Pistes de réinvention
| Métier | Domaine | Score pondéré | Salaire | Effectifs | Réinvention | Régulation |
|---|
De l'exposition à la perte d'emploi. L'adoption de l'IA s'accélère et transforme le travail, mais l'impact net sur l'emploi reste incertain. Cette timeline retrace les signaux observés en Suisse et en Europe entre 2022 et 2026, classés par niveau de preuve.
Usage des IA génératives en Suisse. Sources officielles suisses : OFS Enquête sur les technologies de l'information et de la communication (ICT 2024), KPMG Swiss AI Survey 2024 (n=500 entreprises CH), Digitalswitzerland Digital Switzerland Index 2025. Les données révèlent un effet générationnel marqué et une adoption rapide dans le secteur financier et les grandes entreprises.
| Source | Contenu | Année de publication | Licence |
|---|---|---|---|
| Sources officielles suisses — données de référence NP 2010 | |||
| NP 2010 · OFS | Nomenclature suisse des professions (NP 2010) : 394 groupes de professions compatibles ISCO-08 | 2010 (en vigueur) | Open Government Data OFS |
| ESPA 2024 · OFS | Enquête suisse sur la population active : effectifs réels par profession (NP 2010) et secteur économique | 2024 (T4) | Open Government Data OFS |
| ESS 2022 · OFS | Enquête suisse sur la structure des salaires : salaire médian mensuel (CHF) par profession et secteur | 2022 | Open Government Data OFS |
| SECO · Observatoire marché du travail | Besoins en main-d'œuvre, taux de tension et pénuries par secteur économique suisse | 2024 | Open Government Data |
| orientation.ch · CSFO/SDBB | Portail officiel suisse d'orientation professionnelle · 759 professions décrites avec intitulés officiels, formations, perfectionnements et débouchés. Référence pour les intitulés NP 2010 et les pistes de réinvention. | 2025 (mis à jour en continu) | Open Government Data (cantons + Confédération) |
| ISCO-08 · BIT / OFS | Classification internationale type des professions (4 chiffres), base NP 2010 | 2008 (révisé 2012) | BIT Genève / OFS |
| Sources clés v22-v27 — études récentes 2025-2026 (intégration prioritaire) | |||
| ★ Cortesi · Hasse · Müller-Daubermann · Gasser (UZH IKMZ + TUM Think Tank) · «Loved. Feared. And Here to Stay» · ai-dentities · 7 mai 2026 | ★ Première étude académique suisse sur les attitudes publiques face à l'IA générative, publiée par l'Université de Zurich (Institute of Communication and Media Research IKMZ) en partenariat avec la Technical University of Munich (TUM Think Tank) · 7 mai 2026 (T1 académique CH primaire). Méthodologie rigoureuse : n=1'000 répondants suisses 15-79 ans, terrain octobre 2025, panel en ligne pondéré aux statistiques OFS 2024 (jointures âge × éducation × genre, écarts résiduels 0.1-0.3pp). Couverture : DE-CH (n=733) + FR-CH (n=267), soit ~92% de la population suisse par région linguistique. Tessin/Italien non inclus dans cette vague (limite reconnue). Licence CC BY-SA 4.0. 3 résultats fondamentaux pour la Suisse : (1) L'inquiétude domine légèrement l'enthousiasme : 40% des Suisses sont plus inquiets qu'enthousiastes face à l'IA dans la vie quotidienne, contre 21% plus enthousiastes , l'humeur publique est plutôt prudente. 39% sont également inquiets et enthousiastes (ambivalence) , c'est le plus grand groupe individuel de l'enquête. (2) L'âge est la fracture la plus marquée : 61% des moins de 30 ans utilisent l'IAG souvent (6% jamais), contre seulement 13% des plus de 60 ans (52% jamais) , effet générationnel massif, cohérent avec AFDAS v44 (60% créateurs musicaux <35 ans). (3) Fracture régionale CH critique : les francophones sont plus inquiets (49% vs 37% germanophones, écart +12pp) et utilisent moins l'IAG (33% jamais en FR-CH vs 21% en DE-CH, écart +12pp). Ce gap d'environ 11 points apparaît systématiquement sur tous les indicateurs (usage et attitude) , un des résultats les plus robustes de l'enquête. Hypothèses : disponibilité différentielle des interfaces IA en français de qualité, différences sectorielles entre régions, différences culturelles dans l'adoption technologique. Comparaison internationale (Pew Research 2025, 25 pays) : la médiane mondiale est 34% inquiets · 42% ambivalents · 16% enthousiastes. Suisse 40% inquiets se situe modestement au-dessus de la médiane, mais aussi légèrement au-dessus en enthousiasme (21% vs 16%) , position d'«ambivalence accentuée mais équilibrée». Allemagne 29%, Suède 31% : la Suisse est plus proche du pattern sud-européen (Italie/Grèce parmi les plus inquiets) que nord-européen. Chine, Indonésie, Thaïlande à 76-80% enthousiastes (extrêmes). Trajectoire d'adoption Suisse : 19% utilisaient l'IAG souvent ou régulièrement en 2024 → 36% en 2025 (Latzer & Festic, World Internet Project Switzerland) , doublement en un an, cohérent avec Colombus v32 (industrialisation 21%→52% +31pp) et Microsoft WTI v41 (15× croissance agents M365). Genre , fait inattendu : les femmes utilisent l'IAG plus fréquemment que les hommes (40% vs 31% «souvent») et sont moins inquiètes (37% vs 44%). Ce «gap qui se ferme» (74% vs 71% en 2025 vs 47% vs 27% en 2023) est cohérent avec la diffusion technologique tardive qui rattrape ou inverse les écarts. Éducation : tertiaires 43% «souvent» et 31% inquiets · sans secondaire 34% «souvent» et 49% inquiets. Relation usage-attitude (donnée centrale du papier) : chez les non-utilisateurs, l'inquiétude domine massivement (81% inquiets, 1% enthousiastes). Chez les utilisateurs fréquents, le pattern s'inverse (45% enthousiastes, 16% inquiets). 50% des utilisateurs occasionnels sont ambivalents , «groupe au seuil», analytiquement crucial : sufficiently exposed to have formed a differentiated affective response, but not so immersed that the tension has resolved in either direction. Selon Rogers (2003), ce groupe est plus susceptible que les autres d'arrêter d'utiliser, particulièrement quand les sentiments sont mixtes. Concept clé pour le dashboard : le «Participation Gap» , les voix les plus inquiètes sont aussi celles avec le moins d'expérience directe. Cela ne signifie pas que leurs préoccupations sont invalides (Wynne 1992, Jasanoff 2005 sur la lay expertise), mais cela structure la conversation publique sur la gouvernance IA en faveur de ceux déjà familiers avec la technologie. Implication majeure pour les COMEX/CODIR/DRH suisses : les programmes de transformation IA doivent prendre au sérieux les inquiétudes structurelles (perte d'agence humaine, surveillance, déplacement cognitif), pas seulement les traiter comme des biais à corriger. L'ambivalence est un asset, pas un problème à résoudre , un public qui tient la complexité est mieux équipé pour des conversations de gouvernance nuancées. Cadres mentaux (analyse de métaphores) : «extension» (élargissement d'horizons) vs «remplacement» (externalisation du cerveau, Big Brother) sont les deux pôles. Le cadre mental détermine ce que la personne entend dans une communication sur l'IA , les rassurances abstraites sur le développement éthique ne fonctionneront pas sur quelqu'un dont la préoccupation principale est la perte d'agence humaine. Lecture pour le dashboard : cette étude apporte la première mesure académique CH des attitudes publiques, complémentaire aux 6 sources T1 existantes (DemoSCOPE v22 = sécurité emploi, AXA v30 = PME, KOF v31 = effets distributionnels, HSLU v31 = offres d'emploi, Colombus v32 = entreprises, Microsoft WTI v41 = mondial avec composante CH). 7e source T1 du dashboard, 6e source primaire CH, première qui mesure le rapport public à la technologie elle-même. | 7 mai 2026 · UZH IKMZ + TUM Think Tank · n=1'000 (DE-CH 733 + FR-CH 267) × 15-79 ans · pondéré OFS 2024 · panel en ligne, terrain octobre 2025 · CC BY-SA 4.0 | T1 |
| ★ Tomei & Klein Teeselink (AI Objectives Institute · King's College London) · «What Jobs Can AI Learn? Measuring Exposure by Reinforcement Learning» · Working paper 2026 (SSRN 6659746) · Données : github.com/boukektkcl/RL-exposure-public | ★ Source académique T1 (working paper 2026, données CC BY 4.0). Tomei (London) & Klein Teeselink construisent le Reinforcement Learning Feasibility Index sur l'ensemble O*NET US : 17'951 paires tâche-occupation × 894 métiers, scoré par Gemini 2.5 Flash via 8 dimensions (vérification, simulation environnement, observabilité d'état, variabilité, profondeur séquentielle, densité feedback, accessibilité outils, tangibilité output). Innovation conceptuelle : contrairement aux indices Eloundou/Felten qui mesurent la capacité LLM actuelle, cet index mesure la facilité à construire un environnement RL pour entraîner un modèle sur la tâche (RLHF, RLAIF, RLVR, process reward models). Plus une tâche est facile à embed dans une boucle RL (récompense bien définie, environnement simulable, outcomes vérifiables), plus elle est exposée aux gains de capacité futurs du post-training RL. Lecture Suisse : O*NET US directement transposable à la nomenclature NP 2010 suisse via FAP/ROME. L'index identifie les tâches code/data/analyse comme très RL-feasible (vérification déterministe, simulation cheap, GUI-API), tandis que les tâches de jugement professionnel contesté ou de relation humaine sont peu RL-feasible. Pour le marché du travail suisse, cela renforce la lecture Stanford WORKBank v23 (45% des métiers H3 partenariat équilibré) : les métiers à forte composante de jugement contesté (médecine clinique, conseil COMEX/CODIR, enseignement primaire) sont durablement protégés non par manque de capacité IA mais par difficulté à construire le signal d'apprentissage. Horizon 5 ans incluant AI-as-Judge, process reward models, génération de données synthétiques. Limitations : single LLM (Gemini), index relatif borné par les extrêmes 1-10, mesure upstream de l'adoption/changement organisationnel/politique. | 2026 · Tomei (AI Objectives Institute) & Klein Teeselink (AIOI + King's College London) · 17'951 tâches O*NET × 894 occupations · CC BY 4.0 (T1 académique, working paper) | T1 |
| ★ Microsoft AI Economy Institute · «Global AI Diffusion Q1 2026 Trends and Insights» · mai 2026 | ★ Source institutionnelle T1 (mai 2026, données primaires Microsoft télémétrie pondérée OS/internet/population). Métriques d'adoption mondiale IA générative par pays. Donnée majeure pour la Suisse : la CH est au rang 14 mondial à 37.8% d'adoption Q1 2026 (population 15-64 ans), en hausse de +3.0pp Q1 2026 et +5.4pp depuis H1 2025 (32.4%). Trajectoire H1 2025 → H2 2025 → Q1 2026 : 32.4% → 34.8% → 37.8%. La Suisse devance Canada (37.3%), Suède (36.1%), Autriche (34.1%), USA (31.3%), Allemagne (31.1%), Italie (30.2%). Reste en retrait de France (47.8%), Royaume-Uni (42.2%), Pays-Bas (42.1%), Belgique (39.0%), Israël (38.1%). Top mondial : UAE 70.1%, Singapour 63.4%, Norvège 48.6%, Irlande 48.4%, France 47.8%. Gap Global North/South qui s'élargit : 27.5% vs 15.4% (+12.1pp, en hausse de +9.8 à +10.6 à +12.1 sur 3 semestres). Asie en accélération : Corée du Sud +43%, Thaïlande +36%, Japon +34% depuis juin 2025, tirés par les capacités multilingues améliorées (MMLU japonais 50%→80% entre GPT-3.5 et GPT-4o). Implications coding : Git pushes mondiaux +78% YoY (Japon +129%) ; pull requests AI agents ×28 en 10 mois ; emploi développeurs US +8.5% en 2025 atteignant 2.2M (record historique), +4% YoY en mars 2026 — pattern de demande élastique qui réfute les thèses de remplacement immédiat. Lecture suisse : adoption à un rythme moyen-haut européen mais pas leader. La CH bénéficie partiellement des modèles multilingues améliorés (DE-CH bénéficie de l'amélioration allemande, IT-CH de l'italien, FR-CH du français qui est top-tier). Cohérent avec IKMZ UZH v48 (clivage CH-FR/CH-DE 11pts) qui suggère que la diffusion accélérée par les LLMs en français/allemand contribuera à réduire le clivage régional. | Mai 2026 · Microsoft AI Economy Institute · Télémétrie pondérée (OS/internet/population) · CH = rang 14 · 37.8% Q1 2026 · +5.4pp H1 2025 (T1 institutionnel données primaires) | T1 |
| ★ Gallup · «Rising AI Adoption Spurs Workforce Changes» · 13 avril 2026 | ★ Source institutionnelle T1 (Workforce Q1 2026, n=23'717 employés US, marge d'erreur ±0.9pp). Premier passage du seuil symbolique : 50% des employés US utilisent l'IA au moins quelques fois par an (vs 46% Q4 2025). 13% en usage quotidien, 28% plusieurs fois par semaine. 41% des organisations US ont adopté l'IA (+3pp vs Q4 2025). Disruption organisationnelle : 27% des employés dans les orgas IA-adopters disent que leur lieu de travail a changé de manière disruptive (vs 17% dans les orgas non-adopters). Workforce dynamics divergent : orgas IA-adopters sont à la fois plus likely d'embaucher (34% vs 28%) ET de licencier (23% vs 16%). Pour les très grandes orgas (10'000+) : les IA-adopters sont à 33% réduction vs 30% expansion (renversement vs petites orgas). 23% des employés en orgas IA-adopters pensent que leur job sera éliminé dans 5 ans (vs 18% total US). Productivité au niveau individuel mais pas systémique : 65% des employés en orgas IA-adopters disent que l'IA a amélioré leur productivité (16% «extrêmement positif»). Mais seulement ~10% disent que l'IA a fundamentalement transformé le travail dans leur organisation. Variation par rôle : 21% des leaders rapportent des gains «extrêmement positifs» vs 13% des individual contributors. Healthcare, technique/professionnel = early leaders. Service, admin support = peu/négatifs. Lecture suisse : bien que sondage US, données pertinentes pour CH (économies post-industrielles comparables). Avec CH à 37.8% adoption (Microsoft Q1 2026), le marché suisse est environ 1 an de retard sur le US 50%. Les profils dirigeants/leaders seront les principaux gagnants productivité, ce qui peut creuser les inégalités intra-firme — implication critique pour les COMEX/CODIR et fédérations professionnelles suisses qui doivent calibrer formation IA pour les rôles non-leadership. Le gap individuel→systémique (65% productivité indiv vs ~10% transformation systémique) confirme les conclusions BNS quarterly (effets dispersés et indirects sur l'économie globale CH) et Stanford WORKBank v23 (45% partenariat humain-IA). Méthodologie firm-level US-UK-DE-AU citée dans le rapport (Yotzov et al. NBER WP 34836 février 2026) : CEOs rapportent un effet minimal de l'IA sur la productivité ces 3 dernières années — paradoxe productivité Solow-IA confirmé. | Avril 2026 · Gallup WF Q1 · n=23'717 employés US · panel probabiliste · marge ±0.9pp · trimestriel (T1 institutionnel données primaires) | T1 |
| ★ Hartley, Jolevski, Melo & Moore · «The Labor Market Effects of Generative Artificial Intelligence» · Working paper · janvier 2026 | ★ Source académique T1 (working paper janvier 2026, SSRN 5136877). Hartley (Hoover/Stanford), Jolevski (Clemson), Melo (Northwestern), Moore (Mercatus/GMU). Sondage représentatif des travailleurs US sur l'adoption GenAI et les outcomes marché du travail. Trajectoire d'adoption : 30.1% (déc 2024) → 38.3% (déc 2025) , hausse de 8.2pp en un an. Le US est au top des économies avancées en adoption GenAI au travail. Profil des utilisateurs : jeunes, plus éduqués, hauts revenus, secteurs service client / marketing / IT. Résultats clés sur le marché du travail : (1) petits effets statistiquement significatifs positifs sur les salaires dans les occupations plus exposées depuis novembre 2022 (ChatGPT) ; (2) aucun effet significatif sur job openings ni sur emploi total dans les occupations exposées. Convergence avec Chandar 2025 (Digital Economy Lab) sur CPS : aucune baisse d'emploi/salaire aggregée, hétérogénéité par niveau d'éducation. Lecture suisse : US = leader mondial adoption avec ~38%, CH à 37.8% (Microsoft Q1 2026) suit de très près — résultats hartley directement transposables à la CH si elle suit la même trajectoire avec ~6-12 mois de retard. Implication majeure : malgré adoption massive, aucun signal de remplacement à grande échelle dans les données réelles d'emploi US — confirme la lecture Microsoft (developers +8.5% YoY), Gallup (50% adoption mais seulement 10% transformation), CBP UK v24, Mousa radiologie v24. Le pattern empirique mondial converge : adoption rapide → augmentation et task reallocation → pas de displacement aggregé. Cohérent avec Stanford WORKBank v23, BIS WP 1239 v29, OpinionWay/Kelio v27. Le speech du gouverneur Fed Barr (février 2026) cite explicitement cette source dans son analyse «long-run profoundly positive, short-run may deeply disrupt» — référence centrale dans le débat académique-policy actuel. | Janvier 2026 · Hartley (Hoover/Stanford) + Jolevski (Clemson) + Melo (Northwestern) + Moore (Mercatus/GMU) · SSRN 5136877 · n représentatif US workers · 38.3% adoption Dec 2025 (T1 académique working paper) | T1 |
| ★ Imas & Shukla (Chicago Booth + Harvard/BGI) · «How Will AI-driven Automation Actually Affect Jobs?» · mars 2026 | ★ Source académique T2 (essai vulgarisation rigoureuse 23 mars 2026, basée sur Gans & Goldfarb «O-Ring Automation» NBER WP 34639 décembre 2025). Imas (Chicago Booth) et Shukla (HBS / Burning Glass Institute) critiquent fondamentalement les indices d'exposition Eloundou/Felten/Webb et l'usage qui en est fait. Thèse centrale : «exposure» ≠ displacement. Deux variables manquantes critiques : (1) élasticité de la demande consommateur par secteur ; (2) dimensionnalité du job (nombre de tâches complémentaires). Modèle O-Ring (Kremer 1993) appliqué à l'IA : si tâches dans un job sont complémentaires (production multiplicative), automatiser certaines libère le temps du travailleur pour les autres → focus effect → productivité ↑ → salaires ↑. La condition : qualité automation > qualité manuelle initiale. Effet contrasté selon élasticité : demande élastique → plus d'embauches (Jevons paradox) ; demande inélastique → déplacement. Job dimensionality est la variable clé négligée : jobs faible dimensionnalité (truck driver, warehouse) = vrai risque de displacement total ; jobs forte dimensionnalité (consultant, médecin, professeur) = bénéficient via focus effect. Implication contre-intuitive majeure : les jobs très «exposés» selon Eloundou (management consultant 60-80%) peuvent en réalité voir leur productivité augmenter — tandis que les jobs faiblement «exposés» mais low-dimensional (chauffeur de camion, opérateur entrepôt) sont les vrais canaris dans la mine. Firms ont incentive plus fort à investir dans automation pour low-dim jobs (un investissement de $10M qui supprime le job entier vs un investissement qui ne supprime qu'une tâche sur 20). Prédiction abrupte : les jobs O-Ring vivront une phase d'augmentation prolongée puis un saut d'automatisation soudain quand toutes les tâches auront été automatisées séparément. Lecture Suisse — implications stratégiques : (1) logistique CH (220'000 emplois) et transport routier CH (47'000 chauffeurs poids lourd) = canaris dans la mine, à surveiller en priorité ; (2) knowledge workers CH (banque privée Genève, pharma Bâle, horlogerie Arc jurassien, conseil Zurich) = augmentation forte et durable ; (3) Hauri/SECO v30 «pénurie 300'000 travailleurs 2050» pourrait être réduite par 80'000 emplois logistique/transport automatisés tout en augmentant la pénurie sur high-dim knowledge jobs. Citation O-Ring : Gans & Goldfarb NBER WP 34639 «O-Ring Automation» · décembre 2025. | Mars 2026 · Imas (Chicago Booth) + Shukla (HBS/BGI) · Modèle O-Ring (Kremer 1993, Gans & Goldfarb NBER WP 34639 décembre 2025) · 218 likes Substack (T2 vulgarisation académique) | T2 |
| ★ Goldfarb (Rotman) · «Prediction Machines, O-Ring Tasks, and How AI is Reshaping Economics» · Justified Posteriors podcast · 4 mai 2026 | ★ Source académique T2 (interview podcast 4 mai 2026 avec Avi Goldfarb, Rotman Chair AI/Healthcare, U Toronto, co-auteur de «Prediction Machines» 2018). Justified Posteriors par Seth Benzell (Chapman) & Andrey Fradkin (BU). Mise à jour majeure du framework prédiction-jugement : Goldfarb concède que le chapitre central de Prediction Machines (idée n°2 : usages inattendus quand prédiction devient chère→cheap) a été sous-estimé. Le passage IA = drop in cost of prediction reste valide mais minoritaire dans la pratique post-ChatGPT. Augmentation vs automation revisité : ils ont co-écrit avec Brynjolfsson l'argument que la Turing Trap exagère le bénéfice du «complementing only» — l'augmentation purement complémentaire au early-21st-century a creusé les inégalités (abstract thinkers in tech bénéficient le plus). L'automation des tâches d'experts (médecine, droit, audit) pourrait aplatir les inégalités en permettant aux profils non-PhD de monter en compétence. Forecast 2030 Goldfarb (above-median bullish) : 0% slow, 50% moderate, 50% rapid sur le scénario AI progress. GDP croissance 2050 : 2.5-3% (consensus économistes), bottlenecks à découvrir. O-Ring tasks (Gans & Goldfarb NBER WP 34639) : tâches dans un job sont souvent complémentaires (pas substituables) ; automatiser une partie libère le temps humain pour les autres → re-allocation effort → wages up. Autor & Thompson «Expertise» (NBER WP 33941) : si IA automatise compétences rares → entrée + baisse salaires ; si automatise compétences communes → fewer workers + higher pay. Lecture suisse : Goldfarb soutient implicitement que la structure CH (formation duale, médecine HUG/Inselspital, finance UBS/CS, horlogerie Arc, RTS/SRG) bénéficie du modèle O-Ring car les jobs CH sont à forte dimensionnalité tâches (Service-relationship-heavy). La concentration de prise de décision (vendor judgment delegation) est un risque clé pour les COMEX/CODIR multinationaux suisses. Goldfarb met en garde contre la délégation aveugle aux fournisseurs IA : «when you choose a vendor, you are delegating your understanding of what matters to that vendor». Implication critique pour la gouvernance IA CH : avant de choisir un vendor, il faut savoir ce qui importe (KPI, valeurs), sinon le vendor convaincra l'organisation que ses outcomes sont les bons. Cohérent avec Colombus v32 (64% AI Act), BNS slow-burn v31, Microsoft WTI v41 (67% organisationnel vs 32% individuel). | Mai 2026 · Avi Goldfarb (Rotman/U Toronto) · interview Benzell (Chapman) + Fradkin (BU) · Justified Posteriors podcast · cite NBER WP 34639 «O-Ring Automation» et NBER WP 33941 «Expertise» (T2 podcast académique) | T2 |
| Cook · Forbes · «10 College Degrees AI Is Making Redundant Right Now» · 7 avril 2026 | Source presse T3 (article Forbes avril 2026 par Jodie Cook, perspective entrepreneuriale). Liste 10 diplômes universitaires qui perdent en valeur économique face à l'IA générative : (1) Generic business administration, (2) Basic marketing degrees, (3) Journalism and media studies, (4) Communications degrees, (5) Paralegal and pre-law tracks, (6) Basic computer science, (7) Accounting, (8) Finance, (9) Graphic design, (10) English literature (purely academic). Thèse : les universités ne mettent pas à jour leurs cursus assez rapidement face à la transformation IA. Chaque étudiant garde un chemin de réinvention possible mais doit savoir où la valeur a bougé. Lecture suisse : à contextualiser fortement car (1) système suisse de formation duale (apprentissage + écoles supérieures) protège mieux que système universitaire pur ; (2) les diplômes CH critiqués (HSG Business, HEC Lausanne, HEIG-VD informatique, journalisme MAZ Lucerne, ECAL design) ont des cursus appliqués différents de US ; (3) corroboration partielle empirique : Forbes pointe les mêmes domaines que AFDAS v44 sur les créatifs (graphic design = artistes visuels 42%), CBP UK v24 sur les programmers (mais ils ↑+18%), Mousa v24 sur la radiologie (paradoxe : pas de baisse). Implication critique : source à utiliser avec prudence , ce sont des diplômes moins exposés au remplacement total qu'à la nécessité de reconfiguration des compétences. Imas & Shukla v51 rappellent que ce sont des high-dimensional knowledge jobs qui bénéficient typiquement du focus effect O-Ring. Recommandation pour l'observatoire : ne pas surinterpréter cette source dans le sens du remplacement , l'utiliser pour signaler les besoins de mise à jour curriculaire des HES, universités CH et écoles privées (EU Business School Geneva, IMD Lausanne) plutôt que la disparition des diplômes. Cohérent avec Microsoft Q1 2026 (developers +8.5% YoY malgré exposure massive), AFDAS v44 (60% créateurs musicaux <35 ans utilisent IAG, pas remplacés mais reconfigurés). | 7 avril 2026 · Jodie Cook · Forbes · perspective entrepreneuriale (T3 médias/presse spécialisée) | T3 |
| ★ The Economist · «Is AI putting graduates out of work already?» · 13 mai 2026 (Techno-economics, Finance & economics) | ★ Source presse économique de référence T3 avec analyse de données originale (The Economist, Finance & Economics, 13 mai 2026, 3 min read). Article d'enquête synthétisant le débat sur l'IA et le marché du travail des jeunes diplômés US, avec analyse propre de données NACE (National Association of Colleges and Employers) sur 10 ans. Ouverture polémique : Kevin Hassett (conseiller White House) déclare le 11 mai 2026 : «There's no sign in the data that AI is costing anybody their job right now» , affirmation directement contestée par l'analyse de l'Economist. À une cérémonie de remise de diplômes en Floride, un orateur a été hué pour avoir mentionné l'IA. État du moral des diplômés US classe 2026 : moins de 1/5 pensent que c'est un bon moment pour trouver un emploi (le plus bas niveau depuis 2013, vs plus d'1/4 pour les Américains en général). Job postings sur Handshake (plateforme étudiants) à -50% du pic 2022. >50% des employeurs ont envisagé de remplacer des travailleurs entry-level par l'IA (sondage Harvard Kennedy School IOP). >50% des jeunes Américains voient l'IA comme une menace pour leurs perspectives d'emploi. État du débat académique recensé par l'article : (1) Brynjolfsson et al. (Stanford) 2025 : emploi dans métiers IA-exposés (software development) a chuté de 16% de plus que dans les domaines moins exposés ; (2) Iscenko & Curto Millet (Google) 2026 : contestent , job postings dans occupations IA-exposées ont chuté aussi fortement pour les seniors que pour les juniors, et la tendance prédate ChatGPT ; (3) Morgan Frank (University of Pittsburgh) : outcomes marché du travail détériorés pour IA-exposés, mais tendance également antérieure à ChatGPT. L'apport original de l'Economist (Chart 1 «Forget Python, study Plato») : analyse propre des données NACE 2015-2025 comparant outcomes par quintile d'exposition IA (méthodologie Anthropic). Entre 2022 et 2024 : diplômés du quintile le moins exposé (philosophy, education, civil engineering) ont vu leur taux d'emploi à temps plein chuter de seulement 1.5 points de pourcentage ; diplômés du quintile le plus exposé (computer science, computer engineering, information science) ont subi une chute de 6.6 points , écart de 5.1pp. Champs cités explicitement dans le scatter plot : Philosophy, Psychology, Journalism, Accounting (côté basse exposition) vs Computer science, Information sciences, Space engineering, Electrical engineering, Communications, Finance, Civil engineering (côté haute exposition). Chart 2 «Down from the Cloud» (mise à jour classe 2025, 13 universités) : taux d'emploi à temps plein des diplômés CS/Computer engineering/Computer & information sciences est passé de ~70% à 55% en 3 ans post-ChatGPT (stable avant 2022). Les étudiants changent déjà de filière : National Student Clearinghouse → inscriptions undergraduate en CS -11% en 2025, inscriptions en computer programming -26% (filière coding-skills focus). Transformation du métier CS : moins de code-écriture, plus de design/organisation de systèmes logiciels à haut niveau. Citation Lana Yarosh (Dir. undergraduate CS, U Minnesota) : «It's always hard when things change. But computer science is a field where everything changes all the time.» Conclusion de l'article : «If you are studying coding, we might have some bad news» (sous-titre). Le titre rhétorique «Is AI putting graduates out of work already?» reçoit une réponse empirique nuancée mais affirmative pour les filières CS et adjacentes. Lecture suisse — implications majeures : (1) Filières CH directement concernées : EPFL Informatique, ETHZ D-INFK, HSLU Informatik, HEIG-VD Informatique, BFH Informatik, HES-SO Informatique de gestion , ces cursus suivent un profil d'exposition IA similaire aux CS/CE US. Effectifs en jeu : ~3'500 diplômés CS/Informatique CH par an (EPFL ~400, ETH ~600, HES ~2'500). Si la trajectoire US se reproduit en CH (avec retard ~12 mois selon Microsoft AI Diffusion v55 CH 37.8% vs US 50%), la chute 70%→55% emploi temps plein pour les CS diplômés CH représenterait ~500 jeunes ingénieurs CS sans emploi temps plein par cohorte ; (2) Système suisse de formation duale comme bouclier partiel : contrairement au système universitaire pur US, les apprentissages CFC Informatique (~2'000/an) combinent codified ET tacit knowledge dès 15-16 ans, transmis par les ICT-Berufsbildung et formateurs en entreprise. C'est un avantage structurel face au «seniority cliff» (cf. Brynjolfsson : «AI isn't replacing experienced workers, it's replacing the training process that creates them»). Les apprentis CH acquièrent le tacit knowledge dès le début de carrière , protection partielle ; (3) Recommandation politique CH : SECO + cantons doivent maintenir et étendre les CFC/AFP Informatique face à l'érosion potentielle des cursus universitaires informatique purs. ICT-Berufsbildung Schweiz devrait calibrer ses programmes pour combiner coding ET architecture systèmes (cf. Lana Yarosh) ; (4) Inscription CS CH à surveiller dès 2026 : si Anuba/OFS détecte une baisse d'inscriptions CS dans les universités CH similaire au US -11%, c'est un indicateur précoce. Les conseillers d'orientation des cantons doivent intégrer ces données NACE/Economist dans leur conseil aux gymnasiens ; (5) Convergence avec dashboard : ce papier confirme et complète Forbes Cook v55 (basic CS dans les 10 diplômes perdants, mais avec données empiriques NACE robustes vs liste Forbes anecdotique), Hartley/Jolevski v55 (US adoption 38.3% mais effets emploi nuls aggregés , l'effet est concentré chez les jeunes diplômés), Tomei v56 (RL Feasibility Index high pour tâches code), Gallup v55 (gap leaders/IC sur productivité IA). Mais réfute : Microsoft Diffusion v55 (devs US +8.5% YoY 2.2M record) , l'augmentation totale d'emploi devs masque la chute concentrée sur les juniors et les nouveaux diplômés. Les deux sont compatibles si on accepte que les seniors devs augmentent fortement tandis que l'entry-level se contracte , ce que confirme Dallas Fed v55 (salaires CSD +16.7% vs +7.5% national). Source utilisée avec confiance car : (a) The Economist est presse économique de référence avec méthodologie analytique sérieuse ; (b) cite explicitement les sources académiques contradictoires ; (c) apporte une analyse de données originale (NACE 10 ans) ; (d) données empiriques (Handshake -50%, NSC inscriptions -11%/-26%) vérifiables. 3e source T3 médias spécialisés du dashboard (après Forbes Cook v55), 1ère avec analyse originale de données primaires. | 13 mai 2026 · The Economist Finance & Economics · Techno-economics · 3 min read · Analyse propre NACE 10 ans + 13 universités · Anthropic exposure index methodology · Convergence avec Brynjolfsson 16% gap, contestée par Iscenko/Curto Millet (Google) et Morgan Frank (Pittsburgh) · Mention Hassett (White House 11 mai 2026) (T3 presse économique de référence avec analyse de données originale) | T3 |
| ★ Lombard Odier · CIO Office Viewpoint · «The Intelligent Allocator — L'intelligence artificielle : la révolution est garantie, pas les rendements» · 22 avril 2026 (Michael Strobaek, Global CIO Private Bank + Clément Dumur, Portfolio Manager) | ★ Source institutionnelle suisse T2 (banque privée genevoise, perspective allocataire de capitaux). Note de conviction CIO Office Lombard Odier · 22 avril 2026 · Michael Strobaek (Global CIO Private Bank) et Clément Dumur (Portfolio Manager). Première analyse publique d'une banque privée suisse de référence sur l'IA avec recommandations d'allocation. Thèse centrale : «La technologie supprime des emplois, mais ne détruit pas le travail» (citation Commission Lyndon Johnson 1966). Données historiques convoquées : près de 60% des emplois américains actuels relèvent de professions qui n'existaient pas en 1940 (Autor MIT 2022) ; sur quatre révolutions industrielles, l'emploi total a augmenté de plus d'un milliard entre 1990 et 2020. Cas illustratifs : les distributeurs automatiques de billets (DAB) n'ont pas remplacé les guichetiers mais ont permis aux banques d'étendre leurs réseaux par réduction des coûts par agence ; les machines à laver n'ont pas supprimé les corvées mais libéré les femmes pour le marché du travail (5% épouses américaines travaillaient en 1900 vs ~60% en 2000) ; les chevaux de trait ont sextuplé en nombre durant l'expansion ferroviaire US par création de demande logistique du dernier kilomètre ; pic de la population chevaline anglaise en 1901, sept décennies après Liverpool-Manchester. Pour la révolution actuelle : Corée du Sud déploie plus de 100 robots industriels pour 1'000 ouvriers du secteur manufacturier et le chômage y est inférieur à 3% , réfutation empirique brutale des thèses de l'apocalypse robotique. Application du Turing Trap (Brynjolfsson 2022) : l'IA peut soit substituer le travail humain (perte sociale nette : un hôpital qui supprime un radiologue économise un salaire), soit l'augmenter (gains sociaux : un hôpital qui fournit à ses radiologues des outils d'IA interprète plus de scanners avec précision accrue). L'histoire montre que les gains les plus substantiels reviennent à ceux qui repensent les tâches en fonction de l'humain, et non à ceux qui éliminent ce dernier de la boucle. Excel n'a pas remplacé le comptable, il a démocratisé l'analyse de données. Analyse Schumpeter-Minsky : les technologies transformatrices remodèlent les économies mais distribuent la richesse de manière inégale. Cycle Minsky en 3 phases pour l'IA actuelle : (1) Microsoft, Alphabet, Amazon, Meta = financement couvert (CAPEX absorbé par cash flows libres) ; (2) «certaines stratégies d'IA à grande échelle» = financement spéculatif (dépendant de monétisation future) ; (3) start-ups valorisées à milliards avec peu de revenus = finance «Ponzi». Précédents historiques de mauvaise allocation : frénésie ferroviaire britannique 1840s , 71% capitalisation boursière en 1848, 263 nouvelles compagnies autorisées en 1846, 1/3 lignes jamais construites, cours divisé par 2 lors hausse taux ; boom automobile US , 1'900+ constructeurs au début, seulement 3 survivants ; Super Bowl 2000 , 17 entreprises Internet dépensent USD 2.2M chacune en publicités, plupart en faillite un an plus tard ; Concorde , technologie sans demande (marché cherchait moins cher, pas plus rapide) ; Bitcoin , solution en quête de problème ; keiretsu japonais 1990s , circularité où chaque entreprise du réseau finance les autres (parallèle inquiétant avec chaîne actuelle IA : fabricants puces → cloud providers → start-ups dont valorisation dépend des dépenses cloud). Demand wave selon Lombard Odier : baby-boomers + génération silencieuse détiennent USD 110 trillions de patrimoine US (deux tiers du total national) ; secteur santé/aide sociale US créera 2.3M emplois d'ici 2033 ; OMS prévoit pénurie de 10 millions de professionnels de santé d'ici 2030. Ce sont précisément ces rôles que l'IA aura du mal à remplacer. Conclusion stratégique : «les révolutions récompensent l'investisseur patient, diversifié et qui investit à contre-courant , presque jamais celui qui arrive dans les moments d'euphorie». Recommandations : diversification, sélectivité, attention aux opportunités structurelles. Lecture suisse — implications RH/COMEX/CODIR : (1) banques privées suisses comme Lombard Odier sont elles-mêmes O-Ring jobs (Imas/Shukla v55) avec tâches complémentaires entre relationship managers, analystes, opérateurs back-office , donc augmentation plutôt que remplacement, mais nécessité de redéfinir tâches ; (2) Pharma CH (Novartis, Roche Bâle), horlogerie CH (Arc jurassien), Skyguide sont des cas Turing Trap critiques , augmenter les ingénieurs/horlogers/contrôleurs aériens vs les remplacer ; (3) OMS prévision 10M pénurie professionnels santé 2030 directement pertinente pour Hauri/SECO v30 «pénurie 300'000 travailleurs CH 2050» , santé/social CH structurellement déficitaires, IA = solution partielle d'augmentation et non remplacement ; (4) Investisseurs suisses (caisses pensions LPP, family offices Zurich/Genève, UBS Wealth Management) : surinvestir en pure-play IA américain risqué car phase Minsky 2-3 , préférer diversification thématique avec santé, défense, énergie ; (5) Conseil aux clients privés suisses : éviter euphorie magnificent seven, privilégier structurel sur cyclique, attention à la circularité chaîne approvisionnement IA. 9e source T2 du dashboard, 2e source institutionnelle suisse genevoise après Colombus/Oracle/HEG v32 et 1ère source banque privée CH avec perspective allocation patrimoine. | 22 avril 2026 · Banque Lombard Odier & Cie SA · CIO Office Viewpoint · Michael Strobaek (Global CIO Private Bank) + Clément Dumur (Portfolio Manager) · ~3'600 mots · note de conviction perspectives d'investissement (T2 institutionnel banque privée CH) | T2 |
| ★ The Economist · Leader éditorial · «Prepare for an AI jobs apocalypse» · 14 mai 2026 (lendemain du Finance & Economics du 13 mai) | ★ Source presse économique de référence T3 (The Economist Leader éditorial, 14 mai 2026). Position éditoriale officielle de The Economist publiée le lendemain de l'analyse Finance & Economics (13 mai 2026 v57). Ce Leader marque un tournant éditorial significatif : The Economist passe de la position prudente de 2025 («Why AI hasn't taken your job») à une position de précaution active («Prepare for an AI jobs apocalypse»). Contexte du tournant : The Economist accumule sur 12 mois les évidences empiriques convergentes , Brynjolfsson Stanford Canaries révisé à 16% novembre 2025, Stanford SIEPR Summit mars 2026 (Brynjolfsson «we're going to see much more striking effects» si la tendance continue), Klein Teeselink réplication LinkedIn, Hartley/Jolevski SSRN 5136877, Dallas Fed CSD salaires +16.7%, Anthropic Economic Index Massenkoff/McCrory «Great Recession white-collar» projection. Position éditoriale : appel aux gouvernements à se préparer à une potentielle apocalypse de l'emploi blanc-col, indépendamment de l'incertitude empirique persistante. Logique précautionnelle de type pascal-wager : le coût social de la non-préparation excède le coût de la préparation, donc préparer même si incertain. Données empiriques convergentes citées (probablement) : -16% emploi 22-25 ans IA-exposés (Brynjolfsson Canaries) ; -6.6pp emploi temps plein quintile exposé NACE (Economist 13 mai) ; CS US 70%→55% emploi temps plein 3 ans ; CS inscriptions -11% NSC 2025 ; <1/5 graduates US optimistes ; Handshake -50% ; Anthropic Index «Great Recession white-collar» 3%→6% potentiel ; SIEPR Summit «government not putting in place infrastructure we need». Recommandations politiques probables : (1) investir dans infrastructure de transition rapide (training programs, real-time labor market data) ; (2) renforcer le filet social pour les travailleurs déplacés (chômage extended, allocations transition) ; (3) éducation supérieure , reconfiguration curriculaire urgente face à -6.6pp quintile exposé ; (4) recherche/données , combler le gap statistique entre observation micro et signal macro ; (5) anticiper effet «seniority cliff» Brynjolfsson (pipeline talents future cassé). Comparaison de l'effet «leader Economist» : historiquement, lorsque The Economist publie un Leader sur un sujet économique majeur, la position devient référence pour les central bankers (BNS, BCE, Fed), think tanks (KOF/ETH, IMF, OECD) et leaders politiques , effet de cascade éditorial. Le Leader du 14 mai 2026 a probablement un effet d'amplification du débat académique vers la sphère policy. Lecture suisse — implications politiques majeures : (1) BNS et SECO doivent reprendre la position Lombard Odier v58 (LO «révolution garantie mais pas rendements») en clarifiant que la précaution n'est pas alarmisme , préparation infrastructurelle pré-empte les chocs ; (2) Cantons et Confédération doivent accélérer les programmes de transition (CFC/AFP Informatique, formations continues, retraining adulte) , même si l'incertitude empirique persiste, le coût de non-préparation > coût de préparation ; (3) USS/Travail.Suisse/syndicats doivent reprendre la lecture Cartographie Obvia v58 (44% utilisateurs quotidiens gain productivité seulement, 17% charge alourdie, 18% peur remplacement) pour calibrer leurs revendications , conventions collectives doivent intégrer clauses IA explicites ; (4) Banques privées CH doivent communiquer à leurs clients la position Lombard Odier (Minsky 3 phases, diversification, contre-cyclique) , l'apocalypse Economist Leader ne signifie pas désinvestissement IA mais discipline allocation ; (5) Écoles polytechniques et HES doivent traiter la position Economist Leader comme un appel à reconfigurer les curricula vers «AI Apprenticeships» / «Superagency» (cf. v57 Economist 13 mai) plutôt que vers le maintien des cursus traditionnels. Convergence avec dashboard : Stanford WORKBank v23, ITDF Elon v23, BIS WP 1239 v29, Anthropic Index v55, Brynjolfsson 16% v57, IKMZ UZH v48 (40% Suisses inquiets , position éditoriale Economist confirme prudence helvétique). 4e source T3 médias spécialisés du dashboard, 1ère explicitement Leader éditorial (vs article d'analyse) , signal de tournant policy global. | 14 mai 2026 · The Economist Leader · éditorial publié au lendemain de l'analyse Finance & Economics 13 mai 2026 v57 · tournant éditorial de la prudence 2025 vers la précaution active 2026 · logique pascal-wager (T3 presse économique de référence, niveau éditorial = position institutionnelle) | T3 |
| ★ Parent Rocheleau, Pasquier, Garneau, De Broux, Michaud · Obvia + CRIMT · «Cartographie de l'IA au travail : présence, usages et enjeux. Résultats d'une grande enquête dans les milieux syndiqués québécois» · avril 2026 | ★ Source académique T1 (Observatoire international sur les impacts sociaux de l'IA et du numérique Obvia + CRIMT, avril 2026). Auteurs : Xavier Parent Rocheleau (HEC Montréal), Vincent Pasquier, Julie (M.É) Garneau, Christophe De Broux, Jonathan Michaud. Méthodologie : sondage en ligne Qualtrics printemps-automne 2025 · distribution en cascade par syndicats partenaires · n=4'595 répondants admissibles, syndiqués québécois · approbations éthique HEC Montréal + UQO · participation volontaire et anonyme · 1'100 commentaires écrits analysés Nvivo 15. 3 objectifs : (1) cartographier la présence de l'IA telle que vécue par les travailleurs syndiqués québécois ; (2) évaluer les répercussions sur leur travail ; (3) examiner leurs perceptions du déploiement de l'IA dans leurs organisations. Résultats clés cartographie présence : 59% utilisent l'IA personnellement mais seulement 41% se disent exposés à l'IA et 21% ne savent pas , paradoxe usage/exposition. 57% sont exposés à l'IA générative (vs 6% reconnaissance faciale, 5% reconnaissance vocale, 10% automatisation processus). Exposition à la gestion algorithmique (n=4595) : 30% métiers manuels/industriels · 23% techniciens/personnel soutien · 17% travailleurs services/vente · 12% professionnels , inversement corrélé au niveau hiérarchique. Variation sectorielle : éducation supérieure et recherche 78% exposés · télécommunications/culture 51% · services 60% · santé 30% · petite enfance 25%. Résultats répercussions travail : Productivité — mythe à revisiter : seulement 44% des utilisateurs quotidiens rapportent des gains de productivité, 26% déclarent une perte d'efficacité. La perception de gagner en productivité croît avec le niveau de diplôme : 55% diplômés cycles universitaires supérieurs vs 22% seulement diplômés du secondaire , retombées socialement différenciées. Charge de travail : 46% diminuée, 17% alourdie, 37% inchangée. Éducation supérieure/recherche = secteur le plus alourdi. Stress : 27% augmenté, 44% inchangé, 28% diminué , effet quasi-symétrique. Ligne de fracture : moins de 35 ans + diplômés universitaires + professionnels = stress réduit ; 55 ans et plus + diplômés secondaire + techniques/soutien = stress augmenté. Insécurité d'emploi : 18% craignent le remplacement par l'IA , paradoxe : industrie et faiblement diplômés expriment cette peur, alors que les études prospectives prédisent plutôt métiers de bureau et qualifiés menacés. Résultats déploiement : Formation/littératie : offre formation IA inexistante ou inconnue tous secteurs confondus (moyenne 57% peu/pas de formation, 79% éducation, 73% éducation supérieure) ; plus de 60% littératie IA faible ou moyenne ; 36% incapables d'évaluer qualité des contenus produits par IA ; pourtant 70% se disent responsables en cas d'erreur IA. Gouvernance : moins de 1 personne sur 5 affirme que son organisation a une politique IA ; 50% ignorent si une politique existe ; 66% n'en connaissent pas la teneur quand elle existe. Confiance : seulement 14% font totalement confiance aux systèmes IA ; 38% méfient des employeurs sur IA vs 35% confiance ; confiance très faible secteurs public/parapublic (70%), petite enfance (68%), industrie (73%). Action syndicale : à peine plus d'un tiers s'estime bien représenté par syndicat ; 51% disent syndicat pas impliqué dans décisions IA. Mais leviers efficaces : formation, autonomie d'usage, gouvernance participative, encadrement et actions syndicales sont associés à perceptions plus positives. 12 recommandations : 4 syndicats (dialogue social, négocier conditions, sensibilisation, politiques publiques), 4 employeurs (impliquer travailleurs, soutenir le travail vs contrôler, encadrer IA, investir formation), 4 décideurs publics (cadres juridiques, formation publique, soutien organisations, dialogue tripartite). Lecture Suisse — adaptation directe : (1) Système syndical CH transposable : Unia, Syna, USS, Travail.Suisse jouent le rôle des syndicats québécois , conventions collectives CH (CCT) doivent intégrer clauses IA explicites (gestion algorithmique, surveillance, formation, autonomie) , voir Suva/SECO pour santé/sécurité ; (2) Paradoxe productivité 44% confirmé CH : cohérent avec Gallup v55 «10% transformation systémique» et BNS slow-burn v31 , les COMEX/CODIR CH ne doivent PAS surestimer les gains macro à court terme ; (3) Inégalité éducation 22%/55% CH directe : les apprentis CFC (diplôme secondaire pro) et HES (diplôme tertiaire pro) sont au cœur de la fracture identifiée , ICT-Berufsbildung Schweiz, OFPC, DGES Vaud doivent calibrer offres de formation IA spécifiquement par niveau de diplôme ; (4) Peur remplacement 18% paradoxe : en CH, l'industrie (~600'000 emplois selon OFS) et les diplômés CFC expriment plus de peur que les diplômés universitaires , alors que les études prospectives v23-v57 indiquent l'inverse. Gap perception/réalité à combler par communication SECO + USS + cantons ; (5) Confiance 14% IA + 38% méfiance employeur : en CH, contexte syndicalisation moindre que Québec (~22% taux syndicalisation CH vs 36% Québec) mais culture de partenariat social fort , les comités d'entreprise et représentants du personnel CH doivent jouer rôle équivalent aux syndicats québécois pour gouvernance IA ; (6) Manque politique organisationnelle 80% : les COMEX/CODIR CH doivent élaborer politiques IA explicites , -charte IA, ligne de gestion, escalation, oversight humain , même argument que Goldfarb v55 (vendor delegation) et Microsoft WTI v41 (Transformation Paradox). 9e source T1 du dashboard, 1ère source académique salariés syndiqués francophone (vs DemoSCOPE/Angestellte v22 salariés suisses tous secteurs, IKMZ UZH v48 grand public CH). | Avril 2026 · Parent Rocheleau (HEC Montréal) + Pasquier + Garneau + De Broux + Michaud · Obvia (Observatoire international) + CRIMT (Centre de recherche interuniversitaire) · n=4'595 syndiqués québécois · sondage en ligne Qualtrics printemps-automne 2025 · approbations éthique HEC + UQO · 56 pages · 47 figures · 12 recommandations · 1'100 commentaires Nvivo 15 (T1 académique grand public salariés syndiqués) | T1 |
| ★ AFDAS · Amnyos · ROSA Futures · «Impact de l'IA générative sur les créatifs indépendants du spectacle vivant et de l'audiovisuel» · avril 2026 | ★ Étude sectorielle AFDAS publiée 7 avril 2026 (T2 institutionnel sectoriel, France · transposable Suisse). Réalisée par Amnyos et ROSA Futures dans le cadre de l'EDEC intersectoriel de l'AFDAS. Méthodologie qualitative-quantitative : 38 entretiens individuels avec créatifs indépendants et organismes professionnels couvrant 13 métiers de l'audiovisuel et du spectacle vivant. Terrain août 2025-février 2026. Lecture Suisse : bien que franco-centrée, cette étude se transpose largement au contexte suisse (festivals importants en CH : Locarno, Visions du Réel, Festspiele, ZFF · diffuseurs : SRG SSR, RTS · gestion collective : SUISA équivalent SACEM · institutions : Pro Helvetia, OFC). Le statut FR d'intermittent/CDDU diffère du statut indépendant CH (AVS volontaire, sans assurance chômage), mais la précarité et l'exposition aux cycles économiques sont comparables. Adoption massive et différenciée des outils IAG depuis 2023 : 37% des auteurs et traducteurs ont déjà utilisé des outils d'IAG (texte, image, son, vidéo), 42% des artistes visuels, et 60% des créateurs musicaux de moins de 35 ans les intègrent dans leurs pratiques — fort effet générationnel marqué. Effets économiques contrastés : sur les commandes : baisse des prix et des volumes sur certaines prestations standardisées (traduction simple, illustration de commande, contenus formatés courts). Les créations à forte valeur artistique résistent mieux et peuvent tirer parti de l'IA comme outil d'appui. Évolution vers les logiques de curation et de supervision des contenus générés, avec en perspective des effets possibles sur l'emploi, notamment pour les postes juniors. Hybridation des compétences entre profils créatifs et techniques · émergence de nouveaux métiers spécialisés (prompt engineering, AI curation, modération qualité IA). Adoption hétérogène : près d'un tiers des établissements n'affichent pas encore d'intégration IA, signe d'un secteur en phase d'ajustement. Seuls 8,2% des personnes formées en 2023 par l'AFDAS aux enjeux/outils IA faisaient partie du secteur audiovisuel — gap de formation important. Marché parallèle : 60'000 titres IA mis en ligne par jour sur plateformes streaming (~39% de la musique publiée en ligne en avril 2026 selon SACEM/MuziSecur). Cadre réglementaire : AI Act européen en application 2026 (Suisse non-UE mais aligne par export, comme confirmé par Colombus/Oracle/HEG v32 : 64% ambitionnent AI Act). SACEM opt-out sur 96M d'œuvres depuis octobre 2023, équivalent SUISA en cours. Verdict tribunal Munich 2025 (mémorisation paroles dans LLM = contrefaçon possible) crée un précédent jurisprudentiel européen. Lecture pour les métiers créatifs suisses : les indépendants des arts visuels, du cinéma, de la musique et de la traduction littéraire en CH sont exposés à la même dynamique. Les statuts précaires (mandat, contrat d'auteur, AVS volontaire) offrent moins de protection que la France (CDDU, intermittents). En revanche, la densité culturelle CH (Pro Helvetia, festivals internationaux, mécénat privé fort) et le tissu de PME créatives offrent des opportunités de réinvention via curation et supervision. Cette étude apporte au dashboard une granularité sectorielle inédite sur le domaine R (Arts/Spectacles/Loisirs) qui était jusqu'ici sous-documenté. | Avril 2026 · AFDAS + Amnyos + ROSA Futures · n=38 entretiens × 13 métiers · terrain août 2025-février 2026 · EDEC intersectoriel · scope FR transposable CH | T2 |
| ★ Microsoft Work Trend Index 2026 · «Agents, human agency, and the opportunity for every organization» · 5 mai 2026 | ★ Rapport annuel Microsoft Work Trend Index 2026 publié le 5 mai 2026 (T1 institutionnel + données primaires). Méthodologie hybride : sondage Edelman Data x Intelligence sur n=20'000 knowledge workers utilisant l'IA dans 10 marchés (US, Brésil, Australie, Inde, Japon, France, Allemagne, Italie, Pays-Bas, Royaume-Uni) entre 18 février et 7 avril 2026 · Plus télémétrie M365 Copilot (105'000 conversations analysées, plusieurs trillions de signaux de productivité). Lecture Suisse : bien que la CH ne soit pas dans le panel, les 3 langues nationales sont couvertes (FR/DE/IT) — cette source extrapole solidement au contexte suisse, particulièrement pour les multinationales et grandes entreprises CH qui utilisent M365. Concept central nouveau : la «New Agency Equation» : à mesure que les agents IA prennent en charge l'exécution, les humains gagnent en agentivité (direction, jugement, ownership des résultats). Ce n'est ni un remplacement ni une augmentation, mais un déplacement de la valeur ajoutée humaine vers le pilotage. Distribution Copilot M365 (télémétrie 100K+ chats, février 2026) : 49% travail cognitif (analyse, problème, créativité), 19% travail relationnel, 17% production, 15% recherche d'information — l'IA est utilisée pour augmenter le cognitif, pas pour automatiser la production. Segment des Frontier Professionals (16% des utilisateurs IA) : 80% disent produire un travail qu'ils ne pouvaient pas faire un an avant, 43% font intentionnellement du travail sans IA pour préserver leurs compétences, 53% pausent avant de commencer pour décider IA vs humain. Ils sont 2× plus récompensés pour la réinvention (26% vs 11%). Transformation Paradox crucial : 65% craignent d'être largués s'ils ne s'adaptent pas vite, mais 45% jugent plus sûr de viser les objectifs courants que de redesigner — seulement 13% sont récompensés pour la réinvention (résultat ou pas), et seulement 26% disent que le leadership est clairement aligné sur l'IA. Distribution AI Readiness Index (n=16'971) : 19% Frontier (orga + indiv prêts), 10% Blocked Agency (indiv prêt, orga pas), 5% Unclaimed Capacity (orga prête, indiv pas), 16% Stalled, 50% Emergent (zone grise) — soit 31% en désalignement structurel. Donnée majeure : les facteurs organisationnels (culture, manager, talent practices) comptent 2× plus que les facteurs individuels (67% vs 32%) dans l'impact réel de l'IA — confirmation empirique massive de Colombus/Oracle/HEG v32 sur la Suisse (70% obstacle humain pas technique). 15× croissance YoY des agents actifs dans M365 (18× pour grandes entreprises) — cohérent avec l'industrialisation observée par Colombus v32 (21%→52% +31pp). Quand le manager modélise l'usage IA : +17pts valeur, +22pts critical thinking, +30pts trust. 4 modes de travail avec l'IA identifiés (delegation, collaboration, asking, exploration) — les Frontier Pros savent quel mode utiliser pour quelle tâche. Notion d'Owned Intelligence : institutional know-how unique à chaque firme, qui se compose au fil du temps et est difficile à reproduire — c'est ce que les Frontier Firms construisent en capturant les signaux de réussite/échec des agents et en les institutionnalisant. Lecture pour le marché du travail suisse : cette étude renforce la thèse Colombus/AXA/KOF que la transformation IA est avant tout culturelle et organisationnelle, pas technique. Elle apporte aussi une métrique-clé que la Suisse devrait surveiller : la part de Frontier Professionals (CH probablement entre 14-18% par extrapolation des marchés germanophones et francophones), qui sont les vrais leviers d'industrialisation IA dans les organisations. | 5 mai 2026 · Microsoft + Edelman Data x Intelligence · n=20'000 knowledge workers IA × 10 marchés (FR/DE/IT inclus) · télémétrie M365 (100K+ chats analysés) · ~~Trillion+ signaux M365~~ (T1 institutionnel + données primaires) | T1 |
| ★ Colombus Consulting · Oracle · HEG-Genève · «Observatoire Data & IA en Suisse 2025» · juin 2025 | ★ Observatoire annuel Data & IA en Suisse (2e édition, partenariat Colombus Consulting + Oracle + Haute École de Gestion de Genève). n=100+ organisations suisses de tailles, secteurs et localisations variées. Terrain janvier-avril 2025. Source primaire CH transverse complémentaire à AXA/Sotomo v30 (qui couvre les PME) — cet observatoire couvre toutes tailles, des PME aux grands groupes (>10'000 employés). Saut cognitif des dirigeants suisses : 62% des dirigeants ont une connaissance bonne à très bonne de l'IA (vs 37% en 2024, +25pp en un an) ; les dirigeants à connaissance basique chutent de 50% à 27% (-23pp). Industrialisation IA générative : les déploiements à l'échelle d'assistants conversationnels passent de 21% à 52% (+31pp), pendant que les pilotes/PoC reculent de 67% à 39% (-28pp) — la phase exploratoire est dépassée. Maturité écosystème : 70% des organisations CH considèrent leur écosystème data & IA «faible ou intermédiaire» (vs 91% en 2024, -21pp). 41% se déclarent data-driven (+3pp). 62% jugent leur qualité de données bonne à excellente (+14pp). ROI : 58% mesure ROI basique ou inexistante (vs 74%, -16pp) — pratiques en amélioration tangible. Frein principal humain, pas technique : 70% des organisations peu engagées identifient l'organisation et la culture comme premier obstacle (vs 30% pour les freins techniques) , la transformation est avant tout culturelle. Usages métiers déséquilibrés : 77% usages côté client (-11pp), 75% produit/supply chain (+8pp), 33% fonctions support (Finance, RH, IT) (+5pp, en hausse mais toujours bas). 35% des dirigeants voient l'IA générative comme transformation profonde de leur propre métier (+16pp). Conformité AI Act : 64% ambitionnent de suivre les principes de l'AI Act européen (+8pp) , important car la Suisse n'y est pas légalement assujettie mais les exportations et partenariats transfrontaliers tirent l'alignement. Donnée frappante : 80% des entreprises avec qualité de données médiocre tirent quand même au moins un avantage tangible de l'IA — les données imparfaites ne doivent pas freiner les initiatives. Corrélation partenariats/maturité : 80% des entreprises collaborant avec startups/universités atteignent un niveau de maturité avancé, contre 0% pour celles qui restent isolées. Lecture Suisse : cet observatoire complète AXA v30 en cartographiant la maturité organisationnelle au-delà des PME. La convergence est forte : adoption massive (cohérent AXA 22%→34%), perception positive (cohérent OpinionWay/Kelio v27 — écart +17pp avec la France), industrialisation effective (cohérent BNS v31 — slow-burn), et confirmation que la transformation est culturelle d'abord (cohérent KOF v31 sur les écarts de productivité par maturité). C'est désormais la 4e source primaire CH du dashboard, après AXA/Sotomo, KOF/ETH et HSLU. | Juin 2025 · Colombus Consulting + Oracle + HEG-Genève · n=100+ orgs CH · 2e édition · terrain janvier-avril 2025 · méthodologie reproductible (T1 primaire CH) | T1 |
| Kläui & Siegenthaler · KOF / ETH Zurich · «KI und der Schweizer Arbeitsmarkt: Erste Evidenz zu Auswirkungen auf Arbeitslosigkeit und Stellenausschreibungen» · octobre 2025 | ★ Première étude académique rigoureuse mesurant empiriquement l'impact de l'IA sur le marché du travail suisse. KOF Institut, ETH Zurich (Jeremias Kläui & Michael Siegenthaler, étude n°186, octobre 2025, financement FNS Projet 100018-232103). Méthodologie : Event-study Difference-in-Differences sur 15 ans (septembre 2010 - août 2025) comparant l'évolution des métiers très exposés vs peu exposés à l'IA après le lancement de ChatGPT (novembre 2022). Données : registre SECO du chômage (univers complet) + x28 AG (univers des offres d'emploi en ligne CH). Mesures d'exposition : indice β d'Eloundou et al. (2024) appliqué pour la première fois à la nomenclature ISCO-08 suisse (CH-ISCO-19) + Anthropic Economic Index (Handa et al. 2025) basé sur l'usage réel observé sur Claude.ai. Résultats clés : dans les métiers très exposés à l'IA, le nombre de chômeurs a augmenté 27% de plus que dans les métiers peu exposés (population <50 ans, septembre 2024-août 2025) ; les offres d'emploi sont retombées à 60-70% du niveau pré-LLM dans les métiers très exposés (-38% en relatif). Top 10 métiers les plus exposés CH (β) : programmeurs d'applications (0.94), administrateurs/développeurs de bases de données (0.91), développeurs web/multimedia (0.88), développeurs logiciels (0.87), bureau de la paie (0.84), comptables non-académiques (0.78), bureau de la comptabilité (0.78), webmasters (0.77), auteurs (0.75), administrateurs systèmes (0.70). Bottom 10 (β≈0) : personnel de nettoyage, concierges, couturiers, ouvriers du génie civil, maçons, sportifs. Effet d'âge : impact deux fois plus marqué sur les 20-49 ans que sur les 50-65 ans. Note importante : emploi total CH +7.4% Q3 2020 → Q2 2025, donc l'étude isole les effets de substitution relatifs ; les effets de complémentarité/augmentation, créateurs nets d'emplois, ne sont pas captés ici. Convergence cruciale avec HSLU (création nette de jobs IA-spécialistes) et AXA v30 (ratio 5:1 PME) : substitution sur métiers exposés + création sur métiers IA-spécialistes = solde net positif documenté empiriquement en Suisse. | Octobre 2025 · KOF Institut ETH Zurich · 15 ans de données SECO+x28 · 4'703 ISCO-08 occupations · financement FNS (T1 académique CH) | T1 |
| HSLU · Hochschule Luzern · «Swiss AI Jobs Report 2025» (Bär et al. avec x28 AG et Local AI Community LAC) · septembre 2025 | ★ Premier baromètre académique de la création d'emplois IA en Suisse. Applied AI Center, Hochschule Luzern (HSLU) en collaboration avec x28 AG et Local AI Community LAC, publié 17 septembre 2025. Méthodologie : analyse de 4'703 offres d'emploi IA publiées entre juillet 2024 et juin 2025. Résultats clés : depuis début 2025, plus de 400 offres d'emploi IA par mois dans tous les secteurs en Suisse. Géographie : Zürich domine avec 1'773 postes (37% du total CH), suivi de Genève (536), Berne (512), Bâle-Ville (448), Vaud (281) et Zoug (229 — 1er per capita grâce au Crypto Valley). Top secteurs : IT 1'205 postes (26%), Services financiers 552 (12%), Recherche & Éducation 435 (9%), Pharma/Chimie 298, Conseil juridique/affaires 296, Assurance 252. Les 5 premiers secteurs concentrent plus de 60% des emplois IA. Profils recherchés : Data Engineering, Data Science, Machine Learning, analyse de données. Compétences clés : développement logiciel, ingénierie BDD, cloud computing, statistique, visualisation de données, NLP. Conditions d'accès : processus de sélection à 2-4 tours avec études de cas techniques ; Master ou doctorat souvent requis pour les rôles spécialisés (Data Scientist). Lecture Suisse : contrepartie cruciale du KOF — pendant que l'IA réduit la demande dans les métiers exposés (KOF -38% offres en métiers exposés), elle crée massivement des emplois pour les spécialistes IA (HSLU +400/mois). Le solde net est positif (AXA v30 ratio 5:1) mais la transformation est forte. Concentration géographique nette dans le Triangle d'or Zürich-Genève-Berne. Cette polarisation alimente la guerre des talents : selon les RH interrogés, des centaines de candidatures par poste avec vacances fermées en une semaine. | Septembre 2025 · HSLU Applied AI Center + x28 + LAC · 4'703 offres analysées · 12 mois (juillet 2024 - juin 2025) (T1 académique CH) | T1 |
| SNB / BNS · Enquête conjoncturelle trimestrielle (relayée par Bloomberg/SWI swissinfo) · «AI Use in Switzerland Isn't Destroying That Many Jobs Yet» · mars 2026 | Enquête conjoncturelle trimestrielle de la Banque nationale suisse (BNS) publiée Q1 2026 (relayée par Bloomberg le 25 mars 2026 et reprise par SWI swissinfo). n=241 entreprises suisses interrogées dans le cadre de l'enquête conjoncturelle régulière de la BNS. Résultat principal : seul 1/5 des entreprises CH a déjà besoin de moins de personnel à cause de l'adoption de l'IA. Secteurs les plus touchés : sociétés de conseil, développement logiciel, et fonctions support , notamment ressources humaines, comptabilité, départements juridiques, services de traduction, et certains services marketing. Caractérisation BNS : «slow-burn impact» , les entreprises investissent massivement dans des projets IA et anticipent des gains d'efficience, mais les réductions d'effectifs sont attendues plutôt dans les années à venir que de manière abrupte. Les changements actuels sont décrits comme «typiquement légers». Lecture Suisse : source d'autorité (BNS = banque centrale CH) qui valide l'orientation sectorielle observée par KOF/ETH (consulting + dev logiciel + fonctions support exposées) tout en confirmant la lecture non-alarmiste à court terme : la transformation est lente et contrôlée. La BNS distingue les entreprises affectées (1/5) de la majorité (4/5) qui ne réduisent pas leurs effectifs. | Mars 2026 · BNS / Banque nationale suisse · enquête conjoncturelle trimestrielle · n=241 entreprises CH (T1 primaire CH) | T1 |
| Leutenegger · SWI swissinfo · «Will AI secure or shake Swiss prosperity?» (avec Sturm KOF/ETH, Kirchschläger UNIL, Beierschoder Deloitte) · mai 2026 | Article de fond signé Marc Leutenegger publié par SWI swissinfo (mai 2026) intégrant trois voix d'autorité sur l'avenir de l'IA en Suisse. Jan-Egbert Sturm (directeur du KOF Institut depuis 2005, ETH Zurich) : identifie 4 risques majeurs pour la Suisse — vieillissement de la population, changement climatique, déglobalisation, IA — précisant que l'IA est le seul de ces risques qui soit aussi une opportunité. Les gains de productivité de l'IA pourraient compenser les effets négatifs des trois autres tendances. Sturm : «la question est : êtes-vous quelqu'un qui sera plus productif grâce à l'IA, ou exécutez-vous des tâches que l'IA fait simplement mieux ?». Étude Deloitte CH citée : pénurie de 300'000 travailleurs en Suisse d'ici 2050 ; pour combler ce déficit, la productivité du travail devrait croître à +1.2%/an, soit 4× le rythme des 25 dernières années. L'IA est l'un des leviers possibles. Peter G. Kirchschläger (Institut d'éthique sociale, Université de Lucerne) : position pessimiste/critique — anticipe que 50-70% des emplois pourraient disparaître ; propose de taxer l'IA et les données pour financer un revenu de base universel global, avec obligation de travail communautaire. Marc Beierschoder (AI/Data lead partner Deloitte CH) : position modérée , voit «une évolution encore à ses débuts», observe que certaines fonctions disparaîtront mais que d'autres apparaîtront. WEF Jobs Report 2025 : 92 millions d'emplois disparaîtront mondialement d'ici 2030, mais 170 millions seront créés (solde +78M). Lecture Suisse : synthèse des 3 voix académiques/institutionnelles couvrant tout le spectre des prévisions (optimiste KOF/ETH, modéré Deloitte, pessimiste UNIL). La cible de 1.2%/an productivité Deloitte recoupe l'estimation Acemoglu basse (0.1pp) et l'estimation haute (2.5pp) déjà documentées dans le dashboard v30 (Hauri La Vie économique). | Mai 2026 · SWI swissinfo · entretiens Sturm KOF/ETH + Kirchschläger UNIL + Beierschoder Deloitte CH (T2 institutionnel CH multi-voix) | T2 |
| AXA Suisse / Sotomo · «Étude sur le marché du travail PME 2025 — Intelligence artificielle» · octobre 2025 | Étude annuelle AXA sur le marché de l'emploi des PME suisses, réalisée par l'institut Sotomo (4e édition). n=300 PME suisses de Suisse alémanique et romande, terrain 3-10 mars 2025. Source primaire suisse de référence sur l'adoption IA dans les PME CH. Adoption IA : 22% (2024) → 34% (2025), +12pp en un an. PME n'utilisant pas IA : 45% → 29% (-16pp). Applications principales : traduction 52%, correspondance 47%, automatisation des processus 34% (+11pp), analyse de données 32% (+10pp), publicité ciblée 24% (+9pp), gestion clientèle 20% (+4pp). Perception : 45% considèrent l'IA comme un atout (vs 35% en 2024), 13% comme négative (vs 20%), 60% comme opportunité, 8% comme menace. Efficience : 57% des PME constatent un gain d'efficience (vs 46% en 2024). Impact emploi (chiffre clé suisse) : seulement 2% des PME ont réduit leurs effectifs grâce à l'IA, 10% ont créé de nouveaux postes. L'IA modifie surtout les profils recherchés : 1/3 des PME utilisatrices d'IA indiquent que l'utilisation de ces outils modifie leurs attentes en matière de compétences. Point critique CH : seuls 34% des PME utilisatrices ont fixé des règles claires sur la protection des données ; ce ratio tombe à 23% dans les petites entreprises de 5-9 collaborateurs. Lecture Suisse : première mesure quantitative robuste sur les PME suisses — la convergence avec DemoSCOPE v22 (75% sécurité actifs) et OpinionWay/Kelio v27 (écart +17pp avec la France) est forte. Le ratio création/destruction de postes (10% vs 2%) confirme empiriquement la lecture non-alarmiste : pour 5 postes créés grâce à l'IA, 1 seul est supprimé. La Suisse, avec sa densité PME (99.7% du tissu économique), suit la trajectoire FMI/OIT v29 (ratio amélioration/remplacement 2.6×) avec une intensité encore supérieure. | Octobre 2025 · AXA / Sotomo · n=300 PME CH · 4e édition · données 3-10 mars 2025 (T1 primaire CH) | T1 |
| SECO · Portail PME / Confédération suisse · «L'IA progresse dans les PME suisses» · novembre 2025 | Synthèse officielle du Secrétariat d'État à l'économie (SECO) sur le Portail PME de la Confédération suisse (kmu.admin.ch, 5 novembre 2025), reprenant et validant l'étude AXA/Sotomo 2025. Caution gouvernementale aux chiffres : adoption IA dans PME CH 22%→34% (+12pp), PME n'ayant jamais utilisé IA 45%→29% (-16pp). Le SECO insiste sur le constat : «ce tournant technologique se répercute moins sur le nombre d'emplois que sur les compétences recherchées par les employeurs». Confirme le ratio création/destruction (10% vs 2%) et l'enjeu de la protection des données encore entier. Lecture Suisse : validation institutionnelle SECO de la lecture non-alarmiste pour la Suisse — c'est l'autorité économique fédérale qui acte que l'IA reshape les compétences davantage qu'elle ne supprime des emplois en CH. | Novembre 2025 · SECO · Portail PME (kmu.admin.ch) · synthèse officielle de l'étude AXA (T2 institutionnel CH) | T2 |
| Hauri · La Vie économique (DEFR/SECO) · «L'IA transforme le marché du travail» · avril 2025 | Article publié par Dominik Hauri, collaborateur scientifique au secteur Analyse du marché du travail et politique sociale du SECO, dans la revue officielle La Vie économique (DEFR, avril 2025). Position institutionnelle CH : la Suisse est 3e mondiale sur 186 pays au sous-indice «capital humain et politique du marché du travail» de l'AI Preparedness Index du FMI, juste après Taïwan et Singapour. Argumentaire : flexibilité du marché du travail CH + perméabilité du système de formation duale + intégration des compétences IA dans les plans d'enseignement à tous les degrés. Sur les gains de productivité : divergence des estimations de 0.1pp/an (Acemoglu, Nobel d'économie, prudent) à 2.5pp/an (estimations hautes). OCDE : dans secteur financier et industrie manufacturière, 2/3 employeurs constatent automatisation par IA, mais le volume d'emploi reste stable car l'IA induit également de nouvelles tâches. 4/5 salariés OCDE déclarent une amélioration de leurs performances grâce à l'IA. Annonce : le prochain rapport de monitorage du Conseil fédéral sur les conséquences de la numérisation sur le marché du travail (prévu 2027) sera consacré à l'impact de l'IA. Lecture Suisse : ce papier officiel SECO valide T1 institutionnel les fondations conceptuelles du dashboard. La 3e place mondiale au sous-indice FMI sur le capital humain est la justification empirique la plus forte de l'écart structural FR/CH (+17pp v27) et du ratio création/destruction PME suisses (5:1, AXA v30). | Avril 2025 · La Vie économique (DEFR/SECO) · article officiel D. Hauri · références FMI AI Preparedness Index, OCDE, Acemoglu, Autor (T1 institutionnel CH) | T1 |
| Emerson, Kropp, Bedard, Krayer et al. · BCG Henderson Institute · «AI Will Reshape More Jobs Than It Replaces» · avril 2026 | Étude BCG (avril 2026, modèle micro-économique). Analyse de 1'500 rôles US, 165 millions d'emplois (BLS janvier 2026, taxonomie Revelio Labs + O*NET). Méthodologie en 3 étapes : potentiel d'automatisation des tâches × substitution/augmentation × expansion de la demande. Résultats clés : sur 2-3 ans, 50-55% des emplois US seront reshaped (gardent leur titre mais changent radicalement) ; sur 4-5 ans, 10-15% seraient éliminés (vulnerable). 43% des emplois ont >40% de tâches automatisables, 57% dépendent de présence physique humaine ou interaction soutenue. 6 archétypes BCG : Amplified (5% — augmentation + demande expansive, type ingénieurs logiciels, avocats), Rebalanced (14% — augmentation + demande bornée, type marketers, chercheurs), Divergent (12% — substitution + demande expansive, type insurance agents, IT support), Substituted (12% — substitution + demande bornée, type call centers, financial analysts), Enabled (23% — IA intégrée mais pas transformatrice, type cliniciens, techniciens labo), Limited-exposure (34% — physique/relationnel, type médecins, enseignants). Lecture Suisse : ces 6 archétypes mappent directement avec les 19 domaines NP 2010. La Suisse, dont 67% des actifs sont en col-blanc cognitif et 33% en interaction physique/relationnelle (ESPA 2024), suit une distribution similaire mais avec un biais protecteur (densité PME, CCT, formation duale). Convergence T1 avec MGI «skill partnerships» (v28) et Stanford WORKBank Human Agency Scale (v23) — l'IA reshape massivement, ne remplace que marginalement. | Avril 2026 · BCG Henderson Institute · 1'500 rôles US analysés · 7 auteurs · données BLS + Revelio Labs + O*NET (T1) | T1 |
| AISI UK / Future of Work Unit · «Measuring AI-driven productivity gains for workplace tasks» · février 2026 | Pilote randomisé contrôlé (RCT) du UK AI Security Institute en partenariat avec le Future of Work Unit du gouvernement britannique (DSIT). n=500 participants Prolific, 4 tâches O*NET Generalised Work Activities (Information Input, Work Output, Interacting with Others, Mental Processes), modèle LLM frontier 2025. Résultats moyens : +25% qualité (significatif p<0.01), +61% productivité (points/minute), aucun gain de temps statistiquement significatif — les utilisateurs IA produisent plus en autant de temps, pas plus vite. Forte hétérogénéité par tâche : Tâche 4 (interpréter information) +102% productivité, Tâche 3 (planification stratégique) 0 gain. Confirme empiriquement la jagged frontier d'AI : excellence sur tâches structurées d'analyse/synthèse, faiblesse sur tâches subjectives ouvertes. Lecture Suisse : source académique de référence pour quantifier les gains de productivité réels (vs estimés) — calibration utile pour les SCENARIOS productivité du dashboard. Le pattern «+qualité sans -temps» suggère que les gains se traduisent en augmentation d'output et non en réduction d'effectifs, ce qui valide la lecture non-alarmiste pour la Suisse où les CCT et la formation duale orientent naturellement vers l'augmentation. | Février 2026 · AISI UK · n=500 RCT · 4 tâches O*NET · 4 instituts partenaires (IFOW, Educate Ventures, Frontier Economics, Faculty AI) (T1) | T1 |
| Labo Société Numérique · ANCT · «Impacts de l'IA sur le travail : nouvel enjeu du dialogue social» · février 2025 | Dossier de synthèse institutionnel français (ANCT, Sommet pour l'action sur l'IA Paris, 10-11 février 2025). Compile 11 sources de référence dont : FMI : 60% des emplois des économies avancées sont exposés à l'IA (27% complémentaires, 33% substituables) ; OIT : 13.4% potentiel d'amélioration vs 5.1% potentiel de remplacement dans les pays développés ; Direction du Trésor FR : effets de l'IA sur la productivité encore modestes ; Commission IA française : 19/20 emplois ont des tâches que l'IA ne peut pas faire, seulement 5% directement remplaçables ; INSEE : les entreprises adoptant l'IA voient leur emploi augmenter davantage que les non-adopteuses ; Bpifrance : 31% des TPE-PME FR utilisent l'IAG fin 2024 (×2 en 1 an, mais 8% seulement régulièrement) ; Adecco : 66% dirigeants préfèrent recruter externe à former interne ; Dial-IA (IRES/ANACT) : seul 1 projet SIA sur 2 aboutit en entreprise. Lecture Suisse : les chiffres FMI et OIT sont directement transposables aux économies avancées CH. Le dossier valide l'importance institutionnelle du dialogue social , précisément ce que les CCT et accords paritaires suisses fournissent structurellement. La méfiance des dirigeants français contraste avec l'approche pragmatique CH (DemoSCOPE v22 : 75% actifs sécurisés vs 58% FR, écart +17pp v27). | Février 2025 · Labo Société Numérique (ANCT) · synthèse de 11 sources institutionnelles (FMI, OIT, Trésor FR, INSEE, Bpifrance, Adecco, IRES, ANACT) (T2) | T2 |
| Yee, Madgavkar, Smit, Krivkovich, Chui et al. · McKinsey Global Institute · «Agents, robots, and us: Skill partnerships in the age of AI» · novembre 2025 | Étude MGI majeure (60 pages, 7 auteurs dont Sven Smit chairman MGI). Analyse de ~800 occupations US, 2'000 activités détaillées (DWA O*NET), ~6'800 compétences distinctes, 11 millions d'offres d'emploi (Lightcast). Résultats clés : 57% des heures de travail US théoriquement automatisables avec les technologies actuelles (44% agents, 13% robots) — mais 73% des compétences restent pertinentes pour les tâches automatisables ET non-automatisables (overlap massif). Demande d'AI fluency × 6.8 en 2 ans, plus forte croissance de toutes les compétences. Skill Change Index (SCI) : nouvelle mesure agrégée , 25-33% des heures sur top 100 compétences automatisables d'ici 2030 (médian), 60% scénario rapide. 7 archétypes d'occupations : people-centric (33% emplois), agent-centric (40%), robot-centric, et 4 hybrides (people-agent 20%, people-robot, agent-robot, people-agent-robot 5%). 8 compétences «haute prévalence» stables transversalement : communication, management, opérations, problem-solving, leadership, attention au détail, relations clients, écriture. 2.9 trillions $ de valeur économique US potentielle d'ici 2030 (scénario médian, ~27% heures automatisées) — 77% via agents, 23% via robots. 60% des gains dans workflows sectoriels (santé, manufacturing, finance), 40% cross-cutting (IT, finance, admin). Lecture Suisse : la formation duale suisse est précisément le système qui produit les «8 compétences haute prévalence» transversales — la CH est structurellement positionnée pour la skill partnership décrite. L'étude valide aussi T1 le paradoxe radiologie (radiologistes US +3%/an depuis 2017 malgré IA, Mayo Clinic +50% effectifs) et la thèse non-alarmiste : l'IA reconfigure les compétences, ne supprime pas les jobs. | Novembre 2025 · McKinsey Global Institute · 60 pages · données BLS 2024 + O*NET DWA + Lightcast 11M offres (T1) | T1 |
| Yin, Vu & Persico · NBER WP 35110 · «How (un)Stable Are LLM Occupational Exposure Scores? Evidence from Multi-Model Replication» · avril 2026 | Étude méthodologique NBER (Northwestern + American University) qui réplique la rubrique Eloundou et al. (Science 2024) avec 3 modèles frontières 2026 (ChatGPT-5, Gemini 2.5, Claude 4.5) sur 18'797 tâches O*NET. Découverte critique : divergence ×3.6 dans la moyenne d'exposition entre annotateurs (E1 = 0.14 Gemini → 0.51 Claude) et Cohen's kappa aussi bas que 0.36 (accord 56.9%). Conséquences empiriques majeures : coefficients DiD varient de 2.4× à l'échelle individuelle ; au niveau county, le signe s'inverse (significatif négatif sous Claude, non-significatif positif sous Gemini) selon l'annotateur — sur des données identiques. Trois mécanismes formalisés : (1) calibration channel — chaque modèle a un seuil systématiquement différent pour ce qui constitue du «travail LLM-capable», (2) adoption feedback channel — les modèles entraînés sur l'usage réel notent plus généreusement les métiers déjà adoptés (φ^m > 0), (3) rubrique-modèle alignment , la rubrique calibrée pour GPT-4 perd sa validité prédictive quand les successeurs s'auto-évaluent. Implication directe pour ce dashboard : la pratique méthodologique multi-sources/multi-tiers (T1-T4) adoptée ici est précisément ce que l'étude recommande comme «multi-annotator sensitivity» , standard de reporting. Notre lecture par triangulation (ILO + Eloundou + Anthropic AEI + Massenkoff-McCrory + données suisses OFS) est validée empiriquement comme la seule approche scientifiquement défendable. Lecture suisse : renforce la justification de l'approche pondérée du dashboard et invalide l'usage d'un score isolé pour la planification RH/COMEX. | Avril 2026 · NBER Working Paper 35110 · Yin (Northwestern), Vu (Northwestern), Persico (American University, IZA, NBER) · réplication multi-modèles avec preuves de fragilité downstream (T1) | T1 |
| Gimbel, Kendall & Kulsakdinun · The Budget Lab at Yale · «Labor Market AI Exposure: What Do We Know?» · février 2026 · [données XLSX] · [PDF] | Étude méthodologique majeure du Budget Lab de Yale : comparaison formelle de 7 mesures d'exposition à l'IA sur 867 métiers américains. Métriques étudiées : Felten et al. AIOE (2021), Eloundou DV Rating Beta (GPT-4 annotateur), Eloundou Human Rating Beta (annotateurs humains), Eisfeldt GenAI Total et Core (2023), Webb Pct AI (2020, basé brevets), Tomlinson Microsoft AI Applicability Score (2025, basé conversations Copilot). 3 conclusions clés : (1) Les mesures s'accordent globalement sur les métiers PEU exposés (manuels, construction, maintenance , plumbers : variance proche de 0). (2) Elles divergent fortement sur les métiers TRÈS exposés (computer programmers : variance 0.48 ; web designers : encore plus). (3) Le désaccord porte sur l'ampleur de l'exposition, pas sur le fait qu'un métier soit exposé. Forme en U par salaire : désaccord élevé aux deux extrêmes (admin bas + tech haut). Pattern par genre : désaccord max pour métiers à 30-50% de femmes. Données téléchargeables (XLSX) : 867 occupations couvertes par ≥1 métrique, 710 par toutes les 7 mesures. Implication méthodologique : «l'exposition n'est pas le verdict d'un métier que l'IA va supprimer — c'est un indicateur de zones où l'IA pourrait avoir un impact». Lecture Suisse : ce dashboard adopte explicitement cette philosophie hybridation (Frank et al. 2025 cité : «using only one AI exposure score will misrepresent AI's impact»). Le score d'exposition est triangulé T1+T2+T3+T4 par métier, présenté comme fourchette, et accompagné systématiquement de variables suisses spécifiques (CCT, FINMA/LaMal, formation duale). | Février 2026 · The Budget Lab at Yale · Martha Gimbel (ex-Indeed/Conseillers économiques Biden), Joshua Kendall, Ryan Kulsakdinun · données 2024 OEWS + CPS, T1 | T1 |
| Centre for British Progress · Serôdio · «AI and the UK Labour Market: the evidence so far» · avril 2026 | Étude rigoureuse sur 412 métiers UK (Annual Population Survey 2004-2025) basée sur 4 mesures d'exposition (ILO, Eloundou et al., adoption Anthropic Economic Index, Massenkoff-McCrory observed). Découverte centrale : trois ans après ChatGPT, aucune trace de déplacement IA dans les données d'emploi. Les métiers les plus exposés ont si tout cumulé une croissance d'emploi marginalement positive. Programmers UK +18% depuis 2019, business analysts +38%. Au contraire : call center -19%, vendeurs téléphoniques -23%. Le même score d'exposition produit des résultats opposés selon que la structure du métier permet l'augmentation ou le remplacement. Salaires : compression amorcée dès 2019 (avant ChatGPT) , pas un effet IA. Heures travaillées : légèrement en hausse dans les métiers exposés (cohérent avec augmentation). Implication Suisse : avec une intensité d'adoption IA encore plus modérée qu'au UK (per-capita usage UK = 2.7× population share, CH probablement plus bas), le signal de déplacement est encore plus difficile à détecter. Les institutions suisses (CCT, formation duale) ralentissent encore l'écart entre exposition théorique et impact réel. | Avril 2026 · Centre for British Progress · Pedro Serôdio (ex-Office for Life Sciences UK), 412 métiers UK, données ONS APS/ASHE/AEI, T1 | T1 |
| De Neve, Hancock & Niederhoffer · HBR · «Why Companies That Choose AI Augmentation Over Automation May Win in the Long Run» · avril 2026 | Étude conjointe Oxford/Stanford/BetterUp Labs sur 1'294 desk workers (US, Canada, UK). Découverte centrale : les entreprises qui choisissent l'augmentation (IA + investissement humain) battent à long terme celles qui choisissent l'automatisation (IA + réduction d'effectifs). Brynjolfsson (Stanford) : l'investissement technologique ne représente que 1/9e de ce qu'il faut pour réaliser la valeur d'une technologie générale comme l'IA — le reste est rewiring organisationnel, montée en compétences, refonte des processus. Disconnect leadership : 81% des dirigeants pensent que leur entreprise utilise l'IA pour augmenter, mais seulement 53% des contributeurs individuels y croient. 50% des employés retail/services pro pensent que leur entreprise veut éliminer leurs jobs. Implication Suisse : les entreprises CH qui investissent dans la formation duale, les CCT et la qualité du travail relationnel sont structurellement positionnées du bon côté du fork , l'augmentation prime sur l'automatisation dans la culture économique suisse. | Avril 2026 · Harvard Business Review (article peer-reviewed-equivalent, T2) | T2 |
| Burn-Murdoch · Financial Times · «What the AI 'jobpocalypse' narrative misses» · avril 2026 | Analyse historique fondée sur les données BLS US (1990-2025). Démonstration empirique : «whether new technologies can perform a task is only a tiny part of the picture». Cas illustratifs : (1) Tableurs des années 1980 : ont automatisé les teneurs de livres ET multiplié les analystes financiers , même technologie, effets opposés selon le métier. (2) Software : productivité ×3 depuis 1990 mais emploi +400% , demande tellement élastique que l'augmentation de productivité a démultiplié l'emploi. (3) Manufacturing : productivité ×2 mais emploi -30% , demande inélastique, donc l'automatisation détruit l'emploi. (4) Bank tellers : ont survécu aux ATMs (1969-2010) mais ont été tués par le smartphone et le mobile banking. Salariés du top 10% utilisent l'IA 3-4× plus que le bottom 10% — données FT/Focaldata. Implication Suisse : les effets de second ordre (régulation, demande élastique, frictions institutionnelles) sont précisément les terrains où la Suisse a des avantages structurels — et qui invalident les scores d'exposition pris isolément. | Avril 2026 · Financial Times · John Burn-Murdoch (Chief Data Reporter, FT), basé sur analyse BLS US et Current Population Survey (T3) | T3 |
| Burn-Murdoch & O'Connor · Financial Times · «The AI Shift: Do we really know which jobs are most at risk from AI?» · février 2026 | Critique méthodologique des scores d'exposition basée sur Yale Budget Lab (Martha Gimbel et al., 2026) : 7 mesures différentes d'exposition concordent sur les métiers PEU exposés mais divergent fortement sur les métiers très exposés. Web designers et journalistes notés «très exposés» par certaines, «modérés» par d'autres. 4 problèmes structurels : (1) capacité technique ≠ déploiement réel (régulation, assurances, normes professionnelles), (2) autonomie et pouvoir du travailleur (Autor 2003 : la technologie remplace ceux qui exécutent les spécifications, augmente ceux qui les définissent), (3) effets indirects (les make-up artists ne sont pas remplaçables techniquement, mais les modèles humains de catalogue le sont , donc disparition indirecte du job), (4) un score d'exposition ne dit RIEN sur si le métier va s'améliorer, empirer ou disparaître. Implication Suisse : le dashboard utilise précisément cette philosophie , les scores d'exposition sont un point de départ, pas un verdict, et la lecture suisse intègre régulation, autonomie et pouvoir comme variables propres. | Février 2026 · Financial Times AI Shift newsletter · John Burn-Murdoch + Sarah O'Connor, basé sur Yale Budget Lab (T3) | T3 |
| Falk & Tsoukalas · «The AI Layoff Trap» · Wharton/Boston Univ. · mars 2026 | Modèle de théorie des jeux qui formalise pourquoi les firmes sur-automatisent même quand elles savent que c'est collectivement nuisible. Asymétrie des coûts : travail humain à 50-200$/h vs IA à 0.10-1.00$/h fin 2026 (×100 d'écart). Externalité de demande : chaque firme automatise pour capturer 100% des économies de coût, mais ne supporte que 1/N de la perte de demande agrégée , Prisoner's Dilemma garanti. Plus la concurrence augmente, pire c'est : avec N=20 firmes, chacune ne ressent que 1/20e du choc de demande qu'elle crée. Évalue 6 instruments politiques : seule une taxe pigouvienne sur l'automatisation corrige la distorsion. Implication Suisse : les institutions suisses (CCT, formation duale, dialogue social) jouent justement le rôle des frictions qui ralentissent le piège. La culture de stabilité de l'emploi et la concertation patronat-syndicats agissent comme un mécanisme de coordination naturel — la Suisse est structurellement moins exposée au piège que les marchés à faible coordination. | Mars 2026 · Wharton (UPenn) + Boston University Questrom · arXiv 2603.20617 (preprint en cours de revue, T1) | T1 |
| OpenAI · AI Jobs Transition Framework · avril 2026 | Framework à 3 axes sur 900+ professions US (SOC) : exposition technique, nécessité humaine (physique / relationnelle / jugement-responsabilité) et élasticité de la demande. Découverte centrale — capability overhang : dans les métiers les plus exposés, l'usage réel de l'IA reste autour de 20–24% alors que le potentiel technique atteint ~90%. Résultat contre-intuitif : le chômage a moins progressé dans les métiers les plus exposés (pressions organisationnelles, sécurité, régulation, coûts de mise en œuvre ralentissent l'adoption). Implication Suisse : l'écart usage réel / potentiel est encore plus marqué en raison des spécificités suisses (FINMA, LaMal, CCT, formation duale). Le cadre à 3 axes valide la lecture du dashboard — exposition ≠ suppression, et la nécessité humaine protège structurellement certains métiers exposés (enseignants, soignants, juristes). | Avril 2026 · OpenAI Global Affairs (rapport, T1) | T1 |
| OpinionWay pour Kelio · «Baromètre IA & RH 2026» (3e vague) · mars 2026 | Baromètre annuel sondage représentatif T2 sur deux échantillons : 306 responsables RH d'entreprises privées de 20+ salariés (méthode quotas, CATI 16 fév - 11 mars 2026) et 1'071 personnes du grand public (CAWI, 4-5 mars 2026), France métropolitaine. Adoption RH en triplement : 9% (2024) → 28% (2025) → 33% (2026) des RH utilisent l'IA , une accélération à confirmer. Le saut majeur date de 2024-2025, pas de 2025-2026 (plateau). Fracture hiérarchique forte sur le sentiment d'emploi : 78% des RH se sentent protégés vs seulement 58% des actifs en poste — 22% de RH menacés vs 42% des actifs. Recrutement = sanctuaire humain : 51% des RH et 61% du grand public craignent l'IA en recrutement (« le recrutement doit rester avant tout humain »). Seuls 4% des RH y voient un gain de temps net. 53% des RH n'ont pas confiance dans le travail rendu par l'IA (stable depuis 2024). Confidentialité reste défi #1 (39%, en baisse de 12pts vs 2025), coûts explosent (2% → 7% → 22%). Lecture Suisse : ce baromètre français complète DemoSCOPE/Angestellte Schweiz (v22) avec un volet RH dédié. Comparaison FR/CH révélatrice : 58% des actifs FR se sentent protégés vs 75% des actifs CH (DemoSCOPE 2026) , écart de 17 points en faveur de la Suisse, attribuable aux institutions (CCT, formation duale, dialogue social) et à une adoption IA plus modérée encore. Pour les métiers RH du dashboard CH (Responsable RH, recruteur, gestionnaire de paie), cette étude documente précisément la résistance professionnelle au remplacement IA , confirmant le paradoxe radiologie (Mousa v24) sur d'autres métiers réglementés à forte dimension humaine. | Mars 2026 · OpinionWay pour Kelio · ISO 20252, n=306 RH + 1'071 grand public, France (T2) | T2 |
| Angestellte Schweiz / DemoSCOPE · «Wahrgenommene Job-Unsicherheit» · mars 2026 | Sondage représentatif T2 sur 1'028 actifs suisses (DE 71% · FR 25% · IT 4%, 15-70 ans), terrain 23-30 mars 2026. Validation empirique suisse de la thèse non-alarmiste : 75% des actifs se sentent en sécurité dans leur emploi (M=3.99/5), 9% seulement jugent une perte d'emploi probable dans les 12 mois. Trois chiffres clés sur l'IA : 17% ont vu l'introduction d'outils IA dans leur entreprise sur 12 mois (24% dans les +250 MA vs 9% dans les TPE), 22% chez les hauts revenus vs 6% chez les bas revenus. 34% citent les causes économiques comme principal facteur d'insécurité, 22% les causes technologiques (l'IA est le facteur unique le plus cité). Lecture suisse : seule étude T2 avec données micro suisses sur la perception terrain de l'IA. Validation empirique du capability overhang OpenAI sur sol suisse , l'exposition technique théorique ne se traduit pas en ressenti d'insécurité grâce aux institutions (CCT, formation duale, FINMA/LaMal). | Mars-avril 2026 · DemoSCOPE pour Angestellte Schweiz · n=1'028 (T2) | T2 |
| Shao, Zope, Jiang, Brynjolfsson, Yang et al. · Stanford WORKBank · «Future of Work with AI Agents» · juin 2025 (v3) | Audit le plus large à ce jour : 1'500 workers + 52 experts IA, 844 tâches sur 104 métiers (base O*NET). Introduit le Human Agency Scale (HAS H1-H5) qui complète l'échelle d'automatisation par une mesure du degré d'implication humaine souhaité. 4 zones desire-capability : Green Light (haute envie + haute capacité), Red Light (haute capacité mais faible envie — résistance), R&D Opportunity (haute envie mais faible capacité), Low Priority. Résultats : 46.1% des tâches sont jugées favorables à l'automatisation par les workers eux-mêmes (motivation principale : libérer du temps pour du travail à plus forte valeur). 45.2% des métiers ont H3 (partenariat équilibré humain-IA) comme niveau dominant désiré. Shift critique des compétences : les compétences high-wage actuelles (analyse de données, traitement d'information) deviennent moins valorisées au profit des compétences interpersonnelles, organisationnelles, de jugement et de monitoring. Lecture Suisse : ce framework valide la lecture du dashboard et précise la nature de la transition — les métiers suisses à forte composante relationnelle (santé, éducation, conseil) sont en H4-H5 (high human agency), les métiers administratifs en H1-H2 (potentiel d'automatisation forte mais friction sociale réelle). | Juin 2025 (v3) · Stanford SALT Lab + Brynjolfsson (Stanford) · arXiv 2506.06576 (preprint robuste, n=1'552, T1) | T1 |
| Mousa (Open Philanthropy) · Works in Progress · «AI isn't replacing radiologists» · septembre 2025 | Étude de cas sur la radiologie , métier «canary in the coal mine» de l'IA depuis Hinton (2016) : «stop training radiologists now». Dix ans plus tard : 1'208 places de résidence en radiologie aux US en 2025 (record, +4% vs 2024), vacance à des sommets historiques, salaire moyen $520'000 (+48% depuis 2015). 700+ modèles FDA-cleared dont certains battent les humains sur benchmarks. 3 explications structurelles au paradoxe : (1) performance benchmark ≠ clinique (chute de 20pp hors hôpital d'entraînement, biais de données, modèles déférents quand l'humain est dans la boucle), (2) frictions réglementaires et assurances (FDA exige standards bien plus élevés pour les modèles autonomes, malpractice insurance refuse souvent les diagnostics 100% autonomes — clauses «Absolute AI Exclusion»), (3) seulement 36% du temps d'un radiologue est en interprétation pure (le reste : patients, cliniciens, formation). Paradoxe de Jevons : l'IA accélère les scans, donc on en fait plus — utilisation imagerie US +60% entre 2000 et 2008. Implication Suisse : ce paradoxe radiologique vaut aussi pour avocats, médecins, comptables CH — les frictions FINMA/LaMal/CCT sont l'équivalent suisse des barrières FDA/assurances US. | Septembre 2025 · Works in Progress (revue indépendante) · auteure Open Philanthropy, basé sur littérature académique peer-reviewed (T2) | T2 |
| Études académiques & institutionnelles antérieures (2022-2025) | |||
| Karger, Kuusela, Tetlock et al. · Forecasting Research Institute / Fed Chicago · mars 2026 | Sondage de 5 groupes (économistes académiques, employés d'IA, chercheurs politiques, superforecasters, grand public) sur les effets économiques de l'IA d'ici 2050. Résultats clés : croissance PIB médiane attendue de 2,5%/an (vs 2,0% baseline) · dans le scénario « IA rapide » : croissance à ~4%/an et participation au marché du travail de 62% → 55% d'ici 2050, avec ~10 millions d'emplois perdus attribuables à l'IA · les experts préfèrent le retraining ciblé, le grand public le RBI. Le désaccord entre experts tient davantage aux conséquences économiques de l'IA capable qu'au rythme de progrès. ⚠ Périmètre US , applicable à la Suisse avec correction structurelle (SECO, formation duale, CCT). | Mars 2026 · FRI / Fed Chicago | T1 |
| Jones & Tonetti · Stanford University · 2026 | Modèle économique d'automatisation des tâches avec weak links (élasticité de substitution < 1). Résultat principal : même si l'IA automatise toutes les tâches en un temps fini, l'accélération économique est « remarquablement lente » — les trajectoires des 3 scénarios sont indiscernables pendant les 75 prochaines années. L'output reste contraint par les tâches non-automatisables. Implication directe pour la Suisse : la prudence de SECO et KOF/EPFZ sur l'impact à court terme est fondée — les gains de productivité IA se diffusent sur des décennies. | 2026 · Stanford Univ. | T1 |
| Aldasoro et al. · BIS/CEPR 2026 | Première preuve causale sur 12 000+ firmes européennes (panel). Résultat : aucune réduction d'emploi à court terme liée à l'adoption de l'IA, avec des gains de productivité significatifs (+10% à +65% selon les tâches). Capital deepening, pas substitution. | 2026 · BIS Working Paper (forthcoming) | T1 |
| Massenkoff & McCrory · Anthropic 2026 | Observed Exposure : exposition réellement observée sur Claude vs capacité théorique LLM. Données Economic Index (août & nov. 2025, 800+ occupations O*NET). Résultat : 0 impact chômage depuis 2022. Signal précoce : −14% embauches 22-25 ans dans métiers exposés. | Mars 2026 | T1 |
| Cai, YeckehZaare, Sun, Charisi et al. · MIT CCI 2026 | Ontologie profonde de 39 603 activités professionnelles (O*NET disaggrégé). Classification de 13 275 applications IA et 20,8 M de robots. Résultat clé : 72% de la valeur marchande IA = activités informationnelles ("Think") · seulement 12% = tâches physiques ("Do") · 1,6% des activités = 60%+ de la valeur IA. Cadre Think / Do / Interact , valide la logique de nos scores d'exposition par type de tâche. | Mars 2026 · arXiv preprint (MIT Center for Collective Intelligence) | T1 |
| Arquié, Duthoit & Subileau · Coface / OEM · avril 2026 | Framework tâche-par-tâche sur 923 professions (O*NET), 12 pays + extension Europe. 4 phases technologiques : Copilot → Special Agent (actuel) → Conductor → Prometheus Bound / Superhuman. Résultats clés Suisse : 18% du contenu des tâches à risque (Special Agent) — la Suisse est explicitement nommée parmi les pays les plus exposés (cluster 'headquarters trap' avec Luxembourg 21%, UK 20%, Pays-Bas 19%). Les 10% des salariés les mieux payés ont 20–25% de leurs tâches à risque. Secteurs les plus exposés : droit & comptabilité 27%, services financiers 25%, IT 27%, conseil en management 24%. Secteurs protégés : agriculture <8%, hôtellerie/restauration <9%, construction <15%, santé 15%. Matrix d'automatisation : data→data = le plus exposé · matter→matter = le plus protégé · people→people = intermédiaire. ⚠ Les chiffres sectoriels sont basés sur la France , l'extension suisse repose sur la correspondance ISCO 2 chiffres, applicable avec prudence (formation duale, CCT, FINMA/LaMal). | Avril 2026 · coface.com | T1 |
| Imas · Ghosts of Electricity · U. Chicago · 2026 | Framework économique formel sur la rareté dans l'économie IA. Thèse : l'automatisation de la production commoditisée redirige la demande vers le secteur relationnel (où l'humain est le produit). Désir mimétique (Girard) + données Comin/Lashkari/Mestieri (Econometrica 2021). Résultat : explosion d'un secteur "relational" après l'AGI , les emplois durables ne seront pas dans le monitoring IA (transitoire) mais dans les prestations où l'humain EST la valeur. Implication CH : protège structurellement les métiers artisanaux de luxe (horlogerie, joaillerie), la gastronomie de chef, le guidage montagne, les arts vivants et les services de soin — secteurs suisses à forte valeur identitaire. | Avril 2026 · Substack (modèle formel, U. Chicago) | T2 |
| BCG · Boston Consulting Group · avril 2026 | 165 millions d'emplois US / 1 500 rôles. 50–55% des emplois refaçonnés en 2–3 ans · 10–15% supprimés en 5 ans · 43% ont déjà 40%+ de tâches automatisables. Adaptation Suisse ×0,8 → 40–44% emplois CH refaçonnés · 8–12% supprimés d'ici 5 ans. | Avr. 2026 · bcg.com | T2 |
| Fed St. Louis · Mind the Gap: AI Adoption Europe vs USA · mars 2026 | Le fossé d'adoption de l'IA entre entreprises américaines et européennes est large et croissant. Données 2023–2025 : les entreprises US adoptent l'IA significativement plus vite que leurs équivalentes européennes. Impact direct sur la compétitivité, thème central depuis le rapport Draghi (2024). Pertinence Suisse : bien que hors UE, la Suisse partage cette dynamique de retard européen , les données Digitalswitzerland et KPMG CH confirment un taux d'adoption inférieur aux USA mais supérieur à la moyenne EU. Ce rapport valide le positionnement relatif de la Suisse dans les indicateurs d'usage IA de ce dashboard. | Mars 2026 · Fed St. Louis | T2 |
| Pereira, Graylin & Brynjolfsson · Stanford Digital Economy Lab · 2026 | Analyse de 51 déploiements IA réels en entreprise. Résultats clés : les gains de productivité viennent de la refonte complète des workflows, pas de l'automatisation de tâches isolées · les entreprises qui traitent l'IA comme un simple logiciel repartent bredouilles · les organisations qui réimaginent entièrement leur fonctionnement capturent des gains structurels durables. Corrobore McKinsey GI (2025) sur les 2 900 Md$. ⚠ Étude US , tendances transférables à l'économie suisse, notamment dans les secteurs finance, pharma et services aux entreprises. | 2026 · Stanford DEL | T2 |
| Anderson & Rainie · ITDF / Elon University 2026 | Canvassing de 386 experts mondiaux (déc. 2025–fév. 2026) sur la résilience humaine à l'ère de l'IA. Résultats clés : 82% prévoient un rôle IA significativement plus grand en ≤10 ans · 56% projettent une influence IA sur 'presque toutes' ou 'la plupart' des décisions humaines · 45% estiment que les humains seront peu résilients. Concept central : les compétences 'unmachineables' (jugement, raisonnement éthique, imagination, empathie) comme socle de résilience. Taxonomie du travail futur : Care / Service / Experience. ⚠ Canvassing non-scientifique, 62% des répondants en Amérique du Nord — contexte suisse requiert prudence dans l'extrapolation. | Avril 2026 · Imagining the Digital Future Center | T2 |
| Meltzer, Tindle & Winthrop · Digital Planet / Tufts University 2026 | Étude quantitative sur 757 professions américaines (SOC/BLS) : score d'exposition composite (SML + Advances in AI + Eloundou), estimation perte d'emploi dans 3 scénarios temporels (lent, médian, rapide). Résultats clés : score moyen 50,3/100 · 15% des professions exposées à 70+ · dans le scénario médian, 12,3% des tâches automatisées et 7,1% de pertes d'emploi. Secteurs les plus exposés : IT/Data (93/100), Communication (77/100), Finance (69/100). Secteurs protégés : Agriculture (42/100), Santé (54/100). ⚠ Limite géographique : données 100% américaines (O*NET/BLS). L'extrapolation à la Suisse requiert prudence · la structure économique, la formation duale, les CCT et la réglementation FINMA/LaMal créent des dynamiques différentes. | Mars 2026 · digitalplanet.tufts.edu | T1 |
| Gmyrek, Berg et al. · ILO Working Paper 140 · OIT/NASK 2025 | Indice mondial révisé d'exposition à la GenAI. 29 753 tâches (classification polonaise 6 chiffres) · 52 558 points de données humaines · validation Delphi internationale. 4 gradients d'exposition progressifs (ISCO-08 4 chiffres). Gradient 4 : analystes financiers (0,62), secrétaires (0,58-0,64), développeurs web (0,60). Gradient 3 (en hausse vs 2023) : traducteurs (0,59), software developers (0,53), conseillères bancaires (0,58). Professions non exposées : médecins généralistes (0,29), infirmiers (0,25), enseignants primaire (0,26). Score moyen mondial 0,29 · transformation plutôt que suppression dans la majorité des cas. | Mai 2025 · ILO Working Paper 140 (peer-reviewed) → Observatoire OIT IA & Travail |
T1 |
| Albanesi, Dias da Silva, Jimeno et al. · Economic Policy 2025 | Données zone euro 2011-2019. Résultat clé : les occupations plus exposées à l'IA ont vu leur part d'emploi augmenter, suggérant une complémentarité plutôt qu'une substitution sur cette période. | 2025 · Economic Policy (peer-reviewed) | T1 |
| FMI · AI and Productivity in Europe WP/2025/067 | Effets macroéconomiques de l'IA sur la productivité en Europe. Gains PTF cumulés estimés à 1,1% à moyen terme pour la zone euro. Forte hétérogénéité entre pays · les économies avancées bénéficient davantage. | 2025 · IMF Working Paper | T2 |
| Nurski & Ruer · Bruegel 2024 | Application de deux indices d'exposition GenAI à l'Enquête européenne sur les forces de travail (EFT). Femmes, diplômés et jeunes plus exposés en Europe. L'analyse par tâche est plus robuste que l'analyse par capacité pour évaluer l'impact réel. | 2024 · Bruegel Working Paper 06/2024 | T2 |
| Eloundou et al. · arXiv 2023 | GPTs are GPTs : mesure théorique β ∈ {0, 0.5, 1} par tâche O*NET. Base de tous les scores théoriques. 97% usages Claude dans catégories β≥0.5. | 2023 | T1 |
| Acemoglu, Autor, Hazell & Restrepo · J. Labor Econ. 2022 | Données vacances d'emploi US 2010-2018 (near-universe). Résultat : les entreprises exposées à l'IA réduisent certains recrutements mais aucun impact agrégé détectable sur l'emploi ou les salaires au niveau des occupations ou industries. | 2022 · Journal of Labor Economics (peer-reviewed) | T1 |
Chaque métier reçoit un score pondéré multi-sources (0–10) reflétant l'exposition de ses tâches à l'IA générative. Contrairement à un scoring LLM unique, cette approche croise des études académiques, institutionnelles et journalistiques, chacune pondérée par son niveau de preuve et sa récence.
Formule : score = Σ(valeur × poids_tier × poids_récence) / Σpoids · où le poids de récence varie de 1× (source la plus ancienne) à 2× (source la plus récente).
| Score | Couleur | Interprétation | Exemples |
|---|---|---|---|
| 0 – 2 | Teal | Exposition minimale · tâches manuelles, relationnelles ou créatives non-reproductibles | Aide à domicile, Maçon, Guide de montagne |
| 3 – 4 | Vert | Faible · certaines tâches assistables mais le cœur reste humain | Infirmier, Policier, Horloger |
| 5 – 6 | Jaune | Modérée · mix de tâches exposées et résistantes | Médecin généraliste, Ingénieur process, Architecte |
| 7 – 8 | Corail | Élevée · majorité des tâches partiellement automatisables | Conseiller bancaire, Gestionnaire de fortune, Analyste financier |
| 9 – 10 | Rouge | Très élevée · tâches majoritairement reproductibles par l'IA | Rédacteur web, Compliance officer, Analyste financier, Data scientist |
Ce dashboard s'inspire du projet français indice-ia.fr (Yann Decoopman, 2026) et partage la source d'inspiration originale (joshkale.github.io/jobs / Andrej Karpathy). transitions-ia.ch est la première adaptation suisse avec données OFS officielles (NP 2010, ESPA 2024, ESS 2022).
| Limite | Impact |
|---|---|
| Exposition ≠ suppression | Un métier fortement exposé peut évoluer plutôt que disparaître. Le score mesure les tâches, pas la probabilité de remplacement. |
| Données ESPA approximatives | Certains effectifs sont des estimations ESPA 2024 arrondies. La NP 2010 couvre 394 groupes de professions ; ce dashboard en couvre 325 (83% de la nomenclature NP 2010). Les 13 groupes restants manquent de données ESPA/ESS suffisantes ou ont des effectifs inférieurs au seuil de représentativité (< 1 000 travailleurs). |
| Hétérogénéité des sources | Les sources T1 à T4 peuvent définir « exposition » différemment. La pondération atténue ce biais mais ne l'élimine pas. |
| Obsolescence rapide | Les capacités des modèles évoluent vite. Ce snapshot date d'avril 2026 (v17) · les scores sont à réévaluer tous les 6 mois. |
| Limites géographiques | Certaines études sont américaines ou européennes. L'extrapolation au marché suisse peut introduire un biais (structure salariale, formation duale, place financière). |
| Couverture partielle | 325 métiers sur 394 groupes NP 2010 (83%). La sélection reflète les groupes professionnels avec des données ESPA & ESS disponibles et une masse critique d'emplois (≥ 1 000 effectifs). Ce n'est pas un recensement exhaustif. |
| Limites données Digital Planet | L'étude Meltzer, Tindle & Winthrop (Tufts, mars 2026) couvre 757 professions américaines (SOC/BLS). L'extrapolation aux métiers suisses (NP 2010) est effectuée par correspondance SOC ↔ ISCO-08 avec correction des facteurs suisses : réglementation sectorielle (FINMA, LaMal, LAVS), formation duale, conventions collectives de travail (CCT). Cette correction peut atténuer le score de −10% à −35% selon le secteur. |
| Scores initiaux par métier | Les valeurs de départ (ex. 7/10 pour un analyste) proviennent des études académiques et institutionnelles listées en sources, pas d'un LLM. Le LLM n'est pas utilisé comme scoreur mais comme assistant de synthèse et de rédaction des pistes de réinvention. |
| Récence ≠ qualité | La pondération par récence (1× à 2×) avantage les études récentes. Ce choix peut défavoriser une étude T1 fondatrice (ex. Acemoglu 2022) face à un working paper de 2025. C'est un arbitrage assumé, pas une mesure de qualité. |
| Conflit d'intérêts Anthropic | Massenkoff & McCrory (2026) est classée T1 mais publiée par Anthropic, producteur de Claude. Ce biais de source est noté : les résultats sont cohérents avec les études indépendantes (BIS, Albanesi), mais la prudence s'impose sur l'extrapolation à "l'IA générative" dans son ensemble. L'étude mesure l'usage sur Claude uniquement. |
| Facteur réglementaire | Le buffer réglementaire suisse (formule : score_net = score_brut × (1 − reg.score/10 × 0.35)) est documenté dans le code source. L'ampleur du facteur (max −35%) est calibrée sur la densité normative observée, pas sur un impact emploi démontré empiriquement. |
| Projet | Auteur | Description | Licence |
|---|---|---|---|
| joshkale.github.io/jobs | Josh Kale | Adaptation de l'idée originale d'Andrej Karpathy · treemap des emplois BLS américains exposés à l'IA, avec scoring par LLM et visualisation D3.js proportionnelle aux effectifs. | MIT |
| github.com/karpathy/jobs | Andrej Karpathy | Concept original : visualiser l'exposition des métiers à l'IA à partir des données Bureau of Labor Statistics (BLS). Notre projet en est l'adaptation suisse avec données officielles OFS (NP 2010, ESPA 2024, ESS 2022). | MIT |
| indice-ia.fr | Yann Decoopman | Adaptation française du même concept · 228 métiers FAP 2021, scoring LLM, données OFS ESS 2022. Notre projet étend cette approche à la Suisse : 325 métiers NP 2010, scoring multi-sources pondéré (T1×4 à T4×0.5) et pistes de réinvention. | MIT |
| jobsdata.ai | Matt Zieger | Référence méthodologique pour le scoring pondéré multi-sources par niveaux de preuve (T1×4, T2×2, T3×1, T4×0.5) avec pondération de récence. | Non précisée |