Économiste · Le spécialiste de la rareté — de l'usine d'épingles d'Adam Smith à la salle de décision de la banque centrale, toujours invité à prédire ce qu'aucun modèle ne saisit entièrement.
Les économistes sont inhabituellement exposés à l'IA de leur propre aveu : le métier consiste à lire, programmer, estimer et rédiger — exactement les tâches que les grands modèles de langage gèrent le mieux. Les enquêtes auprès de la profession et sa propre recherche sur l'automatisation placent l'économie bien au-dessus de la moyenne des occupations en exposition, et les économistes en activité s'appuient déjà quotidiennement sur l'IA pour le code, la recherche bibliographique et les premiers brouillons.
Mais l'exposition n'est pas le remplacement. Les parties du métier qui portent sa valeur — choisir la question, juger si la variation est réellement exogène, et assumer un conseil lorsqu'un gouverneur ou un ministre agit dessus — sont des tâches de jugement et de responsabilité que les systèmes actuels assistent plutôt qu'ils ne les exécutent. La prévision réaliste est une profession qui rétrécit à l'extrémité routinière tandis que son travail de jugement senior, le cas échéant, gagne en levier.
Une part substantielle de la journée de travail — préparation des données, estimation routinière, production de graphiques, revue bibliographique, prose de premier brouillon, prévisions à court horizon — est déjà automatisable, et une grande partie l'est déjà en pratique. Ce qui résiste est le cœur pour lequel un client paie réellement : cadrer les questions, juger les affirmations causales, intégrer les modèles à la réalité institutionnelle, et assumer le conseil. Environ un tiers du métier est aujourd'hui travail de machine ; le jugement responsable au-dessus ne l'est pas.
Scored from the tasks, not the job title. Lower is safer.
Jobs AI cannot take →Décider ce qui vaut la peine d'être mesuré — quelle politique, quelle marge, quelle comparaison — est l'étape avant que tout outil n'intervienne, et celle sur laquelle des programmes de recherche et des appels politiques entiers réussissent ou échouent.
Les crises sont précisément les moments où les relations ajustées échouent ; 2008 et la pandémie ont récompensé les économistes capables de raisonner au-delà de leurs modèles pendant que les modèles avaient tort.
Comités de fixation des taux, responsables des chiffrages budgétaires et témoins experts répondent par leur nom de leurs jugements ; aucune institution ne délègue encore un vote, un chiffrage fiscal ou un témoignage assermenté à un modèle.
Un conseil ne compte que si un ministre, un conseil d'administration ou le public y croit ; construire cette confiance — en briefings, témoignages et langage simple — est un travail relationnel que l'automatisation n'atteint pas.
Savoir comment les données sont construites, comment la dernière crise s'est réellement déroulée, et ce qu'une statistique donnée omet dans un pays donné est un savoir tacite que les modèles consomment mais ne créent pas.
Mettre en forme les résultats, rédiger des sections standard et produire des packs de graphiques — une fraction réelle des heures des économistes juniors — est déjà géré de bout en bout par scripts et assistants IA.
Fusionner des jeux de données, standardiser des variables et lancer des régressions bien spécifiées est de plus en plus automatisé ; les assistants de codage IA écrivent désormais du Stata, R et Python utilisables pour exactement ces tâches.
Les grands modèles de langage résument les working papers, font émerger la littérature connexe et produisent une prose de premier brouillon compétente — compressant des tâches qui consommaient des semaines de temps d'assistant de recherche.
Le nowcasting du PIB et de l'inflation à partir de données haute fréquence est largement un problème de machine learning déjà, et les banques centrales exécutent de tels modèles routinièrement ; le rôle humain s'est déplacé vers les interpréter et les outrepasser.
L'unité de preuve passe des enquêtes de mille personnes à des populations entières de registres fiscaux, transactions et imagerie satellite — l'approche que l'équipe Opportunity Insights de Raj Chetty utilisa pour cartographier la mobilité américaine à partir de données IRS anonymisées, désormais en diffusion dans les agences statistiques du monde entier.
Programmation, revue bibliographique et rédaction migrent vers des outils IA, vidant l'apprentissage traditionnel d'assistant de recherche ; le domaine débat activement comment la prochaine génération apprendra le jugement de métier lorsque le travail routinier qui l'enseignait est automatisé.
Suivant le manifeste d'Alvin Roth de l'économiste du design, le design de marché passa du papier à la production : algorithmes d'échange de reins, enchères de spectre et marchés publicitaires en ligne sont construits et exploités par des économistes, déplaçant le prestige de l'explication des économies vers leur construction.
Les banques centrales orientent désormais les économies en partie par le discours — forward guidance, graphiques en éventail, conférences de presse — et les réseaux sociaux ont fait de l'explication publique une compétence centrale ; la profession promeut de plus en plus des économistes capables de tenir une salle, pas seulement une régression.
Concevoir enchères, tarification et règles de place de marché au sein d'entreprises technologiques — une trajectoire de carrière qui existait à peine avant le travail d'enchères publicitaires de Google sous Hal Varian et qui est aujourd'hui l'une des plus grandes destinations pour les nouveaux docteurs en économie.
Diriger des nudge units — un rôle inventé lorsque le Behavioural Insights Team britannique fut fondé au sein du Cabinet Office en 2010 et depuis copié par des dizaines de gouvernements — appliquant économie comportementale et essais aux lettres fiscales, retraites et santé publique.
Tarifer le carbone, modéliser des scénarios de transition et stress-tester les systèmes financiers face au risque climatique, une spécialité couronnée par le Nobel de 2018 à William Nordhaus et désormais exigée par banques centrales, assureurs et ministères.
Construire des systèmes de nowcasting et des tableaux de bord de politique à partir de données de paiements, offres d'emploi et flux satellite — le rôle frontière entre économétrie et machine learning que les agences statistiques et fintech recrutent le plus vite.
La lecture honnête des preuves est que l'économie est une profession à forte exposition et fort jugement : plus de ses tâches quotidiennes peuvent être automatisées que dans la plupart des domaines, et plus de sa valeur réside dans le résidu qui ne le peut pas. La couche routinière — nettoyage, programmation, rédaction, prévisions standard — est absorbée rapidement, et les rôles d'entrée construits sur cette couche s'aminciront.
Ce qui s'étend, c'est le levier de la couche de jugement. Un économiste assisté par IA peut tester plus de spécifications, lire plus de littérature et produire plus de scénarios qu'une équipe entière il y a une décennie — mais le choix de la question, le verdict causal et le conseil portent encore un nom humain. Les institutions qui engagent des décisions sur l'analyse économique ne montrent aucun mouvement vers retirer ce nom.
Le précédent à retenir est que les économistes ont déjà absorbé leur propre automatisation : l'ordinateur électronique effaça les commis calculateurs de la profession et fit de l'économétrie une industrie ; le logiciel de régression bon marché démocratisa l'estimation et releva la prime de savoir quoi estimer. L'IA est le même échange à plus grande échelle — moins de mains sur les données, plus de poids sur le jugement.
Voisins les plus proches sur le profil à six scores — pas seulement le même champ.
Conseille les clients, rédige les documents qui les lient et défend leur cause lorsqu'elle est portée devant le tribunal, engageant ainsi sa responsabilité juridique personnelle si le conseil est erroné.
AI-resistant 58 💊L'expert des médicaments derrière chaque ordonnance — des premières boutiques de drogues de Bagdad et du mortier de l'apothicaire à la morphine, l'artémisinine et l'officine moderne.
AI-resistant 58 🛰️Conçoit, analyse et certifie les avions, les fusées et les engins spatiaux qui quittent le sol, en respectant des marges de sécurité qui ne laissent aucune place aux suppositions.
AI-resistant 74 🦾Conçoit les machines qui perçoivent, décident et agissent dans le monde physique — où le vrai défi n'a jamais été l'intelligence, mais le monde lui-même.
AI-resistant 65 ⚛️Établit et teste les lois mathématiques qui régissent la matière, l'énergie, l'espace et le temps, d'un tableau noir solitaire à un article de collisionneur signé par 3 000 auteurs.
AI-resistant 65 🔌Conçoit et fabrique les transistors à l'intérieur de chaque ordinateur, téléphone et système d'armes, avec des machines si précises que seules quelques usines sur Terre peuvent les faire tourner.
AI-resistant 60Celui ou celle qui crée l'entreprise — repère la faille, porte le risque et répond de la paie, des financiers de caravanes assyriens aux fondateurs financés par capital-risque.
AI-resistant 88 💹Le négociateur qui valorise les entreprises et fait circuler le capital — un métier de la Florence des Médicis aux pitch decks d'aujourd'hui, rémunéré pour la confiance lorsque des milliards changent de mains.
AI-resistant 42 🧾Le gardien des livres : héritier d'un métier si ancien qu'il a inventé l'écriture, négociant aujourd'hui avec les logiciels conçus pour l'automatiser.
AI-resistant 35 📣Le professionnel qui crée la demande — des murs peints de Pompéi et du mémo « brand man » de P&G en 1931 aux fils d'actualité gouvernés par les enchères de l'ère numérique.
AI-resistant 38 🗺️Décide ce que l'entreprise doit construire ensuite, et pourquoi — en transformant les besoins clients, les objectifs business et les contraintes techniques en un plan partagé que personne d'autre ne possède vraiment.
AI-resistant 50