67% des entreprises françaises d’au moins 20 salariés utilisent déjà l’intelligence artificielle générative. C’est le chiffre central d’une étude de la Banque de France publiée le 3 septembre 2026, fondée sur une enquête menée auprès d’environ 7 000 entreprises entre fin février et début avril 2026. Elles anticipent, à trois ans, un effet « modérément négatif » sur l’emploi, sans jamais dire combien de postes, lesquels, ni à quelle échéance précise. L’enquête fournit un signal agrégé sur les anticipations des entreprises françaises ; elle ne permet pas de savoir comment chaque entreprise a traduit, ou non, cette anticipation dans sa propre planification des effectifs. C’est à partir de cette limite que commence la question qui intéresse une organisation donnée : un effet macroéconomique anticipé sur l’emploi ne constitue pas encore un plan d’effectifs.
Ce que dit précisément l’enquête de la Banque de France
L’étude, signée Véronique Genre et Léo Parpais, s’appuie sur l’enquête mensuelle de conjoncture de la Banque de France, un dispositif qui couvre environ la moitié de l’économie française. Les résultats montrent une diffusion rapide de l’IA générative : 67% des entreprises interrogées l’utilisent déjà, avec un écart net selon la taille, 64% chez les entreprises de 20 à 49 salariés contre 83% chez celles de 1 000 salariés et plus. L’IA non générative, de nature plus prédictive, concerne environ un tiers des entreprises, avec le même effet de taille : 31% chez les plus petites, 60% chez les plus grandes.
Cet écart de taille mérite d’être lu comme un décalage de calendrier plutôt que comme une différence de destin. Les grandes entreprises disposent en général de davantage de moyens pour expérimenter un nouvel outil, former des équipes dédiées et mesurer ses effets avant de le généraliser, ce qui explique un taux d’adoption plus élevé chez les 1 000 salariés et plus. Rien n’indique en revanche que les entreprises plus petites seraient, par nature, moins concernées à terme : elles adoptent l’IA plus tard, souvent via des outils déjà intégrés à leurs logiciels existants plutôt que par un projet dédié, ce qui peut aussi retarder la prise de conscience de l’effet sur l’organisation du travail sans en réduire l’ampleur finale.
Sur les effets économiques, l’étude est prudente : ceux qui sont déjà observés restent limités, concentrés principalement sur des gains de productivité encore modestes. C’est sur l’horizon à trois ans que le ton change : les entreprises anticipent des gains de productivité nettement plus importants, et, dans le même mouvement, un effet qu’elles qualifient elles-mêmes de « modérément négatif » sur l’emploi.
Cet écart entre effets observés et effets anticipés n’est pas propre à la France ni à cette seule enquête : il traverse la plupart des études sur la diffusion d’une technologie générale dans le tissu productif. Le temps que prend une organisation pour repenser ses processus autour d’un nouvel outil dépasse presque toujours le temps qu’il faut pour l’adopter techniquement. Une entreprise peut avoir déployé l’IA générative dans plusieurs services sans avoir encore restructuré la moindre organisation du travail autour de cet usage : l’outil est là, mais l’effet sur l’emploi et sur la productivité reste, pour l’instant, une hypothèse que l’entreprise se fait sur elle-même plutôt qu’un résultat mesuré.
Le gain de productivité anticipé souffre du même flou que l’effet emploi
Le gain de productivité anticipé, pourtant présenté comme le plus important des deux effets, n’échappe pas à la même imprécision. L’étude ne dit pas s’il se traduira par une hausse de la production à effectif constant, par une amélioration de la qualité, par une réduction des délais, par du temps libéré pour les équipes en place, ou par une réduction progressive des besoins de recrutement sur un périmètre donné. Automatiser une partie du travail et décider de l’évolution des effectifs qui en découle sont deux décisions différentes : la première relève de l’outil, la seconde d’un arbitrage qui reste à faire, organisation par organisation. C’est précisément cette question, qui décide ce que devient le temps libéré par l’IA, qui reste sans réponse organisationnelle explicite dans la plupart des cas observés à ce jour.
Le mot qui manque : « combien »
Ce que cette enquête ne permet pas de déterminer, c’est la traduction concrète de ce « modérément négatif » pour une organisation donnée. Aucun pourcentage de postes concernés, aucune liste de métiers plus exposés que d’autres, aucun horizon plus précis que « trois ans » n’y figure. Ce n’est pas une lacune de l’étude, dont l’objet est de mesurer la diffusion de l’IA au niveau national et non de produire un scénario RH métier par métier : c’est la limite propre à tout signal agrégé, qui ne dit rien de ce que chaque entreprise interrogée a, ou non, déjà chiffré en interne.
Cette absence de chiffre au niveau national n’est pas neutre pour autant. Une anticipation formulée en ces termes, un effet modéré, quelque part, sur une partie non précisée de l’emploi, ne constitue pas une base suffisante pour une décision RH. Elle ne dit pas s’il faut geler un recrutement, réorganiser un service, ou accompagner une reconversion. Elle reste au niveau d’une anticipation agrégée, trop générale pour piloter une organisation donnée, ce qui a des conséquences concrètes sur la façon dont l’ajustement risque de se produire dans l’organisation.
Comment une anticipation générale peut se transformer en décisions individuelles non coordonnées
Faute d’un chiffre et d’un plan, l’ajustement d’effectifs risque de ne jamais passer par une décision unique et explicite, du type suppression de x postes sur tel périmètre à telle date. En l’absence de scénario explicite, l’effet peut se matérialiser progressivement par accumulation de décisions locales raisonnables prises séparément, sans que leur effet cumulé sur la structure des effectifs ait été réellement arbitré : un poste qui se libère à un départ en retraite et qu’on choisit de ne pas ouvrir, une mission qui n’est pas reconduite en CDI à son terme, un remplacement d’absence qui n’est finalement pas nécessaire parce qu’un outil d’IA a permis d’absorber la charge en interne.
Prise isolément, chacune de ces décisions peut sembler locale et raisonnable. Additionnées sur plusieurs années et plusieurs services, elles peuvent produire un effet proche de celui que l’enquête mesure au niveau macroéconomique, sans qu’aucun dirigeant n’ait jamais pris la décision consciente de réduire les effectifs de x%. Nous avons analysé séparément un phénomène comparable du côté du recrutement des juniors, observé aux États-Unis dans certains métiers fortement exposés à l’IA : là aussi, la décision ne se prend jamais en une fois, elle se prend embauche par embauche, départ par départ.
Le rendez-vous manqué avec l’horizon 2030
Ce flou sur l’horizon à trois ans est d’autant plus problématique qu’il coïncide avec une échéance déjà documentée par ailleurs. Le rapport Les Métiers en 2030, produit par France Stratégie et la Dares, établit que les départs en fin de carrière représenteraient 90% des 760 000 postes à pourvoir chaque année en France jusqu’en 2030. Autrement dit, l’horizon de trois ans sur lequel les entreprises anticipent un effet de l’IA sur l’emploi est précisément l’horizon sur lequel une vague de départs en retraite, documentée indépendamment de tout sujet lié à l’IA, va imposer des choix de remplacement, poste par poste. Sur les prochaines années, de nombreuses organisations devront ainsi décider quels départs remplacer à l’identique, quels postes transformer, quelles compétences transmettre, et quels besoins disparaissent ou apparaissent sous l’effet des transformations technologiques en cours.
Deux mouvements convergent donc sur la même fenêtre de temps : une pression structurelle à remplacer une majorité de départs, et une pression, plus diffuse mais réelle selon les entreprises elles-mêmes, à ne pas remplacer certains postes du fait de l’IA. Sans un chiffrage explicite de ce second mouvement, il est impossible de savoir, pour une organisation donnée, si les deux se compensent, se renforcent, ou se contredisent selon les métiers concernés.
Cette convergence n’a rien d’automatique dans un sens ou dans l’autre. Sur un métier donné, l’effet peut se cumuler, un départ en retraite non remplacé parce que l’IA a effectivement rendu une partie des tâches moins nécessaires, ce qui accélère la baisse d’effectif au-delà de ce que le seul mouvement démographique aurait produit. Sur un autre métier, les deux effets peuvent au contraire se neutraliser : un départ remplacé malgré l’IA, parce que les tâches restantes exigent toujours une présence humaine et que le volume d’activité continue de croître. Seule une analyse poste par poste permet de distinguer ces deux cas, une analyse qu’aucune enquête macroéconomique, aussi bien conduite soit-elle, ne peut produire à la place d’une organisation donnée.
Ce que suppose une anticipation qui dépasse le signal macroéconomique
Sortir du niveau de l’anticipation agrégée suppose de répondre, pour son organisation, à trois questions précises que l’enquête nationale ne peut par construction pas trancher à ce niveau de détail :
- Sur quels postes certains usages de l’IA modifient-ils déjà suffisamment la charge ou la répartition des tâches pour remettre en question un remplacement à l’identique ? La réponse se construit poste par poste, pas au niveau de l’entreprise entière : deux postes au même intitulé, dans deux services différents, peuvent connaître une transformation très différente selon la nature réelle des tâches qui les composent au quotidien, pas selon leur seule fiche de poste théorique.
- Quels départs, notamment en fin de carrière, sont attendus sur ces mêmes postes dans les trois prochaines années ? C’est le croisement entre la pyramide des âges et l’exposition à l’IA qui donne la vraie photographie du risque, pas l’un des deux facteurs pris isolément : un poste très exposé à l’IA mais sans aucun départ prévu à court terme ne pose pas le même problème de calendrier qu’un poste moyennement exposé mais concentré sur une seule personne proche de la retraite.
- Pour chacun de ces postes, la décision de remplacer ou non a-t-elle été prise explicitement, ou reste-t-elle en suspens jusqu’au jour du départ effectif ? Une décision prise à l’avance, même si elle est de ne pas remplacer, vaut mieux qu’une décision qui se prend par défaut, sans arbitrage ni accompagnement des équipes concernées. Une décision explicite peut aussi s’accompagner d’un plan de transmission des compétences avant le départ, une option qui disparaît dès que la décision se prend dans l’urgence, le jour où le poste se libère effectivement.
Transformation des tâches, départs prévisibles et besoins futurs : c’est le croisement de ces trois éléments qui forme une décision d’effectif, et c’est ce croisement qu’une enquête nationale ne peut par construction pas faire à la place d’une organisation donnée.
Ces trois questions n’ont pas vocation à produire une réponse unique et définitive, valable pour toute l’organisation pendant plusieurs années. Le contexte évolue, les usages de l’IA se diffusent à des rythmes différents selon les équipes, et un métier jugé peu exposé aujourd’hui peut le devenir en dix-huit mois si un nouvel outil change la donne. C’est un exercice à reprendre régulièrement, pas un diagnostic figé une fois pour toutes.
Exemple fictif : une entreprise applique ces trois questions à son service comptable. Elle constate qu’un tiers des tâches de saisie et de rapprochement sont déjà automatisées, et que deux départs en retraite sont prévus dans les trois ans sur ce service, sans qu’aucune décision n’ait jamais été prise sur leur remplacement. L’automatisation constatée ne dit pas, à elle seule, combien de postes restent nécessaires : c’est l’analyse de la charge résiduelle, des contrôles encore requis et de l’activité future du service qui montre qu’un seul des deux départs doit être remplacé à l’identique. Pour le second poste, la décision retenue est de ne pas le remplacer, à condition d’engager dès maintenant la transmission des tâches non automatisables vers l’équipe restante, avant que le titulaire ne parte. L’automatisation constitue une donnée de cette décision, pas la décision elle-même. Rien de tout cela n’apparaissait dans l’enquête nationale ; tout devient visible dès que l’anticipation générale est ramenée à l’échelle d’un service.
Ce que ça change pour la fonction RH
L’enquête de la Banque de France a le mérite de mettre un chiffre sur un phénomène de diffusion rapide de l’IA dans les entreprises françaises, et de révéler que cette diffusion s’accompagne d’une anticipation d’effet emploi qu’elle ne chiffre pas au niveau de chaque organisation, ce qui n’est d’ailleurs pas son objet. Pour une organisation donnée, l’enjeu n’est pas de prédire abstraitement combien d’emplois l’IA supprimera en France, mais de déterminer quels postes vont évoluer, quels départs vont survenir et quelles décisions de remplacement, transformation, formation ou transmission doivent être prises avant que les situations ne se présentent.
Effectivo permet de projeter les effectifs jusqu’à dix ans et de simuler différents scénarios de remplacement ou de transformation des postes, en croisant les départs prévisibles avec l’évolution attendue de la charge sur chaque poste. L’outil ne prédit pas l’impact de l’IA à la place de l’organisation : il rend visibles, dès aujourd’hui, les conséquences de décisions qui, sans lui, se prendraient progressivement au fil des départs.
Sources : Banque de France, Bulletin n°266, article 1 (03/09/2026), France Stratégie / Dares, Les Métiers en 2030, résumé du rapport (mars 2022).