Le double choc de l’IA : emploi et fiscalité
Les formes modernes d’IA vont bouleverser les tâches cognitives complexes, mais aussi les équilibres macroéconomiques et budgétaires.
Une analyse de la chercheuse Axelle Arquié, issue du dernier numéro de L’Economie politique.
le 7 août 2026
Depuis la généralisation de l'IA générative, les jeunes actifs de 22 à 25 ans dans les professions les plus exposées ont subi une baisse relative de l'emploi de 16 %.
Dès la naissance de l’intelligence artificielle (IA) en tant que discipline de recherche, dans les années 1950, deux paradigmes s’affrontent, avec des implications très différentes sur le type de travail pouvant être automatisé.
Le premier repose sur l’IA symbolique : un système de règles logiques codées exhaustivement, apportant une réponse prédéfinie à chaque situation, mais incapable de gérer l’inattendu. Les limites à l’automatisation du travail étaient alors très nettes : toute tâche demandant un degré d’improvisation était préservée.
Le second, l’apprentissage automatique (machine learning), vise à doter les machines d’une capacité à apprendre à partir d’exemples ou d’interactions avec l’environnement (sous forme d’essais-erreurs), plutôt qu’une programmation exhaustive. La rigidité du premier modèle finit par le condamner face à la complexité du monde réel au profit d’un second paradigme, l’IA connexionniste, qui exige une masse de données alors indisponible et se heurte aux limites de l’époque en termes de puissance de calcul.
L’explosion de l’IA connexionniste s’est amorcée dans les années 2010, avec la montée en puissance des capacités de calcul et l’explosion des données disponibles, rendant l’apprentissage machine possible à grande échelle.
Cette aptitude à automatiser des tâches intellectuelles à haute valeur ajoutée amorce une recomposition profonde des équilibres économiques
En 2017, l’architecture des Transformers, mise au point par des ingénieurs de Google, bouleverse le traitement automatique du langage : au lieu de traiter le texte séquentiellement, mot après mot, le mécanisme d’attention traite l’ensemble des mots simultanément, en parallèle. Cette percée confère aux algorithmes une aptitude inédite à produire des textes fluides et cohérents, jetant les bases de l’IA générative telle qu’on la connaît aujourd’hui. Dès lors, une capacité émergente à l’improvisation couplée à une maîtrise du langage repousse la frontière de l’automatisation.
Cette aptitude à automatiser des tâches intellectuelles à haute valeur ajoutée, qui constitue l’essence même du travail d’une classe sociale entière, amorce une recomposition profonde des équilibres économiques, susceptible de remettre en cause les rapports historiques entre capital et travail.
Pour appréhender cette bascule, cet article s’attachera d’abord à décrypter la nature technique de cette révolution, puis mettra en lumière ses conséquences néo-tayloristes sur le travail cognitif. Nous analyserons ensuite comment ce choc sur le marché du travail risque d’engendrer un effet de ciseau budgétaire, avant d’esquisser les pistes d’une fiscalité de l’automatisation.
Anatomie de la révolution : les mécanismes sous-jacents
Examinons d’abord les fondements techniques de ces systèmes, car on ne peut comprendre les rapports sociaux sans comprendre l’outil de production. Les grands modèles de langage (LLM), dont ChatGPT est l’exemple le plus connu, prédisent le prochain fragment textuel d’une séquence. Pour être analysés, les textes sont découpés en unités élémentaires appelées tokens (« jetons », portions de mots ou de caractères), et le modèle s’entraîne à prédire le token suivant dans ses « données d’entraînement ». Les portions de milliards de phrases sont masquées et le modèle apprend à les reconstituer : c’est la phase d’entraînement.
Pour cela, les corpus textuels (presse, ouvrages, forums, cours en ligne) sont convertis en représentations mathématiques (embeddings) : chaque token est encodé dans un espace mathématique qui reflète sa proximité avec les autres. Le système ajuste successivement ses paramètres internes, les « poids », pour minimiser l’écart entre ses prédictions et les séquences effectivement observées dans les données. Ce processus itératif lui permet d’extraire les régularités sous-jacentes : conventions grammaticales, associations sémantiques, enchaînements argumentatifs, registres stylistiques et tonalités (ironie, emphase, etc.).
Les systèmes d’IA actuels, aussi impressionnants soient-ils, demeurent des intelligences étroites
Cette architecture s’est depuis étendue bien au-delà du texte : les modèles dits multimodaux encodent images, sons et vidéos dans un espace mathématique commun où ils deviennent comparables et combinables, permettant au modèle de les traiter conjointement. Un modèle multimodal peut ainsi analyser une radio médicale, interpréter un graphique financier ou transcrire une réunion audio, élargissant le spectre des tâches cognitives automatisables au-delà des seules professions traitant du texte.
Pour autant, les systèmes d’IA actuels, aussi impressionnants soient-ils, demeurent des intelligences étroites. Les LLM ne disposent pas de la versatilité cognitive propre aux humains : leur fonctionnement autorégressif consiste essentiellement à appliquer des régularités statistiques apprises lors de l’entraînement, sans véritable compréhension conceptuelle, notamment causale.
Ils peinent à résoudre des problèmes « hors distribution », dépassant la combinaison d’éléments présents dans leurs données d’entraînement. Ils souffrent du phénomène d’hallucination : ils peuvent fabriquer des informations inexistantes (recommander un ouvrage fictif, citer un article académique imaginaire, fabriquer une jurisprudence). Ces failles constituent, pour l’heure, des limites tangibles à l’automatisation.
Le terme « IA agentique » désigne une architecture combinant plusieurs LLM qui leur confèrent une certaine autonomie et les connecte à des outils externes : moteurs de recherche, bases de données, tableurs, messageries, interfaces de réservation. Plutôt que de répondre à une question isolée, un agent peut enchaîner de lui-même plusieurs étapes.
Un agent chargé d’organiser un déplacement professionnel pourrait ainsi interroger des sites de transport, comparer des disponibilités, réserver et envoyer une confirmation, sans intervention humaine à chaque étape. Pour cela, il s’appuie sur une mémoire externe : l’historique de ses actions, les documents pertinents et les résultats intermédiaires ne sont pas stockés dans le modèle lui-même, mais récupérés dynamiquement et réinjectés à chaque étape dans son contexte de travail. C’est le principe dit de la génération augmentée par récupération (ou RAG) : le modèle ne « sait » pas, il consulte, à la façon d’un collaborateur qui rouvre le dossier avant chaque réunion plutôt que de tout mémoriser.
Nous sommes donc encore loin d’une véritable mémoire de qualité humaine qui permettrait de garder l’ensemble d’un projet pluriannuel à l’esprit. Outre cette limite en termes de mémoire, deux autres freins ralentiront l’automatisation. D’abord, les coûts d’inférence (c’est-à-dire la consultation des différents LLM) sont susceptibles d’exploser dans le cadre d’une architecture complexe multipliant les appels entre modèles.
Ensuite, l’explicabilité des modèles demeure partielle : les laboratoires cherchent à rendre auditables et interprétables des décisions illisibles pour un esprit humain. Or, sans capacité à expliquer et vérifier la logique d’une décision prise par une IA (la fameuse « boîte noire »), les entreprises hésiteront à lui confier des tâches critiques.
Si l’IA agentique étend le périmètre d’action des LLM, passant de la réponse ponctuelle à l’exécution de flux de travail entiers, le soubassement technologique demeure identique et ces systèmes ne franchissent pas le seuil de l’IA générale.
C’est précisément parce que l’IA « ne comprend pas », au sens causal, ce qu’elle produit, qu’elle nécessite une supervision humaine constante. Cette limite technique ouvre la voie à une dégradation du travail majeure : l’émergence d’un « taylorisme cognitif », où le travail intellectuel se réduirait à la vérification de productions algorithmiques.
Le choc de l’IA sur l’emploi : déqualification, substitution et rapport de force salarial
Les LLM permettent d’automatiser des tâches qui, pour un humain, exigent un raisonnement. Le fait que ces modèles raisonnent véritablement ou non est subsidiaire du point de vue du salarié : seul importe le fait que certaines des tâches qui leur demandent un raisonnement puissent désormais être automatisées. Or, en résultera une transformation de la nature même du travail intellectuel.
Juan Sebastián Carbonell, dans son récent ouvrage, Un taylorisme augmenté [2025], évoque ainsi la possibilité de voir émerger une parcellisation du travail cognitif. Confrontées à des modèles puissants mais encore imparfaits, les entreprises pourraient décomposer les processus cognitifs complexes en tâches confiées à des IA, chacune nécessitant une validation humaine : vérifier un résumé, reformuler un paragraphe, corriger un contrat.
Cette transformation pourrait annoncer, pour reprendre la terminologie de Bernard Stiegler [2012], un troisième stade de la prolétarisation, décrite comme la dépossession progressive des individus de leurs savoir-faire par leur « extériorisation » dans des supports techniques. Après la perte des savoir-faire ouvriers au XIXe siècle quand la machine industrielle absorba les gestes, puis la perte des savoir-vivre au XXe siècle quand le marketing de masse uniformisa et dicta les modes d’existence, ce sont désormais les savoirs théoriques qui sont menacés d’extériorisation, d’abord par l’informatique, désormais par l’IA générative.
Dans ce nouveau monde, un juriste d’entreprise ne ferait plus que relire des documents générés automatiquement. Un consultant en stratégie se bornerait à valider des rapports produits par des modèles. Un chercheur verrait son rôle réduit à trier des hypothèses générées par IA. Les salariés deviendraient des « superviseurs de machines » au lieu d’être des professionnels exerçant un raisonnement complexe. Cette dégradation fragiliserait le sens du travail.
Mais ce taylorisme cognitif amputerait aussi le pouvoir de négociation des travailleurs : des salariés plus facilement substituables pèsent moins dans le rapport de force salarial. Et cette pression serait redoublée par la menace de destruction nette d’emplois. Historiquement, la technologie a supprimé certaines tâches par automatisation (substitution), mais a également généré de nouvelles tâches dans lesquelles le travail humain conserve un avantage comparatif (complémentarité).
Lors de la première phase de la révolution industrielle britannique, les technologies de substitution ont dominé, engendrant ce que l’historien Robert Allen [2009] a baptisé l’« Engels’ Pause » : pendant près de soixante ans, le PIB par habitant progressait rapidement tandis que les salaires réels stagnaient, les gains de la croissance allant quasi exclusivement aux détenteurs du capital. Les métiers à tisser mécaniques en sont l’illustration la plus emblématique : les salaires réels des tisserands manuels s’effondrent de moitié entre 1806 et les années 1820, alors que des centaines de milliers de travailleurs dépendaient encore de ce métier.
La seconde phase de la révolution industrielle, portée par l’électrification, les chemins de fer et la chimie industrielle aux Etats-Unis, en Grande-Bretagne et en Allemagne, s’est caractérisée par une plus forte complémentarité et a inversé la dynamique : elle a généré de nouveaux métiers (ingénieurs, mécaniciens, opérateurs de réseaux), et une redistribution progressive des gains de productivité vers les salaires. Mais cette correction n’était pas inscrite dans une loi économique immuable : elle a résulté de luttes sociales [Acemoglu et Johnson, 2023].
D’autres vagues d’innovation ont, de la même façon, fait émerger des métiers entièrement inédits : les informaticiens nés de la révolution numérique, les data scientists portés par l’essor du big data par exemple. L’impact de l’IA sur l’emploi dépendra ainsi largement du rapport entre ces deux dynamiques : l’automatisation de tâches existantes d’une part (substitution), l’émergence de nouvelles tâches (complémentarité) d’autre part.
Cependant, même dans le scénario optimiste d’un rééquilibrage du marché du travail, les périodes de transition sont difficiles : lors de la plus récente phase de désindustrialisation, les travailleurs licenciés se sont difficilement reconvertis et ont souvent subi une dégradation durable de leurs revenus. Ces périodes de transition sont coûteuses humainement, mais aussi politiquement.
L’exposition à la robotisation elle-même, et non au seul commerce, est ainsi liée à la progression des partis d’extrême droite en Europe [Milner, 2021]. Mais, si le risque d’une déstabilisation du marché du travail, porteur d’effets politiques pour l’ensemble de la population, existe en théorie, s’est-il matérialisé dans les faits ?
Les effets mesurés de l’IA sur l’emploi
Les effets au niveau agrégé ne sont pas perceptibles à ce jour. Deux études portant sur l’ensemble du marché du travail américain convergent vers ce constat : Yale Budget Lab [Gimbel et al., 2025] et Anthropic [2026] ne décèlent aucune perturbation notable de l’emploi ou du taux de chômage depuis le lancement de ChatGPT. Cette dernière étude souligne en outre que l’IA est loin d’avoir atteint son potentiel de substitution théorique : l’exposition réelle, mesurée par les usages effectifs sur les plates-formes, constituerait seulement une fraction de ce que les capacités techniques permettraient – ce qu’il faut toutefois interpréter avec prudence, Anthropic étant à la fois constructeur des modèles évalués et auteur de l’étude.
Ces résultats agrégés ne signifient nullement que l’IA générative n’aura pas, à terme, d’effets macroéconomiques. La véritable rupture ne viendra probablement pas des LLM ou des modèles multimodaux utilisés de manière isolée, mais des systèmes agentiques capables d’agir de façon autonome, en enchaînant plusieurs étapes à travers des flux de travail entiers. Or l’IA agentique en est encore à ses balbutiements : seul un tiers des grandes entreprises a lancé des projets, exploratoires, dans ce domaine [McKinsey, 2025].
Les analyses microéconomiques françaises dont nous disposons souffrent d’une double limite [par exemple, Aghion et al., 2025]. La première est temporelle : les données administratives disponibles (DADS-DSN) dataient d’avant le lancement de ChatGPT en novembre 2022. Ainsi, ces études ne portent pas sur l’IA générative. La seconde est méthodologique : ces études montraient que les entreprises adoptant l’IA pré-IA générative embauchaient davantage. Mais la date de l’adoption n’est pas aléatoire : les entreprises les plus performantes adoptent en premier les technologies et gagnent des parts de marché sur leurs concurrentes, qui, elles, sont susceptibles de réduire leurs effectifs en proportion. La corrélation positive observée au niveau de la firme adoptante peut donc être compensée par des destructions d’emplois chez les perdantes, rendant l’effet net sur l’emploi sectoriel total incertain, voire nul. Ce mécanisme a par exemple été documenté en France pour la robotique industrielle [Acemoglu et al., 2020].
Il importe de souligner que cet argument ne s’inverse pas. Lorsque des études plus récentes documentent une moindre embauche dans les entreprises adoptantes relativement aux non-adoptantes, le mécanisme de compensation est cette fois absent : si les adoptantes embauchent moins malgré leurs gains de parts de marché, c’est que la technologie réduit le besoin en main-d’œuvre par unité produite. Soit un effet qui ne génère en principe pas d’embauches compensatrices chez les concurrents.
Les données les plus solides proviennent actuellement des Etats-Unis. Une première étude [Brynjolfsson et al., 2025, révisée en 2026], s’appuie sur des données mensuelles récentes. Depuis la généralisation de l’IA générative, les jeunes actifs de 22 à 25 ans dans les professions les plus exposées ont subi une baisse relative de l’emploi de 16 %, même après contrôle des chocs propres aux entreprises et sans que les évolutions des taux d’intérêt puissent expliquer cette tendance. A l’inverse, l’emploi est resté stable, voire a continué de progresser pour les travailleurs plus expérimentés.
Ces résultats doivent être interprétés avec prudence : les auteurs ne revendiquent pas une causalité pure, notamment car les professions les plus exposées sont concentrées dans les secteurs des services professionnels et de l’information (conseil, finance, développement logiciel, etc.). Or, ces secteurs avaient connu une rupture historique de leurs recrutements (à la hausse) durant la pandémie de Covid-19 ; la baisse actuelle pourrait donc refléter, en partie, une normalisation post-crise.
Une seconde étude [Hosseini Maassoum et Lichtinger, 2025] confirme ces résultats par une approche différente, moins sujette à cette critique. En ciblant l’analyse au niveau de l’entreprise plutôt que de la profession, les chercheurs peuvent comparer des entreprises similaires, isolant ainsi l’effet de l’IA des chocs purement sectoriels. Les chercheurs identifient les entreprises « adoptantes » via leurs offres d’emploi sur LinkedIn pour des postes d’intégrateur IA, et constatent qu’à partir du premier trimestre 2023, l’emploi des juniors dans ces entreprises décline relativement aux non-adoptantes.
Concernant les salaires, une étude récente met en évidence des pressions à la baisse sur les rémunérations des travailleurs juniors et intermédiaires : dans les entreprises exposées à l’IA, les salaires ont reculé de 4,5 % en moyenne après le lancement de ChatGPT, avec une baisse de 6,3 % pour les postes juniors et de 5,9 % pour les postes intermédiaires, tandis que les rémunérations des profils seniors se sont maintenues, voire ont progressé [Giné et al., 2026].
La convergence de ces études suggère un phénomène précoce robuste : les premiers effets de l’IA générative se manifestent avant tout par une non-création de postes juniors et par des modérations salariales, plutôt que par des destructions massives d’emplois. Cette dynamique ne préjuge pas que seuls les juniors seront affectés à terme : il est simplement plus aisé de d’abord geler les recrutements plutôt que de procéder à des licenciements d’employés plus seniors, le temps que la technologie mûrisse.
Dès lors, face au développement encore naissant d’une technologie qui pourrait créer un choc sur le marché du travail, il est nécessaire de chercher à anticiper les effets à venir, plutôt que d’attendre qu’ils se matérialisent pour les mesurer ex post – lorsqu’il sera trop tard. C’est l’objectif des études prospectives. Le département Global Investment Research de Goldman Sachs [Briggs et Dong, 2026] estime que l’IA pourrait à terme automatiser 25 % des heures travaillées dans l’économie américaine, ce qui se traduirait, en phase de transition, par le déplacement de 6 à 7 % des emplois. Si la part du travail dans la valeur ajoutée venait à chuter dans ces proportions, le financement de notre contrat social, historiquement adossé au travail salarié, serait menacé.
Anticiper le choc budgétaire
Les destructions d’emplois de cols blancs pourraient menacer la soutenabilité des finances publiques. D’un côté, la destruction d’emplois bien rémunérés entraînerait une contraction simultanée de l’impôt sur le revenu, des cotisations (d’autant plus forte que les emplois de cadres paient à taux plein) et de la TVA induite par une baisse de la consommation des ménages touchés par le choc. De l’autre, l’accroissement du chômage entraînerait une hausse des dépenses d’indemnisation.
En France, la masse salariale du secteur privé constitue près de 70 % de l’assiette des cotisations sociales (Urssaf, 2025). A titre d’exemple, un calcul brut (et statique) montre qu’avec un taux moyen de prélèvement d’environ 45 % et une élasticité quasi unitaire (selon les modèles de l’Insee), un recul de 6 % de la masse salariale privée – hypothèse conservatrice cohérente avec les estimations de Goldman Sachs pour les emplois supprimés – pourrait se traduire par une perte de recettes de cotisations de l’ordre de 18 à 20 milliards d’euros, montant légèrement supérieur au déficit actuel de la Sécurité sociale (15,3 milliards d’euros en 2024).
Et ce, avant même de comptabiliser les pertes d’impôt sur le revenu et de TVA, et la hausse des dépenses d’indemnisation. L’effet ciseau ne serait pas une dégradation marginale : il rendrait intenable une trajectoire financière déjà fragilisée. Cependant, pour un calcul complet, il faudrait également prendre en compte des effets d’équilibre général, notamment un potentiel effet positif sur les finances publiques du fait d’une hausse des profits des entreprises devenues plus productives grâce à l’automatisation.
Si les gains de productivité induits par l’IA augmentent suffisamment la base fiscale globale (bénéfices des entreprises, consommation des ménages), les systèmes sociaux pourraient être financés sans fiscalité spécifique sur l’automatisation.
Mais cette thèse repose cependant sur des conditions que rien ne garantit aujourd’hui : que les gains soient suffisamment distribués pour ne pas être captés exclusivement par les détenteurs de capital, que la vitesse de la transition soit compatible avec une réembauche rapide des travailleurs déplacés leur permettant de maintenir leur consommation, et que les emplois créés soient de niveau de rémunération comparable aux emplois détruits (et en nombre équivalent), condition décisive dans un système où la protection sociale repose structurellement sur les cotisations des hauts revenus du travail. C’est précisément lorsque ces conditions ne sont pas réunies que les instruments que nous allons esquisser pourraient trouver leur justification.
Avant toute chose, soulignons que le cadre actuel crée un biais d’automatisation : il existe une distorsion fiscale entre capital et travail, à la faveur du premier [Acemoglu et al., 2020, pour les Etats-Unis]. Le travail humain est ainsi soumis à des charges sociales, tandis que les dépenses d’IA, qu’il s’agisse d’abonnements SaaS (Software as a Service, « logiciel en tant que service ») ou d’appels d’API, déductibles comme charges d’exploitation, ou de logiciels acquis, amortissables fiscalement ne supportent pas de contribution équivalente. Cette asymétrie oriente mécaniquement les décisions d’investissement vers l’automatisation.
Le principe directeur d’un rééquilibrage pourrait consister à taxer la rente d’automatisation, c’est-à-dire le surplus dégagé par les entreprises lorsqu’elles remplacent du travail humain par du capital numérique, plutôt que de la subventionner, Il s’agirait alors de concevoir une taxe dont le montant serait le « miroir » des cotisations sociales que l’entreprise aurait dû payer si elle avait employé un humain pour accomplir la même tâche, avec pour objectif le maintien du financement des systèmes sociaux [Abbott et Bogenschneider, 2018]. Il s’agirait de cibler les seuls usages substituant effectivement du travail humain, à l’exclusion des usages potentiels d’augmentation de la productivité ou de création de tâches nouvelles. Cette distinction étant difficile à opérer en pratique, tout dispositif concret constituera une approximation.
Une première piste pourrait chercher ainsi à déceler une automatisation « excessive ». Elle pourrait par exemple consister à moduler le taux d’imposition sur les bénéfices en fonction de la part des salaires dans la valeur ajoutée. Une entreprise dont ce ratio baisserait sous un seuil critique, défini par secteur, et qui serait le signal comptable d’une automatisation intensive, se verrait appliquer un taux majoré. Mais la difficulté à estimer ce seuil sectoriel de déclenchement, théorique, rendrait très probablement ce dispositif trop complexe en pratique.
Une seconde piste, plus pragmatique, viserait plutôt les utilisations des modèles. Il s’agirait d’appliquer une contribution spécifique aux factures d’achat de services d’IA : abonnements SaaS, appels d’API. Ces dépenses, lorsqu’elles sont comptabilisées en charge sous la rubrique « services extérieurs » dans les comptes d’entreprise (mode d’accès dominant à l’IA générative, les licences perpétuelles restant marginales), pourraient être requalifiées en « travail numérique », soumis à un taux de prélèvement aligné sur les charges sociales patronales. Le dispositif ciblerait ainsi par exemple les cabinets de conseil, établissements bancaires, assureurs qui substitueraient l’IA agentique au travail humain, les développeurs de modèles devenant collecteurs de la contribution sans en être redevables.
Une déclinaison technique de ce principe consiste en une taxe portant non pas sur un poste de la comptabilité de l’entreprise mais sur sa consommation de tokens, l’unité élémentaire de calcul sur laquelle repose déjà la facturation des API [Irwin et al., 2026]. Cette taxe token présente l’avantage d’une assiette déjà mesurée et facturée par les fournisseurs eux-mêmes, sans nécessiter de requalification comptable, opération sujette à contentieux.
Ces deux pistes soulèvent une tension commune : dans un régime de concurrence fiscale internationale non coordonnée, toute surtaxation unilatérale de l’usage de l’IA risque de dégrader la compétitivité des entreprises françaises. On pourrait penser contourner ce problème en ciblant les flux de consommation des détenteurs de capital, puisque la consommation est plus difficile à délocaliser.
Mais cette approche se heurte à deux limites structurelles : les détenteurs de capital n’en consomment qu’une fraction, et une part croissante de leur patrimoine se transmet entre générations sans jamais être dépensée, hors d’atteinte de toute TVA. Une piste plus robuste consiste donc à cibler le capital lui-même.
Aux Etats-Unis, les sénateurs Bernie Sanders et Ro Khanna ont déposé, en mars 2026, le Make Billionaires Pay Their Fair Share Act, prévoyant une taxe annuelle de 5 % sur les patrimoines supérieurs à un milliard de dollars. Si les gains de l’automatisation se concentrent structurellement dans le patrimoine d’un petit nombre de détenteurs de capital, fondateurs et actionnaires des grandes plates-formes IA, une taxe sur les super-patrimoines reviendrait indirectement à taxer la rente d’automatisation à sa source finale. Cette approche se heurte cependant à des obstacles : mobilité internationale des patrimoines ou encore difficultés d’évaluation des actifs non liquides.
Une prise de participation publique directe au capital des entreprises IA, ou Universal Basic Capital (UBC), pourrait alors être envisagée : c’est une solution considérée par les économistes Anton Korinek et Lee M. Lockwood [2026] en cas d’automatisation massive liée à l’émergence d’une IA supra-humaine qui nous dépasserait dans tous les domaines cognitifs, rendant le travail humain superflu. Ce mécanisme pourrait cependant se révéler utile avant que ce point de non-retour ne soit atteint, si une fraction trop importante de la population se retrouvait exclue du marché du travail.
Dans ce type de scénario, la redistribution ne peut alors s’opérer qu’en amont, par la propriété du capital productif lui-même. L’UBC consiste ainsi à doter chaque citoyen d’un portefeuille d’actifs dans les entreprises qui créent la richesse. Chaque citoyen devient ainsi rentier d’une fraction de la valeur créée par l’automatisation, indépendamment de son employabilité : il s’agit d’un droit de propriété individuel et universel, et non d’un simple transfert social. L’Universal Basic Capital présente une limite spécifique.
Si la prise de participation cible les entreprises utilisatrices d’IA (cabinets de conseil, banques, assureurs), elle est juridiquement praticable, ces acteurs étant pour la plupart sous juridiction européenne, mais elle ne capte que la rente aval de l’automatisation, c’est-à-dire le surplus réalisé par les entreprises qui déploient l’IA, et non la rente technologique, qui s’accumule dans les bilans des développeurs de modèles – acteurs en grande partie hors juridiction européenne. La redistribution demeure incomplète.
Pour conclure, en Europe, aucun instrument évoqué ne peut suffire dans le paysage industriel numérique actuel. Les instruments assis sur les dépenses ou les bénéfices des entreprises utilisatrices sont fragilisés par la concurrence fiscale internationale. Les instruments assis sur le capital et les patrimoines, y compris l’UBC, contournent ce problème pour les acteurs sous juridiction européenne, mais restent sans prise sur la rente technologique accumulée hors de cette juridiction. Une fiscalité de l’automatisation suffisamment redistributive et une coordination fiscale internationale dépendent donc d’un rapport de force que seule une industrialisation numérique européenne peut établir.
