Comment l'automatisation pilotée par l'IA affectera réellement les emplois ?

Comment l'automatisation pilotée par l'IA affectera réellement les emplois ?

Publié par Alex Imas et Soumitra Shukla via Ghosts of Electricity,

L'une des conclusions les plus citées dans la politique de l'IA provient d'un article de 2023 d'Eloundou, Manning, Mishkin et Rock intitulé « GPTs are GPTs ». Le titre a une jolie double signification : l'article étudie comment les technologies à usage général (GPT) alimentées par de grands modèles linguistiques (également GPT) peuvent remodeler le marché du travail. La conclusion principale est qu'environ 80 % des travailleurs américains pourraient avoir au moins 10 % de leurs tâches affectées par les LLM, et qu'environ 19 % pourraient voir la moitié ou plus de leurs tâches impactées. Largement, ces mesures d'exposition tentent de capturer à quel point une profession est « exposée » à l'IA en fonction de la capacité de l'IA à augmenter les tâches impliquées dans le travail : l'exposition directe est définie comme « si l'accès à un LLM ou à un système alimenté par un LLM réduirait le temps nécessaire à un humain pour effectuer une tâche spécifique DWA ou accomplir une tâche d'au moins 50 % ». Les auteurs sont très clairs à ce sujet dans l'article : l'exposition correspond à la capacité de l'IA à être impliquée dans le travail, et non à l'étendue à laquelle le travail peut être automatisé. Mais le mot « exposition » s'est avéré susciter toutes sortes d'anxiétés concernant précisément cela – le déplacement. Et peut-être pour cette raison, ces mesures d'exposition à l'IA sont devenues virales sur les réseaux sociaux au cours des derniers mois.

Un exemple récent est celui d'Andrej Karpathy, l'un des cofondateurs d'OpenAI et un leader dans la façon de penser l'IA plus généralement (par exemple, il a inventé les termes « jagged intelligence » et « vibe coding »). Son tableau de bord, qu'il a décrit comme un projet de week-end « vibe-coded », classait les principales professions en fonction de leur exposition à l'automatisation pilotée par l'IA. Il est rapidement devenu viral sur X, alimentant tous les récits déjà existants sur les pertes d'emplois rapides dues à l'IA.

Après avoir vu le tableau de bord être sensationnalisé et se propager comme une traînée de poudre, Karpathy a précisé que sa carte de score « d'exposition » était basée sur une mesure rapide, générée par LLM, de la numérisation d'un emploi, et n'était jamais destinée à être une prévision sérieuse des professions qui allaient se réduire ou disparaître. Bien que son propre site web de projet ait fait la même mise en garde, elle a été largement ignorée sur X. Pour paraphraser la phrase bien connue : « Un projet de week-end 'vibe coded' fera deux fois le tour du monde avant que la mise en garde n'ait le temps de mettre son pantalon. »
Ce que cet épisode récent illustre cependant, c'est que de telles mesures d'exposition ont capté l'attention du public mais sont régulièrement mal interprétées (certains proposant même un moratoire sur le terme « exposition »). Lorsque les gens entendent qu'un emploi est « exposé à 80 % » à l'IA, ils imaginent que 80 % de cet emploi disparaît. L'économie réelle de l'exposition à l'IA et des pertes d'emplois est très éloignée de cette caractérisation.

Qu'est-ce qu'un « emploi » ?

Un emploi est un ensemble de tâches ; une personne est généralement payée en fonction de la qualité avec laquelle elle accomplit toutes les tâches associées à son emploi. Prenons l'exemple d'un chef de projet. Votre emploi implique un tas de tâches comme générer des idées, les résumer succinctement et obtenir des retours des membres de l'équipe, préparer des présentations et un tas de travail répétitif (par exemple, approuver les feuilles de temps, gérer la logistique). À mesure que les modèles d'IA s'améliorent, vous réalisez que vous pouvez automatiser bon nombre de ces choses : l'IA peut faire une grande partie du travail répétitif pour vous, et peut même vous aider à préparer des présentations. Selon la mesure d'exposition, votre emploi est maintenant « exposé » à l'IA. Qu'arrive-t-il à votre emploi et à votre salaire ? Eh bien, si l'automatisation de certaines tâches vous libère du temps pour générer de meilleures idées, votre productivité globale augmente – vous devenez encore plus précieux pour l'entreprise. Les humains sont toujours employés et, si quoi que ce soit, les salaires augmentent.

D'un autre côté, si l'IA automatise toutes les tâches – disons que votre emploi n'implique que deux tâches et qu'elles sont toutes deux automatisées – alors oui, la main-d'œuvre humaine sera déplacée. Fait important, moins il y a de tâches (ce que nous appelons la dimensionnalité d'un emploi), plus l'incitation de l'entreprise à l'automatiser est grande en premier lieu. C'est la partie que beaucoup d'analyses sur l'automatisation manquent : l'adoption de l'IA dans une organisation existante est coûteuse, donc l'entreprise sera plus susceptible d'investir si elle peut automatiser l'emploi, pas seulement la tâche. L'« exposition » et le risque d'automatisation ne sont pas seulement une fonction des capacités du modèle, ils dépendent également des incitations de l'entreprise. Et ce n'est pas hypothétique : nous avons maintenant de nombreuses preuves que de telles incitations jouent un rôle majeur dans ce qui est automatisé et quand (par exemple, les entreprises sont beaucoup plus susceptibles d'automatiser lorsque le coût de la main-d'œuvre humaine augmente).

Enfin, même si l'IA rend les gens plus productifs et génère des salaires plus élevés, il peut toujours y avoir des licenciements massifs dans ce secteur si les consommateurs n'« absorbent » pas la productivité accrue : si les baisses de prix dues à la productivité n'augmentent pas la demande pour le produit, alors moins de travailleurs seront nécessaires dans ce secteur.

Plus généralement, une tâche exposée à l'IA – même si cette exposition correspond à une automatisation complète de cette tâche – peut potentiellement entraîner des salaires plus élevés et plus d'embauches pour cette profession. Ou cela peut entraîner des licenciements et même un déplacement complet. Que l'exposition conduise à de meilleurs ou de moins bons résultats sur le marché du travail pour les travailleurs dépend de deux variables clés : l'élasticité de la demande des consommateurs dans ce secteur (combien de produits supplémentaires les gens achètent lorsque les prix baissent), et la dimensionnalité de l'emploi (combien de tâches sont impliquées dans cet emploi). Comme nous espérons vous en convaincre d'ici la fin de cet article, nous devrions être beaucoup plus inquiets pour des emplois comme le camionnage et l'entreposage que nous ne le sommes actuellement.

L'approche standard de l'automatisation

Commençons par l'approche « standard » de la réflexion sur l'automatisation. Premièrement, nous décomposons les emplois en tâches à l'aide d'une taxonomie comme O*NET, puis nous évaluons combien de ces tâches peuvent être automatisées ou augmentées par l'IA. L'impact total sur l'emploi est une moyenne pondérée de la façon dont chaque tâche a été améliorée, ce qui signifie que vous pouvez construire un « indice d'exposition » – généralement défini comme la part des tâches d'un emploi que l'IA peut effectuer ? – et cet indice se mappe linéairement sur la façon dont l'emploi est affecté (voir, par exemple, l'article déjà classique de Michael Webb). Cette approche a été énormément utile pour cartographier le paysage de la portée potentielle de l'IA. Mais elle contient une hypothèse qui est presque certainement fausse pour la plupart des emplois réels : elle suppose que les tâches sont séparables. C'est-à-dire que l'automatisation de la tâche A n'a aucun effet sur la productivité de la tâche B, et l'impact global est juste la somme des parties.

Considérez les emplois que vous connaissez. Il y en a beaucoup où le résultat consiste à bien faire beaucoup de choses différentes, pas seulement certaines d'entre elles. Vous ne pouvez pas avoir un cuisinier qui suit la plupart des étapes d'une recette, un batteur qui est principalement dans le rythme, un programmeur dont le code fonctionne partiellement (ou, d'ailleurs, un professeur qui ne fait que la moitié de la recherche du travail… bien que certains aient testé cette exigence). Ce sont des emplois où chaque tâche doit être accomplie avec succès pour que le résultat soit acceptable.

Autrement dit, les tâches ne sont pas séparables ; elles sont complémentaires, c'est-à-dire que faire une tâche bien ou mal affecte la façon dont vous pouvez en faire d'autres dans l'emploi afin de l'accomplir. Le fait que les tâches au sein d'un emploi soient complémentaires plutôt que substituts semble tout à fait plausible pour la plupart des productions réelles. Et cela a un large éventail d'implications importantes sur la façon dont l'IA affectera réellement les emplois.

Le modèle O-ring des emplois

L'idée que les tâches complémentaires créent une productivité non linéaire remonte à l'article classique de Michael Kremer de 1993, « The O-Ring Theory of Economic Development ». Le nom vient du tragique accident de Challenger : un seul joint torique défectueux a causé la défaillance catastrophique de tout le système. L'intuition de Kremer était que si la production nécessite de nombreuses étapes, et que chaque étape doit être bien réalisée pour que le produit final ait de la valeur, alors la productivité devient une fonction multiplicative plutôt que linéaire des compétences. Un travailleur qui commet légèrement moins d'erreurs par tâche sera considérablement plus productif globalement, car ces petits gains de qualité se composent à chaque étape.

Ce modèle d'emplois basé sur les tâches a acquis une nouvelle pertinence avec un article récent de Joshua Gans et Avi Goldfarb, « O-Ring Automation », qui applique directement le cadre de Kremer à l'automatisation pilotée par l'IA. Bien que leur modèle puisse sembler simple à première vue, ses implications sont profondes et de grande portée. Au moins l'un de nous (Alex) est obsédé par cet article depuis des mois (voir ici, ici et ici).

Gans et Goldfarb construisent un modèle d'entreprise où l'emploi de chaque travailleur est composé de n tâches. La production de l'emploi est multiplicative par la qualité de chaque tâche – c'est la fonction de production O-ring :

Un travailleur a une dotation en temps h et l'alloue entre les n tâches. Si la tâche s est effectuée manuellement, le travailleur y consacre h_s heures et génère une qualité :

où a est la productivité du travail, supposée constante entre les tâches (une hypothèse simplificatrice). La contrainte de temps du travailleur est :

L'entreprise peut également choisir d'automatiser n'importe quelle tâche en louant un capital qui fournit une qualité fixe θ à un coût r par tâche. C'est la partie clé à laquelle il faut prêter attention : l'investissement des entreprises dans l'automatisation d'une tâche dépend des compromis intégrés dans ce problème. Une fois qu'une tâche est automatisée, le travailleur n'a plus besoin d'y consacrer de temps.

Jusqu'ici, la configuration est assez simple. La partie intéressante est ce qu'implique la structure multiplicative de la fonction de production une fois que l'automatisation entre en jeu.

Comment l'automatisation peut-elle augmenter les salaires ?

Supposons maintenant qu'une entreprise choisisse d'automatiser k tâches sur n. Qu'arrive-t-il au travailleur, et comment cela affecte-t-il le salaire ?

Avant l'automatisation, le travailleur répartit son temps uniformément entre toutes les n tâches, ce qui est optimal compte tenu de la structure symétrique. Chaque tâche manuelle reçoit donc h/n heures et produit une qualité a · h/n. La production totale est :

Après l'automatisation de k tâches de qualité θ, le travailleur dispose maintenant de toutes les heures h à répartir sur seulement n - k tâches manuelles restantes. Chaque tâche manuelle reçoit maintenant h/(n-k) heures, produisant une qualité a · h/(n-k). La production totale devient :

Ainsi, la production augmente après une automatisation partielle si et seulement si :

C'est une condition importante qui stipule que si la qualité de la tâche automatisée θ est au moins aussi bonne que la qualité manuelle d'origine du travailleur avant l'automatisation sur ces tâches, alors la production augmente à coup sûr. La production n'augmente pas automatiquement simplement parce que certaines tâches sont automatisées ; elle augmente lorsque la qualité de l'automatisation est suffisamment élevée.

Mais voici l'intuition clé : parce que l'automatisation libère également le travailleur pour qu'il concentre plus de temps sur les tâches restantes, la production peut augmenter même si les tâches automatisées sont effectuées à une qualité légèrement inférieure à celle que le travailleur obtenait initialement avant l'automatisation. L'automatisation permet au travailleur de se concentrer sur moins de tâches, augmentant la qualité de chacune. C'est « l'effet de concentration ». En raison de la forme fonctionnelle de la fonction de production, une qualité plus élevée sur les tâches manuelles restantes n'ajoute pas seulement à la production – elle se multiplie à travers la fonction de production. Le travailleur devient plus productif précisément parce qu'il fait moins de choses.

Lorsque la qualité de l'automatisation est suffisamment élevée par rapport à ce que le travailleur produisait manuellement sur ces tâches, le produit marginal du travailleur augmente – et donc (typiquement) son salaire. L'automatisation partielle, dans le monde O-ring, est souvent un complément au travail humain plutôt qu'un substitut, ce qui augmente le salaire du travailleur.

Mais ce n'est pas nécessairement une bonne nouvelle pour le travail

Une productivité accrue des travailleurs est bonne pour les salaires, mais cela conduit-il à plus d'emplois ou à moins ? Cela dépend de la demande des consommateurs. Chaque travailleur fabrique une calculatrice par jour et l'entreprise a 10 travailleurs. Toutes les calculatrices sont vendues au prix courant. Imaginez maintenant que chaque travailleur devienne beaucoup plus productif, de sorte que chaque travailleur puisse fabriquer 10 calculatrices. Le prix de chaque calculatrice baisse (les coûts baissent), mais les consommateurs demandent à peu près le même nombre de calculatrices. C'est le cas d'une demande inélastique – qui ne réagit pas beaucoup aux prix. L'entreprise va alors licencier 9 des travailleurs. Mais si les consommateurs achètent beaucoup plus de calculatrices à des prix plus bas, c'est-à-dire si la demande est très élastique. Alors l'entreprise finira par embaucher plus de travailleurs pour répondre à la nouvelle demande, malgré le fait qu'ils soient plus productifs.

Plus généralement, si la demande est élastique (élasticité > 1), alors une baisse de prix entraîne une augmentation plus que proportionnelle de la quantité demandée. La production augmente considérablement. L'entreprise a besoin de plus de travailleurs pour produire cette production plus élevée, même si chaque travailleur est maintenant plus productif. Effet net : plus d'embauches.

Si la demande est inélastique (élasticité

Ceci est étroitement lié à une idée populaire communément appelée le paradoxe de Jevons : lorsque l'utilisation d'une ressource devient plus efficace, la consommation totale de cette ressource augmente souvent plutôt que de diminuer. Lorsque la machine à vapeur a rendu le charbon plus efficace, la consommation de charbon a grimpé en flèche car tant de nouvelles applications sont devenues économiquement viables. La même logique s'applique au travail : si l'IA rend un travailleur considérablement plus productif, et que la demande pour ce produit est élastique, on peut se retrouver avec plus de travailleurs dans cette profession, pas moins.

Pourquoi la dimensionnalité de l'emploi est importante : le cas des incitations de l'entreprise

La relation entre les tâches et l'élasticité de la demande des consommateurs est une dimension importante pour prédire le déplacement piloté par l'IA, mais une variable souvent négligée est le nombre de tâches dans l'emploi lui-même, c'est-à-dire sa dimensionnalité. La dimensionnalité d'un emploi est importante pour deux raisons.

Premièrement, conditionnellement à l'automatisation d'une tâche, un emploi à faible dimensionnalité est plus susceptible d'être complètement déplacé. Si un emploi comporte 20 tâches et qu'une est automatisée, un travailleur humain est toujours nécessaire pour effectuer les 19 autres tâches. Mais si un emploi comporte une tâche et qu'une tâche est automatisée, cet emploi disparaît. Deuxièmement – et cette dimension est peut-être la plus négligée – les organisations ont une incitation plus forte à automatiser les tâches lorsqu'il reste moins de tâches non automatisées dans l'emploi. Imaginez que l'automatisation d'une tâche nécessite un investissement de 10 millions de dollars (achat du logiciel, intégration, connexion au reste du système, etc.). Dans un cas, cette tâche est la seule tâche non automatisée restante dans un emploi ; dans l'autre cas, si cette tâche est automatisée, il reste 19 autres tâches non automatisées. L'entreprise a une incitation beaucoup plus forte à automatiser la tâche dans le premier cas que dans le second, car elle peut alors remplacer le travailleur et réaliser les économies de coûts associées.1

Pour cette raison, les entreprises ont une incitation plus forte à investir dans la technologie pour automatiser les emplois à faible dimensionnalité. Dans un emploi à faible dimensionnalité, l'automatisation de toutes ou de la plupart des tâches principales peut éliminer le poste et la masse salariale. Cela rend le retour sur investissement de l'automatisation beaucoup plus important. En d'autres termes, toutes les tâches « non exposées » n'ont pas la même importance : dans certains emplois, les tâches restantes maintiennent le travailleur existant dans l'entreprise ; dans d'autres, elles ne le font pas.

Cela donne une prédiction claire : même si un emploi n'est pas actuellement « exposé » à l'IA, dans le sens où l'IA n'est pas utilisée pour les tâches impliquées, s'il est à faible dimensionnalité et que la technologie se rapproche de l'automatisation des tâches, il doit être considéré comme à risque. Les entreprises travailleront plus dur et investiront davantage pour automatiser la ou les tâches impliquées que dans le cas où les emplois comportent de nombreuses tâches non automatisées.

Le camionnage et l'entreposage, les canaris négligés dans la mine

C'est pourquoi nous pensons que les gens devraient être plus inquiets pour des emplois comme le camionnage et l'entreposage.

Environ 3 millions d'Américains conduisent des camions pour gagner leur vie. Beaucoup ont la cinquantaine, conduisent depuis des décennies et vivent dans des communautés où le camionnage est un pilier économique. Le camionnage est l'un des meilleurs emplois que l'on puisse obtenir sans diplôme universitaire. Le travail réel d'un chauffeur de camion longue distance est dominé par quelques fonctions principales : déplacer le camion en toute sécurité du point A au point B. La logistique, le chargement/déchargement, etc. sont effectués par d'autres. Si la conduite autonome devient fiable sur les routes longue distance, le travail d'un chauffeur de camion n'est pas seulement augmenté ; il est fondamentalement menacé et pourrait même être entièrement déplacé. Et cette possibilité n'est plus théorique. Des entreprises comme Aurora Innovation et Kodiak Robotics mènent déjà des pilotes de camionnage autonomes à grande échelle et des déploiements commerciaux sur des routes contraintes. L'entreposage raconte une histoire similaire. L'entreposage emploie des millions de travailleurs américains, et de nombreux emplois d'entrepôt – prélèvement, emballage, tri, déplacement de palettes – sont relativement étroits et de plus en plus automatisables. À l'étranger, des entreprises exploitent déjà des « entrepôts sombres » hautement automatisés qui fonctionnent 24 heures sur 24 avec un minimum de main-d'œuvre humaine. Ces entrepôts ne ressemblent en rien à ce que nous voyons aujourd'hui : ils sont conçus dès le départ pour être gérés par des machines.

Comparez cela à un travailleur du savoir, disons, un consultant en management. L'emploi combine recherche, analyse de données, communication client, conception de présentations, raisonnement stratégique, coordination d'équipe et gestion des relations. C'est au moins sept ou huit tâches complémentaires distinctes. Claude ou Codex pourraient automatiser la première passe de l'analyse de données et de la création de diapositives, mais le consultant est toujours nécessaire pour tout le reste. En termes O-ring, l'automatisation de certaines tâches peut rendre les tâches restantes plus précieuses en permettant au travailleur d'y consacrer plus de temps – le consultant peut passer plus de temps à parler au client et à le mettre à l'aise avec la mise en œuvre, à obtenir l'adhésion des différentes unités, etc. Par conséquent, les salaires peuvent augmenter, et l'emploi peut également augmenter si un meilleur rendement et des prix plus bas élargissent la demande des clients.

Vous pouvez voir la même logique dans de nombreuses professions à enjeux élevés comme la médecine et le monde universitaire. Il existe maintenant plus de 870 outils d'IA de radiologie approuvés par la FDA, et 66 % des médecins utilisent au moins un outil d'IA, principalement pour la dictée de notes et le soutien au diagnostic. Mais ces outils augmentent les radiologues et les médecins, sans les remplacer. L'IA gère généralement l'aspect reconnaissance de formes routinier du travail, libérant les médecins pour se concentrer sur les cas complexes, la communication avec les patients et le jugement clinique. De même, les universitaires débattent si les progrès de l'IA rendent les assistants de recherche plus ou moins précieux. Alors que l'IA automatise les tâches analytiques routinières, les professeurs et les assistants de recherche peuvent se concentrer davantage sur les idées et le jugement, augmentant ainsi la production et la demande de main-d'œuvre qualifiée en recherche. C'est encore une fois l'effet de concentration O-ring en pratique.

Même dans notre laboratoire. Chaque membre supplémentaire peut faire tellement plus, le défi est de mettre tout le monde à niveau, d'avoir des discussions ouvertes sur les meilleures façons d'utiliser ces outils ou non et de construire une culture où les gens se sentent valorisés davantage, pas moins. https://t.co/0nEwUadRPF
— Abhishek Nagaraj 🗺️ (@abhishekn) 18 mars 2026
Que capturent les indices d'exposition ?

Revenons au cadre d'exposition. Dans l'approche standard, un consultant en management est très « exposé » à l'IA alors qu'un chauffeur de camion ne l'est pas. Mais cela signifie-t-il que le consultant est plus à risque de déplacement que le chauffeur de camion ? Pas nécessairement. La forte exposition du consultant peut en fait être une bonne nouvelle car elle signifie que l'IA augmentera bon nombre de ses tâches complémentaires, déclenchant l'effet de concentration et augmentant potentiellement les salaires. D'un autre côté, l'exposition modérée du chauffeur de camion sur une seule tâche critique est beaucoup plus dangereuse car les entreprises de camionnage ont une incitation beaucoup plus forte à automatiser la tâche de conduite, et une fois que cela est fait, l'emploi disparaît également. Ces incitations se concrétisent déjà dans la pratique :

NOUVELLES : Jeff Bezos est en pourparlers pour lever 100 milliards de dollars pour un nouveau fonds qui achèterait des entreprises manufacturières et chercherait à utiliser la technologie de l'IA pour accélérer leur chemin vers l'automatisation.
C'est lié à la startup d'IA Project Prometheus de Jeff, qui vise à construire des produits d'IA pour l'ingénierie… pic.twitter.com/6zlXRQHhOY
— Sawyer Merritt (@SawyerMerritt) 19 mars 2026
L'objet pertinent n'est donc pas l'exposition moyenne aux tâches, mais la structure des goulots d'étranglement et la façon dont l'automatisation remodèle le temps des travailleurs autour d'eux. Deux emplois avec des scores d'exposition identiques peuvent avoir des risques de déplacement complètement opposés, selon que leurs tâches sont complémentaires, que la demande pour leur production est élastique ou inélastique, et les incitations de l'entreprise à investir dans l'automatisation. Les travailleurs les plus à risque ne sont pas nécessairement ceux qui ont l'exposition moyenne la plus élevée, mais ceux dont les emplois sont construits autour d'un petit nombre de tâches principales que l'IA peut automatiser.

1 Dans le cas où les emplois ne sont pas entièrement automatisés, les économies de coûts réalisées en automatisant la tâche marginale dépendront des complémentarités entre les autres tâches de l'emploi. La relation exacte est développée dans l'article sur le modèle O-ring de l'automatisation.

Alex Imas est professeur à l'UChicago Booth. Fait des recherches sur l'économie et l'IA appliquée. Substack ici.

Tyler Durden
Sam, 04/04/2026 - 09:20