How AI is expanding what people do at work (Work at the Frontier, rapport 1)

À retenir

1. ⭐⭐ Les deux chiffres-titres, et pourquoi il faut toujours donner les deux. 16,8 % des messages liés au travail ET 43,5 % des messages métier-spécifiques. L'entonnoir : 61,5 % de l'usage professionnel est générique (écrire, résumer, planifier — « shared too broadly across occupations to be evidence of crossover ») et retiré du calcul ; sur les 38,5 % restants, 43,5 % tombent hors du métier. → 43,5 % est calculé sur 38,5 % de l'usage. Citer le seul 43,5 % double presque l'impression d'ampleur. Les deux nombres sont dans la source ; un seul survit généralement aux reprises.
2. ⭐ La nuance « inside or near ». le complément du 43,5 % n'est pas « dans le métier » mais « inside or near a user's occupation ». La frontière mesurée est donc floue par construction, ce qui est honnête et rarement répercuté.
3. Le contre-pied méthodologique — l'apport réel du papier. la littérature part d'une liste figée de tâches par métier et demande si le modèle sait les faire ; ici on demande qui fait quoi. « Our evidence suggests that AI is also changing who takes on which tasks. » → On mesure une redistribution observée, pas une substituabilité théorique. C'est ce qui distingue ce travail des études d'exposition (cf. les fourchettes 5-60 % discutées dans [[dgtresor-ia-effets-emploi-2026-06-30]] et [[sfeir-ia-emploi-risque-decrochage-2026-07-23]]).
4. Par métier, part hors métier. (des messages métier-spécifiques) : expérience client 77 % · design 75 % · RH 69 % · juridique 56 % · marketing 53 % · vente 40 % · finance 40 % · ingénierie 28 %. « Outside occupation work is a majority in five of eight groups. »
5. ⭐⭐ La heatmap — l'objet le plus riche, et absent de toutes les reprises. (lignes = métier de l'utilisateur, colonnes = métier d'origine de la tâche ; diagonale en gras) : | Utilisateur ↓ / Tâche → | CX | Design | Ingé. | Fin. | RH | Jur. | Mktg | Vente | |---|---|---|---|---|---|---|---|---| | Expérience client | 11 | 5 | 20 | 14 | 6 | 6 | 26 | 11 | | Design | 6 | 12 | 28 | 10 | 4 | 4 | 28 | 8 | | Ingénierie | 4 | 4 | 53 | 9 | 4 | 4 | 20 | 2 | | Finance | 6 | 4 | 22 | 23 | 4 | 8 | 25 | 7 | | RH | 9 | 5 | 18 | 16 | 10 | 10 | 23 | 9 | | Juridique | 5 | 4 | 17 | 12 | 7 | 31 | 18 | 6 | | Marketing | 10 | 6 | 17 | 11 | 4 | 4 | 36 | 12 | | Vente | 11 | 5 | 18 | 15 | 4 | 6 | 29 | 12 | Trois lectures que le texte ne fait pas : 1. La diagonale est le vrai résultat. L'ingénierie retient 53 % de son propre travail ; l'expérience client 11 %, les RH 10 %, le design 12 %, la vente 12 %. → Certains métiers ont, dans leur usage non générique de ChatGPT, presque cessé de faire leur propre métier. 2. Pour quatre métiers, la colonne marketing dépasse la diagonale. Un designer fait plus de tâches marketing (28 %) et d'ingénierie (28 %) que de design (12 %) ; un agent d'expérience client fait plus de marketing (26 %) que de CX (11 %) ; idem RH (23 % vs 10 %) et vente (29 % vs 12 %). 3. Deux colonnes aspirent tout : marketing (18 à 36 % partout) et ingénierie (17 à 53 %). Les six autres métiers pèsent des miettes. ⚠️ Précaution de lecture : la diagonale basse ne dit pas que ces salariés ne font plus leur métier — elle dit que leurs messages non génériques sont classés ailleurs, sur une base qui exclut déjà 61,5 % de l'usage. Les tâches propres à ces métiers sont peut-être précisément celles qui ont été classées « génériques ».
6. Les deux directions de circulation, chiffrées. design importe 35,2 % / exporte 1,7 % ; ingénierie importe 18,5 % / exporte 7,4 % ; marketing importe 24,3 % / exporte 8,9 % — « the highest outward share in the sample ». → Le marketing est le seul à cumuler les deux sens.
7. Les deux tâches universellement empruntées. le calcul financier et le dépannage technologique figurent dans le top 3 des emprunts des sept autres groupes. La création de supports marketing apparaît chez cinq autres groupes, « especially prominent among design users ».
8. ⭐ L'asymétrie de l'ingénierie — le chiffre le plus actionnable pour une ESN. l'ingénierie est à la fois le métier le moins poreux (28 %, importe 18,5 %) et un exportateur majeur (7,4 %), et sa diagonale de 53 % est de loin la plus haute. La porosité célébrée est donc largement à sens unique vers la technique : les autres métiers font du dépannage et des systèmes techniques, l'inverse est rare (le design exporte 1,7 %). Ce que cela veut dire concrètement : l'IA ne dilue pas l'ingénierie dans les autres métiers, elle diffuse des tâches d'ingénierie partout ailleurs tout en laissant les ingénieurs sur leur cœur.
9. ⚠️⚠️ L'effet de taille est plus faible que rapporté ailleurs — deux réserves posées par OpenAI et souvent perdues. 1. Le passage de 18,9 % à 16,3 % vaut « among average users » seulement. 2. « Among the heaviest users, we do not see the same monotonic pattern. » → La tendance ne tient pas sur les utilisateurs intensifs. OpenAI avance deux explications possibles (les usagers modérés des petites structures se tournent vers l'IA quand ils rencontrent un travail relevant d'une autre fonction ; les intensifs ont des workflows stabilisés qui se ressemblent d'une organisation à l'autre, ou utilisent l'IA plus intensément dans leur cœur de métier). 3. La conclusion est au conditionnel : « AI may be especially useful as a generalist tool where specialist resources are scarce. » → Correction apportée à [[sfeir-ia-frontieres-metiers-skill-based-organisation-2026-08-01]], qui reprenait ces 2,6 points comme un résultat propre et la conclusion généraliste comme une affirmation. La source est plus prudente que son commentaire, et l'écart de 2,6 points que j'avais signalé comme le maillon faible est explicitement borné par les auteurs eux-mêmes.
10. Le statut épistémique revendiqué — signal avancé. ces données permettent de voir les recombinaisons « before firms rewrite job descriptions or create new job titles », et « may provide an early signal of occupational change that conventional labor-market statistics will capture only later ». → Un indicateur avancé, pas une mesure d'emploi. Il dit ce que les gens tentent, pas ce que les organisations entérinent.
11. Rattachement doctrinal. le papier s'adosse à l'AI Jobs Transition Framework de la même équipe, dont la thèse est que de nombreux métiers vont se réorganiser — « jobs whose day-to-day tasks could change substantially » — plutôt que disparaître. Le crossover en est la preuve d'usage.
12. ⚠️ Réserves de fond, à porter systématiquement.
13. OpenAI mesure OpenAI. Un seul assistant, ses seuls utilisateurs, revendiqué comme avantage (« our unique window »). Ce qui est mesuré est l'usage de ChatGPT, pas l'usage de l'IA.
14. Utilisateurs américains uniquement. Aucune extrapolation internationale n'est possible, et le rapport n'en tente pas.
15. Population non représentative. de la population active : ce sont des utilisateurs de ChatGPT, auto-sélectionnés.
16. La classification métier est faite par un modèle. , sur des messages, sans validation externe décrite dans le billet. Les catégories (huit groupes) et la frontière « générique / spécifique » sont des choix de conception qui déterminent mécaniquement les résultats — c'est là que se joue la solidité du 43,5 %.
17. Visée déclarée. « to guide policy and practice ». Un acteur qui produit la donnée sur son propre impact et vise l'orientation des politiques publiques. Même biais que celui pointé à propos de Bercy dans [[sfeir-ia-emploi-risque-decrochage-2026-07-23]].
18. Méta / à relier. source primaire de [[sfeir-ia-frontieres-metiers-skill-based-organisation-2026-08-01]], qu'elle complète (16,8 %, marketing 24,3 %, heatmap) et corrige (effet de taille non monotone chez les intensifs) ; à lire avec [[dgtresor-ia-effets-emploi-2026-06-30]] et [[sfeir-ia-emploi-risque-decrochage-2026-07-23]] sur l'écart entre exposition théorique et redistribution observée ; prolonge [[mollick-organizational-theory-agentic-ai-spans-control-2026-02]] et [[mollick-valence-ai-hr-playbook-leader-lab-crowd-2025-07-23]] côté théorie organisationnelle ; contexte RH dans [[bersin-chro-pivotal-role-ai-transformation-2025-10-10]].