Non, l’intelligence artificielle ne met pas les jeunes actifs à la porte : elle ferme la porte d’entrée. C’est la conclusion d’une étude publiée le 12 août 2026 par trois chercheurs de Stanford (Erik Brynjolfsson, Bharat Chandar, Ruyu Chen), fondée sur des données de paie américaines couvrant novembre 2022 à juin 2026. Dans les métiers les plus exposés à l’IA, l’emploi des 22-25 ans est désormais 19 % en dessous de sa trajectoire attendue, contre 15 % un an plus tôt, et cet écart se creuse par une baisse des embauches, pas par une hausse des départs. Ce mécanisme, discret dans un tableau de bord RH classique, entre en collision avec un fait démographique bien documenté en France : neuf postes à pourvoir sur dix, d’ici 2030, viendront du remplacement de personnes qui partent en retraite. Une organisation qui n’embauche pas de juniors aujourd’hui ne fait pas d’économie : elle reporte une facture qu’elle n’a pas encore vue.
Que montre précisément l’étude Stanford sur l’emploi des jeunes ?
L’étude s’appuie sur des données de paie ADP, qui couvrent une large partie des salariés du secteur privé américain, sur une période allant de novembre 2022, quelques semaines avant la sortie de ChatGPT, à juin 2026. Les auteurs comparent l’évolution réelle de l’emploi des 22-25 ans dans les métiers jugés fortement exposés à l’IA à la trajectoire qu’on attendrait de ces métiers en l’absence de rupture technologique. L’écart mesuré atteint 19 % en juin 2026 : autrement dit, dans ces métiers, l’emploi des jeunes actifs est inférieur d’environ un cinquième à ce qu’il aurait été sans ce facteur. Point important, cet écart n’est pas stable : il était de 15 % un an plus tôt, ce qui signifie qu’il continue de se creuser plutôt que de se stabiliser.
Les auteurs eux-mêmes bornent la portée de leur travail : ils écrivent que ce sont des « tendances descriptives, pas des estimations causales de l’effet de l’IA », et précisent qu’ils ne considèrent ni cette étude ni aucune étude isolée comme une preuve définitive des effets de l’IA sur le marché du travail. Cette prudence mérite d’être reprise telle quelle plutôt que résumée en gros titre : l’étude documente une corrélation forte et persistante, pas une démonstration de cause à effet vérifiée expérience par expérience.
Pourquoi l’ajustement passe par la non-embauche, pas par le licenciement
Le second apport de l’étude est la description du mécanisme d’ajustement observé : la baisse de l’emploi des jeunes s’explique principalement par une réduction des embauches, plutôt que par une hausse des départs. Concrètement, les postes existants ne disparaissent pas massivement ; ce sont les postes qui se seraient normalement ouverts à un débutant qui ne s’ouvrent plus, ou s’ouvrent à un profil plus expérimenté jugé immédiatement opérationnel avec les outils d’IA disponibles.
Ce mécanisme explique pourquoi le phénomène reste largement invisible dans les indicateurs RH usuels : un taux de départ ou un solde d’effectifs stable ne dit rien d’une porte d’entrée qui se referme. Il faut regarder spécifiquement la pyramide des âges et le taux de recrutement des postes juniors pour voir le signal, ce qui rejoint la logique déjà développée à propos de la transformation des postes par l’IA : ce n’est pas le métier entier qui bascule, ce sont des tâches, ici les tâches d’entrée de carrière, qui deviennent moins nécessaires à confier à un débutant.
L’IA complète-t-elle ou automatise-t-elle ? La différence change tout
L’étude distingue deux types de métiers selon la manière dont l’IA y intervient. Là où l’IA automatise des tâches, c’est-à-dire les exécute à la place d’une personne, l’emploi des jeunes recule. Là où l’IA complète le travail, c’est-à-dire qu’elle appuie une personne sans se substituer à elle, l’emploi des jeunes actifs reste stable, voire progresse, en particulier chez les travailleurs plus expérimentés qui savent tirer parti de l’outil pour aller plus vite sur des tâches qu’ils maîtrisent déjà.
Cette distinction rejoint une question de fond pour toute organisation : un poste junior donné est-il aujourd’hui composé majoritairement de tâches automatisables (traitement de premier niveau, mise en forme, recherche d’information structurée) ou de tâches où l’IA joue un rôle d’appui sans remplacer le jugement humain ? La réponse détermine si le poste risque de se réduire à l’entrée de carrière, ou si l’IA en fait au contraire un poste plus formateur, en libérant du temps pour des tâches à plus forte valeur.
Le fait démographique qui rend ce choix coûteux : 90 % des postes à pourvoir viennent des départs
Le rapport Les Métiers en 2030, produit par France Stratégie et la Dares (rapport du groupe Prospective des métiers et qualifications, mars 2022), établit qu’entre 2019 et 2030, les postes à pourvoir en France s’élèveraient à 760 000 par an en moyenne, et que les départs en fin de carrière représenteraient 90 % de ce total. Le solde, un million d’emplois nets créés sur l’ensemble de la période dans le scénario de référence, est nettement plus faible que le flux de départs en retraite à remplacer chaque année.
Autrement dit, la très grande majorité des postes qui se libéreront en France d’ici 2030 ne résulte pas de la croissance de l’activité, mais du renouvellement des générations en poste. Une part de ces postes se pourvoit par des jeunes qui entrent en emploi et montent en compétence sur plusieurs années avant d’être en mesure d’occuper des responsabilités plus larges, souvent celles-là mêmes que laissent les personnes parties en retraite. Si l’entrée dans l’emploi se réduit aujourd’hui, le vivier disponible pour ces remplacements se réduit mécaniquement avec un décalage de dix à quinze ans, le temps qu’un junior devienne senior.
Ce fond démographique n’est pas nouveau : dès 2022, l’Insee projetait un vieillissement prononcé de la population, avec un taux d’activité des 55 ans ou plus qui se stabiliserait autour de 25 % et un taux d’activité des 60-64 ans qui atteindrait environ 58 % vers 2040, contre des niveaux nettement plus bas aujourd’hui. Ces projections dessinent un mouvement de fond, indépendant de l’IA, qui rend le renouvellement des générations en poste incontournable sur la durée. L’IA ne crée donc pas ce besoin de remplacement ; elle intervient au moment précis où ce besoin devient le plus pressant, en réduisant justement le flux qui devait le couvrir.
Un mécanisme à deux vitesses, pas une contradiction
Ces deux constats, la fermeture de la porte d’entrée aujourd’hui et le besoin massif de remplacement demain, ne se contredisent pas : ils opèrent à deux horizons de temps différents. À court terme, une organisation qui limite ses embauches de juniors sur des tâches automatisables réalise une économie réelle et immédiate, à condition que les tâches concernées soient effectivement bien automatisables et pas seulement perçues comme telles, en appliquant la même analyse tâche par tâche que celle qui précède une suppression de poste avant de figer une politique de non-recrutement. À moyen et long terme, cette même organisation réduit le nombre de personnes qui, dans dix ou quinze ans, auront accumulé assez d’expérience pour occuper les postes que les départs en retraite laisseront vacants. Les deux effets ne s’annulent pas : ils s’additionnent dans le temps, le premier profitant au compte de résultat de l’année en cours, le second retombant sur l’organisation à un horizon suffisamment lointain pour n’être associé à aucune décision précise.
Le coût qui n’apparaît sur aucune ligne budgétaire
Ce qui rend ce risque difficile à porter à l’agenda RH, c’est qu’il ne coûte rien tout de suite. Ne pas recruter un junior en 2026 n’apparaît sur aucun compte de résultat comme une charge : c’est au contraire une économie immédiate. Le coût ne se matérialise que sept, dix ou quinze ans plus tard, quand un poste de senior doit être pourvu par quelqu’un qui n’a jamais eu l’occasion de monter en compétence sur le métier, faute d’avoir été recruté au bon moment. Entre les deux, aucun signal d’alerte classique ne se déclenche : ni le budget, ni le turnover, ni l’absentéisme ne portent trace d’un recrutement qui n’a pas eu lieu.
C’est précisément la nature d’un déséquilibre de pyramide des âges : il se construit silencieusement, année après année, et ne devient visible qu’au moment où il devient difficile à corriger. Une organisation qui suit son taux de turnover ou sa masse salariale peut se croire en bonne santé RH pendant plusieurs années consécutives, alors même qu’elle laisse se creuser un trou générationnel dans ses effectifs.
Exemple fictif : une équipe technique compte aujourd’hui trois experts seniors, tous à moins de dix ans de la retraite, et n’a recruté aucun junior sur ce métier depuis trois ans, l’essentiel des tâches d’entrée de gamme étant désormais traité avec l’appui d’outils d’IA. Rien, dans les indicateurs RH usuels, ne signale de problème : la masse salariale de l’équipe est stable, le turnover est nul, la charge est couverte. Le problème n’apparaît que le jour où le premier des trois seniors part effectivement en retraite, et qu’aucun profil interne n’a eu le temps d’accumuler l’expérience nécessaire pour le remplacer. À ce moment-là, la seule option restante, un recrutement externe en urgence sur un profil rare, coûte largement plus cher qu’une montée en compétence interne étalée sur plusieurs années.
Comment repérer le risque avant qu’il ne devienne un problème de recrutement
Trois lectures croisées permettent de sortir ce risque de l’angle mort :
- La pyramide des âges par métier ou famille de métiers, pas seulement au niveau global de l’organisation : un trou générationnel peut être invisible dans la moyenne d’ensemble et pourtant concentré sur une poignée de métiers critiques.
- Le taux de recrutement de juniors sur les postes concernés, suivi dans le temps plutôt qu’en photo instantanée : une baisse progressive du nombre de débutants recrutés chaque année est le signal précoce le plus direct.
- L’horizon de départ en retraite des personnes en poste sur les métiers les plus exposés à l’IA, pour estimer combien d’années restent réellement disponibles pour reconstituer un vivier de relève avant que le premier départ significatif n’ait lieu.
Ces trois lectures se rejoignent dans une logique de plan de succession : anticiper qui remplace qui, sur quel horizon, et si le vivier existe réellement ou seulement sur le papier. Elles gagnent à être croisées métier par métier plutôt qu’au niveau global de l’organisation, car un vivier de relève peut être solide dans l’ensemble tout en étant inexistant sur un métier précis, souvent celui où la dépendance à quelques experts est la plus forte et la plus ancienne.
Ce que ça change pour la fonction RH
La bonne question n’est pas « faut-il continuer à recruter des juniors malgré l’IA ? », formulée ainsi elle invite à une réponse binaire. La bonne question est : sur quels métiers l’entrée de carrière reste-t-elle le seul chemin réaliste vers l’expertise senior dont l’organisation aura besoin dans dix ans, et ce chemin est-il encore emprunté aujourd’hui ? Répondre suppose de croiser la pyramide des âges actuelle avec le rythme réel d’embauche de débutants, métier par métier, plutôt que de se fier à un ressenti global sur « le marché de l’emploi des jeunes ».
Le module Structurer votre organisation d’effectivo permet de suivre cette pyramide des âges dans le temps et d’identifier les postes clés dont le remplacement n’est couvert par aucun profil en cours de montée en compétence, avant que le départ effectif ne transforme une anticipation manquée en recrutement dans l’urgence.
Sources : Stanford Digital Economy Lab, Canaries in the Coal Mine? (12/08/2026), France Stratégie / Dares, Les Métiers en 2030, résumé du rapport (mars 2022), Insee, Projections de population active (30/06/2022).