La base de Lightcast couvre plus de 2,5 milliards d'offres d'emploi, 400 millions de profils professionnels et plus d'une centaine de sources gouvernementales dans plus de 150 pays (Lightcast, 2025). Presque chaque tableau de bord de benchmarking salarial, chaque écran de talent intelligence et chaque vue « qui d'autre recrute sur ce poste » que votre équipe ouvre est construit sur cette couche de données d'offres d'emploi collectées sur le web.
Un nouveau document de travail du NBER a apparié les offres Burning Glass, quasi universelles, à l'enquête représentative Job Openings and Labor Turnover Survey et constate que les offres de l'établissement moyen doivent être multipliées par 6,2 pour correspondre aux postes réellement vacants — et que les mesures de concentration fondées sur les offres surestiment de près du triple la rareté des employeurs en concurrence pour un même travailleur (Dalton, Kahn et Mueller, NBER, 2026).
Deux conclusions, pas une. Le niveau et la cyclicité de la demande de compétences survivent intacts à la correction. La lecture du nombre d'employeurs, non. Et la raison, c'est que les entreprises absentes des données ont la taille de la vôtre.
Ce que vaut réellement une offre
Le dispositif compte ici, parce que c'est la première fois que quelqu'un dispose des deux côtés du registre. Michael Dalton (BLS), Lisa Kahn et Andreas Mueller ont relié les offres Burning Glass à JOLTS au niveau de l'établissement — mêmes établissements, mêmes mois — ce qui permet de mesurer l'écart entre ce qui est publié en ligne et les postes vacants qui existent réellement.
Ils décomposent cet écart en trois composantes multiplicatives :
- La marge extensive — le fait qu'un établissement ayant un poste vacant le publie ou non en ligne. C'est là que s'est concentrée presque toute l'amélioration historique, et en fin de période elle reste autour de 3.
- La marge intensive — le nombre de postes vacants que représente une offre. Stable à environ 2 sur toute la période.
- Une part parasite — les offres qui ne correspondent à aucun poste vacant dans JOLTS. Stable autour de 0,6, ce qui signifie qu'environ 40 % des offres proviennent d'établissements-mois sans aucun poste vacant correspondant dans l'enquête.
Sur 2011-2019, la fenêtre qui couvre l'essentiel de la recherche publiée à partir de ces données, le facteur d'ajustement agrégé s'établit en moyenne à 6,2. Il était d'environ 10 en 2011 et est tombé à environ 4 en 2019. Les offres en ligne sont devenues plus représentatives au fil du temps — les auteurs le disent explicitement — mais elles ne sont jamais devenues un recensement.
Le résultat structurel est celui à retenir : Burning Glass représente bien la distribution des postes vacants et mal la distribution des employeurs qui recrutent. Les grands employeurs publient la majorité des postes et sont bien couverts. La majorité des employeurs, en revanche, sont de petite et moyenne taille, et ils ne le sont pas.
La seule lecture que les données d'offres d'emploi ratent gravement
La concentration du marché du travail se mesure par l'indice de Herfindahl-Hirschman — la somme des carrés des parts d'employeurs sur un marché professionnel local, où 10 000 signifie un employeur unique et où les valeurs plus basses indiquent une concurrence plus forte pour le même travailleur. Azar, Marinescu, Steinbaum et Taska ont utilisé Burning Glass pour montrer que les marchés du travail locaux américains paraissent étonnamment concentrés, l'indice typique dépassant 2 500 (Azar et al., Labour Economics, 2020) — des travaux qui ont déplacé le débat académique et antitrust vers le pouvoir de marché des employeurs.
Appliquez le facteur d'ajustement et le tableau change de plus de moitié (Dalton, Kahn et Mueller, NBER, 2026) :
| Concentration du marché, 2011-19 | Mesurée depuis les offres | Corrigée de la représentativité |
|---|---|---|
| HHI moyen (marchés pondérés à égalité) | 6 289 | 2 327 |
| HHI médian (marchés pondérés à égalité) | 5 927 | 1 937 |
| Part des marchés « très concentrés » | 80 % | 38 % |
| HHI moyen (pondéré par l'emploi) | 2 666 | 1 133 |
| Part « très concentrés » (pondérée par l'emploi) | 35 % | 13 % |
Soit des baisses de 63 % et 57 % respectivement. Les seuils sont ceux des Horizontal Merger Guidelines DOJ/FTC de 2010, où au-dessus de 2 500 le marché est très concentré et 1 500-2 500 modérément concentré (DOJ et FTC, 2010).
La pente est la formulation la plus propre : une hausse d'une unité de la concentration mesurée depuis les offres ne correspond qu'à une hausse d'environ un tiers d'unité une fois la composition corrigée. Le HHI élève les parts de marché au carré, ce qui le rend extrêmement sensible à la longue traîne des employeurs petits et intermédiaires — précisément la traîne qui ne publie pas en ligne. Le résultat tient lorsqu'on exclut les établissements de moins de 10 salariés, lorsqu'on pondère les marchés par l'emploi et lorsqu'on maintient la taille de marché constante par quartile.
Un Head of Operations qui lit « nous sommes l'un des rares employeurs à recruter sur ce poste dans cette agglomération » sur un tableau de bord dérivé des offres lit un chiffre environ trois fois trop concentré.
Les entreprises manquantes sont celles de 50 à 250 salariés
Le gradient de taille est la partie qui devrait toucher de près, parce qu'il n'est pas monotone dans le sens que presque tout le monde suppose.
Le facteur d'ajustement par taille d'établissement est d'environ 6,0 pour 2-9 salariés, 6,3 pour 10-49, 7,7 pour 50-249, 6,0 pour 250-999 et 4,2 pour 1 000-4 999, descendant à environ 3,6 pour les plus grands établissements (Dalton, Kahn et Mueller, NBER, 2026). La tranche intermédiaire demande un facteur d'échelle environ double de celui des plus grands. Les établissements les moins bien représentés de toute la distribution de taille ne sont pas les plus petits. Ce sont ceux de 50 à 250 salariés.
La raison est mécanique plutôt que mystérieuse. Les plus petits établissements publient moins souvent en ligne, mais une part importante des offres qu'ils produisent ne correspond à aucun poste vacant JOLTS, de sorte que les deux erreurs se compensent partiellement. Les établissements de taille intermédiaire n'ont aucune compensation de ce genre.
Deux autres gradients sont encore plus marqués et aggravent le problème :
- Les salaires. Le quintile d'établissements les moins rémunérateurs porte un facteur d'ajustement de 17,5 ; le mieux rémunérateur, 2,4. Un écart d'environ six fois.
- L'urbanité. Les zones non-core exigent un facteur d'environ 15,9 contre 4,4 pour les grandes agglomérations centrales — un gradient de 3,5 qui résiste au contrôle par le niveau de compétences local et la santé économique du territoire.
Si vous êtes un employeur de 150 ETP, payant au marché et non au sommet du marché, hors d'une grande agglomération, vous vous trouvez à l'intersection des trois. Vous êtes quasi invisible dans le jeu de données sur lequel reposent les benchmarks salariaux de vos concurrents — et les employeurs auxquels vous perdez réellement des candidats le sont aussi.
Ce qui survit, et pourquoi cela compte aussi
Ce n'est pas un document qui invalide les données d'offres, et le lire ainsi serait une erreur à son tour.
Comme les grands établissements génèrent la majorité des postes vacants et sont bien représentés, le niveau et la cyclicité de la demande de compétences tiennent après repondération (Dalton, Kahn et Mueller, NBER, 2026). Les exigences de compétences mesurées baissent modestement, pas substantiellement. Les auteurs répliquent aussi le résultat de Hershbein et Kahn selon lequel les exigences de compétences liées à l'automatisation ont augmenté après la Grande Récession, et il survit à l'ajustement bien qu'il soit calé sur 2007, année où la représentativité évoluait le plus vite.
Les classements survivent également. Dans une comparaison rang-rang entre marchés, la pente entre les percentiles de concentration mesurée depuis les offres et ceux de la concentration corrigée est de 0,9 — et de 1,0 lorsque les marchés sont pondérés par l'emploi. Les données d'offres vous disent de façon fiable quels marchés sont plus concentrés que d'autres. Elles vous disent de façon non fiable à quel point chacun l'est.
Cette distinction constitue toute la charge opérationnelle. Tendance et classement : exploitables. Niveau : pas sans correction.
Les limites, dites honnêtement
Quatre, énoncées clairement.
C'est un document de travail. Les documents de travail du NBER circulent avant évaluation par les pairs, et les auteurs le précisent en couverture. Le résultat sur le HHI est robuste à tous les tests menés, mais il n'est pas encore passé par une revue.
La fenêtre est 2011-2019. La représentativité s'améliorait encore durant cette période, et le facteur d'ajustement était tombé à environ 4 en 2019. Personne n'a mesuré ce qu'il est aujourd'hui. Les offres à distance post-2020, les annonces rédigées par l'IA et la consolidation des agrégateurs l'ont plausiblement déplacé — dans des directions inconnues.
Établissement n'est pas entreprise. L'analyse est au niveau de l'établissement. Si votre question concurrentielle porte sur des employeurs multi-sites, la correspondance avec votre situation est plus lâche que le titre ne le suggère.
La plupart des travailleurs n'ont jamais été sur des marchés très concentrés. Dès qu'on pondère par l'emploi, la concentration est nettement plus faible même avant ajustement, en cohérence avec les travaux antérieurs sur le pouvoir de marché. La surestimation du triple est réelle ; ce qui était surestimé était plus petit que ne le laissaient croire les statistiques non pondérées.
Un point mérite aussi d'être nommé : l'écart entre offres et postes vacants d'enquête est important dans les deux sens — beaucoup de postes sans offres, beaucoup d'offres sans postes. Les auteurs l'attribuent à une erreur de mesure et à des écarts de définition concentrés dans les petites entreprises, pas à un signal propre avec un biais connu.
Ce qu'il faut changer avant la clôture de votre prochaine grille salariale
Quatre mouvements, dont aucun n'exige l'achat d'un autre produit de données.
- Rétrogradez toute lecture de « nombre d'employeurs » et de « concentration » au rang d'indication directionnelle. Si un tableau de bord vous dit combien d'employeurs se disputent un poste, traitez le niveau comme inexploitable et le classement comme exploitable. Comparez cette agglomération à celle-là ; ne fixez pas de prix sur l'absolu.
- Cessez de laisser les lectures de concentration justifier une grille plus basse. « Il n'y a pas beaucoup d'autres employeurs sur ce poste ici » est la conclusion gonflée, et c'est celle qui finance le plus probablement, en silence, une offre sous le marché — et une contre-offre perdue que vous enregistrerez comme un problème de qualité des candidats.
- Reconstruisez votre véritable ensemble de concurrents à partir du terrain local. Les destinations relevées en entretien de départ, les motifs de refus d'offre et les entreprises citées dans le parcours de vos propres candidats feront remonter des employeurs intermédiaires qu'aucun flux collecté sur le web ne contient.
- Continuez d'utiliser les données d'offres d'emploi pour ce qu'elles mesurent. Quelles compétences apparaissent dans les exigences, et à quelle vitesse — c'est le résultat que l'ajustement a laissé debout. Pointez l'outil sur la demande de compétences, pas sur la structure du marché.
La discipline de fond consiste à savoir quelle partie d'un chiffre porte le poids et quelle partie est un artefact de sa méthode de collecte. C'est la même raison pour laquelle le modèle de scoring de Scovai sépare la moitié calculée arithmétiquement à partir des exigences déclarées du poste — couverture des compétences pondérée par criticité, adéquation de séniorité, réalisme salarial — de la moitié restituée comme jugement du modèle, explicitement étiquetée, au lieu de publier un chiffre unique mélangé. Un chiffre que vous ne pouvez pas décomposer est un chiffre que vous ne pouvez pas auditer.
Ouvrez la dernière grille salariale que vous avez validée. Trouvez la phrase qui la justifiait par le peu d'autres employeurs recrutant sur ce poste. Cette phrase porte un poids trois fois supérieur à ce que les données derrière elle peuvent supporter.
