Points clés à retenir
- Même si les estimations de l’exposition à l’IA (calculs sur la manière dont l’intelligence artificielle peut interagir avec certains emplois ou tâches) sont utiles en l’absence de sources de données publiques fiables, l’utilisation de ces chiffres présente des limites, en particulier pour éclairer l’élaboration des politiques. La plupart des études qui relient l’exposition à l’IA aux résultats en matière d’emploi, par exemple, ne peuvent pas isoler son impact des autres facteurs influençant l’économie.
- La validité des scores d’exposition à l’IA dépend de la qualité des méthodes utilisées pour les calculer. Ils contiennent également les hypothèses formulées au cours du processus d'estimation, telles que la façon dont les tâches sont divisées en tâches ou si un chatbot peut évaluer avec précision ses propres capacités.
- Ce que cela signifie pour la croissance : Un marché du travail américain qui fonctionne bien est essentiel à la croissance économique américaine. Face aux perturbations potentielles de l’emploi dues à l’utilisation croissante de l’IA dans tous les secteurs de l’économie, les décideurs politiques ont besoin de données probantes fiables pour éclairer et cibler correctement les solutions. Il est donc essentiel qu’ils comprennent ce que les scores d’exposition à l’IA peuvent leur dire et où ces scores sont insuffisants.
Aperçu
L’intelligence artificielle a le potentiel de modifier considérablement la nature et la disponibilité du travail. Pour gérer efficacement les transitions que cette technologie pourrait apporter à l’économie américaine, les décideurs politiques ont besoin d’informations sur la manière dont l’IA interagit avec les entreprises et les travailleurs.
Il n’existe actuellement aucune mesure détaillée de la manière dont les travailleurs utilisent l’IA ni du rôle que jouent les entreprises dans sa mise en œuvre sur le lieu de travail. En l’absence de ces quantifications, les chercheurs ont développé un indicateur utile mais imparfait : le score d’exposition à l’IA.
Les scores d'exposition à l'IA offrent une approximation de l'impact de l'IA sur les travailleurs et les lieux de travail. Mais les parties prenantes qui souhaitent utiliser ces estimations pour éclairer leurs décisions politiques doivent être prudentes. Les scores d’exposition à l’IA ne sont pas des mesures ; ce sont des conjectures. Ils ne peuvent pas être utilisés pour isoler le rôle de l’IA sur le marché du travail et ne sont pas à l’abri de biais dans la manière dont ils sont calculés.
Cette chronique examine comment les scores d’exposition à l’IA peuvent être utiles aux chercheurs avant de décrire les limites de ces estimations et pourquoi les décideurs politiques doivent procéder avec prudence.
Les scores d’exposition à l’IA comblent une lacune persistante dans les données
L’exposition à l’IA peut être largement considérée comme la possibilité pour l’IA d’interagir avec un travail. Les chercheurs ont cherché à estimer l’exposition à l’IA à l’aide de diverses sources, notamment les estimations d’experts, les auto-évaluations des modèles d’IA, les données de CV et de description de poste, ainsi que les taux d’utilisation des chatbots. Les méthodes de calcul les plus populaires sont entièrement expliquées dans la synthèse d'Equitable Growth des recherches actuelles sur l'IA et le marché du travail et dans sa base de données sur la vie qui l'accompagne.
Même si ces mesures constituent des approximations précieuses, notamment à des fins de recherche, elles sont limitées par les hypothèses et les méthodologies utilisées pour les calculer. Alors que ces mesures sont de plus en plus adoptées par les décideurs politiques, les entreprises et les médias pour éclairer et prendre des décisions, toutes les conclusions sur l’IA et le marché du travail américain qu’impliquent ces scores d’exposition doivent être interprétées avec prudence.
Les scores d’exposition à l’IA sont utiles aux chercheurs mais ont des limites
Une analyse des principales études montre que les recherches basées sur l’exposition à l’IA décrivent les impacts positifs, négatifs et neutres de l’IA sur les résultats en matière d’emploi. Cette variation n’est pas surprenante, compte tenu des différences dans la manière dont les scores d’exposition sont calculés. Certaines études, par exemple, recherchent des résultats au niveau de l’entreprise, tandis que d’autres examinent les effets au niveau des travailleurs. Il va donc de soi que chaque étude produira des résultats spécifiques à son propre cadre.
Ce que ces études ont en commun, c’est la reconnaissance d’une limite principale : il est difficile d’isoler l’impact de l’IA des autres facteurs influençant l’économie. Un article largement discuté, par exemple, révèle que l’exposition à l’IA est liée à une croissance de l’emploi stagnante ou négative pour les travailleurs en début de carrière. Mais ses auteurs préviennent qu’ils ne peuvent pas affirmer avec certitude que l’IA est à l’origine de cette croissance négative de l’emploi. En effet, dans la dernière version de leur article de février 2026, les auteurs reconnaissent que les baisses d’emploi survenues avant 2024 sont probablement associées à des facteurs macroéconomiques plutôt qu’à l’IA.
Le California Unemployment AI Tracker, ou CAIT, un outil créé en partenariat avec le California Employment Development Department et le California Policy Lab, présente un cas similaire. Le CAIT constate que les demandes d'assurance-chômage ont augmenté pour les travailleurs très exposés à l'IA qui étaient très instruits ou travaillaient à San Francisco ou dans le secteur technologique. Mais ses créateurs mettent en garde ces résultats, affirmant que les tendances montrées dans les chiffres du CAIT pourraient également refléter les impacts d’autres influences sur l’économie, pas seulement l’IA.
De même, une analyse publiée par le Yale Budget Lab ne trouve aucune preuve que les grands modèles linguistiques tels que ChatGPT affectent l'emploi ou les salaires aux États-Unis. L'analyse souligne également que la force des conclusions de l'étude dépend de la question de savoir si l'introduction de ces outils peut être distinguée des autres chocs sur le marché du travail.
La qualité des scores d’exposition à l’IA – et des recherches qu’ils éclairent – dépend des méthodes utilisées pour les calculer
Les chercheurs veillent à ne pas lier directement l’exposition à l’IA aux résultats d’emploi qu’ils trouvent. Avec cette mise en garde, leurs travaux offrent un aperçu de la relation en développement et conséquente entre l’IA et le marché du travail.
Pourtant, les lecteurs de ces études doivent non seulement être conscients des limites empiriques de chaque étude, mais également considérer les hypothèses qui les sous-tendent. Les chercheurs qui utilisent des estimations d’exposition à l’IA le font en partant du principe que le ou les scores particuliers reflètent fidèlement certaines dimensions de l’interaction de l’IA avec le travail. Toutefois, cette hypothèse n’est pas toujours vraie et, comme ces prédictions ne peuvent pas encore être comparées aux preuves, il est impossible de savoir si les estimations actuelles de l’exposition à l’IA sont correctes.
Quelques scores d’exposition à l’IA établis ont été calculés via une méthode qui a suscité certaines inquiétudes parmi les chercheurs. Un document de travail publié par Michelle Yin et Hoa Vu de la Northwestern University et Claudia Persico de l'American University démontre que les scores d'exposition à l'IA estimés à l'aide de grands modèles de langage fluctuent considérablement en fonction du modèle utilisé dans le processus d'évaluation. Les auteurs préviennent que tout biais dans un modèle d’IA se répercute sur les scores d’exposition qu’il produit, ce qui peut fausser les résultats de toute analyse utilisant ces estimations.
Cette découverte souligne à quel point il est essentiel de savoir parfaitement comment, par qui (ou quoi) et sous quelles hypothèses les scores d’exposition à l’IA ont été calculés. Ces estimations (et les choix effectués lors de leurs calculs) sont nécessaires pour prédire comment l’IA affecte ou pourrait affecter le marché du travail, mais elles ne sont pas gagnées d’avance.
Comment les décideurs politiques peuvent-ils prendre des décisions politiques éclairées en matière d’IA ?
Pour garantir que les opportunités offertes par l’IA à l’économie ne soient pas contrebalancées par les dangers qu’elle peut représenter pour la main-d’œuvre, les décideurs politiques doivent comprendre pleinement et précisément son impact sur le marché du travail américain. Pour cela, ils ont besoin de mesures alternatives de l’impact de l’IA qui représentent plus que de simples estimations. Un tel travail est nécessaire pour que les décideurs politiques comprennent comment l’IA remodèle réellement le marché du travail afin qu’ils puissent y réagir en conséquence.
En l’absence actuelle de meilleures données, les scores d’exposition à l’IA peuvent révéler des approximations utiles sur l’endroit où l’IA entre et influence le marché du travail et peuvent éclairer un ciblage potentiel du soutien gouvernemental. Le travail de ceux qui développent des estimations de l’exposition à l’IA en l’absence de sources publiques fiables telles que les données gouvernementales est indispensable. Mais les limites de ces chiffres – et les conclusions qu’ils éclairent – doivent également être précisées très clairement.
Avez-vous trouvé ce contenu informatif et engageant ?
Recevez des mises à jour et restez au courant des inégalités économiques et de la croissance aux États-Unis !
Restez informé de nos dernières recherches