Quels emplois l'IA peut-elle vraiment apprendre ? Un nouvel indice réécrit la liste des risques

Voici un chiffre qui devrait vous arrêter net : les deux principales méthodes utilisées par les chercheurs pour mesurer le risque d'IA sur l'emploi ne s'accordent que 15 % du temps sur les emplois qui comptent vraiment. Pas 95 %. Quinze. Depuis des années, les « listes de risque » d'automatisation que vous avez vues dans les gros titres classaient discrètement les mauvais métiers en tête — et une nouvelle étude vient de montrer exactement où elles se trompaient.

L'article, « What Jobs Can AI Learn? Measuring Exposure by Reinforcement Learning » de Philip Moreira Tomei et Bouke Klein Teeselink (mai 2026), introduit ce qui manquait au domaine. Plutôt que de demander « que peut faire l'IA aujourd'hui ? », il pose une question plus fine : « que peut-on entraîner l'IA à faire ? » Ce seul déplacement retourne la liste des risques — et si votre emploi y figure, vous méritez de savoir de quel côté vous tombez.

Le problème de chaque liste de risque IA que vous avez vue

La plupart des mesures d'exposition à l'IA — y compris les travaux largement cités d'Eloundou et al. derrière tant d'articles de presse — évaluent les emplois selon le recoupement entre les grands modèles de langage actuels et les tâches d'un métier. Cela paraît raisonnable jusqu'à ce qu'on remarque le défaut : [Fait] les grands modèles de langage sont entraînés principalement sur la prédiction de texte, ils paraissent donc « capables » pour tout ce qui ressemble à de l'écriture et « incapables » pour tout le reste.

Tomei et Klein Teeselink soutiennent que cela confond capacité actuelle et apprenabilité. Les systèmes d'IA modernes s'améliorent de plus en plus, non pas en lisant davantage de texte, mais par apprentissage par renforcement — en étant récompensés pour avoir atteint un objectif vérifiable, encore et encore, jusqu'à le maîtriser. La vraie question pour votre carrière n'est pas de savoir si un chatbot peut déjà faire votre travail. C'est de savoir si votre travail produit le genre de signal de retour clair et vérifiable qui permet à un système d'IA d'apprendre à le faire [Affirmation]. Ce sont des choses très différentes.

Comment fonctionne le RL Feasibility Index

Les chercheurs ont construit le RL Feasibility Index, ou RLFI, et l'ont appliqué aux 17 951 tâches O*NET réparties sur 894 métiers [Fait]. Chaque tâche passe d'abord par un filtre de faisabilité physique : si elle exige des mains, un corps, ou une présence dans le monde physique, elle obtient un score nul. Ce seul filtre annule 40,7 % de toutes les tâches — un rappel brutal de la part de travail qui vit encore hors d'un centre de données.

Les tâches qui survivent au filtre sont notées de un à dix sur huit dimensions liées à la capacité de l'apprentissage par renforcement à les maîtriser — principalement, si le succès est clairement vérifiable et si un signal de récompense existe. Les scores sont ramenés sur une échelle nette de 0 à 100 [Fait]. Les métiers en tête de liste sont peu glamour mais révélateurs : les saisisseurs de données à 71 %, les employés de correspondance à 69 %, et les correcteurs à 69 %. Tout en bas, avec un score nul, se trouvent les plongeurs de vaisselle, les tailleurs de pierre et les poseurs de sols — des métiers manuels que l'IA ne peut tout simplement pas atteindre.

La divergence qui change tout

C'est ici que l'étude prend toute sa valeur. Globalement, le RLFI se corrèle fortement — à 0,88 — avec l'ancienne mesure d'exposition d'Eloundou. Cela ressemble à un accord. Mais dès que l'on filtre pour ne garder que les emplois numériquement faisables, ceux où se joue la véritable bataille de l'automatisation, la corrélation s'effondre à 0,15 [Fait]. En clair : les deux indices s'accordent sur les emplois que l'IA ne peut pas toucher, et sont profondément en désaccord sur les emplois accessibles que l'IA peut apprendre.

Ce désaccord produit des résultats réellement contre-intuitifs. Prenez trois métiers que les anciennes mesures classent comme peu exposés, mais que le RLFI signale comme hautement apprenables : les opérateurs de centrales électriques, les conducteurs de trains et les superviseurs de manutention de fret aérien. Ce sont des rôles structurés, régis par des règles, fortement surveillés, où le succès est sans ambiguïté et où chaque action laisse une trace vérifiable — exactement les conditions dans lesquelles l'apprentissage par renforcement prospère. Si vous exploitez une salle de contrôle de centrale électrique, l'hypothèse confortable selon laquelle votre métier est « trop spécialisé pour l'IA » pourrait ne pas survivre à ces données [Estimation]. La structure des tâches qui met ces métiers à l'abri d'un chatbot prédicteur de texte est précisément ce qui les rend apprenables par un système guidé par la récompense. Vous pouvez consulter l'analyse complète sur nos pages opérateurs de centrales électriques et conducteurs de trains.

Retournez maintenant la situation. Les musiciens, les médecins et les responsables des sciences naturelles obtiennent des scores élevés sur les anciens indices d'exposition, mais faibles sur la faisabilité RL. Pourquoi ? Parce que leur véritable travail résiste à un signal de récompense propre [Affirmation]. Il n'existe pas de score simple et vérifiable pour une performance émouvante, un diagnostic correct dans l'ambiguïté, ou le jugement nécessaire pour diriger une équipe de recherche. Une IA peut générer une mélodie plausible ou un diagnostic à l'apparence plausible, mais « plausible » n'est pas la même chose que « vérifiablement correct », et l'apprentissage par renforcement a besoin de ce second critère pour progresser. Le tableau détaillé de ces métiers se trouve sur nos pages musiciens et responsables des sciences naturelles.

Qui se trouve vraiment dans le rayon d'impact

Le RLFI se superpose aussi nettement au salaire et à l'expérience, d'une manière qui devrait inquiéter surtout le milieu du marché du travail. [Fait] L'exposition RL suit une forme de bosse le long de la distribution des salaires — elle culmine non pas en bas ni en haut, mais dans les déciles moyens-supérieurs, les auteurs estimant qu'une hausse d'un point logarithmique de salaire est associée à une hausse de 12,2 points de faisabilité RL. Selon l'ancienneté, elle forme un U inversé, culminant en milieu de carrière [Affirmation]. Les postes de débutant et les postes de direction sont relativement plus en sécurité ; le professionnel solidement établi en milieu de carrière, dans un emploi structuré et mesurable, est le plus exposé.

Et ce n'est pas seulement de la théorie. Une analyse en différences de différences des offres d'emploi après la sortie de ChatGPT a révélé qu'une hausse d'un écart-type de l'exposition RL était associée à un recul de 2,9 % des offres d'emploi — bien que les auteurs prennent soin de signaler qu'il ne s'agit que d'une significativité marginale (p=0,085) [Estimation]. Le signal est précoce et bruité, mais il pointe dans la direction que prédit l'indice.

Ce que cela signifie pour votre carrière

Si vous ne retenez qu'une chose de cette recherche, que ce soit celle-ci : cessez de vous demander si l'IA peut faire votre travail aujourd'hui, et commencez à vous demander si votre travail génère un résultat propre, répétable et vérifiable. C'est la propriété dont se nourrit l'apprentissage par renforcement. Les emplois riches en jugement ambigu, en présence physique, ou en responsabilité qui ne peut se réduire à un score sont, contre toute intuition, les plus défendables.

Pour les travailleurs occupant des postes structurés et mesurables — saisie de données, gestion des dossiers, surveillance et régulation routinières —, le geste pratique consiste à s'appuyer sur les parties de votre travail qui sont ambiguës : la gestion des exceptions, la communication avec les parties prenantes, les décisions de jugement qu'aucune fonction de récompense ne capture proprement. Pour ceux qui occupent des rôles créatifs, cliniques ou de direction que les anciennes listes qualifiaient de très exposés, cette étude est un réconfort discret, mais pas un blanc-seing — la frontière du « vérifiable » continue de bouger.

La leçon la plus profonde concerne les listes elles-mêmes. Quand le prochain graphique viral « ces emplois seront automatisés » atterrira dans votre fil d'actualité, demandez-vous ce qu'il a réellement mesuré. S'il a évalué les emplois selon ce que l'IA peut faire aujourd'hui plutôt que ce que l'IA peut apprendre à faire, traitez son classement avec méfiance. Le risque le plus important pourrait bien être celui que les anciennes mesures n'ont jamais vu venir.

Sources

• Philip Moreira Tomei et Bouke Klein Teeselink, « What Jobs Can AI Learn? Measuring Exposure by Reinforcement Learning », arXiv:2605.02598 (mai 2026). https://arxiv.org/abs/2605.02598

Historique des mises à jour

• 2026-07-04 : Publication initiale analysant le RL Feasibility Index (RLFI) et sa divergence par rapport aux mesures d'exposition à l'IA fondées sur les LLM, sur 17 951 tâches O*NET.

---

Analyse assistée par IA. Cet article a été rédigé avec l'aide de l'IA et relu pour en vérifier l'exactitude par rapport à la source primaire citée. Les chiffres de risque par métier renvoient à nos pages de données détaillées, qui s'appuient sur les recherches d'Anthropic sur le marché du travail et sur les données de tâches ONET.*