For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the complete content index is available at https://we0.ai/llms.txt, the full English article bundle is available at https://we0.ai/llms-full.txt, and this page is available as Markdown at https://we0.ai/fr/articles/anthropic-ai-work-report-agent-hours-hiri-d16b5c5e.md.
Le 16 octobre, Anthropic a publié deux rapports qui mettent en regard son usage interne de l’IA et les attentes du public à l’égard de cette...
Le 16 octobre, Anthropic a publié deux rapports qui mettent en regard son usage interne de l’IA et les attentes du public à l’égard de cette technologie. L’un examine l’emploi et le travail au sein de l’entreprise. L’autre compare les réponses d’un sondage mené auprès de 1 334 membres du personnel d’Anthropic à celles d’adultes américains.
Le contraste est marqué. Le personnel estime que l’IA sera capable d’effectuer en moyenne 75 % de ses heures de travail actuelles d’ici 2030 ; les répondants américains en emploi évaluent cette part à 28 %. Pour la réalisation d’une découverte de niveau Nobel d’ici 2030, les attentes correspondantes sont de 91 % parmi le personnel et de 39 % parmi les adultes américains.
Il s’agit d’expériences et de prévisions différentes, et non de deux mesures d’un avenir déjà déterminé. Pour comprendre ces rapports, il faut distinguer ce qu’Anthropic a observé au sein d’une seule entreprise de ce que les répondants pensent qu’il se passera ensuite.
L’étude d’Anthropic sur l’emploi combine des données internes sur l’emploi et la production, la télémétrie des agents, des données de communication et de calendrier, des évaluations de recrutement, des sondages et 17 entretiens avec des employés. Elle décrit une organisation où l’utilisation d’agents est devenue courante dans les fonctions techniques et non techniques.
En mars 2026, la durée d’exécution cumulée des agents autonomes et interactifs a dépassé pour la première fois les heures de travail humaines estimées. En août, les seuls agents interactifs pilotés par des employés cumulaient environ six fois les heures humaines ; l’organisation de recherche atteignait environ 19 fois ce chiffre dans le graphique source.
Ces comparaisons dépendent des définitions retenues. Le temps de travail des agents comprend l’inférence et l’utilisation active d’outils, en excluant les temps d’attente de plus de 30 minutes ; les heures humaines sont estimées à partir des effectifs, sur la base de 40 heures par semaine. Les logiciels exécutés en parallèle peuvent accumuler rapidement du temps. Une durée d’exécution six fois supérieure ne prouve ni que le volume de travail utile est six fois plus élevé ni que six employés ont été remplacés.
Un exemple de réseau Slack d’un département illustre l’évolution de la communication. La source décrit une hausse, de 155 employés et 150 conversations avec des agents à 237 employés et 7 922 conversations avec des agents. Ces nœuds associés aux agents représentent des fils de discussion ou des sessions, et non des milliers de collègues équivalents à des humains.
Le rapport montre que le nombre de commits d’ingénierie a atteint environ cinq fois le niveau de référence de décembre 2025. Des hausses sont également observées dans les requêtes en science des données, les contrats traités, les factures et la production commerciale. Le graphique source indique que le nombre de commits par ingénieur est 5,1 fois supérieur à ce niveau de référence.
Anthropic compare, dans le temps, les utilisateurs d’outils d’agents aux employés qui ne les avaient pas encore adoptés. Cette méthode est plus instructive qu’un simple total avant-après pour l’ensemble de l’entreprise, mais l’adoption n’était pas aléatoire. La croissance de l’activité, l’évolution des projets et les caractéristiques des premiers utilisateurs peuvent influer sur la comparaison.
La quantité de code est aussi un indicateur imparfait de la qualité ou de la valeur commerciale. Anthropic ne constate aucune différence dans plusieurs indicateurs indirects ultérieurs de suppression et de réversion, dans ses comparaisons de code au sein d’une même personne ; ces indicateurs ne couvrent pas tous les défauts possibles.
Les exemples rendent concrète cette évolution organisationnelle :
Il s’agit de résultats internes délimités et de témoignages individuels. Affirmer que les attentes concernant une semaine de travail ressemblent à celles de trois mois ailleurs est une comparaison faite par une personne interrogée, et non un ratio de productivité mesuré à l’échelle de l’économie.
Une production plus rapide entraîne un second problème : les humains ne peuvent pas examiner une quantité illimitée de résultats. Le graphique source estime qu’il faudrait environ 424 heures par personne pour lire toute la production hebdomadaire de Claude en ingénierie et en recherche.
Il s’agit d’un équivalent en temps de lecture, calculé à partir des jetons générés, en supposant 0,75 mot par jeton et une vitesse de lecture de 250 mots par minute. Cela ne signifie pas que les employés ont réellement travaillé 424 heures ni qu’ils devaient lire chaque ligne générée.
À l’inverse, les sessions interactives ont passé environ 80 % de leur temps écoulé à attendre une intervention humaine. Il s’agit d’une mesure du temps d’inactivité, et non d’un taux d’échec des tâches de 80 %. Ces deux observations décrivent un goulot d’étranglement lié à l’attention : les agents peuvent produire davantage, mais les humains doivent toujours décider quoi demander, vérifier et mettre en œuvre.
Les employés ont réagi en créant des agents chargés de trier le travail d’autres agents, des tableaux de suivi et des instructions réutilisables. Le nombre d’instructions permanentes enregistrées est passé de quelques centaines à 8 500 en un an. La part estimée des sessions consacrées à ce type d’outillage et de coordination est passée de 10 % à 22 % selon le rapport.
Il est également important de tenir à jour le contexte organisationnel. Un employé dont le nom figurait toujours sur un ancien document consacré aux produits dérivés a continué à recevoir des demandes d’agents portant sur des t-shirts et des mugs, alors que ses responsabilités avaient changé. Une activité logicielle plus importante ne garantit pas automatiquement une mémoire institutionnelle exacte.
Le nombre quotidien de changements de code fusionnés par Anthropic est passé d’environ 2 500 en mai à plus de 30 000 en septembre. Le compte rendu de l’équipe d’ingénierie décrit la migration du monorepo vers un nouveau système de contrôle de version, Scion, ainsi que la création d’outils de revue et d’outils connexes.
Une équipe de sept personnes a construit les systèmes et achevé la migration en cinq mois. Dans un exemple précis, une première réécriture du pipeline d’ingestion Git-vers-Scion avec Mythos Preview a utilisé un vingtième de la mémoire et s’est exécutée quatre fois plus vite que le prototype précédent de l’équipe. Ces multiples ne s’appliquent qu’à cette comparaison de pipelines, et non à l’ensemble de l’activité d’ingénierie.
Le sondage mené auprès du personnel d’Anthropic en août s’est déroulé parallèlement à une enquête de Morning Consult auprès de 10 980 adultes américains. L’échantillon américain a été pondéré pour être représentatif de la population adulte nationale ; le sondage auprès du personnel n’a pas été pondéré. Pour les répondants américains, les questions portant sur l’avenir étaient réparties entre 2027 et 2030.
Les deux groupes étaient plus proches concernant les capacités actuelles de l’IA que concernant ses capacités futures. Environ un quart des personnes de chaque groupe pensaient que l’IA pouvait déjà concevoir, mener et publier une étude scientifique. Pour 2027, les attentes concernant cette capacité divergeaient : environ 90 % parmi le personnel, contre 38 % parmi les adultes américains.
Pour leur propre travail, les employés occupant des postes en informatique, en ingénierie et en sciences hors d’Anthropic estimaient que l’IA pourrait réaliser 33 % de leurs tâches d’ici 2030. Cette estimation atteignait 40 % chez les utilisateurs réguliers d’IA dans ces professions, ce qui reste inférieur aux 75 % avancés par le personnel d’Anthropic.
Decrivez votre idee une fois, et We0 AI peut generer un site vitrine, des pages et un CMS, puis vous aider a attirer clients et trafic apres le lancement.
Une génération de projet complète pour une inscription gratuite
Idéal pour essayer un flux de génération complet et voir rapidement une première ébauche de projet.
Les gains de temps révèlent une autre différence. Pour une tâche bien adaptée à l’IA, vérification et correction comprises, 59 % du personnel a déclaré que la tâche prenait un quart du temps habituel ou moins. Parmi les adultes américains qui utilisent l’IA au travail, 26 % ont donné cette réponse ; 29 % ont indiqué que l’IA prenait autant de temps, voire davantage.
Ces réponses concernent les tâches adaptées à l’IA, et non l’ensemble du travail. Elles peuvent refléter des différences d’outils, de flux de travail, de choix des tâches, d’accès aux modèles, de soutien organisationnel et d’attentes des répondants.
Le personnel a également été interrogé sur le travail plus large que représente le développement d’un modèle d’IA de pointe du début de 2026, notamment l’orientation de la recherche, les expériences et l’évaluation. L’estimation médiane était que l’IA en accomplissait 51 % à ce moment-là, une part qui atteindrait 80 % à la fin de 2027 et 95 % à la fin de 2030.
Le chiffre de 95 % est une prévision personnelle issue d’un sondage interne. Il ne s’agit ni d’une mesure auditée ni d’un engagement officiel d’Anthropic à laisser exactement 5 % du développement aux humains. Le point de référence fixe du début de 2026 diffère également d’une question portant sur la part du travail nécessaire pour construire ce qui sera considéré comme un modèle de pointe en 2030.
Une discussion de recherche distincte d’Anthropic présente des exemples plus ciblés de progrès :
| Expérience ou exemple | Résultat rapporté | Limites de la comparaison |
|---|---|---|
| Optimisation du code d’entraînement d’un petit modèle | Mythos Preview a atteint environ 52 fois la vitesse initiale ; un humain qualifié a atteint environ quatre fois cette vitesse en quatre à huit heures | Il s’agit d’une tâche fixe d’optimisation de code, et non d’une accélération par 52 de l’entraînement réel d’un modèle de pointe. |
| Recherche sur la supervision faible-vers-forte | Les agents ont récupéré 97 % d’un écart de performance défini, en cumulant 800 heures de travail et environ 18 000 $ de calcul ; deux humains en ont récupéré environ 23 % en une semaine | Les humains ont choisi le problème et la grille d’évaluation, et le résultat ne s’est pas transposé directement aux modèles à l’échelle de la production. |
| Choix de l’étape suivante de la recherche | La suggestion de Mythos Preview a été jugée meilleure dans 64 % de 129 cas sélectionnés | Les cas ont été délibérément choisis lorsque la décision humaine initiale pouvait être améliorée. |
La condition de sélection du dernier exemple est particulièrement importante. Dans un ensemble distinct de 127 cas où le choix humain était déjà solide, les suggestions du modèle n’ont été jugées meilleures que dans environ 20 % des cas. Ces résultats montrent des améliorations pour des composantes précises de la recherche, et non que l’IA a globalement surpassé le jugement humain en matière de recherche.
Anthropic a connu une forte croissance globale, mais la composition de ses recrutements techniques a évolué. Selon le rapport sur l’emploi, la part des employés juniors dans les départements techniques est passée de 21 % à 14 %, tandis que la part des recrutements juniors est passée de 27 % à 9 %.
Une baisse de la part ne signifie pas automatiquement une diminution des effectifs en valeur absolue. Elle soulève toutefois une autre question : comment les personnes acquièrent-elles de l’expertise si moins de tâches d’implémentation de premier échelon donnent lieu à des emplois ? Le rapport de l’entreprise évoque les réaffectations internes et les postes menacés par l’automatisation, tout en reconnaissant que protéger les employés actuels n’aide pas les personnes qui n’ont jamais été recrutées.
Le personnel ne s’attendait généralement pas à un arrêt des recrutements dans l’ensemble de l’entreprise : 95 % pensaient que les effectifs augmenteraient au cours de l’année suivante. Il s’agit des attentes du personnel, et non d’un plan de recrutement.
Le rapport sur les attentes traduit également les réponses au sondage en un modèle économique. Les réponses médianes des adultes américains impliquent une croissance du PIB américain de 5,4 % en 2030 ; celles de l’employé médian d’Anthropic impliquent 17,1 %. Ces chiffres décrivent des scénarios conditionnels issus d’un modèle, et non un taux de croissance mesuré ou une prévision sans condition.
La source conclut en suggérant qu’Anthropic aurait environ 18 mois d’avance sur l’adoption à plus grande échelle. Cette idée peut être interprétée comme une analyse économique, mais les rapports n’établissent pas un calendrier universel de 18 mois pour les autres entreprises. La diffusion dépendra de la fiabilité, de la sécurité, des coûts, de la réglementation, des préférences des clients et de l’organisation du travail.
Non. Le chiffre de 95 % correspond à l’estimation médiane du personnel pour la fin de 2030, en réponse à une question sur le développement d’un modèle d’IA de pointe du début de 2026. Le rapport distingue explicitement ces estimations personnelles d’une mesure ou d’une prévision de l’entreprise.
Non. La comparaison de la durée d’exécution comptabilise l’exécution logicielle et estime les heures humaines à partir des effectifs. Pour établir le temps de travail économisé, il faudrait connaître les résultats des tâches, leur qualité, l’effort de vérification et disposer d’une comparaison valable avec le flux de travail humain.
Le chiffre d’environ cinq fois concerne les commits par ingénieur par rapport à un niveau de référence précis. Il ne prouve pas que toutes les fonctions ont connu le même gain, et une plus grande quantité de code ne constitue pas une mesure complète de la production utile.
Il convertit le volume produit en temps nécessaire pour le lire à une vitesse donnée. Ce chiffre illustre l’ampleur du texte généré, et non le nombre réel d’heures travaillées par les employés ni une obligation de tout lire.
Elle témoigne d’une évolution de la composition des recrutements dans une entreprise d’IA en forte croissance. L’évolution à plus grande échelle dépend de l’adoption, de la demande, de la création de tâches, ainsi que des parcours de formation et de carrière mis en place par les employeurs.
Ce chiffre est un scénario issu d’un modèle, calculé à partir des réponses du membre médian du personnel. Il dépend d’hypothèses sur les capacités, l’adoption, les gains de temps, l’autonomie et la transition des travailleurs.
Les données internes d’Anthropic montrent une utilisation croissante des agents, une production plus élevée selon plusieurs indicateurs, davantage de travail consacré à leur supervision et une part plus faible de recrutements techniques juniors. Le sondage auprès du personnel révèle également des attentes de progrès de l’IA bien plus rapides que celles exprimées dans l’enquête auprès du public.
Ces rapports sont les plus utiles lorsque les évolutions observées au travail, les expériences propres à certaines tâches et les prévisions personnelles restent clairement distinctes.
Partez d’une phrase et obtenez un site complet en quelques minutes.
