ChatGPT prévoit les emplois menacés d'ici 2036

Paragraphe d'introduction

Dans une note qui cristallise l'un des débats économiques centraux de la prochaine décennie, ChatGPT — le grand modèle de langage publié pour la première fois par OpenAI le 30 nov. 2022 (OpenAI) — a énuméré plus de deux douzaines de postes qu'il considère probablement effectivement obsolètes d'ici dix ans, une projection cadrée sur l'horizon 2036 dans un article daté du 19 avr. 2026 (Yahoo Finance). La liste, qui couvre des fonctions de service client, des travaux juridiques et administratifs routiniers et certains rôles d'assistance créative, déplace la conversation de la prévision académique vers une checklist pratique pour les stratèges d'entreprise et les décideurs publics. Ces affirmations s'inscrivent aux côtés d'études quantitatives de longue date sur le risque d'automatisation : le McKinsey Global Institute estimait en 2017 que 400 millions à 800 millions de travailleurs pourraient être déplacés par l'automatisation d'ici 2030, tandis que l'analyse de l'OCDE en 2019 plaçait environ 14 % des emplois à haut risque d'automatisation. Pour les investisseurs institutionnels et les conseils d'administration, la question essentielle n'est pas de savoir si l'IA va transformer le travail — mais à quelle vitesse la réallocation de la main-d'œuvre, l'investissement en capital et les réponses réglementaires convergeront pour modifier les revenus, les marges et les allocations de bilan des secteurs concernés.

Contexte

La discussion immédiate a été catalysée par l'article de Yahoo Finance du 19 avr. 2026 qui a interrogé directement ChatGPT sur les professions susceptibles de disparaître dans la décennie à venir. Si les modèles génératifs ne sont pas des moteurs de prévision au sens économétrique traditionnel, leurs sorties reflètent à la fois les données d'entraînement et un récit dominant parmi les techniciens sur les tâches les plus automatisables. La portée pratique est qu'un modèle largement utilisé et accessible au public qui communique des trajectoires d'emploi plausibles change le signalement : les entreprises peuvent désormais citer une sortie reproductible pour justifier des gels d'embauche, des plans de reconversion ou une réaffectation de capitaux. Cela compte pour les marchés du travail, les prévisions d'entreprise et l'économie politique.

Du point de vue de l'horizon temporel, la limite de dix ans jusqu'en 2036 se situe entre les cycles macroéconomiques à court terme et les transformations structurelles de long terme identifiées lors des vagues historiques d'automatisation. Les révolutions automobile et de la mécanisation ont nécessité des décennies de redéploiement du capital avant que les schémas d'emploi ne se stabilisent ; la numérisation a accéléré certaines transitions mais a aussi créé de nouvelles catégories professionnelles. La question pour les marchés est de savoir si l'IA générative va compresser une transition qui aurait pris des décennies en une seule décennie via une substitution axée sur les logiciels, ou si les entreprises en place et les régulateurs ralentiront l'adoption.

Il existe également une hétérogénéité selon les zones géographiques et les groupes de compétences. L'OCDE (2019) a souligné que la part d'emplois à fort risque d'automatisation varie : les professions faiblement qualifiées et routinières sont beaucoup plus exposées que les métiers nécessitant des compétences cognitives complexes et non routinières. Cela implique des résultats divergents pour les marchés du travail régionaux : les marchés émergents concentrés dans la fabrication routinière et les services de base pourraient connaître des transitions différentes des économies avancées où les rôles à haute qualification, créatifs et managériaux sont plus répandus.

Analyse approfondie des données

L'ensemble de données clef qui ancre le débat demeure l'estimation du McKinsey Global Institute de 2017 selon laquelle l'automatisation pourrait déplacer entre 400 millions et 800 millions de travailleurs dans le monde d'ici 2030 — une fourchette qui reconnaît une incertitude considérable sur les taux d'adoption et la réaffectation des tâches. Le travail de l'OCDE de 2019, qui identifiait environ 14 % des emplois à haut risque et environ 32 % susceptibles de subir des changements substantiels, offre un contrepoint en se concentrant sur l'exposition au niveau des tâches plutôt que sur le déplacement net. Ces deux points de données illustrent une distinction importante : l'automatisation des tâches ne se traduit pas automatiquement par des pertes nettes d'emplois ; elle peut aussi transformer des postes existants.

La sortie de ChatGPT d'avril 2026 est notable par sa spécificité. Si un modèle d'IA ne peut pas produire de projections économétriques originales, il peut synthétiser et résumer les affirmations existantes dans le domaine public — fonctionnant de facto comme un amplificateur des recherches et des commentaires sectoriels dominants. Par exemple, lorsque ChatGPT énumère caissiers, télévendeurs et opérateurs de saisie de données basiques parmi les rôles à risque, il fait écho aux mêmes vulnérabilités au niveau des tâches identifiées par les études académiques et industrielles. De manière cruciale, la vitesse d'adoption dépendra des coûts d'implémentation — calcul en nuage, disponibilité des données et intégration aux flux de travail d'entreprise — qui sont concentrés chez une poignée de fournisseurs.

Ces dynamiques fournisseurs sont mesurables. La densité de semi-conducteurs par baie de centre de données a augmenté à un taux annuel composé au début des années 2020 alors que la taille des modèles d'IA explosait ; le chiffre d'affaires datacenter de Nvidia, par exemple, est passé de $Xbn en 2020 à $Ybn en 2023 (documents d'entreprise) — un indicateur de l'intensité en capital du déploiement de l'IA. Les fournisseurs cloud rapportent également une accélération de la consommation liée à l'IA : Microsoft et Google ont divulgué des augmentations séquentielles à deux chiffres de l'utilisation cloud liée à l'IA au cours des derniers trimestres, ce qui indique un modèle de déploiement piloté par les fournisseurs et intensif en capitaux qui favorisera les acteurs à grande échelle.

Implications sectorielles

Les secteurs les plus exposés à la compression des postes sont ceux ayant une forte part de tâches routinières et répétitives : service client, encaissement au détail, certaines fonctions de back-office financier et soutien juridique de base. L'automatisation du commerce de détail est déjà visible avec les caisses en libre-service et les centres de préparation automatisés ; l'étape suivante est la substitution pilotée par logiciel aux agents humains. Dans la finance, la relecture algorithmique de documents et les outils de rapprochement automatisés menacent une partie des effectifs de middle-office et des opérations, tout en offrant des économies de coût par transaction susceptibles d'améliorer les marges pour les adopteurs précoces.

Inversement, les secteurs caractérisés par des compétences créatives, interpersonnelles ou très rémunérées — santé spécialisée, R&D avancée, haute direction — sont moins susceptibles de voir une élimination pure et simple des rôles et plus susceptibles d'observer une augmentation des capacités dans les postes. Ce basculement implique une bifurcation des trajectoires salariales : prime pour les compétences complémentaires (data science, gestion de produits IA) et