Matt Shumer a déclenché la panique autour de l’AI et du marché du travail, mais les données ne confirment pas une vague de licenciements

Matt Schumer a Déclenché une Panique Autour de l'IA et du Marché du Travail, Mais les Données ne Confirment Pas une Vague de Licenciements

Le post viral de Matt Schumer affirmant que l'impact de l'IA sur le marché du travail sera « plus important que le Covid » a réuni des dizaines de millions de vues et déclenché une vague d'anxiété. Mais si vous mettez de côté le ton dramatique et regardez les données, l'image est beaucoup plus complexe : il existe actuellement un énorme fossé entre ce que l'IA peut théoriquement faire et ce que les entreprises ont réellement implémenté.

Pourquoi le Post a Marché

Schumer a touché le point sensible parfait du marché : la peur que les modèles soient déjà capables de remplacer la plupart des professionnels de bureau aujourd'hui. Son langage était simple et alarmant—« quelque chose de massif se produit », « la plupart des gens ne le sauront pas avant qu'il soit trop tard ». Plus de 85 millions de personnes ont vu le post, et pour beaucoup, cela a suffi à accepter la thèse émotionnelle comme une conclusion analytique. Le problème est que le post contenait presque aucune donnée sur l'emploi, les taux de mise en œuvre ou les réductions réelles.

Plus tard, une fois que la vague s'était déjà propagée, le ton de l'auteur est devenu notablement plus doux. Dans une interview avec CNBC, il a admis qu'il ne voulait effrayer personne et a suggéré que certaines de ses formulations auraient dû être réécrites. C'est crucial pour le marché : la panique se propage rapidement, tandis que les corrections sont lues par peu. C'est précisément pour cela que les posts viraux sur l'IA sont dangereux pour les dirigeants. Ils provoquent facilement des licenciements, des gels d'embauche ou des « transformations » précipitées sans comprendre où les modèles livrent réellement des résultats et où ils paraissent juste beaux dans les démos.

«

Si j'avais su à quel point cela deviendrait viral, j'aurais réécrit certaines parties. »

Où l'Automatisation Échoue

Le principal contre-argument à « l'IA remplace déjà tout le monde » est visible dans les données d'Anthropic. La couverture théorique des tâches par les modèles est effectivement très élevée : pour certaines professions, elle approche 90% ou plus. Mais l'utilisation réelle est notablement inférieure. En informatique, par exemple, Claude ne couvre qu'environ un tiers des tâches en pratique, malgré un potentiel beaucoup plus élevé sur le papier. C'est le fossé clé : la capacité n'est pas égale à la mise en œuvre, et la mise en œuvre n'est pas égale au remplacement humain complet.

La raison est simple : le travail dans les entreprises ne consiste pas seulement en la tâche elle-même, mais en tout ce qui l'entoure. Les modèles se heurtent non pas à la génération de texte ou de code, mais au contexte, aux dépendances et aux contraintes organisationnelles. Même si un système peut écrire un email, analyser un document ou suggérer du code, cela ne signifie pas qu'il comprend quand lancer le processus, qui demander l'approbation et que faire en cas d'exception. C'est précisément pour cela que l'automatisation stagne là où tout semble évident de l'extérieur.

• les approbations internes qui ne sont formellement documentées nulle part
• les systèmes hérités et les contournements non standard
• les contraintes réglementaires et les vérifications de conformité
• les connaissances implicites de l'équipe sur les clients, les risques et les priorités
• les règles qui changent constamment au sein de l'organisation elle-même

Par cette logique, l'IA s'avère souvent même plus faible qu'un nouvel employé. Un humain au moins s'intègre progressivement dans l'environnement, apprend des conversations, remarque les exceptions et capte les règles non écrites. Un modèle recommence presque à zéro à chaque fois et dépend de la minutie avec laquelle le contexte lui a été transmis. Et le contexte dans une entreprise vivante change plus vite qu'il ne se formalise. Par conséquent, le remplacement massif du personnel basé sur les capacités théoriques de l'IA aujourd'hui n'est pas une stratégie, mais une expérience coûteuse avec un risque élevé de recul.

Vers Où la Demande se Déplace

La partie la plus utile de cette discussion n'est pas le débat sur le nombre de professions qui disparaîtront, mais la question de savoir quelles tâches deviennent enfin économiquement viables. L'auteur suggère de regarder une courbe de demande simple. À sa « tête » vivent les produits de masse comme CRM, logiciels de bureau et services de conception.

Ils couvrent depuis longtemps les processus standard. Mais dans la « queue »—des milliers de tâches petites, douloureuses et très spécifiques qui n'ont pas été automatisées pendant des années simplement parce que le développement coûtait plus que le résultat. Cela pourrait être un rapport dans un format unique pour un client, un processus de conformité non standard, un tableau de bord privé pour un CFO, ou une procédure bureaucratique locale qui déraille tout le calendrier des affaires.

L'IA rend ces tâches adressables : elles peuvent désormais être résolues par une petite équipe ou même une seule personne ayant une expertise approfondie du domaine. D'où le paradoxe 2026 : l'IA ne réduit pas nécessairement une entreprise, mais l'accélère presque toujours. En janvier 2026, Citadel Securities a signalé une croissance de 11% en glissement annuel des postes de développeurs vacants, et les prévisions pour de nombreuses professions touchées par l'IA continuent de pointer vers la croissance, pas l'effondrement.

Ce Que Cela Signifie

Maintenant, le principal avantage compétitif est de ne pas paniquer face aux thèses virales, mais de comprendre où dans votre entreprise se trouve le fossé entre « l'IA pourrait faire cela » et « l'IA fait réellement cela ». Ceux qui licencient des gens trop tôt risquent de devoir reconstruire l'expertise précipitamment plus tard. Ceux qui choisissent d'abord le problème puis l'outil gagneront probablement de la vague d'automatisation actuelle.