Le 27 août 2026, le Bureau of Labor Statistics a publié sa première classification de l'exposition à l'IA : quatre catégories — faible, modérée, élevée, très élevée — attribuées aux 831 professions détaillées des projections d'emploi 2025-35. Sur la même page, le BLS précise que cette classification « n'est pas une prévision de croissance ou de déclin de l'emploi », « n'est pas une estimation de la probabilité d'adoption de l'IA » et « n'est pas une estimation de remplacement des travailleurs » (U.S. Bureau of Labor Statistics, 2026).
En quelques jours, la presse spécialisée l'avait convertie en listes de métiers menacés et de métiers sûrs.
C'est précisément la lecture que l'organisme exclut — par écrit, sur la page même dont ces listes sont tirées. Et cela compte davantage qu'une correction pointilleuse, car le tableau d'exposition à l'IA du BLS va arriver dans les plans d'effectifs 2027 du mid-market comme l'intrant le plus officiel de la présentation. Une agence statistique fédérale, toutes les professions, quatre niveaux nets. Il sera traité comme une liste de coupes. Il ne peut pas porter cette décision.
Ce que dit réellement la classification d'exposition à l'IA du BLS
La classification est un classement relatif, produit par un algorithme de clustering appliqué à cinq mesures externes d'exposition. Le BLS est explicite sur les limites : les catégories sont « relatives aux autres professions », elles n'impliquent pas « un niveau d'exposition absolu "élevé" ou "faible" », et elles « ne distinguent pas les effets de l'IA relevant de l'automatisation de ceux relevant de l'augmentation » (U.S. Bureau of Labor Statistics, 2026).
Arrêtez-vous sur ce dernier point. Automatisation et augmentation sont la même catégorie dans ce tableau. « Exposition très élevée » est également compatible avec la disparition du travail et avec le fait que la même personne le réalise à un débit triplé, assorti d'une étape de revue. Le tableau ne dit pas laquelle des deux — et cette direction constitue tout le contenu d'une décision d'effectifs.
Les projections environnantes sont le contexte dont on extrait habituellement le classement. Le BLS projette une économie américaine créant 5,9 millions d'emplois entre 2025 et 2035, l'emploi passant de 170,3 à 176,2 millions — une croissance de 3,5 %, que l'agence qualifie de « plus lente que la croissance de 10,9 % enregistrée sur la décennie 2015-25 » (U.S. Bureau of Labor Statistics, 2026). Croissance plus lente, pas contraction. Les ajustements liés à l'IA se concentrent dans les métiers de l'informatique et des mathématiques, les arts et médias, l'administration des affaires et les services juridiques.
Le détail de construction qui fixe le plafond
Les cinq intrants sont trois mesures théoriques d'exposition et deux jeux de données d'usage observé — le volet observé provenant des données d'utilisation de Claude d'Anthropic et des données Copilot de Microsoft. Le BLS retient le rang centile médian dans chaque dimension, puis applique le clustering. Sur 4 155 combinaisons profession-source possibles, 3 944 ont été observées et 211 imputées, affectant 75 professions (U.S. Bureau of Labor Statistics, 2026).
Puis la phrase qui devrait gouverner jusqu'où vous laissez circuler ce tableau : « Les sources théoriques conceptualisent les capacités de l'IA comme celles disponibles au plus tard à la mi-2023. »
Trois intrants sur cinq décrivent une génération de modèles antérieure à tout produit agentique que votre équipe a testé. Le BLS note aussi que les cinq sources traitent les professions comme des ensembles de tâches indépendantes et « ne prennent pas en compte les goulets d'étranglement, les complémentarités ou d'autres caractéristiques non indépendantes des professions ».
Ce n'est pas un défaut du travail du BLS — c'est une propriété déclarée de la littérature disponible, et la déclarer est exactement le rôle d'une agence statistique. C'est un défaut de l'usage. Un plan d'effectifs à dix ans bâti sur ce classement intègre un instantané de capacités vieux de trois ans, et le fait dans le seul document que votre directeur financier ne pensera pas à contester.
Ce que le classement cartographie vraiment : la charge de vérification
Voici la lecture défendable, et elle inverse la lecture populaire.
Si une profession se retrouve dans le cluster à forte exposition, ce que les cinq sources sous-jacentes détectent collectivement, c'est qu'une large part de ses tâches est du type que les modèles actuels vont tenter. Savoir si le modèle a raison est une question distincte que le score d'exposition ne touche pas — car, comme le note le BLS, les intrants traitent les tâches comme indépendantes et ignorent les complémentarités.
Une forte exposition prédit donc un fort volume de brouillons. Le volume de brouillons crée une demande de revue. Et la demande de revue est là où se situe réellement le coût.
McKinsey QuantumBlack l'a chiffré directement pour les flux bancaires : les coûts de tokens représentent 20 à 25 % du coût variable d'exploitation d'un agent IA, tandis que la supervision humaine par des experts métier et risque en représente 70 à 75 % (McKinsey QuantumBlack, 2026). La ligne coûteuse, c'est la revue, et le relecteur doit avoir assez d'autorité pour invalider la production.
L'étude de MIT Technology Review Insights et Microsoft auprès de 300 dirigeants et praticiens technologiques, qui a classé 101 tâches agentiques sur une échelle de confiance de 0 à 100, va dans le même sens : la confiance suivait la vérifiabilité de la tâche et la complétude du contexte métier, et non la capacité du modèle, et 59 % prévoient déjà une supervision humaine permanente (MIT Technology Review Insights, 2026).
Lu sous cet angle, le tableau du BLS devient réellement utile. Vos professions à exposition très élevée et élevée sont celles où la production générée par l'IA va se concentrer, donc celles où les heures de vérification vont se concentrer, donc celles où vous avez besoin de personnes disposant d'assez d'assise métier pour rejeter une production défaillante. Couper là en premier revient à retirer les relecteurs des fonctions qui auront le plus à relire.
Pourquoi un intitulé de poste ne peut de toute façon pas porter la décision
Il existe un second problème, indépendant du plafond de mi-2023, et il est structurel : l'exposition est mesurée par profession, tandis que l'adoption se produit par personne.
Bick, Blandin, Deming et Schumacher, en reliant une enquête nationalement représentative aux tâches détaillées d'O*NET, constatent que les mesures d'exposition à l'IA générative n'expliquent qu'environ la moitié de la variance d'adoption entre travailleurs — des individus faisant un travail similaire adoptent de façon systématiquement différente (NBER Working Paper 35677, 2026). Ils constatent aussi une adoption large mais superficielle : au moins un travailleur sur cinq utilise l'IA générative dans 80 % des professions et 40 % des tâches, tandis que dans la plupart des cas l'adoption reste sous les 50 %.
La moitié de la variance se situe à l'intérieur de l'intitulé de poste, pas entre les intitulés. Autrement dit, un plan qui attribue des variations de capacité par code métier est, au mieux, à moitié informé — et la moitié qui lui échappe est celle sur laquelle vous pourriez agir, car l'adoption individuelle répond à l'accompagnement, à l'outillage et à la conception du rôle.
Utilisez les catégories d'exposition à l'IA du BLS comme on doit utiliser une statistique nationale : comme une hypothèse de départ sur l'endroit où aller regarder. Puis regardez à l'intérieur de votre entreprise, face à votre propre inventaire de tâches. Deux professions de la même catégorie, dans vos murs, ne se comporteront pas de la même façon, et le résidu n'est pas du bruit — c'est la partie du problème sur laquelle vous avez prise.
La contrepartie honnête : cela reste la meilleure référence publique
Je veux être équitable sur ce qu'a fait le BLS, car « ne l'utilisez pas comme liste de coupes » n'est pas « ne l'utilisez pas ».
C'est la première classification couvrant chaque profession projetée selon une méthode cohérente, elle combine preuves théoriques et usage observé au lieu de choisir un camp, et elle documente ses propres limites avec plus de franchise que la plupart des études d'éditeurs. Pour comparer votre mix d'effectifs à la distribution nationale, pour séquencer quelles fonctions reçoivent en premier un budget d'accompagnement, pour défendre un dossier devant un conseil qui veut une source citable — c'est le meilleur instrument public disponible, et aucune entreprise du mid-market n'en produira de meilleur en interne.
Le problème n'est pas le tableau. C'est la compression : quatre niveaux, une colonne, une étiquette de catégorie qui se lit comme un verdict. Ce formatage invite à une conclusion sur les effectifs que la méthode sous-jacente ne peut pas soutenir, et le BLS l'a dit par avance sur la même page. La discipline requise est minime : faites voyager les réserves avec le chiffre, chaque fois qu'il apparaît dans une slide.
Ce qu'il faut décider ce trimestre
Quatre changements dans la manière dont le classement d'exposition à l'IA du BLS entre dans votre cycle de planification 2027.
- Renommez la colonne. Partout où la catégorie d'exposition apparaît dans un document de planification, l'en-tête est « charge de revue attendue », pas « risque ». Mêmes données, verbe correct. L'étiquette fait l'essentiel du travail dans la façon dont un tableau est lu.
- Associez chaque score d'exposition à une mesure interne d'adoption. L'exposition explique environ la moitié de la variance ; vos propres données d'usage expliquent le reste. Si vous ne pouvez pas mesurer l'adoption par travailleur, cette instrumentation est le prérequis du plan, pas son résultat.
- Protégez la profondeur de relecture dans vos fonctions les plus exposées. Ce sont elles qui produiront le plus de contenu machine et qui exigeront le plus de jugement senior pour le vérifier. Modélisez les heures de relecture avant de modéliser les économies.
- Datez l'hypothèse de capacités. Écrivez « les intrants théoriques reflètent des capacités d'IA au plus tard à la mi-2023 » directement sous le tableau. Cela fait vieillir l'affirmation aux yeux du lecteur suivant — seule défense contre un instantané de 2026 qui gouverne silencieusement une projection à 2035.
Le BLS vous a donné une carte de là où le travail va changer. Il a dit, cinq fois distinctement et dans ses propres mots, qu'il ne vous a pas donné une carte de là où vont les travailleurs.
Si un chiffre d'effectifs 2027 de votre plan remonte à une étiquette d'exposition très élevée, vous n'avez pas pris une décision de main-d'œuvre. Vous avez cité un classement qui excluait l'usage que vous venez d'en faire — et l'agence qui l'a publié ne sera pas celle qui défendra ce chiffre quand il se révélera faux.
