IAwashing : l’Intelligence Artificielle, un alibi pour les vagues de licenciements dans les multinationales
Dans un contexte de ralentissement économique et de pressions boursières accrues, plusieurs multinationales associent désormais leurs plans de licenciements à l’intelligence artificielle. Selon les données disponibles, des annonces spectaculaires se succèdent : 16 000 postes supprimés chez Amazon, 15 % des effectifs chez Pinterest, près de 10 % chez IBM en Europe, entre 4 000 et 6 000 chez HP, ainsi que d’autres vagues de l’ordre de 1 800 emplois d’un bloc. Une analyse approfondie révèle que ce récit technologique ne reflète pas toujours la réalité opérationnelle : les indicateurs économiques suggèrent que la réduction des coûts, la consolidation de métiers en doublon et l’arbitrage sur des marchés arrivés à maturité expliquent l’essentiel des coupes.
De plus en plus d’analystes décrivent un phénomène d’IAwashing : l’alibi d’une technologie transformatrice pour justifier des optimisations déjà planifiées. Dans une division « Cloud » d’un grand groupe fictif, Nadia, manager expérimentée, a vu son équipe fondre de moitié au nom de la transformation digitale. Pourtant, les flux projets étaient stables, et l’automatisation ne couvrait que des tâches périphériques. Les faits laissent penser que les restructurations s’inscrivent davantage dans une logique financière à court terme que dans un basculement massif des métiers vers l’IA. Cette nuance est centrale pour comprendre où se situe réellement l’impact sur l’emploi.
Sommaire
IAwashing et licenciements dans les multinationales : état des lieux et signaux contradictoires
Depuis l’automne, les annonces liées à l’intelligence artificielle s’accumulent, mais leur périmètre effectif demeure hétérogène. Les communiqués agrègent souvent suppressions nettes, gels de recrutements et non-remplacements de départs naturels, brouillant l’évaluation. Selon les données disponibles, plusieurs études de cabinets privés montrent qu’entre 30 % et 50 % des coupes attribuées à l’IA s’expliqueraient d’abord par des impératifs de réduction des coûts et de recentrage géographique, puis seulement par l’automatisation de certaines fonctions.
Les indicateurs économiques suggèrent également un décalage temporel : les gains de productivité liés à l’IA générative sont encore en phase pilote dans de nombreuses entreprises, tandis que l’impact social est immédiat. En clair, le volet « économie de personnel » paraît antérieur à la création de valeur mesurable. Cette dissociation alimente la thèse d’un alibi commode plus que celle d’une disruption instantanée.
Quand l’IA devient l’alibi d’une stratégie financière
Une analyse approfondie révèle que le cadrage narratif évolue avec les cycles boursiers : lors de phases de compression des multiples, l’annonce de plans IA-routés peut rassurer les marchés sur la discipline capitalistique. Dans ce cadre, l’IAwashing sert à agréger sous un même label des projets de rationalisation : regroupement de fonctions support, externalisations, et fermetures de sites à faible marge. Le glissement sémantique fait passer une cure d’austérité pour une rupture technologique.
Autre facteur : la mesure des effets reste fragile. Attribuer un départ volontaire au progrès de l’automatisation ou à la dynamique interne de carrière devient rapidement subjectif. D’où l’importance d’audits indépendants, capables de distinguer économies structurelles et substitutions technologiques réelles. Sans cet effort, le risque de confusion entretient l’alibi et complique le débat public sur l’emploi.
Les observateurs notent enfin que la médiatisation des « robots qui supplantent les humains » sert de puissant amplificateur. Or, dans les fonctions administratives ou commerciales, l’IA accroît souvent la capacité des équipes avant de réduire la taille des effectifs. Ce décalage narratif par rapport aux faits nourrira encore la polémique tant que les métriques partagées resteront parcellaires.
Automatisation et emploi : quelles tâches sont réellement substituables ?
Les indicateurs économiques suggèrent une exposition différenciée par métiers. Dans l’informatique, les outils génératifs accélèrent la rédaction de code standard, mais la supervision, la sécurité et l’architecture restent critiques. Dans la relation client, les assistants conversationnels absorbent les requêtes basiques, tandis que les cas complexes exigent expertise et empathie. En finance, la génération de rapports s’automatise, mais l’interprétation et la conformité demeurent à forte valeur ajoutée.
Pour clarifier, il est utile de raisonner par « tâches » plutôt que par « postes ». Plusieurs fonctions se recomposent sans disparaître, aboutissant à des emplois hybrides. Ce mouvement impose des diagnostics fins, car la frontière entre complémentarité et substitution varie selon la qualité des données, l’organisation des processus et la maturité de la technologie.
- Tâches récurrentes et normalisées : forte probabilité de substitution à court terme, notamment en back-office et support niveau 1.
- Tâches d’analyse assistée : complémentarité élevée ; l’IA augmente la productivité, mais la décision reste humaine.
- Tâches créatives ou relationnelles complexes : substitution limitée ; l’IA sert d’outil, pas de remplaçant.
- Supervision, audit et sécurité : création nette d’emplois qualifiés, portée par la gouvernance et la conformité.
Au total, les postes évoluent plus qu’ils ne s’évanouissent, et la recomposition des compétences devient l’enjeu stratégique majeur.
Cette recomposition a un corollaire : sans investissement dans la formation et la mobilité interne, le risque de déclassement s’amplifie, y compris dans des secteurs à première vue protégés. C’est ici que se joue la crédibilité des stratégies de transformation digitale.
Les plans d’adaptation liés à l’IA s’inscrivent dans un cadre juridique exigeant : information-consultation des représentants, critères d’ordre, mesures d’accompagnement et traçabilité des motifs. La jurisprudence rappelle que la complexité organisationnelle n’exonère pas des obligations ; l’actualité récente autour de l’annulation d’un plan social très médiatisé illustre la vigilance des juges face aux montages opaques. Une gouvernance rigoureuse des projets IA devient donc un enjeu de conformité autant que de réputation.
Par ailleurs, les reclassements doivent être « réels et sérieux ». Le cadre de l’inaptitude et ses risques rappelle qu’un motif mal qualifié ou faiblement étayé peut fragiliser l’entreprise. En pratique, documenter la part exacte d’automatisation dans les suppressions et prouver les efforts de requalification deviennent des prérequis pour éviter l’écueil de l’IAwashing.
Du côté des salariés, la sécurisation des parcours est décisive. Des démarches structurées de transition existent, comme l’indique ce guide sur les étapes d’une reconversion professionnelle réussie, qui met l’accent sur l’évaluation des compétences transférables, la certification et l’accompagnement. Sans cette boussole, la polarisation du marché du travail pourrait s’accentuer, au détriment des fonctions intermédiaires.
De la promesse technologique à la preuve d’impact : quelles obligations pour les entreprises ?
À court terme, trois chantiers structurants s’imposent : d’abord, un reporting séparant clairement réduction des coûts et gains attribuables à l’IA ; ensuite, des évaluations ex ante/ex post des effets sur l’emploi par métier et par tâche ; enfin, une gouvernance des données robuste, condition des promesses de la technologie. Cette démonstration par la preuve limite le risque de survente et crédibilise la transformation.
Pour les partenaires sociaux, l’angle utile consiste à négocier sur la trajectoire de compétences plutôt que sur une photographie des postes. Cibles de formation, passerelles métiers et clauses de réversibilité des déploiements constituent des garde-fous réalistes. Au-delà des annonces, c’est la qualité d’exécution qui scellera la différence entre stratégie durable et écran de fumée.
