L’intelligence artificielle, les bouleversements du travail et la nécessité d’un nouveau contrat social

A l’instar de l’introduction du métier JACQUART et des révoltes des canuts lyonnais, au milieu du 19ème siècle, les développements de l’intelligence artificielle, notamment comme outil de production, suscitent des angoisses profondes au sein de la société, y compris chez les plus jeunes, dont les perspectives professionnelles peuvent sembler obérées. Ces angoisses trouvent un échos dans la rue et dans les urnes. Le partage du travail et de la richesse, au coeur de ce débat, semble avoir été l’une des préoccupations des électeurs lors des « mid-terms » de novembre 2026 aux Etats-Unis. Il sera implicitement ou explicitement au coeur de la campagne présidentielle de 2027.

A partir de l’exemple de la pression exercée sur l’avenir professionnel des mathématiciens, profession à forte valeur ajoutée intellectuelle s’il en est, Jean ALBERT invite à une réflexion sur l’évolution de la technologie et le partage des revenus et de la propriété. Il suggère quelques pistes invitant l’Union européenne et ses citoyens à une approche raisonnée de l’IA afin d’en conserver la maîtrise, d’en partager les retombées économiques et préserver la place de l’Homme au centre de tout projet sociétal.

Ci-dessous, une traduction française du texte de Jean Albert.

Récemment, j’ai regardé une vidéo YouTube dans laquelle Hugo Duminil-Copin, lauréat de la médaille Fields, présentait « A Severe Misalignment of AI in Mathematics ». J’ai aussi écouté Gina Raimondo dans l’émission Freakonomics et lu « The AI Layoff Trap », de Brett Hemenway Falk et Gerry Tsoukalas. Ces discussions portaient sur des sujets différents, mais elles m’ont conduit à la même question : nous préparons-nous assez vite aux changements à venir ? Il ne s’agit pas seulement de savoir ce que l’intelligence artificielle (IA) peut faire. Il faut surtout comprendre ce que ses capacités pourraient changer pour les personnes dont le revenu, la formation et le sentiment d’être utiles dépendent d’un travail que les machines accompliront de plus en plus.

Si l’IA permet aux entreprises de produire davantage de logiciels, d’informations et de découvertes en utilisant beaucoup moins de travail humain, les gens pourraient travailler moins et consacrer plus de temps à leur famille, à apprendre et à d’autres activités. Mais l’avenir pourrait être différent. Si les machines font une grande partie du travail, leurs propriétaires pourraient recevoir l’essentiel de l’argent qu’elles rapportent. Ils pourraient être peu nombreux et avoir des intérêts différents de ceux de la société. Pendant ce temps, les personnes qui dépendent de leur salaire pourraient gagner moins ou ne plus trouver de travail. Cela pourrait finir par nuire aussi aux propriétaires des machines : les entreprises ont besoin de clients qui ont les moyens d’acheter ce qu’elles produisent.

Il faut donc répondre assez rapidement à deux problèmes liés. Premièrement, comment aider les personnes qui perdent leur emploi, gagnent moins ou peinent à trouver du travail à cause de l’IA et des systèmes qui l’utilisent ? Deuxièmement, si les machines accomplissent une part croissante du travail, qui recevra les richesses qu’elles créent ? Former les personnes à un autre métier ne suffit pas s’il y a moins d’emplois disponibles. Et protéger leur revenu aujourd’hui ne répond pas à la question de savoir qui possédera les technologies de demain et quelles en seront les conséquences pour la société.

Nous pourrions traiter ces deux difficultés ensemble. D’abord, l’Europe devrait créer un système pour protéger les revenus des personnes dont la vie professionnelle est bouleversée par l’IA : celles qui perdent leur emploi, travaillent moins d’heures ou ne trouvent pas de poste. Les gouvernements financeraient cette protection dès le départ, sans attendre que les investissements dans l’IA deviennent rentables. Ensuite, l’Europe devrait créer un fonds public qui investirait dans les entreprises d’IA et dans les équipements dont elles ont besoin : ordinateurs puissants, puces et semi-conducteurs, centres de données, robots et production d’énergie. Ces investissements seraient détenus au bénéfice des citoyens européens. Avec le temps, les revenus qu’ils produiraient pourraient compléter le financement de la protection sociale. L’objectif serait à la fois de préparer les changements et de permettre à l’Europe de posséder une part des technologies qui façonneront son avenir.

Pour comprendre pourquoi il faut agir assez vite, regardons un métier dont peu de gens pensaient que l’IA le transformerait aussi rapidement : celui de mathématicien. Les mathématiciens professionnels forment une petite communauté très spécialisée, mais ce qui leur arrive pourrait annoncer des changements qui toucheront un jour de nombreuses autres professions. À l’école, nous connaissons surtout les mathématiques comme une suite d’exercices : le professeur explique une méthode, donne un problème et nous demande de le résoudre. Même si nous avons du mal, nous savons que quelqu’un connaît déjà la réponse. Les chercheurs en mathématiques travaillent autrement : ils étudient des questions auxquelles personne ne sait encore répondre, parfois depuis des dizaines, voire des centaines d’années.

Ces questions commencent souvent lorsqu’on remarque qu’une même règle semble se répéter avec différents nombres ou différentes formes. Les mathématiciens essaient d’autres exemples et se demandent si la règle fonctionne toujours. Cette idée s’appelle une « conjecture » : une affirmation qui semble vraie, mais que personne n’a encore démontrée. Nous ne savons donc pas si elle sera toujours valable. Les conjectures sont importantes : elles peuvent, par exemple, révéler un lien caché entre plusieurs domaines des mathématiques ou conduire à des découvertes auxquelles personne n’avait pensé. Même une conjecture finalement fausse peut apprendre quelque chose d’important.

Pour établir qu’une conjecture est vraie, le mathématicien doit produire une « démonstration » : une suite de raisonnements expliquant pourquoi elle fonctionne dans tous les cas concernés, et pas seulement dans un million d’exemples. Il peut aussi trouver un seul cas où la règle échoue. C’est un « contre-exemple », et un seul contre-exemple valable suffit à montrer qu’une conjecture est fausse. Trouver une démonstration ou un contre-exemple peut être extrêmement difficile ; certaines questions restent sans réponse pendant des décennies. Des mathématiciens y consacrent des années, testent des idées, cherchent des liens et inventent de nouvelles méthodes. La recherche mathématique ne consiste donc pas seulement à obtenir une réponse : elle sert aussi à développer des idées, à apprendre à réfléchir autrement et à comprendre pourquoi quelque chose est vrai ou faux.

Cela explique pourquoi les progrès récents de l’IA suscitent à la fois enthousiasme et inquiétude. Le 20 mai 2026, OpenAI a annoncé qu’un de ses modèles avait montré que la conjecture d’Erdős sur les distances unitaires était fausse. Cette vieille conjecture concernait le nombre de paires de points d’un plan pouvant se trouver exactement à une unité de distance l’une de l’autre (OpenAI, 2026a). OpenAI a présenté une construction inattendue, puis des mathématiciens extérieurs à l’entreprise ont vérifié la démonstration et écrit un article sur son importance. Ils y décrivent un lien surprenant établi par l’IA avec la théorie algébrique des nombres. Tim Gowers a parlé d’une étape importante et expliqué que, si un humain avait soumis ce résultat aux Annals of Mathematics, il aurait recommandé de le publier (Alon et al., 2026). Serions-nous plus proches du raisonnement créatif que les mathématiciens mettent des années à développer ? En août, OpenAI a indiqué que cette découverte de mai avait déjà donné lieu à d’autres travaux et annoncé dix nouveaux résultats (OpenAI, 2026c). Au 6 octobre, l’entreprise avait publié 719 manuscrits, regroupés en 372 familles de résultats liés entre eux, produits avec un modèle interne (OpenAI, 2026b). Une telle quantité pose une nouvelle question : comment les mathématiciens peuvent-ils vérifier, comprendre et utiliser autant de travaux ?

Les mathématiques : un signal d’alerte

L’IA commence à participer aux étapes créatives de la recherche, et non plus seulement à accélérer des tâches mathématiques répétitives. Les systèmes peuvent consulter les travaux existants, essayer des méthodes et relier des idées. La démonstration de mai laisse penser qu’ils peuvent aussi trouver des voies qui surprennent les spécialistes (OpenAI, 2026a). L’exemple des mathématiques pourrait annoncer un changement plus radical que la mécanisation habituelle. Lorsque les tracteurs sont apparus, ils ont remplacé beaucoup de travail manuel, mais il fallait encore un conducteur et un agriculteur pour décider quoi cultiver et que faire des récoltes. Si l’IA passe progressivement de l’exécution de tâches intellectuelles au choix des problèmes, à la recherche de solutions, puis à l’utilisation de ces solutions, ce serait un peu comme un tracteur qui ne se contente plus de remplacer les ouvriers agricoles : il apprend à se conduire seul, puis à gérer toute la ferme. Les progrès rapides de la robotique rendent cette possibilité plus proche chaque mois. La question dépasse alors la vitesse à laquelle une machine exécute une tâche : elle devient celle de savoir qui choisit le travail à faire et comment utiliser ses résultats.

L’inquiétude n’a pas commencé avec les publications d’octobre. Le 11 septembre, un premier groupe de 25 lauréats de la médaille Fields a soutenu « A Severe Misalignment of AI in Mathematics ». Leur texte soulignait la différence entre montrer ce qu’un modèle d’IA sait faire et soutenir une communauté de mathématiciens (Math and AI, 2026). Une entreprise peut mettre son système en valeur en présentant des problèmes résolus. Les mathématiciens, eux, peuvent aussi attacher de l’importance aux idées, à la formation et aux nouvelles questions qui naissent pendant la recherche. Ce qui me frappe, c’est qu’une réponse toute faite ne remplit pas ces deux objectifs. Recevoir un morceau de musique terminé n’apprend pas à composer. De même, un problème mathématique est à la fois une question à résoudre et une occasion d’apprendre à devenir mathématicien. Mathématiciens et compositeurs expérimentent, se trompent, développent des techniques et découvrent parfois quelque chose de nouveau. Le fait de chercher une solution a donc de la valeur, même si l’on ne trouve jamais la réponse.

Cette différence fait apparaître une inquiétude voisine, mais distincte : la perte de compétences. Elle concerne plus largement notre manière d’utiliser l’IA. Si les mathématiciens utilisent de plus en plus les démonstrations produites par l’IA ou se contentent de les vérifier, au lieu de les chercher eux-mêmes, certaines compétences nécessaires aux découvertes pourraient s’affaiblir. Pensons aux appareils modernes de diagnostic automobile : ils repèrent une pièce défectueuse et indiquent au mécanicien quoi remplacer. Cela accélère la réparation. Mais, avec le temps, un mécanicien qui suit toujours ces instructions pourrait moins bien comprendre le fonctionnement d’un moteur qu’un mécanicien qui devait reconnaître une panne au bruit, au comportement de la voiture et grâce à ses connaissances. Ces préoccupations ne justifient pas de cacher les réponses aux problèmes mathématiques. Elles expliquent cependant pourquoi un désaccord sur la publication d’un résultat peut devenir un débat sur la raison d’être d’une profession. Produire une réponse et aider les personnes à apprendre en la cherchant sont deux choses liées, mais différentes.

La question de la publication est aussi celle de savoir qui la contrôle. Le 29 septembre, le groupe consultatif sur les mathématiques et l’intelligence artificielle (AGMAI) a demandé des publications responsables, une juste reconnaissance du travail des autres chercheurs et des financements pour aider les humains à comprendre les découvertes. Il s’est aussi opposé à ce que des problèmes avancés soient testés uniquement sur des modèles appartenant à des entreprises, auxquels les autres chercheurs n’ont pas accès (AGMAI, 2026a). Après les publications d’octobre, le groupe a expliqué que publier un résultat devait être le début de sa compréhension, et non la fin du travail. Il a également défendu le droit des mathématiciens de choisir leurs propres questions (AGMAI, 2026b). L’Association for Human Mathematics a estimé que publier des centaines de documents en une seule fois ressemblait davantage à une démonstration de puissance d’une entreprise qu’à une bonne manière de faire de la recherche (Association for Human Mathematics, 2026). Son argument est que, lorsqu’une entreprise peut transformer une profession, les personnes de cette profession doivent pouvoir participer aux choix qui déterminent cette transformation.

Les réactions des chercheurs ont rendu ces inquiétudes très concrètes. Thomas Bloom a constaté que son site consacré aux problèmes d’Erdős accueillait de plus en plus de démonstrations générées par des machines au lieu de discussions. Il a donc suspendu les nouveaux commentaires et les annonces de démonstrations, puis prévu des changements pour encourager les échanges (Bloom, 2026). Un plat peut être excellent, mais la manière de le servir peut influencer notre envie de le manger. Il en va peut-être de même pour les résultats mathématiques : le résultat compte, mais sa présentation peut donner envie, ou non, de l’étudier, de le comprendre et de poursuivre les recherches. Álvaro Lozano-Robledo a expliqué que certains étudiants reconsidéraient une carrière en mathématiques tout en étant enthousiasmés par les nouvelles possibilités (Lozano-Robledo, 2026). On peut ressentir ces deux choses à la fois : se réjouir d’une découverte tout en s’inquiétant pour les jeunes qui souhaitent entrer dans le métier. Rien de cela ne prouve que les mathématiciens ont déjà perdu leur emploi ou leur revenu. Mais cela soulève des questions sur les investissements, les bourses et les doctorats. La question de l’emploi commence peut-être dans les décisions de financer certains travaux et dans les possibilités offertes aux débutants, pas seulement dans le nombre de chercheurs déjà licenciés.

Les universités paient des salaires, les organismes financent des recherches et les programmes de doctorat soutiennent des étudiants en pensant que des personnes passeront des mois ou des années sur des problèmes difficiles. Imaginons qu’une machine fasse l’essentiel de ce travail en quelques heures. Un mathématicien pourrait garder son contrat actuel, mais obtenir moins facilement le suivant. Un chercheur pourrait devoir changer de programme, un étudiant découvrir que son sujet de thèse est déjà résolu, et un financeur se demander combien de temps humain un projet exige encore. Une activité humaine peut être utile sans qu’il existe des emplois payés pour l’exercer. Le même risque existe ailleurs : si un avocat utilisant l’IA réalise le travail qui nécessitait auparavant dix avocats, les neuf autres ne seront pas forcément licenciés ; leurs postes pourraient simplement ne jamais être créés. Les entreprises de logiciels et les laboratoires pourraient également recruter moins avant de licencier leurs salariés. Si le travail humain restant consiste surtout à vérifier et à interpréter les résultats de l’IA, les employeurs pourraient garder les salariés expérimentés et embaucher moins de débutants. Ce sont des exemples, pas des estimations d’emplois déjà supprimés. Ils montrent pourquoi compter uniquement les licenciements peut faire oublier que les chemins permettant de commencer à gagner sa vie sont eux aussi en train de changer.

Que nous apprend l’histoire ?

L’histoire montre que les technologies anciennes ont fait disparaître des emplois et qu’elles ont fini par en créer d’autres. La difficulté est de vivre pendant ce « finalement ». Mais rien ne garantit que l’histoire se répétera avec l’IA. L’apparition d’autres emplois dépend en partie de la création de nouvelles tâches pour les humains. Acemoglu et Restrepo (2019) expliquent que, si l’automatisation remplace certaines tâches, de nouvelles activités peuvent recréer une demande de travailleurs. Mais si l’IA et les robots deviennent capables d’accomplir presque toutes les tâches intellectuelles et physiques, ce mécanisme pourrait devenir moins efficace. Aux Pays-Bas, l’emploi agricole a diminué avec la mécanisation, tandis que d’autres industries en développement offraient de nouveaux postes (CBS, 2017 ; Van Meeteren et Smit, 2025). Dans le nord de la Suède, l’essor de l’industrie du bois a offert aux habitants des campagnes des emplois rémunérés dans les forêts et les scieries (Sundvall, 2024). Dans les deux cas, d’autres secteurs se développaient. Nous ne pouvons pas tenir pour acquis que l’IA créera, de la même manière, assez de nouveaux emplois accessibles.

Robert Allen décrit une période de la révolution industrielle britannique où chaque travailleur produisait davantage, mais où les salaires, une fois l’inflation prise en compte, stagnaient (Allen, 2009). Produire plus ne s’est donc pas immédiatement traduit par une amélioration du niveau de vie. Les révoltes dites Swing Riots illustrent un autre danger : les machines à battre les céréales ont supprimé une partie du travail hivernal des ouvriers agricoles, ce qui a contribué aux troubles de 1830 et 1831. La pauvreté et les bas salaires ont aussi joué un rôle, mais Caprettini et Voth (2020) constatent que la diffusion de ces machines augmentait le risque de révolte, surtout là où les autres emplois étaient rares. Le premier exemple concerne le partage d’une richesse croissante ; le second montre ce qui arrive lorsque les personnes ne peuvent pas trouver un autre travail.

L’industrialisation a aussi transformé la propriété des machines et des entreprises, ainsi que la dépendance des personnes à un salaire (Hobsbawm, 1975). Ces difficultés ont nourri de grands débats sur la propriété et les droits des travailleurs, même si les révolutions de 1848 ont eu de nombreuses causes politiques et économiques (Hobsbawm, 1962). Les mouvements ouvriers et les institutions publiques ont peu à peu apporté des réponses : négociations collectives, éducation, assurance chômage, retraites et soins de santé. Ces protections n’ont pas été créées automatiquement par les machines (Marshall, 1950 ; Esping-Andersen, 1990).

Nous retrouvons ici la distinction d’Acemoglu et Restrepo (2019) entre les tâches supprimées par l’automatisation et les nouvelles tâches qui donnent du travail aux humains. L’emploi et les salaires dépendent en partie de l’équilibre entre les deux, mais encore faut-il que les personnes qui perdent un métier puissent accéder aux nouvelles possibilités. Toutes les activités ne présentent pas les mêmes difficultés pour l’automatisation : les mathématiques sont donc un signal d’alerte, pas une prévision précise de l’emploi. L’Organisation internationale du travail (OIT) estime qu’un travailleur sur quatre dans le monde exerce un métier dont certaines tâches pourraient être réalisées par l’IA générative ; 3,3 % des emplois mondiaux appartiennent à la catégorie la plus exposée (Gmyrek et al., 2025). Être exposé signifie que l’IA pourrait effectuer certaines tâches, pas que l’emploi disparaîtra. Comme la plupart des métiers demandent encore une intervention humaine, les chercheurs s’attendent plus souvent à une transformation qu’à un remplacement complet.

Ce qui m’inquiète, c’est que les possibilités de travailler diminuent avant même que quelqu’un reçoive une lettre de licenciement. Les employeurs peuvent laisser des postes vacants, recruter moins de diplômés, réduire les heures payées ou donner moins de missions aux indépendants. Ces changements comptent autant que le chômage. Des données américaines sur les salaires et l’emploi indiquent qu’une voie d’entrée dans le travail se rétrécit peut-être déjà. Jusqu’en juin 2026, l’emploi des 22-25 ans dans les métiers exposés à l’IA était inférieur de 19 % à ce qu’il aurait été s’il avait suivi l’évolution de celui des jeunes dans les métiers moins exposés. Cela venait surtout de recrutements moins nombreux, plutôt que de davantage de départs (Brynjolfsson et al., 2026). Les salariés expérimentés ne présentaient pas d’écart comparable. Les auteurs n’ont pas observé de remplacement généralisé des travailleurs et précisent que leur étude décrit une situation sans prouver que l’IA en est la cause. D’autres recherches montrent que cette évolution n’apparaît pas nécessairement partout. Au Danemark, une étude n’a trouvé aucune variation moyenne significative des revenus ou des heures de travail enregistrées deux ans après le lancement de ChatGPT ; elle a pu écarter des effets supérieurs à 2 %, même si les entreprises réorganisaient leurs tâches (Humlum et Vestergaard, 2025). L’OCDE rappelle aussi que les difficultés croissantes des jeunes diplômés à trouver du travail ont commencé avant l’IA générative (OCDE, 2026). L’IA ne peut donc pas tout expliquer. Ces études ne prouvent pas qu’un effondrement général de l’emploi approche, mais elles ne permettent pas non plus d’ignorer les recrutements, les tâches qui changent et les possibilités offertes aux débutants. Il faut suivre l’évolution du travail, plutôt qu’attendre un seul chiffre du chômage qui confirmerait le problème. La question pratique est de savoir comment se préparer à des changements inégaux.

Si les entreprises peuvent réduire les emplois en recrutant moins, pourquoi ne pas leur demander de ralentir ? N’ont-elles pas intérêt à ce que les gens conservent un emploi et un revenu pour pouvoir acheter leurs produits ? C’est logique, mais beaucoup plus difficile à appliquer qu’il n’y paraît. Une entreprise ne peut pas toujours agir seule. Dans « The AI Layoff Trap », Brett Hemenway Falk et Gerry Tsoukalas examinent ce qui se passe quand les entreprises remplacent des salariés par l’IA. Une entreprise économise des salaires ; mais les personnes privées de travail ou de revenu dépensent moins. D’autres entreprises perdent alors des clients et peuvent supprimer des emplois à leur tour. Au bout du compte, même les premières entreprises à avoir profité de l’IA pourraient souffrir parce que moins de gens peuvent acheter leurs produits (Hemenway Falk et Tsoukalas, 2026a). Imaginons deux entreprises fabriquant des produits similaires. L’une garde des salariés que l’IA pourrait remplacer. L’autre automatise, réduit ses coûts et peut baisser ses prix, investir ou accepter une marge plus faible. La première risque d’être moins compétitive, même si les deux comprennent le danger pour toute la société. La concurrence étrangère renforce cette pression : une entreprise qui refuse une technologie efficace peut perdre ses clients au profit de concurrents soumis à d’autres règles. Demander aux employeurs d’agir de manière responsable, même en leur imposant certaines obligations, ne supprime donc pas à lui seul la différence entre l’intérêt d’une entreprise et celui de la société.

Les auteurs envisagent une taxe dite « pigouvienne » : une taxe corrective sur l’automatisation qui obligerait les employeurs à tenir compte de la perte de dépenses que leurs décisions imposent aux autres entreprises (Hemenway Falk et Tsoukalas, 2026a). Mais il faudrait distinguer une IA qui remplace un salarié d’une IA qui l’aide, tenir compte des postes jamais proposés et coordonner les règles entre pays. Cela pourrait être très difficile, voire impossible. Des chercheurs du Fonds monétaire international (FMI) déconseillent une taxe générale sur l’IA. Ils préfèrent renforcer les protections sociales, imposer les revenus du capital et revoir les avantages fiscaux qui encouragent le remplacement des salariés (Dabla-Norris et de Mooij, 2024). De plus, le modèle des auteurs porte sur un secteur composé d’entreprises similaires, et non sur toute l’économie. Quand une entreprise dépense moins en salaires, cet argent peut devenir un bénéfice, un investissement ou une baisse des prix, et ainsi contribuer à créer d’autres emplois. Mais cela ne se produit pas nécessairement assez vite pour aider les travailleurs qui viennent de perdre leur revenu.

Protéger les travailleurs et modifier les décisions des entreprises sont deux tâches liées, mais distinctes, qui exigent des mesures différentes. Un revenu de base universel d’un montant fixe ne supprimerait pas, à lui seul, l’intérêt financier qu’une entreprise peut trouver à automatiser son activité dans le modèle étudié. Cela ne le rend pas inutile pour lutter contre la pauvreté. Les auteurs examinent aussi un revenu de base financé par les bénéfices dans une situation où l’IA remplacerait presque tout le travail humain (Hemenway Falk et Tsoukalas, 2026a, sections 4.2 et 4.7). Mais garantir un revenu laisserait ouvertes les questions du statut professionnel, des compétences et des possibilités de contribuer à la société. Un emploi apporte plus que de l’argent : il peut donner un rôle, des savoir-faire, un but et une place parmi les autres. Korinek et Stiglitz étudient comment les progrès technologiques et les changements dans la répartition des revenus entre travail et propriété peuvent aggraver les inégalités (Korinek et Stiglitz, 2017). Nous devons protéger les personnes parce que leur vie compte, et pas seulement parce que les entreprises ont besoin de leur pouvoir d’achat. Il ne faudrait pas attendre de prouver que la souffrance finit par coûter cher à ceux qui en profitent d’abord.

Ces limites rendent l’action publique nécessaire, mais le moment choisi pose une autre difficulté. Les entreprises risquent de perdre des clients si elles refusent des technologies efficaces ; les gouvernements, eux, doivent débattre, consulter, étudier, voter des lois et prévoir des budgets. Attendre des années les chiffres définitifs de l’emploi ou un accord de tous les experts peut laisser des personnes sans aide après que les choix de carrière et d’investissement ont déjà changé. Lorsqu’un risque est identifié, des moyens de transition mis en place à l’avance peuvent être utiles. Aux États-Unis, Gina Raimondo a présenté un exemple de cette approche dans Freakonomics : RAISE US, une organisation à but non lucratif qu’elle a créée avec Eric Holcomb le 25 juin 2026 (RAISE US, 2026). Elle réunit entreprises, gouvernements, éducateurs et chercheurs. Elle relie les formations aux besoins des employeurs, encourage les entreprises à garder et à réaffecter leurs salariés, et propose une assurance contre les pertes de salaire lorsque le nouvel emploi est moins bien payé. Au lancement, elle annonçait des engagements sur plusieurs années dépassant la moitié de son objectif d’un milliard de dollars. Son intérêt est de préparer une réponse collective avant que chaque travailleur doive affronter seul les conséquences et de lier les formations aux postes que les entreprises peuvent réellement proposer.

Ce qui me préoccupe dans la reconversion professionnelle, c’est la différence entre apprendre une compétence et trouver un travail rémunéré. Si 100 personnes se présentent pour 20 emplois, la formation peut changer celles qui obtiennent ces postes, mais elle ne crée pas les 80 emplois manquants. Et une nouvelle compétence ne garantit pas une protection durable dans un monde du travail qui change vite. RAISE US peut essayer des solutions, mais ne peut pas créer un droit universel garanti par la loi ni obliger toutes les entreprises à contribuer. Ses garanties comprennent la représentation des travailleurs par Liz Shuler, présidente de l’AFL-CIO, une grande organisation syndicale américaine, et l’engagement de ne pas utiliser les contributions des entreprises pour financer son laboratoire consacré aux politiques publiques, le Policy Lab (RAISE US, 2026). Ces règles sont utiles, mais n’offrent pas la même certitude qu’un droit public bien financé. Les dons privés peuvent aider à expérimenter et les employeurs peuvent repérer les postes disponibles. Mais les gouvernements doivent toujours décider de ce que les citoyens peuvent exiger comme un droit.

L’Europe sait déjà organiser un soutien pendant une crise. Lors de la pandémie de Covid-19, le programme SURE a prêté 98,4 milliards d’euros aux États membres pour soutenir les emplois et les revenus. Il s’est terminé en décembre 2022 et montre ce que permet une action commune. Mais l’IA n’est pas la Covid-19. Pendant la pandémie, les emplois ont été interrompus par la maladie et les restrictions, et les gouvernements pensaient que beaucoup reprendraient. L’IA pourrait au contraire réduire durablement le besoin de certaines activités humaines. Un nouveau dispositif ne peut donc pas simplement maintenir tous les emplois en attendant un retour à la normale. Ce que je retiens de SURE, c’est le moment de l’intervention, pas la possibilité de le copier : on peut commencer à aider avant la fin d’une crise. Une proposition européenne pourrait suivre ce principe en créant en même temps une protection des revenus et des investissements publics dans l’IA, grâce à deux institutions liées mais distinctes. La première garantirait une aide. La seconde construirait des actifs pouvant produire des revenus et contribuer à cette aide, sans obliger les gouvernements à prévoir chaque perte future avant d’agir.

Le système de protection garantirait un revenu minimum même lorsqu’un emploi disparaît, y compris aux personnes qui commencent leur vie professionnelle, et pas seulement à celles qui ont longtemps cotisé. Une assurance temporaire pourrait aussi atténuer une baisse brutale de salaire. Par exemple, une personne qui gagnait 3 000 euros par mois et retrouve un emploi payé 2 200 euros a perdu 800 euros. Le dispositif pourrait compenser une partie de cette différence pendant une durée déterminée. L’objectif serait de lui donner le temps de s’adapter, et non de garantir indéfiniment tous ses anciens revenus.

Une aide est également nécessaire pendant les formations : apprendre n’empêche pas les factures d’arriver. Des chercheurs du FMI demandent d’ailleurs des protections plus solides, que les travailleurs puissent conserver lorsqu’ils changent d’emploi, pendant des transitions parfois longues (Dabla-Norris et de Mooij, 2024). Les salariés pourraient aussi profiter de l’IA en travaillant moins, et pas seulement en gagnant davantage. Si l’IA permet à une équipe d’accomplir en 30 heures un travail qui en demandait 40, l’entreprise pourrait réduire les horaires au lieu de supprimer des postes. Mais il faut que l’IA ait réellement fait gagner du temps et de l’argent, et rien ne garantit que les employeurs partageront volontairement ce gain. Les gouvernements pourraient soutenir des accords de réduction du temps de travail plutôt que des licenciements. Toute subvention ou réduction d’impôt devrait cependant reposer sur des preuves. L’entreprise devrait montrer quand l’IA a été introduite, quelles tâches ont changé, combien de personnes travaillaient et combien d’heures elles effectuaient avant, puis ce qui s’est passé après. Les fiches de paie, les relevés d’heures et, lorsque c’est possible, les vérifications des salariés ou de leurs représentants permettraient de contrôler que le gain de productivité est réel et que l’argent public préserve des emplois au lieu de financer des suppressions qui auraient eu lieu de toute façon. Les aides pourraient être retirées ou remboursées si les conditions n’étaient pas respectées.

Partager les gains de productivité au sein des entreprises ne serait qu’une partie de la réponse. Si les revenus se déplacent des salaires vers la propriété, la protection sociale pourrait aussi avoir besoin de nouvelles sources de financement.

Protéger les revenus et partager la propriété

Le financement de ces protections ne peut pas reposer entièrement sur les salaires si une part croissante des revenus va aux propriétaires. Les gouvernements devraient revoir les impôts sur le travail, les bénéfices et les autres revenus de la propriété, en fondant leurs engagements sur des recettes réalistes, et non sur de futures richesses de l’IA qui restent hypothétiques (Dabla-Norris et de Mooij, 2024). Mais ma proposition ne porte pas seulement sur le paiement des aides. Hobbes a utilisé l’idée de « contrat social » pour expliquer pourquoi des personnes accepteraient une autorité politique commune en échange de la paix et de la sécurité (Lloyd et Sreedhar, 2022). L’IA pose une question différente, mais liée : si la technologie transforme la création et la répartition des richesses, quelles protections, quelle voix dans les décisions et quelles possibilités d’avenir les citoyens devraient-ils avoir ? Si la société partage les risques, elle devrait aussi partager les gains. Il y a une grande différence entre produire assez pour tout le monde et donner à chacun un droit sur la richesse créée. Une économie automatisée pourrait réussir la première chose sans réussir la seconde. Une manière d’appliquer ce principe serait de créer un fonds souverain européen pour l’IA, inspiré du fonds souverain norvégien. La Norvège investit ses revenus pétroliers pour les générations présentes et futures ; l’Europe pourrait constituer des actifs publics durables dans l’IA. Il s’agirait d’investissements publics aux côtés des entreprises privées, et non d’une nationalisation.

Compte tenu des sommes nécessaires, une première possibilité serait de répartir la propriété du fonds ainsi : 80 % pour une entité publique d’investissement de l’Union européenne ; jusqu’à 10 % réservés à des investissements volontaires de citoyens de l’Union ; et 10 % supplémentaires pour les États membres pris individuellement. Ces proportions ne sont pas forcément les meilleures : il faudrait les examiner juridiquement et financièrement. Réserver une part aux citoyens permettrait de réunir des capitaux supplémentaires auprès des Européens qui souhaitent investir, plutôt que de dépendre d’investisseurs extérieurs à l’Union, sans permettre aux actionnaires privés de diriger le fonds. La participation publique resterait soumise à un contrôle démocratique et devrait profiter à tous, même à ceux qui ne peuvent pas acheter de parts. Le citoyen qui investit ferait, lui, un placement privé : il pourrait gagner ou perdre de l’argent, et aucun dividende ne serait garanti. La part totale réservée aux citoyens serait plafonnée, tout comme pourrait l’être l’investissement de chaque personne. Leurs éventuels droits de vote porteraient sur des questions financières, sans pouvoir modifier la mission publique du fonds. Le capital de départ pourrait également provenir du budget européen et de contributions volontaires des États. La Banque européenne d’investissement pourrait accorder des prêts ou financer des projets sans devenir nécessairement propriétaire. Des investisseurs privés pourraient participer à certains projets sans contrôler le fonds. Les institutions de l’Union fixeraient sa mission publique et des professionnels géreraient ses investissements, en s’inspirant de la séparation entre contrôle et gestion en Norvège (Norges Bank Investment Management, s.d.). La structure définitive du capital et les droits des investisseurs devraient être approuvés par les institutions européennes et les États participants compétents.

Dès le départ, et aussi vite que possible, le fonds investirait dans les entreprises et les équipements nécessaires à une plus grande indépendance européenne dans l’IA. Il pourrait financer de grandes installations informatiques, des modèles d’IA européens, des services informatiques à distance, les puces et les semi-conducteurs, la production d’énergie et des participations dans des entreprises européennes prometteuses. Il ne s’agirait pas seulement de distribuer des subventions : le fonds chercherait à posséder des actifs productifs capables de créer une valeur durable. Les entreprises européennes, surtout les petites, pourraient accéder de manière privilégiée à la puissance de calcul et aux moyens techniques qu’elles ne pourraient pas se payer seules. En échange, elles prendraient des engagements mesurables et adaptés à leur situation envers leurs travailleurs. Elles pourraient partager les gains de productivité prouvés, maintenir des niveaux d’emploi convenus ou financer la formation et la reconversion. Elles communiqueraient leurs effectifs, les heures travaillées, les salaires et les résultats de leur activité avant et après l’aide reçue. Des contrôles indépendants vérifieraient ces engagements ; en cas de manquement, les avantages pourraient être retirés ou les sommes récupérées.

Quand les investissements du fonds commenceraient à rapporter, ses revenus pourraient venir des dividendes, de la hausse de valeur de ses participations, de services informatiques ou d’autres activités commerciales. Le fonds financerait également des infrastructures stratégiques européennes. Ses objectifs commerciaux et ses missions d’intérêt public devraient être évalués séparément. Comme en Norvège, une règle claire pourrait fixer la part des revenus à long terme transférable aux budgets publics, tout en conservant le capital pour les générations futures. Ces transferts contribueraient aux programmes de protection des revenus, de formation et d’emploi décrits plus haut. Les gains liés aux parts privées reviendraient bien sûr à leurs investisseurs ; les revenus de la participation publique serviraient l’intérêt collectif. Dans l’immédiat, les autorités continueraient cependant à financer la protection sociale avec les budgets ordinaires : les moyens de vivre des citoyens ne doivent pas dépendre de rendements financiers incertains.

Un contrat social que les citoyens peuvent façonner

Au-delà des financements et des investissements, cette proposition appelle un accord public sur la manière de développer l’IA, sur la façon dont les entreprises aidées par les pouvoirs publics traitent leurs salariés et sur les possibilités laissées à chacun de contribuer à la société. Le fonds ne serait qu’un outil dans cet accord. Il ne serait pas un pouvoir souverain, et ce ne serait pas l’IA qui déciderait des droits des personnes. Les élus fixeraient sa mission ; des professionnels indépendants géreraient les investissements suivant des règles publiques, et les citoyens pourraient voir et contester les décisions.

La transition ne serait pas réussie si les personnes pouvaient payer leurs factures, mais ne trouvaient plus de place pour être utiles. Les travaux d’Amartya Sen montrent que le revenu est un moyen d’accéder à des possibilités, et non un but en soi : ce qui importe aussi, c’est ce que chacun peut réellement faire et devenir (Sen, 1999). Mon frère enseignait autrefois le yoga et le tai-chi dans des villages français. C’était le métier qu’il voulait exercer. Une ou deux fois par semaine, il donnait des cours à de petits groupes dans des salles communales. Ses élèves étaient motivés, mais pas assez nombreux pour lui permettre de gagner sa vie. Il a dû changer de métier. Son expérience montre qu’une activité peut avoir beaucoup de sens sans qu’il y ait assez de clients payants. Une protection des revenus donnerait à une personne dans sa situation davantage de liberté de choisir. Mais elle ne remplirait pas automatiquement les salles de cours et ne garantirait pas un salaire pour chaque métier que quelqu’un aimerait exercer.

La question concerne aussi les services publics et les possibilités de participer à la vie collective. Prendre soin des autres, restaurer la nature, enseigner, créer des œuvres culturelles ou participer à des projets locaux sont autant de façons de contribuer que l’on risque d’oublier si l’on pense seulement au pouvoir d’achat et aux lois du marché. Ce que nous jugeons précieux et la manière dont nous souhaitons être utiles ne dépendent pas forcément de la demande du marché, mais aussi de nos goûts et de nos aspirations. Pourrions-nous aller vers une société où le marché aurait moins d’importance, où la vie ne se résumerait pas à travailler pour avoir de quoi vivre, et où chacun pourrait plus facilement réaliser ses projets ? Les mathématiques rappellent cette différence. Il faudra toujours des personnes pour expliquer les idées, enseigner, vérifier les affirmations et décider quelles questions méritent d’être étudiées. Accumuler des résultats ne remplace pas des communautés capables de les comprendre. Les financements devraient permettre aux chercheurs de réorienter les projets transformés par l’IA, et l’accès aux outils ne devrait pas dépendre uniquement de la bonne volonté des entreprises qui les contrôlent. L’AGMAI estime que des institutions indépendantes devraient soutenir la compréhension humaine plutôt que de laisser des laboratoires privés d’IA ou des entreprises diriger seuls ce travail (AGMAI, 2026a).

La crédibilité et l’acceptation de ce système dépendraient de ceux qui prennent les décisions et en assument la responsabilité. Avant son lancement, les gouvernements et les institutions européennes devraient s’accorder sur les pouvoirs juridiques, les contributions, la distribution des revenus et les responsabilités entre pays, sans supposer que les avantages doivent revenir au pays où se trouve l’investissement. Les élus décideraient des droits des personnes et des budgets ; les gestionnaires indépendants des investissements seraient soumis au contrôle public. Les travailleurs, les syndicats, les associations et les citoyens concernés contribueraient aux priorités grâce à des votes directs et à des pétitions. Ils devraient aussi pouvoir examiner réellement les décisions. Les employeurs communiqueraient des informations sur l’adoption de l’IA et les changements dans les recrutements. Des experts reconnus dans leurs spécialités étudieraient les effets techniques, économiques et sociaux, tandis que des contrôleurs indépendants vérifieraient les comptes et les décisions. Publier les résultats intégralement, clairement et dans un langage simple permettrait aux citoyens de contester les choix d’investissement et les protections insuffisantes.

Le système devrait aussi s’adapter à l’évolution de l’emploi. Les données sur les recrutements, les revenus, les heures payées, l’embauche des diplômés, les financements de recherche et les possibilités de débuter une carrière montreraient si les gens accèdent davantage ou moins facilement à un travail rémunéré. Le taux de chômage seul ne suffit pas. Au lieu d’attendre qu’un emploi existant disparaisse, ces informations pourraient guider les changements dans la protection des revenus, les investissements, les accords de réduction du temps de travail et l’assurance contre les baisses de salaire. Les États membres pourraient apprendre les uns des autres, et un financement commun aiderait les pays disposant de moins de moyens à protéger leurs citoyens. Il réduirait aussi la crainte qu’un pays agissant seul fasse partir les investissements ou les revenus imposables à l’étranger. Les publications mathématiques ne disent pas combien d’emplois l’IA remplacera et ne prouvent pas qu’un chômage massif approche. Elles montrent cependant à quelle vitesse des activités qui exigeaient auparavant des années de connaissances humaines peuvent changer. Nous n’avons pas besoin de prédire un effondrement de l’emploi pour comprendre qu’il faut nous préparer. Si l’avenir du travail est incertain, c’est une raison de construire dès maintenant des institutions qui protègent les personnes, et non d’attendre que les conséquences deviennent impossibles à ignorer.

Ces discussions ont fini par arriver à notre table familiale. La plus jeune personne présente a proposé une réponse plus simple : « Pourquoi ne pas simplement l’éteindre ? Interdire l’IA. » Elle disait ne pas en avoir besoin. Si l’IA est seulement utile, mais pas indispensable, pourquoi accepter les risques qu’elle fait peser sur la société et sur les personnes ? Sa question mérite une réponse. Elle ne prend pas ces décisions aujourd’hui, mais elle vivra avec leurs conséquences. Sa génération devrait participer aux choix qui viennent. La prochaine grande découverte devrait lui donner une part des bénéfices qu’elle créera, et non une nouvelle raison de craindre de ne pas pouvoir payer son loyer le mois prochain.

Références

Archives municipales de Lyon (n.d.) « 1831–1834, la révolte des Canuts ». Available at: https://www.archives-lyon.fr/pages/1831-1834-la-revolte-des-canuts.

Acemoglu, D. and Restrepo, P. (2019) ‘Automation and new tasks: How technology displaces and reinstates labor’, Journal of Economic Perspectives, 33(2), pp. 3–30.

AGMAI (Advisory Group on Mathematics and Artificial Intelligence) (2026a) Responsible release of AI-generated mathematics, 29 September. https://agmai.org/general-sep29/ (accessed 13 October 2026).

AGMAI (Advisory Group on Mathematics and Artificial Intelligence) (2026b) On OpenAI's release of mathematical results, 6 October. https://agmai.org/ (accessed 13 October 2026).

Allen, R.C. (2009) ‘Engels’ pause: Technical change, capital accumulation, and inequality in the British Industrial Revolution’, Explorations in Economic History, 46(4), pp. 418–435. https://doi.org/10.1016/j.eeh.2009.04.004.

Alon, N., Bloom, T., Gowers, W.T., Litt, D., Sawin, W., Shankar, A., Tsimerman, J., Wang, V. and Matchett Wood, M. (2026) ‘Remarks on the disproof of the unit distance conjecture’. arXiv:2605.20695. https://arxiv.org/abs/2605.20695.

Association for Human Mathematics (2026) ‘AHM statement on OpenAI’s October 6 release of mathematical documents’. Statement reposted 7 October 2026: https://terrytao.wordpress.com/2026/10/07/ahm-statement-on-openais-october-6-release-of-mathematical-documents/.

Bloom, T. (2026) ‘Changes to the Erdős problems web site’, What’s New, 6 October. https://terrytao.wordpress.com/2026/10/06/changes-to-the-erdos-problems-web-site/.

Brynjolfsson, E., Chandar, B. and Chen, R. (2026) Canaries in the coal mine? Six facts about the recent employment effects of artificial intelligence. Stanford Digital Economy Lab working paper, revised 12 August 2026; originally published 2025. https://digitaleconomy.stanford.edu/publications/canaries-in-the-coal-mine/.

Caprettini, B. and Voth, H.-J. (2020) ‘Rage against the machines: Labour-saving technology and unrest in industrializing England’, American Economic Review: Insights 2(3), pp. 305–320. https://doi.org/10.1257/aeri.20190385.

Dabla-Norris, E. and de Mooij, R. (2024) ‘Fiscal policy can help broaden the gains of AI to humanity’, IMF Blog, 17 June. https://www.imf.org/en/Blogs/Articles/2024/06/17/fiscal-policy-can-help-broaden-the-gains-of-ai-to-humanity.

Esping-Andersen, G. (1990) The Three Worlds of Welfare Capitalism. Princeton, NJ: Princeton University Press.

European Commission (n.d.) SURE: European instrument for temporary Support to mitigate Unemployment Risks in an Emergency. https://economy-finance.ec.europa.eu/eu-financial-assistance/sure_en (accessed 13 October 2026).

Gmyrek, P., Berg, J., Kaminski, K., Konopczynski, F., Ladna, A., Nafradi, B., Roslaniec, K. and Troszynski, M. (2025) Generative AI and jobs: A refined global index of occupational exposure. ILO Working Paper 140. Geneva: International Labour Organization. https://doi.org/10.54394/HETP0387.

Hales, T. (2026) ‘What mathematicians should know about the Lean Theorem Prover: Questions of reliability and AI’, What’s New, 9 October. https://terrytao.wordpress.com/2026/10/09/what-mathematicians-should-know-about-the-lean-theorem-proverquestions-of-reliability-and-ai/.

Hemenway Falk, B. and Tsoukalas, G. (2026a) The AI layoff trap. Working paper, version 3, revised 3 June. arXiv:2603.20617v3. https://arxiv.org/abs/2603.20617v3.

Hemenway Falk, B. and Tsoukalas, G. (2026b) ‘A note from the authors of “The AI layoff trap”’, Ciphermind, 14 April. https://ciphermind.org/blog/ai-layoff-trap/.

Hobsbawm, E.J. (1962) The Age of Revolution: Europe 1789–1848. London: Weidenfeld and Nicolson.

Hobsbawm, E.J. (1975) The Age of Capital: 1848–1875. London: Weidenfeld and Nicolson.

Humlum, A. and Vestergaard, E. (2025) Still waters, rapid currents: Early labor market transformation under generative AI. NBER Working Paper No. 33777, current version consulted 13 October 2026. https://www.nber.org/papers/w33777.

INSEE (2026) ‘Professions et secteurs d’activité’, Emploi, chômage, revenus du travail, 2 July. https://www.insee.fr/fr/statistiques/8733043?sommaire=8733125.

Jarrige, F. (2013) ‘Briseurs de machines au XIXe siècle’, La Revue du projet, no. 25, March.

Korinek, A. and Stiglitz, J.E. (2017) Artificial intelligence and its implications for income distribution and unemployment. NBER Working Paper No. 24174.

Lozano-Robledo, Á. (2026) ‘What should we tell our students?’, What’s New, 8 October. https://terrytao.wordpress.com/2026/10/08/what-should-we-tell-our-students/.

Lloyd, S.A. and Sreedhar, S. (2022) ‘Hobbes’s Moral and Political Philosophy’, Stanford Encyclopedia of Philosophy. https://plato.stanford.edu/entries/hobbes-moral/.

Marshall, T.H. (1950) Citizenship and Social Class and Other Essays. Cambridge: Cambridge University Press.

Marx, K. and Engels, F. (1848) Manifesto of the Communist Party. First published February 1848. https://www.marxists.org/archive/marx/works/1848/communist-manifesto/ (accessed 13 October 2026).

Math and AI (2026) A severe misalignment of AI in mathematics. Joint declaration, 11 September. Published 11 September 2026. https://doi.org/10.5281/zenodo.22737750.

Nature Machine Intelligence (2026) ‘Solutions, challenges and rising tensions in AI and mathematics’, Nature Machine Intelligence, 8, p. 857, 23 June. DOI: https://doi.org/10.1038/s42256-026-01269-x.

Norges Bank Investment Management (n.d.) ‘Governance structure’. https://www.nbim.no/en/about-us/about-the-fund/governance-structure/.

OECD (2026) OECD Employment Outlook 2026: Geographic disparities in jobs and incomes. Paris: OECD Publishing. https://www.oecd.org/en/publications/oecd-employment-outlook-2026_7e710f54-en.html.

OpenAI (2026a) ‘An OpenAI model has disproved a central conjecture in discrete geometry’. Published 20 May 2026. https://openai.com/index/model-disproves-discrete-geometry-conjecture/

OpenAI (2026b) Mathematical research repository. GitHub: openai/math. README and history (7 October 2026 entry). https://github.com/openai/math; https://github.com/openai/math/blob/main/history.md (accessed 13 October 2026).

OpenAI (2026c) 'Ten advances in mathematics and theoretical computer science', 1 August. https://openai.com/index/ten-advances-in-mathematics/ (accessed 13 October 2026).

RAISE US (2026) ‘Gina Raimondo and Eric Holcomb launch RAISE US, uniting the nation’s leading employers and bipartisan governors behind American workers’, 25 June. https://www.raiseus.ai/news/release.

Sen, A. (1999) Development as freedom. Oxford: Oxford University Press.

Statistics Netherlands (CBS) (2017). Trends in the Netherlands 2017, section 2.7, ‘Agriculture and horticulture workers’. Statistics Netherlands. https://longreads.cbs.nl/trends17-eng/economy/figures/agriculture/

Sundvall, S. (2024). “Migration and decentralised industrialisation: the development of rural migration in northern Sweden (1850–1950)”, Rural History, 35(1), pp. 71–90. https://doi.org/10.1017/S0956793323000092 — https://doi.org/10.1017/S0956793323000092?utm_source=chatgpt.com

Van Meeteren, M. and Smit, M. (2025). “Episodes in Dutch Policy to Develop “Left Behind Places” (1945–2025)”, Tijdschrift voor Economische en Sociale Geografie, 116(5), pp. 544–560. https://doi.org/10.1111/tesg.70048 — https://doi.org/10.1111/tesg.70048?utm_source=chatgpt.com.