La chose la plus cruelle chez l'IA, ce n'est pas qu'elle ne donne pas de réponses aux pauvres.

Quite the opposite, it provides answers for everyone.

Il fournit des cadres de mémoires d'étudiants, des modèles d'e-mails pour les employés, des plans d'affaires pour les entrepreneurs, et des explications juridiques, des conseils d'investissement et des plans de carrière pour les particuliers. Les réponses sont pour la première fois si bon marché, si abondantes et si réalistes.

Mais le problème réside ici : lorsque les réponses sont accessibles à tous, ce qui devient véritablement rare, ce n'est plus la réponse, mais la capacité à juger les réponses.

Les nouveaux pauvres ne sont pas ceux qui sont exclus de l’IA, mais ceux qui ont déjà les réponses, mais n’ont ni la capacité de les évaluer, ni les conditions pour les transformer en opportunités réelles.

Dans l'ère de l'Internet, les pauvres en information sont ceux qui sont exclus du réseau. La solution semble claire : se connecter, généraliser l'accès aux appareils et augmenter le taux de lecture. À l'ère des moteurs de recherche, cela devient un peu plus complexe : il faut apprendre à extraire des mots-clés, à filtrer les sources, à évaluer la fiabilité, et idéalement, comprendre un peu d'anglais. Mais les barrières sont visibles et mesurables.

L'écart d'information à l'ère de l'IA est structurellement différent.

Les grands modèles linguistiques ne sont pas des moteurs de recherche ; ils génèrent directement des conclusions à votre place. Vous n'avez plus besoin de « chercher » la réponse — celle-ci vous est présentée sous forme de paragraphes fluides, d'étapes claires et d'un ton assuré, directement devant vous. À première vue, la barrière d'entrée est largement abaissée. Mais une structure impitoyable se cache là-dessous : lorsque les réponses deviennent bon marché, les erreurs le deviennent aussi ; et la capacité à distinguer « si cette réponse est fiable » devient plus rare et plus précieuse que jamais.

À chaque diffusion d'une technologie générale dans l'histoire, le même logique s'applique : les nouvelles technologies récompensent d'abord ceux qui possèdent déjà des capitaux complémentaires. L'imprimerie a avantagé les personnes lettrées ; les ordinateurs ont avantagé ceux qui maîtrisaient les logiciels de bureau et la programmation ; Internet a avantagé ceux qui avaient un bon niveau d'anglais et des compétences avancées en recherche. Les capitaux complémentaires de l'IA incluent le parcours éducatif, les connaissances spécialisées, la pensée critique, l'autorisation organisationnelle, la capacité à payer, ainsi que ce qui est le plus difficile à quantifier — le jugement.

Les nouvelles technologies récompensent rarement d'abord ceux qui en ont le plus besoin. Elles récompensent généralement d'abord ceux qui savent mieux les exploiter.

La première fissure de l'inégalité a déjà été creusée avant même que vous n'ouvriez l'application.

En avril 2026, l'organisation de recherche en IA Epoch AI et l'institut d'enquête Ipsos ont publié une enquête menée auprès d'environ 5 000 adultes américains. Trois rounds de questionnaires posaient une question apparemment simple : au cours de la semaine écoulée, quels services d'IA avez-vous utilisés ? Mais les réponses révélées ne correspondaient pas à de simples préférences de produits, mais à une carte complexe où revenus, points d'accès et distribution s'entremêlent.

Parmi les utilisateurs actifs hebdomadaires de Claude, environ 80 % proviennent de foyers dont le revenu annuel dépasse 100 000 dollars ; chez les utilisateurs de Meta AI, ce pourcentage n’est que de 37 %. À l’inverse, environ 32 % des utilisateurs de Meta AI proviennent de foyers dont le revenu annuel est inférieur à 50 000 dollars, contre seulement 7 % chez les utilisateurs de Claude.

Ces chiffres sont importants non parce qu'ils prouvent que « les riches utilisent l'IA avancée, les pauvres utilisent l'IA gratuite ». C'est la lecture la plus superficielle. Ce qui mérite davantage d'interrogation, c'est pourquoi des personnes différentes rencontrent des IA différentes dans leur vie quotidienne.

Une personne demande à l’IA de composer un dîner avec les restes dans le réfrigérateur, d’illuminer l’arrière-plan d’une photo et de rendre un message texte plus poli. Une autre personne demande à l’IA de trier les entretiens avec les clients, de comparer les devis des fournisseurs et d’identifier les hypothèses faibles dans un rapport. Les deux utilisent la même technologie. Mais l’un s’arrête à la commodité, tandis que l’autre entre dans un cycle de revenus, de postes et de pouvoir de négociation.

La différence ne réside pas seulement chez les utilisateurs, mais aussi dans les points d'entrée. Le parcours d'utilisation de Claude exige de rechercher activement, de comparer les produits, de comprendre les différences de capacité, de choisir le modèle payant, puis d'intégrer l'outil dans son flux de travail — chaque étape filtre les utilisateurs. Le parcours de Meta AI est presque l'inverse : il est intégré directement dans les plateformes sociales, gratuit et à faible friction ; les utilisateurs le rencontrent souvent passivement pendant qu'ils défilent leurs flux, envoient des messages ou regardent des photos.

Ce n'est pas un marché sur lequel on choisit selon ses goûts, mais un marché sur lequel on choisit selon la distribution. Les utilisateurs semblent choisir des outils, mais les prix et l'accès aux outils choisissent également les utilisateurs.

Source : epoch.ai

Même si vous trouvez un bon outil d'IA, un deuxième canal de filtrage vous attend au sein de l'entreprise.

Dans un bureau ordinaire, l'arrivée de l'IA se manifeste rarement sous la forme d'« avis de licenciement ». Elle commence par prendre en charge les comptes rendus de réunions, les brouillons d'e-mails, la mise en ordre des tableaux, le classement des clients et les premières versions des rapports. Pour les managers, cette automatisation libère du temps pour qu'ils puissent se concentrer sur les décisions ; mais pour les nouveaux arrivants et les employés de base, cette automatisation leur retire précisément les opportunités de démontrer leurs compétences, d'exercer leur jugement et d'accéder à des postes de niveau supérieur.

Les données sont encore plus froides que ce scénario : une enquête conjointe du Financial Times et d’un organisme de recherche sur l’adoption de l’IA par la main-d’œuvre britannique et américaine (février–mars 2026, plus de 4 000 répondants) montre que 63 % des travailleurs du salaire le plus élevé utilisent l’IA pendant un jour de travail normal, contre seulement 17 % et 16 % pour les deux catégories les plus basses. Ce n’est pas une pente douce, c’est un précipice.

La découverte la plus cruciale concerne les facteurs déterminants. L'analyse de régression de cette enquête sur le lieu de travail révèle que, une fois les autres variables contrôlées, le salaire a presque disparu comme facteur influençant l'utilisation de l'IA ; les quatre facteurs réellement déterminants sont l'âge, l'ancienneté, le secteur d'activité et la formation. Parmi ceux-ci, l'effet de la formation est le plus fort : une entreprise offrant une formation formelle à l'IA voit une augmentation de 37 points de pourcentage du taux quotidien d'utilisation de l'IA par ses employés par rapport à des entreprises similaires sans formation. Même une simple orientation informelle procure une augmentation de 24 points de pourcentage.

Cependant, la réalité est qu'à début 2026, seulement 14 % des employés ont déclaré avoir suivi une formation formelle en IA fournie par leur employeur, et les deux tiers n'ont reçu aucune forme de formation.

La formation en IA n'est pas un problème technique, mais un problème de répartition. Celui qui est choisi pour recevoir la formation est autorisé à entrer sur la voie de la croissance de la productivité ; celui qui ne l'est pas, les outils ne sont que des icônes sur l'écran qui ne sont pas autorisées à être ouvertes.

L'IA est une application au niveau de la consommation et un privilège au niveau professionnel. Et les privilèges ne sont jamais répartis de manière égale.

Source : Focaldata

C'est le plus subtil des分流, et aussi le plus fondamental.

Imaginez un diplômé fraîchement recruté dans une entreprise de conseil. Il a utilisé l’IA pour générer un premier jet d’un rapport d’analyse sectorielle : structure complète, données abondantes, ton assuré. Son supérieur — un professionnel avec dix ans d’expérience dans le secteur — jette un coup d’œil et pointe deux références de données dont les sources originales présentent des défauts méthodologiques, ainsi qu’une conclusion dont le raisonnement causal est erroné. Ce n’est pas parce qu’il travaille plus dur, mais parce qu’il possède cette base sous-jacente : il sait où les erreurs sont faciles à commettre, il reconnaît la fluidité authentique de la pensée humaine, et il distingue la fluidité artificielle générée par une machine en train de combler des blancs.

C'est exactement la signification réelle de cette découverte contre-intuitive issue des données d'enquête sur le lieu de travail : les utilisateurs les plus intensifs de l'IA au travail ne sont pas les employés les plus jeunes, mais ceux qui occupent leur poste actuel depuis 2 à 10 ans. La relation entre l'utilisation de l'IA et l'ancienneté reste significative même après contrôle de l'âge. Ce n'est pas parce que les jeunes ne veulent pas l'utiliser, mais parce que la valeur de l'IA dépend fortement des capacités de jugement déjà possédées par l'utilisateur.

L'expérience est le capital complémentaire le plus important pour l'IA, et l'expérience ne peut pas être abonnée.

L'IA réduit le coût de « l'air de comprendre », sans réduire de manière équivalente le coût de « comprendre vraiment ». Il existe même une conséquence plus dangereuse : plus un utilisateur manque de fondements, plus il est susceptible d'accepter passivement les sorties de l'IA ; et plus il les accepte passivement, plus sa capacité de jugement peine à se développer. Lorsqu'un agent décide à votre place, vous consommez de l'intelligence, sans la accumuler.

Le prix Nobel d'économie et professeur au MIT Daron Acemoglu est catégorique : utiliser des outils d'IA nécessite un certain niveau d'éducation, de pensée abstraite, de compétences quantitatives et une familiarité avec la technologie. « Il est presque certain que l'IA augmentera les inégalités », dit-il.

La nouvelle réalité des pauvres se révèle ici : ce ne sont pas ceux qui n’ont pas d’IA, mais ceux qui ont l’IA, l’accès et les réponses, mais manquent de formation pour évaluer ces réponses ; ils ont les outils et les scénarios, mais n’ont pas la permission de transformer les résultats des outils en opportunités ; ils consomment quotidiennement de l’intelligence, sans jamais en accumuler.

Mais la relation entre l'IA et les inégalités ne se limite pas à l'aggravation des écarts.

Plusieurs études expérimentales ont révélé que, dans des conditions contrôlées, l'IA apporte généralement des gains plus importants aux personnes aux compétences réduites — qu'il s'agisse d'employés de centres d'appels, d'auteurs débutants ou de conseillers juniors. Cela n'est pas surprenant : les experts de haut niveau tirent des gains marginaux limités de l'IA ; pour une personne qui n'a jamais pu se permettre des services professionnels, utiliser l'IA pour comprendre un contrat pour la première fois constitue une véritable rupture qualitative.

Mais il y a une distinction clé à souligner : les études expérimentales mesurent « l'amélioration après utilisation », tandis que les données réelles mesurent « qui utilise réellement », « qui est autorisé à utiliser » et « qui, après utilisation, transforme les résultats en opportunités ». Les deux jeux de données ne mentent pas ; ils mesurent des choses totalement différentes.

Une technologie peut réduire l'écart en laboratoire tout en l'agrandissant dans le monde réel — si son adoption est inégale, si les contextes sont inégaux, si le jugement lui-même est inégal.

L'IA possède des caractéristiques techniques d'égalité, mais fonctionne au sein de structures sociales inégales. Ces deux points étant simultanément vrais, c'est là la véritable forme du problème.

Chaque génération a tendance à croire que les technologies universelles de son époque briseront l'ordre ancien.

Après l'invention de l'imprimerie, les personnes lettrées ont bénéficié pendant plusieurs siècles. Au début de la diffusion des ordinateurs, ils ont amplifié les compétences de ceux qui savaient déjà utiliser des logiciels bureautiques et écrire du code. Les premiers avantages d'Internet ont profité à ceux qui maîtrisaient l'anglais, savaient effectuer des recherches, et disposaient du temps et de la motivation pour arbitrer. À chaque vague technologique, les voix clamant « cette fois, c'est différent » sont bruyantes, mais les écarts structurels prennent souvent des décennies pour devenir visibles.

La vitesse de dérivation de l'IA pourrait être plus rapide, et les divergences pourraient être plus profondes, car elle n'affecte pas seulement un type particulier de tâches, mais presque toutes les activités reposant sur le jugement et le langage. Or, ce sont précisément les compétences les plus difficiles à standardiser et à réattribuer.

Certains pensent que l'écart finira par se réduire. L'historien économique et professeur à l'Oxford Internet Institute, Carl Benedikt Frey, partage ce point de vue, s'appuyant sur l'histoire : les inégalités causées par la diffusion des ordinateurs se sont progressivement atténuées au fil des décennies, à mesure que les barrières à l'entrée diminuaient. Cette analogie n'est pas dénuée de fondement.

Le problème est que, même en acceptant cette analogie historique optimiste, Frey lui-même reconnaît des conditions limitantes essentielles : « Cela dépend du temps nécessaire pour combler l’écart. Si cela prend dix ou vingt ans, c’est plus préoccupant. »

Dix ou vingt ans, ce n’est pas une échelle de temps qu’on peut attendre facilement — surtout pour ceux qui doivent trouver un emploi, négocier leur salaire et accumuler de l’expérience pendant cette période.

C'est un moment historique étrange : nous avons pour la première fois une technologie qui permet à chacun de se sentir plus intelligent.

This feeling is often the end.

Le problème est que, dans une ère où le jugement détermine réellement le gagnant, considérer l'intuition comme une fin en soi peut être l'erreur la plus coûteuse.