Entre novembre 2022 et septembre 2025, le taux de retour à l'emploi du segment le plus solidement rattaché au marché du travail américain a chuté de 13 points de pourcentage. Pour le segment à forte rotation, celui qui absorbe habituellement les chocs cycliques, il a reculé de 2 (Federal Reserve Bank of Richmond, 2026). Cet écart n'a aucun précédent dans les données examinées par les auteures — ni pendant la Grande Récession, ni dans aucune phase d'expansion. Et les baisses les plus marquées depuis 2023 se concentrent dans le quartile professionnel le plus exposé à l'IA : programmeurs, analystes financiers, ingénieurs.
Si votre plan d'effectifs 2026 postule que le pipeline junior est la partie fragile et que votre banc d'experts est remplaçable au prix du marché, ce plan repose sur une prémisse inversée.
L'effondrement du niveau junior est réel. Ce n'est pas là que se situent les dégâts.
L'Economic Brief 26-26, publié le 12 août par Katarína Borovičková et Claudia Macaluso, fait ce que la plupart des commentaires sur le marché du travail escamotent : il désagrège. La hausse récente du chômage, les auteures l'avaient déjà établi, tient presque entièrement aux sorties — les gens ne perdent pas leur emploi à un rythme anormal, ils n'arrivent pas à en retrouver un. La question ouverte était : quelles personnes.
Le premier découpage est le plus familier. La Current Population Survey distingue les personnes licenciées, les démissionnaires et les entrants. Le récit dominant de ces deux dernières années — l'IA fermerait le premier barreau de l'échelle professionnelle — prédit que ce sont les entrants qui encaissent le plus. Les données disent autre chose. Le taux de retour à l'emploi des nouveaux entrants a baissé, mais les auteures qualifient ce recul de modeste au regard des baisses observées chez les licenciés et les démissionnaires, et elles écartent explicitement les entrants pour le reste de l'analyse (Richmond Fed, 2026).
C'est un résultat étroit et il mérite d'être énoncé avec précision : cela ne veut pas dire que le recrutement en début de carrière se porte bien. Cela veut dire que les entrants ne sont pas la marge qui explique l'effondrement agrégé. L'action est ailleurs.
Rattachement, pas ancienneté : ce que mesure réellement le « type primaire »
Le deuxième découpage est celui qui devrait changer votre lecture de votre propre tableau de bord d'attrition.
Les auteures appliquent un cadre à types latents issu de « The Dual U.S. Labor Market Uncovered » de Hie Joo Ahn, Bart Hobijn et Ayşegül Şahin (NBER, 2023), qui classe les travailleurs selon leur degré de rattachement au marché du travail plutôt que selon un quelconque diplôme observable :
- Type primaire — environ 55 % de la population, presque toujours en emploi, stable et à longue ancienneté
- Type secondaire — environ 14 %, fortement rattaché mais plus souvent au chômage
- Type tertiaire — environ 31 %, faiblement rattaché, souvent hors de la population active
Dans tout cycle ordinaire, c'est le type secondaire qui absorbe l'ajustement. Il représente l'essentiel du chômage pratiquement chaque année de la série, alors qu'il constitue la plus petite part de la population. Les récessions frappent plus durement le type primaire en termes de taux — pendant la Grande Récession, son taux de retour à l'emploi a reculé de 19 points du pic au creux, contre 10 pour le secondaire — mais le rapport restait dans des bornes reconnaissables.
L'épisode actuel a rompu ce rapport. Treize points contre deux. Les personnes qui n'ont presque jamais besoin de chercher un emploi sont aujourd'hui celles qui n'en trouvent pas.
Une précaution de lecture : le « type primaire » est une classification statistique de la stabilité d'emploi, pas un synonyme d'ancienneté. Il est corrélé au profil de vos analystes, ingénieurs et financiers de longue date, mais il ne les mesure pas directement. Traitez ce résultat comme un signal directionnel fort sur cette strate, pas comme un coefficient applicable à un effectif précis.
La divergence liée à l'exposition à l'IA a une date de départ : 2023
Le troisième découpage est celui où le mécanisme prend un nom. En suivant la méthode de Michael Webb, qui note les professions selon le recouvrement entre leur contenu en tâches et les capacités techniques décrites dans les brevets d'IA (Webb, 2019), les auteures répartissent les travailleurs en quartiles d'exposition à l'IA.
Historiquement, les taux de sortie de ces quartiles évoluaient de concert avec le cycle économique, séparés seulement par de faibles écarts de niveau. Depuis 2023, ils ont divergé, et les travailleurs des professions les plus exposées enregistrent les plus fortes baisses de taux de retour à l'emploi.
La composition de ce quartile supérieur est la partie sur laquelle les responsables des opérations du mid-market devraient s'arrêter. Parmi les professions très exposées : programmeurs, analystes financiers, ingénieurs. Les moins exposées : bâtiment, restauration, aide à la personne. Ce n'est pas une histoire sur la périphérie de votre organigramme. C'est une histoire sur les rôles qui portent vos systèmes, votre clôture comptable et votre produit.
Une littérature antérieure anticipe cette forme. Les travaux d'Acemoglu et Restrepo sur les robots industriels ont mis en évidence un effet d'éviction concentré dans les professions exposées, accompagné d'une réallocation vers les emplois moins exposés — une configuration où le chiffre agrégé de l'emploi reste lisible pendant que la composition sous-jacente se déplace fortement (Acemoglu et Restrepo, 2020). Ce que les données de la Richmond Fed ajoutent, c'est que l'épisode actuel apparaît à la marge des sorties plutôt qu'à celle des séparations. Les entreprises ne se séparent pas de ces travailleurs à un rythme inhabituel. Elles ne les réabsorbent simplement plus une fois sortis.
Cette distinction compte sur le plan opérationnel, car elle signifie que le signal n'apparaîtra ni dans votre suivi des licenciements ni dans les annonces d'effectifs de votre secteur. Il n'apparaît que dans le temps qu'il faut à une personne compétente et expérimentée pour retrouver un poste — un indicateur que presque aucune équipe opérations ne mesure, et qui décrit vos propres conditions de réembauche autant que celles des autres.
Les auteures sont prudentes sur la causalité, et nous devrions l'être aussi. Le schéma est cohérent avec une automatisation évinçant les professions exposées, et cohérent avec des données de terrain montrant que l'IA générative augmente la productivité au niveau des tâches — surtout pour les travailleurs les moins expérimentés — d'une manière susceptible de remodeler la composition des recrutements (Brynjolfsson, Li et Raymond, 2025). Savoir si la baisse tient spécifiquement à l'IA ou à des conditions agrégées qui pèsent sur les mêmes professions est l'objet explicite du prochain brief de la série. La corrélation est documentée ; la décomposition reste à faire.
L'objection : « Ce sont des données macro. Mon attrition va bien. »
C'est probablement vrai. Et c'est précisément le problème.
Deux mécaniques opèrent ici, et toutes deux inversent la lecture standard.
Une attrition plate dans votre strate senior est une alternative externe faible, pas une victoire d'engagement
Si vos collaborateurs expérimentés et exposés à l'IA restent, le taux de base offre désormais une seconde explication à côté de la version flatteuse : ils ne peuvent pas partir. Une baisse de 13 points de la probabilité de retour à l'emploi pour les travailleurs fortement rattachés signifie que le marché externe qui valide habituellement votre rétention ne fonctionne plus. Votre enquête d'engagement ne distinguera pas « engagé » de « coincé ». Votre chiffre d'attrition regrettée paraîtra excellent jusqu'au moment où les taux de retour à l'emploi se redresseront — et il cessera de l'être.
Ce n'est pas une raison de se méfier de vos équipes. C'est une raison d'arrêter d'utiliser l'attrition comme preuve principale de la santé de la strate senior, et de lire à la place quelque chose porteur d'un signal indépendant : les candidatures en mobilité interne, le risque de départ signalé par les managers, ou la proportion d'offres externes que vos collaborateurs mentionnent.
L'indemnité de départ coûte aujourd'hui plus cher qu'elle n'est valorisée
Le modèle de restructuration standard traite un poste comme ré-acquérable : couper maintenant, réembaucher au prix du marché quand les conditions changent. Ce modèle valorise la ré-acquisition sur la base des dynamiques historiques de retour à l'emploi — précisément ce que ce brief dit rompu. Un travailleur difficile à réembaucher à l'extérieur est, symétriquement, difficile à ré-acquérir : la même friction qui le piège piège aussi votre capacité à reconstituer la compétence plus tard, car le vivier dans lequel vous puiseriez est celui qui ne bouge pas.
Pour un poste senior exposé à l'IA dans une entreprise de 200 ETP, la question de ce trimestre n'est pas « pouvons-nous fonctionner sans ce poste ». C'est « si nous avons besoin de cette compétence dans dix-huit mois, à quoi ressemblera le marché, et qu'aurons-nous payé pour le découvrir ». Le redéploiement interne — vers un processus adjacent, une fonction de gouvernance des données ou un rôle de supervision de l'IA — l'emporte sur l'indemnité de départ bien plus souvent que le tableur ne le suggère, parce que le tableur contient un coût de ré-acquisition périmé.
Trois décisions possibles avant la clôture du trimestre
- Revalorisez le coût de ré-acquisition dans chaque départ portant sur un rôle exposé à l'IA. Pas un virage philosophique : un chiffre. Si votre modèle suppose un remplacement au prix du marché en 60 jours pour un analyste ou un ingénieur senior, demandez quelle donnée soutient cette hypothèse face à une baisse de 13 points du retour à l'emploi pour ce profil. Là où elle ne tient pas, le redéploiement passe devant la séparation sur le seul coût. Appliquez-le aux deux ou trois postes déjà signalés pour révision ; vous n'avez pas besoin d'une politique, vous avez besoin d'un chiffre corrigé sur les cas réellement devant vous.
- Cessez de lire une attrition senior plate comme une performance de rétention. Ajoutez une question à votre revue trimestrielle : quelle preuve indépendante avons-nous que cette strate reste par choix ? Si la réponse se limite à « ils ne sont pas partis », vous n'avez pas une preuve, vous avez une condition de marché.
- Vérifiez quels rôles se situent dans le quartile exposé avant de planifier vos effectifs, pas après. La classification de Webb est publique et au niveau des professions. Y mapper votre organigramme prend un après-midi et vous dit quelles parties de votre plan d'effectifs sont exposées à un marché du réembauchage qui ne fonctionne pas normalement.
Aucune de ces décisions n'exige de trancher sur le rôle causal de l'IA dans cette divergence. Elles exigent seulement d'admettre que la divergence existe et qu'elle se concentre dans la strate que la plupart des plans traitent comme interchangeable.
La fenêtre est le résultat
La caractéristique inconfortable de ces données, c'est qu'elles sont temporaires d'une manière qui punit l'attentisme. Un taux de retour à l'emploi déprimé pour les travailleurs exposés à l'IA vous confère un pouvoir de rétention inhabituel sur exactement les personnes les plus difficiles à remplacer — et il vous le confère gratuitement, invisiblement, sans aucune décision de votre part. Il expire aussi. Quand les taux de sortie se normaliseront, la rétention que vous pensiez avoir méritée redeviendra un marché, et cela ira le plus vite dans le quartile que vous êtes le moins prêt à perdre.
La décision de ce trimestre n'est pas de couper ou non. C'est de savoir si les rôles que vous traitez comme interchangeables sont précisément ceux que le marché du travail a discrètement cessé de fournir — et si vous préférez l'apprendre maintenant, au prix d'un après-midi de cartographie, ou dans dix-huit mois, au prix d'un recrutement.
