Selon les chercheurs d’OpenAI, les modèles d’intelligence artificielle (IA) les plus avancés atteignent aujourd’hui des niveaux de performance qui se comparent à ceux de professionnels humains expérimentés et, dans certains cas, les dépassent même.
Baptisée GDPval, pour « Gross Domestic Product Value », cette étude ne se contente pas d’évaluer la capacité des systèmes sur des exercices académiques : elle juge leur valeur économique concrète en les confrontant à des tâches réelles.
La méthode retenue par les auteurs consiste à extraire plus de 1 320 tâches issues de quarante-quatre métiers représentatifs de secteurs couvrant plus de la moitié du produit intérieur brut américain. Ces tâches — conception technique, rédaction de rapports, analyses financières, synthèses documentaires, traduction juridique, conception UX, comptabilité, préparation de dossiers juridiques, et bien d’autres — ont été traitées par des professionnels humains et par des modèles d’IA tels que GPT-5 et Claude 4.1. Les livrables ont ensuite été évalués à l’aveugle par des experts indépendants, sans indication de l’origine humaine ou algorithmique.
Des résultats sans précédent : 80% de la main-d’œuvre concernée
Les résultats sont sans précédent. L’étude conclut qu’environ 80% de la main-d’œuvre américaine pourrait voir au moins 10% de ses tâches modulées, accélérées ou automatisées par des systèmes de type GPT. Par ailleurs, 19% des travailleurs pourraient potentiellement voir plus de la moitié de leurs activités remplacées par ces outils. Dans plusieurs comparaisons ponctuelles, les modèles ont produit des livrables de qualité professionnelle en des temps et à des coûts déclarés « nettement inférieurs » à ceux des humains, selon les auteurs, jusqu’à cent fois plus vite et cent fois moins cher pour certaines tâches standardisées. Ces chiffres, lorsqu’ils sont présentés ainsi, doivent cependant être lus comme des ordres de grandeur dépendant du type de tâche et des hypothèses de production retenues par l’étude.
Les professions examinées par GDPval forment un panorama large et diversifié. Y figurent des ingénieurs civils et informatiques confrontés à des problèmes de conception ou d’optimisation, des avocats et assistants juridiques chargés de recherches et de rédaction de notes, des comptables et contrôleurs de gestion planifiant des clôtures ou préparant des bilans, des analystes financiers numériques, des journalistes et éditeurs produisant des articles ou des synthèses, ainsi que des développeurs, chefs de produit et responsables de projet.
Le champ s’étend aux pharmaciens et techniciens de laboratoire pour des tâches de documentation, aux infirmiers pour des processus administratifs, aux data analysts et statisticiens manipulant jeux de données, aux architectes et urbanistes pour les études préliminaires, aux designers UX et graphistes pour la conception d’interfaces et supports, aux formateurs et enseignants en ligne pour la production de contenus pédagogiques, ainsi qu’à des métiers de la documentation, des ressources humaines, de la logistique, des assurances, de la communication et des sciences sociales appliquées comme la sociologie ou la psychologie. Cette liste, loin d’être théorique, illustre la diversité des tâches récurrentes susceptibles d’être prises en charge par des modèles de langage et de raisonnement automatisés.
Performance sur tâches isolées : ce que l’IA ne peut pas remplacer
L’étude distingue toutefois performance sur tâches et exercice intégral d’un métier. OpenAI insiste sur le fait que GDPval mesure la capacité des modèles à fournir des livrables isolés : il n’évalue pas la totalité des compétences nécessaires pour occuper un poste. Des dimensions humaines — négociation, persuasion, écoute, adaptation en temps réel, gestion de l’équipe, sens moral et discernement éthique — n’entrent pas dans la grille d’évaluation et restent, à ce jour, difficilement réductibles à des tâches standardisées. Ainsi, même lorsqu’une IA produit un rapport techniquement parfait, elle n’assure pas automatiquement la relation, la prise de décision complexe en contexte, ni la responsabilité légale et éthique qui incombent aux professionnels.
Malgré ces réserves, l’ampleur des résultats alimente un débat tangible sur la reconfiguration du travail intellectuel. Les secteurs caractérisés par des processus structurés et répétitifs, tels que la finance, le droit, la comptabilité, l’ingénierie et la gestion administrative de la santé, apparaissent comme les plus exposés à l’automatisation partielle. Les métiers où la structure prévaut — collecte et traitement de données, rédaction technique, audit, calculs normés — offrent des points d’entrée faciles pour des systèmes capables de généraliser des schémas et des modèles éprouvés. À l’inverse, les professions fondées sur la créativité intuitive, la relation humaine, le soin ou l’émotion restent, pour l’heure, plus résilientes. Même si l’étude signale que leur périmètre de résistance pourrait se réduire si les modèles progressent davantage en compréhension contextuelle et sociale.
Les technologies évaluées dans GDPval ne sont pas identiques. Selon le rapport, GPT-5 s’est distingué par sa rigueur technique et sa cohérence argumentative; tandis que Claude 4.1 a été reconnu pour la clarté de ses présentations et la qualité esthétique de ses documents. Ces différences font apparaître que la supériorité d’un modèle peut dépendre fortement du type de tâche : synthèse argumentative; mise en forme éditoriale; génération de code ou production d’un plan de projet. Les évaluateurs notent aussi une variabilité interne, liée aux instructions données au modèle, à la qualité des jeux de données et au protocole d’évaluation.
Du côté des dirigeants d’OpenAI, le message est tempéré. Sam Altman, PDG de l’entreprise, a résumé l’enjeu en indiquant que l’intelligence artificielle « ne remplace pas les gens, elle modifie ce qu’ils peuvent accomplir ».
Enjeux économiques et sociaux : vers une redistribution de la valeur
Sur le plan économique, les auteurs de GDPval affirment que l’intégration des systèmes d’IA aux processus de production intellectuelle pourrait modifier considérablement la productivité et la structure des coûts. Les gains de temps et d’argent sur des tâches standardisées peuvent libérer des ressources, mais ils posent aussi la question de la redistribution de la valeur créée. La transformation annoncée soulève des enjeux de formation professionnelle, d’adaptation des cursus universitaires et de protection sociale. Qui bénéficiera des gains de productivité ? Comment éviter l’accentuation des inégalités entre travailleurs adaptables au nouvel écosystème et ceux dont les compétences sont davantage exposées ? Ces questions sont centrales pour les décideurs publics et les acteurs économiques.
Les limites méthodologiques de GDPval sont clairement exposées par ses auteurs et par plusieurs observateurs. L’évaluation à l’aveugle par des experts réduit les biais d’appartenance à un fournisseur. Mais elle ne reproduit pas les conditions complexes d’un poste : interactions avec des collègues, imprévus, responsabilité juridique, pression temporelle cumulée sur de multiples tâches et coordination interservices. Les évaluateurs notent également que la qualité des productions d’IA peut varier selon le « prompting » employé, la qualité des données en entrée et la présence ou non d’un workflow humain de contrôle. Enfin, les scénarios de remplacement massifs évoqués par certaines lectures populaires reposent sur des extrapolations et non sur des transitions observées à l’échelle d’un marché du travail.
