📈 economics

Who Uses AI? Platform Selection and the Measurement of Occupational AI Exposure

Cet article démontre que l'utilisation des journaux de plateformes d'IA pour mesurer l'exposition professionnelle à l'IA introduit un biais de sélection important dû à des bases d'utilisateurs non représentatifs, ce qui fait varier considérablement les estimations des effets sur l'emploi d'une plateforme et d'un canal à l'autre, et qui peut être substantiellement corrigé en réajustant les données pour qu'elles correspondent aux données démographiques officielles de la main-d'œuvre.

Auteurs originaux : Michelle Yin, Burhan Ogut

Publié 2026-05-28

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Michelle Yin, Burhan Ogut

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

L'idée principale : Le problème de la « chambre d'écho »

Imaginez que vous voulez savoir dans quelle mesure l'IA transforme la main-d'œuvre américaine. Pour ce faire, les chercheurs examinent les journaux de discussion des personnes utilisant des outils d'IA comme ChatGPT, Claude ou Microsoft Copilot. Ils supposent : « Si les personnes d'un certain métier discutent beaucoup avec l'IA, ce métier doit être fortement exposé à l'IA. »

Ce document soutient que cette méthode revient à essayer de comprendre l'ensemble de la population d'une ville en n'interrogeant que les habitants du quartier le plus cher et le plus high-tech.

Les chercheurs, Michelle Yin et Burhan Ogut, montrent que les personnes utilisant ces plateformes d'IA ne constituent pas un échantillon aléatoire de tous les travailleurs. Ils forment un groupe spécifique et biaisé. En raison de cela, les données nous en disent plus sur qui utilise l'application que sur quels métiers sont réellement transformés par l'IA.

L'analogie centrale : L'enquête sur la « gastronomie »

Imaginez que vous voulez savoir dans quelle mesure le gourmet mange la nourriture moyenne des Américains.

La méthode défectueuse : Vous vous rendez dans un restaurant haut de gamme, étoilé au Michelin, et demandez aux convives : « À quelle fréquence mangez-vous des repas gastronomiques ? »
Le résultat : Vous obtenez un rapport indiquant : « Wow, les Américains mangent des repas gastronomiques tous les jours ! »
La réalité : Vous avez manqué des millions de personnes qui mangent dans des fast-foods, cuisinent à la maison ou ne peuvent pas se permettre de restaurants chics. Vos données sont biaisées car vous n'avez regardé que la foule « gastronomique ».

Dans ce document :

La « foule gastronomique » = Les utilisateurs des plateformes d'IA (principalement des informaticiens, des employés de bureau et des professionnels avertis en technologie).
La « foule du fast-food » = Les chauffeurs de camion, les préparateurs de nourriture, les travailleurs du bâtiment et le personnel de service.
L'erreur : Les chercheurs utilisent les données « gastronomiques » pour tirer des conclusions sur « toute la ville » (l'ensemble de la main-d'œuvre).

Ce que les chercheurs ont découvert

Les auteurs ont mené une série de tests pour voir ce qui se passe lorsque vous changez la « source » de vos données. Voici leurs principales découvertes :

1. Les résultats s'inversent
Si vous utilisez des données provenant de Claude (Grand public), vous pourriez conclure que l'IA nuit à l'emploi dans certains métiers. Mais si vous passez aux données de Claude (Entreprise) ou de Microsoft Copilot, les résultats peuvent complètement s'inverser, suggérant que l'IA aide ou n'a aucun effet.

Analogie : C'est comme demander à un groupe d'amateurs de café si le café est bon pour la santé (ils disent oui), puis demander à un groupe de buveurs de thé si le café est bon pour la santé (ils disent non). Si vous mélangez les deux groupes ou passez de l'un à l'autre, votre réponse change radicalement, même si le « café » lui-même n'a pas changé.

2. Le « Qui » compte plus que le « Quoi »
Le document montre que le facteur le plus important modifiant les résultats n'est pas la capacité de l'IA, mais quels métiers l'utilisent.

Les métiers de l'informatique et des mathématiques ne représentent que 3,4 % de tous les emplois aux États-Unis, mais ils génèrent 32 % de toutes les conversations sur les plateformes d'IA grand public.
Les métiers de la préparation alimentaire représentent 8,8 % de tous les emplois aux États-Unis, mais ils ne génèrent que 0,7 % des conversations.
À retenir : Les données crient à propos des métiers qui sont déjà riches en technologie, tout en chuchotant à propos de ceux qui ne le sont pas.

3. La correction par « recalibrage »
Les auteurs ont développé une « correction » mathématique (comme un filtre) pour corriger ce biais. Ils ont pris les données de discussion de l'IA et les ont forcées à ressembler à la main-d'œuvre américaine réelle (en correspondant au nombre réel de chauffeurs de camion, d'infirmières et d'enseignants).

Le résultat : Lorsqu'ils ont appliqué cette correction, les prédictions effrayantes concernant la destruction d'emplois par l'IA ont régressé de manière spectaculaire (de 42 % à 93 %).
Analogie : C'est comme prendre une photo d'une pièce remplie de milliardaires, puis ajouter numériquement des milliers de personnes ordinaires à la photo. Soudain, la « richesse moyenne » de la pièce chute à un chiffre réaliste.

Pourquoi cela importe pour les politiques publiques

Le document met en garde contre le fait que si les gouvernements ou les entreprises utilisent ces journaux de discussion d'IA non corrigés pour décider qui a besoin de reconversion ou d'aide, ils commettront une erreur majeure.

Le plan actuel : Si vous suivez les données brutes, vous enverrez des milliards de dollars pour aider les informaticiens et les analystes financiers (car les données indiquent qu'ils sont ceux qui utilisent le plus l'IA).
La réalité : Vous pourriez ignorer les caissiers, les chauffeurs de camion et les préparateurs de nourriture. Ces groupes pourraient être à haut risque de perturbation par l'IA, mais parce qu'ils ne discutent pas encore avec des outils d'IA, les données indiquent qu'ils sont « en sécurité ».

La conclusion

Le document ne dit pas que l'IA ne transforme pas les emplois. Il dit que notre règle de mesure est brisée.

Les données de plateforme sont excellentes pour voir ce que l'IA peut faire et comment les personnes averties en technologie l'utilisent.
Les données de plateforme sont terribles pour prédire comment l'IA affectera le travailleur moyen car elles manquent les travailleurs qui n'utilisent pas encore les outils.

La solution : Les chercheurs et les décideurs politiques doivent cesser de traiter les journaux de discussion de l'IA comme un miroir parfait de la main-d'œuvre. Ils doivent « recalibrer » les données pour inclure les personnes qui ne sont pas sur la plateforme, sinon ils résoudront les mauvais problèmes pour les mauvaises personnes.

Résumé technique : Qui utilise l'IA ? Sélection de plateforme et mesure de l'exposition professionnelle à l'IA

1. Le problème : erreur de mesure non classique dans l'exposition dérivée des plateformes

La littérature empirique sur l'intelligence artificielle (IA) et les marchés du travail a de plus en plus évolué, passant de la mesure de la capacité potentielle de l'IA (par exemple, évaluations d'experts, correspondance de brevets) à la mesure de l'utilisation observée de l'IA via des journaux de conversation provenant de plateformes telles que Claude d'Anthropic, ChatGPT d'OpenAI et Microsoft Copilot. Bien que cela rapproche la mesure du comportement révélé, les auteurs soutiennent que ces journaux constituent un échantillon non probabiliste.

Le problème central est que les scores d'exposition dérivés des plateformes ( $E_{o,p}$ ) confondent deux composantes distinctes :

L'exposition professionnelle réelle ( $E_o$ ) : La part de l'ensemble des tâches d'une profession où l'IA peut se substituer au travailleur ou compléter son apport.
La sélection de plateforme ( $\psi_{o,p}$ ) : Le degré auquel une profession est surreprésentée ou sous-représentée dans la base d'utilisateurs de la plateforme par rapport à la main-d'œuvre générale.

Étant donné que la base d'utilisateurs des plateformes d'IA est systématiquement biaisée en faveur des professions à haut niveau de compétences et à haut salaire (par exemple, Informatique et Mathématiques) et au détriment des professions de service et manuelles, la mesure d'exposition qui en résulte hérite de ce biais de sélection. Les auteurs formalisent cela comme une erreur de mesure non classique, où le terme d'erreur est corrélé à la variable d'intérêt réelle. Par conséquent, les coefficients de régression utilisant ces mesures n'identifient pas l'élasticité structurelle de l'emploi à l'exposition à l'IA ; ils reflètent plutôt un mélange d'exposition réelle et de la composition professionnelle spécifique des utilisateurs de la plateforme.

2. Méthodologie

Cadre conceptuel

Les auteurs définissent le proxy dérivé de la plateforme comme suit :
$E_{o,p} = \psi_{o,p} E_o + \eta_{o,p} + u_{o,p}$
Où :

$\psi_{o,p}$ est le paramètre de sélection entre professions (rapport entre la part des conversations sur la plateforme et la part de l'emploi dans la main-d'œuvre).
$\eta_{o,p}$ est le résidu de sélection de tâches au sein de la profession (différences dans l'exécution des tâches conditionnelles à la présence sur la plateforme).
$u_{o,p}$ est un bruit classique.

Comme $\psi_{o,p}$ est observé (via les journaux de la plateforme et les parts d'emploi du Bureau of Labor Statistics), les auteurs proposent une procédure de repondération de la main-d'œuvre pour éliminer la composante entre professions :
$\tilde{E}_{o,p} = \frac{E_{o,p}}{\psi_{o,p}}$
Sous une condition d'ordre maintenue (selon laquelle la sélection au sein de la profession biaise les coefficients dans le même sens que la sélection entre professions), l'estimation de base et l'estimation repondérée définissent un intervalle d'identification partielle pour l'élasticité structurelle de l'emploi.

Conception empirique

L'étude utilise une spécification en différences de différences (DiD) sur un panel de l'American Community Survey (ACS) de 2015 à 2024, comprenant 13,1 millions d'observations personne-année au niveau de la classification professionnelle standard (SOC) à six chiffres.

Traitement : Interaction d'un indicateur post-2022 avec dix mesures d'exposition dérivées de différentes plateformes.
Variantes : Les dix mesures incluent :
- Trois variantes du composite de Massenkoff et McCrory (2026) (base, repondéré par la main-d'œuvre, et pondérations AEI de la vague 5).
- Cinq vagues de données de consommateurs de Claude.ai d'Anthropic (décembre 2024–février 2026).
- Deux vagues de données d'API d'entreprise d'Anthropic.
- Scores d'applicabilité de Microsoft Copilot (bruts et repondérés).
Contrôles : Démographie, état, année et effets fixes SOC à six chiffres.

Tests diagnostiques

Dispersion inter-plateformes : Estimation de la même spécification DiD avec différentes entrées de plateforme pour observer l'instabilité des coefficients.
Substitution de canal au sein du fournisseur : Comparaison des canaux consommateurs et d'entreprise d'un même fournisseur (Anthropic) pour isoler les effets de la composition de la base d'utilisateurs, en maintenant le modèle et la grille d'évaluation constants.
Études d'événements : Tests de tendances pré-traitement pour distinguer le biais de mesure de l'hétérogénéité réelle de l'effet du traitement.
Résultats inter-domaines : Analyse des corrélations entre les classements des plateformes et des résultats non liés au travail (par exemple, santé, éducation) pour démontrer que la visibilité sur les plateformes est corrélée au statut socioéconomique.

3. Résultats clés

Instabilité des coefficients

Le changement de l'entrée de plateforme uniquement, tout en maintenant la conception empirique fixe, entraîne une variation substantielle des effets sur l'emploi estimés :

Magnitude : Le coefficient d'emploi post-2022 varie d'un facteur de 1,9 à travers les dix variantes.
Inversion de signe : Au sein du même fournisseur (Anthropic), le passage du canal consommateur au canal d'entreprise inverse le signe du coefficient d'emploi à chaque version observée. Le canal consommateur produit des coefficients négatifs et significatifs, tandis que le canal d'entreprise produit des coefficients positifs et non significatifs.
Instabilité temporelle : Même au sein du même canal (consommateurs de Claude.ai), l'ampleur du coefficient change considérablement d'une vague à l'autre (par exemple, de -0,12 à -0,22 points de pourcentage) alors que la composition de la base d'utilisateurs évolue en raison des lancements de produits (par exemple, Claude Code).

Effet du repondérage

Le repondérage par la main-d'œuvre atténue considérablement les effets estimés, confirmant que les estimations de base sont largement pilotées par la sélection de plateforme :

Composite Anthropic : Le repondérage atténue le coefficient d'emploi de 93 %, le rendant statistiquement indiscernable de zéro.
Microsoft Copilot : Comme la base d'utilisateurs de Copilot est plus proche des démographies de la main-d'œuvre, le repondérage atténue le coefficient de 42 %, bien qu'il reste significatif.
Régression inter-professions : Dans la spécification de Massenkoff et McCrory (2026) reliant l'exposition aux projections d'emploi du BLS, le repondérage réduit l'association négative estimée de -0,70 à -0,38 point de pourcentage, impliquant que 45 % de l'ampleur publiée disparaît lorsque la composition de la plateforme est remplacée par la composition de la main-d'œuvre.

Bornes d'identification partielle

En utilisant les estimations de base et repondérées comme extrémités, les auteurs construisent un intervalle d'identification partielle pour l'élasticité structurelle de l'emploi. Pour le composite de Massenkoff et McCrory, l'intervalle suggère qu'une augmentation d'un écart-type de l'exposition est associée à un déclin projeté de la croissance de l'emploi décennal compris entre 0,38 et 0,70 point de pourcentage. La largeur de cet intervalle (0,32 point de pourcentage) représente la contribution de la sélection observable entre professions sur les plateformes.

Incidence distributionnelle

La visibilité sur les plateformes est fortement corrélée à l'avantage socioéconomique :

Les professions surreprésentées sur les plateformes (par exemple, Informatique et Mathématiques) ont des salaires et des niveaux d'éducation plus élevés.
Les professions sous-représentées (par exemple, Préparation des aliments, Transport) ont des salaires plus bas et des taux d'incapacité plus élevés.
Simulation politique : Un fonds hypothétique de 10 milliards de dollars pour la reconversion, alloué sur la base de l'exposition aux plateformes, dirigerait 39 % des fonds vers des professions à haut salaire et à haut niveau d'éducation que l'allocation pondérée par la main-d'œuvre n'identifierait pas comme exposées.

4. Contributions et signification

L'article apporte quatre contributions principales à la littérature :

Identification d'une erreur de mesure spécifique : Il formalise l'erreur de mesure non classique inhérente à l'exposition à l'IA dérivée des plateformes, montrant que l'erreur est sélectionnée sur la même structure de tâches au niveau de la profession que la mesure vise à capturer.
Diagnostics empiriques : Il fournit des preuves que la source de la plateforme, le canal de produit et la vague de publication modifient fondamentalement les coefficients en aval, même lorsque les designs de régression sont fixes.
Procédure de correction : Il introduit une procédure de repondérage par la main-d'œuvre et des bornes d'identification partielle qui convertissent cette instabilité en un composant estimable, permettant aux chercheurs de borner l'élasticité structurelle.
Analyse distributionnelle : Il démontre que la sélection de plateforme est corrélée aux salaires, à l'éducation et à l'avantage professionnel, impliquant que les classements d'exposition basés sur les journaux peuvent systématiquement sous-pondérer les populations économiquement vulnérables où le risque est moins visible dans les données de plateforme.

Revendications sur la signification

Les auteurs ne prétendent pas que les journaux de plateforme sont dépourvus d'information. Au contraire, ils soutiennent que les données de plateforme sont hautement informatives sur l'intensité des tâches parmi les utilisateurs actifs, mais moins informatives sur les non-utilisateurs, les travailleurs faiblement représentés sur la plateforme, et les tâches déplacées hors de la paire profession-plateforme observée.

L'article conclut que les mesures basées sur l'utilisation récupèrent plus directement l'augmentation parmi les utilisateurs observés que la substitution dans la main-d'œuvre. Pour les applications politiques (par exemple, reconversion, conseil de carrière), l'objet pertinent est l'exposition parmi la main-d'œuvre à risque, et non l'exposition parmi les utilisateurs actuels de la plateforme. Les auteurs préconisent que les travaux appliqués utilisant l'exposition dérivée des plateformes devraient :

Rendre compte des contreparties repondérées par la main-d'œuvre.
Tester la sensibilité à la source de la plateforme.
Distinguer entre la capacité des tâches, l'adoption par les travailleurs et l'utilisation conditionnelle à l'adoption.

Sans ces distinctions, la variation de l'exposition mesurée peut refléter les schémas d'adoption de la plateforme à travers les professions plutôt que la variation de l'applicabilité sous-jacente de l'IA.