Le prix du savoir

Une phrase qui cache une vision du monde

En juillet 2024, une phrase attribuée à Joseph Browning s’est mise à circuler en ligne :

« The underlying purpose of AI is to allow wealth to access skill while removing from skill the ability to access wealth. »¹

En substance : la raison d’être de l’IA serait de donner à la richesse l’accès au savoir-faire, tout en retirant au savoir-faire l’accès à la richesse. Certaines versions plus tardives écrivent « from the skilled » plutôt que « from skill ». La formulation citée ici correspond à un message indexé sur le compte X de Browning lui-même. La date et une origine antérieure sur Facebook ne sont attestées que par des sources secondaires ; le message Facebook original n’a pas pu être consulté de façon indépendante lors de cette vérification. La formulation exacte compte moins que l’accusation qu’elle porte.

C’est une phrase brutale. Et c’est justement le mot « raison d’être » qui devrait nous mettre en garde. On ne démontre pas l’intention qui se cache derrière toute une technologie en observant ce que certaines entreprises en font. La recherche en IA va de la médecine à l’accessibilité, de la découverte scientifique à l’éducation, des produits grand public aux applications militaires et à l’automatisation commerciale. Il n’y a pas d’intention unique à mettre au jour.

Mais peut-être la phrase frappe-t-elle si fort parce qu’elle confond une possibilité économique avec un mobile.

Retirez le complot sous-entendu, et une question demeure : que se passe-t-il quand la capacité d’accomplir un travail qualifié devient plus facile à acquérir, alors que les droits de propriété et les relations commerciales nécessaires pour en vivre ne deviennent pas aussi accessibles ?

Dans The Compounding Class, je posais une question voisine : que se passe-t-il quand ceux qui ont des moyens peuvent les convertir en intelligence déployable, garder les gains et les réinvestir dans davantage de capacités ?² Je veux ici regarder l’autre côté de cet arrangement. Non pas le propriétaire qui accumule, mais la personne à qui l’éducation et la compétence promettaient autrefois de quoi vivre.

Pendant des générations, nous avons dit aux gens que l’éducation était le chemin sûr de la dépendance vers l’indépendance. Étudie, exerce-toi, rends-toi utile, et le marché te fera une place. Cette promesse n’a jamais été universelle, jamais également accessible, jamais tenue pour tout le monde. Mais elle était assez crédible pour façonner des vies entières.

Et si le marché voulait toujours ce que vous savez, mais avait de moins en moins besoin de l’obtenir de vous ?

Savoir n’est pas être payé

Une ingénieure sait résoudre des problèmes. Un traducteur comprend la langue. Une avocate repère les distinctions qui comptent. Un chercheur sait distinguer un résultat prometteur d’un résultat trompeur. Ce sont de vraies capacités, accumulées à force d’effort et d’expérience.

Pourtant, le prix d’un métier n’est pas la récompense morale directe de cet effort. Les marchés paient des contributions rares, dans des conditions précises. La vraie question n’est pas seulement de savoir si votre travail est utile, mais combien d’alternatives a l’acheteur, avec quelle facilité votre travail peut être vérifié, quelle est la demande, et quelle est votre force de négociation.

Une personne qualifiée peut être indispensable à une tâche sans avoir beaucoup de pouvoir sur le contrat. Une cheffe d’entreprise peut en savoir moins sur le travail technique et maîtriser pourtant la relation avec le client, les droits sur le résultat et la décision d’embaucher.

L’automatisation modifie cette relation quand elle offre à l’acheteur un autre moyen crédible d’obtenir un résultat. Parfois elle remplace purement et simplement une tâche. Parfois elle aide un collègue à l’accomplir. Parfois elle améliore tant le travail de l’expert lui-même que celui-ci prend de la valeur. Ce sont des arrangements différents, et leurs effets sur la répartition ne sont pas forcément les mêmes.³

L’erreur consiste à croire qu’une machine doit égaler le meilleur expert en tout avant que le prix du travail d’un expert puisse bouger. Sur les vrais marchés, un substitut moins cher et suffisant pour un usage donné peut déplacer le rapport de force bien avant de pouvoir remplacer une profession entière. À l’inverse, quand les erreurs coûtent cher, que le contexte compte et que quelqu’un doit en répondre, l’expertise humaine peut garder sa valeur même si le travail courant devient abondant.

La valeur marchande d’un service expert et la valeur sociale de l’expertise ne sont pas la même chose.

Où va la prime salariale

Les économistes Daron Acemoglu et Pascual Restrepo proposent un mot utile pour ce mécanisme : la dissipation des rentes. Ici, une rente n’est pas une accusation de cupidité. Elle désigne un supplément de revenu au-delà de ce que le travailleur pourrait gagner ailleurs. Certaines tâches, certaines entreprises et certains arrangements institutionnels donnent aux salariés le levier nécessaire pour obtenir ce supplément.

Leur étude parue en 2026 dans le Quarterly Journal of Economics modélise la façon dont l’automatisation peut viser ces tâches et éroder ces primes. À partir de données américaines de 1980 à 2016, les auteurs estiment que l’automatisation explique 52 % de la hausse des inégalités salariales entre groupes sur cette période historique, la dissipation des rentes représentant environ un cinquième de cette contribution. Ils estiment aussi que, dans leur modèle, cette dissipation a absorbé une large part des gains bruts de productivité liés à l’automatisation.⁴

Ces estimations sont importantes, mais elles ne sont pas des estimations de l’effet de l’IA générative depuis 2022. Elles éclairent un mécanisme tiré de changements technologiques antérieurs. Ce mécanisme mérite l’attention parce que l’IA élargit l’éventail des tâches que les logiciels peuvent accomplir, y compris des tâches longtemps associées aux études et au statut professionnel.

Prenons un petit cabinet de conseil qui a besoin d’une analyse spécialisée. Autrefois, il aurait peut-être payé un professionnel externe pendant deux jours. Aujourd’hui, un employé interne aidé par l’IA rédige en un après-midi une première version solide. La consultante reste peut-être la mieux placée pour la relire. Cette dernière heure pourrait valoir davantage. Ou bien l’acheteur juge qu’une version suffisante répond au besoin et ne paie plus aucune consultante. Tout dépend des enjeux, du niveau de qualité exigé et du marché pour la contribution humaine restante.

Le savoir n’a pas disparu. Ce sont les conditions de son achat qui ont changé.

Cette distinction évite aussi une erreur d’analyse facile. Si les clients obtiennent des prix plus bas, la société peut y gagner, même quand des professionnels établis perdent une prime de rareté. Il ne faut pas défendre un accès coûteux au savoir simplement parce qu’il protège une profession. Mais si le dividende de productivité revient massivement à quelques propriétaires pendant que les chemins vers un travail bien payé se dégradent, les gains sont répartis autrement que les bienfaits que la technologie rend possibles.

Ce que disent les chiffres, et ce qu’ils ne disent pas

Les meilleures données disponibles ne racontent pas une seule histoire mondiale sans couture. Elles racontent plusieurs histoires locales, avec des données différentes et des résultats différents.

Suisse : des professions sous pression

Une étude du KOF, l’institut de conjoncture de l’EPF de Zurich, signée Jeremias Kläui et Michael Siegenthaler, compare l’évolution des demandeurs d’emploi inscrits et des offres d’emploi en ligne dans des professions suisses plus ou moins exposées aux grands modèles de langage. Depuis la fin de 2022, le nombre de demandeurs d’emploi dans les professions fortement exposées a augmenté jusqu’à 27 % plus fortement que dans les professions peu exposées, tandis que les offres d’emploi évoluaient elles aussi plus défavorablement dans les professions exposées. La comparaison porte sur des évolutions relatives entre professions, à partir de données administratives et d’annonces d’emploi suisses allant jusqu’en août 2025.⁵ En 2026, Siegenthaler a situé l’écart à jusqu’à 30 % et estimé que l’IA générative expliquait au plus un cinquième de la hausse du chômage en Suisse depuis 2023.⁶⁷

Ce n’est pas une hausse de 27 % du taux de chômage en Suisse. Ce n’est pas non plus une estimation expérimentale nette prouvant que l’IA a causé tout l’écart entre professions. Les chercheurs s’attachent à des tendances relatives et notent que les bénéfices liés à la productivité, aux emplois complémentaires et à la baisse des prix échappent à cette comparaison.

La distinction est essentielle. Selon la statistique de l’emploi de l’Office fédéral de la statistique, établie auprès des employeurs, le nombre total d’emplois en Suisse au deuxième trimestre 2026 était supérieur de 2,0 % à celui de l’année précédente. Une enquête distincte auprès de la population a relevé, pour le même trimestre, 0,8 % d’actifs occupés en plus et un taux de chômage au sens du BIT de 4,9 %. Ces notions et ces dénominateurs diffèrent ; aucun ne doit remplacer en silence la mesure professionnelle du KOF.⁸⁹

Le signal suisse, c’est que la répartition des chances se déplace peut-être à l’intérieur d’une économie où l’emploi peut encore croître.

États-Unis : une porte plus étroite

Dans une révision d’août 2026, Erik Brynjolfsson, Bharat Chandar et Ruyu Chen ont analysé les données de paie ADP de millions de salariés américains jusqu’en juin 2026. L’emploi des 22–25 ans dans les professions fortement exposées à l’IA se situait environ 19 % en dessous d’un scénario où il aurait progressé au même rythme que celui de la même classe d’âge dans les professions moins exposées. L’écart tenait davantage à un recul des embauches qu’à des licenciements ; l’étude n’a pas constaté de déplacement généralisé à l’échelle de l’économie.¹⁰

Ces 19 % sont un écart d’emploi relatif, et non un taux de chômage dû à l’IA, ni la part des emplois supprimés par un modèle, ni une prévision. Les auteurs qualifient explicitement leurs résultats d’indicatifs plutôt que définitifs ; le contrôle du niveau d’études et la sélection de l’échantillon tempèrent les conclusions causales.¹⁰

L’étude contient aussi une distinction importante : les travailleurs riches d’une expérience tacite semblent dans une autre situation que les jeunes qui s’appuient davantage sur un savoir codifié, de manuel. C’est plausible, mais cela ne doit pas devenir la promesse paresseuse que tout professionnel chevronné est à l’abri. C’est une hypothèse sur la composition des tâches et de l’expérience, pas un certificat d’immunité.

Danemark : des bouleversements sans choc salarial moyen

Les travaux d’Anders Humlum et d’Emilie Vestergaard relient des enquêtes représentatives sur l’usage des assistants conversationnels aux registres administratifs danois des revenus et de l’emploi. Leur révision de mars 2026, Still Waters, Rapid Currents, constate une transformation étendue des tâches, mais aucun effet moyen détectable de cet usage sur les revenus ou les heures déclarées, ni chez les salariés ni dans les établissements, deux ans après ChatGPT ; leur dispositif exclut des effets supérieurs à 2 %.¹¹

Ce résultat ne réfute pas les données suisses ou américaines : il pose d’autres questions, sur un autre marché du travail, avec une autre méthode empirique. Mais c’est un avertissement précieux contre l’annonce d’un effondrement général des salaires avant qu’il ne soit mesurable.

La productivité ne dit pas tout de la répartition

Dans une étude de terrain portant sur 5 172 agents de service client, Erik Brynjolfsson, Danielle Li et Lindsey Raymond ont constaté que l’accès à un assistant d’IA générative augmentait le nombre de demandes résolues par heure de 15 % en moyenne, avec des gains plus importants chez les agents les moins expérimentés et les moins qualifiés.¹²

C’est l’une des promesses les plus convaincantes de l’IA : des capacités qui demandaient autrefois longtemps à acquérir peuvent devenir plus largement accessibles. Les gens peuvent devenir meilleurs dans un travail utile. Mais cela ne dit pas, à soi seul, si la valeur produite s’est traduite en salaires plus élevés, en prix plus bas, en profits ou en un mélange des trois.

Et sur le marché commercial du travail indépendant, on voit les premiers signes que le prix de certains résultats peut baisser alors même que la demande augmente. Le rapport de plateforme publié par Upwork en juillet 2026 indique que les contrats de travail en IA générative et en production créative ont progressé de 90 % sur un an, tandis que les revenus par contrat reculaient de 13 %. Il signale par ailleurs que les services professionnels plus complexes, enrichis par l’IA, ont crû de 72 % en volume, avec des revenus en hausse de 22 %. Ce sont les chiffres d’une seule plateforme commerciale, publiés par cette plateforme elle-même, et ses catégories comme leur composition peuvent changer. Il ne faut pas les projeter sur l’ensemble des travailleurs.¹³

L’observation de fond reste crédible, sans prétendre que toutes les études mesurent la même chose : les conséquences économiques ne dépendent pas seulement du fait que le travail soit assisté par l’IA, mais aussi du type de travail, de l’organisation qui l’entoure et de qui dispose d’alternatives.

L’échelle que nous sommes peut-être en train de retirer

Il existe un problème moins visible que la prime salariale d’aujourd’hui : le chemin par lequel les professionnels de demain deviennent compétents.

On n’embauche pas d’ordinaire une jeune diplômée pour exercer vingt ans de jugement. On l’embauche pour un travail circonscrit : recherches préliminaires, documentation, premières analyses, programmation courante, premiers jets, contrôles de qualité. En chemin, elle rencontre des exceptions encombrantes, apprend pourquoi des règles en apparence simples échouent, et voit comment une collègue expérimentée décide de ce qui compte.

Que se passe-t-il si les tâches d’entrée sont précisément celles qu’un employeur automatise le plus facilement ?

Une entreprise peut gagner en productivité à court terme en remplaçant une partie du travail des débutants par l’IA. Si toutes les entreprises d’un secteur font de même, le vivier de ceux qui acquièrent de l’expérience peut se réduire. Dix ans plus tard, le même secteur découvrira peut-être qu’il a besoin de spécialistes expérimentés qu’il n’a pas formés.

Ce n’est pas encore un effondrement sur dix ans établi empiriquement. C’est un problème de coordination prévisible. L’entreprise qui décide aujourd’hui d’une embauche ne supporte pas forcément tout le coût futur de la perte des filières de formation de tout un secteur.

La réponse ne peut pas être de conserver indéfiniment des tâches répétitives comme une forme d’apprentissage obligatoire. Beaucoup de ces tâches étaient ennuyeuses, excluantes ou mal payées. La meilleure question est de savoir si nous pouvons concevoir de nouveaux chemins vers le jugement : simulations encadrées, rotations délibérément construites, responsabilités réelles, décisions d’IA commentées, apprentissages qui incluent la supervision de systèmes réels, et critères de progression clairs.

Plus la technologie excelle à fournir des réponses, plus les institutions devront peut-être apprendre délibérément aux gens à poser des questions qui comptent, à vérifier les résultats et à assumer la responsabilité des décisions.

Quand la compétence devient commune, qu’est-ce qui reste rare ?

Une partie de la rareté va disparaître, et cela peut être un progrès. Une petite entreprise qui obtient une traduction correcte, une aide comptable, du graphisme ou un prototype logiciel pour une fraction du coût d’autrefois peut faire des choses qu’elle n’aurait pas pu se permettre. Des personnes jusqu’ici écartées par les frais d’études, la géographie, le handicap ou les gardiens d’une profession pourraient disposer d’outils qui améliorent leurs perspectives.¹²¹⁴

D’autres raretés vont compter davantage. Des données fiables, la confiance des clients, la distribution, les licences, la responsabilité juridique, l’accès à des processus propriétaires, du capital pour expérimenter, l’infrastructure physique et la capacité de livrer un résultat : tout cela compte. Savoir rédiger une offre ne veut pas dire savoir décrocher le contrat et l’exécuter. Une entreprise qui produit beaucoup de résultats prometteurs doit encore les vérifier et répondre de ses échecs.

C’est là que la phrase d’origine prend sa force, sans pour autant prouver son accusation.

Un propriétaire peut payer de la capacité machine et obtenir un travail intellectuel utile sans payer l’ancien prix pour chaque unité de temps humain. Une salariée peut apprendre à se servir de la même technologie sans avoir l’accès aux clients, le patrimoine ou la position de négociation qui lui permettraient de garder une bonne part du résultat. Ou bien elle s’en sert pour devenir prestataire indépendante, contourner un intermédiaire et garder plus qu’avant. Les deux histoires sont compatibles avec la technologie. Laquelle l’emporte est une question empirique et institutionnelle.

L’analyse du FMI de juillet 2026 sur l’usage observé de l’IA constate que les gains estimés, mesurés en temps économisé, se concentrent dans les professions mieux payées, surtout dans les économies en développement, et que cette concentration semble diminuer à mesure que l’usage se diffuse. Point essentiel : les auteurs ne peuvent pas déduire des seuls modes d’usage si ce sont les entreprises ou les travailleurs qui captent finalement la valeur. Leur estimation phare d’un équivalent coût du travail est une valorisation modélisée du temps gagné, ni du PIB réalisé, ni un revenu, ni un profit.¹⁵

Il faut bien distinguer une technologie qui produit un avantage et quelqu’un qui détient un droit juridique sur cet avantage.

La question de la propriété

The Compounding Class examinait la boucle de l’accumulation : des ressources financent une capacité déployable, les gains conservés financent davantage de capacité, et l’avantage se cumule.²

La question présente commence un cran plus bas, dans la transaction entre une personne et l’institution qui achète son travail.

Un salaire est un droit sur une part de la valeur créée dans le cadre d’un contrat de travail. Les fonds propres sont un droit sur les gains résiduels dans le cadre d’un rapport de propriété. Les clients en profitent quand les prix baissent ou que la qualité s’améliore. Les États peuvent redistribuer une partie des gains par l’impôt et les services publics. Les fournisseurs de modèles, de puissance de calcul et de distribution peuvent prélever leur propre part. On ne peut pas connaître la répartition finale en mesurant seulement l’usage de jetons, les heures gagnées ou même la production par salarié.

Il ne faut pas non plus supposer que toute entreprise qui adopte l’IA va s’enrichir. La concurrence peut transmettre les économies aux clients. Les coûts de vérification peuvent absorber le gain de productivité. De nouveaux entrants peuvent rogner les marges des acteurs établis. Des entreprises peuvent échouer avec d’excellents outils. Un modèle puissant peut rester une dépendance coûteuse plutôt qu’un actif productif.

Il existe toutefois une asymétrie à surveiller : la personne qui accomplit une tâche et celle qui peut déployer encore et encore les moyens de l’accomplir n’occupent pas la même position économique.

L’une possède le savoir. L’autre peut en reproduire une partie des résultats à grande échelle et décider où vont les revenus qui en découlent.

La question n’est pas de savoir si la propriété doit disparaître ou si l’expertise doit rester artificiellement rare. Elle est de savoir si une capacité de production accrue ira de pair avec des possibilités plus larges de posséder, de négocier, de concurrencer et de participer aux gains.

Un meilleur critère que l’abonnement à l’IA pour tous

Le débat public pose souvent la mauvaise question : tout le monde peut-il utiliser l’IA ? L’accès compte, mais l’accès à une interface de discussion n’est pas un droit sur la valeur créée avec elle.

Pour les prochaines années, je surveillerais cinq choses.

L’entrée dans le métier. Les employeurs embauchent-ils et forment-ils assez de débutants pour constituer les équipes expérimentées dont ils auront besoin plus tard ? Les signaux d’alerte les plus nets apparaîtront peut-être d’abord dans les candidatures, les offres d’emploi et les places d’apprentissage, plutôt que dans le taux de chômage.

La qualité du travail. Les gains de l’IA rendent-ils les emplois plus autonomes et plus qualifiés, ou les travailleurs deviennent-ils les surveillants d’une production automatisée, avec moins de prise sur leur temps, leur rythme et leurs normes professionnelles ? La synthèse de l’OIT de juin 2026 appelle à regarder la qualité de l’emploi et l’autonomie, et pas seulement le nombre d’emplois.¹⁶

La réponse salariale. Quand la productivité augmente de façon vérifiée, les revenus progressent-ils, stagnent-ils ou reculent-ils une fois l’inflation et la composition de la main-d’œuvre prises en compte ? La productivité mesurée à l’échelle d’une tâche n’est pas une statistique salariale.

La contestabilité. Une personne qualifiée ou une petite entreprise peut-elle servir des clients de façon crédible avec les outils disponibles ? Peut-elle changer de fournisseur, emporter ses données, financer des coûts de vérification raisonnables et garder une relation durable avec ses clients ?

La participation aux gains. Les salariés gagnent-ils en pouvoir de négociation, en intéressement, en participation au capital, en mobilité ou en coût de la vie plus bas quand la production devient moins chère ? Le surplus du consommateur compense-t-il les variations de revenu, ou les aggrave-t-il ? Ces mesures sont liées, mais pas interchangeables.

Aucun graphique ne tranchera seul ces questions. Aucune grande politique ne les résoudra non plus. Différentes institutions peuvent soutenir différentes formes d’accès, de négociation et de partage des gains.

L’autre possibilité

Après avoir lu la phrase de Browning, on est tenté d’imaginer un avenir où chaque personne talentueuse serait réduite au rôle de spectatrice, tandis qu’une poignée de propriétaires feraient tourner toutes les machines.

On peut l’imaginer. Nous n’avons pas gagné le droit d’en faire une prévision affirmée comme un fait.

Une étudiante avec un modeste ordinateur portable peut apprendre et créer ce qui exigeait autrefois une institution bien dotée. Un traducteur peut servir davantage de clients. Une scientifique peut explorer davantage d’hypothèses. Une petite entreprise peut créer un produit sans d’abord lever assez d’argent pour embaucher un grand service. Une personne handicapée peut obtenir une aide qui rend l’emploi possible. Un professionnel dont la charge répétitive diminue aura peut-être enfin du temps pour la part humaine de son métier.¹²¹⁴¹⁶

La question économique est de savoir si ce pouvoir nouveau devient une base stable d’indépendance, ou seulement la capacité de faire plus de travail à des conditions fixées ailleurs.

Je ne crois pas que la réponse consiste à faire comme si le savoir devait rester cher. Je ne crois pas non plus qu’il faille traiter comme un vol tous les gains de productivité captés par les entreprises. La propriété, l’investissement et la prise de risque ont un rôle légitime. Une société qui rend le savoir utile moins cher a accompli quelque chose de précieux.

Mais une économie peut devenir plus capable pendant que certaines de ses personnes capables deviennent moins sûres de leur avenir. Un système éducatif peut produire du talent sans produire de pouvoir de négociation. On peut dire à une génération d’apprendre les nouveaux outils, et elle découvrira que ce qui lui manquait n’était pas un meilleur outil, mais un droit viable sur la valeur qu’elle a contribué à créer.

Voilà pourquoi la vieille promesse mérite d’être réexaminée.

Nous avons demandé aux gens d’investir des années pour acquérir un savoir-faire, parce que le savoir-faire ouvrait un chemin vers l’indépendance. Si l’IA rend une plus grande part de ce savoir-faire reproductible, il ne suffit pas de leur demander, encore et encore, d’être plus productifs.

Nous devons nous demander si les institutions qui entourent la productivité offrent encore un chemin vers l’indépendance.

La question n’est pas de savoir si l’intelligence deviendra abondante. Elle est de savoir si la possibilité de gagner sa vie grâce à l’intelligence restera largement accessible.

Méthode et limites

Cet essai est une synthèse éditoriale d’études universitaires, de statistiques officielles, d’une synthèse institutionnelle, de données de plateforme publiées par une entreprise et d’une citation retracée à partir de messages indexés sur les réseaux sociaux. Ce n’est pas une nouvelle étude causale. Les résultats nationaux, professionnels, issus d’une plateforme d’entreprise ou d’expériences mesurent des choses différentes et ne doivent pas être additionnés en une estimation globale de l’effet de l’IA. Les graphiques chiffrés conservent donc l’unité et le dénominateur propres à chaque étude. Aucun point de données fictif, aucune courbe de prévision ni aucune tendance ajustée n’a été ajouté.

Le passage sur la disparition des filières de formation en début de carrière décrit un mécanisme prospectif, pas un effet de long terme observé. The Compounding Class est un essai compagnon déjà publié, pas une preuve empirique indépendante. L’attribution d’origine à Browning sur Facebook est moins solidement vérifiée que le message indexé sur son propre compte X ; voir les sources. Toutes les vérifications de sources et les affirmations éditoriales sont arrêtées au 13 octobre 2026.

Sources