L'IA agentique brise le postulat à la base de toutes les prévisions d'exposition des tâches

Les prévisions sur le marché du travail ont supposé que l'automatisation élimine les tâches une par une tout en laissant le métier intact. L'IA agentique, qui accomplit des flux de travail entiers, invalide ce postulat, et un nouvel indice composite, l'Agentic Task Exposure (ATE), a été conçu pour mesurer ce que les anciens cadres ne peuvent pas saisir.

Synthèse exécutive

Les prévisions antérieures sur l'automatisation, y compris celles bâties sur le cadre des tâches d'Autor-Levy-Murnane, partagent un même postulat : la profession survit comme une coquille de coordination autour du travail humain restant.

Les systèmes d'IA agentique répondent à quatre critères : ils reçoivent une spécification d'objectif, sélectionnent et invoquent des outils de manière autonome, maintiennent l'état à travers les étapes d'inférence et produisent un livrable achevé sans intervention humaine aux étapes intermédiaires.

Le score ATE combine les scores de capacité de l'IA, les facteurs de couverture des flux de travail et la vitesse logistique d'adoption. Les analystes de crédit, les juges et les spécialistes de la durabilité atteignent des scores ATE de 0,43 à 0,47.

L'étude applique l'ATE à 236 codes SOC répartis dans six grands groupes professionnels au sein de cinq régions technologiques américaines, et se présente comme la première application empirique multirégionale du cadre d'exposition des tâches ciblant spécifiquement les systèmes d'IA agentique.

Parallèlement à l'éviction, l'étude identifie dix-sept catégories professionnelles émergentes, concentrées dans la collaboration humain-IA, la gouvernance de l'IA et les opérations d'IA spécifiques à un domaine.

Les prévisions qui avaient visé trop haut #

Les robots industriels ont bel et bien remplacé des ouvriers du secteur manufacturier. Ils ne l'ont toutefois pas fait selon le calendrier ni à l'échelle que laissaient entendre les prévisions initiales. Cette phrase devrait inciter à une certaine prudence quiconque lit des prédictions sur le marché du travail par métier, car elle décrit un schéma récurrent : la direction était bonne, mais l'ordre de grandeur était faux.

Le chiffre le plus célèbre de cette littérature vient de Frey et Osborne, qui avaient demandé à des experts de noter 702 professions américaines selon leur « informatisabilité » globale. Leur résultat indiquait que 47 % des professions couraient un risque élevé. C'est un chiffre frappant, qui a beaucoup circulé.

Arntz, Gregory et Zierahn ont ensuite montré ce qui se passe lorsque l'analyse descend au niveau des tâches et prend en compte l'hétérogénéité des tâches au sein des professions nominalement exposées. Les estimations de risque élevé tombent alors à 9-14 % dans les pays de l'OCDE. L'écart entre 47 % et 9-14 % n'est pas un simple désaccord d'arrondi. Il reflète un choix quant à l'unité d'analyse, et ce choix fait varier la réponse d'un facteur trois ou plus.

La source reconnaît franchement que le débat entre les estimations au niveau des professions et celles au niveau des tâches n'est pas tranché. Ce à quoi le domaine est en revanche parvenu, c'est un consensus pratique : la décomposition au niveau des tâches est nécessaire, et les étiquettes au niveau des professions sont trop grossières. Ce consensus est le socle sur lequel repose tout le reste de l'argumentation. C'est aussi ce socle que l'IA agentique met à rude épreuve.

Comment fonctionnent les cadres fondés sur les tâches #

Pour comprendre d'où vient cette tension, il est utile de préciser ce qu'affirme la tradition fondée sur les tâches.

Autor, Levy et Murnane ont réparti les tâches professionnelles selon deux axes : routinières contre non routinières, et cognitives contre manuelles. Leur thèse était que l'automatisation se substitue au routinier tout en complétant le non routinier. C'est une idée limpide, qui a fourni aux travaux ultérieurs un vocabulaire permettant de désigner quelles parties d'un emploi une machine pouvait absorber.

Acemoglu et Restrepo ont bâti une structure formelle par-dessus cette base. Ils modélisent la production comme le résultat d'un continuum de tâches allouées entre le capital et le travail. Dans leur cadre, la part du travail augmente ou diminue selon que la création de nouvelles tâches, qu'ils appellent le canal de réintégration (reinstatement channel), l'emporte ou non sur l'éviction des tâches. Selon leur formulation, la part du travail dans la valeur ajoutée s'écrit sL = W * L / Y = f(|NL| / |N|), où W est le taux de salaire, L l'emploi et Y la production. Deux forces tirent en sens opposé, et celle qui l'emporte détermine qui capte les gains.

Deux autres efforts de mesure comptent ici parce qu'ils ont traduit ce cadre théorique en chiffres au niveau des professions. Felten, Raj et Seamans ont construit le score AI Occupational Exposure (AIOE) en reliant les avancées publiées des capacités de l'IA à la taxonomie des aptitudes d'O*NET. Eloundou et al. ont élaboré une mesure parallèle centrée sur GPT-4, combinant des annotations de travailleurs participatifs (crowd-workers) avec des auto-évaluations de GPT-4 au niveau des tâches.

Leur conclusion phare était que 80 % des travailleurs américains occupent des emplois où au moins 10 % des tâches sont exposées aux LLM. L'exposition la plus forte se concentrait parmi les professions à haut salaire exigeant un diplôme universitaire. Ce résultat va à l'encontre de l'intuition plus ancienne selon laquelle l'automatisation frappe d'abord le travail routinier et moins rémunéré, et explique pourquoi la question des cols blancs est devenue urgente.

L'angle mort que partagent tous les cadres #

La source formule une critique directe à l'égard de l'ensemble de ces travaux. Tous les cadres cités partagent un angle mort architectural : ils modélisent l'automatisation comme l'élimination de tâches individuelles tandis que la profession demeure intacte. Presque toutes les prévisions, y compris celles fondées sur le cadre des tâches d'Autor-Levy-Murnane, partagent le postulat selon lequel l'automatisation grignote les tâches une à une et la profession survit comme une coquille de coordination autour du travail humain restant.

C'est un postulat sur la structure, non sur la technologie. Il ne dit rien de la capacité de la machine. Il affirme que, quel que soit le nombre de tâches prises en charge par la machine, quelqu'un doit toujours maintenir le reste ensemble.

Le cas de l'assistant juridique (parajuriste) rend cet argument concret. Une analyse d'exposition des tâches pourrait signaler 80 % des tâches d'un assistant juridique comme exposées aux LLM et conclure malgré tout que la profession est à l'abri, parce que la coordination de ces tâches exige un jugement humain. Cette conclusion découle du postulat de la coquille. Les tâches sont exposées, mais la couture qui les relie ne l'est pas, de sorte que l'emploi subsiste.

Vient alors l'argument pivot de la source : le goulet d'étranglement de la coordination qui protégeait le rôle d'assistant juridique se trouve désormais à l'intérieur du module de planification de l'agent. Si cela se vérifie, le raisonnement qui gardait l'assistant juridique à l'abri cesse de fonctionner. La protection venait de la coordination. Or la coordination est précisément ce que fait un système agentique.

Je pense que c'est l'idée la plus utile de l'article, et qu'elle mérite d'être examinée selon ses propres termes. Les anciens cadres ne se trompent pas sur les tâches. Ils se trompent sur ce qu'il reste une fois les tâches parties. Une mesure qui évalue les tâches une par une ne peut pas voir un système qui traite la séquence comme un tout.

Ce qui définit un système agentique #

Si l'argument repose sur une distinction, cette distinction a besoin d'une définition. La source en fournit une articulée autour de quatre critères. Un système d'IA agentique est un système qui :

reçoit une spécification d'objectif plutôt qu'une spécification de tâche ;
sélectionne et invoque de manière autonome des outils pour poursuivre cet objectif ;
maintient son état à travers de multiples étapes d'inférence ; et
produit un livrable de travail achevé sans intervention humaine aux étapes intermédiaires.

C'est une liste qui mérite d'être conservée sous forme de liste, car les critères sont distincts et chacun peut être vérifié. Un système qui répond à une invite (prompt) échoue au premier critère. Un système qui a besoin qu'une personne valide chaque étape intermédiaire échoue au quatrième.

En termes plus simples, un agent reçoit un objectif, sélectionne des outils, exécute un plan en plusieurs étapes, vérifie son propre résultat et livre un produit de travail fini. Les systèmes agentiques enchaînent les appels d'outils, maintiennent une mémoire persistante d'une étape à l'autre, planifient des séquences d'actions multiples et s'autocorrigent lorsque les résultats intermédiaires échouent aux contrôles de qualité.

Ce détail de l'autocorrection compte plus qu'il n'y paraît au premier abord. Une chaîne de traitement qui s'interrompt dès qu'une étape échoue a toujours besoin d'un humain à proximité. Un système qui remarque l'échec d'un contrôle de qualité et réessaie a absorbé une partie de la supervision qui justifiait auparavant la présence humaine.

L'étude définit ainsi son objet : des agents d'IA autonomes capables d'accomplir des flux de travail professionnels entiers plutôt que des tâches discrètes. Le mot « entiers » porte tout le poids de la phrase. Toute l'argumentation porte sur l'écart entre une tâche discrète et un flux de travail complet.

Pourquoi le moment est venu #

La source avance deux types de preuves montrant que la question n'est pas théorique. La première concerne les capacités. Les modèles de la classe GPT-4 ont atteint ou dépassé les seuils de réussite à l'examen du barreau et à l'examen américain de licence médicale (USMLE), et se sont approchés à quelques points de pourcentage de la réussite au niveau I du CFA. Ce sont des examens d'accréditation pour des professions qui restreignent l'entrée précisément parce que le travail y est difficile.

La seconde concerne le déploiement. Les grands éditeurs de technologies d'entreprise, dont Amazon, Microsoft, Salesforce, ServiceNow et Workday, ont fait état de déploiements agentiques en production touchant les flux de travail des cols blancs lors de leurs conférences sur les résultats financiers de 2024 et de leurs présentations aux investisseurs. Il s'agit de déploiements en production, non de démonstrations de recherche, et ils ont été annoncés à des investisseurs plutôt qu'à des universitaires.

La source interprète ces annonces comme le genre de communications que les entreprises ne font que lorsque les déploiements affectent déjà la planification des effectifs. La source présente cela comme une interprétation, et non comme une mesure, et il convient de la considérer comme telle. Rien dans le dossier qui m'a été transmis ne rapporte directement des chiffres d'effectifs. Mais l'inférence est raisonnable : les entreprises ne présentent généralement pas un déploiement devant des investisseurs à moins qu'il n'ait un impact sur la base de coûts.

Mettez ces deux éléments bout à bout et la nécessité d'une nouvelle mesure devient évidente. La capacité seule n'imposerait pas le débat, pas plus que quelques projets pilotes. Une capacité qui franchit déjà les seuils professionnels, dans des systèmes déjà en production, le fait.

Le score ATE : ce qu'il mesure et ce qu'il ne mesure pas #

La réponse de l'étude est le score Agentic Task Exposure (ATE). C'est une mesure composite qui étend le cadre d'éviction des tâches d'Acemoglu-Restrepo afin de prendre en compte la couverture de bout en bout des flux de travail, les référentiels actuels de capacité de l'IA agentique et la vitesse d'adoption en entreprise. Ce score mesure le degré auquel une profession o est exposée à une éviction de bout en bout par les systèmes actuels d'IA agentique.

Trois ingrédients entrent dans sa composition : les scores de capacité de l'IA, les facteurs de couverture des flux de travail et la vitesse logistique d'adoption. Le facteur de couverture des flux de travail est la pièce qui répond directement à l'angle mort. La source indique que ce qui manque aux travaux antérieurs est une mesure permettant de savoir si la composition complète du flux de travail d'une profession tient à l'intérieur de l'enveloppe opérationnelle de l'IA agentique, et elle formalise cela sous la forme du facteur de couverture des flux de travail. Les anciens scores demandent si une tâche est exposée. Celui-ci demande si l'ensemble du flux de travail entre dans ce qu'un agent sait faire.

Deux autres éléments de la construction sont précisés. Le terme wo,t représente la pertinence pondérée par l'importance de la tâche t dans la profession o, tirée des évaluations d'importance des tâches d'O*NET. Et CAP(t), le terme de capacité, est estimé à partir de la littérature sur les bancs d'essai (benchmarks) de l'IA et des rapports de déploiement des praticiens. Ainsi, l'importance des tâches provient d'une base de données professionnelle standard, tandis que la capacité provient de deux sources : les bancs d'essai et les retours de terrain.

L'étude est explicite quant à sa méthode, et le lecteur doit s'y tenir. Les scores ATE sont calculés de manière algorithmique à partir des données de tâches O*NET à l'aide de paramètres d'adoption calibrés ; ce ne sont pas des estimations par régression. Cela a des conséquences pratiques. Une estimation par régression s'accompagne de l'appareil habituel d'erreurs types et d'arguments d'identification. Un indice composite algorithmique calibré n'en dispose pas, et ses résultats sont des projections dérivées du modèle, une expression que l'article utilise lui-même pour ses chiffres d'éviction. Elles décrivent ce que le modèle implique sous ses paramètres. Elles ne rapportent pas ce qui s'est déjà produit.

Je dirais qu'il s'agit là d'un cadrage honnête, et que c'est le bon pour un problème de prévision où ce qui est prévu n'a pas encore eu lieu. Un indice composite bâti à partir d'entrées explicites peut être inspecté, contesté et recalibré. Si quelqu'un est en désaccord sur la vitesse d'adoption, il sait exactement quel curseur déplacer.

Où le modèle l'applique #

L'application empirique est vaste. L'étude applique le cadre ATE à 236 codes de la classification type des professions (SOC) couvrant six grands groupes professionnels, générant des projections d'éviction dérivées du modèle dans cinq grandes régions technologiques des États-Unis pour la période 2025-2030. Ces cinq régions sont la baie de San Francisco, Seattle-Tacoma-Bellevue, Austin-Round Rock, New York-Newark et Boston-Cambridge.

L'étude décrit ce travail comme la première application empirique multirégionale du cadre d'exposition des tâches ciblant spécifiquement les systèmes d'IA agentique. C'est une revendication de priorité formulée par les auteurs, que je ne peux pas vérifier à partir du matériau que j'ai sous les yeux. Ce que je peux dire, c'est que l'approche régionale constitue une réponse pertinente à un problème que partagent les études menées à l'échelle nationale : l'exposition est une propriété des professions, mais l'adoption est une propriété des lieux et des entreprises.

D'après les résultats fournis par la source, les analystes de crédit, les juges et les spécialistes de la durabilité atteignent des scores ATE de 0,43 à 0,47. Ce rapprochement mérite qu'on s'y attarde. Un analyste de crédit, un juge et un spécialiste de la durabilité ne se ressemblent ni par leur formation, ni par leur rémunération, ni par leur travail quotidien. Ce qu'ils ont en commun, selon l'étude, c'est un score situé dans la même fourchette. J'y verrais volontiers un démenti contre tout tri paresseux des emplois entre « sûrs » et « à risque » selon le secteur ou la créativité perçue.

Je me garderais aussi de faire dire à ce chiffre plus que ce que la source autorise. Le matériau dont je dispose donne la fourchette pour ces trois professions sans préciser comment elle se situe par rapport au reste des 236 codes. Ce nombre montre donc que ces fonctions sont substantiellement exposées sur l'échelle de l'étude. Il ne montre pas qu'elles sont les plus exposées.

Les résultats régionaux s'accompagnent d'une réserve qui mérite d'être répétée. L'étude affirme que les effets sur la main-d'œuvre observés à Seattle en 2026-2027 préfigurent ce que l'ensemble de la main-d'œuvre non technique nationale connaîtra en 2028-2030. C'est une prédiction assortie d'un décalage temporel explicite, et elle est formulée avec prudence. Elle se lit comme une hypothèse produite par le modèle, et ne doit pas être prise pour un fait établi. Mais c'est un type d'affirmation utile, parce qu'elle est suffisamment précise pour pouvoir être réfutée. Si la tendance précoce de Seattle ne se transmet pas à la main-d'œuvre non technique nationale d'ici 2028, le modèle aura un problème qu'il ne pourra pas facilement éluder.

Le versant réintégration du bilan #

Un score d'éviction pris isolément ne raconte que la moitié de l'histoire d'Acemoglu-Restrepo. Dans leur cadre, la part du travail dépend de la question de savoir si la création de nouvelles tâches l'emporte sur l'éviction. Une étude qui aurait étendu ce cadre en ne mesurant que l'éviction aurait abandonné la partie même qui donne sa tension au modèle.

L'article ne commet pas cette erreur. Il identifie des catégories professionnelles où l'IA agentique engendre des effets de réintégration : de nouveaux rôles qui n'existaient pas avant que le déploiement agentique ne crée une demande de supervision humaine, de gouvernance et de collaboration à grande échelle. Au total, il recense dix-sept catégories professionnelles émergentes bénéficiant d'effets de réintégration. Elles se concentrent dans les fonctions de collaboration humain-IA, de gouvernance de l'IA et d'opérations d'IA spécifiques à un domaine.

Le mécanisme est aisé à suivre. Si des agents exécutent des flux de travail de bout en bout, quelqu'un doit les superviser, fixer les règles selon lesquelles ils opèrent et travailler à leurs côtés. Ces besoins n'existaient pas sous forme d'emplois jusqu'ici parce qu'il n'y avait encore rien à superviser.

La source ne précise pas combien de personnes ces dix-sept catégories emploieraient, ni si leur croissance compenserait l'éviction qu'impliquent les scores ATE. Les données dont je dispose laissent donc ouverte la question centrale : la réintégration l'emporte-t-elle sur l'éviction ? Quiconque écrit avec assurance que c'est le cas, ou que ce ne l'est pas, va au-delà des affirmations vérifiées. La contribution de l'étude consiste à placer les deux colonnes du bilan dans un même cadre analytique et à nommer les domaines où apparaissent les nouveaux rôles.

Ce qu'il faut en retenir #

On peut en tirer une leçon méthodologique et une leçon pratique.

La leçon méthodologique est que l'unité d'analyse décide de la réponse. Le passage de 47 % à 9-14 % découlait du glissement des professions vers les tâches. L'étude soutient qu'un nouveau déplacement est désormais nécessaire, des tâches vers les flux de travail, parce que ce qui est automatisé n'est plus une tâche isolée. À chaque changement d'unité, les estimations ont changé, et l'histoire de ce champ de recherche suggère que le choix de l'unité mérite un examen aussi rigoureux que le choix des données.

La leçon pratique s'adresse à tous ceux qui planifient des effectifs, des formations ou des produits pour les cinq prochaines années. Un score qui vous indique que 80 % des tâches d'un poste sont exposées ne suffit pas, car il ne dit pas si les 20 % restants constituent un noyau humain durable ou simplement le liant que le module de planification d'un agent peut désormais fournir. Le facteur de couverture des flux de travail a précisément pour but de poser cette question directement.

Le score ATE est un indice composite doté de paramètres calibrés, et ses projections sont dérivées d'un modèle. Elles constituent une argumentation structurée sur la période 2025-2030, et non un constat empirique de celle-ci. C'est une raison pour les tester plutôt que pour les ignorer. L'hypothèse concernant Seattle offre un test précoce : si les effets de 2026-2027 là-bas ressemblent à ce qu'implique le modèle, le décalage vers la main-d'œuvre non technique nationale en 2028-2030 deviendra le prochain indicateur à surveiller. Quant aux dix-sept catégories de réintégration, elles posent la question que les données actuelles ne permettent pas de trancher : les postes créés pour superviser les agents arriveront-ils en nombre suffisant pour peser sur la part du travail ?

Questions fréquentes #

Pourquoi les cadres antérieurs d'exposition des tâches sous-estiment-ils l'impact de l'IA agentique ?

Les cadres antérieurs bâtis sur la tradition d'Autor-Levy-Murnane supposent que l'automatisation supprime des tâches individuelles tandis que la profession survit comme une coquille de coordination humaine. Les systèmes d'IA agentique absorbent la planification, l'invocation d'outils, la gestion de l'état et les contrôles de qualité intermédiaires qui nécessitaient auparavant un coordinateur humain, exposant ainsi des flux de travail entiers plutôt que des tâches isolées.

Comment le score Agentic Task Exposure (ATE) est-il calculé ?

L'ATE est un indice composite algorithmique construit à partir des évaluations d'importance des tâches d'O*NET (wo,t), des bancs d'essai de capacité de l'IA et des rapports de déploiement des praticiens (CAP(t)), d'un facteur de couverture des flux de travail mesurant si le flux de travail complet d'une profession tient dans l'enveloppe opérationnelle d'un agent, ainsi que de paramètres calibrés de vitesse logistique d'adoption sur 236 codes SOC.

Que révèle l'étude concernant la création de nouveaux emplois (effets de réintégration) ?

En prolongeant le canal de réintégration d'Acemoglu-Restrepo, l'étude identifie dix-sept catégories professionnelles émergentes concentrées dans la collaboration humain-IA, la gouvernance de l'IA et les opérations d'IA spécifiques à un domaine. La question de savoir si la croissance de ces catégories compense l'éviction au niveau des flux de travail demeure une question empirique ouverte.

References #

Ravish Gupta and Saket Kumar, (2026). Agentic AI and Occupational Displacement: A Multi-Regional Task Exposure Analysis of Emerging Labor Market Disruption ⧉. arXiv.
Tyna Eloundou, Sam Manning, Pamela Mishkin, and Daniel Rock, (2023). GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models ⧉. arXiv.
Daron Acemoglu and Pascual Restrepo, (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor ⧉. Journal of Economic Perspectives.
National Center for O*NET Development, (2025). O*NET Resource Center ⧉. US Department of Labor.

Dernière révision 2026-11-01.

Republier cet article

L'IA agentique brise le postulat à la base de toutes les prévisions d'exposition des tâches — Sebastien Rousseau

Les cadres d'exposition des tâches traitent un métier comme une coquille qui survit autour de ce que les humains continuent de faire. Les systèmes agentiques poursuivent un objectif et livrent un...

Cet article est sous licence Creative Commons Attribution 4.0 International. La republication nécessite l'attribution à l'URL canonique.

L'IA agentique brise le postulat à la base de toutes les prévisions d'exposition des tâches — Sebastien Rousseau

Les cadres d'exposition des tâches traitent un métier comme une coquille qui survit autour de ce que les humains continuent de faire. Les systèmes agentiques poursuivent un objectif et livrent un...

Originally published at https://sebastienrousseau.com/fr/2026-10-25-agentique-brise-postulat-base-toutes-previsions/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU FONDATEUR · INGÉNIEUR