Si vous êtes infirmier, avocat, manager, comptable, enseignant, vendeur, journaliste ou travaillez dans les ressources humaines, vous avez quelque chose en commun avec la grande majorité de la population active du monde : les agents d'intelligence artificielle qui sont aujourd'hui promus comme “le futur du travail” ne savent pratiquement pas faire ce que vous faites tous les jours.
Ce n'est pas un avis. C'est la conclusion d'une étude systématique publiée en mars 2026 par des chercheurs de l'Université Carnegie Mellon, une université américaine de référence, et de l'Université Stanford, une autre institution leader des États-Unis, qui ont fait quelque chose que personne n'avait étonnamment fait auparavant : comparer les tâches dans lesquelles les agents d'IA sont formés et évalués avec la distribution réelle du travail humain dans l'économie.
Le résultat est inconfortable pour une industrie qui promet depuis des années de transformer l'emploi mondial.
La carte du travail réel
Pour faire la comparaison, les chercheurs ont utilisé la base de données O*NET, une base officielle du Département du Travail des États-Unis, qui catalogue avec précision les 1 016 occupations du marché du travail : ce que fait un auditeur comptable au quotidien, quelles compétences une infirmière en soins intensifs doit avoir, quelles tâches réalise un manager des ressources humaines, quelles activités définissent le travail d'un juge, d'un architecte, d'un psychologue ou d'un mécanicien d'avions.
Ils ont ensuite pris 43 “benchmarks”, c'est-à-dire des évaluations standardisées utilisées par l'industrie pour mesurer les avancées des agents d'IA, et ont croisé leurs plus de 72 000 tâches avec cette carte du travail réel. Ce qu'ils ont découvert révèle une déconnexion profonde entre ce que l'IA apprend à faire et ce dont le monde a réellement besoin.
84 % de l'IA a appris à programmer. 92 % du monde ne programme pas.
La découverte centrale de l'étude est la suivante : le domaine “Informatique et Mathématiques” concentre 84 % de tous les exemples avec lesquels les agents d'IA sont formés et évalués. Ce secteur ne représente que 7,6 % de l'emploi total aux États-Unis. En Amérique latine, la proportion est même plus faible.
Et le reste ? Pratiquement ignoré. La gestion — le secteur avec le plus grand capital accumulé dans l'économie nord-américaine, avec plus de 1,3 trillion de dollars (c'est-à-dire 1 300 000 millions, selon la notation traditionnelle en Amérique latine) en salaires annuels — apparaît à peine dans 1,4 % des tâches évaluées. Le secteur juridique, avec 70 % de ses activités déjà numérisées, représente 0,3 %. La santé, avec plus de 9 millions de travailleurs rien qu'aux États-Unis, n'existe presque pas dans les benchmarks.
Le soutien administratif, les ventes, l'éducation, le travail social, l'architecture, les ressources humaines : tous avec une forte numérisation, tous avec des millions de travailleurs, tous avec une présence marginale ou nulle dans les systèmes d'évaluation de l'IA.
Pourquoi cela s'est-il produit : le piège de la facilité
Les auteurs de l'étude offrent une explication claire pour ce biais : les développeurs d'IA choisissent les tâches qui sont les plus faciles à évaluer automatiquement. Un agent qui résout un bug de code peut être évalué en millisecondes : soit le programme fonctionne, soit il ne fonctionne pas. En revanche, un agent qui conseille un patient sur son diagnostic, négocie un contrat avec un fournisseur, réalise une évaluation de performance ou résout un conflit entre collègues nécessite des critères d'évaluation beaucoup plus complexes, subjectifs et coûteux à mettre en œuvre.
En d'autres termes : l'industrie de l'IA ne forme pas ses systèmes là où l'impact serait le plus grand. Elle les forme là où il est le plus commode de mesurer les progrès. Et cette différence a d'énormes conséquences pour ceux qui espèrent que l'IA transforme leur secteur.
La compétence la plus humaine est la plus ignorée
L'étude va au-delà des secteurs et analyse également les compétences spécifiques. Et ici, la découverte est peut-être encore plus révélatrice.
Pensez à n'importe quel travail : celui d'un enseignant qui explique les mathématiques à 30 enfants avec différents rythmes d'apprentissage. Celui d'un médecin qui annonce à une famille un diagnostic grave. Celui d'un manager qui motive une équipe démoralisée. Celui d'un avocat qui convainc un jury. Celui d'un vendeur qui comprend ce dont un client a besoin avant même que le client ne le sache. Tous ces emplois ont quelque chose en commun : ils nécessitent d'interagir avec d'autres personnes de manière complexe, empathique et contextuelle.
Cette compétence — “interagir avec les autres” — est la plus répandue sur le marché du travail réel et également la plus ignorée dans les benchmarks des agents d'IA. Les systèmes actuels sont affinés pour rechercher des informations et exécuter du code. Pas pour coordonner, persuader, enseigner, prendre soin ou négocier.
Qu'est-ce que cela signifie pour vous ?
Il y a deux façons de lire cette étude. La première, rassurante : si vous travaillez dans la santé, l'éducation, le droit, la gestion, les ventes ou tout autre domaine nécessitant des compétences interpersonnelles complexes, l'IA est beaucoup plus éloignée de vous remplacer que ne le suggèrent les gros titres. Les agents actuels n'ont tout simplement pas été formés pour faire ce que vous faites.
La seconde lecture est stratégique : les secteurs les plus ignorés par le développement actuel des agents sont exactement ceux qui concentrent le plus d'emplois et de valeur économique. Cela signifie que ceux qui réussiront à construire — ou à adopter — des agents véritablement utiles pour la gestion d'entreprise, la pratique juridique, les soins médicaux ou l'éducation auront un énorme avantage concurrentiel. Car aujourd'hui, cet espace est presque vide.
L'étude de Wang et al. se termine par une recommandation pour les chercheurs : concevez des benchmarks qui reflètent la réalité du travail humain, pas la commodité du laboratoire. C'est un appel que les entreprises qui adoptent l'IA devraient également entendre. L'écart entre ce que les agents savent faire et ce dont le monde a besoin n'est pas un détail technique.