The AI Jobs Transition
Framework.

Note du chef économiste.

Ronnie Chatterji ouvre le rapport : l'IA transforme nos vies, mais les marchés du travail s'ajustent lentement. Il faut éviter deux erreurs — surestimer la disruption immédiate, ou sous-estimer l'impact long terme.

Depuis 2024, les capacités de l'IA ont progressé à une vitesse sans précédent. Les premiers adoptants observent déjà des gains de productivité significatifs. Plusieurs études ont comparé nos tâches quotidiennes au travail à ce que l'IA peut faire aujourd'hui, et suggèrent un impact économique immédiat et étendu.

En même temps, l'impact agrégé sur le marché du travail reste inégal et parfois contradictoire, reflétant les frictions classiques qui ralentissent l'adoption technologique. Mais nous ne pouvons pas nous reposer sur cette latence : étant donné la vitesse à laquelle les capacités IA avancent, le potentiel de disruption étendue reste présent.

Nous voyons cette transition comme une force que l'on peut façonner — pas simplement observer.

Le rôle d'OpenAI : identifier où les changements économiques se produisent déjà, et diffuser ces données largement, pour que travailleurs, entreprises et décideurs publics puissent agir avec la meilleure information possible.

Cinq enseignements clés.

La distribution des métiers sur les 4 archétypes, et pourquoi l'exposition seule ne prédit rien.

• 01 · L'exposition seule est trop grossière pour prédire quels métiers subiront une disruption à court terme.
• 02 · 921 métiers analysés, 99,7 % de l'emploi US. Le framework combine exposition technique, nécessité humaine, et élasticité de la demande.
• 03 · ChatGPT est utilisé 3× plus dans les métiers classés en haut risque d'automatisation — même quand la capacité IA est similaire ailleurs.
• 04 · Capacité technique ≠ risque d'emploi. Beaucoup de métiers très exposés seront redessinés ou amplifiés, pas automatisés.
• 05 · Ce sont des cartes, pas des prédictions. Elles disent où la pression est susceptible d'apparaître en premier, pour préparer la transition — pas quels emplois seront perdus.

L'exposition seule ne suffit pas.

La plupart des analyses commencent par la même question : « quels métiers sont exposés à l'IA ? » C'est un point de départ — mais insuffisant pour mesurer le risque réel de disruption.

L'exposition nous aide à comprendre où l'IA a une capacité technique. Elle ne peut pas, seule, nous dire quels métiers sont les plus susceptibles d'être automatisés, redessinés, ou amplifiés à court terme.

En trois ans depuis l'article fondateur coécrit par des chercheurs d'OpenAI sur les impacts potentiels de l'IA sur le marché du travail, les capacités se sont accélérées de façon spectaculaire. Pourtant, les impacts observés restent inégaux et difficiles à identifier. Même dans les métiers où l'IA peut faire beaucoup de tâches, les humains gardent la main.

L'exposition nous dit où l'IA a une capacité. Elle ne dit pas où les métiers vont changer en premier.

Ce rapport introduit le AI Jobs Transition Framework — un cadre qui dépasse les mesures d'exposition seule en combinant trois dimensions : exposition technique, nécessité humaine, élasticité de la demande. Nous validons ensuite la métrique contre l'usage observé de ChatGPT.

Résultat : une image beaucoup plus nette de là où l'IA pourrait affecter les métiers en premier, à court terme. À long terme, les caractéristiques des métiers — et les frontières entre les métiers eux-mêmes — sont malléables.

Le rôle critique des humains.

Beaucoup d'aspects d'un métier restent humains même quand l'IA peut faire plus du travail cognitif sous-jacent. Pour trois raisons structurelles.

Les enseignants doivent être physiquement présents en classe pour instruire et encadrer les élèves — même si l'IA peut rédiger des plans de cours et corriger des devoirs. Les greffiers de justice ont un score d'exposition parmi les 5 plus élevés, mais dans la plupart des juridictions, un humain est légalement requis pour certifier chaque transcription. Les tâches que l'IA ne peut pas faire, pour des raisons réglementaires, soutiennent fortement l'emploi à court terme.

Les trois types de nécessité

• Nécessité réglementaire et de responsabilité — Le métier requiert une personne licenciée pour approuver ou décider, ou une personne doit porter la responsabilité du résultat. Ex : juges, avocats, notaires, médecins.
• Nécessité relationnelle — La valeur du service dépend de la confiance, du soin, de la persuasion, de l'enseignement, ou du lien humain. Ex : enseignants, infirmières, thérapeutes.
• Nécessité physique — Le métier requiert une action physique dans le monde réel : soins en personne, inspection sur le terrain, exécution physique. Ex : plombiers, kinés, pompiers.

Un métier exposé à l'IA peut rester humain si régulation, confiance, responsabilité, soin ou contraintes physiques gardent le travailleur au centre du service.

Mais rester dans la boucle ≠ marché du travail inchangé. Un avocat reste nécessaire pour la responsabilité et la représentation. Si chaque avocat peut traiter beaucoup plus de dossiers et que les prix en baisse n'augmentent pas beaucoup la demande, l'emploi peut quand même diminuer.

Pourquoi plus de productivité ne veut pas dire moins d'emplois.

L'élasticité de la demande — combien la demande change quand le prix change — est le lien entre productivité et emploi. Et elle change tout.

Si l'IA rend un service moins cher, l'effet sur l'emploi dans les métiers concernés est ambigu. Quand les biens deviennent moins chers, les gens en achètent plus, ce qui peut augmenter l'emploi — phénomène connu sous le nom de paradoxe de Jevons.

Métiers peu élastiques

Pompiers, aides à domicile, travailleurs du ménage, personnel éducatif. La demande est fixée par des besoins, des budgets publics, ou des contraintes physiques. Baisser le prix ne fait pas exploser la demande.

Métiers moyennement élastiques

Kinés, éditeurs, hygiénistes dentaires. Une partie de la demande est latente — plus accessible, elle augmente modérément.

Métiers très élastiques

Designers graphiques, développeurs logiciels. Si le coût d'un site web est divisé par dix, l'entreprise qui n'avait pas de site en commande un — et la plus grande en commande deux. L'emploi augmente avec la productivité.

L'IA ne détruit pas des emplois de manière uniforme. Elle les redistribue — selon la combinaison de trois forces, pas une seule.

Les 4 archétypes en détail.

Combinaison des 3 dimensions. Un arbre de décision simple : l'IA peut-elle faire le travail ? L'usage réduit-il le besoin en travailleurs ? Le travail peut-il se faire avec moins d'humains ?

L'écart entre ce que l'IA peut et ce qu'on utilise.

OpenAI a comparé l'exposition théorique (que l'IA pourrait faire) à l'exposition réalisée (mesurée via l'usage ChatGPT). Il y a un écart énorme — et instructif.

• Métiers à haut risque d'automatisation : réalisé 23,8 % · théorique 90,0 % · écart de 66,2 points. Adoption la plus forte, mais capacité inutilisée encore massive.
• Métiers amplifiés par l'IA : réalisé 22,7 % · théorique 72,4 % · écart de 49,7 points.
• Métiers réorganisés : réalisé 14,9 % · théorique 67,1 % · écart de 52,3 points.
• Métiers peu changés : réalisé 6,4 % · théorique 27,4 % · écart de 21,0 points.

Cet écart important dans les métiers « réorganisés » ou « amplifiés » ou « peu changés » indique que l'adoption de l'IA est limitée pas seulement par la faisabilité technique, mais par la nécessité humaine, la demande, et les frictions institutionnelles.

L'exposition seule est un piètre prédicteur de la pression immédiate sur le marché du travail.

Des réponses différentes par archétype.

Chaque archétype pointe vers une réponse politique différente. Voici les priorités recommandées par le rapport.

Haut risque d'automatisation (18%)

Priorité : aider les travailleurs à naviguer le changement. Systèmes d'alerte précoce, aide à la transition, reskilling, monitoring local de la disruption. En particulier : accompagner la mobilité vers des rôles où l'humain reste essentiel.

Métiers réorganisés (24%)

Priorité : façonner comment l'IA change le travail, pas seulement combien de travail se fait. Standards d'effectifs, guidance professionnelle, garde-fous sur la charge de travail, la qualité de service, l'autonomie.

Métiers amplifiés par l'IA (12%)

Priorité : aider plus de travailleurs à bénéficier de la croissance. Capacity- building, réforme des procurement, refonte des remboursements, politiques qui élargissent l'accès à ces métiers.

Métiers peu changés (46%)

Priorité : meilleure mesure et monitoring continu. Ces métiers ne sont pas immunisés pour toujours — mais ils ne sont pas là où la pression apparaîtra en premier.

Ce que le cadre ne capture pas.

Une limite critique : le framework simplifie l'organisation réelle des tâches dans un métier. Les goulots et les complémentarités comptent énormément.

En pratique, automatiser certaines tâches peut augmenter la valeur des tâches humaines restantes — en libérant du temps et en concentrant l'effort sur les parties les plus difficiles à retirer. Le framework peut donc encore surestimer le risque de substitution, sous-estimer l'augmentation et la refonte, et manquer la possibilité que l'adoption se fasse par seuils plutôt que de manière continue.

L'élasticité est l'objet le moins directement observé

Les valeurs sont des proxies générés par GPT, basés sur la structure latente du marché du travail — pas estimés à partir de systèmes de demande propres. À lire comme des approximations structurées, pas comme un substitut à des preuves causales.

Effets non capturés

• Effets de salaire en équilibre général
• Spillovers entre métiers
• Demande induite dans les secteurs complémentaires
• Rétroaction macro-économique via revenus et prix
• Changement de préférences sociétales au fil du temps

À lire comme une carte d'orientation politique, pas comme une prédiction d'emploi.

L'image complète.

L'exposition n'est qu'un point de départ. Un signal plus actionnable vient de sa combinaison avec la nécessité humaine et la réponse de la demande.

Ces interactions déterminent si l'IA réduit la demande de travail, change comment le travail se fait, ou élargit l'échelle de l'activité économique.

Dans ce framework, l'exposition des métiers aide à identifier où les capacités IA se superposent. Mais elle n'est pas, à l'heure actuelle, fortement liée aux changements d'emploi. L'écart entre exposition réelle et théorique distingue l'isolation authentique de la diffusion différée.

Notre capacité à prévoir l'avenir lointain est limitée. À court terme, ce cadre doit aider à imaginer comment le marché du travail peut évoluer — et quelles réponses politiques on peut considérer.

Méthodologie en résumé.

Quatre mesures au niveau du métier, chacune capturant un mécanisme différent par lequel l'IA peut affecter la demande de travail.

Exposition théorique

Part du temps de tâches qu'un LLM peut potentiellement affecter, d'après Eloundou et al. (2023). Pondérée par l'importance de chaque tâche dans le métier.

Exposition réalisée

Construite à partir des données agrégées et anonymisées de l'usage professionnel de ChatGPT, liées aux métiers via la structure des tâches O*NET. Mesure combien l'IA est réellement utilisée pour une tâche par rapport à ce qu'on attendrait compte tenu du poids de la tâche dans le marché du travail.

Nécessité humaine

Taxonomie stricte des goulots humains : soins et enseignement en personne, jugement licencié, exécution physique. Règles structurées appliquées aux titres et descriptions de métiers.

Élasticité de la demande

Estimée par GPT-5.4-mini sur un scénario standardisé : si le prix du service baisse de 10 %, de combien la demande augmente-t-elle sur 2-3 ans ? Normalement négative (prix baisse → demande augmente).