Données précoces sur l'IA et l'emploi : lecture de l'étude d'Anthropic sur les impacts du marché du travail

En mars 2026, Anthropic a publié « Labor market impacts of AI : A new measure and early evidence », la première tentative sérieuse que nous ayons vue de mesurer ce que l'IA fait réellement dans l'économie plutôt que ce qu'elle pourrait faire en théorie. La contribution qui compte est la méthodologie : une mesure appelée exposition observée qui combine capacité théorique et usage réel de Claude, pondérant les flux automatisés à pleine valeur et les usages augmentatifs à la moitié. C'est la première mesure du genre qui ancre la conversation sur l'IA et le travail dans autre chose que des sondages ou des extrapolations de science-fiction.

Notre lecture est directe : le titre est rassurant, les constats de second ordre ne le sont pas, et les implications pour la planification individuelle, organisationnelle, sectorielle et nationale sont urgentes d'une manière que le titre masque. La position de skaills a toujours été que nous sommes à l'aube d'une nouvelle ère de prospérité, mais que le seuil à franchir peut être douloureux si individus, organisations, secteurs et gouvernements ne planifient pas correctement, avec soin et promptement. Les données d'Anthropic sont la première preuve empirique que nous voyons confirmant les deux moitiés de cette phrase.

Ce que l'étude trouve réellement

Trois constats portent l'analyse.

Premièrement, l'exposition est réelle et inégale. Les développeurs informatiques affichent 75 % de couverture observée de leurs tâches. Les représentants du service client et les opérateurs de saisie de données sont aussi dans le quartile supérieur. À l'autre extrémité, environ 30 % des travailleurs — cuisiniers, mécaniciens motos, surveillants de baignade, barmen, plongeurs — affichent une couverture observée de zéro. L'économie n'affronte pas une seule transition IA. Elle en affronte plusieurs, à des vitesses très différentes.

Deuxièmement, le dommage de marché du travail en gros titre n'est pas arrivé. Les auteurs sont explicites : « nous ne trouvons pas d'augmentation systématique du chômage pour les travailleurs hautement exposés depuis fin 2022. » Si vous attendiez un signal de déplacement généralisé dans les données macro, il n'y est pas. Pas encore.

Troisièmement, le signal qui est arrivé est celui dont personne ne parle. Le taux d'embauche des travailleurs de 22 à 25 ans dans les professions hautement exposées a chuté d'environ 14 %. Chaque dix points d'augmentation de l'exposition observée se corrèlent à une projection de croissance de l'emploi BLS inférieure de 0,6 point de pourcentage jusqu'en 2034. Le marché du travail ne licencie pas les travailleurs exposés — il ferme silencieusement la porte à la prochaine génération d'entre eux. C'est un déplacement plus lent, d'apparence plus douce que la vague de licenciements prédite par les pessimistes. C'est aussi le déplacement qui se compose le plus sur une décennie.

La lecture honnête : ni catastrophe ni non-événement

Deux lectures de cette étude sont erronées, et ce sont celles que la plupart adopteront.

La première mauvaise lecture est la lecture-soulagement : pas de chômage de masse, les pessimistes se sont trompés, on continue. Elle manque entièrement le signal d'embauche des jeunes. Une chute de 14 % du taux d'accès à l'emploi pour les 22-25 ans en occupations exposées n'est pas un non-événement — c'est le bord avant d'un problème générationnel d'allocation qui ne deviendra visible dans les chiffres de chômage qu'au bout de plusieurs années, alors que la cohorte aura déjà payé le prix. La macro aura l'air bien pendant longtemps avant de cesser d'avoir l'air bien.

La seconde mauvaise lecture est la lecture-catastrophe : 75 % de couverture des tâches de développeur veut dire que le travail a disparu. Cela écrase la distinction entre augmentation et automatisation que l'étude prend soin de préserver. La majorité de l'usage observé de Claude aujourd'hui est augmentatif — l'humain est toujours dans la boucle, possède toujours la décision, produit toujours un résultat que l'IA seule ne pourrait produire. L'exposition n'est pas le déplacement. C'est une mesure de la part de la surface des tâches que l'IA touche aujourd'hui. Ce qui adviendra des salaires et des effectifs dépend de qui capte le gain de productivité — le travailleur, l'employeur ou le client — et de savoir si le travail déplacé trouve un débouché productif.

La lecture honnête se situe entre ces deux-là, et c'est la lecture autour de laquelle nous avons construit skaills depuis le repositionnement de la plateforme : la transition est réelle, elle est inégale, les pires dommages de court terme retombent sur un petit nombre de groupes identifiables, et la réponse n'est ni résistance ni reddition. La réponse est la planification — aux niveaux individuel, organisationnel, sectoriel, national et régional — faite correctement, avec soin et assez promptement pour que le pont à franchir soit franchissable.

Ce que cela signifie à chaque niveau

Notre position éditoriale a été constante dans chaque tribune de ce site : la transformation IA est un problème coordonné à au moins cinq niveaux — individu, organisation, secteur, nation, région — et une réponse sérieuse active tous ces niveaux. Les données d'Anthropic affinent ce que chaque niveau doit faire maintenant.

Au niveau individuel, l'étude valide un instinct de planification qu'il était jusque-là difficile de défendre avec des données. Si votre profession se situe dans le quartile supérieur d'exposition — ingénieurs logiciels, représentants du service client, analystes de données, rédacteurs, consultants juniors, paralégaux, et bien d'autres — vous ne pouvez pas attendre. Votre horizon de planification est plus court que celui de vos pairs dans des professions non exposées, votre trajectoire doit intégrer plus d'optionalité, et les compétences que vous composez maintenant doivent fortement pondérer la transférabilité. Si vous avez entre 22 et 25 ans dans une profession exposée, vous avez déjà perdu une part mesurable de la surface d'opportunités d'entrée ; la réponse productive est d'approfondir et de diversifier les mouvements qui mènent au deuxième emploi, pas au premier.

Au niveau organisationnel, l'étude valide un instinct de planification qu'il était jusque-là facile de déprioriser. La carte thermique d'exposition à l'intérieur de vos propres effectifs est réelle, asymétrique et désormais descriptible. Vous pouvez bâtir une cartographie des capacités qui croise la courbe d'exposition d'Anthropic avec vos fonctions réelles, et décider fonction par fonction si le bon mouvement est l'augmentation, la refonte, le redéploiement ou la pause d'embauche assortie d'un investissement en reskilling. Les CHRO qui traiteront cela comme une seule « stratégie IA » homogène desserviront à la fois la part exposée et la part non exposée de leurs effectifs. Ceux qui le traiteront comme un portefeuille de transitions différenciées, non.

Au niveau sectoriel, la distribution inégale est tout l'enjeu. Le secteur du service client est sur une horloge différente de l'hôtellerie, qui est sur une horloge différente des métiers du bâtiment, qui sont sur une horloge différente du génie logiciel. La coordination au niveau sectoriel — associations professionnelles, conseils d'employeurs, groupes syndicaux — n'est pas un confort ici. C'est le seul niveau auquel le coût de la transition peut être mutualisé entre firmes au sein d'un secteur et partagé de manière portable entre les parcours des travailleurs.

Aux niveaux national et régional, le signal d'embauche des jeunes est l'urgence. Une baisse de 14 % du taux d'accès à l'emploi pour les travailleurs en début de carrière dans les professions exposées n'est pas un phénomène dont le marché du travail s'autocorrige en un cycle électoral. C'est la signature d'un problème qui appelle une politique active du marché du travail : subventions d'apprentissage, prestations portables, bons de reskilling, infrastructure publique de formation, et une conversation sérieuse sur les diplômes qui valent encore ce qu'ils valaient. Les gouvernements qui attendent que le chiffre macro du chômage bouge réagiront à un problème qui, à ce moment-là, aura déjà durci.

Trois lentilles supplémentaires que l'étude n'aborde pas — et que tout lecteur honnête doit ajouter

Les données d'Anthropic sont centrées sur les États-Unis, centrées sur la capacité, et silencieuses sur la question de qui capte les gains. Trois lentilles comblent ces lacunes et changent le tableau dès qu'on les applique.

L'effet double des économies en développement

L'IA frappe les économies en développement sur deux horloges qui tournent en sens inverse. L'horloge de freinage est structurelle : forte dépendance à une main-d'œuvre manuelle, peu qualifiée et faiblement rémunérée ; stocks de capital plus minces ; informatique d'entreprise plus faible ; résistance politique des syndicats et des ministères du travail ; friction réglementaire ; et le simple fait économique que le travail humain restera moins cher que l'IA pour une longue liste de tâches pendant encore de nombreuses années. Cette horloge plaide pour une courbe d'exposition plus lente et plus douce que ce que les chiffres d'Anthropic impliquent pour des occupations similaires dans des économies à coût plus élevé.

L'horloge accélératrice est la demande mondiale. Les secteurs sur lesquels les économies en développement ont bâti leur croissance — centres d'appels, BPO, fabrication en zones franches, infogérance — sont précisément les secteurs où les décisions du côté de la demande se prennent dans des sièges sociaux à des milliers de kilomètres. Une entreprise nord-américaine ou européenne qui décide d'automatiser le travail qu'elle envoyait offshore n'a besoin d'aucune coopération du ministère du travail du pays récepteur. Les premiers grands chocs d'emploi par l'IA dans le monde en développement atterriront sur les secteurs dépendants de l'externalisation bien avant d'atterrir sur le marché du travail à consommation domestique. Deux horloges, sens opposés, même économie. Lire l'étude d'Anthropic sans cette asymétrie amènera les lecteurs latino-américains, africains et sud-asiatiques à un faux soulagement d'un côté et à un faux catastrophisme de l'autre.

Les humains restent l'agent pivot — et le tri des valeurs compte

L'IA ne transforme pas une économie toute seule. Les humains transforment les économies avec l'IA. C'est une bonne nouvelle et une nouvelle exigeante, parce qu'elle signifie que le pont pour traverser la transition doit être bâti délibérément — par des personnes, à chaque niveau — et que le coût du non-bâti ne pourra pas être imputé à la technologie. Les mesures compensatoires qui mènent un pays, une organisation ou un individu à traverser avec un minimum de pertes ne sont pas des ajouts optionnels à la transformation ; elles font partie de la transformation elle-même.

Il existe une contrepartie culturelle à la transition économique que la littérature des politiques publiques sous-estime systématiquement. Toute transition impose un tri des valeurs. Certaines valeurs, traditions et pratiques, nous les abandonnerons sans regret — celles qui dépendaient d'une rareté artificielle de l'information, d'accès gardés, ou d'un travail aujourd'hui jugé inhumain. D'autres, nous les préserverons et les emporterons avec nous — l'artisanat, le mentorat, la dignité de la contribution, l'obligation envers la vérité. D'autres, nous les nourrirons et les redoublerons — le jugement, la collaboration, la capacité humaine à tenir l'ambiguïté que les systèmes d'IA ne savent pas encore tenir. Les organisations et les individus qui font ce tri de manière explicite traversent la transition avec leur identité intacte. Ceux qui le laissent se faire par défaut perdent des choses dont ils ne savaient pas qu'ils voulaient les garder.

La productivité — et qui en capte les gains — ne peut pas rester en dehors de la conversation sur le travail

À l'ère de l'IA, il n'est plus honnête de parler du travail, des salaires, de l'emploi ou de l'employabilité sans aborder la productivité et la distribution des gains de productivité. L'étude d'Anthropic mesure la couverture des tâches ; elle ne mesure pas, et ne peut pas mesurer de l'extérieur de la firme, combien de production supplémentaire le travailleur augmenté génère par heure, ni où va la valeur additionnelle. Les deux questions comptent, et la seconde compte davantage.

La tension structurelle sous-jacente à la conversation sur le travail est rarement nommée à voix haute. Les entreprises n'existent pas pour créer des emplois. Elles existent pour créer de la valeur pour les consommateurs, sous forme de biens et de services. Du point de vue de l'entreprise, l'emploi est une ressource utilisée pour produire et distribuer cette valeur — un intrant parmi d'autres, optimisé selon le coût et la capacité. Du point de vue des travailleurs, de la société et des gouvernements, l'emploi est tout autre chose : un mécanisme de distribution — historiquement la principale façon dont les gains de l'activité économique sont alloués au sein de la population, en plus d'être une source de sens, d'identité, de cohésion sociale et de droits.

Pendant la majeure partie de l'histoire industrielle, ces deux visions ont pu coexister discrètement, parce que les gains de productivité exigeaient davantage de main-d'œuvre pour être captés. L'optimisation des ressources de la firme et le mécanisme de distribution de la société pointaient dans la même direction : embaucher plus, produire plus, distribuer plus de salaires. L'IA rompt cette coïncidence. Quand la productivité peut faire un saut sans proportionnellement plus de main-d'œuvre — et les données d'Anthropic en sont la première confirmation quantitative — la vision de la firme et celle de la société divergent comme elles ne l'ont pas fait depuis un siècle.

Cette divergence est le cœur d'économie politique de la transition. Le même gain de productivité peut apparaître comme des salaires plus élevés et des journées plus courtes pour le travailleur, comme des marges plus larges pour l'employeur, comme des prix plus bas pour le client, ou comme des rentes pour la couche plateforme qui possède le modèle. Tout plan de transformation réaliste — individuel, organisationnel, sectoriel, national — prend implicitement position sur lequel de ces résultats est la cible. Les plans honnêtes rendent la position explicite et conçoivent les leviers politiques (négociation collective, partage des bénéfices, option publique de formation, politique de la concurrence sur la couche plateforme, prestations portables, parfois transferts proches du revenu universel) pour faire atterrir la distribution là où ils disent vouloir qu'elle atterrisse. Les plans qui refusent de prendre position se retrouvent avec le résultat par défaut, qui historiquement n'a pas été le travailleur.

La position du travailleur dans la chaîne de production se déplace

Il existe un déplacement structurel plus profond à l'intérieur de la question de la productivité que le cadre de distribution seul ne capte pas. Parce que l'IA est une technologie d'amélioration de la productivité, elle change la relation du travailleur au processus de production lui-même — pas seulement la façon dont les gains sont partagés, mais l'endroit où le travailleur se tient dans la chaîne de valeur.

Le travailleur passe d'être le producteur du résultat à être l'opérateur d'un multiplicateur de productivité qui produit le résultat. Ce qui compte comme « compétence » se déplace de l'exécution vers l'orchestration, le jugement et la supervision de la production de l'IA. Le produit marginal devient de plus en plus attribuable à l'outil plutôt qu'au travail, ce qui affaiblit le pouvoir individuel de négociation salariale — votre augmentation ne découle plus du fait d'être deux fois plus rapide que le candidat suivant quand vous avez tous les deux accès au même multiplicateur — et reformule ce sur quoi porte la négociation collective. Les syndicats construits pour protéger une tâche spécifique doivent se reconstruire pour protéger l'accès, la voix et la part de valeur dans une chaîne où les tâches elles-mêmes se dissolvent.

Les données d'exposition d'Anthropic cartographient implicitement où cette relocalisation se produit le plus vite. Les 75 % de couverture des tâches de développeur ne sont pas seulement une statistique d'automatisation ; c'est la description d'une profession dont les praticiens sont en pleine migration d'écrire le code vers diriger, réviser et intégrer le code qu'un agent d'IA écrit désormais. Certains développeurs montent dans la chaîne — conception système, jugement architectural, supervision de flottes d'agents — et captent beaucoup plus de la nouvelle valeur qu'auparavant. D'autres voient leur ancienne position se dissoudre sans position suivante évidente dans la chaîne. Les deux résultats se trouvent à l'intérieur du même chiffre de titre.

Les politiques de transition et les plans personnels qui fonctionnent abordent cette relocalisation structurelle directement. Ils créent de vraies voies vers le haut de la chaîne pour les personnes dont l'ancienne position s'efface — pas seulement un recyclage vers un rôle adjacent au même niveau, ce vers quoi la plupart du « reskilling » retombe encore par défaut. Recycler un opérateur junior de saisie de données pour qu'il devienne un opérateur de saisie légèrement plus senior dans une fonction qui sera automatisée au prochain trimestre n'est pas un plan de transition. Le recycler pour qu'il devienne l'humain qui supervise, audite et corrige l'IA qui fait désormais la saisie — et tarifer ce rôle à ce que la supervision vaut réellement — l'est.

Où se situe skaills dans ce tableau

Nous n'avons pas construit skaills pour prendre position sur le caractère bon ou mauvais de la transition IA. Nous l'avons construit parce que, après avoir suivi l'émergence des données pendant deux ans, nous nous sommes convaincus que la seule réponse qui ait du sens est de planifier, à chaque niveau, avec les meilleurs instruments disponibles. La plateforme est organisée autour de cette conviction en deux couches : une Couche Mécanique qui absorbe le scoring, l'analyse et la paperasse répétitifs du RH moderne pour que les humains cessent de s'en charger, et une Couche Transformatrice qui donne aux individus et aux organisations les instruments pour planifier la transition délibérément.

L'étude d'Anthropic pointe directement vers quatre de ces instruments.

L'étude d'Anthropic se conclut par un aveu que nous prenons au sérieux : détecter un dommage de marché du travail de gros titre exigerait environ un point de pourcentage d'augmentation différentielle du chômage chez les travailleurs exposés. Nous sommes encore loin de ce signal. Ce n'est pas une raison d'attendre. C'est une raison d'investir maintenant dans les instruments qui permettront aux personnes qui, elles, feront face au déplacement — les travailleurs en début de carrière qui montrent déjà le signal, les professions à forte exposition qui ne le montrent pas encore, les secteurs qui bougeront ensuite — d'avoir une destination cohérente.

L'aube d'une nouvelle ère de prospérité et le seuil douloureux qui en sépare ne sont pas deux histoires distinctes. C'est la même histoire racontée à deux échelles. L'étude d'Anthropic est la première confirmation quantitative que nous ayons que les deux sont vraies. Le travail, à chaque niveau, est de faire en sorte que le pont soit construit avant que quiconque ait à tomber au bord.

Lectures complémentaires

• Anthropic, “Labor market impacts of AI: A new measure and early evidence” (March 2026) — l'étude d'Anthropic avec laquelle dialogue directement ce commentaire.
• Qui Gagne, Qui Pivote, Qui Perd : Catégories Honnêtes pour la Transition Professionnelle vers l'IA — notre pièce-cadre sur les trois catégories d'emplois dans la transition IA (créés / transformés / déplacés). Ce commentaire confronte ce cadre à la première vague de données réelles d'utilisation.
• Quatre rôles du CHRO, quatre couches opérationnelles — la contrepartie au niveau organisationnel : ce qu'un CHRO doit réellement construire pour que le pont de la transition IA soit franchissable par ses équipes.

Perspectives d'experts