IA et emploi des jeunes : qui formera les professionnels expérimentés de demain ?

Une entreprise peut afficher des effectifs stables tout en recrutant nettement moins de débutants qu’il y a trois ans. Dans un reporting centré sur les effectifs et les postes pourvus, cette évolution peut passer presque inaperçue. Pourtant, elle pose une question stratégique : comment une entreprise renouvelle-t-elle ses compétences lorsqu’elle réduit ses recrutements en début de carrière ?

Une étude publiée en octobre 2026 par des chercheurs d’HEC Paris et de la Banque de France donne à ce constat une base française : dans les métiers les plus exposés à l’IA générative, les embauches en CDI des 21-29 ans ont reculé bien plus nettement qu’ailleurs depuis fin 2022. Les auteurs ne concluent pas que l’IA en est la cause. Ils soulignent en revanche un enjeu de plus long terme : les postes de début de carrière sont aussi ceux où se forment, par la pratique, les compétences des professionnels expérimentés de demain.

Cet article prolonge notre analyse du marché de l’emploi 2026 à partir des données Indeed, Hellowork et Dares, consacrée aux offres, aux contrats et aux salaires affichés. Les flux d’embauches, croisés avec l’âge et l’exposition des métiers à l’IA, déplacent la question : non plus combien les entreprises recrutent, mais qui elles font entrer.

Le marché peut se figer sans que les effectifs s’effondrent

L’étude de Marco Palladino, Antonin Bergeaud, Antoine Bertheau, Simon Bunel et Oscar Degos (HEC Paris / LIFT et Banque de France, working paper 2026-02) exploite les déclarations de mouvements de main-d’œuvre du secteur privé, de janvier 2019 à mars 2026. Chaque métier reçoit un indice d’exposition à l’IA générative, construit à partir des savoir-faire du répertoire de France Travail, puis les métiers sont répartis en cinq groupes. Deux précisions comptent : l’indice mesure ce que l’IA pourrait techniquement accomplir ou assister, pas son usage réel ni une disparition d’emplois ; et les quintiles regroupent des métiers sans pondération par les effectifs, si bien qu’un quintile ne représente pas un cinquième des salariés.

Entre novembre 2022 et mars 2026, la tendance des embauches en CDI des 21-29 ans a reculé d’environ 28 % dans les métiers les plus exposés, contre environ 8 % dans les moins exposés (28,3 % et 7,5 % dans la présentation détaillée d’HEC). Les fins de contrat en CDI de cette tranche d’âge ont aussi diminué, d’environ 23 % contre 6 %.

Ce double mouvement explique pourquoi le phénomène reste peu visible. Quand entrées et sorties ralentissent ensemble, les effectifs bougent peu. Mais les embauches reculant davantage que les départs, le renouvellement des équipes s’affaiblit : les auteurs décrivent un marché qui « se fige » pour les jeunes salariés exposés, et y voient une réorganisation des entrées dans l’emploi plutôt qu’une destruction visible des effectifs. Le volet entreprises va dans le même sens : parmi environ 6 000 entreprises suivies par la Banque de France, les quelque 600 qui déclarent un usage intensif de l’IA ont vu leurs embauches de jeunes évoluer moins favorablement, sans divergence statistiquement nette de leur effectif total.

Dernière nuance : les 21-29 ans ne sont pas tous des débutants, et l’écart se réduit avec l’âge sans disparaître avant 50 ans. Le signal concerne les premières étapes de carrière au sens large, pas seulement le premier emploi.

Peut-on réellement attribuer ce phénomène à l’IA ?

Les auteurs sont explicites : leur analyse « reste descriptive et ne suffit pas à attribuer à l’IA les évolutions observées ». Les métiers les plus exposés ont aussi subi la correction de l’emploi informatique après l’euphorie post-Covid, le resserrement monétaire et la diffusion du télétravail. Et l’usage de l’IA n’étant mesuré qu’en 2026, alors que les écarts apparaissent plus tôt, les entreprises adoptantes pouvaient différer des autres avant même d’adopter. Les chercheurs rappellent enfin que l’essor de l’apprentissage, passé d’environ 430 000 apprentis en 2017 à plus d’un million fin 2023, a transformé les voies d’accès des jeunes à l’emploi, sans expliquer à lui seul les écarts entre métiers.

Aux États-Unis, la révision d’août 2026 de l’étude de Stanford (Erik Brynjolfsson, Bharat Chandar et Ruyu Chen) observe un phénomène comparable sur des données de paie : en juin 2026, l’emploi des 22-25 ans dans les métiers les plus exposés se situe environ 19 % sous la trajectoire qu’il aurait suivie s’il avait évolué comme celui des jeunes des métiers moins exposés. Ce n’est ni une baisse absolue de 19 %, ni une estimation causale. L’ajustement passe surtout par les embauches, dans les métiers où l’IA tend à automatiser plutôt qu’à augmenter le travail, et l’écart persiste après contrôle de l’exposition au télétravail et à la hausse des taux.

À Warwick, Peter John Lambert et Yannick Schindler proposent une autre lecture à partir de 243 millions d’embauches et 407 millions d’offres dans quatre pays anglophones (2017-2025). Les métiers exposés à l’IA et ceux qui se prêtent au télétravail se recoupent largement. Lorsque les deux expositions entrent dans un même modèle, celle au télétravail reste un prédicteur robuste du recul de la part des juniors dans les embauches, tandis que l’effet apparent de l’IA devient souvent statistiquement indiscernable de zéro.

Ces travaux ne se réfutent pas : leurs données, leurs indicateurs et leurs contrôles diffèrent. Ils montrent surtout combien il est difficile d’isoler l’IA d’autres transformations qui touchent les mêmes métiers au même moment. En Norvège, Øystein Hernæs et Andreas Kostøl ne détectent d’ailleurs pas de recul relatif des jeunes sur l’ensemble du quintile le plus exposé, même si certains métiers, comme le développement logiciel, font exception. Pour une direction RH, l’enjeu n’est pas de trancher ce débat : quelle qu’en soit la cause, un recul durable des recrutements en début de carrière pèse de la même façon sur la construction des compétences.

Cas Anthropic : plus de jugement demandé, relativement moins de juniors recrutés

Une publication d’octobre 2026 apporte un éclairage d’une autre nature. Dans How Employment is Changing at Anthropic, des chercheurs de l’Anthropic Institute décrivent l’évolution des recrutements et du travail dans leur propre entreprise. Cette étude de cas interne, publiée par une entreprise qui conçoit les modèles qu’elle utilise intensivement, n’est représentative d’aucun marché du travail ni un modèle pour les autres employeurs. Elle rend en revanche visibles, de l’intérieur, des transformations que les statistiques nationales ne font qu’approcher.

Dans les départements techniques, la part des juniors est passée d’environ 27 % à 9 % des recrutements, et de 21 % à 14 % des effectifs, depuis début 2025. Il s’agit d’une composition, pas d’un volume : les recrutements techniques continuent de progresser en valeur absolue, dans une entreprise en forte croissance.

Le plus instructif concerne les critères. Dans les commentaires des évaluateurs de candidatures, l’usage de l’IA et, pour les postes techniques, l’autonomie et le jugement prennent une place croissante, tandis que les mentions d’expertise spécialisée reculent. Le travail lui-même se transforme : la part des sessions interactives consacrée au « méta-travail » (rédiger des spécifications, faire relire un agent par un autre, surveiller des chaînes de traitement) passe d’environ 10 % à 22 % entre l’automne 2025 et le printemps 2026. C’est une part des sessions avec l’outil, non du temps de travail. Ce glissement rejoint ce que nous décrivions à propos de l’orchestration des IA : une partie de la valeur se déplace vers la capacité à organiser, contrôler et corriger le travail d’agents.

Le rapport présente aussi un dispositif de redéploiement interne et d’alerte sur les métiers en transformation, tout en reconnaissant qu’il ne traite pas le ralentissement des embauches juniors : la protection des salariés en poste ne bénéficie pas à ceux qui n’ont jamais été recrutés.

Le paradoxe mérite d’être examiné. Les managers d’Anthropic accordent une importance croissante au jugement et à l’autonomie, tandis que la place des juniors dans leurs recrutements techniques diminue. Or ces qualités se développent notamment en exerçant progressivement des responsabilités, en confrontant ses décisions au réel et en bénéficiant du regard de professionnels expérimentés. Les auteurs du rapport ne tirent pas cette conclusion, et ce cas singulier ne vaut pas pour toutes les entreprises. La question se pose pourtant au-delà de leur exemple : si les parcours d’entrée se raréfient, où les futurs candidats acquerront-ils les compétences que les employeurs attendront d’eux ?

Que devient l’apprentissage du métier quand certaines premières tâches disparaissent ?

Dans la plupart des métiers qualifiés, l’expertise se construit par une progression : des tâches simples, puis des dossiers plus complexes, des erreurs corrigées, des retours d’une personne expérimentée, des responsabilités qui s’élargissent.

Prenons un jeune consultant chargé de préparer un diagnostic de marque employeur. Il examine des offres d’emploi, compare les discours de plusieurs employeurs, relève des incohérences et cherche ce qui distingue réellement une entreprise de ses concurrents. Il commettra des erreurs d’interprétation : prendre pour un atout différenciant un argument que tout le secteur revendique, ou accorder du crédit à une promesse que les témoignages de salariés contredisent. Son responsable lui expliquera pourquoi cet argument, apparemment convaincant, ne résiste pas à la réalité du terrain. C’est aussi dans ces échanges que se construit son jugement professionnel. Si une IA produit désormais une première analyse en quelques minutes, comment préserver cette progression ?

D’autres métiers reposent sur la même mécanique. Un collaborateur junior d’un service RH traite des dossiers courants avant qu’on lui confie les cas sensibles. Un développeur débutant écrit des fonctions simples, relues par un pair, avant de concevoir une architecture. Ces situations sont des illustrations, pas des résultats d’études. Elles rappellent que beaucoup de premières tâches remplissaient deux fonctions : produire et apprendre. Si l’IA en prend une partie en charge, la production peut se maintenir. La fonction d’apprentissage, elle, ne se reporte pas automatiquement ailleurs.

La révision de l’étude de Stanford éclaire ce point. Ses auteurs distinguent les connaissances codifiées, formalisées et documentées, des connaissances tacites, acquises par la pratique, le compagnonnage et l’exposition répétée à des situations réelles. Le recul de l’emploi des jeunes se concentre dans les métiers fondés sur des savoirs codifiés. Cela ne signifie ni que les savoirs tacites échappent durablement à l’IA, ni qu’un déficit de transmission soit démontré. Mais le rapprochement avec le cas Anthropic interroge : les critères de recrutement se déplacent vers le jugement, la compétence qui doit le plus à l’expérience.

D’où une question concrète : comment apprendre à évaluer, superviser et corriger un travail dont on n’a pas eu l’occasion d’apprendre les fondamentaux ? Vérifier une analyse produite par une IA suppose de savoir reconnaître une bonne analyse. Repérer une erreur dans un code généré suppose de comprendre comment il devrait fonctionner.

Ce risque n’a rien d’une fatalité, et le jugement n’est pas une affaire d’ancienneté. Une personne débutante peut le développer si elle bénéficie de mises en situation réelles, de retours réguliers, de responsabilités graduées et d’un droit à l’erreur. Il serait en revanche illusoire de lui confier seule la supervision d’agents dans un domaine qu’elle ne maîtrise pas encore.

Préserver les anciennes tâches ou créer de nouvelles situations formatrices ?

Conserver les tâches juniors traditionnelles au nom de la formation trouve vite ses limites : un travail maintenu artificiellement risque d’être perçu comme inutile, par l’entreprise comme par la personne qui l’exécute. La piste plus féconde consiste à concevoir de nouvelles situations formatrices, adaptées au travail tel qu’il se transforme. Un débutant peut analyser une proposition produite par une IA et justifier ce qu’il en retient, expliciter ses arbitrages devant un tuteur, traiter un cas atypique en binôme, participer au débriefing contradictoire d’une décision ou s’exercer sur une simulation avant de confronter sa réponse au terrain. Ces formats ne sont pas des méthodes validées par la recherche, mais des pratiques observables que chaque organisation peut tester.

L’IA peut aussi devenir un outil de transmission

Le lien entre IA et formation n’est pas forcément défavorable. En Allemagne, Samuel Muehlemann observe, sur un panel d’établissements suivis de 2019 à 2023, que l’adoption durable de l’IA est associée à environ 14 % de nouveaux contrats d’apprentissage supplémentaires parmi les entreprises qui forment déjà des apprentis. Elle n’est pas liée à la décision de former ou non, et l’auteur ne présente pas ce résultat comme strictement causal.

Sa transposition demande de la prudence : l’IA y est mesurée au sens large, le résultat porte sur des entreprises déjà formatrices et s’inscrit dans le système dual allemand, différent de l’alternance française. Il suggère néanmoins qu’adopter l’IA peut aller de pair avec le choix de construire davantage ses compétences en interne.

L’IA peut aussi soutenir directement l’apprentissage : préparer des mises en situation, simuler un entretien délicat ou un cas client, expliciter un raisonnement, fournir un premier retour sur un travail. Ces usages ont de la valeur si un professionnel expérimenté reste présent pour valider, contextualiser et transmettre ce que l’outil ignore, des usages implicites d’un métier aux arbitrages propres à l’entreprise. L’IA peut enrichir la transmission. Elle ne peut pas en porter seule la responsabilité.

Ce que les entreprises devraient commencer à observer

Les études citées ne fournissent pas d’indicateurs de pilotage prêts à l’emploi. Nous proposons, chez Inside Linkers, une lecture RH simple en trois dimensions : l’accès, l’apprentissage et la progression. Ce n’est pas une méthode validée par la recherche, mais une grille pour ouvrir le diagnostic.

Accès. Quels métiers et parcours restent accessibles aux personnes en début de carrière ? Y répondre suppose de regarder les flux, et pas seulement les effectifs : recrutements en début de carrière par métier, part des postes réellement accessibles à des débutants, place de l’alternance comme voie d’entrée plutôt que comme variable d’ajustement. Ces données existent souvent dans l’ATS ou le SIRH, mais sont rarement réunies dans un même tableau de bord RH.

Apprentissage. Quelles situations professionnelles permettent encore d’acquérir les fondamentaux du métier ? La proportion de jeunes recrutés ne le dit pas. Plutôt qu’un score, quelques questions aident à l’établir :

• Quelles missions des nouveaux entrants permettent réellement d’apprendre le métier, et lesquelles ont été absorbées par l’IA ?
• Le temps de tutorat est-il reconnu dans la charge et les objectifs des managers ?
• Les débutants reçoivent-ils un retour humain régulier, y compris sur un travail produit avec une IA ?

Progression. Comment vérifier qu’un collaborateur gagne réellement en autonomie, en responsabilité et en jugement ? Les responsabilités confiées progressent-elles de façon lisible au fil des premières années ? Face à une situation nouvelle, la personne sait-elle décider sans déléguer aveuglément la décision à un outil ? Ces repères relèvent davantage de l’échange managérial et des points de suivi que d’un indicateur chiffré.

Une dernière distinction, inspirée du cas Anthropic : la mobilité interne et la protection des collaborateurs en poste sont des réponses utiles aux transformations des métiers, mais elles ne remplacent pas l’ouverture de parcours aux personnes encore extérieures à l’entreprise. Ces deux politiques se pilotent séparément, et la réussite de l’une ne doit pas masquer l’absence de l’autre.

Conclusion : l’expertise de demain se construit aujourd’hui

Les données disponibles ne permettent pas d’affirmer que l’IA supprime les emplois des jeunes. Elles montrent, en France comme aux États-Unis, un ralentissement marqué des recrutements en début de carrière dans les métiers les plus exposés, dont les causes restent débattues.

L’enjeu pour les entreprises n’est probablement pas de préserver artificiellement les anciennes tâches des débutants. Il est de concevoir des parcours professionnels dans lesquels l’IA accélère l’apprentissage sans supprimer les occasions de comprendre, d’expérimenter et de décider. Cette responsabilité concerne autant les directions RH que les managers et les responsables de la transformation.

Une question mérite d’être posée dès maintenant en comité de direction : dans cinq ans, où auront appris leur métier les personnes à qui nous confierons nos décisions les plus délicates ?

Sources et méthodologie

Recherches sur le marché du travail

• Palladino M. G., Bergeaud A., Bertheau A., Bunel S., Degos O., Exposition des métiers à l’IA générative, adoption par les entreprises et dynamiques du marché du travail en France, HEC Paris / LIFT, working paper 2026-02, octobre 2026, et billet Bloc-notes Éco n° 463 de la Banque de France, 8 octobre 2026. Données DMMO, secteur privé, janvier 2019 à mars 2026, embauches et fins de contrat en CDI (tendances lissées, écart à novembre 2022).
• Brynjolfsson E., Chandar B., Chen R., Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence, Stanford Digital Economy Lab, révision d’août 2026. Données de paie ADP, États-Unis.
• Lambert P. J., Schindler Y., The Broken Ladder: AI, Remote Work, and Early-Career Hiring, CAGE Working Paper 808/2026, université de Warwick. Royaume-Uni, États-Unis, Canada, Australie, 2017-2025.
• Muehlemann S., Artificial Intelligence Adoption and Workplace Training, Journal of Economic Behavior & Organization, 2025. Panel d’établissements BIBB, Allemagne, 2019-2023.
• Hernæs Ø., Kostøl A. R., Has AI Widened Employment Gaps? Tracking Early-Career Employment by Occupational Exposure in Norway, IZA Discussion Paper 18767, 2026.

Étude de cas d’entreprise

• Wilmers N., Catipon R., Massenkoff M., McCrory P., How Employment is Changing at Anthropic, Anthropic Institute, 16 octobre 2026. Données internes d’une seule entreprise, publiées par celle-ci : non représentatives du marché du travail.

Les recherches sur le recrutement des jeunes présentées ici ne permettent pas d’isoler avec certitude un effet causal de l’IA sur les évolutions observées. Les études et les données d’entreprise mobilisées portent sur des populations, des périodes et des indicateurs différents ; leurs résultats ne doivent pas être assimilés à une mesure unique de l’impact de l’IA sur l’emploi. Les exemples métiers, la grille accès, apprentissage et progression ainsi que les questions de diagnostic proposés dans cet article relèvent de l’analyse d’Inside Linkers.