IA générative : la méthode Anthropic pour identifier les métiers les plus exposés

La question de l’impact de l’intelligence artificielle sur l’emploi souffre souvent d’un défaut de méthode. Les débats oscillent entre deux excès : l’annonce d’une substitution massive et rapide des métiers, ou la minimisation du phénomène au nom de l’incertitude statistique. Le rapport publié par Anthropic apporte une contribution utile parce qu’il évite ces deux raccourcis. Il ne prétend pas prédire mécaniquement les destructions d’emplois. Il propose plutôt un indicateur d’exposition fondé sur les tâches réelles, les capacités des grands modèles de langage et les usages professionnels déjà observés.

La distinction est décisive pour les directions des ressources humaines. Un métier exposé n’est pas nécessairement un métier condamné. Il s’agit d’un métier dont une part significative des tâches peut être accélérée, assistée ou automatisée par l’IA. L’effet final peut prendre plusieurs formes : gain de productivité, réduction du besoin en profils juniors, transformation du contenu du poste, évolution des compétences requises, réorganisation des équipes ou, dans certains cas, substitution partielle. Le rapport ne conclut d’ailleurs pas à une hausse systématique du chômage dans les métiers exposés depuis la diffusion de ChatGPT. Il observe plutôt des signaux plus subtils, notamment un ralentissement de l’entrée des jeunes de 22 à 25 ans dans certaines professions fortement exposées.

L’apport principal du document tient à la notion d’« exposition observée ». La plupart des travaux antérieurs évaluent l’exposition à partir de ce que les modèles d’IA pourraient théoriquement accomplir. Cette approche a une limite évidente : une tâche peut être techniquement réalisable par un modèle sans être réellement adoptée dans les entreprises, pour des raisons juridiques, organisationnelles, techniques, économiques ou culturelles. Anthropic ajoute donc une couche empirique : les auteurs croisent les capacités théoriques des modèles avec les usages professionnels constatés dans Claude, en accordant plus de poids aux usages automatisés qu’aux simples usages d’assistance.

Une mesure construite à partir des tâches, pas des intitulés de poste

La méthodologie repose sur une idée simple : un métier n’est pas un bloc homogène. Il est composé d’un ensemble de tâches. Pour évaluer son exposition à l’IA, il faut donc descendre au niveau de ces tâches, puis remonter vers le poste. Un chargé de relation client, par exemple, peut répondre à des demandes standardisées, traiter des réclamations, rechercher des informations dans une base documentaire, gérer des situations conflictuelles et coordonner avec d’autres équipes. Toutes ces tâches n’ont pas le même degré d’exposition à l’IA.

Le rapport mobilise trois sources. La première est la base O*NET, qui recense les tâches associées à environ 800 occupations aux États-Unis. Cette base permet de découper chaque métier en activités concrètes. La deuxième source est constituée des données d’usage de Claude, à travers l’Anthropic Economic Index. Elle permet d’observer quelles tâches sont effectivement traitées par l’IA dans des usages professionnels. La troisième source vient des travaux de Eloundou et al., qui évaluent si une tâche peut être réalisée au moins deux fois plus vite grâce à un grand modèle de langage. Leur échelle classe les tâches en trois catégories : exposées directement, exposées avec outils complémentaires, ou non exposées.

Les auteurs construisent ensuite leur indicateur en combinant ces dimensions. Une tâche est considérée comme couverte lorsqu’elle est à la fois théoriquement réalisable par l’IA et suffisamment présente dans les usages professionnels observés. Les usages automatisés reçoivent un poids plus élevé que les usages augmentatifs, car ils sont plus susceptibles de modifier directement la demande de travail. Enfin, les tâches sont agrégées au niveau du métier en tenant compte du temps relatif consacré à chacune d’elles. Un poste devient donc fortement exposé lorsque ses tâches centrales, celles qui structurent réellement l’activité, sont déjà partiellement automatisables et observées dans des usages professionnels.

Cette méthode permet d’éviter une erreur fréquente : assimiler exposition théorique et impact économique immédiat. Le rapport montre que l’écart reste important entre le potentiel technique des grands modèles et leur couverture réelle dans les usages professionnels. Dans la catégorie « Computer & Math », par exemple, les auteurs indiquent que 94 % des tâches présentent une capacité théorique d’exposition aux modèles de langage, mais que la couverture observée par Claude atteint seulement 33 %. Cette différence rappelle que l’adoption effective dépend de la maturité des outils, de l’intégration dans les systèmes d’information, de la confiance des utilisateurs, des contraintes réglementaires et du niveau d’automatisation accepté par l’organisation.

Les dix métiers les plus exposés selon le rapport

Le rapport identifie dix professions particulièrement exposées selon la mesure d’exposition observée. En tête figurent les programmeurs informatiques, avec un taux d’exposition de 74,5 %. Leur tâche automatisée dominante concerne la rédaction, la mise à jour et la maintenance de programmes logiciels. Cette position n’est pas surprenante : le code fait partie des domaines où les modèles génératifs sont déjà massivement utilisés, que ce soit pour produire des scripts, corriger des erreurs, documenter des fonctions, tester des fragments ou accélérer le développement.

Les conseillers service client arrivent en deuxième position, avec 70,1 % d’exposition observée. Leur activité est exposée lorsque les demandes sont standardisées, documentées et intégrables dans des systèmes automatisés. La tâche dominante citée dans le rapport consiste à échanger avec les clients, fournir des informations, prendre des commandes et gérer des réclamations. Cette exposition ne signifie pas que toute relation client peut être remplacée, mais les interactions répétitives, de premier niveau, deviennent fortement automatisables.

Les opérateurs de saisie occupent la troisième place, avec 67,1 % d’exposition. Leur tâche centrale consiste à lire des documents sources et à entrer des données dans des systèmes. Il s’agit d’un cas typique d’exposition élevée : travail numérique, répétitif, structuré, fondé sur des règles et directement compatible avec l’extraction automatisée d’information. Les spécialistes des dossiers médicaux suivent avec 66,7 %. Leur exposition tient à la compilation, au résumé et au codage de données patients. Le secteur médical reste encadré par de fortes contraintes de confidentialité et de responsabilité, mais les tâches documentaires y sont techniquement très exposées.

Les analystes études de marché et spécialistes marketing affichent un taux d’exposition de 64,8 %. Le rapport cite comme tâche dominante la préparation de rapports, l’illustration graphique des données et la traduction d’analyses complexes en texte. Cette catégorie intéresse directement les fonctions support, car elle montre que l’exposition ne concerne pas uniquement les tâches répétitives. Les métiers d’analyse, de synthèse et de production de contenu sont également concernés lorsque les données sont accessibles et que les livrables suivent des formats récurrents.

Les représentants commerciaux B2B, hors produits techniques et scientifiques, affichent 62,8 % d’exposition. La tâche dominante consiste à contacter des clients pour présenter des produits et solliciter des commandes. L’exposition porte ici sur les séquences commerciales standardisées : prospection, relance, qualification, rédaction de messages, préparation d’argumentaires. Les analystes financiers et d’investissement apparaissent ensuite avec 57,2 %. Leur exposition repose sur l’analyse d’informations financières destinée à éclairer des décisions d’investissement. Comme pour le marketing, l’IA ne remplace pas nécessairement la décision, mais elle peut prendre en charge une part croissante de la collecte, de la synthèse et de la préparation analytique.

Les analystes assurance qualité et testeurs logiciels affichent 51,9 % d’exposition. Leur tâche dominante concerne la modification des logiciels pour corriger des erreurs ou améliorer la performance. Les analystes cybersécurité suivent avec 48,6 %, notamment pour l’évaluation des risques et les tests de sécurité des traitements de données. Enfin, les techniciens support informatique atteignent 46,8 %, avec une exposition liée aux réponses aux demandes des utilisateurs sur les logiciels ou matériels. Cette dernière catégorie rejoint la logique du service client : plus les demandes sont fréquentes, documentées et répétitives, plus l’automatisation devient crédible.

La liste complète des métiers les plus exposés est donc la suivante : programmeurs informatiques ; conseillers service client ; opérateurs de saisie ; spécialistes des dossiers médicaux ; analystes études de marché et spécialistes marketing ; représentants commerciaux B2B hors produits techniques et scientifiques ; analystes financiers et d’investissement ; analystes assurance qualité et testeurs logiciels ; analystes cybersécurité ; techniciens support informatique. Le rapport mentionne également que certains métiers présentent une exposition nulle ou très faible dans les données observées, notamment les cuisiniers, mécaniciens moto, maîtres-nageurs, barmans, plongeurs et préposés aux cabines d’essayage, principalement parce que leurs tâches sont physiques, présentielles ou matérielles.

Ce que les DRH peuvent tirer de cette méthode

Pour une direction RH, l’intérêt de cette approche ne réside pas seulement dans la liste des métiers. Il réside surtout dans la grille d’analyse. Identifier les métiers exposés impose de cartographier les tâches, de mesurer leur poids dans le poste, puis d’évaluer leur degré d’automatisation possible. Une tâche est généralement plus exposée lorsqu’elle est textuelle, numérique, répétitive, documentaire, codifiable, adossée à des données structurées et produite selon des formats récurrents. Elle l’est moins lorsqu’elle suppose une présence physique, une responsabilité juridique directe, une négociation sensible, un jugement social complexe ou une intervention matérielle.

Appliquée à l’entreprise, cette méthode permet de distinguer trois niveaux. Le premier concerne les tâches déjà automatisables et déjà outillées : rédaction de contenus standardisés, synthèse documentaire, qualification de demandes, saisie, reporting, support de premier niveau. Le deuxième concerne les tâches augmentables : analyse, préparation de décision, recherche, comparaison, simulation, contrôle de cohérence. Le troisième concerne les tâches faiblement exposées : arbitrage humain, management, interaction sensible, responsabilité finale, intervention terrain, relation complexe avec les parties prenantes.

Le point de vigilance majeur concerne les métiers juniors. Le rapport ne montre pas une explosion du chômage dans les professions exposées, mais il observe un signal sur les nouvelles entrées dans l’emploi pour les jeunes travailleurs. C’est un enjeu RH central. Si l’IA absorbe les tâches d’entrée dans les métiers – saisie, recherche, synthèse, tests simples, préparation de dossiers, réponses standardisées -, les entreprises risquent de réduire les opportunités d’apprentissage des jeunes talents. Le problème ne serait pas seulement quantitatif. Il toucherait à la construction des compétences, à la transmission professionnelle et à la capacité des organisations à former leurs futurs experts.

La bonne lecture de ce rapport n’est donc pas de chercher quels postes supprimer. Elle consiste à identifier les métiers dont le contenu va être redessiné, les tâches qui vont être reprises par les outils, les compétences qui vont prendre de la valeur et les parcours qui devront être repensés. L’IA générative ne transforme pas le travail uniquement par disparition de postes. Elle agit d’abord par déplacement des tâches, recomposition des rôles et modification des seuils d’entrée dans les métiers. Pour les DRH, c’est probablement là que le risque est le plus immédiat : ne pas voir les suppressions nettes, mais laisser se fragiliser silencieusement les mécanismes d’apprentissage, de recrutement junior et de progression interne.