Depuis quelques jours, un graphique circule partout. Un radar. Une immense tache bleue qui recouvre presque tout le disque, et au centre, une petite éclaboussure rouge, minuscule, presque timide. Le bleu, c’est ce que l’intelligence artificielle pourrait théoriquement faire de votre métier. Le rouge, c’est ce qu’elle fait réellement aujourd’hui.
Le message visuel est immédiat, viscéral, imparable : regardez tout cet espace vide. Regardez tout ce qui reste à conquérir.
Ce graphique vient d’un rapport publié par Anthropic, intitulé « Labor market impacts of AI: A new measure and early evidence » (Anthropic). Le rapport est sérieux, méthodologiquement honnête, et remarquablement humble sur ses propres limites. Le graphique, lui, mène une vie autonome. Il est devenu un objet viral, décontextualisé, partagé par des milliers de personnes qui n’ont jamais ouvert le papier.
Et voici ce qui me dérange : une entreprise qui vend de l’intelligence artificielle a publié, sur son propre site, une mesure de la part de l’économie que son propre produit pourrait couvrir, à partir de ses propres données d’usage. Peu importe la rigueur de la méthode. Structurellement, ce document est aussi un objet marketing.
Un graphique conçu pour être partagé
Regardez la forme. Un radar avec vingt et une catégories professionnelles. Une surface bleue énorme qui déborde vers Management, Business & finance, Computer & math, Legal, Office & admin. Une surface rouge concentrée au centre, qui atteint péniblement 0,33 sur son meilleur axe.
Cette composition raconte une histoire en une demi-seconde, sans texte, sans nuance, sans méthode. Elle fonctionne exactement comme fonctionne une bonne publicité : elle installe une conclusion avant que le cerveau analytique n’ait eu le temps de se réveiller.
Anthropic propose sa propre lecture, explicite : à mesure que les capacités progressent et que l’adoption se diffuse, la zone rouge grandira jusqu’à recouvrir la bleue. Le bleu devient ainsi le futur du rouge. Pas un conditionnel, pas une hypothèse. Une trajectoire.
Alberto Romero, dans The Algorithmic Bridge, propose l’interprétation symétrique, tout aussi défendable : l’écart entre le bleu et le rouge peut se lire comme un diagnostic des limites de l’IA, pas comme une promesse de croissance. Regardez à quel point le bleu est encore grand (The Algorithmic Bridge).
Même graphique. Deux récits opposés. Un seul des deux est imprimé dans l’image.
Ce que le bleu mesure vraiment
C’est ici que ça devient intéressant, et Valdis Gavars a fait le travail que presque personne n’a fait : lire le papier et remonter à la source du bleu (Valdis Gavars).
Le bleu ne vient pas d’Anthropic. Il vient d’une étude de chercheurs d’OpenAI publiée en 2023, Eloundou et al., « GPTs are GPTs » (arXiv). Leur définition de l’exposition : est-ce qu’un humain équipé d’un LLM réaliserait cette tâche en moitié moins de temps ?
Trois détails changent tout.
Premier détail : le score original était gradué. 1 si un LLM seul peut doubler la vitesse d’exécution, 0,5 s’il faut des outils ou des logiciels supplémentaires construits par-dessus, 0 sinon. Anthropic a écrasé cette gradation. Dans son annexe, tout score supérieur à zéro devient 1. Autrement dit, une tâche qui nécessiterait un logiciel qui n’existe pas encore compte exactement comme une tâche qu’un modèle traite déjà seul. Le bleu est gonflé par construction.
Deuxième détail : le modèle de référence. Les annotateurs devaient imaginer le LLM le plus puissant disponible au moment de l’étiquetage, avec une limite d’entrée de 2 000 mots et sans accès aux faits récents. Nous parlons de la famille GPT-3.5. Le bleu que vous partagez en 2026 décrit une capacité imaginée en 2023.
Troisième détail : personne n’a testé quoi que ce soit. Aucune tâche n’a été exécutée par un modèle pour vérifier. Des annotateurs humains et GPT-4 ont lu des descriptions de tâches issues de la base ONET du département du Travail américain, et ont porté un jugement (ONET OnLine). Les auteurs eux-mêmes reconnaissent la subjectivité de l’étiquetage et le fait que leurs annotateurs ne sont pas diversifiés professionnellement, ce qui peut biaiser leur jugement sur des métiers qu’ils connaissent mal.
Le bleu est donc une opinion, formulée en 2023, sur un modèle obsolète, avec un arrondi généreux, à propos de métiers que les évaluateurs ne pratiquent pas.
Ce que le rouge mesure vraiment
Le rouge est la contribution propre d’Anthropic, tirée des conversations Claude.ai et du trafic API en contexte professionnel, via l’Anthropic Economic Index (Anthropic Economic Index).
Deux remarques.
Le rouge ne mesure pas l’usage de l’IA. Il mesure l’usage de Claude. Un dirigeant qui regarde ce graphique croit voir une photographie du marché. Il voit la part de marché d’un fournisseur, sur une base d’utilisateurs qui n’a rien de représentatif de la population active.
Et le rouge est pondéré. Selon l’annexe, un usage purement augmentatif compte 0,5, un usage purement automatisé compte 1. Le rouge est donc tiré vers l’automatisation en production, pas vers la personne qui pose une question à son bureau. Deux surfaces, deux règles de comptage.
Le résultat que personne ne cite
Voici le passage le plus savoureux. Le rapport lui-même annonce, dès son ouverture, qu’il trouve peu de preuves d’un effet de l’IA sur l’emploi à ce jour.
Sur le chômage : le taux de chômage du groupe le plus exposé a légèrement augmenté, mais l’effet est indiscernable de zéro. Testé à tous les seuils, de la médiane au 95e percentile, l’impact est plat ou négatif. Le croisement avec les données d’assurance chômage du département du Travail donne 0,1 point de pourcentage, non significatif.
Le seul signal : une baisse de 14 % du taux d’embauche des 22-25 ans dans les métiers exposés. Les auteurs la qualifient eux-mêmes de tout juste statistiquement significative, avec plusieurs interprétations alternatives.
Le rapport rappelle même, dans son introduction, qu’une tentative célèbre de mesurer la délocalisabilité des emplois avait identifié un quart des emplois américains comme vulnérables, et qu’une décennie plus tard, la plupart affichaient une croissance saine.
Donc : le papier dit « nous ne mesurons pas d’effet ». Le graphique dit « tout va être recouvert ». Devinez lequel des deux a fait le tour de LinkedIn.
Quand le producteur de la mesure vend le produit mesuré
Il existe une littérature abondante sur ce phénomène, et elle ne vient pas de la tech. Elle vient de la médecine. La revue Cochrane a synthétisé des décennies de travaux sur l’effet du financement industriel : les études financées par l’industrie produisent plus souvent des résultats favorables au sponsor, et plus souvent des conclusions favorables, avec des ratios de risque de l’ordre de 1,27 et 1,34 (Cochrane).
Le point crucial de cette littérature : ce biais ne s’explique pas par les critères classiques d’évaluation de la qualité méthodologique. Il ne se loge pas dans une erreur de calcul. Il se loge dans le choix de la question posée, dans le cadrage, dans ce qu’on décide de mettre en avant, dans la figure qu’on place en page deux.
Personne n’a besoin de mentir. Il suffit de choisir quelle vérité rendre visuelle.
Et c’est exactement ce dont je parle dans mon livre, au chapitre 10 consacré au pilier communication, présentations et prises de décision. Une présentation efficace n’ajoute pas de faux chiffres. Elle organise les vrais dans un ordre qui produit une conclusion. Le graphique d’Anthropic est un cas d’école de storytelling appliqué à la donnée : une image, deux couleurs, une asymétrie, et un récit qui s’installe tout seul.
Pourquoi ça fonctionne si bien sur nous
Parce que nous sommes équipés pour tomber dedans.
Le biais d’autorité d’abord : le document vient d’un laboratoire d’IA de premier plan, avec des annexes, des équations, des références. La forme académique désarme la vigilance.
Le biais de confirmation ensuite : si vous êtes déjà convaincu que l’IA va tout transformer, le bleu vous donne raison. Si vous êtes déjà inquiet pour votre emploi, le bleu vous terrifie. Dans les deux cas, vous partagez.
La conformité sociale enfin : quand trois cents personnes de votre réseau ont partagé le graphique en vingt-quatre heures, le coût social de demander « au fait, le bleu, il mesure quoi exactement ? » devient élevé.
Je consacre une part importante du chapitre 6 de mon livre à ces biais cognitifs, parce qu’ils sont le premier obstacle à l’innovation. Un dirigeant qui construit sa stratégie IA sur un graphique viral prend une décision d’investissement sur la base d’une opinion émise en 2023 sur GPT-3.5. Le mécanisme est le même que celui qui fait acheter une solution parce que le concurrent l’a achetée.
Ce que ça change concrètement pour un dirigeant
Le graphique suggère un plan simple : le bleu est la cible, il faut combler l’écart, donc il faut déployer massivement.
Les chiffres de terrain racontent autre chose. Le rapport du MIT sur l’état de l’IA en entreprise a estimé que 95 % des projets pilotes d’IA générative ne produisent aucun impact mesurable sur le compte de résultat, et la cause identifiée n’est pas la qualité des modèles, mais l’écart d’apprentissage organisationnel (Fortune).
L’écart entre le bleu et le rouge n’est donc pas un espace à conquérir par la puissance de calcul. C’est un espace occupé par des processus, des habitudes, des peurs, des règles d’achat, des questions de confidentialité, et des collaborateurs qui se demandent d’abord si leur poste existera encore l’an prochain.
Dans mon livre, au chapitre 14 consacré à l’application du système intelligence innovationnelle® à l’intelligence artificielle, je décris précisément l’ordre des opérations : décider si l’IA influence votre vision, communiquer avant de déployer, constituer une équipe d’exploration multidisciplinaire, puis seulement déployer. Le cas de La Poste en janvier 2024, avec une stratégie IA définie en juillet 2023 et des agents mis devant le fait accompli six mois plus tard, illustre ce qui arrive quand on inverse cet ordre. Une grève, pas une courbe d’adoption.
Aucun graphique radar ne comblera cet écart à votre place.
Comment lire le prochain graphique avant de le partager
Trois questions, trente secondes, et vous éviterez de relayer une publicité en croyant relayer une mesure.
Qui produit la donnée, et que vend cette personne ? Ça ne disqualifie rien, ça calibre la lecture.
Que mesure exactement chaque couleur, et les deux couleurs sont-elles mesurées avec la même règle ? Ici, non. Un jugement humain de 2023 face à des logs d’usage de 2026, avec des pondérations différentes.
Que dit le texte que la figure ne dit pas ? Ici, le texte dit qu’aucun effet sur l’emploi n’est détecté. La figure dit l’inverse.
Le rapport d’Anthropic mérite d’être lu. Il est transparent sur sa méthode, prudent dans ses conclusions, et utile comme cadre de mesure. Le graphique qui en a été extrait mérite, lui, d’être traité pour ce qu’il est devenu : un support de communication d’une entreprise sur son propre marché potentiel.
Lisez le papier, pas le graphique.
Références
- (Anthropic) https://www.anthropic.com/research/labor-market-impacts?utm_source=philippeboulanger.com
- (Anthropic Economic Index) https://www.anthropic.com/economic-index?utm_source=philippeboulanger.com
- (arXiv) https://arxiv.org/abs/2303.10130?utm_source=philippeboulanger.com
- (O*NET OnLine) https://www.onetonline.org/?utm_source=philippeboulanger.com
- (The Algorithmic Bridge) https://www.thealgorithmicbridge.com/p/anthropics-new-ai-report-accidentally?utm_source=philippeboulanger.com
- (Valdis Gavars) https://gavars.dev/blog/everyone-sharing-the-chart/?utm_source=philippeboulanger.com
- (Cochrane) https://www.cochrane.org/evidence/MR000033_industry-sponsorship-and-research-outcome?utm_source=philippeboulanger.com
- (Fortune) https://fortune.com/2025/08/18/mit-report-95-percent-generative-ai-pilots-at-companies-failing-cfo/?utm_source=philippeboulanger.com
