Anthropic vient de publier un rapport sur la « concurrence pour les emplois liés à l'IA » : plus le niveau d'études est élevé, plus on est « susceptible d'être remplacé »

Auteur original : Xin Zhiyuan

La « valeur ajoutée » de votre travail est en train d’être siphonnée par l’IA. Le dernier rapport d’Anthropic révèle une vérité contre-intuitive : plus une tâche est complexe et mesurée en années d’éducation, plus l’accélération de l’IA est rapide. Contrairement à une simple substitution, ce qui fait peur, c’est la « déqualification » — l’IA enlève le plaisir de réfléchir, ne laissant que des tâches ingrates. Mais les données indiquent aussi la seule voie : maîtriser la collaboration homme-machine, avec un taux de réussite pouvant être multiplié par dix. Dans cette ère de surabondance de puissance de calcul, c’est un guide de survie que vous devez comprendre.

Anthropic a publié hier sur son site le « Rapport sur l’indice économique ».

Ce rapport ne se contente pas de s’intéresser à ce que les gens font avec l’IA, mais examine aussi dans quelle mesure l’IA remplace réellement la réflexion humaine.

Ils ont introduit une nouvelle dimension appelée « Primitives économiques » (Economic Primitives), visant à quantifier la complexité des tâches, le niveau d’éducation requis, et le degré d’autonomie de l’IA.

Les perspectives d’avenir du marché du travail, telles qu’éclairées par ces données, sont bien plus complexes que de simples théories sur le chômage ou l’utopie.

Plus une tâche est difficile, plus l’IA accélère

Dans notre conception traditionnelle, les machines excellent dans les tâches répétitives et simples, mais paraissent maladroites dans les domaines nécessitant des connaissances approfondies.

Mais les données d’Anthropic donnent une conclusion totalement opposée : plus une tâche est complexe, plus l’« accélération » apportée par l’IA est impressionnante.

Le rapport montre que pour des tâches compréhensibles avec un diplôme de lycée, Claude peut augmenter la vitesse de travail par 9 ;

Et dès que la difficulté atteint le niveau universitaire, ce facteur d’accélération grimpe directement à 12.

Cela signifie que les travaux de bureau, autrefois nécessitant des heures de réflexion humaine, sont aujourd’hui parmi les domaines où l’IA « récolte » le plus efficacement.

Même en tenant compte du taux d’échec occasionnel dû à des hallucinations de l’IA, la conclusion reste la même : l’augmentation de l’efficacité sur des tâches complexes compense largement le coût de correction des erreurs.

Cela explique pourquoi aujourd’hui, les programmeurs et analystes financiers dépendent davantage de Claude que les simples saisisseurs de données — car dans ces domaines à forte densité intellectuelle, l’effet de levier de l’IA est le plus fort.

19 heures : la « nouvelle loi de Moore » de la collaboration homme-machine

La donnée la plus choquante de ce rapport concerne la « durabilité » de l’IA (la durée de la tâche, Task horizons, mesurée à 50% de succès).

Les tests standards comme METR (Model Evaluation & Threat Research) considèrent que les modèles de pointe (comme Claude Sonnet 4.5) voient leur taux de réussite chuter en dessous de 50% pour des tâches nécessitant 2 heures de travail humain.

Mais dans les données réelles d’utilisation d’Anthropic, cette limite temporelle est nettement repoussée.

Dans un contexte commercial d’appels API, Claude peut maintenir une majorité de succès sur des tâches impliquant 3,5 heures de travail.

Et dans l’interface de dialogue Claude.ai, ce chiffre grimpe à 19 heures.

Pourquoi un tel écart ? Le secret réside dans « l’intervention » humaine.

Les tests standard évaluent l’IA seule face à un examen, mais dans la réalité, l’utilisateur décompose un projet complexe en de nombreuses petites étapes, ajustant le cap de l’IA par des feedbacks continus.

Ce mode de collaboration homme-machine, en faisant passer la limite de durée d’une tâche (à 50% de succès) de 2 heures à environ 19 heures, multiplie presque par 10 cette capacité.

C’est peut-être cela, le futur du travail : non pas que l’IA fasse tout seule, mais que l’humain apprenne à la maîtriser pour courir un marathon.

La déformation de la carte du monde : les pauvres apprennent, les riches produisent

En élargissant la perspective à l’échelle mondiale, on voit une courbe d’adoption claire, avec une pointe d’ironie.

Dans les pays développés à PIB par habitant élevé, l’IA est déjà profondément intégrée dans la productivité et la vie quotidienne.

Les gens l’utilisent pour coder, faire des rapports, voire planifier leurs voyages.

Mais dans les pays à PIB par habitant plus faible, le rôle principal de Claude est celui de « professeur », avec une utilisation concentrée dans les devoirs et le soutien éducatif.

Au-delà de la différence de richesse, c’est aussi une question de décalage technologique.

Anthropic mentionne qu’ils collaborent avec le gouvernement rwandais pour aider la population locale à dépasser le simple stade de « l’apprentissage » et entrer dans une application plus large.

Car sans intervention, l’IA pourrait devenir une nouvelle barrière : dans les régions riches, elle amplifie exponentiellement la production, tandis que dans les régions pauvres, elle sert encore à réviser les connaissances de base.

Les inquiétudes du monde du travail : le spectre de la « déqualification »

La partie la plus controversée et la plus alarmante du rapport concerne la « déqualification » (Deskilling).

Les données montrent que les tâches couvertes par Claude nécessitent en moyenne 14,4 années d’éducation (équivalent d’un diplôme de niveau supérieur), bien plus que la moyenne de 13,2 années pour l’ensemble de l’activité économique.

L’IA élimine systématiquement la partie « haute intelligence » du travail.

Pour un rédacteur technique ou un agent de voyages, cela peut être catastrophique.

L’IA prend en charge l’analyse des tendances du secteur, la planification d’itinéraires complexes, laissant à l’humain peut-être seulement la réalisation de croquis ou la gestion de factures.

Votre travail existe encore, mais sa « valeur ajoutée » est en train d’être siphonnée.

Mais certains en tirent aussi profit.

Par exemple, un gestionnaire immobilier, après que l’IA ait géré la comptabilité et la vérification des contrats, peut se concentrer sur la négociation avec des clients exigeants et la gestion des parties prenantes — une forme de « requalification » (Upskilling).

Anthropic précise prudemment que cela n’est qu’une projection basée sur la situation actuelle, et non une prédiction inévitable.

Mais le signal d’alarme est réel.

Si votre avantage concurrentiel repose uniquement sur la gestion d’informations complexes, vous êtes au cœur de la tempête.

Le retour de la productivité à une « ère d’or » ?

Enfin, revenons à une perspective macroéconomique.

Anthropic a révisé ses prévisions de croissance de la productivité du travail aux États-Unis.

Après avoir exclu les erreurs et échecs possibles de l’IA, ils estiment qu’au cours des dix prochaines années, l’IA pourrait stimuler la croissance de la productivité annuelle de 1,0% à 1,2%.

Cela représente un recul d’un tiers par rapport à leur estimation optimiste précédente de 1,8%, mais ne sous-estimez pas cette différence d’un point de pourcentage.

Ce chiffre pourrait faire revenir la croissance de la productivité américaine au niveau de la fin des années 1990, lors de la bulle Internet.

Et cela uniquement basé sur la capacité du modèle en novembre 2025. Avec l’arrivée de Claude Opus 4.5, et la montée en puissance progressive du « mode renforcé » (où l’on ne confie plus tout le travail à l’IA, mais où l’on collabore plus intelligemment avec elle), ce chiffre pourrait encore fortement augmenter.

Conclusion

En parcourant tout ce rapport, ce qui frappe le plus n’est pas tant la puissance croissante de l’IA, mais la rapidité d’adaptation de l’humain.

Nous vivons une transition du « automatisme passif » vers la « renforcement actif ».

Dans cette révolution, l’IA est comme un miroir : elle reprend ces tâches nécessitant un haut niveau d’éducation mais pouvant être déduites par la logique, ce qui nous pousse à rechercher des valeurs impossibles à quantifier par un algorithme.

Dans cette ère de surabondance de puissance de calcul, la capacité la plus rare de l’humain n’est plus de trouver des réponses, mais de définir les questions.

Références :