Paradoxe de Jevons et IA : l’emploi en question
L’IA rend le logiciel moins coûteux, mais pas forcément les développeurs moins utiles. Ce que l’histoire du charbon et de l’automatisation révèle.
IA et paradoxe de Jevons : plus de logiciels, moins de développeurs ?
L'intelligence artificielle rend certaines tâches de programmation plus rapides et moins coûteuses. La question paraît simple : si produire du logiciel demande moins de travail, les entreprises vont-elles en faire plus, au point de préserver (ou même d'augmenter) les emplois ? Ou bien l'IA va surtout rogner sur une partie du travail des développeurs ?
Le paradoxe de Jevons donne une piste, mais il ne dit pas à l'avance comment ça finira. Au XIXe siècle, l'amélioration des machines à vapeur a rendu le charbon moins cher à l'usage, et la consommation totale a pourtant continué de grimper : quand le combustible coûte moins, on l'emploie dans davantage d'activités. Jevons faisait ce raisonnement pour le travail humain aussi. Et, de fait, l'histoire montre souvent un mélange : certaines demandes continuent d'augmenter, tandis que des emplois disparaissent ailleurs.
Pour démêler ce qui peut arriver aux métiers du logiciel, il faut séparer deux choses : le volume de logiciels produits et le nombre de personnes nécessaires pour les produire. Dans ce texte, on passera par l'idée « charbon », par des exemples d'automatisation, puis par les signaux qu'on peut observer autour de l'IA et de l'emploi informatique.
Que dit vraiment le paradoxe de Jevons ?
En 1865, William Stanley Jevons publie The Coal Question. À l'époque, la Grande-Bretagne dépend du charbon, et une idée semble logique : si les machines consomment moins de combustible pour produire la même quantité, les réserves dureront plus longtemps.
Jevons défend plutôt l'inverse. Une machine plus efficace fait baisser le coût d'utilisation du charbon. Les entreprises produisent à meilleur prix, trouvent de nouveaux débouchés et investissent davantage. Résultat : la consommation par machine baisse, mais le nombre de machines (ou d'usages) augmente assez pour que la consommation totale remonte. C'est ce mécanisme qu'on résume souvent comme « paradoxe de Jevons » ou « effet rebond ».
Le coût baisse, l'usage s'étend
Le paradoxe ne veut pas dire que toute amélioration d'efficacité entraîne automatiquement une hausse de la consommation. Il décrit une chaîne possible : productivité en hausse, coût en baisse, demande stimulée, puis extension de l'activité. Pour qu'on observe un « retour de flamme », l'augmentation de la demande doit dépasser les économies réalisées par unité produite.
L'exemple des hauts fourneaux vient souvent sous cette forme : une méthode plus efficace réduisait fortement le charbon nécessaire pour produire une tonne de fer. Mais le fer devenant moins cher, on en a produit davantage. En Écosse, la consommation totale de charbon dans la sidérurgie finit par augmenter, même si, tonne par tonne, il en fallait moins.
On retrouve ce raisonnement pour le logiciel : si l'IA réduit le temps nécessaire pour créer une fonctionnalité, le coût de production baisse. Une entreprise peut alors financer des outils qui lui semblaient trop chers avant - logiciels internes, automatisations pour une équipe, ou services taillés pour un besoin précis.
Jevons parlait aussi du travail
Dans son analyse, Jevons s'intéressait aussi aux travailleurs. Il envisageait qu'une nouvelle machine puisse d'abord supprimer des postes, puis élargir l'activité en rendant les produits moins chers. Il prenait notamment l'exemple de la machine à coudre : la fabrication devient plus efficace, et la demande de vêtements peut s'étendre.
Le point important, c'est que cette histoire n'assure pas que toutes les personnes déplacées retrouveront un poste comparable. Le paradoxe porte d'abord sur la quantité produite ou consommée, pas sur la répartition des emplois. Dans le logiciel, on peut avoir plus d'applications sans que cela se traduise par plus de personnes chargées d'écrire du code répétitif.
Autrement dit : plus de logiciels ne veut pas dire, automatiquement, plus de développeurs. La vraie question est celle des tâches qui montent, de celles qui baissent, et de qui fait désormais le travail.
Pourquoi une demande en hausse ne protège-t-elle pas tous les emplois ?
La baisse du coût d'un produit n'entraîne pas forcément une hausse de la demande suffisante pour stabiliser l'emploi. Tout dépend de l'élasticité : dans quelle mesure les achats changent quand le prix baisse.
Si une baisse de prix de 1 % fait monter la demande de plus de 1 %, les dépenses totales consacrées au produit peuvent augmenter. Dans ce cas, les entreprises ont des raisons de développer la production et donc l'emploi. Si, au contraire, la demande progresse moins vite que le prix baisse, les clients dépensent moins au total dans le secteur : les gains d'efficacité peuvent alors se traduire par une réduction des besoins de main-d'œuvre.
Pourquoi l'alimentation et l'éclairage racontent deux histoires différentes
L'agriculture montre bien la limite d'un raisonnement trop optimiste. Aux États-Unis, la part de la population active travaillant dans l'agriculture est passée d'environ 41 % en 1900 à 1,9 % en 2000. La productivité a progressé, les aliments sont devenus moins chers, mais la demande ne pouvait pas croître indéfiniment : même avec une nourriture moins chère, on ne mange pas cinq repas de plus parce que le prix baisse.
Une analyse du Bureau of Labor Statistics résumait ce contraste : productivité agricole en hausse, demande limitée. Les études sur l'élasticité de la demande alimentaire la situent en dessous de 1. Les économies ne se transforment donc pas entièrement en consommation supplémentaire de produits agricoles.
L'éclairage raconte l'autre scénario. Roger Fouquet et Peter Pearson estiment qu'au Royaume-Uni, la lumière coûte plus de 3 000 fois moins cher entre 1800 et 2000. Dans le même temps, l'utilisation par personne aurait été multipliée par environ 6 500. Quand le prix baisse, l'usage s'élargit à davantage de lieux et de situations.
Un modèle simple pour poser la bonne question
Pour le logiciel, on peut poser un cadre volontairement simplifié. Imaginons que le travail représente l'essentiel du coût de développement et que l'IA rende une personne g fois plus rapide. Alors, le coût d'une fonctionnalité pourrait être divisé par g. Si la demande de logiciels augmente avec cette baisse de prix, le volume total de travail dépend de l'ampleur de l'augmentation.
Dans ce cadre : si l'élasticité de la demande est supérieure à 1, la demande peut croître assez vite pour compenser le gain de productivité. Si elle est inférieure à 1, la production peut augmenter, mais le travail total nécessaire peut diminuer.
Mais il faut rester prudent : ce calcul ne prédit pas tout. Le coût d'un logiciel ne se limite pas au code - il faut aussi concevoir, tester, gérer la sécurité, intégrer, maintenir et supporter. Et personne n'a, aujourd'hui, une mesure fiable de l'élasticité de la demande de logiciels à l'échelle de l'économie entière. Ce modèle sert surtout à rendre l'incertitude visible, pas à la dissoudre.
Que nous apprennent les précédentes vagues d'automatisation ?
On retrouve dans l'histoire des cas où la productivité augmente, puis la demande suit, et d'autres où la tâche disparaît. Pour les emplois, la clé est souvent le contenu du travail.
Les guichets bancaires : une tâche transformée
Avec l'arrivée des distributeurs automatiques de billets, les agences ont eu besoin de moins de guichetiers. Selon James Bessen, une agence urbaine américaine comptait en moyenne 20 guichetiers en 1988 contre 13 en 2004. Comme les agences coûtent moins à exploiter, les banques en ouvrent davantage ; leur nombre augmente de 43 % dans les zones urbaines étudiées.
Et le métier n'a pas seulement « rétréci » : les guichetiers ont passé plus de temps à accueillir les clients et à les aider sur des opérations plus complexes. L'automatisation d'une partie du travail a donc contribué à une transformation, plutôt qu'à une disparition immédiate.
Puis la trajectoire a encore bougé. Les services en ligne et les applications mobiles ont réduit le besoin de se rendre en agence - pour déposer un chèque, par exemple, ou consulter un compte. Le distributeur a modifié la pratique, le téléphone a rendu certaines visites inutiles. Aux États-Unis, les effectifs de guichetiers ont baissé, et le Bureau of Labor Statistics anticipe une nouvelle baisse.
Les opératrices : une fonction entièrement automatisée
Le standard téléphonique a suivi une autre logique. Au début du XXe siècle, les opératrices reliaient manuellement les appels. La commutation automatique a remplacé une part majeure de ce travail : les appels continuent d'arriver, mais l'opérateur n'est plus nécessaire pour les connecter.
Des travaux sur l'introduction de la commutation mécanique aux États-Unis ont observé, dans les villes concernées, une baisse rapide et durable du nombre de jeunes femmes employées comme opératrices. La demande de communication téléphonique n'a pas disparu : c'est l'intervention humaine au cœur du processus qui a été rendue inutile.
La différence avec les guichets tient donc moins à « le volume de service » final qu'à la nature des tâches automatisées. Un outil qui accélère une partie du travail peut accroître la capacité d'une équipe. Un système qui réalise une fonction complète peut supprimer le poste associé.
Le bon niveau d'analyse : la tâche, pas le métier
Un métier regroupe plusieurs activités. Dans le développement logiciel, on peut citer la clarification du besoin, la conception d'une solution, l'écriture du code, la revue, la gestion des données et la mise en production. L'IA peut automatiser certaines tâches sans supprimer le rôle au complet.
À l'inverse, un poste composé surtout de tâches standardisées - avec des entrées claires et des résultats faciles à vérifier - est plus exposé à une automatisation complète. Cette distinction évite deux conclusions trop faciles : « l'IA augmente la productivité, donc l'emploi est protégé » et « l'IA écrit du code, donc les développeurs vont disparaître ».
L'IA produit-elle déjà plus de logiciels ?
Les signaux disponibles pointent surtout vers une baisse rapide du coût de certains usages de l'IA et une hausse du volume. C'est cohérent avec l'idée qu'un produit moins cher ouvre des cas d'usage. Mais ça ne suffit pas à conclure sur l'emploi.
Après la publication par DeepSeek d'un modèle moins coûteux à exploiter, Satya Nadella a invoqué Jevons pour dire que l'IA pourrait être beaucoup plus utilisée. Le lendemain, Nvidia a perdu environ 17 % de sa valeur boursière. Une lecture possible était alors différente : si les modèles coûtent moins cher, les entreprises auraient moins besoin de puces. L'épisode illustre surtout l'incertitude des marchés ; il ne prouve pas, à lui seul, quel scénario est le bon.
Des usages et des créations qui se multiplient
Les indicateurs disponibles vont dans le sens d'une progression rapide. Les volumes de jetons traités par Google augmentent très fortement entre 2024 et 2026. GitHub a recensé 121 millions de nouveaux dépôts en une année. De son côté, Appfigures observe une hausse de 24 % des nouvelles applications soumises à l'App Store d'Apple en 2025 par rapport à 2024.
Ces chiffres méritent quand même d'être lus avec prudence. Les jetons de Google incluent des fonctions d'IA activées chez des utilisateurs, sans forcément qu'ils aient choisi de le faire. Les dépôts et les applications créés ne disent rien sur la qualité, sur l'usage réel, ni sur le nombre d'emplois mobilisés pour concevoir ces projets. Ils indiquent toutefois que la baisse des coûts peut conduire à davantage de production, y compris pour des logiciels qui n'auraient pas été rentables avant.
On peut aussi penser à des outils assez ciblés : un calculateur de frais immobiliers par région, une application interne, ou un service conçu pour une seule équipe. Même en Europe, ces outils doivent intégrer des contraintes réelles : règles nationales, protection des données et exigences du RGPD. Le prototype coûte moins cher à produire, mais garantir la conformité et maintenir le produit ne s'évapore pas.
Les prévisions d'emploi sont moins optimistes
Aux États-Unis, les prévisions successives du Bureau of Labor Statistics pour les développeurs de logiciels ont été revues à la baisse. Pour la décennie 2025-2035, la croissance prévue est de 10 %. Pour les programmeurs - un métier davantage centré sur la traduction d'une conception en code - le bureau anticipe une diminution de 7 %, en partie liée à l'automatisation de tâches répétitives par l'IA.
Une étude de chercheurs de Stanford et d'Erik Brynjolfsson observe aussi une baisse relative de l'emploi chez les 22-25 ans dans des professions exposées à l'IA. L'explication avancée met en avant une réduction des embauches, plus qu'une vague de licenciements déjà massive. C'est un signal à suivre, pas une mesure définitive de l'impact de l'IA partout.
La radiologie sert parfois de contre-exemple rassurant : aux États-Unis, le nombre de places de formation spécialisées augmente entre 2022 et 2026, malgré les annonces antérieures selon lesquelles l'IA remplacerait rapidement les radiologues. Mais ça ne prouve pas que l'IA crée déjà plus de demandes de radiologues. Une explication plus simple serait que la technologie n'a pas encore pris en charge tout le travail.
Au final, le bilan reste dissymétrique : la production de logiciels peut augmenter plus vite que le nombre de personnes rémunérées pour les produire. Une hausse de l'activité ne dit pas, à elle seule, comment les revenus et les postes vont se répartir.
Comment évaluer l'avenir des métiers du logiciel ?
Pour une équipe, une direction technique ou un développeur, le débat abstrait sur la disparition des emplois aide moins que l'observation des tâches. La question pratique, c'est de savoir si l'IA rend les personnes plus productives dans leur rôle, ou si elle prend en charge le rôle de bout en bout.
Repérer le côté « machine à coudre »
Quand l'IA accélère une étape et laisse à une personne la responsabilité du résultat, elle ressemble à une machine à coudre. Dans une équipe de développement, elle peut produire une première version d'un composant, proposer des tests ou résumer du code. Les développeurs peuvent alors consacrer plus de temps à décider quoi construire, clarifier les exigences et vérifier les compromis.
Ce type d'évolution peut soutenir l'emploi si la baisse de coût fait émerger assez de nouveaux projets. Mais elle peut aussi augmenter la charge sans créer de nouveaux postes si l'entreprise produit davantage avec la même équipe. Le gain de productivité ne garantit donc pas, à lui seul, des salaires en hausse ou des recrutements : tout dépend des choix d'organisation et de la demande réelle.
Repérer le côté « standard téléphonique »
Quand l'IA prend en charge une tâche clairement délimitée, répétitive et vérifiable, sans exiger l'intervention humaine habituelle, elle ressemble davantage au standard automatique. La génération de code « standard » peut s'y rapprocher si les spécifications sont stables et les résultats faciles à tester.
On voit davantage d'automatisation quand les entrées sont prévisibles, les erreurs peu coûteuses et la validation peut être automatisée. C'est plus compliqué quand il faut négocier des exigences qui se contredisent, interpréter du contexte métier, ou répondre à des décisions qui engagent l'entreprise. Ce n'est pas une règle figée : les outils progressent, et les tâches changent avec les produits.
Un tableau de bord utile pour les équipes
Pour suivre les effets concrets de l'IA, une organisation peut regarder des indicateurs simples avant et après déploiement :
- Le coût complet d'une fonctionnalité, en comptant le cadrage, la revue, les tests et la maintenance, pas seulement le temps passé à écrire du code.
- Le nombre de fonctionnalités réellement utilisées, plutôt que le volume de code ou de prototypes générés.
- Le temps consacré à la correction et à la sécurité, car ça peut effacer une partie des gains apparents.
- L'évolution des recrutements par niveau d'expérience, surtout les postes juniors où se construisent les compétences.
- La nature des tâches qui disparaissent ou se développent, pour distinguer une vraie hausse de productivité d'un remplacement de fonction.
Ce suivi doit durer assez longtemps. Un prototype rapide peut coûter cher à maintenir, et un gain de vitesse ne vaut que si la qualité et la fiabilité restent acceptables en production. Dans les secteurs réglementés, la traçabilité des décisions, la protection des données et la possibilité d'auditer les résultats comptent aussi dans le coût réel.
À retenir : le paradoxe de Jevons aide à anticiper qu'une baisse des coûts peut pousser l'usage à augmenter. Mais il ne permet pas de conclure que l'emploi suivra. Pour avancer, il faut mesurer l'élasticité de la demande et observer ce que l'automatisation change dans les tâches, les rôles et les parcours.
Conclusion
L'histoire de Jevons invite à ne pas confondre efficacité et baisse automatique de l'activité. Quand une technologie réduit les coûts, de nouveaux usages peuvent apparaître et la production totale grimper rapidement. C'est un scénario plausible pour le logiciel, surtout si des applications ciblées deviennent économiquement accessibles.
Mais l'histoire du charbon rappelle aussi que la croissance peut finir par ralentir. Les guichets bancaires montrent qu'un métier peut d'abord se transformer avant de reculer ; les opératrices montrent qu'une demande durable ne suffit pas à empêcher la disparition d'une fonction devenue inutile.
Pour évaluer l'effet de l'IA sur le travail informatique, regardez donc moins le volume de code généré que les tâches et les postes qui évoluent. L'IA accélère-t-elle le travail des équipes, ou prend-elle en charge ce qui définissait leur rôle ? La réponse - suivie dans le temps et mesurée en production - sert mieux que toute prédiction catégorique.