Anthropic a récemment publié un rapport de recherche intitulé « Labor market impacts of AI: A new measure and early evidence », dont le cœur est de faire quelque chose que personne n'avait fait auparavant : distinguer ce que l'IA « peut théoriquement faire » de ce qu'elle « fait réellement » dans la pratique.
Cette différence est bien plus importante que vous ne le pensez.
Pourquoi les prédictions précédentes étaient toujours erronées
Auparavant, pour évaluer l'impact de l'IA sur le travail, on procédait généralement ainsi : lister les tâches d'un métier, demander « l'IA peut-elle faire cela ? », calculer un pourcentage, puis conclure que « 65 % des emplois de cette profession seront remplacés par l'IA ».
Le problème est qu'entre « peut faire » et « fait » il y a un fossé énorme.
L'économiste d'Anthropic, Peter McCrory, a introduit dans cette étude le concept d'« observed exposure » (exposition réelle observée) : superposer les capacités théoriques de l'IA avec les données réelles d'utilisation de l'API de Claude, pour voir à quoi les utilisateurs emploient réellement l'IA.
Ce que disent les données
L'exemple le plus représentatif est celui des programmeurs :
- Exposition théorique : l'IA a théoriquement la capacité de traiter 94 % des tâches de programmation
- Exposition réelle observée : seulement 33 % des tâches sont réellement prises en charge par l'IA
Autrement dit, 94 % du travail des programmeurs pourrait théoriquement être effectué par l'IA, mais dans la réalité, l'IA n'a pénétré qu'un tiers. Les autres 60 points de pourcentage ne sont pas dus à l'incapacité de l'IA, mais à diverses raisons pour lesquelles les humains continuent de le faire : inertie, problèmes de délégation, réglementation, barrières de confiance, coûts d'intégration…
| Profession | Exposition théorique | Exposition réelle observée |
|---|---|---|
| Programmeur (global) | 94 % | 33 % |
| Saisisseur de données | Élevée | Élevée (proches) |
| Microbiologiste | Élevée | Faible (travail de laboratoire non externalisable à l'IA) |
| Gestionnaire immobilier | Moyenne | Faible (compétences de négociation difficiles à IA-iser) |
Pour les travaux hautement répétitifs comme la saisie de données, les expositions théorique et réelle sont proches — l'IA effectue réellement ces tâches.
Mais pour les microbiologistes, l'exposition théorique n'est pas faible (l'IA peut faire de l'analyse de données, des revues de littérature), mais l'exposition réelle est très faible, car le travail central est effectué manuellement en laboratoire.
Qui est le plus menacé : pas le groupe que vous croyez
Une autre découverte contre-intuitive : les travailleurs des professions à forte exposition ont en réalité un niveau d'éducation plus élevé, des salaires plus élevés et plus de femmes.
- Dans les 25 % des professions les plus exposées, le salaire moyen des travailleurs est 47 % plus élevé que dans les professions à faible exposition
- La probabilité d'avoir un diplôme d'études supérieures est 4,5 fois plus élevée
- La proportion de femmes est 16 points de pourcentage plus élevée que dans les professions à faible exposition
Cela brise l'idée reçue selon laquelle « l'IA éliminera d'abord les emplois peu qualifiés ». Les emplois de savoir, de rédaction, d'analyse, de programmation — ces emplois de bureau — sont les domaines que l'IA pénètre en premier.
L'impact sur les jeunes est déjà quantifiable : les jeunes de 22 à 25 ans ont une probabilité 14 % inférieure de trouver un emploi dans les professions à forte exposition qu'auparavant. Il n'y a pas de chômage de masse, mais les barrières à l'entrée ont augmenté — il y a moins de nouveaux postes dans ces métiers car les employés existants ont utilisé l'IA pour augmenter leur efficacité.
Ce qu'a dit McCrory
« Vous voulez que Claude vous aide à faire du machine learning, mais en réalité vous devez comprendre le machine learning pour pouvoir le diriger. »
Cela signifie : l'IA ne remplace pas la compétence professionnelle, mais exige que le travailleur utilise sa compétence professionnelle pour piloter l'IA. La barrière ne diminue pas, elle change seulement de forme.
Cela correspond aux données sur l'emploi : dans les professions à forte exposition, les salaires des travailleurs expérimentés augmentent, mais les postes d'entrée disparaissent. L'IA aide les vétérans à gagner en efficacité tout en remplaçant une partie du travail de base — auparavant, ce travail de base était le tremplin d'entrée pour les jeunes.
Pourquoi cette étude est importante
Auparavant, les discussions sur l'IA et le travail étaient soit apocalyptiques (l'IA va éliminer tous les emplois), soit optimistes (l'IA ne fera que créer plus d'emplois).
La valeur de l'étude d'Anthropic est qu'elle fournit un cadre mesurable capable d'identifier précocement quelles professions sont pénétrées avant que les données sur l'emploi ne s'effondrent. Ainsi, les décideurs politiques ont le temps de réagir, au lieu d'attendre qu'un groupe de personnes perde son emploi pour commencer à remédier à la situation.
Les données réelles observées actuellement montrent : on n'en est pas encore au chômage de masse, mais la voie des jeunes vers les professions à forte exposition a déjà commencé à se rétrécir. La tendance suivante, chacun peut la déduire par lui-même.
Source de référence : Anthropic's research shows that AI can already do a huge portion of many jobs (Fortune) ; CocoLoop, Labor market impacts of AI: A new measure and early evidence (Anthropic Research)