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...
La fin de cet article est réservée aux abonnés. Soutenez le Club Developpez.com en prenant un abonnement pour que nous puissions continuer à vous proposer des publications.
Envoyé par RenarddeFeu
