Les robots vont-ils prendre les emplois manuels ? Ce que dit vraiment l'étude 2026 d'Anthropic (Anthropic, Tesla, Nvidia, Jobbit)

Depuis dix ans, le débat public sur l'automatisation repose sur un seul chiffre. En 2013, Carl Benedikt Frey et Michael Osborne, à Oxford, estimaient que 47% des emplois aux États-Unis relevaient de professions fortement exposées au risque d'informatisation dans les deux décennies à venir, et ce chiffre a été repris dans tous les discours sur l'avenir du travail depuis. Treize ans plus tard, les robots censés vider les entrepôts et les chantiers sont apparus lors de démonstrations, dans quelques milliers d'usines et dans un petit nombre de taxis, et les personnes censées être remplacées sont toujours au travail, beaucoup d'entre elles dans des métiers en pénurie que les employeurs n'arrivent pas à pourvoir. Quelque chose clochait dans le récit habituel, et jusqu'à récemment personne n'avait mesuré quoi.

Le 30 septembre 2026, l'équipe d'économistes d'Anthropic a publié "What work can robots do?" (Quel travail les robots peuvent-ils faire ?), de Russell Legate-Yang et Maxim Massenkoff. C'est, pour autant que cette revue puisse l'établir, la première tentative d'évaluer chaque tâche physique de l'économie américaine au regard de robots qui existent réellement, puis de poser la question que les 47% n'ont jamais posée : à quel prix. La réponse remodèle le débat. Les robots peuvent déjà effectuer environ les trois quarts des tâches physiques aux États-Unis, mais ils ne sont moins chers qu'un humain que pour trois sur mille. Combler cet écart au rythme de baisse des prix des robots observé depuis les années 1990 prendrait environ quarante ans pour atteindre un dixième du travail, et même un scénario agressif place la moitié du travail physique au-delà de 2050. Cette étude de cas lit le document de près, le confronte aux données sur ce que l'IA fait déjà au travail de bureau, examine les objections, et dégage ce que ce schéma signifie pour un artisan britannique, un dirigeant de petite entreprise et une société comme Jobbit, bâtie sur la prémisse que le document quantifie désormais : le passage de relais entre machines et humains est la question de conception centrale des vingt prochaines années.

Résumé des conclusions

Premièrement, la capacité n'est plus la contrainte déterminante pour la plupart des travaux physiques. L'étude d'Anthropic constate que les robots peuvent effectuer 74% des tâches physiques aux États-Unis, ce qui représente 34% de toutes les heures travaillées, en s'appuyant sur des robots qui ont été vendus, déployés ou démontrés, et non simplement imaginés.

Deuxièmement, le coût l'est. Les robots sont compétitifs en coût face à un travailleur pour 0.3% des tâches professionnelles aujourd'hui. Pour la grande profession la plus exposée, les emballeurs et conditionneurs, l'économie annuelle estimée est d'environ 2 500 $ par travailleur pour des coûts de main-d'œuvre d'environ 49 000 $ ; pour les chauffeurs de taxi, le robot coûte encore environ 7 000 $ de plus que l'humain.

Troisièmement, l'écart se comble lentement. Les prix des robots baissent d'environ 3% par an depuis les années 1990. À ce rythme, il faut 40 ans pour que les robots deviennent compétitifs en coût pour 10% du travail américain. Dans le scénario rapide du document, avec des coûts qui baissent quatre fois plus vite et des capacités qui progressent deux fois plus vite, les robots deviennent moins chers que les personnes pour la moitié du travail physique vers 2050, contre 2085 selon la tendance historique, et automatiser 90% de ce travail prend encore 53 ans.

Quatrièmement, le travail numérique présente le tableau inverse. Environ 50% du travail américain est exposé aux grands modèles de langage seuls et 81% aux modèles de langage ou aux robots combinés, et les premières données du marché du travail issues des fichiers de paie montrent que l'emploi des 22 à 25 ans dans les professions les plus exposées à l'IA se situe environ 19% en dessous de celui de leurs pairs moins exposés, sans mouvement équivalent pour les travailleurs expérimentés ni pour l'économie dans son ensemble.

Cinquièmement, les personnes les plus exposées aux robots sont celles qui disposent du moins de marge de sécurité. Par rapport aux travailleurs non exposés, elles ont 55 points de pourcentage de chances en moins de détenir un diplôme, gagnent environ 30 $ de moins par heure et ont un taux de chômage plus de deux fois supérieur.

Sixièmement, les obstacles qui subsistent sont précis et mesurables. Environ 70% des tâches physiques sont freinées par la capacité, dont environ la moitié par la manipulation et la dextérité ; 14% sont bloquées par la réglementation actuelle et 25% par les préférences humaines. Ce sont les tâches pour lesquelles une personne sera nécessaire pendant des décennies, et pour lesquelles les données permettant d'entraîner les machines n'existent pas encore.

Le cas : pourquoi cette étude est le bon laboratoire

Les prévisions d'automatisation ont généralement échoué de deux façons. Les études au niveau des professions, comme celle de Frey et Osborne, ont traité des emplois entiers comme des unités automatisables, ce qui a produit le chiffre de 47% ; lorsque Melanie Arntz, Terry Gregory et Ulrich Zierahn, à l'OCDE, ont refait l'exercice en 2016 au niveau des tâches, en tenant compte du mélange de travaux au sein de chaque profession dans 21 pays, la part des emplois automatisables est tombée à 9%. Les études fondées sur des enquêtes d'experts, de leur côté, demandaient à des spécialistes ce que les machines seraient capables de faire, ce qui revient à parier sur des technologies qui ne verront peut-être jamais le jour.

Le document d'Anthropic évite ces deux pièges par conception. Il part des quelque 19 000 énoncés de tâches pour environ 900 professions de O*NET, la base de données professionnelle du Department of Labor des États-Unis, ainsi que des données d'emploi et de salaires du Bureau of Labor Statistics. Il utilise le modèle Claude pour noter chaque tâche selon son contenu physique, cognitif et interpersonnel, ne retient que les tâches physiques qui ne pouvaient pas être automatisées par un logiciel ordinaire, puis recherche sur le web des robots précis dont il est démontré qu'ils ont effectué chaque tâche, en exigeant comme preuve un déploiement commercial, des ventes ou une démonstration significative. Chaque tâche est placée sur une échelle à quatre niveaux de contrôle de l'environnement : E0, aucun robot ne peut la faire ; E1, un robot peut la faire dans un environnement conçu à cet effet, comme une chaîne d'usine ; E2, dans une installation humaine structurée, comme un entrepôt ; E3, dans un environnement non structuré, comme une route en ville. La plupart des robots déployés vivent dans des espaces conçus sur mesure, ce qui explique pourquoi les auteurs considèrent ce niveau comme une bonne mesure du risque à court terme.

Le coût est modélisé plutôt que supposé. Pour chaque tâche exposée, le modèle estime le coût annuel du robot cité, y compris l'achat et l'installation, la maintenance, les logiciels, l'énergie, la supervision, l'assurance et le démantèlement, les coûts fixes étant annualisés à un coût du capital estimé, et le compare à la rémunération totale du travailleur proportionnelle à la part de son temps consacrée à cette tâche. Une tâche n'est compétitive en coût que lorsque le coût annuel du robot est inférieur à celui de la main-d'œuvre qu'il remplace. Les auteurs valident ensuite l'ensemble du dispositif rétrospectivement : en évaluant les tâches au regard des robots qui existaient en 1977 et durant les décennies suivantes, ils montrent que les professions les plus exposées aux robots de leur époque ont ensuite perdu davantage de salaires et d'emplois, ce qu'une mesure d'exposition doit faire pour avoir la moindre valeur.

L'étude est américaine. C'est l'imperfection à garder en tête. Les salaires, les prix de l'énergie, la réglementation et la composition des professions diffèrent au Royaume-Uni, et personne n'a encore appliqué la méthode aux données britanniques. Mais les enjeux y sont plutôt plus élevés. Les prévisions de juin 2026 de la Construction Industry Training Board indiquent que le secteur a besoin en moyenne de 41 200 travailleurs supplémentaires par an entre 2026 et 2030, soit plus de 206 000 au total, pour suivre la demande, alors que 40% de la main-d'œuvre actuelle a plus de 45 ans et que plus de 200 000 travailleurs de l'UE ont été perdus depuis le Brexit. Le document Occupations in Demand du Department for Education, publié en décembre 2025, compte 10.9 millions de personnes, soit 32.9% de la population active, dans 125 professions à forte demande, et cite les électriciens et monteurs électriciens (201 000 emplois) ainsi que les techniciens et mécaniciens de véhicules (183 000) parmi les plus importants métiers manuels qualifiés de cette liste. Si les robots étaient sur le point de remplacer les métiers manuels, la pénurie ne serait qu'un problème passager. Les éléments ci-dessous disent qu'il n'en est rien.

Chronologie des données, de 2013 à 2026

Constat 1 : les robots peuvent faire l'essentiel du travail physique, et presque rien n'est rentable

Le premier chiffre du document est celui qui sera cité, et il mérite d'être énoncé précisément. Sur l'ensemble du temps de travail américain, 54% est cognitif ou interpersonnel et 46% est physique. Dans la part physique, 12 points de pourcentage ne peuvent être réalisés par aucun robot que les auteurs ont pu trouver (E0), 23 peuvent l'être dans des environnements conçus à cet effet (E1), 10 dans des installations humaines structurées comme les entrepôts (E2), et 1 dans des environnements non structurés (E3). Au total, les robots peuvent effectuer 74% des tâches physiques, soit 34% de toutes les heures travaillées. Les exemples sont concrets : taxis autonomes sur routes urbaines, robots mobiles autonomes déplaçant des stocks dans les entrepôts, cellules de soudage guidées par IA dans les ateliers de fabrication, pelles de tranchée qui creusent en ligne droite sans conducteur.

Le second chiffre est celui qui compte. Lorsque le modèle chiffre le robot cité pour chaque tâche et le compare à la main-d'œuvre qu'il remplacerait, les robots ressortent moins chers pour seulement 0.3% des tâches professionnelles. Environ 300 000 travailleurs américains exercent des professions où les robots pourraient faire 95% du travail ; le groupe le plus important, environ 560 000 emballeurs et conditionneurs, est le cas le plus net de parité de coût, le robot étant estimé à environ 2 500 $ par an de moins qu'un humain dont la main-d'œuvre coûte environ 49 000 $. À l'autre extrémité, le taxi robot, techniquement la profession la plus exposée des données avec un indice d'exposition de 2.2 sur 3, est estimé coûter environ 7 000 $ par an de plus que le conducteur qu'il remplacerait, avant même de considérer la réglementation. Neuf des dix professions les plus exposées sont des conducteurs de véhicules.

L'interprétation proposée par les auteurs, et celle que cette revue juge la plus défendable, est que la frontière physique a avancé bien plus loin que la frontière économique. Au cours des 50 dernières années, les robots sont devenus capables de faire chaque année environ 2% du travail physique qu'ils ne pouvaient pas faire auparavant : en 1977, ils ne pouvaient pas effectuer 62% des tâches physiques, aujourd'hui ils ne peuvent pas effectuer 24% de ces mêmes tâches. La capacité s'est accumulée. Le coût n'a pas suivi, car un robot capable de porter une caisse reste un actif immobilisé auquel s'attachent maintenance, énergie, supervision et assurance, et qui concurrence un travailleur payé uniquement pour les heures travaillées.

Constat 2 : le calendrier se compte en décennies, même dans le cas optimiste

La contribution la plus déterminante du document est l'analyse de scénarios, car elle transforme « les robots sont chers » en dates. Les prix des robots, d'après les séries de la Bank of Japan et d'autres sources, baissent d'environ 3% par an depuis les années 1990. À ce rythme, il faut environ 40 ans avant que les robots soient compétitifs en coût pour 10% du travail américain. Une baisse de 20% des coûts, soit environ sept ans au rythme historique, rendrait les robots compétitifs pour les tâches physiques d'environ 2.8 millions de travailleurs ; une baisse de 70% est nécessaire pour atteindre 10% de l'ensemble du travail.

Le scénario rapide est généreux par construction. Les coûts ajustés de la qualité baissent jusqu'à quatre fois plus vite que par le passé, et les robots apprennent de nouvelles tâches deux fois plus vite. Même ainsi, les robots ne deviennent compétitifs en coût pour 50% du travail physique que vers 2050, contre 2085 selon la tendance historique, et automatiser 90% du travail physique prend 53 ans. La phrase employée par les auteurs mérite d'être citée, car elle est d'une netteté inhabituelle pour un article d'économie : "Robots would need to sustain record rates of price declines and quality improvements over the coming decades to enable rapid physical automation." (Les robots devraient maintenir des rythmes records de baisse des prix et d'amélioration de la qualité au cours des prochaines décennies pour permettre une automatisation physique rapide.)

Il faut ici distinguer les données de l'interprétation. Les dates ne sont pas des prévisions ; ce sont les conséquences d'hypothèses appliquées uniformément à chaque tâche, qui, disent les auteurs eux-mêmes, peuvent ne pas refléter la manière dont les entreprises de robotique fixent réellement leurs priorités. Une entreprise qui concentre ses efforts sur une seule tâche à forte valeur, la préparation de commandes en entrepôt par exemple, pourrait faire baisser le coût de cette tâche bien plus vite que 3% par an pendant que le reste de l'économie fait du surplace. Ce que les scénarios établissent, c'est la forme du problème, non son calendrier exact : l'automatisation physique est un processus long et inégal régi par l'économie du matériel, à la différence du logiciel, où le coût marginal d'une tâche supplémentaire est proche de zéro.

La comparaison avec les technologies passées étaye cette lecture. L'étude de 2020 d'Acemoglu et Restrepo sur les robots industriels, la génération précédente de cette technologie, a constaté que chaque robot supplémentaire pour 1 000 travailleurs entre 1990 et 2007 réduisait le ratio emploi/population dans les zones de navettage américaines concernées de 0.2 point de pourcentage et les salaires de 0.42%. Réel, mesurable, et lent : les effets se sont accumulés sur dix-sept ans dans les secteurs où les robots étaient déjà les moins chers, et nulle part ailleurs.

Constat 3 : le travail numérique est l'histoire inverse

Le même groupe de recherche mesure l'autre frontière, et le contraste est le cœur de cette étude de cas. Les travaux antérieurs d'Anthropic sur l'exposition et la comparaison propre au document placent environ 50% du travail américain à portée des grands modèles de langage seuls, et 81% à portée des modèles de langage ou des robots combinés. Le schéma par profession est instructif. Le transport et la manutention sont exposés à moins de 15% aux modèles de langage mais à environ 90% une fois les robots inclus ; le soutien de bureau et administratif est déjà fortement exposé aux modèles de langage et atteint presque 100% avec les robots ; les soins à la personne et les services se situent à environ 40% dans les deux cas, parce qu'ils sont interpersonnels d'une façon qu'aucune des deux technologies ne traite.

Les estimations relatives aux modèles de langage ont une plus longue histoire. En 2023, Tyna Eloundou, Sam Manning, Pamela Mishkin et Daniel Rock, à OpenAI et à la University of Pennsylvania, ont constaté que 80% des travailleurs américains exerçaient des professions dont au moins 10% des tâches étaient exposées aux modèles de langage et 19% des professions dont plus de la moitié des tâches l'étaient, l'écriture, la programmation et l'analyse de données étant les plus exposées et le travail physique et en extérieur le moins. L'Anthropic Economic Index, qui rapporte des conversations anonymisées avec Claude à des tâches O*NET, montre ce que les gens font réellement avec ces outils : dans les rapports de 2026, l'augmentation a devancé légèrement l'automatisation, 52% contre 45%, et les usages se sont diversifiés, les dix tâches les plus courantes passant de 24% des conversations à 19% entre novembre 2025 et février 2026. L'Index indique aussi qu'une hausse de 1% du PIB par habitant est associée à une hausse de 0.7% de l'usage par personne, ce qui rappelle que l'adoption suit la richesse.

La question de savoir si l'exposition est devenue substitution trouve une réponse prudente dans les données de paie. Erik Brynjolfsson, Bharat Chandar et Ruyu Chen, au Digital Economy Lab de Stanford, à partir des fichiers ADP couvrant plus de 25 millions de travailleurs américains, ont rapporté en 2025 que les travailleurs en début de carrière dans les professions les plus exposées à l'IA avaient connu des reculs relatifs de l'emploi tandis que les travailleurs expérimentés des mêmes métiers n'en avaient pas connu ; leur révision d'août 2026, avec des données jusqu'au milieu de l'année, situe l'emploi des 22 à 25 ans dans ces professions environ 19% en dessous de ce qu'il aurait été s'il avait suivi celui des pairs moins exposés, l'ajustement passant par l'embauche plutôt que par les salaires et se concentrant là où l'IA automatise plutôt qu'elle n'augmente. Dans le même temps, les économistes d'Anthropic Maxim Massenkoff et Peter McCrory, comme Yahoo Finance l'a rapporté le 1er octobre, ne constatent aucune hausse systématique du chômage pour les travailleurs très exposés depuis fin 2022, et l'avertissement du directeur général d'Anthropic, Dario Amodei, selon lequel l'IA pourrait supprimer la moitié des emplois de bureau de premier niveau reste, d'après les données disponibles à ce jour, un avertissement plutôt qu'une observation.

La synthèse honnête est la suivante. Le premier effet mesurable de la vague actuelle d'IA sur le marché du travail n'est pas le robot dans l'entrepôt ; c'est le jeune diplômé qui n'est pas embauché au bureau. Le travail physique est protégé par l'économie ; le travail de bureau ne l'est pas.

Constat 4 : qui est exposé, et ce qui bloque le reste

Le profil démographique du travail exposé aux robots est la conclusion qui devrait orienter les politiques publiques. Par rapport aux travailleurs des professions non exposées, ceux des professions fortement exposées ont 20 points de pourcentage de chances en moins d'être des femmes, 16 points de chances en plus d'être hispaniques, 55 points de chances en moins de détenir une licence, sont payés environ 30 $ de moins par heure, et ont plus de deux fois plus de risques d'être au chômage. Ils sont aussi bien plus susceptibles de porter des charges, de travailler par forte chaleur ou près de substances dangereuses. Les tâches que les robots peuvent déjà faire sont, de manière disproportionnée, les plus dures, les plus dangereuses et les plus mal payées, ce qui est à la fois le meilleur argument pour les automatiser et la raison pour laquelle la transition fera mal si elle n'est pas encadrée.

Ce qui bloque le reste est tout aussi précis. Environ 70% des tâches physiques que les robots ne peuvent pas encore faire sont limitées par la capacité, et environ la moitié d'entre elles par la manipulation et la dextérité : colorer des cheveux, creuser à la main autour de canalisations enterrées, monter un échafaudage, démêler des fils. Les lacunes de planification et de raisonnement en représentent 8%. La réglementation bloque 14% des tâches physiques et la préférence humaine 25%, les deux couvrant ensemble l'essentiel du travail où un robot serait toléré dans une usine mais pas dans une chambre ou une salle de classe. Deux professions du document montrent à quel point le tableau est contrasté au sein d'un même métier : les plaquistes jointeurs obtiennent 1.6 sur l'indice d'exposition, avec 41% de leur temps exposé à un robot de projection autonome et 26% non exposé parce que le travail de finition délicat lui échappe ; les trieurs de recyclage obtiennent 1.7, avec plus de 75% de leur temps exposé à des préhenseurs à vision par ordinateur sur tapis roulants et seulement 8% non exposé.

Le résumé des auteurs est celui qu'un artisan devrait retenir : le travail non exposé est "highly interpersonal or requires physical skills that robots today don't have" (très interpersonnel ou exige des compétences physiques que les robots n'ont pas aujourd'hui), et "if the past is any guide, taxi drivers and warehouse packers will see changes sooner than nurses and mechanics" (si le passé est un guide, les chauffeurs de taxi et les emballeurs d'entrepôt verront des changements plus tôt que les infirmières et les mécaniciens).

Mécanismes : pourquoi le schéma ressemble à cela

Quatre mécanismes expliquent les conclusions et permettent de prévoir la suite.

Ce sont les environnements, non les tâches, qui décident du déploiement. L'échelle à quatre niveaux est l'intuition discrète du document. Un robot qui soude parfaitement sur une chaîne d'usine (E1) est inutile sur une extension de maison où chaque solive se trouve à une distance légèrement différente de la précédente. L'essentiel de l'économie physique, et presque tous les métiers manuels, se déroule dans des conditions E3 : non structurées, improvisées, au contact de personnes. Les robots ont conquis E1 et progressent vers E2 ; E3 représente 1% des tâches après cinquante ans.

L'économie du matériel n'est pas l'économie du logiciel. Un modèle de langage, une fois entraîné, effectue sa tâche suivante pour un coût proche de zéro, ce qui explique pourquoi l'exposition dans le travail de bureau est devenue substitution en quelques années. Un robot est un actif qui se déprécie, qu'il faut acheter, installer, assurer, entretenir, alimenter en énergie et superviser pour chaque site où il travaille. La baisse annuelle de 3% des prix est la signature de cette différence, et les scénarios du document montrent à quel point même une accélération par quatre change peu la décennie où la parité arrive.

La capacité s'accumule, mais par les données. Les robots gagnent environ 2% du travail physique par an, et la moitié des tâches restantes qui exigent de la dextérité sont précisément celles pour lesquelles les données d'entraînement sont les plus rares. Un modèle apprend à écrire à partir du web écrit ; il n'existe pas de corpus équivalent des mains d'un plombier. Le progrès sur les 24% restants dépend de la capture du travail réel, dans des lieux réels, avec les personnes qui l'accomplissent, ce qui est lent par nature et soulève des questions de consentement et de propriété que la vague du logiciel n'a jamais rencontrées.

Les préférences et les règles sont un plancher, non un retard. Les 25% de tâches limitées par la préférence et les 14% limitées par la réglementation n'attendent pas un meilleur robot. La volonté d'un patient d'être soulevé par une machine, les règles d'une collectivité sur les véhicules autonomes et le souhait d'un client de parler à la personne qui a installé sa cuisine évoluent sur des échelles de temps politiques et culturelles, ce qui explique pourquoi les auteurs les traitent séparément de la capacité et du coût.

Un sceptique devrait garder trois explications alternatives à l'esprit. Les évaluations d'exposition sont produites par un modèle qui lit des descriptions de tâches succinctes qui, comme le notent les auteurs, "omit details that may be easy for humans but hard for robots" (omettent des détails qui peuvent être faciles pour les humains mais difficiles pour les robots), de sorte que la capacité peut être surestimée au niveau de la tâche même si elle est sous-estimée pour la profession dans son ensemble. Les estimations de coût sont des approximations d'un marché où les prix publics sont rares ; une enquête sur les prix des humanoïdes d'août 2026 a constaté que seuls 12 des 58 humanoïdes commerciaux avaient un prix vérifié. Et les scénarios supposent la même baisse pour chaque tâche ; une percée dans la manipulation polyvalente, celle sur laquelle Nvidia et Tesla parient, pourrait, selon les mots des auteurs, "leapfrog our scale" (dépasser notre échelle d'un bond). Les dates sont solides dans leur forme et fragiles dans le détail.

La réaction de l'industrie

La réaction s'est partagée selon la ligne que trace le document. Dans le camp du matériel, le directeur général de Nvidia, Jensen Huang, avait prédit un "ChatGPT moment" pour la robotique au CES en janvier 2026, et Elon Musk a déclaré que l'humanoïde Optimus de Tesla serait mis en vente dès 2027 avec un prix cible à long terme inférieur à 20 000 $ à grande échelle, bien qu'aucun prix officiel n'existe ; les perspectives 2025 de Morgan Stanley situent le marché des humanoïdes à plus de 5 000 milliards de dollars d'ici 2050, avec une adoption qui s'accélère à partir de la fin des années 2030. Yahoo Finance a présenté le document d'Anthropic, le 2 octobre, comme la projection que ces paris mettront à l'épreuve. La réalité des livraisons est plus modeste : le G1 d'Unitree est affiché à 13 500 $ et l'entreprise a livré plus de 5 500 humanoïdes en 2025, plus que tous ses rivaux réunis ; le Digit d'Agility, l'humanoïde le plus déployé dans les entrepôts américains, est vendu à plus de 250 000 $ l'unité ou environ 8 500 $ par mois en service ; Figure, valorisée 39 milliards de dollars, vend aux entreprises sans prix public.

Les économistes ont en majorité accepté le calendrier. Le chef économiste d'Apollo, Torsten Sløk, cité par Yahoo Finance, a déclaré que même avec des projections agressives, un déplacement physique généralisé prendrait des décennies, citant des goulets d'étranglement dans la manipulation fine, la réglementation et les préférences. Le débat le plus vif porte sur le versant numérique, où les données de paie de Stanford et l'analyse du chômage d'Anthropic elle-même pointent dans des directions différentes quant à l'ampleur du déplacement déjà survenu, et où OpenAI, Anthropic, Google, Microsoft, Manus et Meta avec Muse livrent des agents qui naviguent, remplissent des formulaires et accomplissent des tâches de bureau en plusieurs étapes, la catégorie où l'exposition est la plus élevée et le coût le plus bas.

La position de Jobbit dans ce paysage est un choix de conception plutôt qu'une prévision, et le document se trouve la décrire. L'agent IA de l'entreprise traite le travail numérique et vérifiable que les données disent bon marché à automatiser : recherche, documents, sites web, automatisations, images et l'administratif qui entoure un chantier. Lorsqu'une tâche exige des mains, un jugement sur site ou quelqu'un de responsable, ce qui, d'après les chiffres du document, est le cas de la plupart du travail physique pour des décennies, le travail passe à un professionnel humain contrôlé sur pro.jobbit.uk, le paiement étant conservé sous séquestre et le client pouvant observer l'agent et prendre la main à tout moment. Jobbit Labs, la division de recherche de l'entreprise, travaille sur le problème plus lent que le document identifie dans son déficit de données : capturer des données de tâches du monde réel auprès de personnes qui font un vrai travail, avec leur consentement, pour entraîner et vérifier des modèles du monde destinés à l'IA physique. Jobbit n'a pas publié de données d'essai sur les résultats de ce modèle et ne prétend pas ici en avoir ; l'affirmation est plus étroite : une architecture agent plus réseau humain est celle que les données soutiennent tant que la parité de coût reste à des décennies. Le versant pratique de ce partage est exposé dans 12 Jobs an AI Agent Can Do for Your Business This Week et Should Your Next Hire Be an AI Agent?, les données sur les indépendants dans Do AI Agents Replace Freelancers?, et l'entreprise elle-même dans What Is Jobbit?.

Ce qu'une entreprise devrait faire de ces données

Les données soutiennent une règle de délégation qu'une petite entreprise peut appliquer sans consultant en stratégie.

Automatisez d'abord la couche numérique autour du travail physique, car c'est là que le coût et la capacité se rejoignent déjà. Les devis, factures, site web, demandes d'avis, recherches de fournisseurs et planification d'un plombier constituent les 50% du travail exposés aux modèles de langage ; les chiffres du document disent que la pose, le diagnostic dans un placard humide et la conversation avec le propriétaire ne sont pas près de disparaître. La marge d'une entreprise de métiers manuels au cours de la prochaine décennie vient du fait de consacrer les heures de bureau économisées à davantage d'heures sur chantier, non d'attendre un robot.

Traitez l'automatisation physique comme une décision d'achat portant sur une tâche, non comme une décision d'effectifs portant sur un emploi. Le modèle de coût du document en donne le gabarit : chiffrez le coût annuel complet du robot face à la main-d'œuvre sur cette seule tâche, dans votre niveau d'environnement, et n'attendez la parité que dans les conditions E1 et E2, emballage répétitif, déplacement, soudage et tri, pour des années encore. Pour presque tout ce qui se fait au domicile d'un client, la parité n'est pas au calendrier.

Recrutez et formez pour le noyau non exposé. Les 24% de tâches physiques que les robots ne peuvent pas faire et les 25% que les gens ne veulent pas qu'ils fassent sont la partie durable d'un métier : la dextérité, le jugement dans les espaces non structurés et la relation humaine. Le déficit de 206 000 travailleurs d'ici 2030 selon CITB dit que le marché les paiera.

Surveillez le passage de relais, non le gros titre. La question utile pour tout travail est de savoir où la machine doit s'arrêter et où la personne doit commencer, et cette ligne se déplace tâche par tâche. Une entreprise qui l'écrit noir sur blanc (qui relit le résultat de l'agent, qui valide le travail sur site, qui répond devant le client) capte les gains sans les échecs.

Enfin, lisez les premiers signaux au bon endroit. Le document suggère de suivre les professions exposées, conducteurs et emballeurs d'entrepôt, pour repérer les premiers signes de perturbation physique, et les données de paie disent que la perturbation numérique est déjà visible dans l'embauche des jeunes diplômés. Préparez la seconde dès maintenant et la première plus tard.

Limites et questions ouvertes

L'étude est américaine, évaluée par un modèle et statique. Les évaluations d'exposition et de coût proviennent de Claude lisant des descriptions de tâches et des éléments trouvés sur le web au sujet des robots, vérifiées au regard de l'histoire mais non au regard d'essais sur le terrain ; un panel d'experts humains pourrait évaluer la dextérité autrement. Les estimations de coût omettent des frictions d'adoption comme les limites d'emprunt, et les scénarios mettent de côté les effets de rétroaction, y compris la possibilité que la baisse des salaires dans les professions exposées ralentisse encore l'adoption. Le document n'examine pas comment l'IA pourrait transformer le travail physique sans robots, par exemple par la maintenance prédictive, et il ne modélise pas le Royaume-Uni, où les coûts de l'énergie, la réglementation et la structure des métiers manuels diffèrent.

Les données numériques ont leurs propres limites. Les données de paie montrent l'emploi relatif des jeunes travailleurs dans les professions exposées, non une causalité, et les auteurs de Stanford décrivent leurs résultats comme compatibles avec "no widespread displacement so far" (aucun déplacement généralisé à ce jour) ; l'analyse du chômage d'Anthropic et l'analyse de l'embauche de Stanford peuvent avoir toutes deux raison sur des marges différentes. Les données d'usage d'un seul assistant ne sont pas l'économie. Et le marché des humanoïdes évolue assez vite pour que tout prix cité ici soit un instantané du début d'octobre 2026.

Les questions ouvertes sont celles qui décideront de la prochaine décennie : savoir si la manipulation polyvalente progresse plus vite que 2% par an une fois que les robots apprennent du travail réel plutôt que de démonstrations conçues sur mesure ; si les planchers réglementaires et de préférence bougent ; et, comme le disent les auteurs, comment le travail lui-même change, "perhaps becoming more social and interpersonal as robots and AI advance" (devenant peut-être plus social et interpersonnel à mesure que les robots et l'IA progressent).

Conclusion

Les robots vont-ils prendre les emplois manuels ? Pas de la manière que suggéraient les 47%, et pas selon un calendrier autour duquel un artisan en activité doive planifier sa vie. L'étude d'Anthropic montre que les robots peuvent déjà faire la plupart des tâches physiques et n'en ont les moyens que pour presque aucune ; que l'économie se rapproche de quelques pour cent par an ; et que même un monde de progrès record des robots laisse la moitié du travail physique aux mains des humains au-delà de 2050. La perturbation mesurable aujourd'hui touche le travail numérique, où l'exposition est la plus forte, le coût le plus bas et où les premiers jeunes diplômés manquent déjà dans les fichiers de paie. Pour un métier manuel britannique ou une petite entreprise, les données indiquent une seule stratégie : automatiser le bureau, protéger les mains, et être délibéré sur l'endroit où l'un passe le relais à l'autre. Ce passage de relais est là où Jobbit travaille, et le document est l'énoncé le plus clair à ce jour des raisons pour lesquelles l'écart dans lequel l'entreprise s'est construite durera longtemps.

Foire aux questions

Les robots vont-ils remplacer les travailleurs manuels ?

Pas avant des décennies, selon l'étude d'Anthropic de septembre 2026. Les robots peuvent déjà faire environ 74% des tâches physiques aux États-Unis mais ne sont moins chers qu'un travailleur que pour 0.3% d'entre elles, et avec la baisse historique de 3% par an des prix des robots, il faudrait environ 40 ans pour atteindre la parité de coût sur 10% du travail. Même un scénario agressif place la moitié du travail physique au-delà de 2050.

Quels métiers sont les plus exposés aux robots ?

Les conducteurs de véhicules et les emballeurs d'entrepôt. Les chauffeurs de taxi sont en tête de l'indice d'exposition avec 2.2 sur 3, neuf des dix professions les plus exposées sont des conducteurs, et les emballeurs et conditionneurs sont le cas le plus net où un robot est déjà un peu moins cher qu'une personne. Les infirmières, les mécaniciens et la plupart des métiers manuels qualifiés se situent à l'autre extrémité, car leur travail exige de la dextérité, du jugement dans des espaces non structurés ou un contact humain.

L'IA prend-elle les emplois de bureau plus vite que les robots ne prennent les emplois physiques ?

Les premières données disent oui, au niveau des débutants. L'analyse par Stanford des fichiers de paie de plus de 25 millions de travailleurs constate que l'emploi des 22 à 25 ans dans les professions les plus exposées à l'IA se situe environ 19% en dessous de celui des pairs moins exposés, sans changement équivalent pour les travailleurs expérimentés, tandis que les économistes d'Anthropic ne constatent aucune hausse systématique du chômage pour l'ensemble des travailleurs exposés. Les tâches numériques ne coûtent presque rien à automatiser dès qu'un modèle existe ; les tâches physiques exigent du matériel qui reste cher.

Que doit faire un artisan face à l'automatisation ?

Automatiser le côté administratif de l'entreprise, là où l'IA est déjà peu coûteuse et capable, et investir dans les compétences que les robots ne peuvent égaler : la dextérité, le diagnostic dans des espaces non structurés et la relation client. Le seul secteur britannique de la construction a besoin de plus de 206 000 travailleurs supplémentaires d'ici 2030 selon CITB, si bien que la part humaine du métier est en pénurie, non en excédent.

Quel est l'écart pour lequel Jobbit est conçu ?

Le passage de relais entre le travail numérique automatisé et le travail physique humain. L'agent IA de Jobbit fait la recherche, les documents, les sites web et l'administratif que les données disent bon marché à automatiser, et confie le travail qui exige des mains, une visite sur site ou de la responsabilité à un professionnel contrôlé sur pro.jobbit.uk, le paiement étant conservé sous séquestre. Jobbit Labs travaille sur les données de tâches du monde réel que l'étude identifie comme l'ingrédient manquant de l'IA physique.