Direction des études analytiques : documents de recherche
Estimations expérimentales de l’exposition professionnelle potentielle à l’intelligence artificielle au Canada

Remerciements

Les auteurs aimeraient remercier Li Xue, Marc Frenette et Vincent Hardy de Statistique Canada, ainsi que Jessica Gallant, Matthew Calver, Jacob Loree et Alan Stark du ministère des Finances Canada pour leurs commentaires utiles et constructifs.

Résumé

Les études antérieures sur les progrès technologiques ont indiqué que les professions comportant des tâches routinières et manuelles seront plus exposées au risque de transformation de l’emploi liée à l’automatisation. Toutefois, les récents progrès réalisés dans le domaine de l’intelligence artificielle (IA) remettent en question les conclusions antérieures, car l’IA est de plus en plus capable d’effectuer des tâches cognitives et non routinières. Ces avancées ont le potentiel de toucher une plus grande partie de la main-d’œuvre qu’on ne le pensait. La présente étude fournit des estimations expérimentales du nombre et du pourcentage de travailleurs au Canada susceptibles de subir une transformation de leur emploi liée à l’IA, qui sont fondées sur l’indice d’exposition professionnelle à l’IA ajusté en fonction de la complémentarité de Pizzinelli et coll. (2023), et inspirées par Felten, Raj et Seamans (2021). Selon les résultats des recensements de la population de 2016 et de 2021, en moyenne, environ 60 % des employés au Canada pourraient être exposés à une transformation de l’emploi liée à l’IA et environ la moitié de ce groupe occupe des emplois qui pourraient être fortement complémentaires avec l’IA. Contrairement aux vagues précédentes d’automatisation qui ont principalement transformé les emplois des employés moins instruits, l’IA est plus susceptible de transformer les emplois des employés très instruits. Malgré une potentielle exposition plus élevée à la transformation des emplois liée à l’IA, les employés hautement qualifiés peuvent occuper des emplois qui pourraient tirer avantage des technologies de l’IA. Par rapport aux employés des autres industries, l’exposition à la transformation des emplois liée à l’IA est plus élevée pour les employés des services professionnels, scientifiques et techniques; de la finance et des assurances; des industries de l’information et de la culture; des services d’enseignement; et des soins de santé et de l’assistance sociale. Toutefois, les professionnels de l’éducation et des soins de santé sont plus susceptibles d’occuper des emplois qui sont fortement complémentaires avec l’IA. Les employés des industries comme la construction, les services d’hébergement et les services alimentaires sont relativement moins exposés à la transformation des emplois liée à l’IA. Il reste à savoir si les professions qui pourraient tirer avantage de l’IA connaîtront une croissance de l’emploi et des salaires relativement plus élevée, car cela dépend des facteurs comme la productivité des entreprises et la capacité des travailleurs dans ces professions à tirer parti des avantages éventuels de l’IA.

Sommaire

Les récentes avancées dans le domaine de l’intelligence artificielle (IA) ont suscité à la fois de l’enthousiasme et des préoccupations quant à leurs répercussions sur la société et l’économie. Bien que les vagues précédentes de transformation technologique aient suscité des inquiétudes quant à l’avenir des emplois comprenant des tâches routinières et manuelles, un segment plus large de la main-d’œuvre pourrait être touché à une époque où de grands modèles de langage sophistiqués comme ChatGPT excellent de plus en plus dans l’exécution de tâches cognitives et non routinières généralement effectuées par des travailleurs hautement qualifiés. L’IA englobe beaucoup plus que simplement le traitement du langage naturel. Ces technologies ont la capacité d’automatiser les tâches routinières, d’améliorer les processus de prise de décisions humaine et de créer de nouvelles possibilités d’innovation et d’amélioration de l’efficacité. À mesure que l’IA continue d’évoluer, elle pourrait refaçonner les industries, redéfinir les rôles professionnels et transformer la nature du travail. Compte tenu des effets transformateurs de l’IA déjà en cours, de nouvelles préoccupations sont soulevées en ce qui concerne la transformation des emplois et le besoin d’adapter la main-d’œuvre.

La présente étude adopte l’indice d’exposition professionnelle à l’IA ajusté en fonction de la complémentarité de Pizzinelli et coll. (2023), qui est inspiré de la mesure originale de l’exposition professionnelle à l’IA de Felten, Raj et Seamans (2021), et l’applique aux données des recensements de la population de 2016 et de 2021. Les estimations expérimentales présentées dans la présente étude sont principalement fondées sur la faisabilité technologique de l’automatisation des tâches professionnelles. Les employeurs ne pourraient pas immédiatement remplacer la main-d’œuvre humaine par l’IA, même si cela est technologiquement faisable, et ce en raison de contraintes financières, légales et institutionnelles. Par conséquent, l’exposition à l’IA ne constitue pas nécessairement un risque de perte d’emploi. Au minimum, cela pourrait comprendre un certain degré de transformation de l’emploi (Frenette et Frank, 2020). De plus, certains économistes soutiennent que les risques et les avantages actuellement attribués à l’IA pourraient être exagérés (Acemoglu et Johnson, 2024; McElheran et coll., 2024), et que les augmentations de productivité au niveau macroéconomique pourraient être modestes, au mieux (Acemoglu, 2024).

Comme Pizzinelli et coll. (2023), la présente étude regroupe les professions en trois catégories en fonction de leur exposition à l’IA et de leur complémentarité avec elle : 1) forte exposition et faible complémentarité, 2) forte exposition et grande complémentarité, et 3) faible exposition. Les résultats indiquent qu’en mai 2021, en moyenne, environ 4,2 millions d’employés au Canada (31 %) figuraient dans le premier groupe, environ 3,9 millions (29 %) figuraient dans le deuxième groupe et environ 5,4 millions (40 %) figuraient dans le troisième groupe. Cette répartition était très similaire en mai 2016. Contrairement aux vagues précédentes d’automatisation, qui ont principalement transformé les emplois des employés moins instruits effectuant des tâches routinières et non cognitives, l’IA est plus susceptible de transformer les emplois des employés très instruits effectuant des tâches cognitives et non routinières. Toutefois, les employés hautement qualifiés sont également plus susceptibles d’occuper des emplois qui sont fortement complémentaires avec les technologies de l’IA que les employés moins instruits. Toutefois, les travailleurs auront toujours besoin des compétences nécessaires pour tirer parti des avantages éventuels de l’IA. Par rapport aux employés des autres industries, l’exposition à la transformation des emplois liée à l’IA est plus élevée pour les employés des services professionnels, scientifiques et techniques; de la finance et des assurances; des industries de l’information et de la culture; des services d’enseignement; et des soins de santé et de l’assistance sociale. Toutefois, les professionnels de l’éducation et des soins de santé sont plus susceptibles d’occuper des emplois qui sont fortement complémentaires avec l’IA. Les employés des industries comme la construction, les services d’hébergement et les services alimentaires sont relativement moins exposés à la transformation des emplois liée à l’IA.

Il y a beaucoup d’incertitude en ce qui a trait à la prédiction des effets transformateurs des progrès technologiques sur le marché du travail. La présente étude offre une image statique de l’exposition professionnelle à l’IA fondée sur les compositions d’emploi en mai 2016 et mai 2021, qui étaient plutôt similaires. Il reste à savoir comment les travailleurs réagiront et s’adapteront à long terme au marché du travail en constante évolution. L’indice utilisé dans la présente étude est subjectif et repose sur des jugements concernant certaines possibilités actuelles de l’IA. Par conséquent, la pertinence de l’indice peut diminuer avec le temps à mesure que les capacités de l’IA augmentent et que l’IA peut effectuer un nombre croissant de tâches actuellement effectuées par des travailleurs humains. Des mesures de rechange de l’exposition à l’IA pourraient fournir des renseignements supplémentaires. Des recherches futures pourraient également tenter de répondre à la question : « Qu’est-il arrivé aux travailleurs dont les emplois ont été exposés à une transformation liée à l’IA? »

1 Introduction

Il y a quelques siècles, la révolution industrielle et les forces de la mondialisation se sont réunies pour changer fondamentalement l’économie mondiale. Ces forces ont eu un effet de catalyseurs sur les progrès technologiques qui ont été un pilier du développement économique. Les avancées technologiques et l’innovation ont permis aux machines de prendre en charge certaines tâches intensives en main-d’œuvre et ont permis aux travailleurs de se concentrer sur des tâches plus cognitives exigeant de la créativité et de la réflexion critique. L’adoption de nouvelles technologies a également rendu certains emplois obsolètes, ce qui a donné lieu à une productivité accrue. Un exemple évident de cela est l’avènement des ordinateurs, qui ont sans aucun doute remplacé certains emplois, mais en ont également créé de nouveaux dans la foulée (p. ex. Autor, Levy et Murnane [2003] ou Graetz et Michaels [2018]). Toutefois, une productivité plus élevée ne se traduit pas toujours par des salaires plus élevés pour les travailleurs (Acemoglu et Johnson, 2024).

Plus généralement, l’automatisation est devenue une caractéristique déterminante des économies modernes, y compris celle du Canada. Elle a révolutionné diverses industries en rationalisant les processus, en augmentant l’efficacité et en réduisant les coûts opérationnels, entre autres. Elle a en même temps soulevé des préoccupations quant à l’avenir des travailleurs. L’étude largement citée de Frey et Osborne (2013), qui a estimé les risques de l’automatisation aux États-Unis, a suscité un grand nombre de publications sur l’automatisation (p. ex. Arntz, Gregory et Zierahn [2016]; Oschinski et Wyonch [2017]; Nedelkoska et Quintini [2018]; Frenette et Frank [2020]; et Georgieff et Milanez [2021]). Frenette et Frank (2020) ont estimé qu’environ 1/10 des employés au Canada pourraient être à risque élevé (probabilité de 70 % ou plus) de transformation de leur emploi liée à l’automatisation.

La pensée dominante dans la littérature sur l’automatisation est que les individus très instruits ou hautement qualifiés sont moins susceptibles de subir une transformation de leur emploi liée à l’automatisation, car ils sont plus susceptibles d’effectuer des tâches cognitives et non routinières, qui sont considérées comme moins automatisables. Toutefois, une autre source de perturbation, qui peut potentiellement battre en brèche les notions antérieures, émerge : l’intelligence artificielle (IA)^Note . Bien que l’IA existe depuis des décennies (p. ex. jeux vidéo, reconnaissance d’images), ce n’est qu’en 2022 qu’elle est devenue populaire et a connu un essor fulgurant, en partie grâce au lancement de ChatGPT par OpenAI.

Le rythme sans précédent des avancées dans le domaine de l’IA et son intégration croissante dans la société et l’économie ont amené certains chercheurs à qualifier cela de moment décisif de l’histoire, semblable aux changements transformateurs provoqués par la révolution industrielle (Cazzaniga et coll., 2024). ChatGPT est juste un exemple d’un grand modèle de langage (GML) qui a débloqué les possibilités remarquables de l’IA. L’IA peut également effectuer des tâches complexes, comme la génération de musique et de vidéos à partir de la saisie de texte (p. ex. Sora par OpenAI). L’IA englobe un large éventail d’applications, notamment le traitement du langage naturel, l’apprentissage automatique, la vision informatique et la robotique. Ces technologies ont la capacité d’automatiser les tâches routinières, d’améliorer les processus de prise de décisions humaine et de créer de nouvelles possibilités d’innovation et d’efficacité. À mesure que le domaine de l’IA continue d’évoluer, il peut potentiellement refaçonner les industries, redéfinir les rôles professionnels et transformer la nature du travail. Dans le paysage technologique en constante évolution d’aujourd’hui, l’intégration de l’IA dans divers aspects de la société, des assistants virtuels et des algorithmes de recommandation aux véhicules autonomes et à l’analyse prédictive, soulève naturellement des questions quant à son incidence sur la société et l’économie. L’adoption généralisée de l’IA soulève de nouvelles préoccupations concernant la transformation des emplois, l’inadéquation des compétences et le besoin d’adapter la main-d’œuvre.

L’objectif principal de la présente étude est de quantifier le niveau d’exposition professionnelle potentielle à l’IA (EPIA) au Canada. En utilisant des méthodes expérimentales, la présente étude offre des aperçus préliminaires sur la façon dont l’IA peut avoir une incidence sur le marché du travail canadien ainsi que les risques et éventuels avantages qu’elle présente pour les travailleurs.

La présente étude adopte l’indice d’EPIA ajusté en fonction de la complémentarité (EPIAC) proposé par Pizzinelli et coll. (2023). L’indice d’EPIA original, souvent cité dans la littérature, a été proposé par Felten, Raj et Seamans (2021) comme moyen de mesurer la mesure dans laquelle les applications d’IA chevauchent les compétences humaines nécessaires pour effectuer les tâches d’un emploi donné. À la lumière des récents progrès relatifs aux GML, Felten, Raj et Seamans (2023) ont envisagé un indice de rechange qui accordait une pondération plus importante à la modélisation du langage et ont constaté qu’il était fortement corrélé avec l’indice d’EPIA original. Reconnaissant que l’IA peut compléter le travail humain, l’étude du Fonds monétaire international (FMI) réalisée par Pizzinelli et coll. (2023) a proposé l’indice d’EPIAC, qui tente de prendre en compte la complémentarité potentielle de l’IA entre les professions, en plus de l’exposition directe. Ces mesures sont axées sur l’IA « étroite », qui renvoie à « [Traduction] un logiciel qui repose sur des techniques algorithmiques très sophistiquées pour trouver des modèles dans les données et faire des prédictions sur l’avenir » (Broussard, 2018; Felten, Raj et Seamans, 2021). Cette définition englobe l’IA générative (p. ex. GML, reconnaissance d’images), mais ne tient pas compte de l’exposition à l’IA « générale », qui renvoie à « [Traduction] un logiciel capable de penser et d’agir de manière autonome et combiné avec des technologies d’automatisation et de robotique » (Pizzinelli et coll., 2023). Des comparaisons internationales de l’EPIA fondées sur l’indice d’EPIA original ont été réalisées (p. ex. Georgieff et Hyee [2021], et Organisation de coopération et de développement économiques [OCDE] [2023]). Une étude du FMI réalisée par Cazzaniga et coll. (2024) a comparé l’exposition à l’IA et la complémentarité potentielle entre les pays en utilisant l’indice d’EPIAC, mais n’a pas analysé en détail les données canadiennes. Ils ont constaté qu’environ 60 % des emplois dans les économies avancées pourraient être fortement exposés à la transformation des emplois liée à l’IA. Comme il sera montré ci-dessous, cela est similaire à la part estimée pour le Canada.

La présente étude offre des preuves canadiennes sur l’EPIA et pose les questions de recherche suivantes :

1. Quelles professions sont potentiellement exposées à la transformation des emplois liée à l’IA?
2. Quelles professions pourraient tirer avantage de la transformation des emplois liés à l’IA?
3. Comment la répartition de l’EPIA varie-t-elle selon l’industrie, le niveau de scolarité, le revenu d’emploi et les autres caractéristiques des travailleurs?

Les estimations expérimentales de l’exposition à l’IA dans la présente étude sont largement fondées sur la faisabilité technologique d’automatiser les tâches professionnelles. Les employeurs ne peuvent pas immédiatement remplacer les humains par l’IA, même si c’est technologiquement faisable, pour plusieurs raisons (p. ex. Bryan, Sood et Johnston [2024]), y compris des facteurs financiers, légaux et institutionnels. Par conséquent, l’exposition à l’IA ne constitue pas nécessairement un risque de perte d’emploi. Au minimum, cela pourrait impliquer un certain degré de transformation de l’emploi (Frenette et Frank, 2020). L’IA pourrait mener à la création de nouvelles tâches au sein des emplois existants ou à la création de tout nouveaux emplois. De plus, certains économistes soutiennent que les risques et les avantages de l’IA seraient exagérés (Acemoglu et Johnson, 2024; McElheran et coll., 2024), et que les augmentations de productivité au niveau macroéconomique pourraient être modestes, au mieux (Acemoglu, 2024). Des preuves provenant des États-Unis laissent entendre que l’adoption de l’IA a été plus répandue dans les grandes entreprises (McElheran et coll., 2024), car certains employeurs ne considèrent pas l’adoption de telles technologies comme économiquement optimale (Svanberg et coll., 2024). Il est difficile de déterminer si cela contribuera à un écart de productivité entre les petites et les grandes entreprises. Prédire les effets des progrès technologiques sur le marché du travail n’est pas une science exacte, car il y a généralement une certaine subjectivité. Par exemple, plus d’une décennie après Frey et Osborne (2013), il est toujours difficile de mesurer précisément l’effet de l’automatisation sur les marchés du travail, car les changements sont en cours (Georgieff et Milanez, 2021). Bien que la diffusion de nouvelles technologies puisse prendre du temps (Feigenbaum et Gross, 2023), mesurer l’incidence de l’IA pourrait être difficile compte tenu de la rapidité des avancées. Les estimations expérimentales présentées dans la présente étude devraient être interprétées avec prudence. Seul le temps nous dira si les changements prédits par les nouvelles technologies se concrétiseront.

Le reste du présent article est organisé comme suit. La section 2 décrit brièvement l’indice d’EPIA de Felten, Raj et Seamans (2021) et la variante ajustée en fonction de la complémentarité de Pizzinelli et coll. (2023). La section 3 présente les résultats, et la section 4 fournit des conclusions et des suggestions pour des recherches futures.

2 Méthodes

L’objectif de la présente étude est d’estimer la mesure dans laquelle les emplois au Canada pourraient être exposés à une transformation liée à l’IA et la mesure dans laquelle l’IA peut effectuer le travail humain dans ces emplois. La présente étude utilise le nouvel indice d’EPIAC de Pizzinelli et coll. (2023) à cette fin. Cette mesure est calculée au niveau professionnel à l’aide des données de l’Occupational Information Network (O*NET), qui a été créé à la fin des années 1990 par le Department of Labor des États-Unis pour quantifier et suivre les compétences et les capacités utilisées dans plus de 1 000 professions différentes (https://www.onetonline.org). Ainsi, la mesure utilisée dans la présente étude repose sur des données sur les attributs professionnels des États-Unis, qui ont un profil de compétences similaire à celui du Canada.

L’indice d’EPIAC est fondé sur l’indice d’EPIA original de Felten, Raj et Seamans (2021), qui mesure la relation entre 52 compétences humaines et 10 applications d’IA, pondérées en fonction du degré de complexité et de l’importance de ces compétences pour une profession $i$ donnée,

$$EPI{A}_i=\frac{{{\displaystyle \sum }}_{j=1}^{52}{A}_j{L}_{ji}{I}_{ji}}{{{\displaystyle \sum }}_{j=1}^{52}{L}_{ji}{I}_{ji}},$$

Où $j$ indexe 52 compétences professionnelles; $L_{ji}$ est la cote de prévalence d’O*NET et $I_{ji}$ est la cote d’importance d’O*NET pour la compétence $j$ de la profession $i$; et $A_j={\displaystyle \sum }_{k=1}^{10}{x}_{kj}$ est l’exposition à l’IA de la compétence $j$ calculée comme la somme des cotes de lien, $x_{kj}$, de la compétence $j$ avec 10 applications d’IA^Note . Cet indice est une mesure relative de l’exposition à l’IA (p. ex. $EPI{A}_m>EPI{A}_n$ implique que la profession $m$ est plus exposée à la transformation des emplois liés à l’IA que la profession $n$) (Felten, Raj et Seamans [2021]).

Étant donné que l’indice d’EPIA est indépendant des répercussions des professions exposées à l’IA, Pizzinelli et coll. (2023) ont proposé une variante de l’indice d’EPIA qui tient compte de complémentarité potentielle de l’IA. Ils soutiennent que certaines professions pourraient être moins propices à l’utilisation non supervisée de l’IA que d’autres. Par exemple, les juges et les professionnels de la santé sont des exemples de professions où des aspects, comme l’importance des décisions et la gravité des conséquences des erreurs peuvent exiger que les travailleurs humains prennent la décision finale (Cazzaniga et coll., 2024). L’EPIAC de Pizzinelli et coll. (2023) est calculée comme suit :

$$EPIA{C}_i=EPI{A}_i\times \left(1-w\times \left({\theta }_i-{\theta }_{MIN}\right)\right),$$

où $0\le w\le 1$ est une pondération choisie par le chercheur qui contrôle l’influence du paramètre complémentaire ($\theta$), ${\theta }_i$ est l’indice de complémentarité de la profession $i$, et ${\theta }_{MIN}$ est la valeur $\theta$ minimale observée parmi toutes les professions. Une pondération de $w=0$ rétablit l’EPIAC à l’EPIA original (p. ex. aucun rôle pour la complémentarité de l’IA), tandis que $w=1$ permet la complémentarité maximale de l’IA pour la profession $i$^Note . Comme l’indice d’EPIA, l’indice de complémentarité est également une mesure relative, où une valeur plus élevée indique un potentiel de complémentarité plus élevé. L’indice de complémentarité de la profession $i$, ${\theta }_i$, est calculé à l’aide des données de l’O*NET sur les « contextes de travail » et les « zones d’emploi » de cette profession particulière. Pour ce faire, 11 contextes de travail (chaque cote varie de 0 à 100) et la zone d’emploi (varie de 1 à 5) sont combinés en six composantes comme suit :

1. Communication
   1. En personne
   2. Allocution publique

Bien que l’IA puisse jouer un rôle dans l’amélioration de certains aspects de la communication, les subtilités complexes des interactions en personne et des allocutions publiques pourraient continuer à principalement relever de l’expertise humaine.

2. Responsabilité
   1. Pour les résultats
   2. Pour la santé des autres

L’IA peut potentiellement transformer de nombreux secteurs de l’économie, y compris les soins de santé, où des décisions difficiles sont régulièrement prises et ces décisions peuvent toujours exiger une surveillance et un jugement humains.

3. Problèmes de santé physique
   1. Exposition aux environnements extérieurs
   2. Proximité physique avec les autres

Les emplois exigeant une exposition importante à l’extérieur et une proximité avec les autres exigent un certain niveau d’adaptabilité et de travail d’équipe (p. ex. pompiers, travailleurs de la construction). Intégrer l’IA dans des machines très avancées dans des environnements de travail diversifiés pourrait être dispendieux.

4. Caractère essentiel
   1. Conséquence des erreurs
   2. Liberté de décisions
   3. Fréquence des décisions

L’importance de la surveillance humaine pourrait devenir de plus en plus évidente à mesure que l’IA continue d’automatiser les processus de prise de décisions. Dans les professions, comme le contrôle du trafic aérien ou les soins infirmiers, où le jugement humain est primordial, la combinaison de l’analyse des données et de l’instinct est essentielle pour répondre à des scénarios inattendus. Bien que l’IA puisse offrir des recommandations et des données précieuses, ce qui peut réduire les erreurs humaines et accélérer la prise de décisions, l’importance de la surveillance humaine reste évidente.

5. Routine
   1. Degré d’automatisation (100 moins la cote d’O*NET afin que les professions avec un faible degré d’automatisation reçoivent des valeurs plus élevées)
   2. Travail non structuré par rapport au travail structuré

Les professions impliquant des tâches routinières ont historiquement été plus susceptibles de subir une transformation technologique. Malgré les différences entre l’IA et les vagues précédentes d’automatisation, les emplois très courants restent particulièrement vulnérables à la transformation. En revanche, les emplois moins structurés peuvent exiger des technologies plus avancées pour que l’IA puisse fonctionner de manière autonome.

6. Compétences (zone d’emploi)

   La zone d’emploi est un indicateur de l’étendue de la préparation requise pour un emploi. Cette valeur doit être rééchelonnée pour être harmonisée avec les cinq autres composantes en la multipliant par 20, de sorte qu’elle varie de 20 à 100 au lieu de 1 à 5. Une valeur plus élevée indique une préparation plus poussée.

Les professions comportant des exigences élevées en ce qui concerne l’éducation ou la formation peuvent être plus propices à l’intégration des compétences complémentaires à l’IA, car donner des instructions à l’IA et en tirer parti exigent un certain niveau d’expertise et de compétence.

Une cote est calculée pour chacune des six composantes en faisant la moyenne des contextes de travail dans le cadre de chaque composante (p. ex. cote pour la communication est la moyenne des contextes de travail en personne et en allocution publique). Quant à la composante des compétences, la cote est la valeur de la zone d’emploi rééchelonnée. Ensuite, θ est calculé comme la moyenne des six cotes de composantes divisée par 100. Voir Pizzinelli et coll. (2023) pour obtenir de plus amples renseignements sur la dérivation de l’indice d’EPIAC et les analyses de sensibilité.

Cet indice présente certaines limitations, comme l’ont souligné Pizzinelli et coll. (2023). La sélection des variables d’O*NET qui servent d’intrants à l’indice est subjective et repose sur un jugement concernant les facteurs importants pour l’interaction entre l’IA et les travailleurs humains. Toutefois, Pizzinelli et coll. (2023) montrent que les contextes de travail ne sont pas tous systématiquement liés les uns aux autres et offrent une vision multidimensionnelle de la complémentarité potentielle de l’IA avec les travailleurs humains. L’indice tient compte de la façon dont les capacités humaines peuvent se chevaucher avec 10 applications d’IA, mais à mesure que les capacités de l’IA s’améliorent, il est possible que l’IA réalise de plus en plus les tâches généralement effectuées par les travailleurs humains. Par conséquent, la pertinence de l’indice pourrait diminuer au fil du temps^Note . De plus, bien que l’indice saisisse l’exposition potentielle des compétences et des tâches professionnelles à l’IA, il ne tient pas compte des avancées en robotique, en capteurs et en autres technologies qui pourraient être intégrées à l’IA (Felten, Raj et Seamans, 2021).

Étant donné qu’O*NET est une base de données américaine, les professions sont codées selon le système de classification type des professions (CTP). Le paramètre de complémentarité et l’indice d’EPIA ont été calculés à partir de la version 28.2 de la base de données d’O*NET, qui utilise la CTP de 2018. L’indice d’EPIA a été calculé au niveau à six chiffres, tandis que le paramètre de complémentarité a été calculé au niveau à huit chiffres, puis agrégé au niveau à six chiffres en calculant la moyenne des valeurs du paramètre (p. ex. valeurs liées aux codes de CTP 12-3456.01 et 12-3456.02 seraient moyennées pour obtenir la valeur du code de CTP 12-3456). Les codes de CTP à six chiffres ont ensuite été convertis en codes à quatre chiffres de la version 1.3 de la Classification nationale des professions (CNP) 2016 afin de pouvoir utiliser l’ensemble riche de dimensions provenant des recensements de la population de 2016 et de 2021 (semaine de référence en mai) pour examiner l’EPIA au Canada^Note . L’échantillon était limité aux employés âgés de 18 à 64 ans vivant hors réserve dans des logements privés, à l’exclusion des membres à temps plein des Forces armées canadiennes. L’emploi dans certaines industries comme les services d’hébergement et les services de restauration a diminué de mai 2016 à mai 2021 en raison de la pandémie de COVID-19, c’est pour cette raison que le Recensement de la population de 2016 a également été utilisé comme vérification de la robustesse. Toutefois, en général, les résultats laissent entendre que la part des employés exposés à une transformation d’emploi liée à l’IA a très peu changé.

3 Résultats

La figure 1 présente l’EPIA et la complémentarité potentielle (θ) des professions canadiennes. La médiane de l’EPIA était d’environ 6,0, tandis que la médiane de la complémentarité était d’environ 0,6. Comme Pizzinelli et coll. (2023), une profession est considérée comme « à risque élevé » si son EPIA dépasse la médiane de l’EPIA et « à faible risque » si son EPIA ne dépasse pas la médiane. De même, une profession est considérée comme ayant une « complémentarité élevée » si son éventuelle complémentarité dépasse la médiane de la complémentarité et une « complémentarité faible » si sa complémentarité ne dépasse pas la médiane^Note . Par conséquent, les professions sont regroupées en quatre quadrants dans la figure 1 : forte exposition et faible complémentarité, forte exposition et grande complémentarité, faible exposition et faible complémentarité, et faible exposition et grande complémentarité. Pour simplifier, les deux dernières catégories sont regroupées en une seule catégorie, « faible exposition », dans les analyses ultérieures. Les professions à forte exposition et à faible complémentarité sont celles qui pourraient être fortement exposées à la transformation des emplois liée à l’IA et dont les tâches pourraient être effectuées par l’IA à l’avenir. Les professions à forte exposition et à grande complémentarité sont celles qui pourraient être fortement exposées à la transformation des emplois liée à l’IA, mais qui pourraient également être fortement complémentaires avec l’IA. Toutefois, les travailleurs auront toujours besoin des compétences nécessaires pour tirer parti des avantages complémentaires de l’IA. Les emplois à faible exposition sont ceux qui pourraient être moins exposés à la transformation des emplois liée à l’IA que d’autres^Note .

Description de la figure

Exposition professionnelle à l'intelligence artificielle (EPIA) et complémentarité au Canada

Le graphique montre un nuage de points; l’axe horizontal représente l’indice d’exposition professionnelle à l’intelligence artificielle sur une échelle de 5 à 7 et l’axe vertical représente l’indice de complémentarité sur une échelle de 0,4 à 0,8. Le graphique comporte 490 points de données. Chaque point de donnée représente une profession selon son code à 4 chiffres de la Classification nationale des professions, version 2016, et est codé selon une de trois couleurs. Ces couleurs distinguent les professions selon leur niveau de scolarité minimal requis. Les professions qui requièrent un baccalauréat ou un grade de niveau supérieur sont en bleu, les professions qui requièrent des études postsecondaires partielles sont en vert et les professions qui requièrent des études secondaires ou un niveau inférieur sont en rouge. Le graphique montre la relation entre l’exposition professionnelle à l’intelligence artificielle (IA) et le rôle complémentaire que peut jouer l’IA dans une profession donnée. Plus l’indice d’exposition professionnelle à l’IA est élevé, plus la possible exposition professionnelle à l’IA est élevée. Plus l’indice de complémentarité est élevé, plus la possible complémentarité de l’IA est élevée. Un indice d’exposition professionnelle à l’IA médian de 6 et un indice de complémentarité de 0,6 sont utilisés pour placer les professions dans quatre quadrants. Le quadrant supérieur gauche contient des points de données qui représentent des professions qui pourraient être moins exposées à l’IA et pour lesquelles l’IA pourrait être très complémentaire. La majorité des professions dans ce quadrant requièrent des études postsecondaires partielles, mais certaines requièrent des études secondaires ou de niveau inférieur. Certaines des professions dans ce quadrant sont les pompiers et pompières, les plombiers et plombières et les charpentiers-menuisiers et charpentières-menuisières. Le quadrant inférieur gauche contient des points de données qui représentent des professions qui pourraient être moins exposées à l’IA, mais pour lesquelles l’IA pourrait être moins complémentaire. La majorité des professions dans ce quadrant requièrent des études secondaires ou un niveau inférieur, mais certaines requièrent des études postsecondaires partielles. Certaines des professions dans ce quadrant sont les serveurs et serveuses d’aliments et de boissons, les manœuvres des services de transformation, de fabrication et d’utilité publique et les soudeurs et soudeuses et opérateurs et opératrices de machines à souder et à braser. Le quadrant supérieur droit contient des points de données qui représentent des professions qui pourraient être très exposées à l’IA et pour lesquelles l’IA pourrait être très complémentaire. La majorité des professions dans ce quadrant requièrent un baccalauréat ou un grade de niveau supérieur, mais certaines requièrent des études postsecondaires partielles. Certaines des professions sont les omnipraticiens et omnipraticiennes et médecins en médecine familiale, les enseignants et enseignantes au niveau secondaire et ingénieurs électriciens et électroniciens et les ingénieures électriciennes et électroniciennes. Le quadrant inférieur droit contient des points de données qui représentent des professions qui pourraient être très exposées à l’IA, mais pour lesquelles l’IA pourrait être moins complémentaire. Ce quadrant contient moins de points de données que les autres et les professions représentées par les points de données requièrent différents niveaux de scolarité. Certaines des professions sont les commis à la saisie de données, les économistes, les techniciens et techniciennes de réseau informatique et les programmeurs et programmeuses et développeurs et développeuses en médias interactifs.

Notes : EPIA = exposition professionnelle à l'intelligence artificielle. L'indice EPIA et la complémentarité possible sont fondés sur Felten, Raj et Seamans (2021) et Pizzinelli et coll. (2023). On considère que l'exposition d'une profession est élevée lorsque l'indice EPIA est supérieur à la médiane pour toutes les professions (6,0) et faible si ce n'est pas le cas. De façon similaire, on considère que la complémentarité de l'IA avec une profession est élevée si le paramètre de complémentarité est supérieur à la médiane pour toutes les professions (0,6) et faible si ce n'est pas le cas. Les professions présentées dans ce graphique sont fondées sur les codes à 4 chiffres de la Classification nationale des professions (CNP) 2016, version 1.3, convertie de la United States Standard Occupational Classification (SOC) de 2018. Parmi les 500 professions de la CNP, 10 professions qui représentaient moins de 1 % des emplois au Canada ont été exclues faute de données du Occupational Information Network (O*NET) pour calculer les indices EPIA et de complémentarité.

Source : Occupational Information Network (O*NET) version 28.2.

La figure 1 montre que les emplois potentiellement très exposés à la transformation liée à l’IA sont généralement ceux qui exigent un niveau de scolarité supérieur. Bien que ces emplois puissent être relativement plus exposés à la transformation liée à l’IA, des professions, comme les médecins de famille, les enseignants et les ingénieurs électriciens, peuvent être complémentaires aux technologies de l’IA, compte tenu de leurs cotes de complémentarité relativement élevées. En revanche, des professions, comme la programmation informatique, qui peuvent également exiger une formation relativement élevée, ont des cotes de complémentarité faibles, ce qui laisse entendre un potentiel de complémentarité moindre avec l’IA. Toutefois, il existe une incertitude considérable quant à la mesure dans laquelle l’IA peut réellement remplacer le travail humain.

Les professions à faible exposition semblent être celles qui n’exigent généralement pas un niveau élevé de scolarité. Certains exemples de professions qui sont relativement peu exposées à la transformation des emplois liée à l’IA sont les charpentiers/charpentières, les soudeurs/soudeuses, les plombiers/plombières, les serveurs/serveuses d’aliments et de boissons, les manœuvres dans le secteur de la transformation, de la fabrication et des services publics, ainsi que les pompiers/pompières. Toutefois, comme l’illustre la figure 1, l’IA peut potentiellement transformer un large éventail de professions, indépendamment du niveau de compétence. La diffusion de l’IA pourrait également entraîner des effets d’équilibre général en aval. Par exemple, bien que les employés moins instruits puissent occuper des emplois potentiellement moins exposés à la transformation liée à l’IA, les employés très instruits occupant des emplois à forte exposition pourraient passer à des emplois à faible exposition, ce qui modifierait le classement des employés moins instruits (p. ex. Beaudry, Green et Sand [2016]).

Le graphique 1 regroupe les différentes professions de la CNP en 28 emplois distincts afin de simplifier l’analyse et de déterminer précisément le nombre et la répartition des employés appartenant aux trois groupes d’exposition à l’IA. 1) forte exposition et faible complémentarité, 2) forte exposition et grande complémentarité, et 3) faible exposition. En mai 2021, en moyenne, environ 4,2 millions d’employés (31 %) au Canada figuraient dans le premier groupe, environ 3,9 millions (29 %) figuraient dans le deuxième groupe et environ 5,4 millions (40 %) figuraient dans le troisième groupe.

Graphique 1 start

Tableau de données du graphique 1



Tableau de données du Graphique 1
Sommaire du tableau
Le tableau montre les résultats de Tableau de données du Graphique 1. Les données sont présentées selon Professions (titres de rangée) et Exposition élevée, complémentarité faible, Exposition élevée, complémentarité élevée et Faible exposition, calculées selon pourcentage d’employés unités de mesure (figurant comme en-tête de colonne).

Professions	Exposition élevée, complémentarité faible	Exposition élevée, complémentarité élevée	Faible exposition
	pourcentage d’employés
Professions de la gestion (0)	6	87	7
Personnel de soutien aux ventes et services (66, 67)	1	0	99
Personnel administratif en finance, assurance et affaires (12, 13)	82	18	0
Personnel de soutien de bureau et de coordination (14, 15)	76	0	24
Opérateurs/opératrices de modes de transport et d’équipement lourd, et préposés à l’entretien (74, 75)	0	0	100
Personnel professionnel en services d’enseignement (40)	12	88	0
Superviseurs/superviseures des ventes et des services (62, 63)	19	27	54
Personnel de soutien dans le domaine du droit et des services sociaux (42, 43, 44)	32	34	34
Personnel des métiers de l’électricité, de la construction et des industries (72)	0	0	100
Représentants/représentantes de services et autre personnel de services à la clientèle et personnalisés (65)	77	2	21
Personnel professionnel en gestion des affaires et en finance (11)	100	0	0
Représentants/représentantes des ventes et vendeurs/vendeuses dans le commerce de gros et de détail (64)	89	11	0
Personnel technique assimilé aux sciences naturelles et appliquées (22)	34	40	26
Professionnels/professionnelles en informatique (217)	100	0	0
Personnel des métiers d’entretien et d’opération d’équipement (73)	0	7	93
Personnel professionnel du droit et des services gouvernementaux, sociaux et communautaires (41)	24	76	0
Personnel de soutien des services de santé (34)	0	0	100
Monteurs/monteuses et manœuvres dans la fabrication et les services d’utilité publique (95, 96)	0	0	100
Personnel professionnel en soins infirmiers (30)	0	100	0
Personnel technique des soins de santé (32)	13	18	69
Opérateurs/trices de machines et superviseurs/seures dans la fabrication et les services d’utilité publique (92, 94)	0	10	90
Professions des arts, culture, sports et loisirs (51, 52)	46	33	21
Ressources naturelles, agriculture et production connexe (8)	0	0	100
Ingénieurs/ingénieures (213, 214)	13	87	0
Personnel de soutien des métiers, manœuvres et aides d’entreprise en construction et autre personnel assimilé (76)	0	0	100
Personnel professionnel des soins de santé (sauf soins infirmiers) (31)	0	86	14
Professionnels/professionnelles des sciences physiques et de la vie (211, 212)	1	99	0
Architectes et statisticiens/statisticiennes (215, 216)	25	75	0
Notes : L’échantillon est composé d’employés âgés de 18 à 64 ans vivant hors réserve dans des logements privés, à l’exclusion des membres à temps plein des Forces armées canadiennes. Les chiffres entre parenthèses indiquent les codes de la version 1.3 de la Classification nationale des professions 2016. Les professions sont classées selon le nombre le plus élevé d’employés (en haut) au moins élevé (en bas). L’indice d’exposition professionnelle à l’intelligence artificielle et la complémentarité possible sont fondés sur Felten, Raj et Seamans (2021), et Pizzinelli et coll. (2023). Sources : Statistique Canada, Recensement de la population, 2021; Occupational Information Network, version 28.2.

Graphique 1 end

Au moins trois quarts des employés dans les professions suivantes figuraient dans le premier groupe (c.-à-d. qu’ils sont fortement exposés à la transformation des emplois liée à l’IA et leurs tâches pourraient être effectuées par l’IA à l’avenir) : personnel administratif en finance, assurance et affaires; personnel de soutien de bureau et de coordination; représentants/représentantes des ventes et vendeurs/vendeuses dans le commerce de gros et de détail; représentants/représentantes de services et autre personnel de services à la clientèle et personnalisés; personnel professionnel en gestion des affaires et en finance; et professionnels/professionnelles en informatique. Fait intéressant, parmi les 28 professions, les professionnels/professionnelles en informatique ont connu la plus forte croissance (39 %) de mai 2016 à mai 2021. Toutefois, cela ne signifie pas nécessairement que les professionnels/professionnelles en informatique seront moins demandés à l’avenir en raison de l’IA. Bien que ces professionnels occupent des emplois à forte exposition et faible complémentarité, ils sont essentiels à l’entretien et à l’amélioration de l’infrastructure sous-jacente de l’IA, ce qui peut mener à la création de nouvelles tâches ou emplois. Environ 85 % des employés ou plus des professions de la gestion, du personnel professionnel en services d’enseignement et du personnel professionnel des soins de santé (sauf les soins infirmiers), ainsi que les ingénieurs/ingénieures, faisaient partie du deuxième groupe (c.-à-d. potentiellement très exposés à la transformation des emplois liée à l’IA, mais l’IA peut compléter le travail humain tant que le travailleur possède les compétences nécessaires). Certaines professions qui pourraient être moins susceptibles de subir une transformation liée à l’IA (troisième groupe) étaient le personnel de soutien dans le secteur des ventes et des services; le personnel de soutien des métiers, les manœuvres et les aides d’entreprise en construction et autre personnel connexe; le personnel de soutien des services de santé; et les emplois des ressources naturelles, de l’agriculture et de la production connexe.

Le graphique 2 montre la répartition de l’exposition à l’IA par industrie selon le Système de classification des industries de l’Amérique du Nord, 2017, au niveau à deux chiffres. Plus de la moitié des employés des industries suivantes occupaient des emplois à forte exposition et à faible complémentarité : services professionnels, scientifiques et techniques; finance et assurances; et industrie de l’information et industrie culturelle. En revanche, les services d’enseignement, les soins de santé et l’assistance sociale employaient proportionnellement plus d’employés qui pourraient tirer avantage de l’IA. Dans l’industrie des soins de santé et de l’assistance sociale, c’est principalement le personnel professionnel (p. ex. infirmiers/infirmières, médecins) qui pourrait être complémentaire avec les technologies de l’IA (figure 1). Les employés d’industries comme les services d’hébergement et de restauration, la fabrication, la construction et le transport et l’entreposage pourraient être relativement moins exposés à la transformation des emplois liée à l’IA.

Graphique 2 start

Tableau de données du graphique 2



Tableau de données du Graphique 2
Sommaire du tableau
Le tableau montre les résultats de Tableau de données du Graphique 2. Les données sont présentées selon Industries (titres de rangée) et Exposition élevée, complémentarité faible, Exposition élevée, complémentarité élevée et Faible exposition, calculées selon pourcentage d’employés unités de mesure (figurant comme en-tête de colonne).

Industries	Exposition élevée, complémentarité faible	Exposition élevée, complémentarité élevée	Faible exposition
	pourcentage d’employés
Soins de santé et assistance sociale	23	38	39
Commerce de détail	37	23	40
Fabrication	16	20	64
Services d’enseignement	23	69	8
Services professionnels, scientifiques et techniques	57	35	8
Administrations publiques	45	31	24
Construction	13	14	73
Transport et entreposage	19	15	66
Services d’hébergement et de restauration	7	4	89
Finance et assurances	68	30	2
Services administratifs, services de soutien, services de gestion des déchets et services d’assainissement	39	14	47
Commerce de gros	33	33	34
Autres services (sauf les administrations publiques)	26	21	53
Industrie de l'information et industrie culturelle	56	32	12
Extraction minière, exploitation en carrière et extraction de pétrole et de gaz	16	25	59
Agriculture, foresterie, pêche et chasse	12	10	78
Services immobiliers, et services de location et de location à bail	36	42	22
Arts, spectacles et loisirs	25	29	46
Services publics	26	34	40
Gestion de sociétés et d’entreprises	59	36	5
Notes : L’échantillon est composé d’employés âgés de 18 à 64 ans vivant hors réserve dans des logements privés, à l’exclusion des membres à temps plein des Forces armées canadiennes. Les classifications industrielles sont fondées sur le Système de classification des industries de l’Amérique du Nord, 2017. Les industries sont classées selon le nombre le plus élevé d’employés (en haut) au moins élevé (en bas). L’indice d’exposition professionnelle à l’intelligence artificielle et la complémentarité possible sont calculés à l’aide des données de l’Occupational Information Network et sont fondés sur Felten, Raj et Seamans (2021), et Pizzinelli et coll. (2023). Sources : Statistique Canada, Recensement de la population, 2021; Occupational Information Network, version 28.2.

Graphique 2 end

Les employés de grandes entreprises (dans le secteur commercial) pourraient être confrontés à une exposition relativement plus élevée à la transformation des emplois liée à l’IA (graphique 3) par rapport à leurs homologues des petites entreprises. Plus d’un tiers des travailleurs dans les entreprises de 500 employés ou plus occupaient des emplois à forte exposition et à faible complémentarité en mai 2016. Cela se compare à de 25 % à 28 % des travailleurs dans les petites entreprises. Toutefois, les employés de grandes entreprises étaient quelque peu plus susceptibles d’occuper des emplois complémentaires à l’IA que leurs homologues de petites entreprises.

Graphique 3 start

Tableau de données du graphique 3



Tableau de données du Graphique 3
Sommaire du tableau
Le tableau montre les résultats de Tableau de données du Graphique 3. Les données sont présentées selon Taille de l’entreprise (titres de rangée) et Exposition élevée, complémentarité élevée, Exposition élevée, complémentarité faible et Faible exposition, calculées selon pourcentage d’employés unités de mesure (figurant comme en-tête de colonne).

Taille de l’entreprise	Exposition élevée, complémentarité élevée	Exposition élevée, complémentarité faible	Faible exposition
	pourcentage d’employés
500 employés ou plus	23	36	41
De 100 à 499 employés	21	28	51
De 20 à 99 employés	19	25	56
Moins de 20 employés	18	28	54
Notes : L’échantillon est composé d’employés âgés de 18 à 64 ans vivant hors réserve dans des logements privés, à l’exclusion des membres à temps plein des Forces armées canadiennes. L’indice d’exposition professionnelle à l’intelligence artificielle et la complémentarité possible sont calculés à l’aide des données de l’Occupational Information Network et sont fondés sur Felten, Raj et Seamans (2021), et Pizzinelli et coll. (2023). Le nombre d’employés au sein d’une entreprise a été calculé en intégrant les données du Recensement de la population avec le Fichier de données longitudinales sur la main-d’œuvre. Le secteur commercial exclut les employés de l’administration publique, des services d’enseignement, des soins de santé et de l’assistance sociale. Autres industries exclues : autorités monétaires – banque centrale; organismes religieux, fondations, groupes de citoyens et organisations professionnelles et similaires; et ménages privés. Sources : Statistique Canada, Recensement de la population, 2016; Fichier de données longitudinales sur la main-d’œuvre, 2015 et 2016; Occupational Information Network, version 28.2.

Graphique 3 end

Le niveau de scolarité a historiquement été l’un des indicateurs les plus importants pour déterminer si un travailleur sera résilient face aux chocs technologiques. Le consensus suivant se dégage de plus en plus de la littérature en économie du travail : les travailleurs moins instruits sont plus exposés au risque de transformation de l’emploi liée à l’automatisation que les travailleurs très instruits, car le premier groupe est plus susceptible d’effectuer des tâches routinières et manuelles qui sont plus susceptibles d’être automatisées. Toutefois, le graphique 4 montre que l’IA pourrait toucher une plus grande partie de la main-d’œuvre qu’on ne le pensait précédemment, car elle a la capacité d’effectuer des tâches cognitives et non routinières. Les employés hautement qualifiés peuvent être plus exposés à une transformation des emplois liée à l’IA, comme le montre la figure 1. Les parts les plus élevées d’emplois à forte exposition et à faible complémentarité sont occupées par des employés titulaires d’un baccalauréat (37 %) ou d’un certificat ou diplôme collégial, CÉGEP ou autre diplôme inférieur à un baccalauréat (36 %), suivis de ceux ayant une maîtrise (32 %), une éducation de niveau secondaire ou inférieur (25 %) et un certificat ou diplôme d’apprenti ou d’une école de métiers (15 %). Toutefois, les employés titulaires d’un baccalauréat ou d’un diplôme supérieur étaient plus susceptibles d’occuper des emplois qui peuvent être fortement complémentaires avec l’IA que ceux ayant une formation inférieure au niveau du baccalauréat, à condition que les destinataires potentiels de l’IA possèdent les compétences nécessaires. Les employés titulaires d’un certificat ou d’un diplôme d’apprenti ou d’une école de métiers peuvent être moins exposés à la transformation des emplois liée à l’IA, car 73 % d’entre eux occupaient des postes à faible exposition. Toutefois, comme il est indiqué ci-dessus, une vision plus nuancée est que, bien que les travailleurs moins instruits puissent être moins exposés à la transformation des emplois liée à l’IA, les travailleurs très instruits occupant des emplois à forte exposition peuvent passer à des emplois à faible exposition, ce qui modifie le classement des travailleurs moins instruits (p. ex. Beaudry, Green et Sand [2016]).

Graphique 4 start

Tableau de données du graphique 4



Tableau de données du Graphique 4
Sommaire du tableau
Le tableau montre les résultats de Tableau de données du Graphique 4. Les données sont présentées selon Plus haut niveau de scolarité atteint (titres de rangée) et Exposition élevée, complémentarité faible, Exposition élevée, complémentarité élevée et Faible exposition, calculées selon pourcentage d’employés unités de mesure (figurant comme en-tête de colonne).

Plus haut niveau de scolarité atteint	Exposition élevée, complémentarité faible	Exposition élevée, complémentarité élevée	Faible exposition
	pourcentage d’employés
Diplôme d’études secondaires ou moins	25	13	62
Certificat ou diplôme d’apprenti ou d’une école de métiers	15	12	73
Certificat ou diplôme d’un collège, d’un cégep ou d’un autre établissement de niveau inférieur au baccalauréat	36	26	38
Baccalauréat	37	46	17
Diplôme d’études supérieures	32	58	10
Notes : L’échantillon est composé d’employés âgés de 18 à 64 ans vivant hors réserve dans des logements privés, à l’exclusion des membres à temps plein des Forces armées canadiennes. L’indice d’exposition professionnelle à l’intelligence artificielle et la complémentarité possible sont calculés à l’aide des données de l’Occupational Information Network et sont fondés sur Felten, Raj et Seamans (2021), et Pizzinelli et coll. (2023). Sources : Statistique Canada, Recensement de la population, 2021; Occupational Information Network, version 28.2.

Graphique 4 end

Bon nombre des résultats présentés jusqu’à lors sont contraires aux constatations sur l’automatisation documentées dans la littérature sur l’économie du travail au cours des deux dernières décennies, ce qui soulève des préoccupations quant au lien entre l’automatisation et l’IA. Frenette et Frank (2020) ont estimé qu’environ 1/10 des employés au Canada étaient à risque élevé (probabilité de 70 % ou plus) de transformation de leur emploi liée à l’automatisation en 2016. Le graphique 5 laisse entendre que l’exposition à la transformation des emplois liée à l’IA diminue à mesure que le risque de transformation des emplois liée à l’automatisation augmente. La majorité des employés (60 %) occupant des emplois à risque élevé de transformation liée à l’automatisation étaient dans les emplois les moins exposés à la transformation liée à l’IA (graphique 5). En revanche, 18 % des employés occupant des emplois à faible risque (probabilité de moins de 50 %) d’automatisation étaient dans des emplois à faible exposition. Toutefois, bien que potentiellement très exposés à la transformation des emplois liée à l’IA, les employés présentant un risque plus faible de transformation des emplois liée à l’automatisation occupent des emplois qui pourraient être fortement complémentaires avec l’IA. Les emplois présentant un risque modéré (probabilité de 50 % à moins de 70 %) de transformation liée à l’automatisation étaient probablement des emplois à forte exposition et à faible complémentarité. Ces constatations sont importantes, car elles laissent entendre que la distinction entre les tâches manuelles et cognitives et entre les tâches répétitives et non répétitives utilisées au cours des deux dernières décennies en économie du travail pour comprendre la transformation technologique liée à l’automatisation pourrait ne pas s’appliquer à l’IA.

Graphique 5 start

Tableau de données du graphique 5



Tableau de données du Graphique 5
Sommaire du tableau
Le tableau montre les résultats de Tableau de données du Graphique 5. Les données sont présentées selon Risque d’automatisation (titres de rangée) et Exposition élevée, complémentarité élevée, Exposition élevée, complémentarité faible et Faible exposition, calculées selon pourcentage d’employés unités de mesure (figurant comme en-tête de colonne).

Risque d’automatisation	Exposition élevée, complémentarité élevée	Exposition élevée, complémentarité faible	Faible exposition
	pourcentage d’employés
Risque élevé d’automatisation	6	34	60
Risque modéré d’automatisation	19	41	40
Faible risque d’automatisation	46	36	18
Notes : L’échantillon est composé d’employés âgés de 18 à 64 ans provenant de la base de données utilisée par Frenette et Frank (2020). Les professions à faible risque d’automatisation sont celles dont la probabilité d’automatisation est inférieure à 50 %. Les professions à risque modéré d’automatisation sont celles dont la probabilité d’automatisation est de 50 % à moins de 70 %. Les professions à risque élevé d’automatisation sont celles dont la probabilité d’automatisation est de 70 % ou plus. L’indice d’exposition professionnelle à l’intelligence artificielle et la complémentarité possible sont calculés à l’aide des données de l’Occupational Information Network et sont fondés sur Felten, Raj et Seamans (2021), et Pizzinelli et coll. (2023). Sources : Statistique Canada, Étude longitudinale et internationale des adultes, 2016 (vague 3); Occupational Information Network, version 28.2.

Graphique 5 end

Comme les vagues précédentes de transformation technologique, l’IA peut potentiellement accroître la productivité. Toutefois, ce processus pourrait également aggraver les inégalités liées aux revenus. Le graphique 6 montre la répartition de l’exposition à l’IA selon les déciles de revenu d’emploi. Plus de la moitié des emplois dans la moitié inférieure de la répartition étaient des emplois à faible exposition, tandis qu’environ 30 % étaient des emplois à forte exposition et à faible complémentarité. Le milieu de la répartition pourrait être le plus vulnérable à la transformation des emplois liée à l’IA, avec environ un tiers des emplois présentant une forte exposition et une complémentarité faible. L’exposition à la transformation des emplois liée à l’IA augmente avec le revenu d’emploi, mais les personnes à revenu plus élevé occupent des emplois qui peuvent être très complémentaires avec l’IA. Bien que le décile supérieur ait eu la plus grande part d’emplois potentiellement exposés à une transformation liée à l’IA, il avait également la plus grande part d’emplois (55 %) qui sont très complémentaires avec l’IA. Si les personnes à revenu plus élevé peuvent profiter des avantages complémentaires de l’IA, leur productivité et leur croissance des revenus pourraient dépasser ceux des personnes à revenu plus faible, ce qui risque d’aggraver les inégalités de revenus (Cazzaniga et coll., 2024). Toutefois, la diffusion de l’IA pourrait également réduire les inégalités de revenus si l’IA venait à toucher négativement les professions hautement qualifiées (p. ex. Webb [2020]).

Graphique 6 start

Tableau de données du graphique 6



Tableau de données du Graphique 6
Sommaire du tableau
Le tableau montre les résultats de Tableau de données du Graphique 6. Les données sont présentées selon Décile du revenu d’emploi (titres de rangée) et Exposition élevée, complémentarité faible, Exposition élevée, complémentarité élevée et Faible exposition, calculées selon pourcentage d’employés unités de mesure (figurant comme en-tête de colonne).

Décile du revenu d’emploi	Exposition élevée, complémentarité faible	Exposition élevée, complémentarité élevée	Faible exposition
	pourcentage d’employés
Décile 1	32	16	52
Décile 2	31	15	54
Décile 3	29	17	54
Décile 4	31	19	50
Décile 5	35	21	44
Décile 6	35	24	41
Décile 7	33	31	36
Décile 8	29	41	30
Décile 9	26	50	24
Décile 10	26	55	19
Notes : L’échantillon est composé d’employés âgés de 18 à 64 ans vivant hors réserve dans des logements privés, à l’exclusion des membres à temps plein des Forces armées canadiennes. L’indice d’exposition professionnelle à l’intelligence artificielle et la complémentarité possible sont calculés à l’aide des données de l’Occupational Information Network et sont fondés sur Felten, Raj et Seamans (2021), et Pizzinelli et coll. (2023). Sources : Statistique Canada, Recensement de la population, 2021; Occupational Information Network, version 28.2.

Graphique 6 end

La croissance démographique record du Canada, récemment stimulée par la migration internationale, soulève des questions sur l’avenir des emplois occupés par les immigrants et les résidents non permanents. En mai 2016, les nouveaux immigrants (ceux qui sont arrivés entre 2011 et 2016) (29 %) étaient tout aussi susceptibles que les personnes nées au Canada (29 %) d’occuper des emplois à forte exposition et à faible complémentarité (graphique 7). Toutefois, en mai 2021, bien que la proportion de personnes nées au Canada occupant ces emplois soit restée la même, la proportion d’immigrants récents (ceux qui sont arrivés entre 2016 et 2021) occupant ces emplois a augmenté à 37 %. Cela était en partie motivé par le fait que près de 1/10 des résidents permanents qui sont arrivés entre 2016 et 2021 occupaient des professions liées à l’informatique en mai 2021 : des professions plus susceptibles d’être à forte exposition et à faible complémentarité. Moins de 5 % des résidents permanents qui sont arrivés entre 2011 et 2016 étaient employés dans ces professions en mai 2016. Cette concentration croissante de nouveaux immigrants dans les professions liées à l’informatique a été documentée par Picot et Mehdi (à venir). Une autre raison pourrait être la baisse (temporaire) de la part de l’emploi dans les professions touchées négativement par la pandémie de COVID-19. Les résidents non permanents étaient plus susceptibles d’occuper des emplois à forte exposition et à faible complémentarité ainsi que des emplois à faible exposition que les personnes nées au Canada. Un objectif des programmes d’immigration économique est de combler les pénuries de main-d’œuvre et de compétences. Cependant, les pénuries de main-d’œuvre perçues pourraient éventuellement inciter certains employeurs à adopter des technologies d’IA, surtout si ces pénuries touchent des professions très exposées à la transformation des emplois liée à l’IA.

Graphique 7 start

Tableau de données du graphique 7



Tableau de données du Graphique 7
Sommaire du tableau
Le tableau montre les résultats de Tableau de données du Graphique 7. Les données sont présentées selon Statut d’immigrant (titres de rangée) et Exposition élevée, complémentarité faible, Exposition élevée, complémentarité élevée et Faible exposition, calculées selon pourcentage d’employés unités de mesure (figurant comme en-tête de colonne).

Statut d’immigrant	Exposition élevée, complémentarité faible	Exposition élevée, complémentarité élevée	Faible exposition
	pourcentage d’employés
Personnes nées au Canada
Mai 2016	29	28	43
Mai 2021	29	30	41
Immigrants récents
Mai 2016	29	19	52
Mai 2021	37	23	40
Résidents non permanents
Mai 2016	33	21	46
Mai 2021	35	17	48
Notes : L’échantillon est composé d’employés âgés de 18 à 64 ans vivant hors réserve dans des logements privés, à l’exclusion des membres à temps plein des Forces armées canadiennes. L’indice d’exposition professionnelle à l’intelligence artificielle et la complémentarité possible sont fondés sur Felten, Raj et Seamans (2021), et Pizzinelli et coll. (2023). Les immigrants récents employés en mai 2016 sont des résidents permanents qui sont arrivés au Canada entre janvier 2011 et mai 2016. Les immigrants récents employés en mai 2021 sont des résidents permanents qui sont arrivés au Canada entre janvier 2016 et mai 2021. Sources : Statistique Canada, Recensement de la population, 2016 et 2021; Occupational Information Network, version 28.2.

Graphique 7 end

Les tableaux A.1 (mai 2016) et A.2 (mai 2021) de l’annexe fournissent des résultats supplémentaires ventilés par domaine d’études, groupe d’âge, sexe, statut de limitation des activités, région métropolitaine de recensement (RMR) sélectionnée, groupe racisé, statut à temps plein ou à temps partiel, statut d’adhésion syndicale et possibilité de travailler à domicile.

L’exposition à la transformation des emplois liés à l’IA varie considérablement en fonction des domaines d’études et du niveau de scolarité de l’employé (possède-t-il un baccalauréat ou un diplôme d’études supérieures). Par exemple, les employés qui ont étudié l’ingénierie et la technologie de l’ingénierie ou les soins de santé à un niveau inférieur à un baccalauréat étaient moins susceptibles de faire face à une transformation de l’emploi liée à l’IA que les employés qui ont étudié les mêmes disciplines au niveau du baccalauréat ou à un niveau supérieur. Toutefois, même avec une exposition accrue, la majorité du dernier groupe occupait des emplois qui étaient très complémentaires avec l’IA. Près de 60 % des employés ou plus qui ont étudié les mathématiques et l’informatique et les sciences de l’information, peu importe où ils ont obtenu leur éducation postsecondaire, occupaient des emplois à forte exposition et à faible complémentarité. Les employés qui ont étudié les métiers de la construction et les métiers de la mécanique et de la réparation peuvent être moins exposés à la transformation des emplois liée à l’IA.

Les employés âgés de 18 à 24 ans sont surreprésentés dans les emplois à faible exposition, probablement parce qu’ils n’ont pas encore l’expérience nécessaire pour occuper des emplois hautement qualifiés. Les principaux employés en âge de travailler, c.-à-d. ceux âgés de 25 à 54 ans, sont généralement plus susceptibles d’occuper des emplois fortement exposés à la transformation liée à l’IA que leurs homologues plus jeunes et plus âgés. Toutefois, les principaux employés en âge de travailler sont également plus susceptibles d’occuper des emplois qui peuvent être fortement complémentaires avec l’IA.

Un peu plus d’un cinquième des hommes occupent des emplois à forte exposition et à faible complémentarité, par rapport à 38 % des femmes. Cela s’explique par le fait que les hommes sont plus susceptibles d’être employés dans les métiers spécialisés, qui pourraient être moins exposés aux transformations d’emploi liées à l’IA. Cependant, les femmes (33 %) sont plus susceptibles que les hommes (25 %) d’occuper des professions qui pourraient être fortement complémentaires avec l’IA.

Les professions confrontées à une transformation liée à l’IA sont plus susceptibles d’être situées dans de grands centres de population. Les RMR d’Ottawa–Gatineau (39 %) et de Toronto (37 %) avaient proportionnellement plus d’emplois à forte exposition et à faible complémentarité par rapport aux autres RMR. Toutefois, les zones urbaines avaient également une proportion plus élevée d’emplois qui pourraient être fortement complémentaires avec l’IA.

Les employés d’origine chinoise (45 %) et sud-asiatique (38 %) sont plus susceptibles d’occuper des emplois à forte exposition et à faible complémentarité que les autres groupes racisés. Cela est en partie attribuable à leur représentation relativement plus élevée dans les professions liées à l’informatique, qui pourraient être fortement exposées à la transformation des emplois liée à l’IA et dont les tâches pourraient être effectuées par l’IA à l’avenir. Toutefois, comme il est indiqué ci-dessus, ces professions pourraient être essentielles pour maintenir et améliorer l’infrastructure sous-jacente de l’IA.

Les employés syndiqués sont presque aussi susceptibles que leurs homologues non syndiqués d’être fortement exposés à la transformation de l’emploi liée à l’IA. Toutefois, les employés non syndiqués (35 %) sont plus susceptibles d’occuper des emplois à forte exposition et à faible complémentarité que les employés syndiqués (23 %). Cela a été largement motivé par une plus grande proportion d’employés syndiqués dans les secteurs des soins de santé et de l’éducation, qui sont potentiellement très exposés à l’IA et complémentaires avec celle-ci.

La pandémie de COVID-19 a entraîné une augmentation considérable du travail à domicile (p. ex. Mehdi et Morissette [2021a] ou Mehdi et Morissette [2021b]). Ces emplois sont généralement occupés par des employés hautement qualifiés qui peuvent être plus exposés à la transformation des emplois liée à l’IA que leurs homologues moins instruits. Juste un peu plus de la moitié (51 %) des employés dont les emplois peuvent être effectués à domicile occupaient des professions à forte exposition et à faible complémentarité, par rapport à 14 % des employés dont les emplois ne peuvent pas être effectués à domicile^Note . Toutefois, 47 % du premier groupe occupent des emplois qui pourraient être fortement complémentaires avec l’IA, par rapport à 14 % du deuxième groupe. La façon dont l’avènement de l’IA pourrait avoir une incidence sur le marché du travail pendant de potentielles futures pandémies est incertaine (p. ex. Frenette et Morissette [2021]).

4 Conclusion

La présente étude fournit des estimations expérimentales du nombre et du pourcentage d’employés âgés de 18 à 64 ans au Canada susceptibles de subir une transformation de leur emploi liée à l’IA en utilisant l’indice d’EPIAC de Pizzinelli et coll. (2023) et les données d’O*NET et des recensements de la population de 2016 et de 2021. Les professions étaient regroupées en trois catégories distinctes : 1) forte exposition et faible complémentarité, 2) forte exposition et grande complémentarité, et 3) faible exposition. Faire partie du deuxième groupe ne réduit pas nécessairement l’EPIA, car les travailleurs auraient toujours besoin des compétences nécessaires pour tirer parti des éventuels avantages complémentaires de l’IA.

En mai 2021, en moyenne environ 4,2 millions d’employés (31 %) au Canada figuraient dans le premier groupe, environ 3,9 millions (29 %) figuraient dans le deuxième groupe et environ 5,4 millions (40 %) figuraient dans le troisième groupe. Cette répartition était similaire en mai 2016. Les employés des secteurs suivants étaient plus susceptibles que les autres de faire partie du premier groupe : services professionnels, scientifiques et techniques; finance et assurances; et industrie de l’information et industrie culturelle. En revanche, les employés du secteur des services d’enseignement et du secteur des soins de santé et de l’assistance sociale étaient plus susceptibles de faire partie du deuxième groupe que les autres employés. Les employés d’industries comme les services d’hébergement et de restauration, la fabrication, la construction et le transport et l’entreposage sont relativement moins exposés à la transformation des emplois liée à l’IA.

Contrairement aux vagues précédentes d’automatisation, qui ont touché les emplois courants et non cognitifs, l’IA pourrait toucher une plus grande partie de la main-d’œuvre qu’on ne le pensait auparavant. Contrairement aux constatations précédentes de la littérature sur la transformation technologique, l’IA pourrait transformer les emplois des employés hautement qualifiés dans une plus grande mesure que ceux de leurs homologues moins instruits. Toutefois, les employés hautement qualifiés occupent également des emplois qui peuvent être fortement complémentaires avec l’IA. Les recommandations précédentes en matière de politique du marché du travail face à la menace de l’automatisation comprenaient le soutien aux initiatives de perfectionnement et de transition professionnelle. Les constatations du présent article, qui reflètent le rôle éventuel de l’exposition à l’IA et de la complémentarité sur les professions et les travailleurs au Canada, pourraient éclairer les futures discussions stratégiques à cet égard.

L’indice utilisé dans la présente étude est subjectif et repose sur des jugements concernant certaines possibilités actuelles de l’IA. Par conséquent, la pertinence de l’indice peut diminuer avec le temps à mesure que les capacités de l’IA augmentent et que l’IA peut effectuer un nombre croissant de tâches actuellement effectuées par des travailleurs humains. L’indice est également calculé au niveau professionnel en supposant implicitement que les tâches au sein d’une même profession sont les mêmes dans toutes les régions et pour tous les travailleurs. Toutefois, la capacité de s’adapter et de répondre aux demandes changeantes en matière de compétences variera probablement en fonction des caractéristiques des travailleurs. Si les tâches varient considérablement d’une région à l’autre et en fonction des caractéristiques des travailleurs, et si certaines tâches sont plus vulnérables au remplacement par l’IA, l’indice pourrait être surestimé ou sous-estimé dans une certaine mesure. Par exemple, les programmeurs d’une région qui passent leur journée de travail à coder peuvent être plus susceptibles de subir une transformation de leur emploi liée à l’IA si l’IA dispose de la capacité d’écrire ce code. En revanche, les programmeurs d’une autre région qui passent une partie de leur journée à interagir en personne avec les membres de leur équipe peuvent être moins susceptibles, à condition que l’IA ne dispose pas encore de la capacité d’interagir en personne. Pour remédier à cela, des recherches futures pourraient élaborer des mesures de rechange de l’exposition à l’IA au niveau des travailleurs d’une manière similaire à la façon dont Arntz, Gregory et Zierahn (2016) ou Frenette et Frank (2020) ont estimé le risque d’automatisation. Des études futures pourraient également tenter de répondre à la question : « Qu’est-il arrivé aux travailleurs dont les emplois ont été exposés à une transformation liée à l’IA? »

À mesure que les technologies de l’IA continuent d’évoluer, elles peuvent potentiellement refaçonner les industries, redéfinir les rôles professionnels et transformer la nature du travail. L’IA peut également créer des défis et des divisions, et repousser les limites. Toutefois, l’adoption à grande échelle de l’IA pourrait prendre du temps, car les employeurs pourraient faire face à des contraintes financières, légales et institutionnelles. La présente étude offre une image statique de l’EPIA fondée sur les compositions d’emploi au Canada en mai 2016 et mai 2021, qui étaient plutôt similaires. La façon dont l’IA touche la productivité et la façon dont les travailleurs et les entreprises s’adaptent au marché du travail potentiellement en évolution à long terme restent à voir.

Annexe

 

Bibliographie

Acemoglu, D. 2024. The Simple Macroeconomics of AI. NBER, Working Paper n^o 32487.

Acemoglu, D. et Johnson, S. 2024. Learning from Ricardo and Thompson: Machinery and Labor in the Early Industrial Revolution, and in the Age of AI. NBER, Working Paper n^o 32416.

Arntz, M., Gregory, T. et Zierahn, U. 2016. The Risk of Automation for Jobs in OECD Countries: A Comparative Analysis. Documents de travail de l’OCDE sur les questions sociales, l’emploi et les migrations, n^o 189. Paris : Éditions de l’OCDE.

Autor, D., Levy, H. et Murnane, R. 2003. The skill content of recent technological change: An empirical exploration. The Quarterly Journal of Economics 118 (4), p. 1279 à 1333.

Beaudry, P., Green, D. A. et Sand, B. M. 2016. The Great Reversal in the Demand for Skill and Cognitive Tasks. Journal of Labor Economics 34 (s1), p. S199 à S247.

Broussard, M. 2018. Artificial Unintelligence: How Computers Misunderstand the World. Cambridge: MIT Press.

Bryan, V., Sood, S. et Johnston, C. 2024. « Analyse de l’utilisation de l’intelligence artificielle par les entreprises au Canada, deuxième trimestre de 2024 », Analyse en bref. Produit n^o 11-621-M au catalogue de Statistique Canada. Ottawa : Statistique Canada.

Cazzaniga, M., Jaumotte, F., Li, L., Melina, G., Panton, A. J., Pizzinelli, C., Rockall, E. J. et Tavares, M. M. 2024. Gen-AI: Artificial intelligence and the future of work. FMI, document de travail n^o 1.

Dingel, J. I. et Neiman, B. 2020. How many jobs can be done at home? Journal of Public Economics 189, p. 104235.

Eloundou, T., Manning, S., Mishkin, P. et Rock, D. 2023. GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models. Stanford Digital Economy Lab, Working Paper.

Feigenbaum, J. J. et Gross, D. P. 2023. Organizational and Economic Obstacles to Automation: A Cautionary Tale from AT&T in the Twentieth Century. NBER, Working Paper n^o 29580.

Felten, E., Raj, M. et Seamans, R. 2021. Occupational, Industry, and Geographic Exposure to Artificial Intelligence: A Novel Dataset and its Potential Uses. Strategic Management Journal 42(12), p. 2195 à 2217.

Felten, E., Raj, M. et Seamans, R. 2023. How will Language Modelers like ChatGPT Affect Occupations and Industries? SSRN Working Paper.

Frenette, M. et Frank, K. 2020. « Automatisation et transformation des emplois au Canada : qui est à risque? », Direction des études analytiques : documents de recherche. Produit n^o 11F0019M au catalogue de Statistique Canada. Ottawa : Statistique Canada.

Frenette, M. et Morissette, R. 2021. « La sécurité d’emploi à l’ère de l’intelligence artificielle et des pandémies potentielles », Rapports économiques et sociaux, juin. Ottawa : Statistique Canada.

Frey, C. B. et Osborne, M. A. 2013. The Future of Employment: How Susceptible Are Jobs to Computerisation? Oxford Martin Programme on the Impacts of Future Technology. Oxford: Oxford Martin School, University of Oxford.

Georgieff, A. et Hyee, R. 2021. Artificial intelligence and employment: New cross-country evidence. Documents de travail de l’OCDE sur les questions sociales, l’emploi et les migrations, n^o 265. Paris : Éditions de l’OCDE.

Georgieff, A. et Milanez, A. 2021. What happened to jobs at high risk of automation? Documents de travail de l’OCDE sur les questions sociales, l’emploi et les migrations, n^o 255. Paris : Éditions de l’OCDE.

Graetz, G. et Michaels, G. 2018. Robots at work. The Review of Economics and Statistics 100 (5), p. 753 à 768.

Kochhar, R. 2023. Which U.S. Workers Are More Exposed to AI on Their Jobs? Pew Research Center.

McElheran, K., Li, J. F., Brynjolfsson, E., Kroff, Z., Dinlersoz, E., Foster, L. S. et Zolas, N. 2024. AI Adoption in America: Who, What, and Where. NBER, Working Paper n^o 31788.

Mehdi, T. et Morissette, R. 2021a. « Travail à domicile : productivité et préférences », StatCan et la COVID-19 : Des données aux connaissances pour bâtir un Canada meilleur. Produit n^o 45280001 au catalogue de Statistique Canada. Ottawa : Statistique Canada.

Mehdi, T. et Morissette, R. 2021b. « Le travail à domicile au Canada : qu’avons-nous appris jusqu’à présent? », Rapports économiques et sociaux, octobre. Ottawa : Statistique Canada.

Nedelkoska, L. et Quintini, G. 2018. Automation, Skills Use and Training. Documents de travail de l’OCDE sur les questions sociales, l’emploi et les migrations, n^o 202. Paris : Éditions de l’OCDE.

OCDE. 2023. OECD Employment Outlook 2023: Artificial Intelligence and the Labour Market. Paris : Éditions de l’OCDE.

Oschinski, M. et Wyonch, R. 2017. Le choc du futur? Les répercussions de l’automatisation sur le marché du travail au Canada. Commentaire de l’Institut C.D. Howe, n^o 472. Toronto : Institut C.D. Howe.

Picot, G. et Mehdi, T. À venir. The provision of high and low skilled immigrant labour to the Canadian economy.

Pizzinelli, C., Panton, A. J., Tavares, M. M., Cazzaniga, M. et Li, L. 2023. Labour market exposure to AI: Cross-country differences and distributional implications. FMI, notes de discussion du personnel n^o 216.

Svanberg, M. S., Li, W., Fleming, M., Goehring, B. C. et Thompson, N. C. 2024. Beyond AI Exposure: Which Tasks are Cost-Effective to Automate with Computer Vision? MIT FutureTech, Working Paper.

Webb, M. 2020. The Impact of Artificial Intelligence on the Labor Market. SSRN, Working Paper.

Wootton, C. W. et Kemmerer, B. E. 2007. The Emergence of Mechanical Accounting in the U.S., 1880-1930. Accounting Historians Journal, 34(1), p. 91 à 124.