Generative AI and Early-Career Hiring: Counts, Entry Rates, and the Employment Base

L'histoire de la façon dont les nouvelles technologies transforment la main-d'œuvre est souvent racontée comme un changement soudain, un moment où les machines prennent le relais et où les gens sont laissés pour compte. Mais la réalité est généralement plus subtile, se déployant dans les mécanismes silencieux du recrutement et de la stabilité de l'emploi bien avant que les gros titres n'arrivent. Les économistes étudient ces changements en examinant deux façons différentes de mesurer le travail : le nombre brut de personnes embauchées, et le taux auquel ces embauches se produisent par rapport à la taille de la main-d'œuvre existante. Imaginez une usine où le nombre total de travailleurs diminue ; même si l'usine embauche le même nombre de nouvelles personnes qu'auparavant, le taux d'embauche par rapport au personnel total pourrait paraître différent. Comprendre la distinction entre un simple décompte de nouveaux travailleurs et le taux mathématique d'embauche est crucial, car une baisse du nombre de nouvelles embauches ne signifie pas toujours que les employeurs ont cessé de chercher des talents. Cela peut simplement signifier que le bassin de travailleurs expérimentés dont ils recrutent a changé de taille ou de composition. Cette distinction devient particulièrement importante lorsque l'on examine comment l'intelligence artificielle, spécifiquement la nouvelle génération d'outils capables d'écrire et de raisonner comme des humains, affecte les jeunes qui tentent de lancer leur carrière.

Une étude récente menée par le chercheur Yi Wu, de l'Université du Texas à Austin, examine précisément cette question. L'article demande si l'essor de l'IA générative a provoqué une baisse spécifique de l'embauche des travailleurs en début de carrière, définis comme ceux âgés de 22 à 34 ans, par rapport aux travailleurs plus âgés et établis. Pour trouver la réponse, le chercheur ne s'est pas appuyé sur des sondages ou des suppositions sur ce que les entreprises pensaient. Au lieu de cela, il s'est tourné vers un ensemble de données gouvernementales massives et détaillées appelé Quarterly Workforce Indicators. Ces données suivent les véritables événements d'embauche à travers des milliers d'industries aux États-Unis, en distinguant les « toutes nouvelles embauches » des « embauches stables ». Une embauche stable est un type spécifique d'enregistrement d'emploi : elle n'est comptabilisée que lorsqu'un nouvel employé est resté dans le poste assez longtemps pour être considéré comme faisant partie intégrante et régulière de la main-d'œuvre pendant un trimestre entier. En se concentrant sur ces embauches stables, l'étude examine les emplois qui durent réellement, plutôt que les positions à court terme ou d'essai.

Le chercheur a comparé les industries fortement exposées à l'intelligence artificielle basée sur le langage avec celles qui le sont moins. L'exposition a été mesurée par la mesure de la façon dont les tâches typiques d'une industrie dépendent de compétences que les outils d'IA peuvent désormais accomplir, telles que l'écriture, le codage ou l'analyse de texte. L'étude a révélé qu'après 2022, lorsque ces outils d'IA sont devenus largement disponibles, le nombre d'embauches stables pour les jeunes travailleurs a chuté de manière significative plus marquée dans les industries à haute exposition que dans celles à faible exposition. Cette baisse n'était pas une simple fluctuation ; c'était un déclin clair et mesurable. Cependant, l'étude a également trouvé que cette baisse était beaucoup plus prononcée pour les embauches stables que pour l'ensemble des embauches, suggérant que l'impact de l'IA affecte spécifiquement les emplois qui mènent à un emploi à long terme.

C'est ici que l'histoire prend un tournant surprenant. Lorsque le chercheur a décomposé les chiffres pour comprendre pourquoi le décompte des embauches de jeunes chutait, il a découvert que la baisse n'était pas due à un changement soudain et statistiquement significatif de la fréquence à laquelle les entreprises embauchaient les jeunes par rapport à leur personnel actuel. Au contraire, le déclin se situait presque entièrement dans la taille de la main-d'œuvre elle-même. L'étude a séparé le décompte des embauches en deux parties : le taux d'embauche (combien de nouvelles personnes sont embauchées par unité de personnel existant) et la base d'emploi (le nombre total de travailleurs stables déjà sur la liste de paie). Les données ont montré que le taux d'embauche pour les jeunes travailleurs n'a pas présenté de déclin statistiquement fiable. En fait, le coefficient estimé pour le taux était positif mais imprécis, et son signe variait selon la façon dont les données étaient transformées, ce qui signifie que la preuve d'une baisse distincte du taux d'entrée est moins solidement étayée. L'intégralité du déclin du nombre de jeunes embauches provenait du fait que le bassin de travailleurs stables et expérimentés dans ces industries rétrécissait ou changeait d'une manière qui réduisait le dénominateur.

Cette conclusion remet en question une hypothèse commune. Beaucoup pourraient s'attendre à ce que, si l'IA remplace le travail humain, les entreprises cessent simplement d'embaucher des jeunes au même rythme qu'auparavant. L'étude suggère un mécanisme différent. Le déclin des embauches de jeunes semble être la conséquence d'une tendance à plus long terme dans la composition de la main-d'œuvre qui était déjà en cours avant la pandémie, et qui s'est poursuivie après celle-ci. La « base d'emploi » pour les jeunes travailleurs dans les industries exposées à l'IA suivait déjà une tendance à la baisse, et les nouveaux outils d'IA n'ont pas nécessairement provoqué un arrêt soudain de l'activité de recrutement. Plutôt, le déficit d'embauche est concentré dans le bassin décroissant d'emplois stables disponibles pour être occupés. L'étude note explicitement que ce schéma était visible dans les données avant l'adoption généralisée des chatbots d'IA les plus célèbres, suggérant que les forces en présence sont plus profondes et plus anciennes que le récent boom technologique.

La recherche a également examiné si cette tendance était une rupture soudaine avec le passé ou la continuation d'un modèle plus ancien. En comparant les données post-2023 aux tendances observées entre 2017 et 2019, l'étude a constaté que le déclin des décomptes d'embauches s'est légèrement accéléré après 2023. Cependant, même cette accélération était principalement tirée par des changements dans la base d'emploi, et non par un effondrement soudain du taux d'embauche. L'étude précise avec prudence que, bien que les chiffres montrent une corrélation claire entre l'exposition à l'IA et moins d'embauches de jeunes, elle ne prouve pas que l'IA est la seule cause. D'autres facteurs, tels que la reprise économique après la pandémie ou d'autres changements industriels, pourraient contribuer à ce phénomène. Pourtant, les preuves suggèrent que la baisse des embauches de jeunes n'est pas simplement le résultat d'un fait que les entreprises embauchent moins de personnes par travailleur existant ; le taux d'embauche est resté relativement stable, tandis que le nombre total de postes stables disponibles pour les jeunes a diminué.

L'un des enseignements les plus importants de l'article est la distinction entre un décompte et un taux. Si l'on ne regarde que le nombre total de jeunes personnes embauchées, cela ressemble à un désastre pour leurs perspectives de carrière dans les domaines fortement liés à l'IA. Mais si l'on regarde le taux auquel ils sont embauchés par rapport à la taille de la main-d'œuvre, le tableau est beaucoup moins dramatique. L'étude conclut que la base d'emploi mérite autant d'attention que les flux de travailleurs lorsque nous essayons de comprendre comment la technologie modifie le marché du travail. Le déclin des embauches de jeunes est réel, mais il est concentré dans le dénominateur — la taille de la main-d'œuvre stable — plutôt que dans le numérateur, qui représente l'activité d'embauche elle-même. Cela signifie que l'histoire de l'IA et des travailleurs en début de carrière n'est pas seulement une question d'entreprises qui cessent d'embaucher ; c'est une question de changement complexe dans la structure de la main-d'œuvre qui prédate la vague actuelle de l'IA et continue de façonner qui est embauché et qui ne l'est pas.

L'étude ne prétend pas avoir résolu le mystère de l'effet de l'IA sur l'avenir du travail, ni suggère qu'elle est sans espoir. Elle fournit simplement une carte plus claire et plus précise de ce qui se passe actuellement. En séparant le taux d'embauche de la base d'emploi, la recherche révèle que la baisse des embauches de jeunes n'est pas un rejet soudain et tranchant du jeune talent par les employeurs. Au contraire, c'est le reflet d'un changement plus large et plus lent dans la composition de la main-d'œuvre dans les industries où l'IA est la plus pertinente. Les conclusions suggèrent que les défis auxquels sont confrontés les travailleurs en début de carrière sont profondément ancrés dans la structure de ces industries, et que comprendre la taille et la stabilité de la main-d'œuvre est tout aussi important que de compter les nouvelles embauches. En fin de compte, l'article propose une correction discrète mais puissante au récit : le problème n'est pas nécessairement que les entreprises ont cessé d'embaucher des jeunes, mais que le paysage dans lequel elles recrutent a fondamentalement changé, et que ce changement a commencé bien avant que le premier chatbot d'IA ne soit mis en ligne.