Google a cartographié 14 653 926 interactions Gemini dépersonnalisées sur plus de 800 professions et 4 000 tâches O\*NET. L'IA est apparue dans 68 % des professions détaillées — soit environ 88 % des travailleurs civils employés aux États-Unis. À l'intérieur d'une de ces professions typiques, elle a touché 21 % des tâches (Google ATLAS v1.0, 2026).
Deux tiers des métiers. Un cinquième du travail.
Et là où le travail est non routinier et cognitif — jugement, analyse, résolution de problèmes, la catégorie pour laquelle vous recrutez vos profils les plus coûteux — l'automatisation de bout en bout est l'intention apparente de moins de 10 % des conversations. Les 90 % restants relèvent de la rédaction, de la relecture, de la recherche d'information et de la réflexion à voix haute.
Si votre business case IA repose sur la suppression de postes, c'est ce chiffre qui le casse. Non parce que les outils seraient faibles, mais parce que l'arithmétique a été construite sur la mauvaise unité. Un cinquième d'un métier n'est pas un cinquième d'un effectif.
Ce qu'ATLAS a mesuré, et pourquoi cela change la donne
L'AI & Economy ATLAS de Google (Activity, Task, Landscape, and Adoption Study) a échantillonné les interactions sur Gemini App, AI Mode et l'API Gemini entre le 6 et le 19 avril 2026, puis les a rapportées aux taxonomies officielles des professions et des tâches dans 150 pays et 140 langues. Dame Diane Coyle (Cambridge) et le Dr David Autor (MIT) ont contribué au rapport — Autor étant l'économiste qui a passé deux décennies à démontrer que la technologie remodèle le travail tâche par tâche plutôt que métier par métier (Google, 2026).
La plupart des données d'adoption de l'IA que vous avez vues sont déclaratives. Une enquête demande à un manager si son équipe utilise l'IA, et le manager répond à la question qu'il aurait aimé qu'on lui pose. ATLAS est comportemental : il observe ce que les gens ont réellement apporté au modèle, puis classe la tâche. Ce déplacement compte, car adoption déclarée et couverture observée des tâches ne sont pas la même mesure et n'ont jamais produit le même chiffre.
La distribution est plus asymétrique que ne le suggère la médiane de 21 %. Pour 29 % des professions détaillées, ATLAS n'a observé aucune saturation de tâches — employés de rayon et préparateurs de commandes, agents de préparation alimentaire, éboueurs, agents de patrouille. À l'autre extrémité, seules 3 % des professions montrent un usage de l'IA sur trois quarts ou plus de leurs tâches : analystes et testeurs QA logiciel, spécialistes des ressources humaines et spécialistes de la gestion documentaire (PPC Land, 2026).
Trois professions sur cent sont couvertes en profondeur. Voilà votre liste de candidats à l'automatisation. Elle est plus courte que ne le dit votre slide.
La comparaison proposée par Google elle-même mérite d'être notée, pour le calibrage : l'Economic Index d'Anthropic a trouvé qu'environ 36 % des professions utilisaient l'IA pour au moins un quart de leurs tâches ; le chiffre équivalent chez Google avoisine 30 %, un écart que les auteurs attribuent largement à des seuils de confidentialité plus stricts plutôt qu'à des comportements réellement différents (PPC Land, 2026). Deux jeux de données indépendants, deux fournisseurs différents, la même forme : large et peu profonde.
Pourquoi l'automatisation de bout en bout reste sous 10 %
ATLAS a classé les grappes de conversations en cinq intentions : automatisation de tâche, rédaction et génération partielles, relecture et affinage, idéation et stratégie, recherche d'information et apprentissage.
Le résultat inverse le récit standard du remplacement. Les tâches cognitives analytiques non routinières représentent 35 % de toutes les tâches de la taxonomie O\*NET mais 65 % des interactions professionnelles avec Gemini. Les gens se tournent vers l'IA surtout pour les parties les plus difficiles et les moins standardisées de leur travail — et c'est précisément là qu'ils délèguent le moins souvent l'ensemble. Moins de 10 % de ces conversations montrent une intention d'automatisation de bout en bout. Dans le travail cognitif routinier, plus d'un quart le fait (Google ATLAS v1.0, 2026).
Le mécanisme n'a rien de mystérieux. Une tâche est entièrement déléguée quand la sortie est vérifiable d'un coup d'œil et que le coût d'une erreur est borné. Reformater un jeu de données remplit ce critère. Décider quel fournisseur écarter, non. Le travail non routinier est exactement celui dont la justesse ne peut être confirmée sans refaire l'essentiel du raisonnement — l'humain reste donc dans la boucle, et le temps gagné est réel mais partiel.
Google énonce l'implication sans détour : les données ne soutiennent pas l'idée que l'IA soit sur le point de provoquer une automatisation et un remplacement massifs du travail de bureau. Les auteurs signalent aussi que la classification des intentions est préliminaire et que les comportements pourraient évoluer avec les capacités des modèles. Les deux moitiés de cette phrase ont leur place dans vos hypothèses de planification.
Votre arithmétique d'effectifs suppose une profondeur que vous n'avez pas
C'est ici que le sujet devient un problème d'opérations et non un graphique intéressant.
Le business case IA standard du mid-market multiplie un gain de temps par tâche par un volume de tâches, convertit les heures en ETP et comptabilise la différence. Il ne tient arithmétiquement que si les heures économisées sont contiguës et appartiennent à un poste dont le travail restant peut être absorbé ailleurs. ATLAS dit que les heures économisées sont dispersées sur un cinquième d'un portefeuille de tâches, dans les parties du métier qui n'ont jamais été le goulot d'étranglement.
Prenez le cas médian au pied de la lettre. L'IA couvre 21 % des tâches d'un poste. Supposez — généreusement — une réduction de temps de 40 % sur chacune. Cela fait 8 % de réduction du temps total consacré aux tâches du poste. Vous n'avez pas libéré une personne. Vous avez libéré un fragment de chacun, réparti sur la semaine en morceaux trop petits pour être réalloués et trop petits pour apparaître sur une feuille de temps.
C'est pourquoi tant de pilotes rapportent simultanément des utilisateurs enthousiastes et des coûts d'exploitation stables. Les deux sont vrais. Les gains sont réels et les gains sont inencaissables, car les encaisser suppose une consolidation des tâches — déplacer les 79 % restants vers un poste redessiné — et personne n'a été chargé de le faire.
Le piège le plus profond, c'est le 3 %. Quand un business case se construit à partir d'une fonction phare — tests QA, gestion documentaire RH, travail administratif à forte couverture — le taux de couverture qu'on y observe est silencieusement extrapolé au reste de l'organisation. Il ne se transfère pas. Ces trois professions sur cent sont structurellement atypiques : forte standardisation des tâches, livrables nativement textuels, vérifiabilité immédiate. Vos analystes financiers et vos account managers n'ont aucune de ces propriétés.
L'inversion d'expertise que personne n'avait budgétée
Le résultat qui a le plus de chances d'être faux dans votre plan actuel concerne les bénéficiaires.
L'hypothèse dominante veut que l'IA vide les postes juniors et amplifie les seniors. ATLAS complique les deux volets. L'intensité d'usage croît fortement avec la rémunération — une hausse de 1 % du salaire médian d'une profession est associée à une hausse de plus de 2,5 % de l'intensité d'usage, qui tombe à 1,86 % une fois contrôlé le niveau d'éducation. Pondéré par l'emploi, le salaire annuel médian de l'échantillon est de 62 252 dollars ; pondéré par les conversations Gemini, 82 919 dollars ; pondéré par les tokens, 86 157 dollars (PPC Land, 2026).
Les profils seniors et bien payés sont donc les gros utilisateurs. Mais en notant le niveau d'expertise de chaque tâche avec la méthodologie Autor et Thompson — qui évalue la rareté et la spécificité de domaine du vocabulaire de l'énoncé de tâche — l'usage est le plus surreprésenté sur les tâches cognitives à expertise la plus faible. Réécrire un rapport dans une autre langue. Rédiger une spécification produit.
Les travailleurs à haute expertise apportent à l'IA leur travail à faible expertise.
Cette inversion est l'élément le plus actionnable de l'étude, et elle pointe à l'opposé de la plupart des plans de déploiement. La valeur n'est pas concentrée dans le fait de donner à vos seniors un partenaire de réflexion plus intelligent pour les arbitrages difficiles ; elle est concentrée dans le retrait du résidu à faible expertise qui encombre des agendas coûteux. Si votre déploiement vise les postes juniors au motif que leur travail serait plus automatisable, vous déployez à contre-courant du gradient observé. L'adoption suit la latitude de décision, pas la simplicité de la tâche — les gens utilisent l'IA là où ils ont l'autorité de décider comment leur propre travail s'effectue.
Où cette preuve s'arrête
Les limites, honnêtement, parce qu'un Head of Operations ne devrait pas agir sur la télémétrie d'un fournisseur sans les intégrer.
ATLAS, c'est Google qui mesure Google. L'étude n'observe que les surfaces Gemini : une organisation standardisée sur un autre assistant sort du cadre. C'est un échantillon de deux semaines dans un marché qui bouge vite. Les plateformes entreprise — Workspace, Gemini Enterprise, les outils de codage agentique — restent largement hors du jeu de données granulaire, et c'est précisément là que l'automatisation profonde, intégrée aux flux de travail, a le plus de chances de se produire. Plus de 86 % des interactions ne sont pas professionnelles ; les conversations de travail représentent environ 13,5 % du trafic App et AI Mode, si bien que le sous-échantillon professionnel, quoique vaste, reste une portion.
Surtout, ATLAS mesure des comportements, pas des résultats. Une conversation terminée ne dit rien sur le fait que la personne ait obtenu ce dont elle avait besoin ou gagné une minute (Forte Group, 2026).
Rien de tout cela ne sauve le business case d'effectifs. Une sous-mesure de l'outillage agentique en entreprise relèverait le plafond de ce vers quoi va l'automatisation ; elle ne change pas ce qu'une couverture médiane de 21 % des tâches implique pour l'organisation que vous pilotez ce trimestre. Et la direction du biais mérite d'être nommée : c'est un fournisseur de modèles qui publie une étude affaiblissant le récit d'automatisation que son propre intérêt commercial favorise. Les résultats qui vont contre l'intérêt de celui qui les publie méritent plus de poids, pas moins.
L'audit qui remplace la conjecture
Une action concrète avant votre prochaine revue de budget IA : cessez de compter les outils et comptez les tâches.
Prenez les trois postes qui portent votre plus gros investissement IA. Pour chacun, écrivez le portefeuille de tâches — 15 à 25 tâches distinctes, énoncées simplement. Notez chacune au regard de deux questions : la sortie est-elle vérifiable en moins d'une minute par quelqu'un de compétent, et une mauvaise réponse coûte-t-elle plus cher que de la refaire. Les tâches vérifiables à faible coût et fausses à faible coût constituent votre véritable périmètre d'automatisation. Tout le reste est de l'assistance, et l'assistance se voit dans la qualité et le délai de cycle, jamais dans les effectifs.
Mesurez ensuite le taux de couverture que vous avez réellement. S'il approche 21 %, vous êtes dans la médiane — normal, ni en échec, ni une ligne d'économies. Si un poste dépasse 60 %, vous avez trouvé l'un des 3 % : redessinez ce poste délibérément plutôt que d'attendre que l'économie apparaisse d'elle-même. Si un poste reste sous 10 % après un an de licences, le problème n'est ni l'outil ni les personnes. Le travail n'a simplement pas la bonne forme, et le budget licences a sa place ailleurs.
La version inconfortable de ce résultat est aussi la version utile. L'IA est dans presque tous les métiers de votre entreprise et en profondeur dans presque aucun, l'automatisation de bout en bout reste l'exception et non le plan, et les retours se trouvent dans le résidu à faible expertise qui encombre vos agendas les plus coûteux. Allez le récupérer. C'est plus petit que ce que promettait le titre, et bien plus encaissable.
