L'IA permet-elle de croître sans recruter ? Ce que les cas d'entreprise prouvent, et ce qu'ils ne prouvent pas

Croître plus vite que ses effectifs : la promesse est l'une des plus séduisantes de l'IA. Certaines entreprises absorbent déjà davantage de clients, de tickets ou de chiffre d'affaires sans faire grossir certaines équipes. D'autres ont gelé leurs embauches. Mais certaines réembauchent après avoir automatisé trop vite, tandis que des entreprises parmi les plus avancées en IA continuent, elles, de recruter massivement.

La question utile pour un dirigeant n'est donc pas « l'IA permet-elle de ne plus recruter ? ». Elle est plus précise : dans quelles activités l'IA casse-t-elle la relation jusque-là presque linéaire entre croissance du volume et croissance des effectifs, et que fait ensuite l'entreprise de ce levier ?

En bref

• •Plusieurs cas documentés montrent qu'une équipe peut absorber une hausse significative de volume sans grossir dans les mêmes proportions — chez Alan sur la relation membres, ou chez Fleet sur le support et la supply.
• •Cela ne démontre pas qu'une entreprise entière puisse durablement croître sans recruter : les cas observés ne permettent pas de conclure à une réduction généralisée des effectifs.
• •Klarna illustre une autre trajectoire : gel des embauches, forte réduction d'effectif par attrition, automatisation massive du support — puis réintroduction d'humains lorsque la qualité de service est devenue un enjeu sur certains cas.
• •Les données les plus larges ne montrent pas de mécanique simple « plus d'IA = moins d'emplois » : une enquête internationale auprès de près de 6 000 dirigeants trouve encore peu d'impact réalisé sur l'emploi, tandis qu'une étude portant sur plus de 21 000 entreprises américaines observe au contraire une hausse des effectifs chez les utilisateurs les plus intensifs de l'IA.
• •L'IA ne supprime pas le besoin de pilotage des effectifs, elle le rend plus exigeant. Le vrai changement est que la croissance d'un volume donné n'impose plus automatiquement le recrutement du même type de poste.

La thèse séduisante : demain, la croissance n'imposerait plus d'embaucher au même rythme

La logique paraît imparable. Un agent traite davantage de demandes. Un développeur produit davantage. Une équipe Ops automatise les cas standards. Le nombre de clients augmente, mais la charge humaine augmente moins vite. À productivité supérieure, pourquoi continuer à recruter au même rythme ?

Cette logique commence effectivement à apparaître dans les organisations observées, à travers un modèle où le volume standard est automatisé et où les humains se concentrent sur les situations incertaines ou complexes. Mais une condition s'impose : sans mesure du volume, des exceptions, des erreurs, du rework et de la qualité, impossible de savoir si l'on a réellement gagné en capacité ou simplement déplacé la charge.

C'est là que le raccourci commence.

Automatiser des tâches n'est pas équivalent à supprimer un poste. Augmenter la capacité d'une équipe n'est pas équivalent à geler tous les recrutements. Et augmenter le revenu par salarié ne prouve pas que l'IA en est la cause.

Même dans le conseil, où des gains de 30 à 50 % sont rapportés sur certaines tâches de recherche, de synthèse ou de rédaction, ces gains portent sur des activités précises, pas sur une équivalence mécanique en effectifs. C'est cette distinction qui manque dans une grande partie du débat.

Ce que les cas d'entreprise montrent déjà

Il faut commencer par reconnaître ce que les données montrent réellement.

PayFit a confirmé en juillet 2026 environ 80 millions d'euros d'ARR, quelque 700 collaborateurs et une cible de 150 millions en 2028 — un objectif d'entreprise, pas un résultat déjà acquis.

Alan : le signal le plus intéressant n'est pas la suppression d'emplois

Chez Alan, l'équipe chargée de la relation membres est restée autour de 100 personnes alors que le nombre de membres progressait de 34 %. Dans le même temps, une partie croissante des demandes simples est traitée par l'IA.

L'entreprise n'a pas nécessairement « remplacé 34 % d'humains par de l'IA ». Elle a surtout évité que la capacité humaine nécessaire augmente au même rythme que la clientèle. Pour un CEO ou un CFO, la différence est majeure : le gain économique peut moins prendre la forme de licenciements que de recrutements qui deviennent inutiles — un phénomène beaucoup plus difficile à observer, puisqu'un poste jamais ouvert n'apparaît dans aucun plan social.

Fleet : l'effectif évité comme métrique

Fleet pousse cette logique plus explicitement. Selon le témoignage recueilli par TPC, l'entreprise a multiplié son chiffre d'affaires par trois depuis 2023 tout en maintenant constants les effectifs de support et de supply. Son dirigeant estime qu'une cinquantaine de recrutements envisagés dans une trajectoire plus traditionnelle ont pu être évités.

La donnée est intéressante, mais sa nature compte : il s'agit d'un témoignage d'entreprise, pas d'une expérimentation permettant d'isoler causalement l'effet de l'IA. Ce cas constitue un signal fort pour une PME technologique — pas une preuve qu'une scale-up de 1 000 personnes peut appliquer le même ratio.

Klarna : le cas qui interdit les conclusions faciles

Aucune entreprise n'illustre mieux les difficultés d'interprétation que Klarna.

En février 2024, l'entreprise annonçait que son assistant IA avait traité 2,3 millions de conversations en un mois, soit les deux tiers de ses échanges de service client. Klarna estimait alors que l'outil effectuait l'équivalent du travail de 700 agents à temps plein, réduisait les demandes répétées de 25 % et pouvait améliorer son résultat de 40 millions de dollars sur l'année. Tous ces chiffres étaient communiqués par Klarna elle-même.

Dans le même temps, l'entreprise a fortement réduit ses effectifs par attrition et gel des embauches — un passage documenté d'environ 5 500 salariés en 2023 à environ 3 000, puis une évolution vers un modèle plus hybride.

À première vue, le cas semble prouver exactement la thèse « l'IA permet de croître sans recruter ». Sauf que l'histoire ne s'arrête pas là.

En 2025, Klarna a reconnu avoir poussé trop loin la priorité donnée au coût dans son service client et a recommencé à renforcer l'accès au support humain, notamment pour les situations complexes. L'entreprise n'a pas abandonné l'IA : elle a redessiné la frontière entre ce que l'IA devait prendre en charge et ce qui devait rester humain.

C'est précisément ce qui rend Klarna plus instructif qu'une success story linéaire.

Ce que Klarna permet raisonnablement d'affirmer

L'IA peut absorber une quantité considérable de travail standard. Un gel des embauches permet ensuite de convertir progressivement ce gain en réduction d'effectif via l'attrition. Klarna indique par ailleurs que son revenu par salarié a fortement progressé depuis 2022.

Ce que Klarna ne permet pas d'affirmer

Il serait abusif d'écrire que « l'IA a supprimé 2 500 emplois ». La baisse d'effectif résulte d'une décision de gestion des recrutements et de l'attrition, dans une entreprise qui traversait simultanément une transformation économique, technologique et organisationnelle.

Il serait tout aussi abusif d'écrire que « Klarna a prouvé que l'IA dans le support ne marche pas ». L'entreprise continue d'utiliser massivement son assistant. Ce qu'elle a corrigé est plutôt le périmètre du tout-automatisé.

La leçon de Klarna n'est donc ni « remplacez les humains » ni « l'IA a échoué ». Elle est plus utile : une entreprise peut convertir l'automatisation en baisse d'effectif, mais la frontière optimale entre automatisation et travail humain doit être découverte et réévaluée — elle ne peut pas être déduite du taux d'automatisation maximal techniquement possible.

Le contre-exemple qu'on oublie trop souvent : les entreprises les plus avancées en IA recrutent aussi

Si « intensité IA » conduisait mécaniquement à « moins de salariés », les organisations les plus avancées devraient logiquement être celles qui recrutent le moins. Ce n'est manifestement pas toujours le cas.

Pennylane est en pleine croissance d'effectif : environ 1 000 personnes début 2026, avec un objectif autour de 1 200 en fin d'année et un plan comprenant jusqu'à 600 développeurs. Lucca, qui intègre l'IA à plusieurs produits RH sans refonte fondamentale de ses équipes de 6 à 8 personnes, avait de son côté recruté une centaine de collaborateurs en 2025.

Les entreprises AI-native donnent un autre contre-exemple, à utiliser avec précaution. En août 2026, les pages carrière d'OpenAI et d'Anthropic affichent encore chacune des centaines de postes ouverts. Cela ne fait pas d'OpenAI ou d'Anthropic des modèles de workforce planning pour une scale-up traditionnelle — leur économie, leurs capitaux, leurs infrastructures et leur rythme de croissance sont trop différents pour permettre la comparaison directe.

Mais ces exemples suffisent à invalider une proposition trop simple : une entreprise très productive grâce à l'IA peut très bien choisir d'utiliser cette productivité pour accélérer sa croissance plutôt que pour réduire ses effectifs.

Les données agrégées racontent la même histoire : le signe de l'effet sur l'emploi n'est pas fixé

Les cas d'entreprise sont utiles pour comprendre des mécanismes. Ils ne permettent pas, à eux seuls, d'établir une tendance générale. Les premières données plus larges invitent elles aussi à la prudence.

Une étude publiée en mars 2026 par la Federal Reserve Bank of Atlanta, avec des chercheurs associés notamment à la Bank of England et à Stanford, interroge près de 6 000 dirigeants aux États-Unis, au Royaume-Uni, en Allemagne et en Australie. Environ 70 % des entreprises déclarent utiliser activement l'IA. Pourtant, plus de 80 % déclarent encore n'avoir constaté aucun impact sur leur emploi ou leur productivité au cours des trois années précédentes. Pour les trois années suivantes, les dirigeants anticipent en moyenne +1,4 % de productivité, +0,8 % de production et -0,7 % d'emploi attribuables à l'IA — des anticipations déclaratives, pas des résultats déjà observés.

Autrement dit : même parmi des dirigeants convaincus que l'effet va s'accélérer, la prévision moyenne ressemble davantage à une amélioration modeste de l'intensité en emploi qu'à une croissance généralisée sans recrutement.

Une étude publiée en juin 2026 par Ramp et Revelio Labs aboutit à un résultat apparemment opposé. Sur 21 559 entreprises américaines pour lesquelles dépenses IA et données d'effectifs ont pu être rapprochées, les utilisateurs les plus intensifs de l'IA ont augmenté leurs effectifs d'environ 10,2 % dans les deux années suivant l'adoption, et leurs effectifs débutants de 12 %. Les utilisateurs moins intensifs n'ont pas connu de différence statistiquement significative.

Il serait là encore erroné de conclure que « l'IA crée des emplois » : l'échantillon est sélectionné, les entreprises adoptantes sont plus technologiques et plus dynamiques, et les gains sont fortement concentrés dans le secteur de l'information. Mais cette étude établit un point essentiel : la productivité supplémentaire peut réduire la demande de travail pour une tâche et, simultanément, augmenter la demande totale de travail d'une entreprise qui grandit plus vite.

Une recherche du NBER sur l'IA et la demande de travail aboutit à une logique similaire : la substitution est visible au niveau de certaines tâches et professions au sein des entreprises, mais l'effet global sur l'emploi est atténué parce que les entreprises qui adoptent l'IA peuvent également devenir plus productives et augmenter leur activité. Ses données s'arrêtant pour l'essentiel avant la diffusion massive de l'IA générative, elle ne doit toutefois pas être lue comme une mesure de l'effet actuel des grands modèles de langage.

Il ne suffit pas de savoir si l'IA remplace du travail. Il faut savoir ce que l'entreprise fait de la capacité libérée.

Croître sans recruter recouvre quatre situations très différentes

Pour un CEO, un CFO ou une direction People, mettre toutes ces situations sous l'étiquette « croissance sans recrutement » conduit à de mauvaises décisions.

L'équipe absorbe réellement davantage de volume. C'est le cas le plus proche d'un gain de productivité classique : 100 personnes peuvent désormais servir 130 unités de volume là où il en aurait fallu 130 auparavant. C'est le signal observé chez Alan ou Fleet sur certaines fonctions.

L'entreprise ne remplace plus automatiquement les départs. Il n'y a pas nécessairement suppression de postes : l'entreprise profite de l'attrition naturelle pour réduire progressivement la capacité humaine là où l'automatisation la rend moins nécessaire. Klarna est l'exemple le plus visible de cette logique.

L'entreprise réalloue ses recrutements. L'Ops ou le support restent stables, mais l'entreprise recrute davantage en engineering, produit, ventes, internationalisation, sécurité ou expertise métier. Le nombre total de collaborateurs peut donc continuer d'augmenter alors même que certains ratios de productivité progressent fortement.

L'entreprise transforme le gain de productivité en croissance supplémentaire. Une équipe deux fois plus productive n'est pas obligée de devenir deux fois plus petite : elle peut produire davantage, lancer de nouveaux produits, adresser de nouveaux pays, améliorer la qualité ou accélérer la R&D. Dans cette configuration, l'IA augmente les recrutements que l'entreprise est économiquement capable de financer, au lieu de les supprimer.

C'est pourquoi le ratio « revenu par salarié » doit être interprété avec précaution. Il mesure une forme de levier opérationnel. Il ne dit pas comment ce levier a été obtenu.

Corrélation, causalité, communication : trois pièges à éviter

Les annonces « nous avons grandi sans recruter grâce à l'IA » doivent être examinées comme n'importe quelle affirmation de performance.

Corrélation. Une entreprise adopte massivement l'IA. Son effectif reste stable. Son chiffre d'affaires augmente. Les trois phénomènes sont simultanés — cela ne suffit pas à établir que le troisième a été rendu possible par le premier. La hausse peut aussi provenir d'une augmentation des prix, d'un mix produit plus favorable, d'un ralentissement antérieur des recrutements, d'une amélioration des processus sans IA ou d'un marché particulièrement porteur.

Causalité. Pour commencer à parler d'un effet attribuable à l'IA, il faut au minimum disposer d'un avant/après comparable : volume traité par ETP, temps de cycle, taux d'automatisation, qualité, taux d'exception, rework et coût. C'est exactement ce que les modèles où l'humain est recentré sur les exceptions exigent comme discipline de mesure.

Communication. Il faut distinguer trois niveaux souvent mélangés : « nous pouvons éviter des recrutements » est une hypothèse de capacité ; « nous prévoyons de doubler notre revenu sans vague de recrutement » est un objectif ; « nous avons absorbé X % de volume supplémentaire avec la même équipe » est un résultat observé. Même ce troisième niveau ne constitue une preuve causale de l'IA que si les autres facteurs ont été correctement examinés.

Pour un CFO, cette discipline n'est pas une précaution académique. C'est ce qui évite d'intégrer dans un budget une économie d'effectifs qui n'existe pas réellement.

Ce qui change réellement : la fin du recrutement proportionnel, pas la fin du recrutement

Dans certaines fonctions, l'IA commence à rendre obsolète une règle implicite de nombreuses scale-ups : +30 % de volume = environ +30 % de capacité humaine.

Cette relation peut devenir beaucoup moins linéaire. Mais la conséquence n'est pas nécessairement un gel global des effectifs. Elle est plus probablement une polarisation des recrutements.

On recrute moins pour absorber mécaniquement du volume standardisé. On continue, et parfois on accélère, les recrutements nécessaires pour :

• •ouvrir un nouveau marché ;
• •développer un nouveau produit ;
• •construire et sécuriser les systèmes d'automatisation ;
• •traiter les exceptions ;
• •apporter une expertise métier difficile à automatiser ;
• •améliorer l'expérience client ;
• •prendre des décisions et assumer les responsabilités que l'IA ne peut porter.

Le workforce planning change alors de question.

Hier : « Notre volume va croître de 30 %. Combien de personnes devons-nous ajouter ? »

Demain : « Notre volume va croître de 30 %. Quelle partie exige réellement davantage de capacité humaine, quelle partie peut être absorbée autrement, et quelles nouvelles compétences deviennent le facteur limitant ? »

C'est un changement beaucoup plus profond qu'un simple plan d'économies.

Le risque People : tous les recrutements évités ne se valent pas

La réduction des embauches n'est pas neutre sur la construction future de l'organisation.

Des travaux récents du Stanford Digital Economy Lab trouvent déjà, aux États-Unis, un recul relatif de 16 % de l'emploi des 22-25 ans dans les métiers les plus exposés à l'IA, après contrôle de chocs propres aux entreprises. Les auteurs restent prudents : leurs résultats sont cohérents avec un effet de l'IA générative mais peuvent encore refléter en partie d'autres facteurs.

Ce résultat n'est pas une preuve qu'une scale-up doit arrêter de recruter des juniors. Il pose une question différente : si l'entreprise économise en priorité les postes qui réalisaient historiquement les tâches simples, où ses futurs profils expérimentés apprendront-ils leur métier ?

Un recrutement « évité » dans un support de premier niveau et un recrutement « évité » dans une filière qui fabrique les futurs experts ne produisent pas le même effet à cinq ans.

Le pilotage des effectifs doit donc intégrer non seulement la capacité dont l'entreprise a besoin aujourd'hui, mais aussi la capacité qu'elle doit apprendre à produire pour demain.

Ce que cela change concrètement pour le CEO, le CFO et les équipes People

Le mauvais objectif serait de demander à chaque direction de réduire son plan d'embauche de 20 % parce que « l'IA doit apporter 20 % de productivité ».

La bonne unité de raisonnement est le flux de travail. Pour chaque activité en croissance, il faut comprendre ce qui augmente réellement avec le volume : les transactions, les tickets, les contrôles, les décisions, les exceptions, les risques, les interfaces clients, la complexité ? Puis mesurer ce que l'IA change dans chacune de ces composantes.

Une équipe de support peut traiter deux fois plus de demandes simples et simultanément avoir besoin de davantage de seniors, parce que les humains ne reçoivent plus que les situations les plus difficiles. Une équipe engineering peut générer davantage de code et avoir besoin d'accroître sa capacité de review, d'architecture ou d'évaluation. Une équipe commerciale peut automatiser une grande partie de la préparation et décider d'utiliser le temps libéré pour ouvrir un nouveau segment, donc pour recruter.

Le bon indicateur n'est pas le nombre de postes supprimés. C'est la quantité de croissance que l'organisation peut absorber avant que l'ajout d'un humain redevienne la meilleure décision économique.

Auto-diagnostic : votre croissance peut-elle réellement devenir moins intensive en recrutements ?

• •Pour chaque équipe, savons-nous quelle métrique de volume justifiait historiquement les recrutements : clients, tickets, commandes, projets, leads, transactions ou autre ?
• •Pouvons-nous mesurer l'évolution du volume traité par ETP, avant et après automatisation ?
• •Suivons-nous simultanément la qualité, les erreurs, le rework et le taux d'exception, ou uniquement le volume automatisé ?
• •Un poste que nous envisageons de ne pas recruter correspond-il à une capacité réellement devenue inutile, ou déportons-nous simplement cette charge vers d'autres collaborateurs ?
• •Les humains restants héritent-ils d'un travail durablement soutenable, ou uniquement des situations les plus complexes ?
• •Nos économies viennent-elles d'un résultat déjà mesuré ou d'une hypothèse de productivité inscrite dans le budget ?
• •Savons-nous distinguer les recrutements destinés à absorber du volume de ceux destinés à créer une nouvelle capacité, un nouveau produit ou un nouveau marché ?
• •Avons-nous identifié les rôles dont la réduction pourrait fragiliser notre vivier de futurs seniors ou managers ?
• •Quand un poste n'est pas remplacé, savons-nous dire précisément quelle technologie, quel processus ou quelle nouvelle répartition du travail permet de l'éviter ?
• •Si l'automatisation produit une baisse de qualité, avons-nous conservé suffisamment de compétences et de capacité humaine pour corriger rapidement la trajectoire ?
• •Notre comité de direction suit-il seulement le revenu par salarié, ou également les indicateurs permettant d'expliquer son évolution ?
• •Si l'IA nous donne 20 % de capacité supplémentaire, avons-nous explicitement arbitré entre réduire les coûts, améliorer la qualité, accélérer la croissance et investir dans de nouvelles activités ?

Si plusieurs de ces questions restent sans réponse, annoncer dès maintenant une trajectoire de croissance « sans recrutement » relève davantage de l'hypothèse que du plan.

La conviction

Les données disponibles ne permettent pas de soutenir que l'IA ouvre une ère de croissance générale « sans salariés supplémentaires ». Elles montrent quelque chose de plus crédible, et probablement plus structurant.

L'IA commence à dissocier la croissance de certains volumes de la croissance des effectifs qui les traitent.

Cela permet à certaines entreprises de maintenir des équipes stables plus longtemps. À d'autres de ne pas remplacer certains départs. À d'autres encore de déplacer leurs recrutements vers de nouvelles compétences.

Mais aucun des cas disponibles ne démontre que recruter devient inutile. Klarna montre même le risque d'utiliser trop vite la réduction d'effectifs comme mesure de succès : lorsque l'automatisation rencontre la frontière de la qualité, la capacité humaine doit pouvoir revenir. À l'inverse, les entreprises qui investissent intensivement dans l'IA peuvent également croître et recruter davantage, parce que leur gain de productivité crée de nouvelles opportunités économiques.

La question stratégique n'est donc pas « combien de postes pouvons-nous supprimer grâce à l'IA ? », mais : où avons-nous réellement cassé le lien entre croissance et effectifs, et comment voulons-nous utiliser cette nouvelle capacité ?