1. Cadre de référence: La double nature de l’impact de l’IA
Selon l’OIT[1], l’impact de l’adoption de l’intelligence artificielle (IA) sur les jeunes travailleurs suscite des inquiétudes, en particulier pour ceux qui cherchent leur premier emploi dans des métiers hautement qualifiés. Des données préliminaires concernant les pays à revenu élevé indiquent que les jeunes ayant un niveau d’éducation élevé qui entrent sur le marché du travail pourraient être confrontés à de plus grandes difficultés dues à l’adoption de l’IA. Une analyse par risque d’exposition à l’IA[2] montre que les jeunes (de 15 à 24 ans) ayant un niveau d’éducation élevé courent un plus grand risque d’automatisation que leurs homologues moins éduqués. Bien que l’impact total de l’IA sur l’emploi des jeunes reste incertain, son ampleur potentielle justifie une surveillance étroite.
L’IA ne doit pas être appréhendée comme une simple force de destruction créatrice, mais comme un choc technologique asymétrique modifiant les élasticités de la demande de travail. Pour les décideurs publics, l’enjeu stratégique réside dans la distinction entre la substitution directe au niveau des tâches et les effets réallocatifs indirects au niveau des professions. Contrairement aux vagues d’automatisation précédentes (robotique, informatique de gestion) qui ciblaient les tâches manuelles et routinières, l’IA cible prioritairement les « cols blancs » et les fonctions à hauts salaires.
Les données de l’indice de dissimilarité[3] proposé par des chercheurs de l’Université de Yale en 2026, révèlent que si le mix professionnel évolue, cette transition s’inscrit dans une tendance structurelle préexistant à l’IA générative. Le « paradoxe de l’exposition » démontre qu’une forte exposition n’équivaut pas à une destruction d’emploi: l’impact net dépend de l’arbitrage entre l’effet de substitution (remplacement de l’humain sur une tâche) et l’effet de productivité (augmentation de la demande globale via la baisse des coûts unitaires de production). Pour une économie comme la Tunisie, comprendre ces canaux de transmission est impératif pour transformer un risque de déclassement en levier de convergence technologique.
2. Analyse des disparités d’impact: Une cartographie démographique et sectorielle
L’adoption de l’IA risque d’exacerber les inégalités structurelles si elle n’est pas pilotée de manière granulaire. L’exposition suit des lignes de fracture éducatives et démographiques précises:
• Éducation et Rendement du capital humain: Il existe une corrélation positive entre le niveau d’études et l’exposition. Les travailleurs diplômés du supérieur sont cinq fois plus exposés que les titulaires d’un diplôme secondaire. L’IA défie le dogme selon lequel les qualifications élevées constituent un rempart contre l’automatisation.
• Genre et Groupes vulnérables: Selon l’OIT, l’impact n’est pas neutre en termes de genre. Environ 7,8 % des emplois féminins dans les pays à revenu élevé sont automatisables, contre seulement 2,9 % pour les hommes. Cette disparité s’explique par la surreprésentation des femmes dans les fonctions administratives et de support, cibles privilégiées de la substitution de tâches.
• Le cas de la Tunisie (Dualisme et Secteur des services): La structure économique tunisienne présente un risque de « dualisme technologique ». Les grands centres d’appels et les services aux entreprises (notamment la partie offshore) pourraient intégrer rapidement l’IA pour augmenter leur compétitivité, tandis que le secteur onshore (PME) risque de subir un décrochage de productivité. Tunisienss administratives, un des piliers de l’emploi des jeunes diplômés tunisiens, sont les plus vulnérables à une substitution sans réallocation immédiate. Le retard pris par la Tunisie sur la digitalisation des administrations et des entreprises constitue un «avantage» et donc un frein à cette substitution, mais affectera à terme de façon plus brutale ces emplois si rien n’est fait dans l’immédiat.
Ces disparités exigent de passer d’une vision «macro-stabile» privilégiant la stabilité macroéconomique, à une analyse des mécanismes microéconomiques de réallocation au sein des organisations.
3. Dynamique des entreprises et mécanismes de compensation
Le modèle NBER[4] proposé par Hampole et al., 2025, démontre que la stabilité agrégée du marché du travail masque un «churn» intense au niveau microéconomique. La croissance des entreprises adoptant l’IA est le moteur essentiel de la demande de main-d’œuvre.
L’impact sur la demande de travail d’une profession dépend de deux variables clés. Si l’exposition est uniforme sur toutes les tâches, la demande chute. Cependant, si l’exposition est concentrée sur quelques tâches spécifiques, les travailleurs réallouent leur effort vers des tâches complémentaires où leur productivité marginale reste élevée. Ce mécanisme est renforcé par la convexité des salaires: la dispersion des gains de productivité entre les tâches favorise le maintien de la demande de travail global de l’occupation.
Par ailleurs, l’adoption de l’IA est corrélée à une hausse de la productivité totale des facteurs (TFP) et des profits. Les données prouvent qu’une hausse d’un écart-type dans l’adoption d’IA entraîne une augmentation de 6,8 % de l’emploi total au sein de l’entreprise utilisatrice. L’effet d’expansion de l’entreprise compense ainsi les destructions de tâches au niveau micro.
4. Stratégies de transformation: Du risque de déplacement à l’opportunité de croissance
La transition numérique nécessite une intervention proactive de l’État pour corriger les défaillances de marché, notamment en termes d’asymétrie d’accès technologique entre grandes firmes et PME.
Cette action devrait viser:
• Le nivellement par l’IA: Les données de l’IEDC[5] indiquent que l’IA générative peut booster la productivité de 66 %. Plus crucial encore, cette augmentation profite davantage aux travailleurs les moins expérimentés ou les moins qualifiés, en « augmentant » leurs capacités de base. Pour la jeunesse tunisienne se situant à un faible niveau d’expertise, l’IA peut servir d’accélérateur d’expertise.
• La réduction du dualisme: Puisque l’adoption de l’IA est corrélée à la taille de la firme, la Tunisie doit créer des « Centres de Services Partagés en IA » pour permettre aux PME d’atteindre la taille critique nécessaire aux gains de productivité, évitant ainsi un élargissement du fossé avec le secteur des entreprises amarrées à l’international (notamment les sociétés offshore).
• Les compétences et la collaboration: Le système éducatif doit pivoter vers les compétences résilientes à l’IA : pensée critique, résolution de problèmes, collaboration IA-humain et conception dans une vision système. L’objectif est de maximiser la complémentarité (augmentation) plutôt que la simple substitution.
5. Responsabilité sociétale et gouvernance éthique
.jpg)
L’acceptabilité sociale de l’IA repose sur la perception d’une distribution équitable des gains de productivité. Il devient nécessaire d’encourager la mise en place de cadres de gouvernance de l’IA afin de:
• Atténuer des biais algorithmiques: Les risques de discrimination dans les recrutements automatisés sont réels. Un cadre réglementaire doit imposer une surveillance humaine et des audits de transparence pour éviter de pénaliser les groupes vulnérables (femmes, jeunes diplômés).
• Adresser le stress de transition et la santé mentale: L’incertitude liée au churn microéconomique génère un stress structurel. Les mécanismes de soutien doivent évoluer pour accompagner la mobilité professionnelle intra-firme notamment par rapport au stress qui en découle, les risques d’atteinte à la santé mentale des travailleurs (burn out, bore out, surcharge cognitive, …), les besoins en formation et en acquisition de nouvelles compétences.
• Faire évoluer la cadre réglementaire Tunisien: La régulation doit se concentrer sur la protection des données des travailleurs et sur l’incitation fiscale au réinvestissement des gains de productivité (liés à la TFP) dans la formation continue (upskilling).
6. Conclusion et Orientations d’action
L’analyse des données faite par les chercheurs de l’université de Yale[3] confirme une stabilité relative des agrégats macroéconomiques du travail. Cependant, cette stabilité résulte d’une compensation fragile entre destruction de tâches et croissance des firmes innovantes. Dans des environnements économiques où il y a un retard technologique manifeste, cette stabilité peut être mise à mal, provoquant une plus grande désynchronisation entre l’alternative de remplacement par rapport à la compensation.
Sur la base d’une analyse de plusieurs études sur l’impact de l’IA sur l’emploi, Doubková[6], établit les principales conclusions suivantes à propos de 5 préoccupations:
• Transformation des compétences: L’adoption de l’IA est fortement associée à une demande croissante de compétences techniques et interdisciplinaires, tandis que les compétences routinières perdent de leur valeur,
• Polarisation de l’emploi: Il apparaît que les travailleurs hautement qualifiés sont les principaux bénéficiaires de l’adoption de l’IA, tandis que les emplois routiniers peu et moyennement qualifiés sont davantage exposés au risque de substitution. Cependant, de nombreux postes sont restructurés plutôt que supprimés, ce qui reflète le double rôle de l’IA: l’automatisation et l’augmentation des capacités,
• Modération institutionnelle: Les résultats varient considérablement selon l’environnement institutionnel. Des syndicats forts, une gouvernance participative et des cadres juridiques favorables contribuent à atténuer la précarité de l’emploi et les inégalités,
• La requalification comme stratégie clé: Les entreprises qui investissent dans la formation et l’éducation réussissent mieux à s’adapter aux changements induits par l’IA. Le recours exclusif au recrutement externe n’est pas viable en raison de la faible élasticité de l’offre de main-d’œuvre dans les secteurs à forte intensité d’IA,
• Inégalités salariales: De nombreuses études montrent un creusement des écarts de salaires entre les travailleurs qualifiés en IA et ceux qui ne le sont pas, notamment dans les secteurs où l’adoption de l’IA est avancée.
Pour la Tunisie, l’inaction n’est pas une option. Une étude poussée prenant en considération la réalité de l’emploi en Tunisie et la progression de la diffusion des technologies numériques et notamment l’IA, devrait être menée rapidement pour anticiper les changements qui se profilent et transformer les défis en opportunités.
Néanmoins, les orientations prioritaires ci-après gagneraient, de notre point de vue, à être sur l’agenda des décideurs publics tunisiens:
1. Investissement massif dans la formation continue (Reskilling / Upskilling): Développer des programmes ciblés sur la réallocation vers des tâches à haute complémentarité, visant spécifiquement à réduire l’écart de 5x d’exposition des diplômés.
2. Soutien fiscal conditionné à la Productivité (TFP): Accorder des incitations aux PME intégrant l’IA, en utilisant la Productivité Totale des Facteurs (TFP) comme métrique de succès plutôt que la simple réduction des coûts salariaux.
3. Audit national de l’impact genre et régions défavorisées: Instituer un audit annuel pour prévenir l’érosion de l’emploi féminin dans les services et l’exaspération de l’exode.
4. Infrastructures d’IA pour PME: Créer des agrégateurs technologiques nationaux pour démocratiser l’accès aux outils d’IA Générative, garantissant que le « bond de productivité de 66% » ne soit pas l’apanage des grandes entreprises et le secteur offshore.
5. Cadre de collaboration IA-Humain centré sur l’augmentation: Promouvoir une charte nationale de l’IA au travail privilégiant les systèmes qui augmentent la capacité des travailleurs, transformant ainsi l’IA en moteur d’inclusion économique.
L’IA ne doit pas être la source d’une nouvelle fracture sociale, mais l’outil d’une réallocation stratégique vers une économie à haute valeur ajoutée. La responsabilité collective des décideurs est de garantir que la technologie serve de levier à l’intelligence humaine, et non de substitut à sa dignité.
Maledh Marrakchi
Références
[1] https://www.ilo.org/fr/publications/flagship-reports/tendances-sociales-et-de-lemploi-2026
[2] Labor market impacts of AI: A new measure and early evidence, Anthropic – 2026
[3] The Budget Lab | Tracking the Impact of AI on the Labor Market
[4] Menaka Hampole, Dimitris Papanikolaou, Lawrence D.W. Schmidt, and Bryan Seegmiller, « Artificial Intelligence and the Labor Market, » NBER Working Paper 33509 (2025), https://doi.org/10.3386/w33509.
[5] International Economic Development Council , AI_Impact_on_Labor_Markets – 2026
[6] Doubková, M., Magdin, M. The impact of AI on the labor market. Manag. Mark. 21, 2 (2026). https://doi.org/10.1007/s44491-026-00003-y
Auteur:
Cliquez ici pour lire l’article depuis sa source.