Intelligence artificielle : quels impacts réels sur l’emploi, l’économie et la société ?

Rapport éditorial Hydralma — actualisation documentaire au 15 octobre 2026. Le corpus initial du 8 octobre a été complété par un contrôle ciblé des sources évolutives. Les données analysées portent sur des périodes différentes, précisées dans le texte. Les scénarios jusqu’en 2030 sont des hypothèses de travail et non des prévisions certaines.

L’intelligence artificielle transforme déjà certaines activités, mais les questions les plus utiles ne se résument pas à savoir si elle remplacera un jour tout le monde. Quelles tâches change-t-elle aujourd’hui ? Dans quelles organisations les bénéfices sont-ils mesurés ? Qui gagne du temps, qui obtient un meilleur service et qui supporte les erreurs ou la transition ? Le même outil peut aider un salarié, compliquer le contrôle de qualité et modifier les critères de recrutement. Il faut examiner ces effets séparément avant de dresser un bilan.

Ce rapport rapproche des expériences, des observations d’entreprises, des statistiques publiques et des modèles économiques. Il s’adresse aux lecteurs francophones, avec un éclairage sur le Maroc, sans appliquer mécaniquement à son économie des résultats étrangers. Il propose aussi une manière de décider : expérimenter sur un usage précis, mesurer le résultat complet, protéger les personnes et réviser les choix quand les preuves changent.

À retenir

• Des effets existent déjà, mais dépendent du contexte. Une réussite sur une tâche ou un examen ne garantit pas une performance fiable dans toute une activité.
• Exposition, adoption et emploi sont trois mesures différentes. Un métier comprenant des tâches accessibles à l’IA ne disparaît pas automatiquement.
• Le gain net doit inclure la qualité et les coûts. Le temps de vérification, les erreurs, l’intégration et la formation comptent autant que la vitesse du premier résultat.
• Les effets sociaux dépendent de l’usage. Aider à comprendre et produire une réponse à la place de l’apprenant ne donnent pas nécessairement le même résultat.
• Les institutions ont une marge d’action. Formation, dialogue au travail, protection des données, accès aux services et contrôle des décisions font partie du bilan.

Comprendre ce que l’on mesure

Une famille de systèmes, plusieurs usages

Dans la définition actualisée de l’OCDE, un système d’IA produit notamment des prédictions, des contenus, des recommandations ou des décisions à partir des entrées reçues. Les degrés d’autonomie et d’adaptation varient. Il ne faut donc pas confondre un outil de reconnaissance vocale, un modèle générant du texte et un système chargé d’enchaîner des actions. OCDE, définition et explications, 2024.

Dans ce rapport, « IA générative » désigne les systèmes qui produisent des contenus, dont les modèles de langage. Un assistant propose par exemple un brouillon à un utilisateur ; un agent peut enchaîner des étapes à l’aide d’outils dans un périmètre autorisé. Ces termes décrivent des usages, pas une capacité générale à agir correctement sans supervision. Le document de l’OCDE de septembre 2026 sur les agents repose sur des entretiens avec des organisations : il éclaire les pratiques émergentes, sans fournir un taux représentatif d’autonomie réussie. OCDE, Agentic AI in organisations, 2026.

Une évaluation utile commence par décrire le système testé : version du modèle, tâche, données accessibles, outils, formation des utilisateurs, droit de modifier ou d’ignorer la réponse, durée de l’observation. Un résultat obtenu avec assistance humaine ne prouve pas la capacité du modèle seul. Réciproquement, un échec sans contexte métier n’établit pas qu’un assistant bien intégré serait inutile. Cette distinction évite de transformer une comparaison technique en jugement sur tous les métiers.

Cinq étapes qui ne s’équivalent pas

L’exposition indique qu’une technologie peut intervenir dans certaines tâches d’une profession. Le potentiel d’automatisation concerne leur exécution possible par un système. L’adoption mesure un usage réel. La transformation des tâches décrit la manière dont le travail est réorganisé. La suppression d’emploi concerne une évolution effective des postes. Entre ces étapes interviennent la fiabilité, les coûts, les règles, la demande et les décisions des employeurs.

Prenons un exemple fictif : un service reçoit des courriels et teste un assistant pour préparer les réponses. L’outil peut couvrir une partie du travail, sans traiter les réclamations difficiles, vérifier chaque pièce ou assumer la relation client. Si le service développe son activité, le temps économisé peut servir à traiter davantage de demandes. Si la demande reste fixe et l’organisation choisit une réduction des effectifs, l’effet peut être différent. Cet exemple expose des mécanismes possibles ; il ne représente pas une entreprise observée.

Une adoption en progression ne suffit pas à établir un bénéfice

Eurostat indique que 20,0 % des entreprises de son champ statistique utilisaient au moins une technologie d’IA en 2025, contre 13,5 % en 2024. Le champ couvre les entreprises d’au moins dix personnes occupées dans certains secteurs de l’économie européenne. Il englobe plusieurs technologies, pas seulement les assistants génératifs. Le questionnaire s’est élargi en 2025, notamment aux contenus image, vidéo et audio : la hausse ne mesure donc pas uniquement une diffusion à définition parfaitement constante. Elle ne représente ni toutes les microentreprises ni le Maroc. Eurostat, résultats et notes méthodologiques.

Le bon indicateur dépend de la question. Pour connaître la diffusion, on mesure les organisations ou les personnes utilisatrices. Pour évaluer un service, on examine les dossiers correctement traités, le délai et les recours. Pour comprendre le marché du travail, on distingue recrutements, départs, heures, salaires et chômage. Additionner des pourcentages issus de ces objets produirait une apparence de précision plutôt qu’une connaissance supplémentaire.

Travail et emploi : partir des tâches, suivre les parcours

Un métier exposé n’est pas un emploi supprimé

L’indice OIT–NASK publié en mai 2025 estime qu’environ un quart de l’emploi mondial appartient à des professions présentant une certaine exposition à l’IA générative ; 3,3 % relève du gradient le plus élevé. L’analyse combine notation de tâches, enquête et expertise, puis correspondances entre professions. Elle estime un potentiel technique : elle ne compte ni entreprises ayant adopté un outil, ni salariés licenciés. La transposition des classifications et du contenu des tâches entre pays constitue une limite importante. OIT–NASK, indice d’exposition, 2025.

Notre lecture est qu’il faut déplacer la question : quelles parties du métier changent, et que devient le reste du travail ? Une activité comprend aussi des exceptions, une relation avec les autres, des responsabilités et une connaissance du contexte. Un intitulé professionnel suffit rarement à décrire ces éléments. Cette analyse invite à examiner une situation concrète avant de conseiller une reconversion ou de déclarer un métier protégé.

Des gains mesurés dans un service client, avec un périmètre précis

L’étude publiée dans le Quarterly Journal of Economics en 2025 suit 5 172 agents d’assistance d’une entreprise servant une clientèle américaine, avec des agents majoritairement aux Philippines. Le déploiement principal de l’assistant s’étale de l’automne 2020 à l’hiver 2021. La comparaison avant/après et entre groupes estime une hausse moyenne de 15 % des dossiers résolus par heure, particulièrement favorable aux moins expérimentés. Ce déploiement échelonné n’est pas l’expérience randomisée principale de l’étude. Une entreprise et un outil fondé sur GPT-3 ne représentent pas tous les services clients ; le résultat ne mesure pas une hausse équivalente des salaires ou de l’emploi total. Brynjolfsson, Li et Raymond, version publiée, 2025.

Ce cas ne permet donc pas de promettre « 15 % de productivité » à toute organisation. Notre proposition est de retenir sa manière de poser la question : mesurer un résultat métier, avec la qualité, les corrections et le temps total. L’expérience des utilisateurs doit faire partie du bilan. Un outil qui aide surtout les débutants peut réduire un écart de performance ; encore faut-il vérifier qu’ils apprennent à traiter les cas difficiles et qu’ils disposent d’un accompagnement durable.

Un résultat inverse chez des développeurs ne clôt pas le débat

Dans l’expérience METR de début 2025, 16 développeurs expérimentés réalisent 246 tâches sur des dépôts open source qu’ils connaissent bien. Les tâches sont réparties aléatoirement entre conditions avec et sans assistance. Lorsque l’IA est autorisée, le temps nécessaire augmente de 19 % en moyenne. C’est un résultat expérimental utile, mais limité à ce petit échantillon, à ces tâches et aux outils de l’époque. Il ne démontre pas que tous les programmeurs travaillent moins vite avec toute IA. METR, étude et méthode, juillet 2025.

L’actualisation de février 2026 reconnaît que le suivi ne fournit pas d’estimation actuelle fiable : sélection des participants et des tâches, refus de travailler sans IA et usages simultanés compliquent la comparaison. L’amélioration supposée des outils ne remplace pas une mesure robuste. METR, actualisation méthodologique.

Nous en déduisons une règle de prudence : une preuve datée reste une preuve pour son contexte, tandis qu’un outil nouveau doit être évalué à nouveau. Les résultats du service client et du développement ne sont pas deux votes pour ou contre l’IA. Ils portent sur des activités, des populations et des dispositifs différents. Leur rapprochement montre surtout pourquoi le temps consacré à vérifier, comprendre et reprendre une production doit être compté.

L’entrée dans l’emploi mérite un suivi distinct

La revue de l’OIT de juin 2026 décrit des gains de tâches hétérogènes et des preuves encore limitées de suppressions massives directement attribuables à l’IA. Elle souligne les enjeux de compétences, d’organisation et de conditions de travail. C’est une synthèse de recherches différentes, à observations souvent courtes, arrêtée avant certaines publications ultérieures ; elle ne clôt pas le bilan d’octobre. OIT, revue des preuves empiriques, juin 2026.

Une version révisée en août 2026 de Canaries in the Coal Mine examine les paies ADP aux États-Unis jusqu’en juin 2026. L’emploi des 22–25 ans dans les professions exposées se situe 19 % sous le niveau qu’il aurait atteint en suivant la progression de leurs pairs moins exposés. Ce décalage relatif, surtout lié aux recrutements, n’équivaut pas à 19 % de tous les emplois détruits. Les auteurs le présentent comme descriptif : tendances antérieures, contrôles d’éducation et représentativité de l’échantillon limitent l’attribution causale. Ils n’observent pas de déplacement massif à l’échelle de l’ensemble de leur échantillon. Brynjolfsson, Chandar et Chen, version août 2026.

En septembre 2026, Fairlie et Wu rapportent, à partir de la Current Population Survey, l’absence de hausse relative statistiquement significative du chômage des jeunes diplômés durant l’été. Le résumé de ce document de travail a été consulté ; le texte intégral n’a pas été accessible dans cette recherche. L’indicateur, la population et la méthode diffèrent du panel ADP : le résultat ne réfute pas mécaniquement le signal précédent et ne prouve pas un effet nul. NBER, document de travail 35796.

Notre conclusion reste ouverte : surveiller une difficulté particulière de début de carrière est justifié, annoncer sa cause unique ne l’est pas. Une organisation devrait suivre les recrutements et les possibilités d’apprentissage, autant que ses effectifs présents. Si elle réduit les tâches confiées aux débutants, elle doit expliquer comment ceux-ci acquerront l’expérience nécessaire pour progresser. C’est une question de parcours professionnel, qui ne se résout pas par une moyenne de productivité.

Économie : qui crée la valeur, qui la reçoit ?

Passer de la tâche à l’entreprise demande une autre mesure

Rédiger plus vite n’établit pas, à lui seul, qu’un produit sera mieux vendu ou qu’une activité deviendra rentable. Prenons un exemple fictif : un assistant raccourcit la préparation d’un devis, mais la vérification et les corrections prennent davantage de temps. Le coût par devis correct peut alors diminuer, rester stable ou augmenter. Sans mesure complète, ces trois possibilités restent ouvertes. L’exemple illustre un raisonnement, pas une entreprise observée.

La note de l’OIT de mai 2026 sur le « paradoxe d’agrégation » examine pourquoi des gains sur tâches ne se retrouvent pas immédiatement dans les résultats des entreprises ou de l’économie. Elle insiste notamment sur la diffusion, les compétences et la réorganisation. Cette synthèse décrit l’état des preuves disponible à sa date ; l’absence de signal agrégé clair ne prouve pas l’absence de bénéfice dans chaque entreprise. OIT, The Aggregation Paradox of AI, mai 2026.

Un document NBER d’août 2026 signale justement des associations positives récentes entre investissement en IA et productivité des entreprises, en examinant le capital organisationnel. L’investissement est approché notamment par les emplois liés aux compétences IA. Nous avons consulté le résumé primaire indexé, pas le texte intégral. Le résultat, encore présenté en document de travail, apporte un signal émergent ; il ne constitue ni une expérience randomisée ni la preuve d’un bond macroéconomique universel. Babina, He et Jiang, NBER 35684.

Notre recommandation est donc d’éviter les deux raccourcis : « aucun bénéfice économique » et « chaque outil augmente les profits ». Une entreprise peut créer de la valeur et la dépenser en nouveaux équipements ; un service peut améliorer l’accès sans dégager de bénéfice financier. Il faut annoncer l’objectif, puis observer le coût par résultat correct, la qualité, la demande et les personnes qui bénéficient du changement.

Les projections macroéconomiques sont conditionnelles

Le modèle OCDE publié en juin 2025 relie exposition des tâches, diffusion des outils et gains de productivité pour construire des trajectoires dans les économies du G7. Les résultats changent avec les hypothèses et les structures sectorielles. Ils portent sur un horizon de dix ans : les convertir en prévision certaine pour 2030, ou les appliquer au Maroc, dépasserait leur portée. OCDE, Macroeconomic productivity gains from AI in G7 economies.

La productivité du travail rapporte la production au travail mobilisé, par exemple aux heures travaillées. La productivité globale des facteurs examine l’efficacité combinée du travail et du capital, plutôt que la seule production par heure. Une variation cumulée de niveau et une variation annuelle de croissance décrivent également des objets différents.

Le modèle d’Acemoglu propose une calibration plus prudente, en reliant tâches concernées et réductions de coûts. Son résumé publié a été consulté, sans accès au texte intégral. Il s’agit également d’un raisonnement conditionnel. Comparer directement sa variation cumulée de productivité globale des facteurs à un taux annuel de productivité du travail créerait une fausse contradiction numérique. Acemoglu, Economic Policy, numéro de janvier 2025.

Notre interprétation est que le désaccord utile porte sur les mécanismes : combien de tâches seront effectivement assistées, avec quels gains nets, et à quel rythme les organisations s’adapteront-elles ? Les scénarios deviennent plus informatifs lorsqu’ils rendent ces conditions visibles. Un lecteur peut alors rechercher les observations qui les renforcent ou les affaiblissent, au lieu de choisir le pourcentage le plus spectaculaire.

La concurrence et la répartition font partie du bilan

Le travail OCDE de juillet 2026 sur la concurrence rapproche différentes données d’innovation, d’adoption et de concentration. Il décrit un paysage inégal, où de nouvelles possibilités pour de petites entreprises coexistent avec des associations entre innovation en IA et concentration. Ces associations ne suffisent pas à établir que l’IA cause systématiquement une concentration accrue. Les développeurs de technologies et les entreprises utilisatrices doivent aussi être distingués. OCDE, Competition in the age of AI, 2026.

Nous proposons de suivre trois questions : qui peut accéder aux outils, qui peut changer de fournisseur et qui négocie la répartition du gain ? Un avantage technique peut bénéficier au salarié, au client, à l’entreprise ou au prestataire dans des proportions différentes. Les effets sur salaires et conditions ne découlent pas automatiquement du temps économisé. Pour les petites organisations, l’accès aux compétences, la compatibilité des outils et le coût de changement méritent ainsi une place dans le bilan. Ces critères orientent une évaluation ; ils ne permettent pas de chiffrer une redistribution future encore inconnue.

Deux prises de position récentes éclairent ces arbitrages. Dans sa déclaration du 12 octobre 2026, l’OIT appelle à mieux partager les gains de productivité et à soutenir les petites entreprises confrontées à des difficultés de financement, d’infrastructure et de compétences. Il s’agit d’une orientation de politique publique, pas d’une nouvelle mesure causale des effets de l’IA. OIT, 12 octobre 2026. Le 13 octobre, Philip R. Lane indique pour la BCE qu’il reste trop tôt pour détecter un effet important sur la productivité agrégée européenne ; il évoque des intentions de recrutement modérées et des risques liés au financement du boom de l’IA. Son discours ne démontre pas que l’IA explique seule les difficultés des jeunes et ne se transpose pas au Maroc. BCE, The AI opportunity for Europe, 13 octobre 2026.

Ce que l’histoire aide à comprendre

En juillet 1999, Paul David discutait déjà trois explications du paradoxe de la productivité informatique : les difficultés de mesure, des attentes excessives et le temps nécessaire aux apprentissages et aux investissements complémentaires. Il les considérait comme des mécanismes pouvant coexister, en prolongeant ses travaux sur l’électrification et l’informatique. Ce précédent rappelle que l’équipement seul ne suffit pas à comprendre une transformation productive. Paul David, SIEPR, 1999.

L’analogie a une limite essentielle : elle ne donne ni la durée ni l’ampleur de la transition actuelle. Les logiciels génératifs, les réseaux numériques et les marchés mondiaux ne sont pas les usines de l’époque de l’électrification. Il serait aussi injustifié d’annoncer un boom certain après un délai que de conclure à l’échec définitif d’une technologie faute de signal immédiat. L’histoire sert ici à identifier ce qu’il faut vérifier : organisation, apprentissage, mesure, diffusion et répartition des gains.

Société : préserver la capacité d’apprendre, de vérifier et de choisir

Les effets sociaux de l’IA ne se résument pas au nombre d’emplois. Un outil peut rendre une démarche plus facile tout en laissant l’utilisateur moins capable de comprendre son résultat. Il peut aussi multiplier les explications disponibles sans garantir leur exactitude. Pour juger ces changements, il faut regarder ce que les personnes savent encore faire, quelles données elles doivent fournir et à qui elles peuvent demander des comptes. Ce sont les critères d’analyse retenus ici, plutôt qu’un bilan unique qui additionnerait des bénéfices et des risques incomparables.

Apprendre avec une aide : la réussite immédiate ne suffit pas

Une expérience randomisée menée auprès de près de mille élèves dans un lycée turc illustre cette distinction. Avec un assistant GPT-4, leurs résultats aux exercices assistés progressent. Mais le groupe utilisant une interface sans protection pédagogique obtient ensuite des résultats inférieurs au groupe témoin lors d’un examen sans aide. Un tuteur conçu avec des indications et des solutions préparées par les enseignants atténue cette dégradation ; ses résultats autonomes restent statistiquement indistinguables de ceux du groupe témoin. L’étude concerne des séances de mathématiques à l’automne de l’année scolaire 2023–2024, pas l’ensemble de l’enseignement ni toutes les IA actuelles. Bastani et al., PNAS, version corrigée 2025.

Notre recommandation est donc de distinguer deux objectifs dans chaque usage éducatif : produire une réponse et acquérir une compétence. Demander un indice, expliquer sa démarche, puis refaire un exercice sans assistance permet de contrôler le second objectif. Une école ou un organisme de formation devrait comparer les résultats autonomes, pas seulement la satisfaction envers le logiciel. L’UNESCO recommande précisément une validation pédagogique et éthique centrée sur l’humain, avec une attention à la vie privée. Ce cadre d’orientation ne démontre pas, à lui seul, l’efficacité d’un outil. UNESCO, Guidance 2023.

Informer et persuader : examiner les consignes et les sources

La conversation personnalisée peut aussi servir à discuter une affirmation contestable. Une prépublication de 2026 étudie quatre expériences auprès de 3 996 adultes américains incertains sur une théorie complotiste. Sous des consignes autorisant le mensonge, plusieurs modèles peuvent augmenter ou réduire ces croyances. Une consigne d’exactitude diminue la capacité à tromper ; certains garde-fous favorisent davantage les réponses exactes. Les participants sont recrutés en ligne, et l’étude ne mesure pas l’effet global des contenus IA dans la société. Elle reste une prépublication, dont une des expériences est explicitement exploratoire. Costello et al., arXiv v3, juillet 2026.

Pour le lecteur, une explication fluide appelle donc un contrôle concret : ouvrir les références, vérifier qu’elles existent et qu’elles soutiennent effectivement la conclusion. Pour un média ou un service public, notre recommandation est de conserver l’origine des informations, d’identifier un responsable de la réponse et de prévoir une correction accessible. La qualité du dialogue et l’accord de l’utilisateur ne remplacent pas ces vérifications.

Vie privée et décisions : des responsabilités identifiables

Le NIST répertorie les réponses inventées, les risques de divulgation et la dépendance aux prestataires parmi les risques à gérer. Son profil recommande de vérifier les références produites et de documenter les limites des évaluations. C’est un cadre volontaire de gestion des risques, pas une certification automatique de fiabilité. NIST AI 600-1, 2024.

Au Maroc, la CNDP rappelle que les traitements IA utilisant des données personnelles sont encadrés par la loi 09-08. Elle insiste sur la transparence et l’accès aux voies de recours en cas de décisions automatiques. Ce rappel ne permet pas de présumer qu’un outil particulier respecte ses obligations. CNDP, communiqué du 18 mars 2025. Dans l’Union européenne, l’AI Act organise un autre cadre juridique, dont l’application dépend du système et de son usage ; il ne faut pas confondre ces règles territoriales avec les recommandations du NIST. Commission européenne, AI Act.

Avant de confier des dossiers clients, élèves ou salariés à un service, notre conseil est d’identifier les données nécessaires, les destinataires, la durée de conservation et la possibilité de contester une décision. Pour une organisation, cela implique aussi d’examiner les erreurs selon les groupes concernés, la langue et le contexte d’usage. Un bon résultat moyen peut masquer un service moins utile à certains publics : c’est une question à tester, pas un préjudice déjà établi partout. Le progrès social se jugera sur ces capacités et ces recours effectifs, autant que sur la rapidité des réponses.

Des contextes internationaux différents

Comparer les méthodes avant de comparer les pays

Les statistiques européennes d’adoption, les paies américaines et les entretiens chinois ne constituent pas trois éditions d’une même enquête. Leur rapprochement éclaire des mécanismes, mais ne permet pas de construire un classement fiable des pays. La taille des entreprises, les secteurs, les tâches, les langues et les infrastructures changent le sens d’un résultat. Une comparaison sérieuse indique ce qui est comparable et renonce au reste.

Une étude de l’OIT de mars 2026 couvrant 135 pays insiste sur le contenu réel des tâches et la connectivité. Les mesures fondées sur des professions supposées identiques peuvent surestimer certaines expositions dans les économies en développement ; des déficits d’infrastructure peuvent empêcher les usages qui complètent le travail. Il s’agit d’une analyse de potentiel et de différences de contexte, pas d’un décompte de pertes d’emplois constatées. OIT, Disruption without dividend?, 2026.

En Chine, la note de l’OIT du 15 septembre 2026 étudie 21 entreprises par entretiens, complétés par une enquête auprès de professionnels. Elle rapporte des usages, des gains déclarés et des difficultés de mesure, de qualité et de compétences. Ces entretiens offrent des cas utiles pour comprendre l’organisation ; ils ne prouvent pas que toutes les entreprises chinoises utilisent l’IA, ni que les gains annoncés sont des effets causaux représentatifs. OIT, adoption dans les entreprises chinoises.

Maroc : distinguer ambition numérique, outil disponible et impact démontré

La stratégie Digital Morocco 2030, présentée en septembre 2024, place la transformation numérique dans un projet de développement économique et social. C’est une orientation publique, et non un bilan causal de l’IA sur l’emploi. Ministère de la Transition numérique, présentation officielle.

Le 29 septembre 2026, le ministère et Mistral ont annoncé des premières briques consacrées à l’identification de dialectes arabes et à la transcription de la darija marocaine. La communication évoque à la fois une mise à disposition et des outils « bientôt disponibles ». Nous retenons l’annonce et l’objectif linguistique ; l’accès effectif, les licences et les performances indépendantes de ces modèles n’ont pas été vérifiés dans cette recherche. Cette annonce ne démontre pas des gains d’emploi ou de productivité déjà réalisés. Annonce du partenariat, 29 septembre 2026.

Pour le Maroc, nous proposons trois questions de terrain. Les outils sont-ils assez fiables dans les langues et les documents effectivement employés ? Les petites organisations disposent-elles des compétences et des conditions d’accès nécessaires ? La valeur créée reste-t-elle dans les entreprises et les services locaux, ou est-elle principalement captée par des fournisseurs extérieurs ? Ce sont des questions à mesurer, pas des réponses déjà établies par le corpus.

Un pilote utile pourrait comparer un même service avant et après introduction d’un assistant, sur une période suffisante et avec un groupe comparable si possible. Il suivrait le temps total, les erreurs, les reprises, l’accès des usagers et le coût complet. Les résultats devraient être ventilés selon la langue, le type de dossier et les utilisateurs, sans exposer leurs données personnelles. Cette proposition de méthode ne décrit aucun déploiement Hydralma et n’engage aucune dépense.

La recherche présentée ici n’a pas établi d’estimation causale représentative du nombre d’emplois marocains créés ou détruits par l’IA. Cette limite du corpus n’est pas une affirmation selon laquelle aucune étude locale n’existerait. Elle interdit surtout de convertir un indice mondial d’exposition ou un résultat américain en prévision nationale chiffrée.

Infrastructures et environnement : compter le système complet

L’AIE estime la consommation électrique mondiale de tous les centres de données à 485 TWh en 2025 et projette 950 TWh en 2030 dans son scénario central actualisé en 2026. Ces chiffres incluent l’IA et les autres usages ; ils ne mesurent pas l’IA seule. AIE, synthèse 2026.

Le rapport de l’AIE publié le 14 octobre 2026 examine aussi les choix de raccordement électrique, de répartition des coûts et d’efficacité énergétique et hydrique. Près de 40 % de la capacité des centres dédiés à l’IA identifiée par l’agence se trouve dans des zones de stress hydrique élevé ou extrêmement élevé, selon l’indicateur de référence utilisé. Ce constat de localisation ne mesure ni la consommation mondiale d’eau de l’IA, ni un impact propre au Maroc. AIE, Powering Artificial Intelligence, 14 octobre 2026.

Réseaux, approvisionnement et financement conditionnent ce bilan. Aucune consommation universelle par requête ne peut être déduite sans système, lieu et période.

La note de l’OCDE du 13 octobre 2026 précise un autre enjeu : accéder durablement au calcul, c’est disposer d’infrastructures matérielles et logicielles, avec des données, des compétences et des conditions d’accès adaptées. Sa chaîne d’intrants inclut l’énergie et l’eau. Les politiques de capacité nationale ou de diversification cherchent aussi à réduire les dépendances et à soutenir des usages locaux ; elles ne démontrent pas, à elles seules, des emplois créés ou des gains de productivité. Pour le Maroc, cette distinction invite à examiner l’accès effectif aux ressources et la dépendance aux fournisseurs avant de déduire un bénéfice d’un investissement annoncé. OCDE, Securing AI compute, 13 octobre 2026.

Notre recommandation est d’évaluer l’utilité du service avec son coût complet. Un traitement évitant réellement des opérations inutiles peut avoir un intérêt ; multiplier des traitements sans bénéfice vérifié peut accroître la charge. Les deux mécanismes peuvent coexister. Pour un décideur local, il faut examiner la disponibilité des ressources, les effets sur les autres usagers et les engagements vérifiables du prestataire. Aucune conclusion environnementale générale ne remplace cet examen.

Trois scénarios conditionnels pour 2030

Le point de départ est le corpus du 8 octobre, actualisé de manière ciblée au 15 octobre 2026 : usages déjà observés, effets de tâches hétérogènes, diffusion inégale, signaux encore débattus sur les recrutements et impacts économiques dépendant de l’organisation. Les trajectoires suivantes sont construites par Hydralma pour examiner des décisions. Elles n’ont pas de probabilité attribuée et ne décrivent pas ce qui arrivera nécessairement.

Scénario 1 — Une assistance mieux intégrée et des bénéfices partagés

Hypothèses. La fiabilité progresse sur les usages choisis ; la formation, les données et les processus suivent ; les salariés participent à l’organisation ; les gains nets sont mesurés et partagés. Le scénario concerne les organisations capables de réunir ces conditions, sans supposer qu’elles seraient présentes partout.

Mécanisme. Les tâches correctement assistées libèrent du temps, la qualité est maintenue et la demande peut soutenir de nouveaux services. Les compétences de validation et de relation deviennent complémentaires à l’outil. Les bénéfices pourraient prendre la forme de délais plus courts, de meilleures conditions de travail ou de nouveaux débouchés selon les arbitrages.

Indicateurs. Coût par résultat correct, qualité indépendante, accès des petites organisations, salaires et recrutements, participation à la formation, accès effectif des usagers. Révision. Des gains qui disparaissent après vérification des erreurs, une adoption durablement limitée ou une dégradation des conditions de travail affaibliraient ce scénario.

Scénario 2 — Une diffusion à plusieurs vitesses

Périmètre. Organisations et travailleurs de pays aux niveaux de diffusion différents, avec un suivi distinct des petites entreprises et des débuts de carrière. L’application au Maroc reste conditionnelle à des observations locales ; aucun résultat national chiffré n’est prédit.

Hypothèses. Les grandes organisations intègrent mieux l’IA, tandis que d’autres manquent de données, de compétences ou d’infrastructures. Certains métiers d’entrée changent plus vite que les parcours de formation. Les avantages d’accès et de négociation deviennent déterminants.

Mécanisme. Les gains peuvent exister sans se répartir uniformément. Certaines entreprises et catégories de travailleurs avancent ; d’autres supportent les coûts ou perdent des opportunités. L’écart pourrait concerner les territoires, les langues, les tailles d’entreprises et les débuts de carrière.

Indicateurs. Adoption et gains par taille d’entreprise, recrutements débutants, progression professionnelle, écart d’accès selon territoire et langue, coût de changement de fournisseur. Révision. Une diffusion large accompagnée d’un accès réellement amélioré et de parcours d’entrée préservés affaiblirait cette trajectoire.

Scénario 3 — Une diffusion freinée par ses coûts et sa fiabilité

Périmètre. Projets d’organisations dont les usages exigent un contrôle important ou rencontrent des contraintes d’intégration et d’infrastructure, dans les territoires concernés. Cette trajectoire ne représente ni tous les usages mondiaux ni une prévision propre au Maroc.

Hypothèses. Les gains sur les premières tâches ne compensent pas assez les coûts de contrôle, d’intégration ou d’infrastructure. Des incidents ou des dépendances difficiles à maîtriser retardent certains usages. Ce scénario n’implique pas l’abandon de toute l’IA : les applications utiles peuvent subsister.

Mécanisme. Les organisations limitent leurs déploiements, cherchent des usages plus étroits ou reviennent à des processus hybrides. Les investissements doivent alors être réévalués en fonction des résultats effectivement obtenus, et non de démonstrations techniques seules.

Indicateurs. Projets abandonnés, coût total, taux de reprise humaine, incidents, satisfaction des utilisateurs, contraintes de raccordement et renouvellement des contrats. Révision. Des gains nets robustes, répétés dans des organisations différentes et accompagnés d’une amélioration de fiabilité affaibliraient ce scénario.

Ces trajectoires peuvent coexister entre secteurs et pays. Leur utilité est de rendre les hypothèses visibles et de préparer des réponses révisables. Elles ne servent ni à sélectionner un investissement financier ni à annoncer un nombre d’emplois en 2030.

Agir sans confondre expérimentation et résultat

Pour les travailleurs et les personnes en formation

Notre proposition est de partir d’une activité précise : repérer ce qui peut être assisté, ce qui demande une vérification et ce qui exige une décision humaine. Apprendre à contrôler les sources, reproduire un raisonnement et reconnaître une erreur peut être plus durable qu’une seule manière de formuler une demande. Il est utile de conserver des occasions de pratiquer sans assistance, particulièrement lorsque l’outil réalise la partie sur laquelle on doit apprendre.

La formation ne doit pas reposer uniquement sur l’initiative individuelle. Une organisation qui introduit un outil devrait préciser les attentes, fournir du temps d’apprentissage et définir comment seront évalués les résultats. Le salarié doit pouvoir signaler un problème et comprendre qui assume les décisions prises à partir de la réponse. Ce sont des recommandations d’organisation, pas une garantie contre toute évolution de l’emploi.

Pour les entreprises et les services publics

Nous proposons un essai limité, avec un objectif mesurable et une condition d’arrêt. Comparer uniquement la vitesse du premier brouillon favorise les erreurs de bilan. Il faut inclure contrôle humain, corrections, coûts d’accès, intégration, sécurité et qualité du service. Le suivi devrait aussi examiner les effets sur les débutants, les personnes qui maîtrisent moins le numérique et les utilisateurs dont la langue est moins bien prise en charge.

Avant un déploiement, préciser les données admises, les décisions autorisées, la personne responsable et le recours disponible. Après le déploiement, vérifier sur des cas réels que la correction et l’arrêt fonctionnent. Un contrôle humain qui se limite à cliquer sur une validation sans information suffisante ne répond pas au même besoin qu’une relecture capable de détecter et de contester une erreur.

Pour les décideurs et les organismes de formation

Les choix devraient suivre plusieurs résultats à la fois : productivité, qualité, accès, conditions de travail, mobilité professionnelle et distribution de la valeur. Une politique évaluée uniquement au nombre d’outils installés peut passer à côté de son objectif. Les observations locales, la participation des personnes concernées et la publication de résultats avec leurs limites rendraient les arbitrages plus vérifiables.

Observatoire daté et méthode de mise à jour

Dernier contrôle documentaire : 15 octobre 2026. Le corpus initial est daté du 8 octobre ; les passages évolutifs ont fait l’objet d’une actualisation ciblée. Le socle du rapport porte sur les distinctions de mesure et les mécanismes. Les études et les annonces récentes constituent la partie à actualiser. Une référence publiée en 2026 peut analyser des données antérieures : sa date de publication ne transforme pas ces données en mesure du jour.

Cette révision ajoute la note OCDE du 13 octobre sur le calcul, le rapport AIE du 14 octobre sur les infrastructures et les interventions OIT et BCE des 12 et 13 octobre. Les résultats sur l’emploi d’entrée, les gains des entreprises, la réglementation, l’environnement et les sources marocaines ont été recherchés ou recontrôlés selon les accès disponibles. Les limites de chaque étude restent applicables : une nouvelle date de contrôle ne transforme ni une annonce en résultat mesuré ni une projection en observation.

Nous recommandons un contrôle documentaire mensuel lorsque le rapport est activement entretenu, un examen immédiat en cas de correction majeure d’une source centrale et une revue plus large trimestrielle. Ce calendrier est une proposition de maintenance manuelle. Aucun système de veille permanente ni actualisation automatique n’est activé par ce rapport.

Méthode, niveau de preuve et limites

La recherche a été menée en français et en anglais, à partir de sources scientifiques et institutionnelles, avec recherche ciblée de résultats nuls, négatifs et d’explications concurrentes. Les références historiques sont conservées pour éclairer les mécanismes. Les pages consultées, registres de sources, affirmations et données sont conservés dans le dossier éditorial. Il ne s’agit pas d’une revue systématique exhaustive ni d’une nouvelle enquête de terrain.

Nous distinguons la nature d’un énoncé, sa solidité et la convergence des travaux. Une statistique d’adoption est une observation descriptive ; un indice d’exposition est une estimation ; une trajectoire économique est une projection ; les scénarios et les recommandations sont des constructions éditoriales. La solidité dépend de la méthode et du périmètre : une expérience bien conduite peut être convaincante dans son contexte sans être représentative de tous les pays.

Les textes complets n’ont pas tous été accessibles. Certaines références NBER et l’étude macroéconomique d’Acemoglu ont été utilisées à partir de leurs résumés primaires accessibles dans les résultats documentaires ; leurs analyses détaillées n’ont pas été intégralement auditées. Les annonces ministérielles décrivent les décisions ou intentions de leurs auteurs, sans validation indépendante de leurs effets. Aucune rémunération ou performance d’entreprise n’est inventée pour compléter ces lacunes.

Une recherche de réplication publiée par Yin, Vu et Persico en avril 2026 signale aussi la sensibilité de certains scores d’exposition au modèle employé pour noter les tâches. Ce résultat invite à conserver les versions et les méthodes ; il n’invalide pas automatiquement tous les indices existants. NBER, Working Paper35110, résumé primaire.

Conclusion

Les effets de l’IA deviennent mesurables sur des usages précis, mais leur agrégation reste une question de contexte, de méthode et de choix collectifs. La démarche la plus utile consiste à relier la technologie aux résultats réellement recherchés : un travail mieux accompli, un service plus accessible, une activité viable et des décisions contestables lorsqu’elles sont erronées.

Pour le Maroc comme pour les autres économies, les annonces et les démonstrations ne dispensent pas de cette mesure. Un rapport de référence doit conserver ses distinctions quand les outils évoluent : ce qui est observé, ce qui est estimé, ce qui reste incertain et ce que l’on propose d’essayer. C’est sur cette base que les bénéfices peuvent être discutés et les risques traités sans transformer l’avenir en certitude.

Bibliographie et documents consultés

• Explanatory memorandum on the updated OECD definition of an AI system — OCDE; 2024-03.
• Generative AI and jobs: A refined global index of occupational exposure — Gmyrek et al., OIT/NASK; 2025-05-20.
• Generative AI at Work — Brynjolfsson, Li, Raymond; 2025-02-04.
• Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity — Becker, Rush, Barnes, Rein, METR; 2025-07-10.
• We are Changing our Developer Productivity Experiment Design — METR; 2026-02-24.
• The impact of GenAI on jobs, productivity and work organization: a review of the empirical evidence — Merola, Ernst, Samaan, del Rio-Chanona, Teutloff, OIT; 2026-06-01.
• The Aggregation Paradox of AI — Chan, Shedania, OIT; 2026-05-06.
• Disruption without dividend? — OIT; 2026-03-17.
• Macroeconomic productivity gains from AI in G7 economies — Filippucci, Gal, Laengle, Schief, OCDE; 2025-06-30.
• The simple macroeconomics of AI — Acemoglu; en ligne le 6 août 2024, numéro de janvier 2025.
• 20% of EU enterprises use AI technologies — Eurostat; 2025-12-11.
• Competition in the age of AI: Initial evidence from microdata — OCDE; 2026-07-30.
• Agentic AI in organisations: Early insights from practitioner interviews — OCDE; 2026-09-16.
• AI Index Report 2026 — Stanford HAI; 2026.
• Key Questions on Energy and AI — AIE ; 16 avril 2026.
• Stratégie Digital Morocco 2030 — MTNRA Maroc; 2024-09-25.
• Premières briques d’IA du partenariat — MTNRA Maroc/Mistral; 2026-09-29.
• Understanding Digital Technology’s Evolution and the Path of Measured Productivity Growth — Paul David, SIEPR; 1999-07.
• Canaries in the Coal Mine? Six Facts — Brynjolfsson, Chandar, Chen; révision du 12 août 2026.
• The Early Impacts of AI on Employment among Recent College Graduates — Fairlie, Wu; 2026-09.
• Canaries in the Gold Mine: Early Productivity Gains from AI Creating Organization Capital — Babina, He, Jiang; 2026-08.
• How (un)Stable Are LLM Occupational Exposure Scores? — Yin, Vu, Persico; 2026-04.
• Artificial intelligence adoption in Chinese enterprises — Ernst et al., OIT; 2026-09-15.
• Generative AI without guardrails can harm learning: Evidence from high school mathematics — Hamsa Bastani, Osbert Bastani, Alp Sungu, Haosen Ge, Özge Kabakcı, Rei Mariman; 2025-06-25.
• Correction for Bastani et al., Generative AI without guardrails can harm learning — PNAS ; 2025-08-20.
• Large language models can effectively convince people to believe conspiracies — Thomas H. Costello, Kellin Pelrine, Matthew Kowal, Jasper Timm, Antonio A. Arechar, Jean-François Godbout, Adam Gleave, David Rand, Gordon Pennycook ; prépublication initiale du 8 janvier 2026, version citée v3 du 15 juillet 2026.
• Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile — Chloe Autio, Reva Schwartz, Jesse Dunietz, Shomik Jain, Martin Stanley, Elham Tabassi, Patrick Hall, Kamie Roberts; 2024-07-26.
• Guidance for generative AI in education and research — Fengchun Miao, Wayne Holmes, UNESCO; 2023-09-07.
• IA et protection des données à caractère personnel — CNDP Maroc; 2025-03-18.
• AI Act — European Commission — Commission européenne, DG CONNECT ; présentation reconsultée le 15 octobre 2026, mise à jour affichée du 3 août 2026.
• Securing AI compute: Government policy approaches — OCDE, Policy Briefs n°67 ; 13 octobre 2026.
• Powering Artificial Intelligence — AIE ; 14 octobre 2026, synthèse consultée.
• Making productivity growth work for people — OIT, déclaration aux réunions annuelles FMI/Banque mondiale ; 12 octobre 2026.
• The AI opportunity for Europe — Philip R. Lane, BCE, discours de Dublin ; 13 octobre 2026.

Les références donnent accès aux documents ou à leur présentation primaire. Les passages réellement consultés et les limites d’accès sont décrits dans la méthode ; la présence d’un lien ne signifie pas une lecture exhaustive du texte et de ses annexes.