Façonner l'avenir du travail : un cadre stratégique pour l'ère de l'automatisation

par Eric Carlson

Ma grand-mère travaillait comme bibliothécaire à Wisconsin Rapids, une ville industrielle construite le long des rives de la rivière Wisconsin. Elle a conservé la collection de livres pour enfants mais, le plus souvent, elle était préoccupée par la corvée de maintenir le catalogue sur fiches de la bibliothèque. [1] Toutes les quelques semaines, une nouvelle cargaison de livres arrivait en piles empilés aussi haut que son menton et elle feuilletait chaque volume jusqu'à ce que le numéro d'appel parfait se présente (ce n'était jamais celui que les éditeurs recommandaient). Une fois les numéros d'appel assemblés en un tas de fiches, elle se dirigeait vers un classeur où elle rangeait chaque fiche à sa place. [2] Le travail était lent et, à l'époque, il n'y avait pas de machines pour faire ce travail. Bien sûr, elle était heureuse de le faire - ma grand-mère était une personne très sérieuse et s'assurer que n'importe quel enfant puisse trouver n'importe quel livre était une affaire très sérieuse.

Elle a pris sa retraite des années avant que les bibliothèques des États-Unis ne commencent à automatiser la maintenance de leurs catalogues sur fiches. Mais lorsque l'informatisation a frappé les bibliothèques dans les années 1980, ce fut un changement bienvenu. À l'automne 1984, des bibliothécaires de la bibliothèque des sciences de la santé de l'Université du Maryland à Baltimore ont attaché des cartes du catalogue de cartes à des cordes aux extrémités de ballons d'hélium rouges et bleus qu'ils ont lâchés à l'unisson, un abandon métaphorique de la tâche banale et routinière qui prenait trop de leur temps. [3]

En revanche, l'automatisation de la fabrication s'est heurtée à une certaine résistance. Dans les années 1970 à Youngstown, Ohio, à 700 miles de la bibliothèque de ma grand-mère, General Motors équipait son usine de robots de soudage industriels appelés "unimates". Dans Studs Terkel's Working, une histoire orale du travail aux États-Unis, Gary Bryner, un travailleur de l'automobile chez GM, décrit le travail avec ses collègues mécaniciens comme quelque chose qui sort presque du Piano de Vonnegut. "Ça ressemble à une mante religieuse. Ça va d'un endroit à l'autre. Ça lâche ce truc et ça revient en position, prêt pour la prochaine voiture... Ils ne se fatiguent jamais, ils ne transpirent jamais, ils ne se plaignent jamais, ils ne manquent jamais de travail."

Ces robots de soudage ont presque doublé la production de l'usine mais ont réduit les besoins en main-d'œuvre. "Quand ils ont embarqué les unimates, nous construisions soixante [voitures] à l'heure", a déclaré Bryner. "Quand nous sommes revenus au travail, avec les unimates, nous construisions cent voitures à l'heure. Ils font le travail d'environ deux cents hommes, donc il y a eu une réduction des hommes."

Aujourd'hui, la sortie de grands modèles de langage comme ChatGPT a ravivé les inquiétudes concernant l'automatisation et a suscité des craintes concernant la prise de contrôle hostile de l'intelligence artificielle. Ces plates-formes ont dépassé de loin les tâches de stockage de données par cœur et peuvent même réussir l'examen du barreau. Cela a conduit les cols blancs à se demander si leur emploi ne va pas bientôt devenir celui du bibliothécaire, mais celui de l'ouvrier d'usine.

Premier d'une série sur l'économie de l'automatisation, cet essai se concentre sur le travail et sur ce que les données peuvent et ne peuvent pas nous dire sur notre avenir. Il démontrera trois choses. Premièrement, l'automatisation est difficile à prévoir. Deuxièmement, les ajustements du marché du travail à l'automatisation ont été lents, s'effectuant principalement au fil des générations plutôt qu'au cours des carrières individuelles. Troisièmement, compte tenu de la répartition géographique inégale des industries et des professions et de la nature régionale des marchés du travail, l'expérience de l'automatisation dépend en grande partie de l'endroit où l'on vit. Enfin, je soutiens que les politiques conçues pour l'avenir du travail ne doivent pas essayer d'inhiber le changement technologique ; nous avons plutôt besoin de politiques axées sur le lieu qui visent à aider les travailleurs à passer d'un emploi à l'autre.

Une approche centrée sur les données pour l'automatisation et les emplois

Le département américain du Travail tient un registre de la façon dont les Américains travaillent, entre autres statistiques sur le marché du travail. Ces informations sont collectées et stockées dans une base de données en ligne appelée Occupational Information Network (O*NET en abrégé), qui est une mise à jour du Dictionary of Occupational Titles (DOT). O*NET dispose d'informations détaillées sur le contenu des tâches et les conditions de travail d'environ 1 000 professions. Entre autres choses, ces données nous montrent à quel point les travailleurs sont exposés à l'automatisation : O*NET demande aux répondants " Dans quelle mesure votre travail actuel est-il automatisé ?" avec des réponses allant de un ("Pas du tout automatisé") à cinq ("Complètement automatisé").

Le diagramme à boîte et à moustaches de la figure 1 montre la distribution des scores d'automatisation pour les professions regroupées par leurs codes à deux chiffres de la Classification type des professions (SOC). Les lignes verticales au centre de chaque case fournissent une mesure de l'exposition moyenne à l'automatisation au sein de chaque groupe professionnel. La largeur de chaque boîte montre la plage d'exposition à l'automatisation pour un travailleur typique tandis que les moustaches s'étendant dans les deux sens à partir des bords des boîtes fournissent une représentation visuelle des valeurs extrêmes d'exposition à l'automatisation. [4]

De manière peut-être surprenante, l'exposition à l'automatisation ne s'aligne pas facilement sur les distinctions simples entre cols bleus et cols blancs : de nombreux emplois de cols blancs sont fortement exposés à l'automatisation et de nombreux emplois de cols bleus ne sont pratiquement pas exposés du tout. Les trois groupes professionnels qui citent le plus haut degré d'automatisation sont le soutien de bureau et administratif; production; et les professions liées aux opérations commerciales et financières. Les trois catégories professionnelles qui citent le moins d'exposition à l'automatisation sont les soins et services personnels; installation, entretien et réparation; et les professions liées à l'enseignement et à la bibliothèque. [5]

Les données montrent également que les travailleurs des professions connexes peuvent avoir des expériences très différentes avec l'automatisation. Par exemple, certains travailleurs de la production sont très exposés à l'automatisation alors que d'autres ne le sont pas. À une extrémité du spectre, les opérateurs de machines-outils de tournage (SOC 51-4034) qui utilisent de la machinerie lourde pour décaper le métal des surfaces des pièces en rotation sont déjà automatisés hors du travail. D'autre part, les tailleurs sur mesure (SOC 51-6052), qui travaillent directement avec les clients pour fixer ou façonner des vêtements parfois complexes, signalent un degré d'automatisation relativement faible.

Figure 1. L'automatisation affecte à la fois les emplois de cols bleus et de cols blancs

Source : Calculs de l'auteur à partir des données O*NET 2019

Ces différences d'exposition à l'automatisation peuvent en partie s'expliquer par des différences dans les caractéristiques individuelles des emplois. En 2003, les économistes David Autor, Frank Levy et Richard Murnane ont décrit l'automatisation comme une forme de capital qui peut effectuer des tâches routinières - des tâches avec des règles simples qui sont répétées encore et encore - mais ne peut pas effectuer des tâches non routinières - des tâches qui nécessitent un jugement et une prise de décision abstraits. [6] En d'autres termes, ils soutiennent que les machines sans pilote, du moins du point de vue de 2003, sont bonnes pour les tâches répétitives avec des instructions simples. Par rapport aux autres travailleurs, les personnes occupant des emplois comme ceux-ci courent un plus grand risque de déplacement induit par l'automatisation.

À l'appui de ce cadre, la figure 2 montre que les professions impliquant des tâches plus répétitives sont plus susceptibles d'être exposées à l'automatisation que les emplois moins répétitifs. Par exemple, les commis à la paie (SOC 43-3051), qui conservent des dossiers sur les données de travail des employés, signalent à la fois des degrés élevés de répétition au travail et des degrés élevés d'exposition à l'automatisation. En revanche, les médiateurs (SOC 23-1022), qui négocient des litiges juridiques complexes, ne connaissent ni des degrés élevés de répétition ni des degrés élevés d'automatisation. Cependant, la corrélation entre les degrés actuels de répétition et les degrés actuels d'automatisation ne nous dit pas si les machines remplacent les personnes ou si les machines travaillent avec les personnes pour les rendre plus productives.

Figure 2. Les tâches répétitives sont plus exposées à l'automatisation

Source : données O*NET 2019

D'autres corrélations compliquent l'idée que l'automatisation sert uniquement à remplacer la main-d'œuvre. Par exemple, il n'y a presque aucune relation entre la liberté de prendre des décisions au travail et le degré d'automatisation observé d'une profession. Comme le montre le panneau (a) de la figure 3, certaines professions qui impliquent beaucoup de prise de décision sont fortement exposées à l'automatisation, tandis que certaines professions qui impliquent moins de décisions y sont très peu exposées. Une explication possible est que dans certaines professions à forte prise de décision, les machines gèrent les éléments routiniers du travail, libérant ainsi les travailleurs pour qu'ils se concentrent sur des tâches plus abstraites.

Pour voir comment la technologie peut à la fois déplacer certains travailleurs et en rendre d'autres plus productifs, considérons, par exemple, une comparaison entre les opérateurs téléphoniques et les pilotes de ligne. Malgré le fait que les deux sont fortement exposés à l'automatisation, de nombreux travaux d'exploitation téléphonique sont déjà effectués par des machines, tandis que le pilotage d'avions, en revanche, continuera probablement d'être effectué par des humains. Comme le montre le panneau (b) de la figure 3, ces différences d'expérience sont probablement dues à leurs degrés très différents de liberté de décision.

Figure 3. L'automatisation n'est pas liée à la liberté de prendre des décisions

Source : données O*NET 2019

Comparativement à la plupart des autres professions, les téléphonistes ont peu de liberté de décision. Dans Working, Terkel s'entretient avec Sharon Griggins (sous le pseudonyme Heather Lamb), qui a travaillé comme opératrice téléphonique dans l'Illinois en 1972. Elle décrit son travail comme répétitif et de portée étroite. Griggins dit à Terkel : "Il y a environ sept ou huit phrases que vous utilisez et c'est tout : 'Bonjour, puis-je vous aider ?' 'Opérateur, puis-je vous aider ?'... C'est tout ce que vous pouvez dire." Dans l'enregistrement audio original, non inclus dans le livre, elle se lamente : "Vous vous sentez comme une machine."

D'autre part, les pilotes sont tenus de prendre un grand nombre de décisions et de réagir rapidement aux changements de vent et de temps. Alors que certaines tâches impliquées dans le pilotage d'avions sont déjà devenues automatisées, les robots ont tendance à prendre la forme d'assistants plutôt que de remplaçants. De plus, les problèmes de sécurité rendent peu probable le remplacement des pilotes par des robots. [7]

Bien que ces données offrent un aperçu de la façon dont l'automatisation interagit avec le travail, elles ne fournissent qu'un aperçu de l'exposition à l'automatisation professionnelle à un moment donné. Mais les craintes concernant l'automatisation portent sur l'avenir du travail et pas nécessairement sur la vie professionnelle telle qu'elle se présente actuellement. Malheureusement, malgré les efforts pour prédire l'impact de l'automatisation sur différents emplois, les données montrent que l'automatisation a été difficile à anticiper.

L'avenir incertain de l'automatisation

O*NET a enregistré et mis à jour périodiquement sa mesure de l'automatisation depuis le début des années 2000, nous donnant près de deux décennies de données sur l'évolution des emplois. Ces données montrent qu'en général, les emplois ne sont pas tous devenus plus automatisés au fil du temps. Alors que certains emplois sont devenus plus automatisés, d'autres le sont moins. Le panneau (a) de la figure 4 montre la distribution des changements au niveau de la profession dans le degré d'automatisation entre 2002 et 2019. La distribution est centrée autour de zéro - de nombreuses tâches qui ne pouvaient pas être automatisées en 2002 ne pouvaient toujours pas l'être en 2019 - mais il y a une grande dispersion.

Curieusement, les changements d'exposition à l'automatisation ne s'alignent pas facilement sur les frontières des cols bleus et des cols blancs. Certaines professions de cols bleus ont signalé des degrés d'automatisation élevés en 2002 et des degrés d'automatisation plus faibles en 2019 et certaines professions de cols blancs ont signalé de faibles degrés d'automatisation en 2002 mais des degrés d'automatisation élevés en 2019. période de temps.

Le nuage de points dans le panneau (b) de la figure 4 démontre en outre la faible correspondance entre les mesures d'automatisation de 2002 et 2019. La ligne diagonale en pointillés représente les points auxquels la mesure de 2002 a prédit exactement la mesure de 2019. Les points à gauche de la ligne indiquent les instances où la mesure de 2002 sous-estime l'exposition future à l'automatisation et les points à droite de la ligne indiquent les instances où la mesure de 2002 surestime l'exposition future à l'automatisation. Confirmant les données de l'histogramme, la mesure de 2002 sous-estime environ la moitié de toutes les professions de la base de données et surestime l'autre moitié. En d'autres termes, il n'y a pas de relation systématique forte entre les mesures d'automatisation passées et présentes (autodéclarées).

Figure 4. L'exposition passée à l'automatisation ne prédit pas l'exposition future à l'automatisation

Source : données O*NET 2002 et 2019

De plus, les experts ont essayé de prédire la probabilité d'automatisation pour différentes professions en utilisant des descriptions textuelles de différents emplois. Ces prédictions ne montrent qu'une faible relation avec l'exposition observée à l'automatisation telle que mesurée par le questionnaire O*NET. Par exemple, dans un article de 2017 de Frey et Osborne, les auteurs utilisent des descriptions textuelles des professions pour classer les emplois en fonction de leur probabilité d'automatisation. [8] Les auteurs utilisent des informations sur les ensembles de connaissances, de compétences et de tâches nécessaires pour chaque profession et utilisent un algorithme de classification d'apprentissage automatique pour attribuer des probabilités d'automatisation à chaque emploi. Surtout, Frey et Osborne (2017) élargissent la conceptualisation de l'automatisation et du travail en soulignant que les progrès de l'intelligence artificielle impliquent que les emplois de bureau peuvent être aussi sensibles à l'automatisation que les emplois de production.

Alors que l'analyse de Frey et Osborne (2017) a apporté une contribution importante à notre compréhension de l'automatisation, la figure 5 montre à quel point ces prédictions divergent de la réalité. L'axe horizontal montre la mesure O*NET de chaque profession de l'exposition à l'automatisation observée et l'axe vertical montre la probabilité d'automatisation de chaque profession basée sur la méthodologie de Frey et Osborne. Les données présentent un certain nombre de caractéristiques notables. Premièrement, il existe une relation très faible entre la prédiction des experts et l'exposition observée à l'automatisation. Par exemple, de nombreux emplois qui démontrent un niveau élevé d'exposition à l'automatisation ont été classés comme ayant une faible probabilité d'automatisation. Deuxièmement, la plupart des valeurs de la prédiction d'expert sont regroupées autour de zéro et un. En d'autres termes, l'algorithme crée un contraste frappant entre les professions sûres et sensibles. Cette méthode suit des approches antérieures qui utilisaient des descriptions professionnelles écrites pour diviser les emplois en emplois automatisables ou non, alors que la réalité est beaucoup plus nuancée.

Figure 5. Faible corrélation entre la prédiction des experts et l'exposition à l'automatisation observée

Source : Frey et Osborne (2017) et données O*NET 2019

L'examen d'emplois spécifiques montre que la méthode de classification est peut-être plus préoccupée par le remplacement complet des humains par des machines que par l'introduction générale du capital automatisé dans le flux de travail de chaque profession. Par exemple, on peut à nouveau comparer les opérateurs téléphoniques aux pilotes de ligne. Contrairement aux pilotes de ligne, les opérateurs téléphoniques sont à la fois très exposés à l'automatisation et très exposés au risque d'être remplacés par des machines. Le panneau (b) de la figure 5 montre que l'algorithme de Frey et Osborne (2017) attribue une forte probabilité d'automatisation aux opérateurs téléphoniques et une faible probabilité aux pilotes de ligne. Mais étant donné qu'O*NET mesure l'exposition réalisée à l'automatisation et que Frey et Osborne (2017) se concentrent sur la remplaçabilité, nous pouvons utiliser conjointement ces mesures pour classer les professions en fonction de leur exposition à l'automatisation en substitution ou en complément de la main-d'œuvre.

Les professions qui se situent dans le quadrant supérieur droit de la figure, comme les opérateurs téléphoniques, peuvent être classées comme étant exposées à l'automatisation de substitution de la main-d'œuvre. Il s'agit de professions qui ont une forte probabilité prédite de remplacement de machines et une forte exposition observée à l'automatisation. Bon nombre de ces professions sont des emplois de bureau à col blanc. Par exemple, les préparateurs de déclarations, les agents de crédit et les assureurs entrent tous dans cette catégorie. Sur la base des données sur l'emploi de la Current Population Survey (CPS), ce groupe représentait environ 17% de l'emploi total aux États-Unis en 2019.

D'autre part, les professions qui se situent dans le quadrant inférieur droit de la figure peuvent être classées comme étant exposées à une automatisation complémentaire de la main-d'œuvre. Contrairement aux emplois exposés à l'automatisation de substitution de la main-d'œuvre, ces professions ont une faible probabilité prédite de remplacement par des machines, mais une forte exposition observée à l'automatisation. Il s'agit notamment d'un groupe diversifié de professions allant des sciences aux soins de santé en passant par la gestion. Par exemple, les biochimistes, les inhalothérapeutes et les responsables de la production industrielle signalent tous une utilisation élevée de la technologie automatisée, mais ont un faible score de déplacement selon la méthodologie de Frey et Osborne (2017). En 2019, cette catégorie représentait environ 10 % de l'emploi total à l'échelle nationale.

La relation entre l'automatisation et notre façon de travailler est complexe et multiforme. Dans certains cas, les machines peuvent remplacer les travailleurs tandis que dans d'autres cas, les machines rendent les travailleurs plus efficaces. Cette diversité technologique a rendu l'automatisation difficile à prévoir. Mais une combinaison prudente de données d'observation et de prédictions d'experts peut offrir de meilleures informations sur la façon dont l'automatisation affecte les travailleurs. La distinction entre l'automatisation de substitution de main-d'œuvre et l'automatisation d'augmentation de la main-d'œuvre a des conséquences sur la façon dont les gens ont pris des décisions sur le marché du travail au fil du temps.

Automatisation et évolution des modèles d'emploi

En 2022, le New York Times s'est entretenu avec Paul Rizzo, un homme d'une trentaine d'années sans diplôme universitaire de quatre ans qui a perdu son emploi à cause de l'automatisation. Après une longue période de chômage, il a trouvé du travail comme chauffeur-livreur sur l'application DoorDash, reflétant une tendance plus large du marché du travail dans laquelle l'automatisation a conduit le secteur des services à remplacer le secteur manufacturier en tant qu'employeur majeur de main-d'œuvre non diplômée. [9] Cette transition peut être difficile et, comme le souligne le Times, douloureusement lente pour de nombreux travailleurs, impliquant souvent de longues périodes hors du marché du travail.

Les données du CPS confirment que l'automatisation remodèle le marché du travail à un rythme soutenu. Nous pouvons voir une partie de ce changement dans la part en baisse constante de l'emploi dans les professions exposées à l'automatisation de substitution de la main-d'œuvre. Comme le montre la figure 6, de 1990 à 2019, le pourcentage de travailleurs occupant des emplois pouvant être effectués par des machines, tel que défini par le quadrant inférieur droit de la figure 5, a diminué tandis que le pourcentage de travailleurs occupant des emplois que les machines peuvent compléter, tel que défini par le quadrant supérieur droit de la figure 5, a lentement augmenté. En 1990, environ 22 % des travailleurs américains occupaient un emploi exposé à une automatisation permettant d'économiser du travail. En 2019, ce nombre était tombé à un peu moins de 17 %. En revanche, en 1990, environ 8 % des Américains exerçaient une profession exposée à une automatisation augmentant la main-d'œuvre. En 2019, ce nombre était passé à un peu plus de 10 %, soit une augmentation de 25 %. Compte tenu de l'ampleur de l'économie américaine, ces changements sont substantiels et représentent des millions de travailleurs. Ces changements ne sont pas seulement dus au fait que les travailleurs en place changent d'emploi, mais aussi au fait que de nouveaux travailleurs choisissent des professions moins exposées à l'automatisation de la substitution de la main-d'œuvre.

Graphique 6. Les travailleurs ont quitté des emplois substituables

Source : Calculs de l'auteur à partir des données de Frey et Osborne (2017), O*NET et de la Current Population Survey

Les transitions vers le marché du travail peuvent être difficiles. Les travailleurs expérimentés développent des compétences spécialisées difficiles à transférer dans de nouveaux contextes. Par exemple, après que les travailleurs aient perdu des emplois dans le secteur manufacturier au profit de la concurrence des importations chinoises au début des années 2000, de nombreux travailleurs à bas salaire sont passés d'un emploi de production à un emploi de production, acceptant souvent une réduction de salaire pour ce faire, plutôt que de trouver une nouvelle profession malgré le déclin de l'industrie. [10] En revanche, de nombreux travailleurs à haut salaire ont réussi à faire la transition vers d'autres emplois bien rémunérés en dehors du secteur manufacturier. Ces travailleurs qui ont pu quitter le secteur manufacturier n'ont subi aucune perte de revenus par rapport à leurs pairs dans des secteurs moins exposés à la concurrence des importations chinoises. Une grande partie des dommages économiques subis par les travailleurs provenait donc de l'incapacité de passer à de nouvelles industries plutôt que de l'effet direct de la baisse des salaires dans le secteur manufacturier.

Étant donné que les transitions professionnelles sont difficiles au cours d'une carrière, les plus grands départs d'emplois automatisables sont venus des nouveaux entrants sur le marché du travail plutôt que des titulaires. En général, les gens entrent dans des professions peu qualifiées au début de leur carrière et passent progressivement à des professions plus qualifiées à mesure qu'ils vieillissent et acquièrent de l'expérience. La figure 7 montre que chaque nouvelle génération de travailleurs a été moins susceptible d'accéder à des professions pouvant être remplacées par des technologies économes en main-d'œuvre que la génération précédente, comme le montre le panneau (a). Mais les transitions hors de ces emplois au cours d'une carrière typique ont été régulières d'une génération à l'autre.

La ligne pleine représente les décisions des travailleurs nés entre 1965 et 1974, la ligne pointillée représente les décisions des travailleurs nés entre 1975 et 1984, et la ligne en pointillés longs représente les décisions des travailleurs nés entre 1985 et 1994. À chaque génération, une plus petite proportion est entrée dans des professions pouvant être exercées par des machines. Environ 27 % des personnes nées entre 1965 et 1974 sont entrées dans des professions exposées à la technologie de substitution de la main-d'œuvre au début de la vingtaine, contre environ 21 % de leurs homologues nés entre 1985 et 1994. Cependant, une fois que les jeunes générations de travailleurs sont entrées dans des professions automatisables, leurs transitions hors de ces emplois imitent les transitions des générations plus âgées. Dans chaque cohorte, environ 5 % des travailleurs quittent les professions exposées à la technologie de substitution de la main-d'œuvre tous les 10 ans.

Figure 7. Chaque nouvelle génération est moins susceptible d'entrer dans des emplois automatisables

Source : Calculs de l'auteur à partir des données de Frey et Osborne (2017), O*NET et de la Current Population Survey

Comme le montre le panneau (b), il y a eu peu de changement générationnel dans la proportion de travailleurs entrant dans des emplois exposés à une automatisation augmentant la main-d'œuvre. Au lieu de cela, une grande partie de l'évolution des choix du marché du travail à travers les générations a impliqué la sélection dans des professions non exposées à l'automatisation. Les raisons de ces changements générationnels restent floues. Cependant, il est possible que les professions qui utilisent des technologies d'augmentation de la main-d'œuvre nécessitent des investissements initiaux dans la formation ou le capital humain qui ne sont pas disponibles pour les types de travailleurs qui auraient autrement accepté des emplois qui utilisent maintenant des machines économes en main-d'œuvre.

L'automatisation a modifié la structure et la composition du marché du travail. Chaque année, les travailleurs se sont éloignés des professions qui sont exposées à des technologies économes en main-d'œuvre. Cependant, cet ajustement est lent et s'effectue au fil des générations. D'autres recherches ont montré que les transitions restent difficiles pour les membres actuels de la population active car, au cours d'une carrière, les travailleurs effectuent des investissements en capital humain spécifiques à l'industrie et à la profession qui ne sont pas transférables. [11, 12] En outre, de nombreux travailleurs exerçant des professions exposées à l'automatisation peuvent vivre dans des régions du pays où la plupart des autres emplois sont également fortement exposés à l'automatisation. Ces facteurs, conjugués à la baisse de la mobilité géographique, suggèrent que les choix professionnels pourraient être plus restreints que ne le laisseraient supposer les données agrégées à l'échelle nationale. [13]

Géographie de l'exposition à l'automatisation

L'automatisation affecte tous les coins des États-Unis. Dans les zones de navettage, entre 24 et 36 % de tous les travailleurs sont exposés à l'automatisation. Néanmoins, cette gamme laisse certains endroits beaucoup plus exposés que d'autres. Compte tenu de la nature régionale des industries et des marchés du travail, les décideurs doivent comprendre l'automatisation à travers une lentille géographique. Considérez un travailleur qui perd son emploi à cause d'une machine. Si la plupart des autres entreprises liées de son marché du travail licencient également des travailleurs en raison de l'automatisation, sa capacité à se remettre de sa perte d'emploi est fortement limitée. D'un autre côté, si elle vivait dans une partie du pays avec un mélange plus diversifié d'occupations, elle pourrait passer plus facilement à un nouvel emploi.

En effet, l'exposition moyenne à l'automatisation varie considérablement à travers les États-Unis. [14] La figure 8 montre une carte de la part des travailleurs dans les professions fortement exposées à l'automatisation sur la base des données d'automatisation d'O*NET et des données sur l'emploi de l'American Community Survey (ACS) de 2019. [15] Chaque frontière sur la carte représente un marché du travail local appelé une zone de navettage qui est un ensemble de comtés qui présentent beaucoup de navettage à l'intérieur des zones et peu de navettage entre les zones. [16]

Figure 8 : La région des Grands Lacs est fortement exposée à l'automatisation

Source : Calculs de l'auteur à partir des données de l'American Community Survey 2019 et des données O*NET 2019

L'exposition à l'automatisation varie selon les régions et n'est ni extrêmement concentrée ni largement dispersée. Par exemple, contrairement au fort regroupement local présenté par le secteur manufacturier américain, l'exposition à l'automatisation s'étend à un plus large éventail de régions géographiques. Cependant, l'exposition à l'automatisation est plus concentrée que le secteur de la santé assez uniformément réparti. Ainsi, alors que les politiques macroéconomiques qui favorisent le plein emploi peuvent aider les travailleurs touchés par l'automatisation, des politiques ciblées et adaptées au lieu sont toujours nécessaires pour relever les défis régionaux spécifiques.

La figure 9 compare les distributions de l'exposition à l'automatisation, de l'exposition à la fabrication en 1990 et de l'exposition au secteur de la santé. Afin de se concentrer sur les comparaisons distributionnelles, chaque mesure est centrée sur 0. Une distribution plus plate et plus large implique une plus grande spécialisation régionale tandis qu'une distribution plus mince et plus pointue implique moins de concentration. Comme le montre le panneau (a), l'exposition à l'automatisation est beaucoup moins concentrée au niveau régional que l'exposition à la fabrication et, comme le montre le panneau (b), l'exposition à l'automatisation est légèrement plus concentrée au niveau régional que l'exposition au secteur de la santé.

Figure 9 : L'automatisation est moins concentrée régionalement que la fabrication, mais plus concentrée que les soins de santé

Source : calculs de l'auteur à partir des données du recensement décennal de 1990, de l'enquête sur la communauté américaine de 2019 et des données O*NET de 2019

La part des travailleurs dans les professions fortement exposées à l'automatisation varie d'environ 25 % à 36 % dans les zones de navettage. Cela correspond à peu près aux autres estimations de la variation géographique de l'exposition à l'automatisation. Les taux d'exposition faibles et élevés ont tendance à être fortement regroupés dans l'espace. Les zones de navettage les moins exposées sont principalement situées dans l'ouest des montagnes ainsi que dans les zones côtières de chaque côté du pays. En revanche, les zones de navettage les plus exposées ont tendance à être situées dans les régions des Grandes Plaines et de la Rust Belt.

Les marchés du travail de Mountain West ont tendance à avoir des proportions élevées de travailleurs dans la gestion ou dans les professions de services en contact avec la clientèle, comme les vendeurs au détail ou les serveurs. En outre, il existe également une part relativement importante de travailleurs dans la construction et la menuiserie. Ces emplois nécessitent encore beaucoup d'intervention humaine, soit en raison de leur orientation vers le service, comme dans le cas des serveurs de restaurant, soit parce que les nouvelles technologies ne sont pas largement utilisées, comme dans le cas de la construction.

Il est intéressant de noter que la carte de la forte exposition à l'automatisation n'est pas façonnée par les métiers de la production mais par les emplois dans l'agriculture. Cela est dû en partie à un secteur agricole de plus en plus automatisé et en partie à une large spécialisation sectorielle régionale. Par exemple, plus de 6 % des travailleurs de la zone de navettage Ord, NE travaillent dans la gestion agricole. Ces emplois sont devenus high-tech ces dernières années, avec de nombreuses tâches de collecte et de stockage de données qui sont désormais automatisées par des ordinateurs. Beaucoup d'autres dans la région des Grandes Plaines travaillent comme comptables ou directeurs financiers, qui sont des professions fortement exposées à l'automatisation, qui desservent probablement également le secteur agricole.

Alors que la figure 8 décrit l'exposition à l'automatisation au sens large, nous pouvons en outre classer l'automatisation comme substitut ou complément de la main-d'œuvre. L'automatisation de substitution de la main-d'œuvre fait référence aux robots ou aux logiciels qui ont la capacité de remplacer les travailleurs. Je définis les professions qui sont exposées à l'automatisation de substitution de la main-d'œuvre en fonction des niveaux d'exposition à l'automatisation observés tels que mesurés par O*NET et de la probabilité de remplacement telle que mesurée par Frey et Osborne (2017) au-dessus de la médiane. Ce sont des professions qui se trouvent dans le quadrant supérieur droit de la figure 5. L'automatisation complémentaire au travail, d'autre part, fait référence à des machines qui aident les travailleurs en supprimant le fardeau des tâches répétitives et en donnant au travailleur plus de temps pour se concentrer sur des tâches abstraites. Je classe les professions comme étant exposées à l'automatisation complémentaire à la main-d'œuvre si elles ont une exposition à l'automatisation observée supérieure à la médiane, mais inférieure à la probabilité médiane de remplacement. Il s'agit des professions qui se trouvent dans le quadrant inférieur droit de la figure 5.

La figure 10 montre la répartition géographique de la part des travailleurs exposés à l'automatisation de substitution de la main-d'œuvre. À l'échelle nationale, les parts varient d'environ 13% à 22%. Comme auparavant, il y a beaucoup de regroupement géographique. Des parts élevées de main-d'œuvre remplaçant l'automatisation sont concentrées dans la région des Grands Lacs ainsi que dans les zones côtières de l'Alaska.

En général, une forte exposition à l'automatisation de substitution de la main-d'œuvre n'est pas motivée par les professions de production. Par exemple, l'automatisation dans les zones de navettage le long de la côte pacifique de l'Alaska provient de l'importante industrie de la pêche commerciale de l'Alaska. La pêche aux États-Unis s'est de plus en plus automatisée ces dernières années. [17] En outre, même dans les zones de navettage avec de grandes industries manufacturières, l'exposition à l'automatisation de substitution de la main-d'œuvre est motivée par les services et les emplois de bureau plutôt que par les emplois de production. Dans la zone de navettage contenant Flint et Detroit, par exemple, l'exposition à l'automatisation est motivée par des personnes travaillant comme secrétaires, comptables ou commis à la facturation. Un peu plus de 17 % des heures de travail totales dans cette zone de navettage sont consacrées à des professions exposées à des technologies permettant d'économiser de la main-d'œuvre. Environ 2 points de pourcentage sont dus aux professions de production tandis qu'environ 6 points de pourcentage sont dus aux professions administratives.

Figure 10 : L'automatisation économe en main-d'œuvre est concentrée dans les Grands Lacs

Source : Calculs de l'auteur à partir des données ACS 2019, des données O*NET 2019 et des données de Frey et Osborne (2017)

La figure 11 montre la répartition géographique de la part des travailleurs exposés à des formes d'automatisation complémentaires au travail. En général, moins de travailleurs sont exposés à des technologies qui complètent la main-d'œuvre qu'à des technologies qui permettent d'économiser de la main-d'œuvre. Les parts varient de 6,6 % à 17,4 %. La majorité des zones de navettage très exposées se situent dans la région des Grandes Plaines.

Cette exposition à l'automatisation est largement due à une industrie agricole de haute technologie. Par exemple, dans la zone de navettage contenant Pierre, SD, près de 10 % des travailleurs sont dans la gestion agricole. Selon O*NET, les gestionnaires agricoles utilisent des logiciels automatisés pour enregistrer et collecter des données, mais doivent faire preuve de beaucoup de jugement pour prendre des décisions sur la manière d'allouer les ressources compte tenu des données disponibles. Dans les zones de navettage non agricoles, l'exposition à l'automatisation qui augmente la main-d'œuvre est largement due à la finance, à la gestion et à la protection du public. Par exemple, dans la zone de navettage comprenant Washington, DC, certaines parties du Maryland et le nord de la Virginie, l'exposition à l'automatisation est pilotée par les enquêteurs criminels, les superviseurs de première ligne des employés administratifs de bureau et les gestionnaires financiers.

Figure 11 : L'automatisation complémentaire au travail est concentrée dans les plaines

Source : Calculs de l'auteur à partir des données ACS 2019, des données O*NET 2019 et des données de Frey et Osborne (2017)

Contrairement à la croyance populaire, l'exposition à l'automatisation n'est pas motivée par les professions de production, mais par l'agriculture, la finance et les professions de bureau. Ce modèle est vrai à la fois pour les technologies qui économisent du travail et pour les technologies qui augmentent le travail. En outre, la spécialisation régionale dans différentes industries génère des impacts disparates de l'automatisation sur les marchés du travail locaux aux États-Unis. Cette géographie inégale de l'automatisation signifie que les décideurs politiques doivent reconnaître l'importance du lieu lors de l'élaboration de propositions politiques visant à faciliter les transitions vers le marché du travail pour les personnes exposées ou déplacées par l'automatisation. [18]

Repenser les politiques du travail pour l'économie de l'automatisation

Alors que la technologie continue de façonner notre économie, les décideurs se retrouvent aux prises avec les effets de l'automatisation sur le marché du travail. Certains, comme les sénateurs démocrates Mark Warner et Chris Coons et le sénateur républicain Mike Lee, ont proposé des politiques favorisant le développement de la main-d'œuvre. D'autres, comme le sénateur Bernie Sanders, ont envisagé de taxer les robots pour lutter contre le déplacement des travailleurs. Les preuves présentées dans cette analyse suggèrent qu'une bonne politique du marché du travail à l'ère de l'automatisation ne devrait pas viser à entraver les investissements dans les nouvelles technologies. Au contraire, une bonne politique devrait viser à permettre des transitions en douceur pour les travailleurs d'un emploi à l'autre.

Bien que bien intentionnées, des politiques telles que les taxes sur les robots peuvent faire plus de mal que de bien, car l'effet de l'automatisation sur la perte d'emplois est souvent indirect. Prenons l'exemple des robots industriels : plutôt que de licencier des travailleurs, les entreprises qui adoptent des robots augmentent généralement leur main-d'œuvre après avoir investi dans l'automatisation. [19] Au lieu de cela, des pertes d'emplois se produisent lorsque les petites entreprises qui n'adoptent pas les robots perdent des parts de marché au profit de grandes entreprises et ferment ou réduisent leurs effectifs. [20] Dans le meilleur des cas, les taxes sur les robots conditionnées aux licenciements n'auront aucun effet puisque les entreprises qui investissent dans les robots ont de toute façon tendance à augmenter l'emploi. Mais si la taxe est une pénalité générale pour l'adoption de robots de toute sorte, alors une politique qui pénalise les créateurs nets d'emplois peut se retourner contre eux.

Cette « destruction créatrice » schumpétérienne causée par la croissance et la diminution des entreprises exigera que les travailleurs passent d'un emploi à l'autre. Mais les transitions sur le marché du travail peuvent être coûteuses pour les individus et le marché du travail en général est lent à s'adapter aux transformations économiques. Comme indiqué ci-dessus, les changements sur le marché du travail aux États-Unis ont tendance à se produire au fil des générations. Chaque nouvelle cohorte de travailleurs fait des choix différents quant à ses occupations initiales mais, une fois embauchés, ils ont tendance à poursuivre avec un cheminement de carrière défini.

La nature onéreuse des transitions - les revenus perdus du temps passé au chômage combinés aux coûts de la reconversion et à la fréquence d'avoir à « échanger » vers un rôle moins rémunéré - ont toujours été la principale source de pertes économiques individuelles dues aux changements du marché du travail. Par exemple, les preuves de l'ajustement à la concurrence des importations chinoises montrent que la difficulté ne résidait pas dans la baisse de la demande de main-d'œuvre dans le secteur manufacturier, mais dans la difficulté de passer du secteur manufacturier à d'autres secteurs. [21] Étant donné que la transition vers un nouvel emploi est difficile, les pertes d'emploi ont tendance à avoir des effets à long terme sur les travailleurs et à diminuer les revenus à vie. [22]

Les transitions professionnelles sont encore plus importantes dans le contexte de l'automatisation. Alors que les chocs commerciaux sont généralement des modifications ponctuelles de la structure de l'économie, l'automatisation est un processus continu de changement technologique. Par conséquent, l'avenir du travail sera probablement celui d'un marché du travail en mutation plutôt que d'un marché du travail en déclin.

Les disparités géographiques et régionales constituent également un obstacle majeur à l'ajustement du marché du travail. Des conditions économiques initiales différentes peuvent rendre certaines régions moins résilientes que d'autres aux changements de l'économie, qu'il s'agisse de la concurrence des importations ou des nouvelles technologies. [23] La concentration régionale des emplois exposés à l'automatisation combinée à la variation géographique naturelle des industries et des professions signifie que la transition sera rendue plus ou moins difficile selon l'endroit où vit le travailleur. De nombreux travailleurs ne sont pas disposés à accepter des emplois à perte de salaire, ce qui entraîne des périodes de chômage plus longues et une perte d'accumulation de capital humain. Les politiques d'ajustement du marché du travail en fonction du lieu, en particulier celles qui ciblent les régions les plus en difficulté, sont des éléments essentiels d'un cadre politique plus large qui facilite de bons résultats sur le marché du travail en travaillant dans le sens du changement technologique, plutôt que contre lui.

Conclusion

Les effets de l'automatisation sur le marché du travail sont nuancés et complexes. Historiquement, les réactions à l'automatisation ont varié parmi les travailleurs. Les bibliothécaires ont adopté la numérisation du catalogage de leurs collections car la suppression des tâches banales les a libérés pour faire mieux avec leur temps. Mais les travailleurs de la production ont résisté à l'essor des robots de peur de perdre leur emploi.

Aujourd'hui, les nouvelles technologies comme les grands modèles linguistiques font que les cols blancs qualifiés s'inquiètent pour leur sécurité d'emploi. Une partie de la peur provient des incertitudes entourant la nature imprévisible de l'automatisation. Mais une analyse minutieuse des données d'observation, des prédictions d'experts et de l'expérience passée peut donner un aperçu de la manière dont l'automatisation peut affecter les travailleurs.

L'automatisation a sans aucun doute transformé le marché du travail, mais les ajustements se font lentement. Bien que chaque nouvelle génération de travailleurs ait été moins susceptible d'accéder à des emplois automatisables, les transitions restent difficiles pour les membres actuels de la population active. Au cours d'une carrière, les travailleurs font des investissements en capital humain spécifiques à l'industrie et à la profession qui ne sont pas transférables.

En outre, de nombreux travailleurs exerçant des professions sujettes à l'automatisation vivent dans des régions du pays où la plupart des autres emplois sont également fortement exposés à l'automatisation. Par conséquent, les choix professionnels peuvent être plus restreints que ne le suggèrent les données nationales. Étant donné que l'impact de l'automatisation varie selon les régions, le contexte local est important pour la conception de politiques d'adaptation au changement technologique.

Ces politiques ne doivent pas taxer ou entraver l'adoption de nouvelles technologies, car entraver l'automatisation peut avoir l'effet inverse. Au lieu de cela, la législation devrait viser à faciliter les transitions vers un nouveau travail. En outre, en raison de la nature régionale des marchés du travail, les politiques territoriales sont cruciales et des mesures ciblées devraient répondre aux besoins des régions en difficulté. En donnant la priorité à des politiques adaptatives et spécifiques à une région, nous pouvons exploiter le pouvoir de transformation de l'automatisation et favoriser un avenir du travail qui profite à tous les membres de la société.

Remarques

Dynamisme économique | Politique publique