Les agents IA remplacent-ils les freelances ? Ce que disent 4 ans de données (ChatGPT, Claude, Upwork, Jobbit)

Tout chef d'entreprise se pose aujourd'hui une variante de la même question : quel travail peut être confié à un agent IA, et quel travail exige encore une personne ? Pour une fois, la question dispose d'un laboratoire. Depuis fin 2022, les plateformes de freelance en ligne qui accueillent des millions de rédacteurs, traducteurs, designers et développeurs ont aussi été le théâtre d'une expérience naturelle sur ce qui se produit lorsqu'un substitut compétent au travail intellectuel routinier survient du jour au lendemain, à un coût marginal proche de zéro, dans un marché où chaque mission est publiée, tarifée et horodatée.

Cette étude de cas traite cette expérience comme un chercheur traiterait tout autre corpus de données : ce qui a été mesuré exactement, avec quel degré de rigueur, ce que les résultats montrent, et ce qu'ils ne montrent pas encore. Elle s'appuie sur des études à comité de lecture et des documents de travail de chercheurs de Stanford, du MIT, de Harvard Business School, de l'université de Chicago et de l'UCLA, sur des expériences de terrain randomisées menées au sein de BCG et d'Alibaba, sur des évaluations de capacités réalisées par METR et OpenAI, ainsi que sur les données propres des plateformes Upwork et Fiverr. La période couverte va de novembre 2022, date de la sortie de ChatGPT, à août 2026, date de la dernière mise à jour de ces études.

La réponse courte à la question posée en titre est que les agents IA ont, jusqu'ici, remplacé des tâches plutôt que des freelances, et que ce remplacement a été étroit, rapide et inégal. La réponse longue est plus utile, car elle indique à une entreprise où se situe actuellement la frontière et comment travailler des deux côtés de celle-ci.

Synthèse des résultats

Cinq conclusions résistent à une lecture sceptique des données.

Premièrement, la substitution est réelle et concentrée. Dans les huit mois qui ont suivi la sortie de ChatGPT, les annonces pour des missions de rédaction et de développement propices à l'automatisation ont reculé d'environ 21% par rapport aux missions à forte intensité manuelle sur une grande plateforme mondiale, et les outils de génération d'images ont réduit les annonces de missions d'image d'environ 17%. Sur Upwork, les qualifications et la réputation sont devenues, de façon mesurable, moins prédictives de l'embauche dans les catégories exposées à l'IA, tandis que le prix l'est devenu davantage.

Deuxièmement, l'effet sur le marché du travail dans son ensemble reste faible. L'étude la plus précise, fondée sur les registres administratifs danois, exclut des effets sur les revenus ou les heures travaillées supérieurs à 2% deux ans après ChatGPT. L'exception est nette : aux États-Unis, l'emploi des travailleurs âgés de 22 à 25 ans dans les professions les plus exposées à l'IA se situe désormais environ 19% en dessous de ce qu'il serait s'il avait suivi le rythme de leurs homologues moins exposés.

Troisièmement, les gains de productivité liés au travail avec l'IA sont importants mais inégaux. Ils sont les plus élevés pour les travailleurs les moins expérimentés sur des tâches routinières et peuvent devenir négatifs pour des experts sur des tâches situées hors du champ de compétence de l'outil. Dans un essai rigoureux, des développeurs expérimentés se sont révélés 19% plus lents avec des outils d'IA, tout en croyant être 20% plus rapides.

Quatrièmement, les agents IA sont passés du statut d'assistants à celui de travailleurs. La durée des tâches qu'un système de pointe peut mener à bien double tous les quelques mois, et des évaluateurs experts en aveugle jugent désormais les livrables des meilleurs modèles égaux ou supérieurs à ceux d'un professionnel dans près de la moitié des cas. Mais une fois le temps de vérification et de correction pris en compte, le gain mesuré s'effondre, passant d'un facteur d'environ quatre-vingt-dix à une fourchette de 12% à 39%, et même les meilleurs agents IA en environnement professionnel commettent encore, à l'occasion, de petites erreurs aux conséquences irréversibles.

Cinquièmement, la réponse rationnelle, celle vers laquelle convergent les plateformes, est une division du travail : les agents IA pour le travail numérique routinier et vérifiable, les personnes pour le jugement, la responsabilité, la présence et tout ce qui est irréversible, avec une transmission délibérée entre les deux.

Le dossier : pourquoi les plateformes de freelance sont le bon laboratoire

Les économistes du travail travaillent généralement à partir d'enquêtes annuelles et de codes professionnels larges. Les plateformes de freelance en ligne offrent quelque chose de plus rare : un travail découpé en tâches individuelles, chacune assortie d'une date de publication, d'un prix, d'une catégorie, d'un acheteur, d'un vendeur et d'un résultat. Lorsqu'une technologie apparaît et se révèle capable d'exécuter certaines de ces tâches, le changement se manifeste en quelques semaines dans le flux des annonces, dans l'identité de celui qui remporte le contrat et au tarif auquel il le remporte. Le marché adopte aussi les nouveaux outils instantanément, car il n'existe aucun cycle d'achat entre un freelance et un onglet de navigateur.

Ces mêmes caractéristiques rendent le laboratoire imparfait. Les plateformes enregistrent la demande publiée, non la demande totale ; un client qui réalise désormais le travail en interne avec un agent disparaît des données au lieu d'apparaître comme une substitution. Les catégories évoluent, si bien qu'un recul de la « rédaction » peut correspondre en partie à un simple reclassement vers l'« édition de contenu par IA ». La plupart des grands jeux de données sont américains, et les freelances des plateformes ne sont pas représentatifs de l'ensemble de la main-d'œuvre. Ces limites comptent pour l'interprétation, et on y revient plus loin, mais elles ne rendent pas les données inutiles. Elles en font un indicateur avancé plutôt qu'un recensement.

Les enjeux ne sont pas minces. IPSE estime la population freelance du Royaume-Uni à environ 2.05 millions de personnes, soit environ la moitié des 4.2 millions de travailleurs indépendants sans salarié du pays, selon une définition limitée aux trois catégories professionnelles les plus qualifiées. Ce sont précisément les professions que les études d'applicabilité de l'IA classent le plus haut.

Chronologie des données, de 2022 à 2026

Résultat 1 : la substitution est réelle, rapide et étroite

Les premières données rigoureuses proviennent de Xiang Hui, Oren Reshef et Luofeng Zhou, dont l'étude portant sur une grande plateforme de travail en ligne a été publiée dans Organization Science en 2024, avant de recevoir le prix Olin de l'université Washington pour une recherche à impact pratique. En comparant des freelances exerçant des métiers exposés à ChatGPT, DALL-E 2 et Midjourney à ceux exerçant des métiers moins exposés, ils ont constaté un recul à la fois du nombre de missions et des revenus mensuels pour le groupe exposé. Le résultat qui a le plus troublé le champ de recherche concernait la qualité. Les freelances aux bonnes évaluations passées et aux longs antécédents n'étaient pas protégés ; les auteurs rapportent même des indices suggérant que les meilleurs éléments ont été plus durement touchés. La lecture la plus plausible est que, pour le travail routinier de texte et d'image, une production humaine excellente et une production machine simplement correcte étaient devenues des substituts proches aux yeux des acheteurs, si bien que la prime à l'excellence s'est érodée en premier.

Ozge Demirci, Jonas Hannane et Xinrong Zhu ont ensuite mesuré directement le côté de la demande. À partir des annonces d'une grande plateforme mondiale de freelance, dans un article publié dans Management Science en 2025, ils ont constaté une baisse de 21% des annonces de missions de rédaction et de développement propices à l'automatisation par rapport aux missions à forte intensité manuelle dans les huit mois suivant la sortie de ChatGPT, ainsi qu'une baisse de 17% des annonces de création d'images après l'arrivée des modèles générateurs d'images. Deux résultats secondaires comptent autant que le résultat principal. Les annonces qui subsistaient dans les catégories exposées étaient plus complexes et mieux payées, et la concurrence pour les obtenir s'est intensifiée. Autrement dit, la substitution n'a pas vidé la catégorie : elle en a retranché le bas de gamme.

Pourquoi la rédaction, la traduction et le travail d'image en premier ? L'analyse de 200 000 conversations anonymisées avec Bing Copilot réalisée par Microsoft Research, publiée en 2025, donne une forme à ce mécanisme. Les professions présentant la plus forte applicabilité de l'IA étaient celles dont le travail consiste à rassembler, produire et communiquer de l'information ; les interprètes et traducteurs arrivaient en tête, avec 98% de leurs activités de travail recoupant des tâches que l'assistant savait déjà bien accomplir. L'applicabilité n'est pas la substitution, et les auteurs prennent soin de le préciser, mais ce classement prédit presque exactement les catégories freelances que les études de plateformes ont trouvées en recul.

Les données les plus récentes et, pour un lecteur d'entreprise, les plus instructives, viennent d'Auyon Siddiq et Niuniu Zhang, de UCLA Anderson. Leur document de travail de 2026, "Human Capital, AI, and Labor Commoditization" (Capital humain, IA et marchandisation du travail), suit près de 50 000 freelances Upwork actifs avant ChatGPT sur 21 trimestres, de début 2021 à début 2026, couvrant 2.26 millions de contrats menés à terme. Plutôt que de compter les missions, ils cherchent ce qui prédit qui se fait embaucher. Dans les catégories les plus exposées à l'IA, comme la traduction et la rédaction, le poids prédictif combiné de la présentation de soi, des qualifications et de la réputation d'un freelance a reculé d'environ 7.8% par rapport à des catégories moins exposées comme la photographie, tandis que le poids du prix augmentait. Au terme de la dernière année, les mesures de capital humain avaient perdu environ 10.1% de leur importance et le prix en avait gagné environ 1.8%. L'avantage dont bénéficiaient les freelances expérimentés s'est réduit de 6.2%, puis de 10.3%, et dans le travail le plus exposé, les freelances moins chers ont remporté 7.9% de contrats en plus. La demande globale dans les domaines exposés a reculé d'environ 7%. Les auteurs nomment ce phénomène la marchandisation : lorsqu'un acheteur peut obtenir d'un modèle un premier jet passable, ce pour quoi il est prêt à payer un humain change de nature, passant de « qui êtes-vous » à « combien ».

Résultat 2 : l'effet global reste faible, à une exception retentissante près

Si les données de plateformes racontaient toute l'histoire, les statistiques nationales devraient déjà le montrer. Ce n'est pas le cas dans l'ensemble, et les études qui ne trouvent pas d'effets importants comptent parmi les mieux conçues.

Anders Humlum et Emilie Vestergaard ont relié de vastes enquêtes d'adoption aux registres administratifs du travail danois, couvrant 25 000 travailleurs et 7 000 lieux de travail dans onze professions exposées. Leur document de travail du NBER, diffusé pour la première fois en 2025 et révisé en mars 2026, documente une adoption rapide : la plupart des employeurs des professions exposées avaient lancé des initiatives autour des agents conversationnels, les travailleurs rapportaient des gains de productivité, et de nouvelles tâches liées à l'IA étaient répandues. Pourtant, les estimations en différences de différences sur les revenus et les heures enregistrées sont des effets nuls estimés avec précision, excluant des effets supérieurs à 2% deux ans après ChatGPT, tant au niveau du travailleur que du lieu de travail. Ce qui a bougé, c'est la structure du travail : les employeurs ont absorbé la technologie par une réorganisation des tâches, avec de nouvelles tâches dans la génération de contenu, la supervision de l'IA et l'intégration de l'IA, et les adoptants ont dérivé vers des professions mieux rémunérées où les outils sont plus utiles, mais en nombre trop faible pour modifier les moyennes. La version antérieure de l'article situait les économies de temps autodéclarées à moins de 3% des heures de travail, une fraction des gains, souvent supérieurs à 15%, documentés par les essais contrôlés dans les mêmes professions. L'écart entre ce que l'IA peut faire dans un essai et ce qu'elle change dans une fiche de paie est l'énigme centrale de cette littérature, et c'est au Danemark qu'elle est mesurée le plus proprement.

Le Budget Lab de Yale parvient à une conclusion similaire pour les États-Unis, par une voie différente. En suivant la composition professionnelle de l'emploi et en appliquant une méthode de différences de différences synthétique aux professions exposées à l'IA, ses mises à jour de 2025 et 2026 ne trouvent aucune empreinte nette de l'IA. Le début de 2026 montre à la fois peu de licenciements et peu d'embauches, et les auteurs soutiennent qu'une technologie aux effets généralisés mettrait normalement plus longtemps que les quelque trois années écoulées depuis ChatGPT à les révéler.

L'exception est documentée par Erik Brynjolfsson, Bharat Chandar et Ruyu Chen, du Digital Economy Lab de Stanford, dont l'article "Canaries in the Coal Mine?" (Des canaris dans la mine ?) exploite les registres de paie ADP couvrant des millions de travailleurs américains. Dans sa mise à jour d'août 2026, avec des données allant jusqu'à juin 2026, l'emploi des travailleurs de 22 à 25 ans dans les professions fortement exposées à l'IA se situait environ 19% en dessous de ce qu'il aurait été s'il avait suivi celui de travailleurs d'âge similaire dans des professions moins exposées, contre un écart de 15% un an plus tôt. En niveau, l'emploi de cette classe d'âge dans les deux quintiles les plus exposés a reculé d'environ 11% entre novembre 2022 et juin 2026, tandis que l'emploi dans les trois quintiles les moins exposés a progressé d'environ 10%. Les travailleurs expérimentés ne présentent aucun écart comparable, et les auteurs affirment clairement ne pas observer de substitution généralisée à l'échelle de l'économie. Les baisses se concentrent dans les professions où l'usage de l'IA automatise le travail plutôt qu'il ne le complète.

Ces résultats sont cohérents entre eux dès lors que l'on cesse d'attendre de l'IA qu'elle se comporte comme une récession. La substitution au niveau des tâches apparaît d'abord là où les contrats sont les plus courts et se retarifient le plus souvent : les missions freelances et l'embauche de premier échelon. Le marché du freelance est le canari, car il se retarifie chaque semaine ; la fiche de paie est la mine, et l'air y a, pour l'instant, le moins changé.

Résultat 3 : les gains d'augmentation sont importants mais inégaux, et la frontière est dentelée

Le complément de la substitution, c'est l'augmentation, et les données expérimentales y sont exceptionnellement solides, car la randomisation y est possible.

Brynjolfsson, Danielle Li et Lindsey Raymond ont étudié l'introduction échelonnée d'un assistant d'IA générative auprès de 5 179 agents du service client, dans un article publié dans le Quarterly Journal of Economics en 2025. Le nombre de dossiers résolus par heure a augmenté de 14% en moyenne, avec un gain de 34% pour les agents débutants et moins qualifiés, et peu de changement pour les agents expérimentés et hautement qualifiés. L'outil semblait encoder les pratiques des meilleurs agents et les transmettre aux plus récents, les faisant progresser plus vite sur la courbe d'expérience.

Fabrizio Dell'Acqua et ses collègues de Harvard Business School, en collaboration avec BCG, ont réparti aléatoirement 758 consultants en management sur des tâches réalistes, avec ou sans GPT-4, dans une étude désormais publiée dans Organization Science. Sur dix-huit tâches relevant du champ de compétence du modèle, les consultants assistés par l'IA ont accompli 12.2% de tâches en plus, 25.1% plus vite, avec une qualité jugée supérieure de 40% par des évaluateurs en aveugle. Sur une tâche délibérément choisie en dehors de ce champ de compétence, les consultants assistés par l'IA avaient 19 points de pourcentage de chances en moins d'atteindre la bonne réponse. L'expression que les auteurs donnent à cette frontière, la frontière technologique dentelée, est devenue la description standard du problème : le champ de compétence de l'outil ne suit pas des lignes qu'un utilisateur peut voir, et les utilisateurs distinguent mal de quel côté de la ligne ils se trouvent.

Une expérience de terrain menée au sein des opérations de service client d'Alibaba, par Xiao Ni, Tianjun Feng, Lauren Xiaoyuan Lu et coauteurs, a reproduit ce schéma de distribution à grande échelle : 5 940 nouveaux agents, environ 2.56 millions d'échanges, 390 000 évaluations de clients. Les moins performants se sont le plus améliorés, tant en rapidité qu'en qualité ; les plus performants n'ont gagné que peu de rapidité et ont perdu en qualité, sur les mesures tant subjectives qu'objectives. Une assistance qui relève le plancher peut abaisser le plafond.

Vient ensuite l'essai randomisé mené par METR auprès de développeurs open source expérimentés, publié en juillet 2025, qui est le résultat de mise en garde le plus cité de la période et mérite un énoncé précis. Seize développeurs ont travaillé sur 246 tâches réelles dans des dépôts qu'ils maintenaient, comptant en moyenne plus de 22 000 étoiles et un million de lignes de code, les tâches se voyant, de façon aléatoire, autoriser ou refuser des outils d'IA, principalement Cursor avec Claude 3.5 et 3.7 Sonnet. Avec l'IA, ils ont mis 19% de temps en plus. Avant l'étude, ils avaient prévu un gain de vitesse de 24% ; après coup, ils estimaient avoir été 20% plus rapides. L'écart de perception est tout aussi important que le résultat de productivité. Il suggère que les gains autodéclarés, sur lesquels reposent la plupart des enquêtes sectorielles, sont biaisés à la hausse précisément là où l'expertise est la plus grande. Les implications pour le travail logiciel en particulier sont abordées dans l'IA va-t-elle remplacer les développeurs de logiciels ?

Une synthèse de 2025 signée R. Maria del Rio-Chanona, Ekkehard Ernst, Rossana Merola, Daniel Samaan et Ole Teutloff rassemble ces différents fils à travers la littérature : des gains de productivité d'environ 20% à 60% dans les essais contrôlés et de 15% à 30% dans les expériences de terrain, plus importants pour les novices sur des tâches simples, mitigés sur des tâches complexes, avec des données de traces numériques montrant une substitution dans la rédaction et la traduction, une demande croissante de compétences en IA, et des indices modestes mais grandissants d'un recul de la demande pour les novices.

Résultat 4 : les agents IA sont passés du statut d'assistant à celui de travailleur, et l'écart de fiabilité explique tout

Tout ce qui précède concerne l'IA en tant qu'assistante d'un humain qui reste impliqué à chaque étape. Ce qui a changé depuis 2025, c'est que les systèmes exécutent désormais un travail à plusieurs étapes, l'humain ne vérifiant qu'à la fin, voire pas du tout, ce qui change la nature des données pertinentes.

La mesure d'horizon temporel de METR cherche à établir la durée de tâche, exprimée dans le temps que mettrait un professionnel humain, qu'un système peut mener à bien avec un taux de réussite de 50%. Dans la révision de janvier 2026 de la méthodologie, avec une batterie élargie à 228 tâches dont 31 de huit heures ou plus, le temps de doublement à long terme a été estimé à environ 196 jours, avec un doublement plus rapide de 131 jours depuis 2023 et de 89 jours depuis 2024. Le meilleur modèle mesuré à ce moment-là, Claude Opus 4.5, affichait un horizon à 50% d'environ 320 minutes, avec un large intervalle de confiance d'environ trois à douze heures. Les auteurs précisent explicitement qu'un seuil de réussite de 50% est généreux pour du travail réel, que la tendance est sensible à la composition des tâches, et que la plupart des tâches longues utilisent des temps humains estimés plutôt que mesurés. Ces réserves posées, la direction ne fait aucun doute : la durée du travail numérique délégable croît de façon exponentielle.

L'évaluation GDPval d'OpenAI, publiée fin 2025, cherche à savoir si ce travail délégué est réellement bon. Les tâches ont été rédigées par des professionnels de 44 métiers répartis sur neuf secteurs, comptant en moyenne 14 ans d'expérience, et notées par comparaison en aveugle, deux à deux, avec le livrable humain, par des experts. Le meilleur modèle, Claude Opus 4.1, a produit des livrables jugés meilleurs ou équivalents à ceux de l'expert dans 47.6% des cas. Le chiffre qu'une entreprise doit retenir est un autre. La comparaison naïve du temps machine au temps humain donne des ratios proches d'un facteur quatre-vingt-dix, mais une fois que l'article prend en compte un humain qui vérifie et, si nécessaire, refait le travail, le gain estimé retombe entre 1.12 et 1.39 fois selon la stratégie retenue. C'est dans la vérification que le coût s'est logé. Il s'agit du même mécanisme que celui observé par Dell'Acqua chez les consultants et par METR chez les développeurs, désormais mesuré au niveau du livrable.

Les référentiels en environnement professionnel montrent à la fois la vitesse des progrès et ce qu'il en reste. TheAgentCompany, de Carnegie Mellon, a placé des agents IA dans une entreprise de logiciels simulée, avec de véritables instances de GitLab, OwnCloud, Plane et RocketChat et 175 tâches ; le meilleur agent IA en a accompli environ un quart lors du lancement fin 2024, puis environ 30% au cours de 2025. Olly Styles et Sam Miller ont révisé leur référentiel WorkBench en juin 2026 et ont rapporté que le taux d'achèvement du meilleur agent IA était passé de 43% pour GPT-4 en mars 2024 à 98% pour Claude Fable 5, tandis que la part des exécutions comportant des actions dommageables non voulues tombait de 26% à 1.9%. Ils rapportent aussi que les modèles de pointe commettent encore des erreurs élémentaires qui causent, à l'occasion, un préjudice irréversible. Deux pour cent, c'est très bon ; c'est aussi, environ, une exécution sur cinquante qui fait quelque chose qu'elle ne devrait pas.

L'expérience de terrain menée par Alibaba en 2026, par Yiwei Wang, Chuan Zhu, Tianjun Feng, Lauren Xiaoyuan Lu et Bingxin Jia, constitue la première preuve randomisée sur l'IA agentique avec supervision humaine dans une opération de service en conditions réelles. Les travailleurs du groupe traité supervisaient un agent IA qui traitait les échanges clients éligibles, pendant qu'eux-mêmes traitaient le reste à la main. La durée moyenne des échanges a diminué, avec un effet limité sur le retour des clients pour le même problème, mais les échanges traités par l'agent recevaient des notes nettement plus basses. L'intervention humaine redressait bien mieux la situation lorsque l'échec était technique, un problème non résolu, que lorsqu'il était émotionnel, un client frustré, et elle fonctionnait mieux lorsqu'elle intervenait tôt. Les travailleurs superviseurs prêtaient aussi davantage attention aux échanges qu'ils traitaient encore eux-mêmes, un effet d'entraînement positif. C'est, à ce jour, la preuve la plus directe de la manière dont il faut concevoir la transmission entre l'agent et la personne : surveiller tôt, intervenir sur les faits, et ne pas laisser les émotions à la machine.

Les données d'adoption confirment que ce basculement ne se limite pas aux laboratoires. L'Economic Index d'Anthropic pour mars 2026 indique que 49% des professions ont vu au moins un quart de leurs tâches accomplies avec Claude, et que le travail de code a migré de l'usage conversationnel vers des flux automatisés par API, la part du code progressant de 14% dans l'API et reculant de 18% dans le produit de conversation depuis août 2025. La contribution de Lightcast à l'AI Index 2026 de Stanford trouve des compétences en IA dans 2.5% de l'ensemble des annonces d'emploi américaines, et des annonces mentionnant un ensemble de compétences en « IA agentique » passant de 0.06% en 2024 à 0.23% en 2025, soit environ 90 000 annonces. Et UpBench, un référentiel de 2025 construit à partir de missions réelles et menées à terme sur la place de marché Upwork, fait décomposer chaque mission par des freelances experts en critères d'acceptation vérifiables, sur lesquels les agents sont ensuite notés. Noter des agents avec la grille qu'un client appliquerait à un freelance est un signal de la direction que devrait prendre l'offre.

Mécanismes : pourquoi ce schéma se dessine ainsi

Quatre mécanismes expliquent l'essentiel de ce que montrent les données, et il vaut la peine de les énoncer, car ils permettent de prédire la suite.

Le premier est la marchandisation de la compétence routinière. Lorsqu'un modèle produit un brouillon acceptable d'une description de produit, d'une traduction ou d'un module standard, la disposition de l'acheteur à payer pour les qualifications d'un humain dans cette catégorie diminue, et le prix devient la variable décisive. Siddiq et Zhang mesurent exactement ce basculement, et Demirci et ses collègues en montrent l'image en miroir : le travail qui demeure humain devient plus complexe, mieux payé, et plus disputé.

Le deuxième est le coût de vérification comme contrainte déterminante. Produire est devenu bon marché ; vérifier ne l'est pas devenu. L'effondrement de GDPval d'un facteur quatre-vingt-dix à moins de 1.4 fois une fois la vérification comptabilisée, le ralentissement des experts chez METR, et la frontière dentelée décrivent tous la même économie. Qui peut vérifier un résultat à bas coût capte le gain ; qui ne le peut pas le paie en reprises ou en erreurs non détectées. C'est pourquoi les gains profitent aux novices sur des tâches faciles à vérifier et stagnent pour les experts sur des tâches où vérifier coûte aussi cher que faire.

Le troisième est l'écart d'apprentissage. Les tâches qu'un agent IA accomplit bien sont celles que les entreprises confiaient autrefois à leur personnel junior et à leurs freelances débutants pour qu'ils apprennent le métier. Brynjolfsson, Li et Raymond montrent que l'assistance aide surtout les novices ; Brynjolfsson, Chandar et Chen montrent que les entreprises en embauchent néanmoins moins. Les deux peuvent être vrais à la fois : une entreprise qui a besoin de moins de juniors pour produire le même résultat embauche moins de juniors, même si chacun d'eux est plus productif. Le coût de long terme, un vivier de professionnels expérimentés qui s'amenuise, n'est encore visible dans aucun jeu de données, et c'est la variable non mesurée la plus importante de ce domaine.

Le quatrième est la persistance des tâches humaines complémentaires. Le groupe de comparaison de Demirci, le travail à forte intensité manuelle, n'a pas reculé. L'expérience d'Alibaba montre que les échecs émotionnels résistent à la récupération par la machine. La responsabilité, la présence, le travail physique et les relations restent humains pour des raisons qui n'ont rien à voir avec les capacités des modèles et tout à voir avec ce qu'un client est prêt à accepter.

Un lecteur sceptique doit garder à l'esprit deux explications alternatives, à côté de celles-ci. Le recul de l'embauche de premier échelon aux États-Unis coïncide avec la hausse des taux d'intérêt et le reflux des embauches technologiques de l'ère pandémique, qui a frappé indépendamment la même cohorte ; les auteurs de Stanford traitent cette question au moyen de comparaisons intra-entreprise et en opposant les professions automatisantes aux professions augmentantes, mais le facteur de confusion ne peut être totalement exclu. Par ailleurs, chaque mesure d'« exposition » est elle-même dérivée d'un modèle, si bien que les études testent en partie les hypothèses du classificateur. Les institutions danoises de négociation collective peuvent aussi amortir des réponses salariales qui apparaîtraient plus vite dans un marché du travail plus flexible.

Comment les plateformes ont réagi

Les places de marché ont lu les mêmes signaux et ont agi. En avril 2025, le directeur général de Fiverr, Micha Kaufman, a écrit à ses équipes que « l'IA vient chercher vos emplois », y compris le sien, et les a exhortées à maîtriser des outils comme Cursor et Legora ; en septembre 2025, l'entreprise a supprimé environ 250 postes, près de 30% de ses effectifs, pour devenir ce qu'elle a appelé une entreprise « IA d'abord », après avoir lancé ses outils créateurs Fiverr Go en février de la même année. Upwork transforme son assistant, Uma, en ce qu'elle décrit comme un agent de travail toujours actif, capable d'agir au nom des clients et des freelances, et son Future Workforce Index 2026 redéfinit le freelance qui réussit comme un « orchestrateur d'IA » qui relie des outils à une expertise sectorielle et exerce son jugement. Le même rapport donne le signal-prix en une phrase : les freelances effectuant du travail lié à l'IA gagnaient 34% de plus de l'heure que les autres, le travail complexe augmenté par l'IA a vu ses revenus progresser de 45% sur un an, tandis que le travail de production créative et d'IA générative a vu ses créations de contrats croître de 90% alors que les revenus par contrat chutaient de 13%. Le volume s'est déplacé vers le bas de gamme ; l'argent s'est déplacé vers le haut de gamme.

Jobbit, la plateforme sur laquelle cette étude de cas est publiée, a été conçue autour de la division du travail que les données indiquent, plutôt qu'autour de l'un ou l'autre de ses deux côtés. L'agent IA prend en charge le travail numérique vérifiable : construire et déployer un site ou une application web, rédiger des documents et des présentations, mener des recherches, mettre en place des automatisations, générer des images et des vidéos. L'utilisateur peut le regarder travailler dans le navigateur de l'agent et en reprendre le contrôle à tout moment, ce qui correspond au schéma d'intervention précoce que l'expérience d'Alibaba a jugé le plus efficace. Pour le travail qu'un agent effectue mal ou ne devrait pas faire seul, les missions physiques et locales, la vérification par un expert responsable, tout ce pour quoi un client a besoin d'une personne, la plateforme oriente vers un réseau humain modéré sur pro.jobbit.uk. Jobbit n'a pas publié ses propres données d'essai, et cette étude ne formule aucune affirmation sur des résultats mesurés qui lui seraient propres ; l'affirmation porte sur l'adéquation entre une conception et les données. Les lecteurs qui souhaitent en connaître les mécanismes peuvent commencer par ce qu'est réellement l'IA agentique, le guide pour regarder et reprendre le contrôle du navigateur de l'agent, et la liste pratique des cas d'usage de l'IA pour une petite entreprise.

Ce qu'une entreprise doit faire de ces données

Ces résultats se traduisent en une règle de délégation qu'un chef d'entreprise peut appliquer sans avoir lu la moindre étude.

Confiez à un agent IA le travail routinier et vérifiable : premiers jets, synthèses, notes de recherche, documents standards, un site ou un outil interne que l'on peut parcourir et vérifier en un après-midi. C'est là que toutes les études trouvent les gains les plus importants, en particulier lorsque l'entreprise accomplit aujourd'hui la tâche lentement ou pas du tout, car l'effet novice s'applique aux entreprises autant qu'aux personnes. Une séquence de démarrage concrète est présentée dans comment automatiser son entreprise avec des agents IA.

Gardez une personne sur le travail irréversible, émotionnel, physique ou engageant la responsabilité : tout ce qui envoie de l'argent, supprime des données, concerne un client mécontent, ou exige que quelqu'un réponde du résultat. L'expérience d'Alibaba et ce qui subsiste chez WorkBench pointent dans le même sens.

Intégrez le temps de vérification dans le calcul avant de conclure qu'un agent coûte moins cher. L'arithmétique honnête de GDPval, un gain de 12% à 39% plutôt qu'un facteur quatre-vingt-dix, est le chiffre à retenir pour planifier. Si personne dans l'entreprise ne peut vérifier le résultat, le gain n'est pas réel ; la réponse, dans ce cas, consiste à faire exécuter le travail par l'agent et à le faire vérifier par un expert humain, l'arrangement pour lequel les données freelances montrent que les acheteurs paient déjà une prime.

Attendez-vous à ce que la frontière soit dentelée et qu'elle se déplace. Une tâche que l'agent ne savait pas faire en janvier peut devenir routinière d'ici septembre, et l'inverse n'est pas vrai. Testez, conservez une trace de ce qui a été vérifié et de ce qui a échoué, et révisez la répartition chaque trimestre.

Limites et questions ouvertes

La plupart des grands jeux de données sont américains, et les données de plateformes mesurent la demande publiée plutôt que l'ensemble du travail effectué. Les mesures d'exposition sont dérivées de modèles, et les résultats héritent en partie des hypothèses du classificateur. Les horizons sont courts : deux ans au Danemark, moins de quatre aux États-Unis, et la remarque des auteurs de Yale selon laquelle des effets généralisés pourraient prendre plus de temps mérite d'être retenue. Les référentiels ne sont pas des emplois ; les tâches de GDPval sont des livrables autonomes et WorkBench est un bureau synthétique, alors que le travail réel est interrompu, ambigu et politique. Les capacités évoluent assez vite pour que tout chiffre de cette étude ne soit qu'un instantané, et les études les plus susceptibles d'être dépassées sont celles portant sur les chiffres de capacité, pas celles portant sur le travail. Enfin, l'effet le plus important pour la décennie à venir, à savoir si un vivier d'apprentissage amenuisé dégrade l'offre de professionnels expérimentés, ne peut encore être mesuré du tout.

Conclusion

Les agents IA remplacent-ils les freelances ? Jusqu'ici, ils remplacent des tâches, et ils le font là où le résultat d'une tâche peut être produit et jugé comme routinier. Cela a suffi à réduire le marché de la rédaction, de la traduction et du travail d'image standardisés, à affaiblir la prime à l'embauche accordée aux qualifications dans ces catégories, et à réduire fortement l'embauche de premier échelon dans les professions exposées, tout en laissant les revenus et les heures travaillées des économies dans leur ensemble pour l'essentiel inchangés. Le freelance qui prospère dans les données est celui qui vend du jugement, de la responsabilité et la capacité à diriger et à vérifier le travail de la machine ; l'entreprise qui en profite est celle qui apprend à déléguer le travail routinier et à le vérifier, et qui garde une personne sur tout ce qui ne peut être défait. Le marché ne perd pas l'un des deux côtés de la transaction. Il se réorganise autour de la transmission entre les deux, et les plateformes qui facilitent cette transmission sont celles que les données favorisent.

Questions fréquentes

Les agents IA remplacent-ils les freelances ?

Pas en tant que catégorie. Les meilleures données de 2022 à 2026 montrent que l'IA remplace des tâches précises, principalement la rédaction routinière, la traduction, la création d'images et le codage simple, domaines où les annonces de missions ont reculé d'environ un cinquième par rapport au travail manuel dans les mois qui ont suivi ChatGPT. La demande pour le travail complexe dans les mêmes catégories a progressé, tant en rémunération qu'en concurrence, et les données nationales ne montrent aucune substitution à l'échelle de l'économie. Les perdants les plus nets sont les travailleurs de premier échelon dans les professions exposées, pas les freelances expérimentés.

Quelles missions freelances sont les plus touchées par l'IA ?

La rédaction, la traduction, l'édition de contenu, la production d'images et de design, et le codage routinier. Les études portant sur Upwork et d'autres plateformes constatent que ces catégories ont perdu des annonces et que les qualifications comptent moins, tandis que le prix compte davantage, lorsque les clients embauchent. Le travail physique, local, fondé sur la relation, ou qui engage la responsabilité du résultat, est resté, jusqu'ici, largement épargné.

Est-il moins coûteux d'utiliser un agent IA que d'embaucher un freelance ?

Pour un travail routinier et vérifiable, généralement oui, mais dans une moindre mesure que ne le suggèrent les comparaisons les plus spectaculaires. L'évaluation GDPval d'OpenAI a constaté que les modèles produisent des livrables professionnels environ quatre-vingt-dix fois plus vite en termes bruts, mais qu'une fois la vérification et la correction humaines comptabilisées, le gain retombe à environ 12% à 39%. Si personne dans l'entreprise ne peut vérifier le résultat, l'option réaliste consiste à faire produire le travail par un agent et à le faire vérifier par un expert humain.

Quel travail une petite entreprise doit-elle encore confier à une personne ?

Tout ce qui est irréversible, émotionnel, physique ou engage la responsabilité : les paiements et les suppressions, les clients mécontents, les missions sur site, et les résultats dont quelqu'un doit répondre. Une expérience de terrain menée chez Alibaba en 2026 a constaté que les échanges de service traités par un agent étaient plus rapides mais moins bien notés, et que l'intervention humaine rattrapait bien mieux les échecs techniques que les échecs émotionnels. Des plateformes comme Jobbit associent un agent pour les tâches numériques à un réseau humain pour exactement ce reliquat.

Pourquoi les études divergent-elles sur l'IA et l'emploi ?

Elles mesurent surtout des choses différentes. Les expériences contrôlées mesurent ce que l'IA peut faire sur des tâches sélectionnées et trouvent des gains importants ; les données de plateformes mesurent la demande pour des catégories de tâches précises et trouvent des baisses locales marquées ; les données de paie et administratives mesurent l'emploi et les revenus à l'échelle de l'économie et ne trouvent, jusqu'ici, que peu de changement. Le tableau devient cohérent dès lors que l'on combine la substitution au niveau des tâches, l'augmentation inégale et la lenteur de l'ajustement global.