« Col blanc » est une catégorie trop floue pour mesurer l'impact de l'IA sur les travailleurs.

Le terme « col blanc » est largement attribué au sociologue Upton Sinclair, qui l'a utilisé il y a un siècle pour décrire les travailleurs salariés qui ne se salissaient pas les mains. Pendant la majeure partie du 20e siècle, il a servi de proxy raisonnable pour une classe de travailleurs définie par l'éducation, le travail de bureau et la sécurité de l'emploi relative.

Presque 100 ans plus tard, cette catégorie fait trop de travail — et son imprécision peut être une des raisons de la perturbation économique que l'IA inflige aux travailleurs du savoir est si difficile à mesurer et si facile à sous-estimer.

Une étiquette, une exposition radicalement différente

Considérez qui est regroupé sous « col blanc » aujourd'hui : un ingénieur logiciel senior dans une grande entreprise technologique, un paralégal de première année dans un cabinet d'avocats, un analyste junior en actions dans une banque, un rédacteur marketing dans une startup, un responsable RH de niveau intermédiaire dans un fabricant. Tous ont fait des études universitaires, travaillent à un bureau et sont salariés. Tous apparaîtraient dans la même catégorie de marché du travail dans la plupart des données gouvernementales.

Leur exposition au déplacement par l'IA, cependant, n'est pas du tout similaire.

Des recherches de l'Université de Pennsylvanie et OpenAI a constaté qu'environ 80 % de la main-d'œuvre américaine a au moins 10 % de leurs tâches exposées à l'IA — mais cette exposition est extrêmement inégale. La révision de documents juridiques, l'analyse financière et la génération de contenu figurent parmi les tâches les plus exposées. L'architecture logicielle senior, la gestion stratégique et la négociation complexe figurent parmi les moins exposées. Le même parapluie "cols blancs" couvre les deux.

Pourquoi la catégorie floue déforme les données

Le problème de mesure que cela crée est important. Lorsque les économistes rapportent que les emplois de cols blancs ont diminué pendant 29 mois consécutifs — une constatation qu'Aaron Terrazas, ancien économiste en chef chez Glassdoor, a décrit à Quartz comme « incroyablement inhabituel, remontant à 70, 80 ans » — ce chiffre agrège des travailleurs dont les situations sont fondamentalement différentes. Une contraction due aux licenciements de jeunes analystes et de paralégaux raconte une histoire économique très différente que celle due aux départs de cadres supérieurs ou aux départs à la retraite anticipée.

Les données gouvernementales standard ne rendent pas cette distinction facile à voir. Le Bureau of Labor Statistics classe les professions par industrie et fonction, pas par profil de tâche cognitive ou exposition à l'IA. Le résultat est que les signaux du marché du travail arrivent agrégés de manière à obscurcir où la perturbation est réellement concentrée.

Cela compte autant pour la politique que pour la mesure. Les interventions conçues pour protéger les « travailleurs de cols blancs » de manière générique manqueront ceux qui en ont le plus besoin.

Un cadre plus utile

Plusieurs économistes et chercheurs en travail ont proposé de réorienter l'analyse autour de l'exposition aux tâches plutôt qu'à la catégorie professionnelle. La distinction clé n'est pas de savoir si un emploi est de col blanc mais si les tâches cognitives qu'il requiert sont routinières ou non routinières, et si elles impliquent le type de reconnaissance de motifs et de synthèse de texte que les grands modèles de langage exécutent bien.

Selon cette mesure, les travailleurs à risque à court terme le plus élevé sont concentrés dans des rôles spécifiques: postes juniors dans les services juridiques et financiers, travail de contenu et de communication, analyse de données de niveau débutant, et coordination administrative. Ces emplois partagent un profil de tâches plus qu'une couleur de col.

La catégorie de « col blanc » pouvait avoir du sens lorsque la menace était l'automatisation physique. Pour l'automatisation cognitive, c'est la mauvaise unité d'analyse — et l'utiliser peut être en partie la raison pour laquelle tant de gens ressentent la disruption avant que les données ne suivent.