L’intelligence artificielle et l’emploi est l’un des champs de recherche les plus actifs de l’économie du travail contemporaine. Des centaines d’articles, rapports et datasets ont été publiés depuis 2017. Tous ne se valent pas. Ce guide identifie les 10 travaux académiques qui font réellement référence, expliquer leur méthodologie, leurs résultats clés et leurs limites — et montre comment ACARS s’inscrit dans ce paysage.

Pourquoi les études académiques comptent

Les discours médiatiques sur l’IA et l’emploi oscillent entré deux extrêmes : la catastrophe absolue (« 40% des emplois disparaissent ») et le déni tranquille (« les nouvelles technologies créent toujours plus d’emplois qu’elles n’en détruisent »). Les deux positions sont fondes sur des interpetéations sélectives des données.

Les études académiques peer-reviewées, publiées dans des revues économiques de référence ou diffusées comme working papers par des institutions reconnues (NBER, ILO, OECD, BIS), sont le seul antidote au bruit médiatique. Elles précisent les méthodologies, identifient les biais, quantifient les intervalles de confiance.

1. GPTs are GPTs (Eloundou et al., Science 2024)

Auteurs : Tyna Eloundou (OpenAI), Sam Manning, Pamela Mishkin (OpenAI), Daniel Rock (Wharton School)

Publication : Science, vol. 384, juin 2024 (version pré-print arxiv.org/abs/2303.10130 datée mars 2023)

Méthodologie : Évaluation de 19 000 tâches issues du référentiel O*NET du Bureau of Labor Statistics américain. Double annotation : annotateurs humains experts + GPT-4. Score d’exposition calculé sur la base du potentiel de réduction de temps par tâche grâce aux LLM (directement ou via plugins).

Résultats clés : 80% des travailleurs américains ont au moins 10% de leurs tâches affectables par les LLM. 19% ont plus de 50% de leurs tâches concernées. Le niveau d’éducation est positivement corrélé à l’exposition : les métiers à haute qualification sont plus exposés que les métiers manuels.

Limite : Centré sur les LLM uniquement (pas les robots, pas les systèmes de vision). Contexte américain. La distinction augmentation/remplacement n’est pas explicitement modélisée.

2. ILO Working Paper 140 (Gmyrek et al., 2025)

Auteurs : Pawel Gmyrek, Janine Berg, David Bescond (Organisation Internationale du Travail)

Publication : ILO Working Paper 140, janvier 2025. Dataset public disponible sur le référentiel officiel ILO avec scores ISCO-08.

Méthodologie : Première étude task-level de l’ILO. Utilise la base ISCO-08 (35 pays, représentativité mondiale). Distingue « automation » (remplacement de tâches) et « augmentation » (assistance IA). approchées conservatrice : seules les tâches pour lesquelles l’IA surpasse démonstré les capacités humaines sont comptées.

Résultats clés : 24% des emplois mondiaux exposés. Taux plus élevé dans les pays riches (34% Europe occidentale). Les femmes sont surreprésentées dans le gradient d’exposition maximum. Les métiers cléricaux sont les plus concernés dans tous les pays.

Limite : L’approché conservatrice sous-estime les métiers où l’IA est « presque » au niveau humain (ex. traducteur). Le dataset ISCO-08 regroupe des métiers très différents sous une même entrée.

3. AIOE Dataset (Felten, Raj & Seamans, 2021)

Auteurs : Edward Felten (Princeton), Manav Raj, Robert Seamans (NYU Stern)

Publication : Strategic Management Journal, 2021. Dataset public sur GitHub avec scores par code SOC 6-digit et par industrie.

Méthodologie : Construction d’un indice d’exposition à l’IA (AIOE) croisé entré les avancées IA (AI Progress Measurement dataset) et les tâches professionnelles (O*NET). Mis à jour annuellement depuis 2021.

Résultats clés : L’AIOE est l’indice le plus cité dans la littérature académique : plus de 600 études l’utilisent comme variable de contrôle ou principale. Forte corrélation avec les variations de salaires et d’emploi observées depuis 2017.

Limite : Construit sur les capacités IA observées, pas anticipées. Retard d’un à deux ans sur l’état de l’art IA réel.

4. OECD 2024 « Who will be the workers most affected by AI? » (Lane)

Auteur : Nathan Lane (OECD Economics Department)

Publication : OECD Working Paper 2024, accessible sur oecd-ilibrary.org

Méthodologie : 22 pays OCDE, focus sur les différenciations genre, éducation et âge. Croise les scores d’exposition AIOE avec les données d’emploi de 2018 à 2023.

Résultats clés : Conclusion surprenante : la croissance de l’emploi est actuellement positive dans les métiers les plus exposés à l’IA (phase d’augmentation). Cet effet est plus marqué chez les travailleurs qualifiés. Les travailleurs peu qualifiés dans des métiers exposés sont les plus vulnérables.

Limite : Données jusqu’en 2023. L’accélération de l’adoption IA en 2024-2025 n’est pas capturée.

5. Webb 2020 (Stanford)

Auteur : Michael Webb (Stanford University)

Publication : Working paper Stanford, 2020. Accessible sur nber.org

Méthodologie : Méthode unique : croisement des brevets IA, des brevets robotiques et des tâches professionnelles O*NET. Permet de distinguer l’exposition à l’IA de l’exposition aux robots.

Résultats clés : Conclusion majeure : contrairement aux robots (qui ciblent les emplois moyennement qualifiés), l’IA cible les emplois hautement qualifiés. Ce constat à inversé le consensus de la littérature d’automatisation de l’ère Autor-Levy-Murnane (2003).

Limite : Les brevets capturent l’intention, pas le déploiement réel. Retard de 3 à 5 ans entré dépôt de brevet et usage commercial.

6 à 10 : Cinq études complémentaires

6. World Bank 2025 « Automation, AI and the futures of Work » — Première étude systématique sur les pays à revenu intermédiaire et faible. Montre que l’exposition IA est concentrée dans les pays riches mais que les effets de délocalisation affecteront les pays émergents. Dataset public sur data.worldbank.org.

7. EIG Research (Economic Innovation Group, 2025) — Croise les scores AIOE avec les données réelles du Current Population Survey (CPS) américain. Résultat empirique : le chômage est actuellement plus bas chez les travailleurs très exposés à l’IA (2,44%) que chez les moins exposés (6,53%). Confirme la phase d’augmentation actuelle.

8. Bergeaud 2024 (France, Banque de France) — Première étude task-level spécifiquement française. Utilise les données PIAAC et DADS pour construire des scores d’exposition adaptés au contexte français. Confirme la spécificité du secteur public et des PME dans la trajectoire d’adoption IA française. Accessible sur banque-france.fr.

9. Anthropic Claude Economic Index (2025) — Analyse de 4 millions d’interactions Claude en contexte professionnel. Identifie les tâches réelles (pas théoriques) déléguées aux LLM en entreprise. Résultat : la rédaction (38%), la synthèse documentaire (24%) et la génération de code (18%) représentent 80% des usages. Accessible sur anthropic.com/research.

10. Huang 2025 « When Will AI Exceed Human Performance? » — Méta-analyse de 2 778 experts IA sur les délais prévus d’atteinte du niveau humain sur différentes tâches cognitives. Résultats : AGI (intelligence artificielle générale) entré 2040 et 2060 selon les scénarios médians, mais tâches spécifiques (traduction, rédaction générique, analyse de données structurées) déjà dépassées ou en passe de l’être.

Comment ACARS s’inscrit dans ce paysage

ACARS n’est pas une étude académique. C’est un outil d’analyse opérationnelle calibré pour la France. Sa démarche s’appuie sur les travaux académiques ci-dessus comme fondations méthodologiques, en y ajoutant plusieurs spécificités :

Nomenclature ROME V4 : les 1 013 métiers couverts sont ceux de France Travail (ex-Pôle Emploi), directement exploitables par les actifs français. Aucune traduction ou correspondance approximative n’est nécessaire.

6 dimensions task-level : ACARS évalue chaque métier sur la production d’information, le traitement documentaire, la communication, le raisonnement, la créativité et l’interaction sociale. Cette grille multidimensionnelle évite les sur-estimations ou sous-estimations d’une métrique unique.

Données localisées : les salaires médians (INSEE DADS 2023) et les volumes d’emploi (DARES 2024) sont français, régionalisés, et mis à jour semestriellement.

Corrélation validée : la corrélation ACARS ↔ GPTs are GPTs sur les métiers comparables atteint r ≈ 0,85. Les divergences identifiées (graphiste, développeur web, correcteur) réflètent des spécificités françaises démontrables.

Pour comprendre en détail comment chaque dimension est calculée et comment votre métier est positionné, consultez la méthodologie ACARS. Pour accéder aux données brutes de votre métier, rendez-vous sur le diagnostic personnalisé. Le classement complet des métiers exposés est consultable librement.

Questions fréquentes

Quelle est l’étude la plus fiable pour estimer le risque IA en France ?

Aucune étude seule n’est suffisante pour le contexte français. GPTs are GPTs est la référence sur les LLM, mais basée sur le marché américain. L’étude Bergeaud (Banque de France, 2024) est la plus adaptée au contexte français pour les grandes tendances sectorielles. ACARS est l’outil le plus granulaire pour les métiers individuels en France.

Les données ACARS sont-elles accessibles librement ?

Les scores d’exposition ACARS pour les 1 013 métiers couverts sont accessibles via le diagnostic MonJobEnDanger.fr et les fiches métiers individuelles. Une API de données agrégées est disponible pour les chercheurs et institutions sur demande via le formulaire de contact.

Ces études prédisent-elles vraiment la disparition des métiers ou seulement leur transformation ?

Les études les plus récentes (OECD 2024 Lane, EIG 2025) convergent vers une conclusion nuancée : les métiers se transforment avant de disparaître. La phase actuelle (2024-2027) est une phase d’augmentation où les travailleurs qui adoptent l’IA gagnent en productivité. La phase de remplacement partiel devrait être visible à partir de 2027-2030 dans les métiers les plus exposés. Les projections sur 2030 et au-delà ont des intervalles de confiance très larges.

Sources et references