IA aéro-défense : la course entre la technologie et la compétence

Le rapport "2026 Aerospace and Defense Industry Outlook" de Deloitte, qui s'appuie sur des projections de l'International Data Corporation (IDC), chiffre la trajectoire de la dépense IA du secteur aérospatial et de défense américain : 5,8 Md$ d'ici 2029, soit une multiplication par 3,5 par rapport à 2025 (environ 1,66 Md$ sur cette base implicite). Le même rapport, citant une étude Deloitte distincte ("From vision to value"), estime que 36% des tâches de la fabrication de produits industriels pourraient bénéficier d'une augmentation par l'IA agentique — un potentiel de transformation opérationnelle large, pas seulement un budget technologique en hausse.

En parallèle, Deloitte a analysé les offres d'emploi Lightcast du secteur (code NAICS 3364, qui couvre la construction aérospatiale) pour mesurer la demande de compétences data. La part des offres mentionnant l'analyse de données passerait de 9% en 2025 à environ 14% en 2028 (+56% en relatif), et celle mentionnant spécifiquement la data science de 3% à 5% (+67% en relatif). Ces taux de croissance relative paraissent élevés, mais ils partent d'une base extrêmement étroite : même en 2028, environ 86% des offres d'emploi du secteur ne mentionneraient toujours pas l'analyse de données.

Cette configuration — un capital technologique qui se diffuse plus vite que la compétence nécessaire pour l'exploiter — correspond à ce que Jan Tinbergen a formalisé dès 1974 comme une "course entre la technologie et l'éducation", concept repris et étayé empiriquement par Claudia Goldin et Lawrence Katz ("The Race between Education and Technology", 2008) sur un siècle de données américaines. Leur constat central : lorsque le rythme du progrès technique dépasse celui de la formation de la main-d'œuvre qualifiée, ce n'est pas la technologie elle-même qui freine, mais la disponibilité de compétences complémentaires — avec, à la clé, une prime salariale croissante pour les profils qualifiés et une diffusion effective plus lente que la diffusion budgétaire.

La différence, ici, tient à l'horizon temporel. Les épisodes historiques étudiés par Goldin et Katz (électrification, informatisation) se déployaient sur plusieurs décennies, laissant le temps aux systèmes de formation de s'ajuster. La fenêtre 2025-2028 est, elle, comprimée à quatre ans — un délai insuffisant pour faire passer une base de compétences data de 9% à un niveau qui accompagnerait une multiplication par 3,5 des budgets IA. Le décalage de rythme n'est donc pas seulement théorique : il est mécaniquement inscrit dans le calendrier même des deux courbes.

Pour les industriels du secteur, cela déplace la nature de la ressource rare. L'accès aux modèles et au calcul est aujourd'hui largement commoditisé via les fournisseurs cloud et les plateformes IA d'entreprise ; ce qui ne l'est pas, c'est la capacité organisationnelle à redessiner les flux de travail et à requalifier ingénieurs et techniciens pour en tirer parti. Dans le cadre des actifs complémentaires de David Teece (1986), cette capacité n'est pas un substitut au capital IA mais son complément indispensable — sans lequel l'investissement technologique reste largement improductif.

Ce constat prolonge une série de résultats déjà documentés par Cardan-AI cette année : l'écart entre adoption de l'IA et capacité d'absorption réelle dans l'aéro-défense (analyse du 10/08), ou les goulets de déploiement dans l'amont pétrolier et gazier. Le cas aéro-défense y ajoute une mesure quantifiée et directement observable sur le marché du travail, plutôt qu'une simple enquête de perception.

La conséquence pratique pour les décideurs : traiter la dépense IA et la requalification de la main-d'œuvre comme un seul et même investissement conjoint, et non comme deux décisions séquentielles, est ce qui permettra de capter les gains de productivité le plus rapidement. Les organisations qui se contentent d'acheter des outils sans investir en parallèle, et au même rythme, dans la compétence humaine risquent une sous-utilisation classique des facteurs de production — un capital IA installé mais insuffisamment mis en œuvre faute de main-d'œuvre formée pour l'exploiter.