- Ce que l’IA menace le plus, ce ne sont pas les emplois à bas revenus, mais les postes hautement qualifiés et bien rémunérés : l’impact de l’IA frappe d’abord non pas les « emplois faciles », mais les « bons emplois »
- Les programmeurs sont la profession la plus exposée. Avec une couverture de 75 %, ils arrivent en tête de l’ensemble des métiers ; paradoxe, ceux qui utilisent le plus les agents de codage sont justement les développeurs eux-mêmes
- Personne n’est encore licencié à cause de l’IA, mais la porte de l’embauche des juniors se referme discrètement : l’IA remplace les humains non pas en supprimant les employés actuels, mais en réduisant les nouveaux recrutements
- La plupart des tâches que l’IA pourrait théoriquement remplacer ne le sont pas encore en pratique : pour les métiers de l’informatique et des mathématiques, la couverture théorique est de 94 %, mais la couverture réelle n’est que de 33 %. Un avertissement sur l’ampleur du terrain encore à couvrir
- Les femmes et les diplômés du supérieur sont davantage exposés au risque de substitution par l’IA, avec une proportion de femmes supérieure de 16 points. On pense souvent que l’IA menace surtout les « emplois masculins de cols bleus », mais les données montrent l’inverse
Principales conclusions (Key Findings)
- L’« exposition observée » (observed exposure) est un indicateur qui combine les capacités théoriques des LLM et les données d’usage réelles pour mesurer le niveau d’utilisation des tâches orientée vers l’automatisation
- Un poids plus élevé est attribué aux usages automatisés et aux usages liés au travail
- L’usage réel de l’IA ne représente qu’une partie de son potentiel théorique, et la part des tâches que l’IA peut effectuer effectivement utilisées reste faible
- Plus une profession a un niveau d’exposition élevé, plus les prévisions de croissance de l’emploi d’ici 2034 du Bureau of Labor Statistics (BLS) américain sont faibles
- Les travailleurs des professions très exposées ont en moyenne une part plus élevée de femmes, un niveau d’études plus élevé, des salaires plus élevés et un âge plus avancé
- Depuis fin 2022, aucune preuve d’une hausse systématique du chômage n’a été observée, mais un ralentissement des embauches de jeunes actifs a été constaté
Contexte et objectif de l’étude
- Les recherches visant à mesurer et prévoir l’impact de l’IA sur le marché du travail se multiplient, mais la précision prédictive des approches passées avait ses limites
- Exemple typique : environ 25 % des emplois classés comme vulnérables à l’offshoring affichaient encore une solide croissance de l’emploi dix ans plus tard
- Les études sur l’impact des robots industriels sur l’emploi aboutissent à des conclusions contradictoires, et l’ampleur des pertes d’emplois liées au choc commercial chinois reste débattue
- L’objectif de cette étude est d’établir une approche pour mesurer l’impact de l’IA sur l’emploi et d’actualiser régulièrement l’analyse à mesure que de nouvelles données apparaissent
- En mettant en place un cadre d’analyse avant que l’impact de l’IA ne devienne évident, il devient possible d’identifier les perturbations économiques de manière plus fiable qu’avec une analyse a posteriori
Inférence causale et contrefactuels (Counterfactuals)
- Quand les effets sont massifs et soudains, comme avec le COVID-19, l’inférence causale est plus simple ; mais l’impact de l’IA pourrait, comme la diffusion d’Internet ou le choc commercial chinois, ne pas apparaître immédiatement dans les données agrégées
- L’approche générale consiste à comparer les résultats de professions fortement exposées à l’IA avec ceux de professions peu exposées afin d’isoler l’effet de l’IA des variables confondantes
- Cette étude suit elle aussi une approche fondée sur les tâches, en combinant une mesure des capacités théoriques de l’IA et des données d’usage réelles, agrégées au niveau des professions
Méthode de mesure de l’exposition
- Combinaison de trois sources de données :
- Base de données O*NET : liste des tâches associées à environ 800 professions aux États-Unis
- Données réelles d’usage de Claude issues de l’Anthropic Economic Index
- Estimations de l’exposition théorique par tâche (β) d’Eloundou et al. (2023) : si un LLM peut accélérer une tâche d’au moins 2x, la valeur est 1 ; si des outils supplémentaires sont nécessaires, 0,5 ; si ce n’est pas possible, 0
- Parmi les raisons pour lesquelles des tâches théoriquement possibles n’apparaissent pas dans l’usage réel : limites du modèle, contraintes juridiques, exigences logicielles, étapes de validation humaine, etc.
- Exemple : « transmettre des informations de prescription à la pharmacie et approuver un renouvellement de médicament » a une exposition théorique β=1, mais n’apparaît pas dans l’usage réel de Claude
- L’exposition théorique et l’usage réel sont fortement corrélés, et 97 % des tâches observées dans les quatre précédents rapports de l’Economic Index relevaient des catégories β=0,5 ou β=1
Indicateur d’exposition observée (Observed Exposure)
- L’exposition observée quantifie, parmi les tâches que les LLM peuvent théoriquement accélérer, la proportion effectivement utilisée sous forme automatisée dans un contexte de travail réel
- Conditions qui augmentent l’exposition d’une profession :
- la tâche est théoriquement réalisable par l’IA et présente une fréquence d’usage significative dans l’Anthropic Economic Index
- l’usage se produit dans un contexte lié au travail
- le taux d’automatisation est élevé ou l’implémentation se fait via API (automatisation pondérée à plein, usage d’assistance pondéré à moitié)
- les tâches impactées par l’IA représentent une part importante de l’ensemble du métier
- L’écart entre la couverture théorique (bleu) et l’exposition observée réelle (rouge) est important : l’IA reste très en deçà de ses capacités théoriques
- Professions de l’informatique et des mathématiques : couverture théorique 94 %, couverture réelle 33 %
- Professions de bureau et d’administration : couverture théorique 90 %
Professions les plus exposées
- Top 3 des 10 professions les plus exposées selon l’exposition observée :
- Computer Programmers : couverture de 75 % (Claude est largement utilisé pour le codage)
- Customer Service Representatives : les tâches principales progressent dans le trafic API first-party
- Data Entry Keyers : l’automatisation est particulièrement marquée dans les tâches principales de lecture de documents source et de saisie de données, avec une couverture de 67 %
- 30 % de l’ensemble des travailleurs ont une couverture de 0, leurs tâches n’atteignant pas le seuil minimal
- Exemples de ce groupe : cuisiniers, mécaniciens moto, sauveteurs, barmen, plongeurs, employés de vestiaire
Relation entre exposition et prévisions d’emploi du BLS
- En comparant les prévisions de croissance de l’emploi par profession du BLS pour 2024-2034 avec l’exposition observée, on constate que plus l’exposition est élevée, plus les perspectives de croissance sont faibles
- Une hausse de 10 points de pourcentage de la couverture s’accompagne d’une baisse de 0,6 point des prévisions de croissance du BLS (selon une régression pondérée par niveau d’emploi)
- Cette corrélation n’apparaît pas avec le seul indicateur théorique β d’Eloundou et al. → ce qui suggère que l’exposition observée est un indicateur prédictif plus pertinent de manière indépendante
Caractéristiques démographiques des travailleurs très exposés
- Comparaison entre le quartile supérieur d’exposition et le groupe à 0 % d’exposition juste avant le lancement de ChatGPT (août-octobre 2022) :
- le groupe très exposé a une probabilité supérieure de 16 points d’être féminin
- une probabilité supérieure de 11 points d’être blanc, et une probabilité environ deux fois plus élevée d’être asiatique
- un salaire moyen 47 % plus élevé
- part des diplômés de troisième cycle : 4,5 % dans le groupe non exposé contre 17,4 % dans le groupe très exposé (près de 4x plus)
Résultats de l’analyse du chômage
- Le taux de chômage a été choisi comme indicateur prioritaire de l’analyse car il capte le plus directement les personnes souhaitant travailler mais ne trouvant pas d’emploi
- L’évolution du chômage depuis 2016 montre que pendant la période COVID-19, le chômage a beaucoup plus augmenté dans le groupe non exposé (plus concentré dans les métiers en présentiel)
- Depuis le lancement de ChatGPT, l’évolution du chômage dans le groupe très exposé n’est pas statistiquement significative (légère hausse, mais indiscernable de zéro)
- Exemples de scénarios détectables par ce cadre d’analyse :
- si les 10 % les plus exposés étaient tous licenciés, le chômage de ce groupe passerait de 3 % à 43 %, et le chômage global de 4 % à 13 %
- un scénario de « grande récession des cols blancs » (doublement du chômage du quartile supérieur, de 3 % à 6 %) pourrait lui aussi être détecté
Signes d’un ralentissement des embauches chez les jeunes
- Brynjolfsson et al. (2025) estiment que l’emploi des 22-25 ans dans les professions très exposées a baissé de 6 à 16 %, principalement en raison d’une baisse des embauches plutôt que d’une hausse des licenciements
- Dans cette étude, le taux de chômage des jeunes dans les professions très exposées reste lui-même stable
- Une baisse des embauches peut ne pas apparaître dans le chômage : beaucoup de nouveaux entrants jeunes peuvent ne pas enregistrer de profession dans le CPS ou sortir du marché du travail
- Les données de panel CPS servent à suivre séparément le taux de nouvelle embauche des 22-25 ans dans les professions à forte et faible exposition
- à partir de 2024, le taux d’entrée dans les professions très exposées commence visuellement à reculer
- le taux mensuel d’emploi dans les professions peu exposées reste stable à 2 %, tandis que le taux d’entrée dans les professions très exposées recule d’environ 0,5 point
- estimation moyenne pour la période post-ChatGPT : baisse de 14 % du taux d’embauche dans les professions très exposées par rapport à 2022 (niveau à peine statistiquement significatif)
- aucune baisse comparable n’est observée chez les travailleurs de plus de 25 ans
- Une interprétation alternative reste possible : les jeunes non recrutés ont pu rester dans leur emploi précédent, choisir un autre métier ou reprendre des études
Limites de l’étude et plans à venir
- L’indicateur d’Eloundou et al. actuellement utilisé doit être mis à jour, car il repose sur les capacités des LLM du début 2023
- Anthropic prévoit de continuer à intégrer les données d’usage de Claude pour actualiser l’évolution de la couverture par tâche et par profession
- Suivre la manière dont les jeunes diplômés récents titulaires de diplômes dans des domaines très exposés s’adaptent sur le marché du travail constitue une priorité majeure pour la suite
- Ce cadre peut être étendu à d’autres données d’usage et aux contextes d’autres pays
Aucun commentaire pour le moment.