Anthropic a publié une méta-analyse exhaustive concluant que les programmes de retraining des travailleurs produisent des rendements économiques statistiquement significatifs mais modestes — des résultats qui interviennent alors que les décideurs politiques du monde entier cherchent comment répondre au déplacement potentiel de la main-d'œuvre par l'IA, et que des projections d'organisations telles que Goldman Sachs et le Forum économique mondial estiment que l'IA générative pourrait exposer des centaines de millions d'emplois à des changements significatifs au cours de la prochaine décennie.

Le rapport, co-écrit par le chercheur indépendant David Roodman et Maxim Massenkoff d'Anthropic, emploie une méthodologie accélérée par l'IA dans laquelle le modèle Claude d'Anthropic a extrait la majorité des données sous-jacentes et généré l'intégralité du code analytique. L'étude s'appuie sur 56 essais contrôlés randomisés menés aux États-Unis depuis les années 1970, complétés par des données expérimentales provenant d'Europe, constituant l'une des évaluations les plus systématiques à ce jour des initiatives de formation gouvernementales et à but non lucratif. Le rapport complet est disponible en format PDF.

Résultats mesurés mais limités

En moyenne, les programmes examinés ont produit des effets positifs mais restreints. Pour chaque individu ayant reçu une place de formation, l'emploi a augmenté d'environ deux à trois points de pourcentage, tandis que les revenus annuels ont progressé d'environ 1 000 dollars. Ces gains ont été mesurés par rapport à un coût moyen par participant d'environ 13 000 dollars. D'un point de vue budgétaire, les gouvernements ont récupéré plus de la moitié de cette dépense grâce aux recettes fiscales supplémentaires et à la réduction des prestations sociales, ce qui signifie que les interventions atteignaient approximativement l'équilibre financier global. Les États-Unis ont historiquement dépensé moins en programmes actifs du marché du travail en proportion de leur PIB que la plupart des pays comparables de l'OCDE, un écart qui replace les rendements modestes documentés ici dans un contexte plus large d'infrastructures de main-d'œuvre comparativement sous-financées, principalement administrées via le Workforce Innovation and Opportunity Act.

Ces résultats s'inscrivent dans le programme de recherche économique plus large d'Anthropic, qui suit l'adoption de l'IA dans les professions et les secteurs. Bien que le retraining occupe systématiquement la première place parmi les réponses politiques au chômage technologique dans les sondages auprès du public et des experts, les auteurs avertissent que les performances historiques indiquent que les conceptions actuelles des programmes seraient probablement insuffisantes si l'automatisation avancée devait déplacer des travailleurs à une échelle substantielle.

Programmes sectoriels et défi de la reproduction

Une exception notable aux moyennes modestes provient d'un petit groupe de « programmes sectoriels » — des initiatives qui travaillent en étroite collaboration avec les employeurs des secteurs à forte demande pour sélectionner les candidats, développer des programmes de formation spécifiques à un métier et placer les diplômés directement dans des emplois. Des programmes tels que Year Up et Per Scholas ont fait progresser les revenus des participants de plusieurs multiples au-dessus de la moyenne, agissant efficacement comme des intermédiaires du marché du travail reliant des talents négligés avec des employeurs engagés dans des pipelines de recrutement durables. Les résultats de Year Up ont été corroborés de manière indépendante par un essai contrôlé randomisé pluriannuel mené par le cabinet de recherche MDRC, l'une des plus vastes évaluations de ce type dans le domaine du développement de la main-d'œuvre.

Cependant, le rapport souligne que la reproduction de ces succès s'est avérée exceptionnellement difficile. Les copies haute fidélité des modèles leaders ont fréquemment échoué dans de nouveaux sites, indiquant que leur efficacité repose sur des conditions délicates et spécifiques au contexte : des relations locales profondes, des processus d'admission hautement sélectifs qui éliminent plus de 80 pour cent des candidats, et des capacités organisationnelles développées sur des années d'exploitation.

Inadéquation avec les scénarios de déplacement par l'IA

Étant donné que la plupart des programmes étudiés ciblaient des individus à faible revenu ou faiblement employés plutôt que des professionnels diplômés en milieu de carrière pouvant nécessiter de longues périodes de reconversion, les auteurs concluent que l'infrastructure de retraining existante est mal alignée avec un scénario de déplacement massif lié à l'IA. Cette inadéquation est particulièrement saillante sachant que les grands modèles de langage démontrent de plus en plus de capacités dans des tâches telles que l'écriture, la programmation, l'analyse juridique et le support client — des professions que les programmes traditionnels de développement de la main-d'œuvre n'ont jamais été conçus pour traiter.

Leur recommandation centrale est d'investir dès maintenant dans la démonstration, l'évaluation et le déploiement à grande échelle des modèles de programmes les plus prometteurs avant qu'une crise à grande échelle ne survienne. Plus précisément, ils proposent d'étendre rapidement un programme sectoriel de premier plan pour une cohorte de travailleurs bien définie tout en suivant rigoureusement les résultats en matière d'emploi et de revenus. L'Economic Futures Research Fund d'Anthropic est positionné pour soutenir de telles investigations, reflétant un consensus émergent selon lequel comprendre les limites des approches actuelles de retraining est essentiel pour se préparer à une ère d'automatisation rapide.