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

60 %. C'est le taux d'exposition à l'IA auquel font face les économistes — l'un des plus élevés parmi toutes les sciences sociales. Les économistes passent leur carrière à étudier comment les marchés répondent à la disruption technologique. Aujourd'hui, ils la vivent eux-mêmes. La profession qui modélise la destruction créatrice en fait l'expérience directement — et cette expérience apprend aux économistes quelque chose d'important sur leur propre travail qu'ils n'auraient pas appris de la théorie seule.

Les données : forte exposition, risque modéré

Nos données montrent que les économistes font face à une exposition globale à l'IA de 60 % et à un risque d'automatisation de 36 % [Estimation]. L'exposition est substantielle — supérieure à la plupart des sciences sociales — mais le risque est modéré par la nature intensive en jugement du conseil économique et le contexte institutionnel dans lequel travaillent la plupart des économistes professionnels.

L'analyse des données économiques et des tendances, la tâche quantitative fondamentale, se situe à 48 % d'automatisation [Estimation]. Ce chiffre peut sembler étonnamment faible compte tenu des capacités analytiques de l'IA, mais il reflète le fait que l'analyse des données économiques ne consiste pas seulement à exécuter des régressions. Elle implique de sélectionner le bon modèle pour la question, de nettoyer des données souvent désordonnées et incomplètes, d'aborder les problèmes d'identification par une conception de recherche intelligente, et d'interpréter les résultats dans le contexte d'une connaissance institutionnelle que l'IA n'a pas.

Les économistes du travail dans notre base de données montrent une exposition encore plus élevée : 58 % globalement avec 46 % de risque [Estimation], portée par la nature hautement quantitative de l'analyse du marché du travail et la disponibilité croissante de grands ensembles de données administratives et de données de trace numériques que l'apprentissage automatique excelle à traiter.

On dénombre environ 19 600 économistes aux États-Unis selon la classification formelle du BLS [Fait], avec un salaire médian de 113 940 $ [Fait]. Le Bureau of Labor Statistics projette une croissance de 6 % d'ici 2034 [Fait] — supérieure à la moyenne, reflétant une demande soutenue d'expertise économique dans les secteurs public et privé. Au-delà de la classification formelle, beaucoup plus de personnes titulaires d'un doctorat en économie travaillent dans le conseil, la finance, la technologie, la politique gouvernementale et le développement international.

Là où l'IA excelle en économie

L'IA transforme véritablement plusieurs domaines de la pratique économique.

Le nowcasting — utiliser des données en temps réel (transactions par carte de crédit, imagerie satellite, trafic web, consommation d'électricité, données de paie) pour estimer les conditions économiques actuelles plutôt que d'attendre les statistiques officielles — est un domaine où l'apprentissage automatique présente des avantages clairs par rapport aux méthodes économétriques traditionnelles. La Federal Reserve Bank de New York, le GDPNow de la Federal Reserve Bank d'Atlanta, le modèle de nowcasting de la Fed de Cleveland et les principaux prévisionnistes commerciaux utilisent tous des approches d'apprentissage automatique aux côtés des méthodes traditionnelles.

La prévision est un autre domaine de contribution significative de l'IA. Les réseaux de neurones et les méthodes d'ensemble peuvent traiter vastement plus de variables et détecter des relations non linéaires que les modèles traditionnels manquent. Des études comparatives récentes ont révélé que les approches d'apprentissage automatique égalent ou surpassent fréquemment les prévisions de consensus sur des cibles économiques courantes [Affirmation], bien qu'elles restent plus limitées sur de longs horizons ou pendant les changements de régime.

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'accélère considérablement avec les outils d'IA. La série de documents de travail du NBER, SSRN et autres dépôts contiennent des centaines de milliers d'articles d'économie. Les outils de résumé et de recherche IA ont transformé la façon dont les chercheurs naviguent dans cette littérature.

Le codage et la réplication sont également en transformation. Des assistants de codage IA comme GitHub Copilot ont rendu la mise en œuvre économétrique plus rapide. La réplication d'études publiées peut être partiellement automatisée. Le processus de révision des archives de données et de code de l'American Economic Association explore la vérification assistée par IA.

Pourquoi les économistes humains restent essentiels

Le jugement économique est fondamentalement différent du calcul économique. Considérez la politique monétaire : quand la Réserve fédérale décide des changements de taux d'intérêt, l'analyse des données est la partie facile. La partie difficile est de peser les risques concurrents (inflation versus chômage), de comprendre les mécanismes de transmission spécifiques à l'environnement économique actuel, d'anticiper comment les acteurs du marché réagiront au signal de politique, de communiquer la décision d'une manière qui gère les attentes, et de naviguer dans l'environnement politique qui contraint la politique monétaire indépendante.

Ce n'est pas du traitement de données — c'est du jugement sous incertitude avec des conséquences énormes. L'expérience de l'inflation 2022-2024 a montré comment même les outils de prévision sophistiqués ont manqué la persistance de l'inflation, comment les modèles d'IA ne pouvaient pas prédire les chocs d'approvisionnement post-pandémiques sans précédent combinés à la relance budgétaire combinée aux chocs énergétiques, et comment les économistes humains ont dû prendre des décisions difficiles avec des informations imparfaites.

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, ou quelle réforme de l'assurance chômage soutiendrait le mieux les travailleurs dans un marché du travail perturbé par l'IA — exige d'intégrer l'analyse technique avec la faisabilité politique, les préoccupations de distribution et les valeurs normatives. Ce ne sont pas des problèmes d'optimisation avec des fonctions objectifs claires.

L'inférence causale en économie est fondamentalement une entreprise humaine. La révolution de crédibilité qui a transformé l'économie empirique au cours des trois dernières décennies est construite sur des conceptions de recherche créatives — expériences naturelles, variables instrumentales, discontinuités de régression, différences en différences — qui exploitent des caractéristiques institutionnelles spécifiques pour identifier les effets causaux. L'IA peut mettre en œuvre ces conceptions une fois spécifiées, mais la conception elle-même exige une connaissance approfondie du cadre économique et une pensée créative sur la variation à exploiter.

Le fossé académique vs appliqué

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

Le marché de l'emploi PhD en économie reste brutal mais évolue. Les meilleurs départements produisent encore plus de diplômés qu'il ne peut en être placé dans des postes de recherche avec titularisation. Mais la demande de PhD en économie dans la technologie (Amazon, Google, Meta, Microsoft emploient tous des centaines d'économistes), dans la finance, dans le conseil (McKinsey, BCG, NERA, Charles River Associates, Cornerstone Research), et dans les banques centrales et les organisations internationales reste forte.

Les économistes appliqués dans le gouvernement, le conseil et le secteur privé font face à un déplacement moindre parce que leur travail est intrinsèquement intensif en jugement et axé sur le client. Expliquer l'analyse économique aux non-économistes, conseiller sur des décisions aux conséquences réelles, adapter les principes généraux à des contextes spécifiques et produire des analyses pouvant résister à un examen minutieux dans des procédures juridiques ou réglementaires exigent tous des compétences humaines que l'IA ne peut pas effectuer de manière fiable.

La demande dans le secteur technologique

L'expansion des « rôles d'économiste » dans les entreprises technologiques a été l'un des développements les plus frappants de la profession au cours de la dernière décennie. Amazon emploie des centaines d'économistes PhD travaillant sur la tarification, la conception de marchés, les systèmes de recommandation et les questions de marché du travail. Microsoft, Meta, Google, Uber, Airbnb et des dizaines d'autres entreprises ont des équipes de recherche économique.

La rémunération est souvent substantiellement supérieure aux salaires académiques — les économistes tech seniors gagnent fréquemment 300 000-500 000 $+ [Affirmation] en rémunération totale, avec des rôles de premier plan payant significativement plus. Le travail est intellectuellement exigeant et fréquemment publié dans les meilleures revues d'économie.

L'économie de l'IA : la sous-discipline la plus en vogue

L'analyse économique de l'IA elle-même est devenue l'un des domaines de recherche les plus actifs. Comment l'IA affectera-t-elle la productivité ? Les inégalités ? La dynamique du marché du travail ? Les rendements de l'éducation ? La concentration du pouvoir économique ? L'organisation industrielle de l'industrie de l'IA elle-même ?

Des économistes comme David Autor, Daron Acemoglu, Erik Brynjolfsson, Anton Korinek et des dizaines d'autres ont développé des programmes de recherche influents autour de ces questions. Le groupe de travail sur l'économie de l'IA du NBER, le Stanford Digital Economy Lab, le MIT IDE et des institutions similaires sont des centres d'activité concentrés.

Pour les économistes entrant dans la profession maintenant, l'économie de l'IA offre des opportunités convaincantes. Les questions sont importantes, les données sont abondantes et la pertinence politique est élevée.

Ce que les économistes devraient faire

Maîtrisez l'apprentissage automatique et la science des données comme outils analytiques. Les cours « ML pour économistes » qui ont proliféré dans les meilleurs départements reflètent un changement permanent des compétences requises. « Mostly Harmless Econometrics » est toujours une lecture essentielle, mais il se situe maintenant aux côtés du « Probabilistic Machine Learning » de Murphy.

Développez une expertise en économie de l'IA — l'analyse économique de l'impact de l'IA sur les marchés, le travail et les inégalités. C'est l'un des domaines les plus pertinents sur le plan politique de l'économie contemporaine et offre des parcours de carrière convaincants dans l'académie, le gouvernement et l'industrie.

Développez des compétences de communication et de conseil qui traduisent l'analyse économique en décisions exploitables. Les économistes les plus valorisés par les employeurs, les décideurs politiques et le public sont ceux capables de passer de la rigueur technique à la communication claire.

Poursuivez des spécialisations de sous-domaine où une connaissance institutionnelle approfondie accumule de la valeur : économie du travail (en particulier avec l'IA), organisation industrielle (en particulier les marchés de plateformes), économie publique, commerce international, politique monétaire ou économie environnementale. Ces spécialisations appliquées sont là où le jugement humain reste le plus précieux.

Investissez dans la connaissance institutionnelle et contextuelle qui rend le jugement économique précieux au-delà de la capacité analytique brute. Savoir comment un marché du travail particulier fonctionne réellement, comment une agence réglementaire prend ses décisions, comment un tribunal interprète les preuves économiques, ou comment une entreprise fonctionne réellement est le type d'expertise que l'IA ne peut pas facilement reproduire.

Pour des données détaillées incluant les économistes du travail, consultez la page dédiée aux économistes.

_Cette analyse a été produite avec l'assistance de l'IA, en s'appuyant sur les données du rapport Anthropic sur le marché du travail et les projections du Bureau of Labor Statistics._

À lire également : et les autres métiers ?

L'IA redéfinit de nombreuses professions :

• L'IA va-t-elle remplacer les géographes ?
• L'IA va-t-elle remplacer les philosophes ?
• L'IA va-t-elle remplacer les développeurs logiciels ?
• L'IA va-t-elle remplacer les infirmiers ?

_Explorez l'ensemble des 470+ analyses de professions sur notre blog._