L'an dernier, 32 pour cent des répondants déclaraient à McKinsey s'attendre à ce que l'IA réduise les effectifs de leur organisation. Cette année, interrogés sur ce qui s'est réellement produit, 14 pour cent des répondants d'organisations utilisant l'IA rapportent que l'IA a contribué à une baisse de la taille des effectifs — « moins de la moitié des 32 pour cent qui, dans l'enquête de l'an dernier, attendaient des réductions d'effectifs sur la même période » (McKinsey, 2026). Deux tiers rapportent peu ou pas de changement d'emploi total attribuable à l'IA.
C'est la première fois que cette enquête est en mesure de noter sa propre prévision sur les effectifs liés à l'IA face à un résultat réalisé. La prévision s'est trompée d'un facteur deux environ.
Puis le panel l'a relevée. Trente-neuf pour cent attendent désormais des baisses d'emploi total liées à l'IA pour l'année à venir, contre 32 pour cent l'an dernier. L'estimateur qui a surestimé de 2x a été révisé à la hausse, non à la baisse, et un grand nombre de plans opérationnels 2027 s'y appuient discrètement.
Ce que l'enquête a réellement mesuré
L'édition 2026 de The State of AI a interrogé 1 719 participants dans 97 pays, avec une collecte du 4 mai au 8 juin 2026. Trente-six pour cent travaillent dans des organisations réalisant plus d'un milliard de dollars de chiffre d'affaires annuel, ce qui signifie qu'environ deux tiers se situent en dessous — inhabituellement pertinent pour un lecteur du mid-market, même si le panel reste plus grand qu'une opération de 200 ETP.
Le contexte compte, car l'adoption n'est pas la variable qui a échoué. Quatre-vingt-neuf pour cent utilisent l'IA régulièrement dans au moins une fonction métier. Quarante-quatre pour cent déclarent qu'elle passe à l'échelle de l'entreprise, contre 38 pour cent. Quatre-vingts pour cent rapportent une productivité individuelle améliorée (McKinsey, 2026).
La séquence n'est donc pas « l'IA n'est pas arrivée, donc les effectifs n'ont pas baissé ». L'IA est arrivée, la productivité a été rapportée, et les effectifs n'ont toujours pas baissé. Pendant ce temps, la part attribuant à l'usage de l'IA au moins un certain impact sur l'EBIT est restée stable d'une année sur l'autre à 37 pour cent, et la population des véritables hauts performeurs s'est maintenue autour de 6 pour cent de l'ensemble des répondants.
La diffusion a bougé. La réduction réalisée des effectifs ne l'a pas suivie.
Les données réalisées confirment les 14 pour cent
Une enquête qui se note elle-même est intéressante. Deux jeux de données indépendants pointant dans la même direction constituent un intrant de planification.
Le National Bureau of Economic Research a interrogé près de 750 dirigeants d'entreprise via le panel de The CFO Survey et a trouvé « peu de preuves de baisses agrégées d'emploi à court terme dues à l'IA, bien que les grandes entreprises anticipent des réductions d'effectifs pilotées par l'IA, tandis que les plus petites attendent des gains modestes » (NBER, 2026). L'effet agrégé est proche de zéro, et la dispersion est le résultat : les grandes entreprises s'attendent à ce que l'IA réduise leur emploi d'environ 0,8 pour cent en 2026, tandis que les plus petites anticipent de légères hausses. Ce qui bouge, c'est la composition — postes administratifs routiniers en recul, demande relative de postes techniques qualifiés en hausse, au sein des entreprises comme entre elles.
Les données sur les licenciements annoncés confirment sous un troisième angle. Jusqu'à septembre 2026, les employeurs américains ont annoncé 573 195 suppressions de postes, en baisse de 39 pour cent par rapport aux 946 426 annoncées sur les neuf premiers mois de 2025 — le total janvier-septembre le plus faible depuis 2022. L'IA a été citée dans 120 136 annonces depuis le début de l'année, soit environ 21 pour cent de toutes les suppressions, ce qui en fait effectivement le premier motif déclaré de l'année (Challenger, Gray & Christmas, 2026).
Lisez ces deux chiffres ensemble, car c'est le second qui est cité seul. L'IA domine le tableau des motifs à l'intérieur d'un total qui se contracte. En septembre précisément, l'IA n'était que le cinquième motif le plus cité, avec 3 961 suppressions, soit environ 9 pour cent du mois. Les suppressions du troisième trimestre ont chuté de 43 pour cent par rapport au deuxième.
Une part croissante d'un dénominateur en baisse n'est pas une vague. C'est un déplacement de composition dans un marché qui se refroidit.
Pourquoi la prévision sur les effectifs liés à l'IA se trompe dans un seul sens
Une erreur de prévision qui surestime systématiquement est généralement structurelle, non aléatoire. Predictions 2026: The Future of Work de Forrester nomme le mécanisme : des coupes décidées face à des capacités d'IA qui n'existent pas encore. Cinquante-cinq pour cent des employeurs déclarent regretter les licenciements effectués pour l'IA, et Forrester prévoit que la moitié des licenciements attribués à l'IA donneront lieu à des réembauches discrètes — en offshore ou à des salaires nettement plus bas (HR Executive, 2026).
Notez l'asymétrie de cette dernière proposition. Le retournement n'apparaît comme correction dans le plan de personne. Il apparaît en dépense offshore, en lignes de prestataires et en coût de ré-recrutement, aucune de ces lignes ne se réconciliant avec l'économie d'effectifs initiale. La prévision reste non falsifiée dans les registres internes même lorsqu'elle a déjà échoué.
Deux détails supplémentaires de la même recherche aiguisent le coût. La part de salariés désengagés que Forrester appelle les « coasters » était de 27 pour cent en 2024, 25 pour cent en 2025, et devrait atteindre 28 pour cent en 2026 — un chiffre qui bouge quand les survivants observent des coupes prématurées. Et seuls 16 pour cent des travailleurs obtenaient un score élevé à la mesure de préparation à l'IA de Forrester en 2025, la préparation la plus forte étant concentrée dans la cohorte dont les postes juniors sont supprimés en premier.
L'erreur de planification, dite clairement
L'erreur n'est pas l'optimisme sur l'IA. C'est de comptabiliser la réduction d'effectifs anticipée comme une base réalisée, un an trop tôt, puis de construire le gel des remplacements par-dessus.
Le changement anticipé est une prévision assortie d'un taux d'erreur annuel désormais documenté. Le changement réalisé est une mesure. Une seule des deux a sa place dans un plan qui engage de l'argent réel.
L'objection honnête
Trois limites, énoncées avant que quelqu'un d'autre ne les énonce.
Ce sont des données d'enquête auto-déclarées, pas de la paie. Personne n'a audité les registres d'effectifs de ces organisations. L'attribution, au niveau du répondant, d'une variation d'effectifs spécifiquement à l'IA relève du jugement, et l'attribution est précisément là où l'auto-déclaration est la plus faible. La même réserve s'applique aux chiffres du NBER, qui sont des anticipations de dirigeants et non des résultats de paie réalisés.
Le panel n'est pas identique d'une année sur l'autre. McKinsey indique avoir vérifié les répondants ayant participé aux deux vagues 2025 et 2026 et que les conclusions reflétaient l'échantillon global, mais un panel changeant limite réellement la lecture des 32 pour cent et des 14 pour cent comme les mêmes personnes se contredisant.
L'anticipation peut être simplement prématurée plutôt que fausse. La capacité suit l'annonce, et le déploiement suit la capacité. Une prévision de réduction pour 2025 qui se matérialise en 2027 était mal calée dans le temps, non erronée — et les données de composition du NBER, avec une part administrative routinière attendue en recul supplémentaire d'ici 2028, sont cohérentes avec une version plus lente et plus sélective de la même direction. L'affirmation défendable porte sur la confiance dans le calendrier, pas sur la direction.
Ce qui survit aux trois est plus étroit et reste actionnable : la distribution des résultats réalisés est fortement concentrée sur « peu ou pas de changement », et un plan qui traite la queue de distribution comme cas de base est mal valorisé.
Que rebaser avant la clôture du plan Q4
Quatre mouvements, dont aucun n'exige d'inverser une position stratégique sur l'IA.
1. Séparer l'anticipé du réalisé dans le document de plan. Si votre modèle d'effectifs 2027 contient une ligne justifiée par une réduction pilotée par l'IA, indiquez si elle repose sur un changement mesuré dans votre propre organisation ou sur un changement attendu. S'il s'agit d'une anticipation, étiquetez-la comme une prévision portant le taux d'erreur ci-dessus. C'est une modification de quinze minutes qui change la manière dont ce chiffre est contesté.
2. Ré-instruire le business case IA sur le débit, pas sur les ETP. Temps de cycle, revenu par salarié, taux d'erreur, coût par transaction. Le résultat du NBER sur la productivité va dans le même sens : les gains sont apparus comme une productivité totale des facteurs fondée sur le revenu, liée à des canaux d'innovation et de demande, non comme un approfondissement du capital se substituant au travail. Si le dossier ne se boucle que sur la réduction d'effectifs, le dossier n'est pas bouclé.
3. Conditionner toute coupe attribuée à l'IA à une capacité démontrée, non promise. Le test est un workflow nommé fonctionnant au niveau de qualité cible avec un taux d'erreur mesuré sur une période définie — pas une feuille de route fournisseur. Ce seul garde-fou est ce qui sépare les 14 pour cent des 55 pour cent qui regrettent.
4. Planifier pour l'équipe que vous aurez encore. C'est le mouvement qui manque à la plupart des plans 2027. Si deux tiers des organisations ont constaté peu ou pas de changement d'effectifs lié à l'IA, le cas de base est que votre effectif actuel est à peu près votre effectif 2027, avec une composition qui se déplace en dessous. Cela fait de la contrainte dominante une question de capacité plutôt qu'une question de coût : quelles compétences occupent quels postes, où la succession est fragile, et quelle capacité administrative routinière peut être redéployée vers la demande technique qualifiée que les données du NBER décrivent en hausse. Un gel des remplacements décidé sans cette carte n'est pas une économie ; c'est une perte de capacité non mesurée. La mesure des compétences et de la succession est l'instrumentation qui rend cette décision défendable — position dans la matrice 9-box calculée à partir de données par compétence plutôt que du souvenir du manager, et préparation à la succession évaluée pour chaque poste critique. Le module performance et succession de Scovai documente la structure de cette cartographie si vous voulez une référence concrète.
La partie inconfortable de ces données n'est pas que l'IA ait sous-performé sur les effectifs. C'est qu'une organisation peut mener un programme d'IA réussi — 89 pour cent d'adoption, 80 pour cent rapportant des gains de productivité — et compter malgré tout le même nombre de personnes à l'arrivée, faisant un travail sensiblement différent.
C'est un problème de développement des effectifs déguisé en prévision sur les effectifs liés à l'IA.
Avant la clôture du plan Q4, trouvez la ligne d'effectifs qui suppose que l'IA réduira l'équipe, et posez-lui une question : est-ce que nous le mesurons, ou est-ce que nous l'attendons encore ? Si la réponse est « nous l'attendons », le taux d'erreur de 2x est désormais consigné — et la charge de la preuve s'est déplacée vers la prévision.
