L'IA va-t-elle remplacer les économistes ? La profession qui étudie la disruption se fait disrupter

Les économistes passent leur carrière à étudier la manière dont les marchés réagissent aux disruptions technologiques. Désormais, ils la vivent. La profession qui modélise la destruction créatrice en fait l'expérience directe.

Les données : exposition élevée, risque modéré

Nos données montrent que les économistes font face à une exposition globale à l'IA de 60 % et un risque d'automatisation de 36 sur 100. L'exposition est substantielle -- supérieure à la plupart des sciences sociales -- mais le risque est atténué par la nature intensive en jugement du conseil économique.

L'analyse des données et tendances économiques, la tâche quantitative centrale, se situe à 48 % d'automatisation. Ce chiffre peut sembler étonnamment bas vu les capacités analytiques de l'IA, mais il reflète le fait que l'analyse de données économiques ne se résume pas à faire des régressions -- il s'agit de sélectionner le bon modèle pour la question, de nettoyer des données souvent désordonnées et incomplètes, et d'interpréter les résultats dans le contexte de connaissances institutionnelles que l'IA ne possède pas.

Les économistes du travail dans notre base montrent une exposition encore plus élevée : 58 % avec un risque de 46/100, en raison de la nature hautement quantitative de l'analyse du marché du travail.

Il y a environ 19 600 économistes aux États-Unis, avec un salaire médian de 113 940 $. Le Bureau of Labor Statistics prévoit une croissance de 6 % jusqu'en 2034 -- supérieure à la moyenne, reflétant une demande soutenue en expertise économique dans les secteurs public et privé.

Là où l'IA excelle en économie

L'IA transforme véritablement plusieurs domaines de la pratique économique. Le nowcasting -- l'utilisation de données en temps réel (transactions par carte bancaire, imagerie satellite, trafic web) pour estimer les conditions économiques actuelles plutôt que d'attendre les statistiques officielles -- est un domaine où le machine learning a des avantages nets sur les méthodes économétriques traditionnelles.

La prévision est un autre domaine de contribution significative de l'IA. Les réseaux de neurones et les méthodes d'ensemble peuvent traiter bien plus de variables et détecter des relations non linéaires que les modèles traditionnels manquent. Certains systèmes de prévision IA surpassent déjà les économistes humains sur les prédictions à court terme du PIB, de l'inflation et de l'emploi.

La revue de littérature et la synthèse -- le processus laborieux de lecture de centaines d'articles pour comprendre l'état des connaissances sur un sujet -- s'accélèrent considérablement avec les outils IA.

Pourquoi les économistes humains restent essentiels

Le jugement économique est fondamentalement différent du calcul économique. Prenons la politique monétaire : quand la Réserve fédérale décide de modifier les taux d'intérêt, l'analyse des données est la partie facile. La difficulté réside dans la pondération des risques concurrents (inflation contre chômage), la compréhension des mécanismes de transmission spécifiques à l'environnement économique actuel, l'anticipation des réactions des acteurs du marché et la communication de la décision de manière à gérer les anticipations.

Ce n'est pas du traitement de données -- c'est du jugement en situation d'incertitude avec des conséquences énormes. Et cela nécessite une compréhension du contexte institutionnel, des contraintes politiques et des précédents historiques que l'IA ne peut reproduire.

De même, le conseil en politique économique -- dire à un gouvernement si un accord commercial proposé bénéficiera à ses travailleurs, ou comment concevoir une taxe carbone à la fois efficace et politiquement viable -- requiert l'intégration de l'analyse technique avec la faisabilité politique, les préoccupations distributives et les valeurs normatives.

Le clivage académique vs. appliqué

Les économistes académiques axés principalement sur l'analyse empirique font face au risque de disruption le plus élevé. La capacité à faire des régressions, la compétence qui a défini l'économie empirique pendant des décennies, est en voie de commoditisation. Les économistes qui prospéreront en milieu académique sont ceux qui posent des questions nouvelles, développent de nouveaux cadres théoriques, conçoivent des expériences naturelles ingénieuses et interprètent les résultats avec une connaissance institutionnelle profonde.

Les économistes appliqués dans les administrations, le conseil et le secteur privé font face à moins de déplacement car leur travail est intrinsèquement intensif en jugement et orienté client. Expliquer l'analyse économique aux non-économistes, conseiller sur des décisions aux conséquences réelles et adapter les principes généraux à des contextes spécifiques nécessitent des compétences humaines.

Ce que les économistes devraient faire

Maîtriser le machine learning et la science des données comme outils analytiques. Développer une expertise en économie de l'IA -- l'analyse économique de l'impact de l'IA sur les marchés, le travail et les inégalités. Renforcer les compétences de communication et de conseil qui traduisent l'analyse économique en décisions actionnables. Et investir dans les connaissances institutionnelles et contextuelles qui rendent le jugement économique précieux au-delà de la pure capacité analytique.

Pour des données détaillées incluant les économistes du travail, visitez la page métier des économistes.

Cette analyse a été générée avec l'assistance de l'IA, à partir des données du rapport Anthropic sur le marché du travail et des projections du Bureau of Labor Statistics.