L’IA peut réduire la masse salariale. Mais qui achètera ce que les entreprises produisent ?

Abstract

La réduction de la masse salariale grâce à l’IA est devenue un objectif explicite pour une partie des entreprises. En 2025, 41 % des employeurs interrogés par le World Economic Forum déclaraient prévoir une réduction d’effectifs là où l’IA permettrait d’automatiser des tâches. Pourtant, les données observées restent beaucoup plus nuancées : en 2026, McKinsey rapportait que 14 % des répondants avaient effectivement réduit leurs effectifs à cause de l’IA sur l’année écoulée, contre 32 % qui l’avaient anticipé un an plus tôt. En France, une étude sur les premières vagues d’adoption de l’IA observait même une hausse de l’emploi et des ventes dans les entreprises adoptantes.

Le sujet central n’est donc pas de savoir si « l’IA va supprimer les emplois ». Il est plus subtil : que se passe-t-il lorsque la productivité augmente plus vite que la capacité de l’économie à recréer du revenu du travail, des compétences et de la demande ?

À l’échelle d’une entreprise, réduire le coût du travail peut améliorer la marge. À l’échelle d’une économie entière, le salaire d’un salarié est aussi le revenu d’un consommateur. Si les gains d’IA se concentrent dans les marges et les rendements du capital sans se traduire suffisamment par des prix plus bas, des salaires plus élevés ou de nouvelles activités, la demande peut devenir le nouveau goulot d’étranglement.

Thèse. L’IA n’est pas seulement une technologie de productivité. C’est une technologie de distribution de la valeur. Son impact dépendra autant de la destination des gains — salaires, prix, profits, investissement, nouvelles tâches — que de la quantité de travail qu’elle automatise.

---

Executive summary

Si vous ne devez retenir que six idées :

• Une baisse généralisée de la masse salariale n’est pas encore démontrée. Les réductions existent, mais restent sectorielles, fonctionnelles et particulièrement visibles sur certains emplois juniors.
• La masse salariale n’est pas égale au nombre de salariés. Une entreprise peut réduire ses effectifs tout en maintenant sa masse salariale si les compétences rares restantes deviennent plus chères.
• Le pouvoir d’achat dépend des salaires ET des prix. Si l’IA réduit fortement les prix, une pression salariale peut être compensée. Si les gains restent surtout dans les marges et le capital, elle ne l’est pas.
• Le risque macroéconomique le plus intéressant est un goulot de demande. La Banque des règlements internationaux modélise explicitement un scénario où l’automatisation finit par freiner la croissance parce que les travailleurs déplacés sont aussi des consommateurs perdus.
• Le danger social est aussi un danger opérationnel. L’insécurité liée à l’IA peut réduire la sécurité psychologique et le partage de connaissances — exactement au moment où l’entreprise a besoin que ses salariés expliquent leurs processus.
• L’échelle junior peut se casser avant que l’emploi total ne s’effondre. Les premières données américaines montrent un décrochage spécifique des jeunes travailleurs dans les métiers fortement exposés à l’IA.

---

1. La réduction de la masse salariale n’est pas « inévitable » — mais elle est devenue une stratégie explicite

Il faut commencer par corriger une idée séduisante mais trop simple :

Plus d’automatisation ≠ automatiquement moins de masse salariale.

La masse salariale dépend au minimum de deux variables :

Masse salariale = nombre de salariés × rémunération moyenne.

Une entreprise peut donc :

• réduire ses effectifs ;
• conserver davantage de profils seniors ;
• payer plus cher les compétences IA, data, architecture ou gouvernance ;
• et finir avec une masse salariale stable, voire supérieure.

C’est déjà visible dans les signaux disponibles.

Le World Economic Forum rapportait en 2025 que 41 % des employeurs interrogés prévoyaient de réduire leur workforce là où l’IA permettrait d’automatiser des tâches. Mais 77 % prévoyaient parallèlement d’investir dans l’upskilling, et 47 % envisageaient de déplacer des salariés vers d’autres rôles plutôt que de simplement les supprimer.

Un an plus tard, McKinsey observait un écart important entre intention et réalité : 32 % des répondants de 2025 avaient anticipé des baisses d’effectifs liées à l’IA ; en 2026, seuls 14 % déclaraient qu’elles avaient effectivement eu lieu sur l’année écoulée. Cela n’empêche pas 39 % des répondants de prévoir encore une baisse sur l’année suivante.

La meilleure lecture n’est donc ni « rien ne se passe » ni « le licenciement massif est certain ».

C’est plutôt :

les entreprises essaient activement de convertir la productivité de l’IA en réduction de coûts, mais le résultat dépend du type de métier, du niveau d’expérience et de la capacité à réallouer le travail.

L’OIT aboutit à une conclusion comparable. Son indice mondial 2025 estime qu’environ un emploi sur quatre est exposé à un certain degré à l’IA générative, mais considère la transformation des emplois comme plus probable que leur disparition complète.

Le signal le plus préoccupant n’est peut-être pas l’emploi total

En août 2026, le Stanford Digital Economy Lab a publié une mise à jour fondée sur des données de paie ADP couvrant des millions de travailleurs américains. Les chercheurs ne trouvent pas de déplacement généralisé à l’échelle de l’économie.

Mais ils observent autre chose : chez les 22–25 ans occupant des métiers fortement exposés à l’IA, l’emploi se situe 19 % en dessous de ce qu’il aurait été s’il avait évolué comme celui de travailleurs comparables dans des métiers moins exposés.

C’est un signal beaucoup plus précis qu’un scénario de « fin du travail ».

L’IA pourrait d’abord casser certains points d’entrée dans les carrières avant de réduire fortement l’emploi total.

Sources : World Economic Forum, Future of Jobs 2025, McKinsey, AI job losses fall short of forecasts, 2026, Stanford Digital Economy Lab, 2026, OIT–NASK, 2025.

---

2. Le pouvoir d’achat ne dépend pas seulement du salaire

Le débat public associe souvent baisse des salaires et baisse du pouvoir d’achat.

C’est incomplet.

Le pouvoir d’achat réel dépend du revenu nominal et du niveau des prix.

En première approximation :

Variation du pouvoir d’achat réel ≈ variation du revenu − inflation.

Si l’IA permet à une entreprise de produire 30 % moins cher et que la concurrence transmet ces gains au consommateur, les prix peuvent baisser. Un salarié dont le revenu stagne peut alors acheter davantage.

À l’inverse, si les gains de productivité :

• augmentent surtout les marges ;
• remontent vers les détenteurs de capital ;
• sont captés par quelques fournisseurs de modèles, de cloud ou de puces ;
• et ne réduisent que faiblement les prix finaux,

alors le consommateur ne récupère pas automatiquement le gain.

Exemple simple

Imaginons deux scénarios.

Scénario A

• salaire : −3 %
• prix : −7 %

Le pouvoir d’achat réel peut progresser.

Scénario B

• salaire : −3 %
• prix : −1 %

Le pouvoir d’achat recule.

La question décisive n’est donc pas seulement :

Combien de postes l’IA permet-elle de supprimer ?

Mais :

Qui capte la différence entre l’ancien coût de production et le nouveau ?

Le FMI souligne précisément ce risque distributif : si l’IA complète surtout les travailleurs à haut revenu et augmente les rendements du capital, elle peut accroître simultanément les inégalités de revenus du travail et les inégalités de patrimoine.

---

3. Le paradoxe économique : le salaire que l’entreprise économise est aussi du chiffre d’affaires potentiel ailleurs

C’est probablement l’idée la plus importante de cet article.

Pour une entreprise individuelle :

moins de coûts salariaux → marge potentiellement plus élevée.

Pour l’économie entière :

moins de revenus du travail → potentiellement moins de consommation.

Le salarié est à la fois un coût de production pour son employeur et un client pour d’autres entreprises.

La Banque des règlements internationaux a formalisé ce point dans son rapport économique annuel 2026. Parmi les scénarios étudiés figure un « demand bottleneck » : l’automatisation augmente d’abord la production, puis la croissance ralentit si la part du travail chute suffisamment pour affaiblir la demande.

Le mécanisme est simple :

1. l’IA réduit le besoin de travail sur certaines tâches ;
2. les coûts unitaires diminuent ;
3. les entreprises améliorent leurs marges ou leurs prix ;
4. si les revenus du travail diminuent trop, la consommation ralentit ;
5. les entreprises rencontrent alors moins un problème de production qu’un problème de débouchés.

La BIS résume brutalement le mécanisme : un travailleur déplacé est aussi un consommateur perdu.

Ce scénario n’est pas une prédiction certaine. Il peut être évité si les gains de productivité financent :

• de nouvelles tâches ;
• de nouvelles industries ;
• des prix réellement plus faibles ;
• de meilleurs salaires sur les activités complémentaires ;
• de l’investissement productif ;
• ou des mécanismes de redistribution.

Mais il révèle une limite des business cases purement microéconomiques.

Une économie ne peut pas indéfiniment optimiser chaque entreprise comme si la demande des autres entreprises était indépendante des revenus versés par l’ensemble.

Source : BIS Annual Economic Report 2026.

---

4. L’automatisation peut augmenter le chiffre d’affaires — sans garantir que l’avantage dure

Les premières données ne montrent pas seulement des économies de coûts.

Elles montrent aussi des effets d’expansion.

Une étude publiée en 2025 sur des entreprises françaises ayant adopté l’IA entre 2017 et 2020 observe une hausse de l’emploi et des ventes après adoption, compatible avec un mécanisme classique : les gains de productivité rendent l’entreprise plus compétitive, elle gagne des marchés, puis elle grossit.

Mais l’effet n’est pas uniforme. Les usages liés à certains processus administratifs sont associés à des effets d’emploi plus négatifs.

C’est exactement ce que la théorie de l’automatisation prédit depuis longtemps :

• effet de déplacement : une machine reprend des tâches auparavant réalisées par le travail ;
• effet de productivité : les coûts diminuent, la production devient plus rentable ;
• effet de réintégration : de nouvelles tâches humaines apparaissent.

Le résultat final dépend de la force relative de ces trois mouvements.

Une entreprise peut gagner, tandis que son secteur emploie moins

L’histoire des robots industriels en France fournit un précédent instructif.

Les entreprises qui adoptaient des robots augmentaient leur productivité, leur valeur ajoutée et même leur propre emploi. Mais elles prenaient aussi des parts de marché à leurs concurrents. À l’échelle de l’industrie, l’effet sur l’emploi devenait négatif.

C’est une distinction essentielle pour les dirigeants :

« Notre entreprise crée des emplois grâce à l’IA » ne signifie pas que la technologie crée des emplois pour le secteur.

Une entreprise très productive peut simplement déplacer l’activité économique vers elle.

Sources : Aghion et al., 2025, Acemoglu, LeLarge & Restrepo, France.

---

5. Le modèle économique de certaines entreprises est directement menacé par leur propre productivité

L’IA ne modifie pas seulement les coûts.

Elle peut attaquer la métrique sur laquelle une entreprise facture.

ESN et cabinets de conseil

Si le revenu est largement basé sur :

nombre de consultants × nombre de jours × TJM

alors une technologie qui réduit le nombre de jours nécessaires peut créer un paradoxe.

Elle améliore la productivité opérationnelle, tout en réduisant potentiellement le volume facturable.

La réponse économique logique est un déplacement vers :

• le forfait ;
• le résultat ;
• la capacité livrée ;
• la propriété intellectuelle ;
• ou des services à plus forte valeur d’arbitrage.

SaaS

Un autre paradoxe apparaît avec le modèle par siège utilisateur.

Si des agents IA réalisent le travail de plusieurs personnes, l’entreprise cliente peut avoir besoin de moins de sièges logiciels.

McKinsey note déjà que les éditeurs AI-native utilisent davantage des métriques liées à la consommation ou aux résultats, tandis que les modèles traditionnels restent plus dépendants du forfait ou du siège.

Le nombre d’entreprises logicielles utilisant une tarification à la consommation a plus que doublé entre 2015 et 2024.

La question devient différente

Avant :

Combien d’utilisateurs avons-nous ?

Demain :

Quelle quantité de valeur notre système produit-il ?

C’est un changement profond.

L’IA peut obliger les fournisseurs à facturer davantage :

• par transaction ;
• par résolution ;
• par tâche ;
• par volume traité ;
• par résultat économique.

Sources : McKinsey, AI software pricing, 2025, McKinsey, 2026.

---

6. Le risque psychologique devient un risque de connaissance

Un licenciement lié à l’IA n’a pas seulement un coût social.

L’anticipation du licenciement peut déjà modifier le comportement de ceux qui restent.

C’est particulièrement dangereux avec l’IA parce que l’entreprise demande souvent aux salariés de :

• documenter leurs tâches ;
• expliciter leurs règles ;
• montrer leurs exceptions ;
• corriger les réponses de l’IA ;
• entraîner les nouveaux processus.

Autrement dit :

elle demande aux salariés de transmettre précisément le savoir qui pourrait réduire leur propre valeur perçue.

C’est un problème classique d’incitation.

Des travaux récents sur l’AI-induced job insecurity montrent qu’une insécurité professionnelle liée à l’IA peut réduire la sécurité psychologique, puis diminuer le partage de connaissances et favoriser les comportements de rétention de savoir.

Une étude longitudinale publiée en 2026 auprès de 407 dyades salarié–RH trouve que l’insécurité liée à l’IA affecte l’innovation par un chemin indirect :

insécurité → sécurité psychologique plus faible → partage des connaissances plus faible → innovation plus faible.

Le résultat le plus intéressant est que cet effet peut être atténué lorsque les salariés perçoivent davantage :

• de transparence ;
• de contrôle ;
• d’agence humaine dans le système.

La conséquence managériale est claire :

une stratégie IA fondée uniquement sur la menace de réduction d’effectifs peut dégrader exactement la coopération dont l’automatisation a besoin pour fonctionner.

Sources : Kim & Lee, 2026, Jeong, Kim & Lee, 2023.

---

7. L’intensification du travail est un autre scénario possible

Automatiser une partie des tâches ne signifie pas automatiquement travailler moins.

Une entreprise peut convertir le temps gagné en :

• davantage de volume ;
• davantage de contrôle ;
• davantage de reporting ;
• davantage de disponibilité attendue.

Les enquêtes de l’OCDE sur l’IA au travail montrent une image ambivalente.

Beaucoup de salariés déclarent une amélioration de leurs performances et parfois de leur satisfaction.

Mais lorsque l’IA devient un instrument de management algorithmique, les résultats sont moins favorables :

• intensité du travail plus élevée ;
• autonomie parfois réduite ;
• préoccupations de confidentialité ;
• stress lié à la surveillance.

Dans la finance, l’OCDE rapportait que 85 % des utilisateurs soumis à une forme de management algorithmique déclaraient une augmentation du rythme de travail, contre 74 % des autres utilisateurs de l’IA interrogés.

Le scénario psychologique le plus crédible n’est donc pas nécessairement :

« l’IA fait disparaître le travail ».

Il peut être :

moins de salariés, chacun assisté par l’IA, avec une norme de production plus élevée.

Source : OCDE, Perspectives de l’emploi 2023.

---

8. Le risque le moins visible : supprimer les juniors aujourd’hui et manquer de seniors demain

Une partie importante du travail junior a toujours eu une double fonction.

Elle produisait quelque chose.

Mais elle servait aussi à apprendre le métier.

Un analyste junior fait des synthèses avant d’apprendre à arbitrer.

Un développeur junior réalise des tâches simples avant de comprendre une architecture.

Un juriste junior prépare des dossiers avant de porter une stratégie.

Un consultant junior construit des analyses avant de challenger un dirigeant.

Si l’IA reprend prioritairement ces tâches, l’entreprise gagne du temps aujourd’hui.

Mais une question apparaît :

où les futurs experts apprendront-ils les étapes élémentaires qui construisent leur jugement ?

Les données Stanford sur le décrochage des 22–25 ans dans les métiers exposés rendent cette question moins théorique.

PwC observe en parallèle qu’en 2026, les offres junior dans les métiers fortement exposés à l’IA étaient beaucoup plus susceptibles d’exiger des compétences traditionnellement associées aux profils seniors — notamment jugement et leadership.

Cela crée un risque de compression de l’échelle de carrière :

junior ↓
mais besoin de seniors stable ou ↑

À court terme, cela paraît efficace.

À long terme, cela peut produire :

• pénurie de profils capables de vérifier l’IA ;
• inflation des salaires seniors ;
• perte de succession interne ;
• dépendance accrue à quelques experts.

La suppression d’une tâche de formation n’est pas seulement une économie. C’est parfois une dette de compétences.

Sources : Stanford Digital Economy Lab, 2026, PwC Global AI Jobs Barometer 2026.

---

9. L’IA pourrait déplacer une partie importante de la valeur du travail vers le capital

La question mondiale dépasse l’entreprise.

L’IA est extrêmement capitalistique.

Pour construire les systèmes les plus avancés, il faut :

• puces ;
• datacenters ;
• cloud ;
• énergie ;
• données ;
• modèles ;
• talents rares.

Ces ressources présentent d’importantes économies d’échelle.

La CNUCED estime que le marché de l’IA pourrait passer de 189 milliards de dollars en 2023 à 4 800 milliards en 2033.

Mais l’infrastructure et l’investissement sont déjà très concentrés. L’organisation souligne notamment que 100 entreprises représentent environ 40 % des dépenses mondiales de R&D des entreprises.

Plus largement, entre 2017 et 2025, la part des ventes mondiales détenue par les cinq premières multinationales numériques est passée de 21 % à 48 % selon la CNUCED.

Cela crée une seconde boucle de redistribution :

entreprise cliente
→ paie moins de travail humain
→ paie davantage de compute, cloud, modèles et infrastructure
→ une partie de la valeur quitte la masse salariale locale
→ et remonte vers des fournisseurs mondiaux très concentrés.

Le gain de productivité peut donc être réel sans rester intégralement dans l’économie locale.

Sources : CNUCED, Technology and Innovation Report 2025, CNUCED, concentration des marchés numériques.

---

10. Quatre futurs économiques sont possibles

Il est dangereux de présenter une trajectoire unique.

L’impact économique dépendra surtout de deux forces :

1. combien de nouvelles tâches et de nouveaux marchés l’IA crée ;
2. quelle part des gains revient au travail plutôt qu’au capital.

Scénario 1 — Complémentarité

L’IA augmente la productivité des salariés.

Les entreprises gagnent davantage.

Les compétences complémentaires deviennent plus précieuses.

Les salaires progressent.

Scénario 2 — Expansion par de nouvelles tâches

L’IA automatise fortement, mais de nouvelles activités apparaissent assez vite pour absorber les travailleurs déplacés.

C’est le mécanisme qui a permis à plusieurs grandes technologies précédentes d’augmenter durablement la production sans faire disparaître le travail.

Scénario 3 — Lean-firm economy

Quelques salariés très productifs et très qualifiés génèrent beaucoup de valeur.

L’emploi se polarise.

Les revenus du capital augmentent plus vite que ceux du travail.

La concentration économique progresse.

Scénario 4 — Goulot de demande

L’automatisation progresse plus vite que la création de nouveaux revenus du travail.

La production potentielle augmente.

Mais la demande ne suit pas.

La croissance finit par être limitée non par la capacité à produire, mais par la capacité des clients à acheter.

Aucun de ces scénarios n’est garanti.

Le point essentiel est que la technologie seule ne choisira pas lequel se matérialise.

---

11. Les dangers spécifiques pour l’entreprise

Un dirigeant devrait surveiller au moins sept risques.

Risque	Mécanisme
Érosion de la demande	Les clients ou consommateurs subissent eux-mêmes une pression sur leurs revenus
Cannibalisation du modèle économique	Moins de sièges, de jours facturables ou de tâches humaines à monétiser
Dette de compétences	Suppression des tâches juniors qui formaient les experts de demain
Knowledge hiding	L’insécurité réduit le partage de savoir utile à l’automatisation
Dépendance fournisseur	Une économie de salaire devient une facture récurrente de cloud, modèles et tokens
Intensification du travail	Le gain de productivité devient une nouvelle norme de volume
Avantage temporaire	Lorsque tous les concurrents adoptent l’IA, le gain finit souvent transféré vers les prix

Le dernier point est particulièrement important.

Une technologie peut créer un énorme avantage compétitif pour le premier adoptant et presque aucun avantage durable lorsque toute l’industrie l’utilise.

À ce moment-là, la productivité devient simplement le nouveau standard.

---

12. Ce qu’un comité exécutif devrait réellement mesurer

Le KPI « nombre de postes économisés » est trop pauvre.

Un tableau de bord sérieux devrait suivre plusieurs couches.

Productivité

• revenu par salarié ;
• coût par transaction ;
• temps jusqu’au résultat validé ;
• coût complet de l’IA par processus.

Travail

• masse salariale / chiffre d’affaires ;
• effectifs par niveau d’expérience ;
• recrutement junior ;
• prime salariale des compétences rares ;
• turnover volontaire.

Compétences

• nombre de tâches d’apprentissage supprimées ;
• temps nécessaire pour rendre un junior autonome ;
• dépendance à quelques experts ;
• capacité de reprise sans fournisseur externe.

Demande

• évolution du panier moyen ;
• sensibilité prix ;
• churn ;
• solvabilité des clients ;
• part des gains de productivité réellement transmise dans les prix.

Psychologie organisationnelle

• perception de la sécurité de l’emploi ;
• confiance dans la stratégie IA ;
• autonomie ;
• partage de connaissances ;
• utilisation volontaire vs imposée.

Dépendance économique

• dépense IA / chiffre d’affaires ;
• coût marginal par requête ou workflow ;
• nombre de fournisseurs critiques ;
• possibilité de substitution des modèles ;
• part de la marge transférée aux fournisseurs de compute.

---

Conclusion

La question « combien de personnes pouvons-nous remplacer avec l’IA ? » est probablement trop étroite pour un dirigeant.

Une meilleure question est :

Que devient chaque euro de productivité gagné grâce à l’IA ?

Est-il transformé en :

• marge ;
• prix plus bas ;
• nouveaux investissements ;
• nouveaux emplois ;
• meilleurs salaires ;
• dividendes ;
• consommation de cloud et de modèles ;
• ou simplement en moins de revenu disponible ailleurs dans l’économie ?

La baisse de la masse salariale est possible, et dans certains métiers elle devient déjà visible.

Mais elle n’est ni automatique ni économiquement neutre.

Une entreprise peut améliorer ses résultats en réduisant le travail nécessaire.

Une économie entière ne peut prospérer durablement que si elle trouve simultanément une nouvelle manière de distribuer assez de revenu, de compétences et de pouvoir d’achat pour absorber ce qu’elle produit.

Le vrai enjeu de l’IA n’est donc peut-être pas la disparition du travail.

C’est le déplacement du revenu, du pouvoir économique et de la capacité à consommer.

Et pour les entreprises, cette question finit toujours par revenir au même endroit :

au chiffre d’affaires.

---

Note méthodologique

Cet article distingue volontairement les données observées, les enquêtes d’anticipation et les scénarios macroéconomiques. Les chiffres du World Economic Forum et de McKinsey reflètent des réponses d’employeurs ou de dirigeants ; ils ne constituent pas des prévisions certaines. Les données Stanford décrivent une évolution récente du marché du travail américain et ne doivent pas être extrapolées mécaniquement à la France. L’étude française d’Aghion et al. porte principalement sur l’adoption de l’IA entre 2017 et 2020, avant la diffusion massive des LLM. Les scénarios BIS et les cadres d’Acemoglu sont des modèles économiques destinés à analyser les mécanismes possibles, pas à prédire précisément une trajectoire.

---

Références principales

1. World Economic Forum (2025). The Future of Jobs Report 2025.
2. Brynjolfsson, E., Chandar, B. & Chen, R. (2026). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab.
3. Gmyrek, P. et al. (2025). Generative AI and Jobs: A Refined Global Index of Occupational Exposure. ILO Working Paper 140.
4. Aghion, P. et al. (2025). How Different Uses of AI Shape Labor Demand: Evidence from France. AEA Papers and Proceedings.
5. Acemoglu, D. (2024). The Simple Macroeconomics of AI. NBER Working Paper 32487.
6. Acemoglu, D. & Restrepo, P. (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor. Journal of Economic Perspectives.
7. Acemoglu, D., LeLarge, C. & Restrepo, P. (2020). Competing with Robots: Firm-Level Evidence from France. NBER.
8. Bank for International Settlements (2026). Annual Economic Report 2026.
9. Cazzaniga, M. et al. (2024). Gen-AI: Artificial Intelligence and the Future of Work. IMF Staff Discussion Note.
10. OECD (2023). Artificial intelligence, job quality and inclusiveness.
11. Kim, B.-J. & Lee, J. (2026). How Human-Centered AI Buffers the Negative Effects of AI-Induced Job Insecurity on Sustainable Innovation. Sustainable Development.
12. Jeong, J., Kim, B.-J. & Lee, J. (2023). The effect of job insecurity on knowledge hiding behavior. Frontiers in Public Health.
13. UNCTAD (2025). Technology and Innovation Report 2025: Inclusive Artificial Intelligence for Development.
14. McKinsey & Company (2026). AI job losses fall short of forecasts.
15. McKinsey & Company (2025). Upgrading software business models to thrive in the AI era.
16. PwC (2026). Global AI Jobs Barometer 2026.