Alex Imas réévalue la menace de l'IA sur l'emploi

Paragraphe d'ouverture

L'intervention récente d'Alex Imas dans le débat public — publiée sur Bloomberg le 18 avril 2026 — remet en cause une hypothèse centrale de nombreux modèles économiques dominants : que le progrès technologique et les marchés du travail absorberont sans heurts l'automatisation induite par l'IA. Son argument pivote d'une substitution hypothétique de tâches vers des effets agrégés sur la demande susceptibles de comprimer les heures de travail et les salaires à moyen terme. Cette affirmation a des conséquences pour les investisseurs institutionnels, car un changement structurel de la demande de travail modifierait les schémas de consommation, les marges des entreprises et les trajectoires des politiques budgétaires. Cet article examine les ancrages empiriques cités par Imas, les met en regard de la littérature antérieure et retrace les implications sectorielles pour l'allocation de capital, la productivité et la gestion du risque. Il s'appuie sur des données d'études académiques, de statistiques officielles et d'indicateurs de marché, avec des liens vers la couverture plus large de Fazen Markets sur les thèmes technologiques et macroéconomiques sujet.

Contexte

La critique d'Imas recadre le débat déployé depuis la vague d'enthousiasme pour l'IA au début des années 2020 : selon l'hypothèse dominante, l'IA déplace principalement des tâches mais pas l'emploi agrégé. Il met en lumière des mécanismes par lesquels l'automatisation pourrait réprimer la demande agrégée — par exemple, si les travailleurs déplacés subissent des pertes de revenus persistantes et si les gains du capital se concentrent de manière disproportionnée entre les mains d'un nombre limité de propriétaires. Ce n'est pas purement théorique ; la littérature propose des estimations quantitatives divergentes. Frey & Osborne (2013) ont estimé de manière célèbre que 47 % de l'emploi aux États-Unis était à haut risque d'informatisation, tandis que l'OCDE (2019) adopte une vue plus conservatrice — environ 14 % des emplois à haut risque et 32 % susceptibles de subir des transformations significatives. Imas synthétise ces courants et soutient que les modèles d'équilibre conventionnels sous-estiment les dynamiques distributives et les rétroactions du côté de la demande (Bloomberg, 18 avr. 2026).

Du point de vue de la politique macroéconomique, le calendrier importe. Le taux de participation aux États-Unis se situait près de 62,6 % en décembre 2024 (BLS), et le taux de chômage global est resté faible par rapport aux cycles antérieurs, mais la tension sur le marché du travail masque une hétérogénéité entre secteurs et niveaux de compétence. Pour les investisseurs obligataires et actions, l'implication est qu'un taux de chômage global a priori bénin peut coexister avec une baisse de la part des revenus du travail dans des segments de l'économie qui alimentent la consommation. Cette dissonance est au cœur de l'argument d'Imas : les modèles standards calibrés sur le chômage global et les postes vacants agrégés peuvent manquer des changements compositionnels qui affectent substantiellement les élasticités de la demande.

Les investisseurs institutionnels doivent noter les canaux soulignés par Imas : (1) un progrès technologique biaisé en faveur du capital augmentant les rendements du capital par rapport au travail, (2) la possibilité que l'automatisation réduise les heures de travail agrégées sans pertes d'emplois proportionnelles, et (3) un désajustement des compétences qui élargit le chômage structurel dans certaines cohortes. Ces canaux impliquent une croissance de la consommation plus lente des salariés, une épargne plus élevée parmi les détenteurs de capital et une plus grande dépendance à la redistribution fiscale si la tolérance sociale et politique le permet. Pour la construction de portefeuille, ces dynamiques constituent des risques de queue qui modifient les flux de trésorerie attendus pour les valeurs orientées consommation et les profils de crédit des entreprises fortement endettées.

Analyse approfondie des données

Pour évaluer quantitativement la thèse d'Imas, nous mobilisons trois ensembles de données couramment utilisés dans la recherche sur l'automatisation. Premièrement, Frey & Osborne (2013) — qui ont utilisé une analyse au niveau des tâches et l'apprentissage automatique pour estimer qu'au maximum 47 % des emplois américains étaient susceptibles d'être automatisés — demeure un repère élevé pour l'exposition potentielle. Deuxièmement, la réévaluation de l'OCDE en 2019, qui exploite une granularité des tâches et les structures du marché du travail entre pays, abaisse le chiffre à 14 % à haut risque et 32 % susceptibles d'une transformation significative. Troisièmement, les comportements d'investissement au niveau des entreprises montrent des flux de capitaux disproportionnés vers les sociétés capables d'IA : la croissance des dépenses d'investissement (capex) publiquement rapportées pour les plus grands fournisseurs cloud et de semi-conducteurs a dépassé la croissance des capex du S&P 500 en 2023–24, reflétant une concentration de la capacité productive.

Des données de marché spécifiques soulignent les risques de concentration. Par exemple, une petite cohorte d'entreprises représente la majorité des investissements en infrastructures d'IA et de la création de propriété intellectuelle ; cette concentration signifie que les gains de productivité peuvent ne pas se diffuser largement et peuvent amplifier les inégalités de revenus. Ce schéma est visible dans les marges d'entreprise : les principaux fournisseurs de cloud et de plateformes d'IA ont déclaré une expansion des marges d'exploitation de plusieurs centaines de points de base entre 2020 et 2024 (documents déposés par les entreprises). Ces gains de marge sont une condition nécessaire des bénéfices du côté du capital décrits par Imas, mais ils ne déterminent pas à eux seuls l'effet net sur la demande agrégée.

Les métriques comparatives comptent également. Lorsque l'on compare un scénario de croissance de la productivité largement diffusée (comme lors des révolutions technologiques passées) à une onde de productivité axée sur l'IA et fortement concentrée, les réponses du côté de la demande divergent. Historiquement, les vagues précédentes d'automatisation ont été accompagnées de création nette d'emplois — l'automatisation manufacturière a été suivie par une croissance de l'emploi dans les services — mais ces transitions ont pris des décennies. Le point d'Imas est que la vitesse et l'étendue de l'adoption de l'IA pourraient comprimer ce calendrier de transition, créant des trimestres ou des années où la demande traîne l'offre. Ce risque temporel est une variable clé pour les investisseurs évaluant les expositions cycliques et les perdants séculaires versus les gagnants.

Implications sectorielles

Si les mises en garde d'Imas se matérialisent, les effets seront très inégaux selon les secteurs. Les biens de consommation de base et les entreprises discrétionnaires fortement exposées à la consommation locale dépendante des salaires sont plus vulnérables à un choc de la demande issu d'une baisse de la part du travail. Par exemple, les chaînes de magasins régionales et les exploitants de restaurants small-cap — qui disposent d'un pouvoir de fixation des prix plus faible et de marges plus étroites — verraient un risque de crédit plus élevé que les grandes entreprises de biens de consommation diversifiées. À l'inverse, les fournisseurs d'infrastructures et de logiciels d'IA qui capturent des rentes liées à l'adoption de l'automatisation pourraient soutenir une croissance des bénéfices supérieure même si l'emploi global se contracte.

Pour les gestionnaires d'actifs, la cartographie de ces dynamiques sectorielles est essentielle : scénarios de stress sur la consommation, re-pricing du risque de crédit dans les segments exposés aux salaires, et réallocation stratégique vers des actifs susceptibles de capter des rentes liées à l'IA. La gestion du risque opérationnel et l'analyse de la sensibilité des flux de trésorerie aux parts de revenu du travail deviennent des composantes centrales de la diligence pour les positions exposées au consommateur.

(Article basé sur la contribution d'Alex Imas, Bloomberg, 18 avr. 2026, et sur la littérature citée.)