à toute expérimentation sans indicateur de mesure. Ce qui n'est pas mesuré en juin 2027 est arrêté.
- Réorienter les dispositifs d'aide de l'équipement et de l'abonnement vers l'intégration dans les processus et la formation associée.
- Publier un référentiel national de cas d'usage par filière, alimenté par les branches et les OPCO, en accès libre.
- Reconduire l'enquête Banque de France à cadence annuelle pour suivre le passage des usages expérimentaux aux déploiements structurés.
Piloter sur une source unique, c'est piloter à l'aveugle
Selon Coface et l'Observatoire de l'emploi et des métiers, 3,8 % de l'emploi français est exposé aujourd'hui, 16,3 % à horizon deux à cinq ans Coface/OEM, avril 2026 · T2/C2. Ce quadruplement annoncé mérite d'être lu avec la mise en garde de Yin, Vu et Persico : les mesures d'exposition construites à partir de grands modèles de langage divergent entre elles jusqu'à 3,6 fois pour un même métier, selon le modèle et la consigne utilisés Yin, Vu, Persico, 2026 · T1/C1. La Banque de France observe par ailleurs que les secteurs qui déclarent le plus de gains sont ceux où la donnée est déjà centrale, ce qui ne recoupe pas nécessairement les métiers les plus exposés sur le papier.
Les scores d'exposition mesurent ce qu'un modèle pourrait techniquement faire, pas ce que les entreprises font. L'écart entre exposition théorique et pratique observée est précisément ce que ce numéro appelle la friction organisationnelle. Il est documenté, il n'est pas encore mesuré en France à l'échelle des métiers.
- Ne jamais fonder un plan RH sur une seule mesure d'exposition. Exiger au moins deux sources de nature différente avant toute décision d'effectifs.
- Croiser le score de tâches avec les données d'usage réelles de l'entreprise : licences activées, requêtes, temps déclaré.
- Documenter, métier par métier, l'écart entre exposition théorique et pratique observée dans ses propres équipes. C'est le premier livrable d'une GEPP crédible.
- Financer une mesure française d'exposition observée, à partir de données d'usage et non de scores de tâches seuls, sur la nomenclature ROME/FAP.
- Exiger la transparence méthodologique des baromètres cités dans le débat public : modèle, consigne, base, période.
- Signaler explicitement, dans toute communication institutionnelle, le caractère non transposable des données américaines au marché du travail français.
Le premier effet emploi ne sera pas un licenciement, mais un poste non ouvert
Aux États-Unis, l'emploi relatif des 22-25 ans dans les métiers les plus exposés a reculé de 19 % depuis fin 2022, et ce recul passe par le non-recrutement plutôt que par les départs Brynjolfsson et al., août 2026 · T1/C1. Ce résultat n'est pas transposable à la France : droit du travail, poids de l'alternance et structure sectorielle diffèrent. Il constitue en revanche un signal d'alerte précoce, d'autant que les cohortes jeunes se déclarent partout plus nerveuses et moins enthousiastes face à l'IA que leurs aînés Ipsos AI Monitor, juin 2026 · T2/C2. En France, la Banque de France note que les tâches absorbées relèvent d'abord des fonctions support et transversales, qui sont historiquement des portes d'entrée dans l'emploi qualifié. Cette mesure existe désormais pour la France. Sur les mouvements de main-d'œuvre de la Dares, les embauches en CDI des 21-29 ans reculent de 28,3 % depuis novembre 2022 dans les métiers les plus exposés à l'IA générative, contre 7,5 % dans les moins exposés, soit un écart de 20,8 points, et de 23,1 points tous contrats confondus : le report vers les contrats courts n'explique pas le phénomène. Les entreprises qui déclarent un usage intensif de l'IA recrutent 17 à 25 % de jeunes en moins en CDI, sans que leur effectif total s'écarte nettement de celui des autres LIFT HEC Paris, Policy Paper 2026-02, octobre 2026 · T1/C2. L'hypothèse de ce numéro, le poste non ouvert avant le licenciement, est donc mesurée sur données françaises, avec la réserve posée par les auteurs : le résultat est descriptif et ne neutralise ni le cycle, ni le télétravail, ni l'essor de l'apprentissage.
- Mesurer le ratio junior/senior des recrutements 2026 par rapport à 2024, métier par métier. Un recul silencieux se voit d'abord dans ce ratio.
- Fixer un volume plancher de premiers postes et de contrats d'alternance pour 2027, indépendant des gains de productivité attendus.
- Redessiner les parcours d'apprentissage là où l'IA absorbe les tâches d'entrée : ce qui formait par la répétition doit être formé autrement.
- Ajouter un indicateur de premier emploi par métier exposé au suivi Dares et France Travail, publié à cadence semestrielle.
- Conditionner une part des aides à l'alternance au maintien du niveau de recrutement junior dans les métiers les plus exposés.
- Ouvrir avec les branches un chantier sur la formation initiale des métiers dont le socle « débutant » se réduit.
Un effet emploi faible aujourd'hui, une réallocation annoncée demain
L'effet observé de l'IA sur les effectifs est à ce stade modérément négatif : 2 % des entreprises utilisatrices d'IA générative, en solde net, lui imputent une baisse. À horizon trois ans, 21 % des entreprises prévoyant d'utiliser l'IA anticipent une baisse d'effectifs, 14 % en solde net, tandis que 60 % anticipent un gain de productivité Banque de France, 2026 · T1/C1. La Banque de France y voit un réel effet de réallocation plus qu'une substitution directe : l'IA est perçue comme un outil d'assistance, les gains passent par la qualité et les marges plutôt que par les volumes ou les prix. Pour un comité de direction, cela signifie que le travail de transition doit commencer avant que l'effet emploi ne devienne visible, pas après. À l'international, The Economist documente le versant création : environ un million d'emplois attribués à l'IA aux États-Unis, contre environ 200 000 suppressions depuis mi-2023, et une destruction concentrée sur l'administratif, où le BLS projette 752 000 suppressions d'ici 2035 The Economist, 4 septembre 2026 · T4/C3. Données américaines, sans équivalent français : aucune série de l'INSEE ou de la DARES ne ventile l'emploi créé ou détruit par l'IA.
- Relancer une GEPP orientée tâches et non postes : quelles tâches partent, quelles tâches restent, quelles tâches apparaissent.
- Identifier les trois métiers internes à passerelle prioritaire et construire le parcours de transition avant la première suppression de poste.
- Inscrire au budget 2027 la formation de transition comme ligne propre, distincte du plan de développement des compétences courant.
- Adapter le FNE-Formation et les transitions collectives aux reconversions intra-entreprise, aujourd'hui mal couvertes.
- Doter les branches de cartographies tâches vers métiers, réutilisables par les PME qui n'ont pas de fonction RH structurée.
- Suivre le solde réel d'emploi par secteur exposé plutôt que les annonces de plans, qui surestiment systématiquement l'effet.
Sans donnée fiable et sans référent interne, l'outil ne change rien
L'écart par taille est net : 64 % d'usage chez les 20 à 49 salariés contre 83 % au-delà de 1 000 Banque de France, 2026 · T1/C1. Il se creuse encore sous vingt salariés. Dans le BTP, 31,4 % seulement des dirigeants de très petites entreprises disent savoir précisément ce que recouvre l'IA, contre 53,1 % au-delà de 50 salariés, et l'étude identifie une donnée dispersée, non standardisée et difficilement exploitable comme frein premier à toute automatisation Étude IA dans le BTP, janvier 2026 · T2/C3. Ses recommandations, référents IA internes, formation en situation de travail, référentiel de pratiques data, valent bien au-delà du secteur.
- Désigner un référent IA et données interne, même à temps partiel, avant de contracter le moindre outil.
- Fiabiliser trois jeux de données métier prioritaires (devis, clients, production) avant tout projet d'automatisation.
- Prévoir un budget de formation du dirigeant lui-même, incluant les volets AI Act et RGPD, pas seulement celui des équipes.
- Sectoriser l'offre de formation via les OPCO sur le modèle du Cléa numérique, en modules courts adossés à des situations réelles de travail.
- Soutenir l'interopérabilité des outils métier par filière, condition d'une donnée exploitable par des solutions concurrentes.
- Installer des relais territoriaux de premier niveau (CCI, chambres de métiers, agences régionales) plutôt qu'un guichet national unique.
L'IA coûte plus qu'annoncé, et dépend de peu de fournisseurs
Les entreprises anticipent davantage de hausses que de baisses de leurs prix de vente à horizon 2026-2029 (6 % en solde net), un tiers d'entre elles prévoit d'augmenter ses investissements, et la Banque de France pointe le renchérissement récent des coûts de l'IA comme un enjeu à documenter Banque de France, 2026 · T1/C1. Deux régulateurs français ont ouvert le dossier des dépendances en début d'année : l'AMF sur l'usage de l'IA par les acteurs des marchés financiers AMF, février 2026 · T1/C2 et l'Arcep sur les effets de l'IA générative pour l'internet ouvert Arcep, janvier 2026 · T1/C2. La montée en application de l'AI Act s'ajoute à ce paysage. La gouvernance IA cesse d'être une affaire de conformité pour devenir une affaire de coûts et de réversibilité.
- Instituer une revue coûts-bénéfices IA au budget 2027 : abonnements, infrastructure, formation, réorganisation, en face des gains observés.
- Cartographier ses dépendances fournisseurs, modèles et hébergement, et vérifier les clauses de réversibilité et de portabilité des données.
- Installer un comité gouvernance IA réunissant RH, juridique, métiers et DSI, avec un mandat sur les usages et pas seulement sur les risques.
- Clarifier pour les PME le calendrier français d'application de l'AI Act, en un document unique et daté.
- Documenter la balance coûts-bénéfices de l'IA à l'échelle nationale, comme le suggère la Banque de France, et la publier.
- Traiter la souveraineté comme une question de dépendance opérationnelle (réversibilité, alternatives crédibles) et pas seulement de localisation des données.
Quatre trimestres, dix-huit pistes, une séquence
Les dix-huit pistes CODIR ci-dessus ne se traitent pas en parallèle. La séquence suivante les ordonne : mesurer avant de décider, décider avant de former, former avant de réduire. Elle court de la rentrée 2026 à la rentrée 2027.
-
T4 2026 · Mesurer
Établir la base de départ
- Inventaire des cas d'usage existants, chiffrés (§01).
- Ratio junior/senior des recrutements 2026 vs 2024 (§03).
- Revue coûts-bénéfices IA inscrite au budget 2027 (§06).
- Référent IA et données nommé, en PME comme en ETI (§05).
-
T1 2027 · Décider
Arbitrer et attribuer
- Portefeuille de cas d'usage avec propriétaires métier (§01).
- GEPP orientée tâches lancée, écart exposition théorique / observée documenté (§02, §04).
- Cartographie des dépendances fournisseurs et clauses de réversibilité (§06).
- Trois jeux de données métier fiabilisés (§05).
-
T2 2027 · Former
Ouvrir les passerelles
- Comité gouvernance IA installé, mandat sur les usages (§06).
- Trois métiers passerelle identifiés, parcours de transition budgétés (§04).
- Plancher de premiers postes et d'alternances fixé pour 2027-2028 (§03).
- Formation du dirigeant réalisée, AI Act et RGPD compris (§05).
-
T3 2027 · Trancher
Arrêter ce qui ne mesure rien
- Fin des expérimentations sans indicateur (§01).
- Bilan à douze mois : gains observés contre gains anticipés, effectifs, coûts (§04, §06).
- Deuxième mesure du ratio junior (§03).
- Préparation de la rentrée 2027 sur données propres, pas sur baromètres.
Sources et niveaux de confiance
Les sources sont classées par nature, de T1 pour les travaux académiques et institutionnels primaires à T4 pour la presse spécialisée. La confiance, de C1 à C4, qualifie la transparence méthodologique. Une valeur absente est notée n.d. et n'est jamais estimée. Les données américaines sont signalées comme non transposables.
| Source | Nature | Base | Tier |
|---|---|---|---|
| Genre V., Parpais L., « L'IA s'installe dans les entreprises françaises », Bulletin de la Banque de France 266/1, septembre-octobre 2026 | Enquête de conjoncture, institution monétaire | n = 7 000 | T1/C1 |
| Coface / Observatoire de l'emploi et des métiers, exposition de l'emploi français à l'IA, avril 2026 | Étude d'exposition, assureur-crédit et observatoire | n.d. | T2/C2 |
| Yin, Vu, Persico, NBER Working Paper 35110, 2026 | Working paper académique, méta-critique | métiers US, multi-modèles | T1/C1 |
| Brynjolfsson, Chandar, Chen, « Canaries in the Coal Mine », mise à jour août 2026 | Working paper académique, données paie · États-Unis, non transposable | données ADP | T1/C1 |
| Ipsos, AI Monitor 2026, juin 2026 | Enquête d'opinion internationale | n = 23 532 · 32 pays | T2/C2 |
| Étude sur la perception et l'intégration des outils d'IA dans les entreprises du BTP, janvier 2026 | Étude sectorielle, dirigeants du BTP | n = 609 dirigeants | T2/C3 |
| AMF, IA et acteurs des marchés financiers, février 2026 | Rapport de régulateur | n.d. | T1/C2 |
| Arcep, IA générative et défis pour l'internet ouvert, janvier 2026 | Rapport de régulateur | n.d. | T1/C2 |
| Bergeaud, Bertheau, Bunel, Degos & Palladino, LIFT Policy Paper 2026-02, HEC Paris, octobre 2026 | Papier académique · HEC Paris et Banque de France | Dares MMO · secteur privé · janvier 2019 à mars 2026 | T1/C2 |
| The Economist, The jobs apocalypse is postponed, 4 septembre 2026 | Presse économique · agrège BLS, US Census Bureau, Goldman Sachs, Indeed, LinkedIn, Burning Glass Institute et Challenger Gray & Christmas | États-Unis · août 2026 | T4/C3 |
Ce numéro ne comporte aucun partenariat ni financement externe. Le contenu analytique est produit indépendamment de tout client de conseil, dont aucun n'apparaît dans les sections analytiques.