Impacts de l'IA sur le marché du travail : une nouvelle mesure et des premières données
Impact de l'IA sur le marché du travail : Claude Code étant largement utilisé pour le codage, les programmeurs informatiques sont les professions les plus exposées au chômage, avec une couverture de 75 %
Dans une nouvelle recherche, Anthropic présente une nouvelle mesure du risque de remplacement par l'IA, l'exposition observée, qui combine les capacités théoriques des modèles d'apprentissage profond (LLM) et les données d'utilisation réelles, en accordant plus d'importance aux utilisations automatisées (plutôt qu'augmentatives) et liées au travail. Selon le rapport, l'IA est loin d'avoir atteint son potentiel théorique : sa couverture réelle reste inférieure à ce qui est techniquement possible.
L'emploi dans le secteur de la programmation informatique aux États-Unis a atteint son niveau le plus bas depuis 1980, selon les données de l'enquête sur la population actuelle du Bureau des statistiques du travail en mars 2025. Cette baisse correspond à l'introduction du ChatGPT d'OpenAI. Ce constat, qui aurait semblé impensable il y a quelques années, soulève des questions fondamentales sur l’évolution du marché du travail, le rôle de l’automatisation et la transformation même du métier de programmeur. Le marché américain est-il un précurseur ou un cas particulier ?
En décembre 2025, selon de nombreux témoignages relayés à l’échelle mondiale, les ingénieurs juniors font désormais face à une contraction brutale des opportunités. Les missions historiquement confiées aux profils débutants sont de plus en plus absorbées par des outils d’IA capables de générer du code, détecter des anomalies, exécuter des batteries de tests automatisés ou proposer des correctifs fonctionnels en quelques secondes. Au cours des trois dernières années, le nombre de jeunes diplômés embauchés par les grandes entreprises technologiques à l'échelle mondiale a diminué de plus de 50 %.
Dans une nouvelle recherche, Anthropic présente une nouvelle mesure du risque de remplacement par l'IA, l'exposition observée, qui combine les capacités théoriques des modèles d'apprentissage profond (LLM) et les données d'utilisation réelles, en accordant plus d'importance aux utilisations automatisées (plutôt qu'augmentatives) et liées au travail. Selon le rapport, l'IA est loin d'avoir atteint son potentiel théorique : sa couverture réelle reste inférieure à ce qui est techniquement possible.
Selon les projections du BLS, les professions présentant une exposition observée plus élevée devraient connaître une croissance moindre jusqu'en 2034. Les travailleurs des professions les plus exposées sont plus susceptibles d'être âgés, de sexe féminin, plus diplômés et mieux rémunérés. S'ils n'ont constaté aucune augmentation systématique du chômage chez les travailleurs fortement exposés depuis fin 2022, ils ont trouvé des preuves suggérant que le recrutement de jeunes travailleurs a ralenti dans les professions exposées.
Un autre rapport avait déjà présenté la situation. Les données officielles de la DARES semblent désormais le confirmer : l'intelligence artificielle est bien en train de provoquer une forme d'apocalypse sur le marché de l'emploi des développeurs informatiques. La preuve ? Pour la première fois depuis 2016, l'informatique n'est plus en « tension très forte » de recrutement. Le secteur enregistre en 2024 la plus forte baisse de tensions tous domaines professionnels confondus, passant du niveau 5 au niveau 4 sur l'échelle DARES.
Traduction concrète : il y a désormais plus d'informaticiens disponibles que de postes à pourvoir, quand le BTP, l'industrie et la maintenance continuent de souffrir d'une pénurie record. Pendant que l'IA génère du code à la place des développeurs, elle ne réparera jamais un trou dans votre toit, comme prévenait déjà le PDG de Lowe's qui a encouragé les jeunes à se tourner vers les travaux manuels.
Voici le rapport de rechercher d'Anthropic :
Impacts de l'IA sur le marché du travail : une nouvelle mesure et des premières données
Introduction
La diffusion rapide de l'IA génère une vague de recherches visant à mesurer et à prévoir ses impacts sur les marchés du travail. Mais les résultats obtenus par les approches passées incitent à la prudence.
Par exemple, une tentative importante visant à mesurer la délocalisabilité des emplois a identifié environ un quart des emplois américains comme vulnérables, mais dix ans plus tard, la plupart de ces emplois ont maintenu une croissance saine de l'emploi. Les prévisions de croissance professionnelle du gouvernement, bien que correctes dans leur orientation, n'ont guère ajouté de valeur prédictive au-delà de l'extrapolation linéaire des tendances passées. Même avec le recul, l'impact des perturbations économiques majeures sur le marché du travail est souvent difficile à cerner. Les études sur les effets des robots industriels sur l'emploi aboutissent à des conclusions contradictoires, et l'ampleur des pertes d'emplois attribuées au choc commercial avec la Chine continue de faire l'objet de débats.
Dans cet article, nous présentons un nouveau cadre permettant de comprendre les effets de l'IA sur le marché du travail et le testons à l'aide de données préliminaires, qui montrent que l'IA a eu jusqu'à présent un impact limité sur l'emploi. Notre objectif est d'établir une approche permettant de mesurer l'impact de l'IA sur l'emploi et de réexaminer régulièrement ces analyses. Cette approche ne permettra pas de saisir tous les canaux par lesquels l'IA pourrait remodeler le marché du travail, mais en posant ces bases dès maintenant, avant que des effets significatifs ne se manifestent, nous espérons que les conclusions futures permettront d'identifier les perturbations économiques de manière plus fiable que les analyses a posteriori.
Il est possible que les effets de l'IA soient indéniables. Ce cadre est particulièrement utile lorsque les effets sont ambigus et pourrait aider à identifier les emplois les plus vulnérables avant que le déplacement ne soit visible.
Contrefactuels
L'inférence causale est plus facile lorsque les effets sont importants et soudains. La pandémie de COVID-19 et les mesures politiques qui l'ont accompagnée ont provoqué des perturbations économiques si importantes que des approches statistiques sophistiquées n'étaient pas nécessaires pour répondre à de nombreuses questions. Par exemple, le chômage a fortement augmenté au cours des premières semaines de la pandémie, laissant peu de place à d'autres explications.
Cependant, les effets de l'IA pourraient ressembler moins à ceux de la COVID qu'à ceux de l'internet ou du commerce avec la Chine. Les effets ne sont pas nécessairement visibles immédiatement à partir des données agrégées sur le chômage ; des facteurs tels que la politique commerciale et le cycle économique pourraient brouiller l'interprétation des tendances.
Une approche courante consiste à comparer les résultats entre les travailleurs, les entreprises ou les secteurs plus ou moins exposés à l'IA, afin d'isoler l'effet de l'IA des forces confondantes. L'exposition est généralement définie au niveau des tâches : l'IA peut noter les devoirs, mais ne peut pas gérer une classe, par exemple, de sorte que les enseignants sont considérés comme moins exposés que les travailleurs dont l'ensemble du travail peut être effectué à distance.
Notre travail suit cette approche basée sur les tâches, en intégrant des mesures de la capacité théorique de l'IA et de son utilisation dans le monde réel, avant de les agréger par profession.
Mesurer l'exposition
Notre approche combine des données provenant de trois sources.
1. La base de données O*NET, qui répertorie les tâches associées à environ 800 professions uniques aux États-Unis.
2. Nos propres données d'utilisation (mesurées dans l'indice économique anthropique).
3. Les estimations d'exposition au niveau des tâches d'Eloundou et al. (2023), qui mesurent s'il est théoriquement possible pour un LLM d'effectuer une tâche au moins deux fois plus rapidement.
La métrique β d'Eloundou et al. note les tâches sur une échelle simple : 1 si une tâche peut être effectuée deux fois plus rapidement par un LLM seul, 0,5 si elle nécessite des outils ou des logiciels supplémentaires en plus du LLM, et 0 dans le cas contraire.
Pourquoi l'utilisation réelle pourrait-elle être inférieure à la capacité théorique ? Certaines tâches théoriquement possibles peuvent ne pas apparaître dans l'utilisation en raison des limites du modèle. D'autres peuvent être lentes à se diffuser en raison de contraintes juridiques, d'exigences logicielles spécifiques, d'étapes de vérification humaine ou d'autres obstacles. Par exemple, Eloundou et al. considèrent que « Autoriser le renouvellement des ordonnances et fournir des informations sur les prescriptions aux pharmacies » est une tâche pleinement exposée (β=1). Nous n'avons pas observé Claude effectuer cette tâche, bien que l'évaluation semble correcte dans la mesure où elle pourrait théoriquement être accélérée par un LLM.
Cela dit, ces mesures de la capacité théorique et de l'utilisation réelle sont fortement corrélées. Comme le montre la figure 1, 97 % des tâches observées dans les quatre précédents rapports sur l'indice économique entrent dans les catégories jugées théoriquement réalisables par Eloundou et al. (β=0,5 ou β=1,0).
Une nouvelle mesure de l'exposition professionnelle
Notre nouvelle mesure, l'exposition observée, vise à quantifier : parmi les tâches que les LLM pourraient théoriquement accélérer, lesquelles font réellement l'objet d'une utilisation automatisée dans un contexte professionnel ? Les capacités théoriques englobent un éventail beaucoup plus large de tâches. En suivant la manière dont cet écart se réduit, l'exposition observée fournit des informations sur les changements économiques à mesure qu'ils se produisent.
Notre mesure capture de manière qualitative plusieurs aspects de l'utilisation de l'IA qui, selon nous, sont prédictifs des impacts sur l'emploi. L'exposition d'un emploi est plus élevée si :
- Ses tâches sont théoriquement possibles avec l'IA
- Ses tâches sont largement utilisées dans l'indice économique anthropique
- Ses tâches sont effectuées dans des contextes liés au travail
- Il présente une part relativement plus élevée de modèles d'utilisation automatisés ou d'implémentation d'API
- Ses tâches influencées par l'IA représentent une part plus importante de l'ensemble des fonctions
Nous fournissons des détails mathématiques dans l'annexe. Nous considérons que les tâches théoriquement réalisables avec un LLM sont couvertes si elles ont été suffisamment utilisées dans le cadre professionnel dans le trafic Claude. Nous ajustons ensuite la manière dont la tâche est effectuée : les implémentations entièrement automatisées reçoivent une pondération maximale, tandis que l'utilisation augmentative reçoit une pondération de moitié. Enfin, les mesures de couverture au niveau des tâches sont moyennées au niveau de la profession, pondérées par la fraction de temps consacrée à chaque tâche.
La figure 2 montre l'exposition observée (en rouge) par rapport au β d'Eloundou et al. (en bleu), illustrant la différence entre l'utilisation théorique et réelle sur notre plateforme, regroupée par grandes catégories professionnelles. Nous calculons cela en faisant d'abord la moyenne au niveau de la profession, pondérée par notre mesure de la fraction de temps, puis en faisant la moyenne au niveau de la catégorie professionnelle, pondérée par l'emploi total. Par exemple, la mesure β montre le potentiel de pénétration du LLM dans la majorité des tâches des professions informatiques et mathématiques (94 %) et administratives (90 %).
La zone rouge, qui représente l'utilisation du LLM selon l'indice économique Anthropic, montre comment les gens utilisent Claude dans un contexte professionnel. La couverture montre que l'IA est loin d'atteindre ses capacités théoriques. Par exemple, Claude ne couvre actuellement que 33 % de toutes les tâches de la catégorie Informatique et mathématiques.
À mesure que les capacités progressent, que l'adoption se généralise et que le déploiement s'intensifie, la zone rouge s'étendra jusqu'à recouvrir la zone bleue. Il existe également une grande zone non couverte ; de nombreuses tâches restent bien sûr hors de portée de l'IA, qu'il s'agisse de travaux agricoles physiques comme l'élagage des arbres et l'utilisation de machines agricoles ou de tâches juridiques comme la représentation de clients devant les tribunaux.
La figure 3 présente les dix professions les plus exposées selon cette mesure. Conformément à d'autres données montrant que Claude est largement utilisé pour le codage, les programmeurs informatiques arrivent en tête, avec une couverture de 75 %, suivis des représentants du service clientèle, dont les tâches principales sont de plus en plus présentes dans le trafic API de première partie. Enfin, les opérateurs de saisie de données, dont la tâche principale consiste à lire des documents sources et à saisir des données, bénéficient d'une automatisation importante et sont couverts à 67 %.
Au bas de l'échelle, 30 % des travailleurs ne sont pas couverts, car leurs tâches apparaissent trop rarement dans nos données pour atteindre le seuil minimum. Ce groupe comprend, par exemple, les cuisiniers, les mécaniciens de motos, les sauveteurs, les barmans, les plongeurs et les préposés aux vestiaires.
Comment l'exposition évolue-t-elle en fonction de la croissance prévue de l'emploi et des caractéristiques des travailleurs ?
Le Bureau of Labor Statistics (BLS) des États-Unis publie régulièrement des projections sur l'emploi. Les dernières, publiées en 2025, couvrent les changements prévus dans l'emploi pour chaque profession entre 2024 et 2034. Dans la figure 4, nous comparons notre mesure de la couverture au niveau des emplois à leurs prévisions.
Une régression au niveau des professions pondérée par l'emploi actuel montre que les projections de croissance sont légèrement plus faibles pour les emplois présentant une exposition plus importante. Pour chaque augmentation de 10 points de pourcentage de la couverture, la projection de croissance du BLS diminue de 0,6 point de pourcentage. Cela confirme dans une certaine mesure que nos mesures correspondent aux estimations indépendantes des analystes du marché du travail, même si la relation est faible. Il est intéressant de noter qu'il n'existe pas de telle corrélation lorsque l'on utilise uniquement la mesure d'Eloundou et al.
La figure 5 présente les caractéristiques des travailleurs du quartile supérieur en termes d'exposition et des 30 % de travailleurs n'ayant subi aucune exposition au cours des trois mois précédant la sortie de ChatGPT, d'août à octobre 2022, à partir des données de l'enquête sur la population actuelle.7 Les groupes sont très différents. Le groupe le plus exposé est 16 points de pourcentage plus susceptible d'être composé de femmes, 11 points de pourcentage plus susceptible d'être blanc et presque deux fois plus susceptible d'être asiatique. Ses membres gagnent en moyenne 47 % de plus et ont un niveau d'éducation plus élevé. Par exemple, les personnes titulaires d'un diplôme d'études supérieures représentent 4,5 % du groupe non exposé, mais 17,4 % du groupe le plus exposé, soit une différence de près de quatre fois.
Prioriser les résultats
Une fois ces mesures d'exposition en main, la question est de savoir ce qu'il faut rechercher. Les chercheurs ont adopté différentes approches. Par exemple, Gimbel et al. (2025) suivent l'évolution de la composition des professions à l'aide de l'enquête sur la population actuelle. Leur argument est que toute restructuration importante de l'économie due à l'IA se traduirait par des changements dans la répartition des emplois. ¹ (Ils constatent que, jusqu'à présent, les changements ont été insignifiants.) Brynjolfsson et al. (2025) examinent les niveaux d'emploi répartis par tranche d'âge à l'aide des données de la société de traitement des salaires ADP, tandis qu'Acemoglu et al. (2022) et Hampole et al. (2025) utilisent respectivement les données sur les offres d'emploi de Burning Glass (aujourd'hui Lightcast) et Revelio.
Nous nous concentrons sur le chômage comme résultat prioritaire, car il reflète le plus directement le potentiel de préjudice économique : un travailleur au chômage souhaite trouver un emploi et n'en a pas encore trouvé. Dans ce cas, les offres d'emploi et l'emploi ne signalent pas nécessairement la nécessité de mesures politiques ; une baisse des offres d'emploi pour un poste très exposé peut être compensée par une augmentation des offres dans un poste connexe. Les évolutions les plus néfastes du marché du travail liées à l'IA devraient sans doute inclure une période de hausse du chômage, les travailleurs déplacés cherchant des alternatives. L'enquête sur la population actuelle est bien adaptée pour suivre cette évolution, car les répondants au chômage indiquent leur emploi et leur secteur d'activité précédents.
Résultats initiaux
Nous étudions ensuite les tendances du chômage, en comparant nos mesures au niveau des professions aux répondants de l'enquête sur la population actuelle.
Une question clé pour interpréter notre mesure de couverture est de savoir quels travailleurs doivent être considérés comme concernés. Faut-il s'attendre à des changements dans l'emploi à partir d'une couverture des tâches de seulement 10 % ? Gans et Goldfarb (2025) montrent que si un modèle O-ring décrit le mieux les emplois, les effets sur l'emploi ne pourraient être observés que lorsque toutes les tâches présentent un certain degré de pénétration de l'IA. Hampole et al. (2025) affirment que l'exposition moyenne diminue la demande de main-d'œuvre, mais que la concentration de l'exposition dans certaines tâches seulement peut contrebalancer cet effet. Autor et Thompson (2025) soulignent quant à eux le niveau d'expertise requis pour les tâches restantes.
Dans un souci de simplicité, et sachant que nous nous intéressons principalement aux impacts importants, nous centrons notre analyse sur l'idée que les impacts devraient être les plus forts dans les groupes présentant l'exposition moyenne la plus élevée. Nous comparons les travailleurs du quartile supérieur de la couverture des tâches pondérée en fonction du temps à ceux du quartile inférieur. Si les capacités de l'IA progressent rapidement, la couverture des tâches pourrait être élevée pour les percentiles inférieurs de couverture, ce qui pourrait rendre un seuil absolu plus utile. Mais nous partons du principe que les impacts devraient toucher en premier lieu les travailleurs les plus exposés, et nous présentons des résultats variant en fonction du seuil que nous utilisons pour définir le traitement.
Le panneau supérieur de la figure 6 montre les tendances brutes du taux de chômage depuis 2016 pour les travailleurs du quartile supérieur d'exposition et le groupe non exposé. Pendant la pandémie de COVID, les travailleurs moins exposés à l'IA, qui sont plus susceptibles d'avoir des emplois en présentiel, ont connu une augmentation beaucoup plus importante du chômage. Depuis lors, les tendances ont été largement similaires entre les deux groupes. Le graphique inférieur mesure l'ampleur de l'écart entre les travailleurs les plus exposés et les moins exposés dans un cadre de différence dans les différences, reflétant les conclusions tirées des données brutes. La variation moyenne de l'écart depuis la sortie de ChatGPT est faible et insignifiante, ce qui suggère que le taux de chômage du groupe le plus exposé a légèrement augmenté, mais que l'effet est indiscernable de zéro.
Quels types de scénarios ce cadre permet-il d'identifier ? Sur la base de l'intervalle de confiance de l'estimation groupée, des augmentations différentielles du chômage de l'ordre de 1 point de pourcentage seraient détectables (ce chiffre évoluera à mesure que de nouvelles données seront disponibles, il s'agit donc d'une estimation approximative). Si tous les travailleurs appartenant aux 10 % les plus riches étaient licenciés, le chômage dans le quartile supérieur passerait de 3 % à 43 %, et le chômage global passerait de 4 % à 13 %.
Un scénario tel que la « grande récession des cols blancs » aurait un impact moindre, mais tout aussi préoccupant. Au cours de la grande récession de 2007-2009, le taux de chômage a doublé, passant de 5 % à 10 % aux États-Unis. Un tel doublement dans le quartile supérieur exposé ferait passer son taux de chômage de 3 % à 6 %. Cela devrait également être visible dans notre analyse. Il convient de noter que notre estimation de base repose sur les variations différentielles du taux de chômage dans le groupe exposé par rapport au groupe moins exposé. Si le chômage augmentait de manière parallèle pour tous les travailleurs, nous ne l'attribuerions pas aux progrès de l'IA, qui laissent encore de nombreuses tâches inchangées.
Les jeunes travailleurs constituent un groupe particulièrement préoccupant. Brynjolfsson et al. font état d'une baisse de 6 à 16 % de l'emploi dans les professions exposées chez les travailleurs âgés de 22 à 25 ans. Ils attribuent cette baisse principalement à un ralentissement des embauches plutôt qu'à une augmentation des licenciements.
Nous constatons que le taux de chômage des jeunes travailleurs dans les professions exposées est stable (voir annexe). Mais le ralentissement des embauches ne se traduit pas nécessairement par une augmentation du chômage, car de nombreux jeunes travailleurs sont des nouveaux arrivants sur le marché du travail qui ne figurent pas dans les données du CPS et peuvent quitter la population active plutôt que d'apparaître comme chômeurs. Pour aborder directement la question de l'embauche, nous utilisons la dimension panel du CPS, en comptant le pourcentage de jeunes travailleurs (âgés de 22 à 25 ans) qui commencent un nouvel emploi dans une profession plus ou moins exposée au fil du temps. La figure 7 montre le taux mensuel de recherche d'emploi (c'est-à-dire lorsqu'un travailleur déclare un emploi qu'il n'avait pas le mois précédent) pour les jeunes travailleurs, ventilé selon qu'ils entrent dans une profession à forte ou à faible exposition.
Hormis quelques fluctuations importantes en 2020-2021, ces séries divergent visuellement en 2024, les jeunes travailleurs étant relativement moins susceptibles d'être embauchés dans des professions exposées. Les taux de recherche d'emploi dans les professions moins exposées restent stables à 2 % par mois, tandis que l'entrée dans les emplois les plus exposés diminue d'environ un demi-point de pourcentage. L'estimation moyenne dans l'ère post-ChatGPT est une baisse de 14 % du taux de recherche d'emploi par rapport à celui de 2022 dans les professions exposées, bien que cela soit à peine significatif sur le plan statistique. (Il n'y a pas de telle baisse pour les travailleurs âgés de plus de 25 ans).
Cela peut donner une indication des premiers effets de l'IA sur l'emploi et fait écho aux conclusions de Brynjolfsson et al. Mais il existe plusieurs autres interprétations possibles. Les jeunes travailleurs qui ne sont pas embauchés peuvent rester à leur emploi actuel, occuper des emplois différents ou retourner à l'école. Une autre mise en garde liée aux données est que les transitions professionnelles peuvent être plus vulnérables à des erreurs de mesure dans les enquêtes.10
Discussion
Ce rapport présente une nouvelle mesure permettant de comprendre les effets de l'IA sur le marché du travail et étudie ses répercussions sur le chômage et l'embauche. Les emplois sont d'autant plus exposés à l'IA que leurs tâches sont théoriquement réalisables avec des LLM et observées sur nos plateformes dans des cas d'utilisation automatisés liés au travail. Nous constatons que les programmeurs informatiques, les représentants du service clientèle et les analystes financiers sont parmi les plus exposés. À partir des données d'une enquête menée aux États-Unis, nous ne constatons aucun impact sur les taux de chômage des travailleurs exerçant les professions les plus exposées, bien qu'il existe des preuves provisoires indiquant que le recrutement dans ces professions a légèrement ralenti pour les travailleurs âgés de 22 à 25 ans.
Notre travail constitue une première étape vers le recensement de l'impact de l'IA sur le marché du travail. Nous espérons que les étapes analytiques suivies dans ce rapport, en particulier en ce qui concerne la couverture et les contrefactuels, seront faciles à mettre à jour à mesure que de nouvelles données sur l'emploi et l'utilisation de l'IA seront disponibles. Une approche établie pourrait aider les futurs observateurs à distinguer le signal du bruit.
Plusieurs améliorations peuvent être apportées au présent travail. Nos données d'utilisation seront intégrées dans les futures mises à jour, formant ainsi une image évolutive de la couverture des tâches et des emplois dans l'économie. La métrique d'Eloundou et al. pourrait également être mise à jour, dans la mesure où elle est liée aux capacités des LLM au début de 2023. Et, compte tenu des résultats suggestifs concernant les jeunes travailleurs et les nouveaux arrivants sur le marché du travail, une prochaine étape clé pourrait consister à examiner comment les jeunes diplômés ayant des qualifications dans les domaines exposés évoluent sur le marché du travail.
Source : Labor market impacts of AI: A new measure and early evidence
Et vous ?
Pensez-vous que ce rapport est crédible ou pertinent ?
Voir aussi :
Répondre avec citation
Partager