Les chercheurs de Ramp Economics Lab et de Revelio Labs ont relié les dépenses IA réellement observées des entreprises — de vraies transactions par carte et paiements fournisseurs, et non des réponses à des questionnaires — aux données sur les effectifs de 21 559 entreprises américaines. Les entreprises situées dans la tranche d'investissement IA la plus élevée ont vu leurs effectifs totaux croître de 10,2 % dans les deux années suivant l'adoption, et leurs effectifs juniors de 12 %. Les entreprises de la tranche à faible intensité n'ont enregistré aucun changement statistiquement significatif (Ramp Economics Lab, 2026).
Pas un gain plus faible. Zéro.
C'est ce contraste qui mérite votre attention, et ce n'est pas celui que les titres ont retenu. Le résultat intéressant n'est pas que l'adoption de l'IA et le recrutement junior peuvent progresser ensemble. C'est que l'adoption en elle-même n'expliquait rien. L'intensité a tout fait.
L'Étude a Mesuré des Dépenses, Pas des Perceptions
L'essentiel de ce qu'un directeur des opérations lit sur l'adoption de l'IA est auto-déclaré. On interroge des dirigeants, ces dirigeants décrivent leur propre maturité, et la courbe obtenue reflète autant la confiance que le déploiement réel. Le problème de mesure est aujourd'hui bien établi — vous l'avez probablement observé chez vous, avec des dirigeants qui notent la capacité IA de l'entreprise nettement au-dessus de ce que les données de déploiement soutiennent.
Le dispositif Ramp–Revelio contourne le problème. La dépense IA est tirée des relevés de cartes d'entreprise et de paiements fournisseurs de Ramp — de l'argent qui a réellement quitté l'entreprise — puis reliée aux données sur les effectifs de Revelio Labs pour les mêmes sociétés. Les entreprises ont ensuite été classées comme adoptantes à forte ou faible intensité selon la dépense IA par employé durant les trois premiers mois suivant l'adoption, et leur emploi suivi dans le temps (Revelio Labs, 2026).
Cette construction compte pour le poids que le résultat peut porter. Personne dans l'échantillon n'a été interrogé sur le caractère transformateur ressenti de son programme IA. La variable indépendante est un relevé comptable.
C'est, selon les auteurs, la première étude reliant la dépense IA au niveau de l'entreprise aux données d'emploi à cette échelle (Ramp Economics Lab, 2026). Pour un dirigeant opérationnel, c'est la différence entre une donnée sur laquelle on peut planifier et une donnée qu'on peut seulement citer.
L'Intensité Est la Variable, et Elle Se Comporte Comme un Seuil
Comparez les deux tranches et la forme du résultat est inhabituelle.
Adoptants à forte intensité : +10,2 % d'effectifs totaux sur deux ans, +12 % de postes juniors, avec des gains apparaissant progressivement et répartis largement entre les fonctions — ingénierie, ventes, administration et service client (Ramp Economics Lab, 2026). Adoptants à faible intensité : rien de statistiquement distinguable d'une absence totale d'adoption.
Si l'investissement en IA produisait des retours à peu près proportionnels à la dépense, on s'attendrait à ce que la tranche basse affiche un petit effet positif — atténué, bruité, mais présent. Ce n'est pas le cas. La relation n'est pas linéaire, et les demi-mesures ne parcourent pas la moitié du chemin.
Lisez cela comme une contrainte opérationnelle. Une allocation modeste étalée finement sur onze départements n'est pas une version réduite d'un programme sérieux. Sur cette base, c'est une catégorie d'activité différente, et elle n'apparaît pas du tout dans les données d'emploi.
Cela devrait recadrer la façon dont se mène la discussion budgétaire. La posture par défaut du mid-market — un peu d'IA dans chaque fonction, pour que personne ne se sente exclu et qu'aucun pari isolé ne puisse embarrasser quiconque — correspond exactement au profil de la tranche à faible intensité. C'est un portefeuille construit pour minimiser le regret, et il ne rapporte rien de mesurable.
Le Chiffre Junior Va à l'Encontre du Canari
Le chiffre de 12 % atterrit au milieu d'un débat actif, et il vaut la peine d'être précis sur ce qu'il tranche et ce qu'il ne tranche pas.
Le Stanford Digital Economy Lab, à partir des données de paie d'ADP, a documenté une baisse relative d'environ 13 % de l'emploi des travailleurs en début de carrière dans les métiers les plus exposés à l'IA — le résultat des « canaris dans la mine » qui a façonné une grande partie du récit sur les postes juniors en 2025–2026 (Stanford Digital Economy Lab, 2025).
Les deux résultats peuvent tenir simultanément, car ils ne mesurent pas le même objet. Stanford suit des métiers : au sein des catégories professionnelles exposées à l'IA, les jeunes travailleurs ont perdu du terrain. Ramp suit des entreprises : au sein des sociétés investissant massivement dans l'IA, les effectifs juniors ont augmenté. Certains rôles se contractent à l'échelle de l'économie pendant que certaines entreprises recrutent plus de juniors qu'avant. L'exposition professionnelle agrégée et l'intensité d'investissement au niveau de l'entreprise sont deux axes distincts, et un opérationnel se situe sur le second.
C'est la lecture pratiquement utile. Vous ne contrôlez pas si le mix d'activités de votre secteur est exposé à l'IA. Vous contrôlez la concentration des investissements de votre entreprise — et c'est cette variable qui, selon les données au niveau de l'entreprise, a bougé.
La tentation est de retenir l'étude qui confirme le plan que vous aviez déjà. Résistez-y. La synthèse honnête est plus étroite et plus utile : l'exposition détermine la pression exercée sur un rôle, l'intensité de l'investissement semble déterminer si votre organisation grandit sous cette pression ou se contracte.
Le Contre-Argument : Il Pourrait S'Agir de Sélection
L'objection la plus forte au résultat de Ramp vient de l'étude elle-même, et elle mérite d'être énoncée clairement plutôt qu'enfouie.
Les auteurs sont explicites : les adoptants de l'IA ne constituent pas un échantillon aléatoire. Ce sont déjà des entreprises plus grandes, plus orientées ingénierie, plus souvent financées par du capital-risque, et en croissance plus rapide que les non-adoptants. Les gains sectoriels se concentrent dans l'Information (Ramp Economics Lab, 2026).
C'est un vrai problème pour la lecture causale naïve. Les éditeurs de logiciels en forte croissance et bien capitalisés dépensent beaucoup en IA et recrutent beaucoup, et le facteur commun est peut-être simplement qu'ils gagnent. Sous cette interprétation, la dépense IA élevée est un symptôme de l'expansion plutôt qu'une cause — et une entreprise de services industriels de 220 personnes achetant davantage de licences n'hériterait pas des 12 %.
Deux éléments préservent l'utilité du résultat même après cette décote. D'abord, l'étude suit les changements au sein des entreprises avant et après l'adoption, et non une comparaison brute entre adoptants et non-adoptants — la croissance arrive après la dépense, sur une courbe progressive. Ensuite, et c'est plus décisif pour vous : le résultat nul dans la tranche à faible intensité n'est pas expliqué par la sélection. Ces entreprises aussi ont choisi d'adopter. Elles avaient un budget, un sponsor et une intention. Elles ont dépensé moins par employé, et ont obtenu un zéro statistiquement indistinguable.
Traitez donc les 12 % comme directionnels et liés au contexte. Traitez le zéro comme la leçon transférable.
Ce Qui Sépare Plausiblement un 12 % d'un Zéro
Ici, les données s'amenuisent, et je veux être claire sur l'endroit où elles s'arrêtent.
L'étude Ramp mesure l'intensité de dépense et les résultats d'emploi. Elle n'identifie pas le mécanisme — elle ne peut pas vous dire ce que les entreprises à forte intensité ont fait de cet argent que les entreprises à faible intensité n'ont pas fait. Quiconque prétend le contraire extrapole.
La meilleure preuve disponible sur le mécanisme vient d'ailleurs. Le rapport State of AI 2025 de McKinsey a constaté que si une large majorité d'organisations déclarent utiliser l'IA, seule une minorité rapporte un impact significatif sur l'EBIT à l'échelle de l'entreprise — et que la pratique la plus associée aux organisations obtenant des retours est la refonte fondamentale des processus autour de la technologie, plutôt qu'un déploiement par-dessus les processus existants (McKinsey, 2025). C'est une corrélation issue d'une enquête déclarative, pas une estimation causale, et elle doit être pondérée en conséquence.
En rapprochant les deux avec la prudence nécessaire, une histoire plausible se dessine : une dépense élevée et soutenue par employé, c'est à quoi ressemble une refonte des processus dans les livres comptables. Repenser la circulation du travail dans une fonction coûte de l'effort d'intégration, du travail sur les données et du temps de processus — cela se traduit par une facture importante et concentrée. Acheter des licences en laissant le processus intact coûte peu, ce qui explique précisément pourquoi cela produit une signature à faible intensité et un résultat nul.
Je retiendrais cela comme hypothèse de travail, non comme conclusion. Ce qui est mesuré est ceci : la concentration de la dépense prédit la croissance des effectifs, la dispersion ne prédit rien.
Trois Mouvements Avant le Prochain Cycle Budgétaire
Mesurez votre intensité, pas votre adoption
La plupart des reportings IA du mid-market comptent des licences, des utilisateurs actifs et des départements touchés. Aucun n'est la variable qui a bougé dans cette étude. Calculez la dépense IA par employé, et calculez-la par fonction plutôt qu'à l'échelle de l'entreprise — une moyenne globale masque si vous menez un programme sérieux ou neuf programmes cosmétiques. Vous découvrirez généralement que le total paraît respectable alors que chaque fonction prise isolément se situe dans la tranche à faible intensité.
Concentrez au lieu de distribuer
Si la dispersion ne rapporte rien, l'implication pour l'allocation est inconfortable mais claire : le même budget concentré sur une ou deux fonctions est un pari matériellement différent du même budget étalé sur neuf. Choisissez les fonctions où le processus environnant peut réellement être reconstruit — celles dont vous détenez le flux de bout en bout et où vous pouvez changer la façon dont le travail est routé, pas seulement la façon dont il est rédigé. Financez-les correctement et affamez le reste délibérément.
Ce sera politiquement plus dur que ne le suggère le tableur. Chaque responsable de fonction a désormais une ligne budgétaire IA, et en retirer une est lu comme un jugement sur cette fonction. Portez l'argument sur les données : un pilote financé à moitié n'est pas une victoire plus petite, c'est un zéro avec une ligne budgétaire attachée.
Reliez explicitement le dossier IA à un dossier de recrutement
Le cadrage réflexe — l'investissement IA comme évitement d'embauches — n'est pas ce qu'ont produit les entreprises à forte intensité de ce jeu de données. Elles ont grandi, y compris sur les postes juniors (Ramp Economics Lab, 2026). Que cela se généralise à votre secteur reste réellement ouvert, compte tenu de la concentration dans l'Information. Mais il vaut la peine de nommer l'hypothèse dans votre business case, car « cela remplace trois embauches » et « cela nous permet d'absorber plus de travail avec l'équipe que nous construisons » produisent, dès le premier jour, des choix d'implémentation, des investissements de formation et des dynamiques internes différents.
Une Décision
Sortez vos dépenses IA des quatre derniers trimestres et divisez-les par fonction et par effectif. Puis posez une question : une seule fonction de cette entreprise se situe-t-elle réellement dans la tranche à forte intensité, ou avons-nous réparti un budget sérieux entre neuf programmes qui ne le sont pas ?
Si c'est la seconde — et pour la plupart des opérationnels du mid-market ce le sera — le remède n'est pas plus d'argent. C'est moins de paris.
Les entreprises de ce jeu de données qui ont fait croître leurs effectifs, recrutements juniors compris, n'étaient pas celles qui ont adopté l'IA le plus tôt ni avec le plus d'enthousiasme. C'étaient celles qui ont concentré. Celles qui n'ont rien obtenu n'étaient pas celles restées à l'écart — c'étaient celles qui ont étalé trop finement.
