À quel point les emplois britanniques sont-ils exposés à l’IA générative ? Plongée pédagogique (et un peu taquine) dans l’indice GAISI

Pourquoi ce papier retient l’attention

On parle d’IA générative comme d’un couteau suisse qui sait tout faire : rédiger, coder, résumer, classer, parfois même dessiner. Mais combien de temps ce couteau fait-il réellement gagner aux travailleurs, et dans quels métiers ? C’est précisément la question que se posent Golo Henseke et ses collègues dans How Exposed Are UK Jobs to Generative AI? Developing and Applying a Novel Task-Based Index. Leur réponse tient en un thermomètre très concret : le Generative AI Susceptibility Index (GAISI), un indice qui mesure, tâche par tâche, la part de votre travail où un modèle de langage (ou un outil alimenté par lui) peut réduire le temps d’exécution d’au moins 25 % par rapport aux outils déjà disponibles. Autrement dit : où l’IA ne se contente pas de faire joli, mais accélère vraiment la cadence.

L’intérêt est double : une méthodologie soignée qui colle au « vrai » travail (plutôt qu’à des intitulés de postes trop génériques) et une application à grande échelle sur les données britanniques récentes. Résultat : une photo nuancée de l’exposition à l’IA en 2023/24, bien plus fidèle que les grands titres alarmistes… ou triomphalistes.

La méthodologie utilisée

Acte 1 : considérer les métiers comme des paniers de tâches. Plutôt que d’étiqueter « développeur », « comptable » ou « assistante », les auteurs partent de ce que les gens font réellement dans leur journée. Ils utilisent les Skills and Employment Surveys britanniques (SES) : un questionnaire où chaque répondant décrit l’importance de dizaines d’activités concrètes (rédiger, planifier, corriger, chercher, etc.).

Acte 2 : demander à un LLM de jouer le jury des tâches. Pour chaque activité, un grand modèle (ici Gemini 1.5 Pro) estime, de façon probabiliste, l’ampleur de l’aide que l’IA peut apporter. Les tâches sont classées en quatre catégories : E1 (exposition directe via un chatbot), E2 (exposition via des intégrations/outils additionnels), E3 (exposition via des capacités multimodales comme la vision), et A0 (plutôt résilient). C’est la probabilité (pondérée par l’importance de la tâche dans le job) qui alimente l’indice.

Acte 3 : calculer un score individuel d’exposition. Le GAISI correspond alors à la part des activités d’un job où l’on anticipe au moins 25 % de gain de temps grâce à l’IA. Les auteurs montrent que l’indice est fiable (les classements sont robustes), pertinent (il colle aux capacités techniques de l’IA) et prédictif (un écart-type de GAISI augmente de 12 points la probabilité que les travailleurs déclarent déjà utiliser l’IA).

« GAISI mesure la part des activités d’un emploi où l’usage des LLMs, au-delà des outils existants, permettrait au moins 25 % de gain de temps. »

Ce que les chiffres racontent

Premier constat : l’exposition est quasi universelle mais rarement totale. Les auteurs estiment que 94 % des emplois au Royaume-Uni possèdent au moins une tâche où l’IA pourrait apporter un gain substantiel, mais seuls 13 % des emplois franchissent le seuil d’« haute exposition » (au moins la moitié des tâches). « Exposure falls sharply at higher thresholds: only 13% of jobs have 50% of tasks », écrivent-ils. L’IA s’immisce un peu partout, mais ne remplace pas d’un claquement de doigts la moitié des postes.

Deuxième constat : la moitié des tâches évaluées sont directement ou indirectement « aide-compatibles ». En moyenne, 25 % tombent dans E1 (assistance directe via un chatbot), 24 % en E2 (aide via intégrations/outils), et très peu en E3 (multimodal) – pour l’instant. Cela place beaucoup d’emplois dans une zone « moyenne » : l’IA fait gagner du temps par touches, comme un coéquipier pressé qui vous débarrasse des paragraphes rébarbatifs et des e-mails répétitifs, sans pour autant écrire votre roman ni tenir votre réunion à votre place.

Troisième constat, plus dérangeant : les signaux de marché du travail pointent vers un effet de déplacement. Les tâches fortement exposées paient moins qu’en 2017 : la « prime » associée à ces tâches est environ 12 % plus faible en 2023/24. Et les offres d’emploi dans les métiers très exposés baisseraient d’environ 5,5 % au T2 2025 comparé à un scénario où les tendances pré-ChatGPT auraient continué. Bref : pour l’instant, les effets de substitution semblent l’emporter sur les gains de productivité dans les recrutements.

Quatrième constat : la hausse de l’exposition depuis 2017 vient surtout d’un changement de composition des emplois, pas d’une transformation brutale des tâches à l’intérieur de chaque métier. Autrement dit, l’économie britannique s’est déplacée vers des professions où l’IA peut davantage aider, plus que les professions elles-mêmes ne se seraient métamorphosées.

Cinquième constat : les emplois les plus exposés sont souvent qualifiés et techniques (scientifiques, data, juridique, conseil…), ce qui tranche avec les dernières vagues d’automatisation qui ciblaient plutôt les tâches routinières et peu qualifiées. Là encore, on parle surtout d’augmentation (faire mieux/plus vite) mais avec des effets d’embauche déjà visibles.

Pour situer ce travail dans le panorama international, on peut rappeler que l’Organisation internationale du travail estime qu’un quart des travailleurs dans le monde sont dans des emplois avec une certaine exposition à l’IA générative, et qu’une petite minorité se situe au plus haut niveau d’exposition ; le Royaume-Uni n’est donc pas un cas isolé, même si ses dynamiques sectorielles lui sont propres.

Anatomie d’un indice : la méthode sans le jargon

Imaginez que votre emploi soit une pizza de tâches. Chaque part – « rédiger un rapport », « faire une requête SQL », « répondre aux clients », « préparer des slides » – a une taille différente selon votre semaine. Les auteurs demandent à un modèle de langage d’évaluer, part par part, la probabilité qu’un « copilote » IA vous fasse gagner au moins 25 % de temps au-delà des outils déjà installés (recherche web, correcteurs, scripts maison…).

Plutôt que de tout ou rien, le LLM produit des probabilités pour les classes E1/E2/E3/A0. Ces probabilités sont pondérées par l’importance des tâches que vous déclarez dans l’enquête SES. Additionnez, normalisez, et vous obtenez un GAISI individuel. Techniquement, les auteurs testent la fiabilité (stabilité des classements d’une passe à l’autre), la validité (cohérence avec d’autres mesures et avec l’usage réel de l’IA) et la capacité prédictive (corrélation avec l’adoption déclarée). Un résultat clé est parlants : +12 points de probabilité d’usage de l’IA par écart-type de GAISI.

On appréciera deux choix méthodologiques malins : d’abord, l’unité d’analyse est la tâche et non l’intitulé de poste (deux développeurs peuvent faire des choses très différentes) ; ensuite, l’effet IA est défini comme un gain marginal au-delà de ce que faisaient déjà Word, Excel, Git, Stack Overflow ou votre pipeline de build. Cela évite de confondre « nouvelle IA » et « vieille automatisation ».

Implications très concrètes (IA, dev, data… et même création de jeux)

Si vous travaillez dans la tech, la data ou le conseil, l’enseignement majeur est simple : l’IA va grignoter des morceaux de votre pizza, pas la boîte entière. Les morceaux que vous pouvez industrialiser – documentation, refactoring simple, tests génératifs, rédaction d’emails/synthèses, formats standardisés – sont des cibles E1/E2. Tant mieux : votre vitesse de croisière augmente. Mais côté marché, si tout le monde accélère sur ces segments, l’avantage prix de ces tâches tend à s’éroder (la fameuse prime qui baisse). D’où une stratégie rationnelle : déplacer votre valeur vers les parts moins « commoditisables » – exploration produit, architecture, sécurité, raisonnement systémique, relation client, arbitrage coûts/risques, et qualité au sens fort.

Pour les data scientists, GAISI sonne comme un rappel à l’ordre : l’IA générative accélère les tâches en amont et en aval (préparation de notes, prototypage d’EDA, rédaction de doc, communication), mais ne remplace ni l’esprit critique ni la gouvernance (data contracts, drift, tests, reproductibilité). La bataille à gagner : instrumenter ce qui est E1/E2 (notebooks « assistés », prompts paramétriques, gabarits d’analyses) et solidifier ce qui est A0 (métrologie métier, causalité, privacy).

Pour les développeurs, trois leviers pratiques : 1) décomposer vos user stories en unités « prompts-friendly » (petits modules où l’IA excelle) ; 2) outiller la révision (linters + revues assistées, règles codées comme tests) ; 3) mesurer le vrai gain de temps (avant/après) pour identifier les parties E2 qui méritent une intégration (par ex. génération de tests unitaires branchée à votre CI/CD).

Et si vous créez des jeux – même indés – l’indice donne une grille de lecture utile : la génération de quêtes, d’arbres de dialogue, de variations d’assets textuels et la modération des communautés sont typiquement E1/E2. Ce sont les pans où un « copilote narratif » peut accélérer sans détruire la patte artistique. À l’inverse, la boucle de gameplay, le level design système, le tuning fin, restent des terrains A0 ou E2 incertains : l’IA aide, mais le jugement humain fait la différence. Cartographiez vos tâches en GAISI maison, et choisissez où accélérer, où automatiser, et où surinvestir en craft.

Côté DRH/formation, la conclusion est presque logistique : prioriser les compétences qui s’additionnent à l’IA (prompting avancé, vérification, outillage, intégration) tout en revalorisant les compétences intraduisibles (négociation, sens du cadrage, sécurité, régulation, éthique opérationnelle). Si l’on suit les chiffres sur les offres d’emploi, ne misez pas tout sur les rôles qui ressemblent à des catalogues de tâches E1 ; privilégiez des parcours hybrides où l’IA augmente sans commoditiser.

Deux citations pour le relief

« Exposure falls sharply at higher thresholds: only 13% of jobs have 50% of tasks. » (autrement dit : la majorité vit une exposition moyenne, pas une tornade d’automatisation.)

« […] un système LLM peut réduire le temps d’exécution d’au moins 25 % au-delà des outils existants » – la définition même de GAISI, qui tranche le débat entre “cool demo” et vrai gain de productivité.

Limites et garde-fous (à garder en tête)

Bien sûr, l’indice reste un instrument de mesure, pas un oracle. Les évaluations sont faites par un LLM (certes prompté et validé), donc sensibles aux versions, à la rédaction des prompts, et au contexte ; de plus, l’intégration réelle dans les outils métier (ce qui fait passer de E2 « latent » à E1 opérationnel) dépend de décisions techniques et managériales hors du modèle. Les auteurs prennent ces points au sérieux : ils testent la robustesse, croisent avec l’usage déclaré, et comparent à des mesures d’exposition existantes – GAISI surperforme généralement. Mais cela n’empêche pas la diversité des métiers : la même étiquette « data analyst » peut cacher des pizzas très différentes.

Enfin, l’impact long terme sur l’emploi dépendra du rythme d’adoption, du coût des intégrations, du cadre réglementaire, et des complémentarités (compétences, outils, données). À court terme, les faits stylisés penchent vers moins d’embauches là où l’IA accélère beaucoup ; à moyen terme, les gains de productivité peuvent relancer la demande si de nouveaux produits/services émergent – un scénario très sensible aux choix d’investissement.

En guise de conclusion (avec clin d’œil)

Ce papier réussit un joli tour de force : transformer un débat souvent binaire (« l’IA détruit/augmente ») en cartographie fine et mesurable des tâches. Il nous rappelle que la bonne question n’est pas « mon métier va-t-il disparaître ? », mais « quelles parts de ma pizza gagneront 25 % de temps – et qu’est-ce que je fais de ce temps ? ». L’indice GAISI, en ce sens, est moins une alarme qu’un GPS : il vous indique où l’IA peut vous pousser et où investir votre craft pour rester rare et précieux.

Moralité : si l’IA est un super-coéquipier, donnez-lui les balles faciles… mais gardez les tirs décisifs. Votre prochain sprint – qu’il s’agisse d’un modèle de scoring, d’une refonte de pipeline, ou d’un niveau de jeu retors – vous dira vite si vous jouez avec l’IA… ou si vous la regardez marquer depuis le banc.

Références (sélection courte)

Henseke, G., Davies, R., Felstead, A., Gallie, D., Green, F., & Zhou, Y. (2025). How Exposed Are UK Jobs to Generative AI? Developing and Applying a Novel Task-Based Index. arXiv:2507.22748. Version consultée : v1 (30 juillet 2025) et v2 (13 août 2025). DOI : 10.48550/arXiv.2507.22748.
International Labour Organization (2025). Generative AI and Jobs: A Refined Global Index of Occupational Exposure. (Note de synthèse).