Ce que l’étude Stanford mesure vraiment
En août 2026, le Stanford Digital Economy Lab a publié une version révisée de son étude Canaries in the Coal Mine?, portant sur des données de paie couvrant plusieurs millions de salariés américains jusqu’en juin 2026. Les auteurs, Erik Brynjolfsson, Bharat Chandar et Ruyu Chen, y documentent six constats sur l’emploi après la diffusion de l’IA générative.
Le principal tient en une phrase : il n’y a pas de destruction massive et généralisée d’emplois due à l’IA. Mais l’étude met en évidence un écart : l’emploi des jeunes de 22 à 25 ans dans les professions exposées à l’IA est inférieur de 19 % à ce qu’il serait s’il avait suivi la même progression que celui de leurs homologues moins exposés.
Autrement dit, ce n’est pas 19 % des emplois supprimés — c’est 19 % de recrutements en moins par rapport à une tendance attendue. Et ce phénomène ne touche pas les travailleurs expérimentés.
Ce qui se passe : moins d’embauches, pas plus de licenciements
La divergence s’explique par une réduction des embauches, pas par une hausse des licenciements. Les entreprises exposées à l’IA embauchent moins de juniors qu’avant, sans pour autant se séparer de leurs seniors. L’étude le vérifie sur plusieurs périodes et confirme que l’écart s’est creusé régulièrement depuis sa première mesure en août 2025.
Les professions où l’IA remplace des tâches (plutôt qu’elle ne les complète) concentrent l’essentiel de la baisse. À l’inverse, là où l’IA assiste le travail sans le substituer, l’emploi des jeunes est stable ou en hausse — surtout pour les profils expérimentés. La compensation ne se fait pas au même rythme ni au même niveau.
Les auteurs examinent plusieurs explications alternatives : ralentissement économique, hausse des taux d’intérêt, télétravail ou concentration dans les métiers techniques. L’écart persiste quand on exclut les entreprises technologiques et les métiers du logiciel, et quand on neutralise ces facteurs un par un.
Ils précisent cependant que la divergence préexiste en partie à la diffusion de l’IA générative, et que l’effet est plus prononcé dans les données de paie que dans les enquêtes nationales. Leur conclusion est prudente : il s’agit d’indicateurs descriptifs — des canaris dans la mine, selon leur expression — pas d’estimations causales.
Ce que le chiffre de 19 % ne dit pas
Le chiffre de 19 % est souvent repris comme « 19 % des emplois juniors supprimés par l’IA », ce qui est inexact. L’étude compare un groupe exposé à un groupe témoin ; l’écart mesure une différence de trajectoire, pas un taux de destruction absolu. Une partie de cette différence provient de facteurs qui n’ont pas pu être isolés (éducation, secteur, conjoncture).
Les jeunes de 22 à 25 ans sont aussi ceux qui entrent sur le marché du travail au moment où les entreprises ajustent leurs recrutements. Un ralentissement des embauches les touche davantage que les salariés en poste, sans que la cause soit nécessairement l’IA elle-même — elle peut être un accélérateur d’une tendance préexistante.
L’étude ne couvre que les États-Unis. Les conditions du marché du travail français (protection de l’emploi, formation initiale, intermédiation public/privé) sont différentes. Aucune donnée ne permet d’extrapoler le chiffre de 19 % à la France.
Ce qui est observable et vérifiable
Plusieurs points sont robustes, indépendamment de la prudence des auteurs :
- La baisse des recrutements juniors est documentée, pas seulement déclarée. L’étude s’appuie sur des données de paie réelles couvrant plusieurs millions de personnes, et non sur des déclarations d’intention.
- L’effet est concentré sur les tâches substituables. Là où l’IA complète le travail, l’emploi des juniors ne baisse pas. C’est un résultat qui va dans le sens d’une transformation progressive des métiers, pas d’une vague de licenciements.
- L’écart se creuse depuis un an, ce qui suggère un mécanisme installé, pas un accident conjoncturel.
- Les problèmes de mesure sont explicités par les auteurs eux-mêmes, ce qui permet à un lecteur attentif de juger de la portée des résultats sans avoir à refaire l’étude.
Ce qu’elle implique pour un recrutement
Un dirigeant qui constate un ralentissement des recrutements juniors ne peut pas en conclure que l’IA est la cause unique. Mais il peut retenir trois choses.
La première est qu’un signal existe, même s’il n’est pas causal. Les métiers où l’IA remplace des tâches sont ceux où l’embauche des juniors ralentit le plus. C’est une information utile pour orienter une politique de recrutement ou de formation.
La deuxième est que l’écart ne vient pas d’une préférence soudaine des entreprises pour l’IA contre les humains, mais d’un ralentissement des embauches dans les profils exposés. Les juniors qui trouvent un premier poste ne sont pas plus licenciés qu’avant. Le problème est à l’entrée, pas à la sortie.
La troisième est que la prudence des auteurs n’invalide pas leurs constats. Identifier un signal précurseur est précisément l’objet d’une veille : le suivre, le vérifier, et décider en fonction de ce qu’il devient, pas de ce qu’il annonce.
L’étude Stanford ne démontre ni une catastrophe de l’emploi junior ni l’absence d’effet. Elle documente un écart dont la nature et la persistance méritent d’être suivies. C’est une base de décision plus solide qu’un titre alarmiste — et c’est tout ce qu’une étude descriptive peut apporter.