L'IA, moteur de progrès ou facteur d'inégalités ?

La même technologie peut, selon la manière dont on la déploie, élargir les possibilités du plus grand nombre ou concentrer les avantages entre quelques mains. C'est tout le paradoxe de l'intelligence artificielle appliquée au travail et à l'économie. D'un côté, les études empiriques montrent des gains de productivité réels, parfois spectaculaires, et une capacité à faire progresser plus vite ceux qui débutent. De l'autre, les grandes institutions économiques observent que ces gains ne se répartissent pas d'eux-mêmes de façon homogène, et qu'un écart d'accès aux outils, aux compétences et à l'infrastructure peut se creuser si rien n'est fait. Cet article prend le sujet à bras-le-corps, chiffres en main et sans dramatisation : que disent réellement les travaux du Fonds monétaire international, de l'OCDE, de la Banque mondiale et de la recherche académique ? Et surtout, quelles pistes concrètes dessinent une IA plus inclusive, où le progrès profite au plus grand nombre plutôt qu'à une minorité ?

Le parti pris de ce texte est celui de la mesure. Le débat public oscille souvent entre deux excès : l'enthousiasme qui promet une prospérité automatique, et le pessimisme qui annonce le pire pour l'emploi. La réalité, telle qu'elle ressort des données disponibles à la mi-2026, est plus nuancée et, à bien des égards, plus intéressante. L'IA n'est ni un remède miracle ni une fatalité : c'est un outil puissant dont l'effet sur les inégalités dépend étroitement des choix collectifs — politiques de formation, accès à l'infrastructure, gouvernance des données, diffusion des compétences. Comprendre ces mécanismes, c'est déjà se donner les moyens d'agir sur eux.

Une précision de méthode. Les chiffres cités ici proviennent de sources publiques et vérifiables — rapports du FMI, de l'OCDE, de la Banque mondiale, travaux publiés au National Bureau of Economic Research, baromètres sectoriels. Ils sont datés et référencés en fin d'article. Certains sont des estimations, sujettes à révision à mesure que la technologie se diffuse ; nous le signalons quand c'est le cas. L'objectif n'est pas de trancher un débat de société, mais d'en éclairer les termes avec les meilleures données disponibles.

Progrès et inégalités : deux lectures d'une même transformation

Pour bien poser le sujet, il faut commencer par admettre que les deux lectures — l'IA comme moteur de progrès, l'IA comme facteur d'inégalités — ne s'excluent pas. Elles décrivent deux facettes d'un même phénomène, et c'est précisément leur coexistence qui rend la période passionnante à analyser. La question utile n'est pas de savoir laquelle est « vraie », mais de comprendre à quelles conditions la première l'emporte sur la seconde.

Un vecteur de progrès mesurable

Commençons par le versant lumineux, car il est solidement documenté. Là où l'IA générative se diffuse, la productivité progresse. Le baromètre mondial de l'emploi et de l'IA publié par PwC en 2025, fondé sur l'analyse de près d'un milliard d'offres d'emploi sur six continents, met en évidence une accélération nette : dans les secteurs les plus exposés à l'IA — services financiers, édition de logiciels — la croissance de la productivité est passée d'environ 7 % sur la période 2018-2022 à 27 % entre 2018 et 2024, soit une multiplication par près de quatre. En 2024, ces mêmes secteurs affichaient une croissance du chiffre d'affaires par salarié trois fois supérieure à celle des secteurs les moins exposés.

Ce progrès n'est pas qu'une abstraction macroéconomique. Il se traduit aussi dans le vécu des travailleurs. Selon l'OCDE, quatre travailleurs sur cinq ayant adopté l'IA déclarent qu'elle a amélioré leurs performances, et trois sur cinq qu'elle a accru leur plaisir au travail, avec un ressenti globalement positif sur la santé physique et mentale. On est loin d'une image uniformément sombre : pour une part significative de ceux qui l'utilisent, l'IA se vit comme un allié qui allège les tâches répétitives et libère du temps pour des activités plus valorisantes.

Un risque de creusement des écarts

Le versant plus délicat mérite d'être exposé avec la même rigueur. En janvier 2024, le FMI a publié une analyse selon laquelle environ 40 % des emplois dans le monde sont exposés à l'IA — une exposition qui atteint 60 % dans les économies avancées, retombe à 40 % dans les marchés émergents et à 26 % dans les pays à faible revenu. Le point important, souvent mal résumé, est que « exposé » ne signifie pas « supprimé » : l'exposition recouvre aussi bien la complémentarité (l'IA aide le travailleur) que la substitution (l'IA remplace une tâche). C'est cette ambivalence qui rend le sujet subtil.

Le FMI note toutefois un point de vigilance : dans la plupart des scénarios, la technologie tend à accroître les inégalités globales si aucune politique correctrice n'accompagne son adoption. L'institution décrit une possible « polarisation à l'intérieur des tranches de revenu » : les travailleurs capables de tirer parti de l'IA voient leur productivité et leur rémunération progresser, tandis que ceux qui n'y ont pas accès risquent de rester à la traîne. C'est cette dynamique — et non une quelconque volonté de la machine — qui constitue le vrai enjeu d'équité.

Le mot « exposé » recouvre deux réalités opposées : l'IA qui augmente le travailleur et l'IA qui remplace une tâche. Tout l'enjeu des politiques publiques consiste à faire pencher la balance du côté de la complémentarité.

Retenons cette grille de lecture pour la suite. Le progrès est réel et mesuré ; le risque d'inégalité est réel et identifié. Ni l'un ni l'autre n'est automatique. Ce qui départage les deux, ce sont les conditions d'accès, de formation et de diffusion que nous allons examiner tour à tour.

L'emploi : transformation plutôt que disparition

Le premier terrain où se joue la question des inégalités est celui de l'emploi. C'est aussi celui où les idées reçues sont les plus tenaces. Les données récentes invitent à remplacer l'image d'une vague de suppressions par celle, plus fidèle, d'une recomposition profonde des métiers.

Ce que disent les chiffres sur les emplois

Contrairement à une crainte répandue, l'emploi continue de croître dans presque tous les types de métiers exposés à l'IA. Le baromètre PwC 2025 est éclairant sur ce point : entre 2019 et 2024, les professions les moins exposées à l'IA ont connu une forte croissance de l'emploi (de l'ordre de 65 %), mais la croissance est restée robuste, autour de 38 %, dans les professions plus exposées — y compris celles réputées les plus automatisables. Autrement dit, là où beaucoup anticipaient un effondrement, on observe une progression, quoique plus modérée.

Cette apparente contradiction s'explique. L'histoire économique montre qu'une technologie qui automatise certaines tâches en crée d'autres, souvent inédites, et augmente la demande là où le travail humain conserve un avantage. L'IA générative n'échappe pas à cette logique : elle prend en charge des tâches — rédaction d'un premier jet, synthèse de documents, écriture de code standard — tout en déplaçant la valeur vers la supervision, le jugement, la relation humaine et la créativité. Le métier change de contenu plus qu'il ne disparaît.

Des transitions à accompagner

Reconnaître cette dynamique positive ne dispense pas d'en voir la contrepartie : les transitions professionnelles vont s'intensifier, et elles ne toucheront pas tout le monde de la même façon. McKinsey estime que jusqu'à 375 millions de travailleurs dans le monde — environ 14 % de la main-d'œuvre mondiale — pourraient devoir changer de catégorie professionnelle d'ici 2030 sous l'effet conjugué de l'automatisation et de l'IA générative. Aux États-Unis, l'institut évalue à 12 millions les transitions professionnelles supplémentaires d'ici 2030, dont 80 % concentrées sur quatre familles de métiers : le service à la clientèle, la restauration, la production et le soutien administratif.

C'est ici que se niche le principal facteur d'inégalité. Toujours selon McKinsey, les travailleurs des emplois à bas salaires sont jusqu'à quatorze fois plus susceptibles de devoir changer de profession que ceux des emplois les mieux rémunérés. Or ce sont souvent eux qui ont le moins accès à la formation continue. Le risque n'est donc pas tant la « disparition du travail » que l'inégalité devant la transition : à outil égal, ceux qui disposent des ressources pour se reconvertir avancent, les autres peinent davantage. C'est précisément sur ce point que les politiques publiques et les entreprises ont le plus de prise.

Indicateur	Estimation	Source
Emplois mondiaux exposés à l'IA	≈ 40 %	FMI, janvier 2024
Exposition dans les économies avancées	≈ 60 %	FMI, janvier 2024
Exposition dans les pays à faible revenu	≈ 26 %	FMI, janvier 2024
Transitions professionnelles mondiales d'ici 2030	≈ 375 millions	McKinsey Global Institute
Sur-risque de reconversion des bas salaires	jusqu'à 14×	McKinsey Global Institute

Un signal encourageant venu du terrain

Une étude devenue une référence apporte un contrepoint précieux à l'idée que l'IA profiterait surtout aux plus qualifiés. Les économistes Erik Brynjolfsson, Danielle Li et Lindsey Raymond ont suivi le déploiement progressif d'un assistant conversationnel fondé sur l'IA générative auprès de 5 179 agents d'un centre de support client. Résultat : la productivité, mesurée en problèmes résolus par heure, a progressé de 14 % en moyenne — mais surtout de 34 % pour les agents débutants et les moins qualifiés, avec un effet quasi nul pour les plus expérimentés.

Ce résultat est capital pour notre sujet. Il montre que, sur ce segment, l'IA a joué un rôle nivelant : elle a diffusé les bonnes pratiques des meilleurs vers les novices, réduisant l'écart de performance entre eux. L'outil a aussi amélioré la satisfaction des clients et la fidélisation des employés. Voilà une illustration concrète que l'IA peut, selon la manière dont elle est conçue et déployée, réduire certaines inégalités de compétence plutôt que les amplifier. Tout dépend, une fois encore, des choix d'implémentation.

La productivité : un moteur réel, à l'ampleur débattue

Si l'IA doit être un moteur de progrès partagé, encore faut-il qu'elle produise réellement de la richesse supplémentaire à répartir. C'est la question de la productivité, et c'est l'un des débats les plus vifs — et les plus sains — de l'économie contemporaine. Les experts ne s'accordent pas sur l'ampleur des gains, ce qui est en soi une invitation à la prudence intellectuelle.

Une fourchette d'estimations très ouverte

À une extrémité du spectre, l'économiste Daron Acemoglu, du MIT, propose une estimation volontairement sobre. Dans son étude « The Simple Macroeconomics of AI » (NBER, 2024), il calcule que l'IA pourrait accroître le PIB de seulement 1,1 à 1,6 % cumulés sur une décennie, soit un gain de productivité totale des facteurs d'environ 0,05 % par an. Son raisonnement s'appuie sur la part des tâches réellement automatisables à court terme et sur les économies de coûts qu'elles permettent — une approche prudente qui invite à ne pas surestimer les effets immédiats.

À l'autre extrémité, des cabinets comme McKinsey avancent des chiffres bien plus élevés, évoquant un apport potentiel de plusieurs milliers de milliards de dollars à l'économie mondiale et une contribution possible de plusieurs points à la croissance annuelle du PIB. Ces écarts d'estimation — d'un facteur considérable — ne traduisent pas de la légèreté, mais des hypothèses différentes sur la vitesse d'adoption, l'ampleur des tâches concernées et la capacité des organisations à réorganiser le travail autour des nouveaux outils.

Entre l'estimation prudente d'Acemoglu et les projections plus généreuses de certains cabinets, l'écart tient moins aux données qu'aux hypothèses sur la vitesse d'adoption et la réorganisation du travail. La sagesse consiste à retenir la fourchette, pas un chiffre unique.

Pourquoi cet écart compte pour les inégalités

Ce débat n'est pas qu'académique. La taille du gâteau détermine directement ce qu'il y aura à partager. Si les gains de productivité sont modestes, la question de la répartition devient d'autant plus sensible : le moindre déséquilibre pèse lourd. S'ils sont importants, il existe une marge pour que le progrès bénéficie largement — à condition, encore une fois, que des mécanismes de diffusion existent. Dans les deux cas, l'ampleur brute des gains ne dit rien, à elle seule, de leur distribution. Un pays peut connaître une forte croissance tirée par l'IA tout en voyant les écarts se creuser, ou une croissance modeste largement partagée. La productivité est une condition du progrès partagé, pas une garantie.

Un point rassurant émerge néanmoins des données de terrain. Le baromètre PwC observe que les salaires progressent deux fois plus vite dans les secteurs exposés à l'IA, et ce dans les rôles automatisables comme dans les rôles augmentés. Les compétences en IA s'accompagnent par ailleurs d'une prime salariale — 56 % en moyenne selon la même source, en hausse par rapport à l'année précédente. Cela suggère que, là où l'IA se diffuse, une partie des gains de productivité se traduit bien en rémunération. La question demeure : cette prime bénéficie-t-elle à tous, ou concentre-t-elle les avantages ? C'est le cœur du sujet de la fracture des compétences.

La fracture numérique : l'inégalité la plus structurante

Pour qu'une technologie profite à quelqu'un, encore faut-il qu'il puisse y accéder. C'est une évidence, et pourtant c'est là que se joue la plus profonde des inégalités liées à l'IA. Avant même de parler de compétences ou de répartition des gains, il y a la question de l'accès matériel — à l'électricité, à internet, à la puissance de calcul, aux données. La Banque mondiale a produit sur ce sujet l'un des états des lieux les plus complets à ce jour.

Le fossé de l'accès de base

Selon le rapport « Digital Progress and Trends Report 2025 » de la Banque mondiale, environ 2,6 milliards de personnes — près d'un tiers de l'humanité — restaient hors ligne en 2024. L'usage d'internet varie de plus de 90 % dans les pays à revenu élevé à seulement 27 % dans les pays à faible revenu. Ce fossé de connectivité constitue la première marche, et de loin la plus haute : sans accès de base, la question de l'IA ne se pose même pas.

À cette fracture de la connectivité s'ajoute une fracture des compétences numériques élémentaires. Toujours selon la Banque mondiale, moins de 5 % de la population des pays à faible revenu possède des compétences numériques de base, contre 21 % dans les pays à revenu intermédiaire inférieur, 38 % dans les pays à revenu intermédiaire supérieur et 66 % dans les pays à revenu élevé. Ce gradient dessine, en creux, la carte des futures inégalités face à l'IA : là où les compétences de base manquent, l'appropriation des outils avancés sera nécessairement plus lente.

La nouvelle fracture du calcul

Une inégalité plus récente, propre à l'ère de l'IA, mérite une attention particulière : celle de la puissance de calcul. Entraîner et faire tourner des modèles avancés exige des processeurs spécialisés et des centres de données considérables. Or cette capacité est extraordinairement concentrée. En 2024, les États-Unis hébergeaient à eux seuls la moitié des serveurs internet sécurisés du monde, les autres pays à revenu élevé en concentrant 41 %, laissant à peine 9 % au reste de la planète. Rapportée à la population, la disproportion devient vertigineuse : les États-Unis comptent environ 200 fois plus de serveurs par habitant qu'un pays à revenu intermédiaire typique, et environ 20 000 fois plus que les pays à faible revenu, selon la Banque mondiale.

Cette « fracture du calcul » est structurante parce qu'elle conditionne la capacité à innover localement, à adapter les modèles aux langues et aux contextes régionaux, et à ne pas dépendre entièrement d'infrastructures situées à l'étranger. Elle explique pourquoi la souveraineté technologique est devenue un enjeu majeur pour de nombreux pays et régions, qui cherchent à développer leurs propres capacités plutôt que de subir une position réactive.

Selon la Banque mondiale, les États-Unis hébergeaient en 2024 la moitié des serveurs internet sécurisés du monde, contre 9 % pour l'ensemble des pays à revenu faible et intermédiaire. La géographie de l'IA reste, pour l'heure, très concentrée.

Une note d'optimisme : la « Small AI »

Le tableau ne serait pas complet sans une évolution encourageante que la Banque mondiale met en avant. Une tendance de fond, baptisée « Small AI », voit se multiplier des applications plus légères, plus abordables et conçues pour fonctionner sur des appareils du quotidien comme les téléphones mobiles. Ces solutions étendent la portée de l'IA vers des usages concrets — agriculture, santé, éducation — dans des contextes où l'infrastructure lourde fait défaut. Elles montrent qu'il existe des voies de diffusion qui ne passent pas nécessairement par les modèles les plus gourmands, et qui peuvent aider à réduire la fracture plutôt qu'à l'aggraver. La technologie elle-même offre donc des leviers pour sa propre démocratisation.

L'accès aux compétences : la clé de voûte de l'inclusion

Si la fracture numérique conditionne l'accès matériel, l'accès aux compétences conditionne l'appropriation. C'est le maillon décisif entre la disponibilité d'un outil et sa capacité à réduire — ou à creuser — les écarts. Les travaux de l'OCDE apportent ici un éclairage particulièrement utile, et plutôt rassurant.

La bonne nouvelle : peu de compétences ultra-spécialisées requises

Une crainte courante veut que l'IA réserve ses bénéfices à une élite de spécialistes du code et des algorithmes. Les données de l'OCDE nuancent fortement cette idée. Si l'exposition à l'IA est élevée — environ une offre d'emploi sur trois présente une forte exposition dans les économies de l'OCDE —, seule une faible proportion de ces postes, de l'ordre de 1 %, exige des compétences pointues et complexes en IA. La grande majorité des travailleurs concernés n'aura pas besoin de devenir data scientist : l'IA modifiera les tâches qu'ils accomplissent et les compétences qu'ils mobilisent, sans exiger une expertise technique de haut niveau.

Les compétences les plus demandées dans les métiers fortement exposés relèvent plutôt de la gestion, de l'organisation et des savoir-faire relationnels : conduite de projet, finance, administration, coordination. C'est une information encourageante pour l'inclusion, car ces compétences sont bien plus largement accessibles et enseignables que la maîtrise fine des réseaux de neurones. La barrière à l'entrée est donc moins haute qu'on ne le croit souvent.

Le défi : que la formation atteigne ceux qui en ont le plus besoin

Le point de vigilance, l'OCDE le formule clairement : les adultes peu qualifiés et les travailleurs des métiers les plus exposés à l'automatisation sont à la fois les plus vulnérables aux effets négatifs sur l'emploi et les moins susceptibles d'accéder à une formation. C'est le fameux « paradoxe de la formation » : ceux qui en auraient le plus besoin y participent le moins. Sans effort ciblé, l'IA pourrait donc reproduire, voire amplifier, les inégalités d'accès au savoir qui préexistent.

Du côté des entreprises, la contrainte de compétences est bien réelle. L'OCDE relève qu'environ 40 % des employeurs de l'industrie et de la finance n'ayant pas encore adopté l'IA citent le manque de personnes disposant des bonnes compétences comme principal frein. Ce constat est en réalité une opportunité : il montre que le goulet d'étranglement n'est pas la technologie elle-même, mais la capacité humaine à s'en saisir. Investir dans la formation lève simultanément un frein économique et un facteur d'inégalité — un rare cas où l'intérêt de l'entreprise et l'intérêt social convergent.

• Rendre la formation inclusive. L'OCDE plaide pour des formats de formation plus ouverts, capables d'atteindre les publics habituellement écartés — travailleurs peu qualifiés, seniors, métiers les plus exposés.
• Miser sur les compétences transversales. Puisque l'essentiel des postes n'exige pas d'expertise technique pointue, l'effort peut porter sur des compétences largement enseignables : esprit critique, collaboration avec l'outil, jugement.
• Recruter au-delà des diplômes. McKinsey souligne l'intérêt d'embaucher sur les compétences plutôt que sur les seuls titres, et de puiser dans des viviers négligés — zones rurales, personnes en situation de handicap.
• Ancrer l'apprentissage tout au long de la vie. Les transitions étant appelées à se répéter, la formation ponctuelle ne suffit plus ; c'est une culture de mise à jour continue qui protège le mieux.

La répartition des gains : le vrai levier d'équité

Nous voici au cœur du sujet. Le progrès technique ne détermine pas, à lui seul, qui bénéficie de ses fruits. C'est la manière dont une société organise la diffusion des gains qui décide si l'IA rapproche ou éloigne. Cette idée, centrale chez de nombreux économistes, déplace utilement le débat : la question n'est pas « l'IA est-elle bonne ou mauvaise ? », mais « comment faisons-nous en sorte que ses bénéfices se diffusent largement ? ».

Une distribution qui dépend des choix, pas de la machine

Le FMI insiste sur ce point : l'effet de l'IA sur les inégalités n'est pas prédéterminé. Dans ses analyses, le résultat dépend des politiques d'accompagnement — filets sociaux, fiscalité, accès à la formation, régulation de la concurrence. La technologie fournit une capacité ; la société décide de son usage. Ce constat est libérateur, car il replace la décision entre des mains humaines et collectives plutôt que de la déléguer à un déterminisme technologique.

Les données de terrain confirment cette plasticité. Rappelons l'étude du centre d'appels : le même outil, selon le contexte, aurait pu profiter surtout aux plus qualifiés ; il a en réalité surtout aidé les débutants, réduisant les écarts. Ce n'est pas un hasard mais un résultat de conception — l'assistant diffusait les pratiques des meilleurs vers les moins expérimentés. On peut donc concevoir et déployer l'IA de manière à ce qu'elle nivelle par le haut. C'est un choix d'ingénierie et d'organisation autant qu'une orientation politique.

La diversité dans la conception, un facteur d'équité

Un aspect de la répartition concerne ceux qui construisent l'IA elle-même. Une technologie conçue par des équipes homogènes risque d'incorporer, souvent sans intention, les angles morts de ses concepteurs. La question de la diversité — de genre, d'origine, de discipline — dans les métiers de l'IA n'est donc pas seulement une question d'équité d'accès aux emplois, mais aussi de qualité et de représentativité des systèmes produits.

Les chiffres montrent un écart persistant mais une trajectoire encourageante. Selon le rapport AI Index 2025 de l'université Stanford, la part des femmes parmi les personnes déclarant des compétences en IA a atteint 29,4 % en 2025, contre 23,5 % en 2018 — et cet écart de genre dans l'expertise en IA s'est réduit dans 74 des 75 économies étudiées. La sous-représentation reste marquée, en particulier aux postes de direction, mais la dynamique va dans le bon sens. Élargir le vivier de ceux qui conçoivent l'IA, c'est agir simultanément sur l'équité de l'emploi et sur la pertinence des outils pour l'ensemble de la population.

La part des femmes parmi les personnes déclarant des compétences en IA est passée de 23,5 % en 2018 à 29,4 % en 2025, et l'écart s'est réduit dans 74 des 75 économies étudiées. La sous-représentation persiste, mais la tendance est à la convergence.

Biais, qualité des données et confiance : une équité par conception

Une dimension de l'équité se joue à l'intérieur même des systèmes, dans la manière dont ils traitent chacun. Un modèle apprend à partir de données ; si ces données reflètent des déséquilibres historiques, le système peut les reproduire, voire les amplifier, à grande échelle. Cette question des biais algorithmiques est devenue centrale, non par catastrophisme, mais parce qu'elle conditionne la confiance sans laquelle aucune adoption large et inclusive n'est possible. Là encore, le sujet est identifié, mesuré et activement traité.

Comprendre l'origine des biais

Un biais algorithmique n'a rien d'une intention malveillante de la machine. Il résulte le plus souvent d'un déséquilibre dans les données d'apprentissage : une population sous-représentée dans le jeu de données sera moins bien servie par le modèle, simplement parce qu'il a moins « appris » à son sujet. Un système de reconnaissance entraîné majoritairement sur certains profils fonctionnera moins bien sur les autres ; un outil d'aide au recrutement nourri d'historiques déséquilibrés pourra perpétuer ces déséquilibres. Le problème n'est donc pas l'IA en soi, mais la fidélité avec laquelle elle reflète les données qu'on lui donne.

Cette compréhension est en réalité une source d'optimisme. Puisque les biais proviennent des données et de la conception, ils sont accessibles à l'ingénierie : on peut diversifier les jeux de données, tester les modèles sur différents segments de population, mesurer les écarts de performance et les corriger. La qualité des données devient ainsi un levier direct d'équité — soigner ce qui entre dans le modèle, c'est agir sur ce qui en sort.

Un biais algorithmique n'est pas une volonté de la machine mais le reflet de ses données d'entraînement. Cette origine est aussi une bonne nouvelle : ce qui vient des données et de la conception peut être mesuré, testé et corrigé.

La transparence comme condition de l'inclusion

La confiance ne se décrète pas ; elle se construit par la transparence. Savoir quand on interagit avec une IA, comprendre sur quelles bases un système produit ses résultats, disposer de voies de recours : ces garanties conditionnent une adoption sereine, en particulier pour les publics les plus éloignés de la technologie, qui sont aussi les plus exposés au risque d'exclusion. Une IA opaque nourrit la défiance et creuse l'écart entre initiés et non-initiés ; une IA explicable et encadrée abaisse cette barrière.

C'est précisément l'esprit du cadre réglementaire qui se met en place en Europe, avec des obligations de transparence — signaler qu'un contenu ou un échange provient d'une IA — et de gouvernance des grands modèles. Ce mouvement dépasse la seule conformité : en rendant les systèmes plus lisibles, il contribue à une diffusion plus équitable, où la confiance ne reste pas le privilège des mieux informés. La transparence, loin de freiner l'innovation, en élargit l'accès.

Vers une IA plus inclusive : des pistes concrètes

Analyser les mécanismes ne suffit pas ; encore faut-il esquisser des voies d'action. La bonne nouvelle, c'est que les leviers d'une IA plus inclusive sont largement identifiés par les institutions elles-mêmes, et qu'ils relèvent de décisions à la portée des pouvoirs publics, des entreprises et des individus. Voici les principaux, tels qu'ils se dégagent des travaux cités.

Au niveau des politiques publiques

Le FMI, en accompagnant son analyse d'un indice de préparation à l'IA, invite les États à agir sur plusieurs fronts complémentaires. Trois orientations reviennent avec constance dans les recommandations internationales :

• Investir dans l'infrastructure et l'accès. Réduire la fracture de connectivité et de calcul est le préalable à toute inclusion. Sans accès de base, aucune politique de compétences ne porte ses fruits.
• Renforcer les filets sociaux et la formation. Accompagner les transitions professionnelles, en visant en priorité les publics les plus exposés, transforme un risque d'inégalité en opportunité de mobilité.
• Établir des cadres de gouvernance clairs. Des règles lisibles sur la transparence, les données et la responsabilité créent la confiance nécessaire à une adoption large et sereine, comme l'illustre le mouvement réglementaire européen.

Au niveau des entreprises

Les organisations disposent d'une marge d'action directe et immédiate. Elles peuvent concevoir le déploiement de l'IA de manière à niveler par le haut plutôt qu'à concentrer les avantages. Quelques principes concrets se dégagent des études :

• Déployer l'IA d'abord là où elle aide les moins expérimentés. L'étude du centre d'appels montre que c'est possible et bénéfique — pour la performance comme pour l'équité interne.
• Former largement, pas seulement les experts. Puisque la plupart des postes n'exigent pas d'expertise technique pointue, une formation de base généralisée diffuse les bénéfices bien au-delà du cercle des spécialistes.
• Recruter sur les compétences et diversifier les équipes. Élargir les viviers et la diversité de conception améliore à la fois l'inclusion et la qualité des systèmes.
• Mesurer les effets. Suivre qui bénéficie réellement des gains permet de corriger le tir avant que des écarts ne s'installent durablement.

Au niveau des individus

Chacun conserve, à son échelle, une capacité d'action. L'accès aux outils d'IA générative n'a jamais été aussi large, et l'apprentissage de leur usage relève souvent moins de la technique que de la pratique et de la curiosité. Se familiariser avec ces outils, apprendre à formuler des demandes claires, comprendre leurs limites et cultiver le jugement critique qui permet d'en tirer le meilleur : ce sont des compétences accessibles, qui ne nécessitent pas de bagage informatique préalable. Dans un contexte où la prime aux compétences en IA est réelle, l'appropriation individuelle constitue un levier de mobilité à la portée du plus grand nombre.

Tenir les deux bouts : progrès et vigilance

Au terme de ce parcours, la réponse à la question posée en titre se précise, et elle n'a rien d'un verdict binaire. L'intelligence artificielle est bien un moteur de progrès : les gains de productivité sont mesurés, l'emploi continue de croître dans les secteurs exposés, les salaires y progressent, et l'outil peut même réduire certains écarts de compétence en aidant prioritairement les débutants. Elle porte aussi un risque d'inégalités : concentration de l'accès à l'infrastructure et au calcul, paradoxe de la formation qui écarte les plus vulnérables, distribution des gains qui ne se fait pas d'elle-même. Les deux affirmations sont vraies simultanément.

Ce qui départage les scénarios, ce n'est pas la technologie mais les choix qui l'entourent. Le FMI le dit sans détour : l'effet sur les inégalités dépend des politiques d'accompagnement. L'OCDE le confirme : le défi n'est pas tant l'IA que l'accès inégal à la formation. La Banque mondiale l'illustre : la fracture matérielle est réelle, mais des solutions plus légères et abordables émergent pour la combler. Et la recherche académique montre que l'outil peut, selon sa conception, niveler par le haut. Le facteur décisif est humain, collectif, réversible.

C'est peut-être là le message le plus utile à retenir. Face à l'IA, la posture pertinente n'est ni l'émerveillement naïf ni la résignation, mais une confiance active et lucide : reconnaître les progrès réels, nommer les risques sans les exagérer, et se concentrer sur les leviers qui rendent le progrès partageable. L'histoire des grandes technologies enseigne que leur effet sur l'égalité s'est toujours joué dans les institutions, l'éducation et les choix de société qui les ont accompagnées, bien plus que dans les machines elles-mêmes. L'intelligence artificielle ne fait pas exception. Le progrès et l'équité ne sont pas condamnés à s'opposer ; les faire avancer ensemble reste, à la mi-2026, un objectif à la fois exigeant et pleinement atteignable.

Sources

Cet article s'appuie sur des sources publiques et vérifiables :

• Fonds monétaire international (FMI), « AI Will Transform the Global Economy. Let's Make Sure It Benefits Humanity » (14 janvier 2024) — imf.org.
• FMI, « Gen-AI: Artificial Intelligence and the Future of Work » (Staff Discussion Note, janvier 2024) — imf.org.
• OCDE, « Artificial intelligence and the changing demand for skills in the labour market » (2024) — oecd.org.
• OCDE, « Bridging the AI skills gap: Is training keeping up? » (2025) — oecd.org.
• Banque mondiale, « Digital Progress and Trends Report 2025: Strengthening AI Foundations » — worldbank.org.
• Daron Acemoglu, « The Simple Macroeconomics of AI » (NBER Working Paper 32487, 2024) — nber.org.
• Erik Brynjolfsson, Danielle Li, Lindsey Raymond, « Generative AI at Work » (NBER Working Paper 31161 ; Quarterly Journal of Economics, 2025) — nber.org.
• PwC, « 2025 Global AI Jobs Barometer » (juin 2025) — pwc.com.
• McKinsey Global Institute, « Jobs lost, jobs gained: Workforce transitions in a time of automation » et « Generative AI and the future of work in America » — mckinsey.com.
• Stanford HAI, « The 2025 AI Index Report » — diversité et compétences en IA — hai.stanford.edu.