L’enquête d’Anthropic sur les attentes vis-à-vis de l’IA révèle un écart de 52 points entre les employés et le public

Anthropic a publié une enquête révélant un fossé saisissant : 91 % de ses employés s’attendent à ce que l’IA réalise une découverte digne d’un prix Nobel d’ici 2030, contre 39 % des adultes américains. L’enquête d’Anthropic sur les attentes vis-à-vis de l’IA ne montre pas simplement que ses employés sont plus optimistes. Elle révèle à quel point les personnes qui travaillent chaque jour avec une IA avancée évaluent l’avenir différemment.

Le désaccord dépasse largement la recherche scientifique. Les employés d’Anthropic s’attendent à ce que l’IA accomplisse une part bien plus importante de leur travail, se diffuse plus rapidement dans les entreprises et procure des gains de productivité plus élevés. Pourtant, les deux groupes associent une automatisation accrue du travail à un chômage plus important.

C’est là que réside le conflit central. Les personnes les plus proches des modèles de pointe anticipent des progrès extraordinaires, mais leur expérience n’est pas représentative de l’économie dans son ensemble. L’enquête reflète les attentes éclairées d’initiés, et non des prévisions mesurées de manière indépendante.

Ce que l’enquête d’Anthropic a réellement révélé

Le plus grand fossé concerne la vitesse des progrès futurs, et non ce que l’IA sait déjà faire.

Anthropic a publié son enquête sur les attentes vis-à-vis de l’IA le 16 octobre 2026. Les chercheurs Szymon Sacher, Tess Cotter, Charles I. Jones, Anton Korinek et Peter McCrory ont rédigé le rapport.

Morning Consult a interrogé en ligne 10 980 adultes américains entre le 11 et le 23 août. Les réponses ont été pondérées afin de représenter la population adulte nationale.

Anthropic a interrogé séparément 1 334 employés entre le 9 et le 12 août. Cet échantillon interne n’était pas pondéré et incluait du personnel issu de l’ensemble de l’entreprise.

Les répondants ont évalué huit activités, allant de la rédaction d’e-mails courants à la réalisation d’une découverte scientifique digne d’un prix Nobel. Ils devaient indiquer à quel moment l’IA réaliserait chaque activité aussi bien qu’un professionnel qualifié.

Les deux groupes s’accordaient largement sur les capacités actuelles de l’IA. Environ un quart des deux échantillons estimait que l’IA pouvait déjà concevoir, mener et publier des études scientifiques.

Leurs attentes ont ensuite fortement divergé. Neuf employés d’Anthropic sur dix prévoyaient cette capacité de recherche d’ici 2027, contre 38 % du public.

L’écart le plus marquant concernait la science de niveau Nobel. D’ici 2030, 91 % des employés s’attendaient à ce que l’IA réalise une telle découverte. Seuls 39 % des adultes américains ont donné la même réponse.

Une enquête de suivi menée auprès de 7 613 adultes américains s’est déroulée entre le 17 et le 24 septembre. Dans cet échantillon, 44 % s’attendaient à une découverte de niveau Nobel d’ici 2030.

Cette hausse n’a pas supprimé l’écart. Elle a toutefois montré que l’estimation précise du public dépend en partie de l’échantillonnage et du moment de l’enquête.

L’expression « découverte de niveau Nobel » exige également de la prudence. La question mesure si les répondants s’attendent à ce que l’IA réalise une découverte d’une telle importance. Elle ne définit pas quelle part de direction humaine, de travail expérimental ou de validation institutionnelle serait impliquée.

Un résultat scientifique peut provenir d’un système d’IA tout en nécessitant des équipes humaines pour le vérifier. La publication, la réplication et la reconnaissance resteraient des étapes distinctes.

Le point de référence historique n’est plus hypothétique. Le prix Nobel de chimie 2024 a récompensé Demis Hassabis et John Jumper pour la prédiction de structures protéiques à l’aide d’AlphaFold2.

Cependant, le succès d’AlphaFold ne tranche pas la question posée par l’enquête. Le prix a récompensé des chercheurs humains ayant développé un système d’IA, plutôt qu’un système autonome recevant le crédit de sa propre découverte.

Cette distinction importe, car les répondants peuvent interpréter différemment l’idée que « l’IA réalise une découverte ». Certains pourraient imaginer un modèle formulant et testant une théorie de manière indépendante. D’autres pourraient compter les découvertes produites par des scientifiques humains utilisant des outils d’IA.

L’enquête d’Anthropic sur les attentes vis-à-vis de l’IA identifie donc un véritable écart d’attentes sans définir toutes ses limites. Il vaut mieux considérer le résultat comme un indicateur de croyances, et non comme un calendrier vérifié des avancées scientifiques.

L’écart des attentes vis-à-vis de l’IA découle d’une exposition quotidienne

Les employés d’Anthropic semblent extrapoler à partir d’un environnement où l’IA est déjà intégrée au travail quotidien.

L’utilisation de l’IA sépare le public en groupes aux prévisions sensiblement différentes. Environ un cinquième des adultes interrogés ont déclaré utiliser régulièrement l’IA au travail.

Parmi ces utilisateurs réguliers, 56 % s’attendaient à ce que l’IA maîtrise au moins sept des huit activités étudiées d’ici 2030. Cette proportion était de 41 % parmi l’ensemble des adultes américains.

Seuls 28 % des personnes n’ayant jamais utilisé un outil d’IA s’attendaient à ce niveau de capacité. Chez les employés d’Anthropic, ce chiffre atteignait 96 %.

Cette progression suggère que l’exposition directe modifie les attentes. Les personnes qui utilisent régulièrement l’IA anticipent davantage de progrès que les non-utilisateurs, même si elles restent moins confiantes que le personnel d’Anthropic.

L’expérience ne prouve pas la clairvoyance. Les utilisateurs fréquents peuvent observer des capacités que les utilisateurs occasionnels n’ont pas rencontrées. Ils peuvent aussi généraliser à l’excès à partir de tâches et d’environnements exceptionnellement favorables.

Anthropic représente un cas extrême. Ses employés construisent des modèles de pointe, bénéficient d’un accès anticipé à des systèmes internes et travaillent dans des processus conçus autour de ces systèmes.

L’étude associée de l’entreprise sur l’emploi indiquait que, en août, les heures de travail des agents d’IA interactifs dépassaient celles des employés dans un rapport de six pour un. Un agent d’IA est un système qui réalise un travail en plusieurs étapes avec une supervision limitée.

Anthropic a également signalé une production de code plus élevée par personne, davantage de ventes conclues par représentant et plus de contrats juridiques traités à mesure que l’usage des agents s’étendait. Ces résultats provenaient des propres données de l’entreprise sur son lieu de travail.

Cet environnement diffère fortement de celui d’un hôpital, d’une entreprise de construction, d’un district scolaire ou d’un détaillant régional. La plupart des organisations ne disposent pas de modèles, de soutien technique, de flux de travail et d’incitations équivalents.

L’adoption dépend également de bien plus que de la capacité technique d’un système à accomplir une tâche. Les entreprises doivent l’intégrer à leurs données, attribuer les responsabilités, surveiller les erreurs et satisfaire les clients comme les régulateurs.

Les adultes interrogés ont reconnu ces obstacles. Celui qu’ils ont le plus souvent sélectionné était que les clients préféreraient traiter avec une autre personne.

La confidentialité et la sécurité arrivaient juste derrière, suivies d’une fiabilité insuffisante et des contraintes juridiques ou réglementaires. Les répondants pouvaient choisir jusqu’à trois obstacles.

Les utilisateurs réguliers au travail plaçaient la confidentialité et la sécurité en tête. Cette réponse remet en cause l’idée que la familiarité engendre simplement un optimisme sans réserve.

Les personnes peuvent être davantage impressionnées par les capacités de l’IA tout en devenant plus conscientes des risques liés à son déploiement. L’expérience directe révèle à la fois la rapidité et les frictions.

Les employés d’Anthropic prévoyaient néanmoins une adoption plus large. Ils s’attendaient à ce que l’IA soit utilisée pour 65 % des tâches qu’elle pourrait accomplir d’ici 2030.

Les adultes américains s’attendaient à ce que les entreprises utilisent l’IA pour 42 % des tâches techniquement adaptées. Cet écart de 23 points concerne la diffusion, et non la capacité brute des modèles.

Cette différence pourrait s’avérer plus importante économiquement que la question du Nobel. Une découverte historique isolée attirerait l’attention, mais une adoption généralisée transformerait des millions de flux de travail ordinaires.

L’écart des attentes vis-à-vis de l’IA ne se résume donc pas à une opposition entre initiés et non-initiés. Il s’agit d’un désaccord sur la rapidité avec laquelle une capacité technique devient acceptée, fiable et courante.

L’enquête d’Anthropic sur les attentes vis-à-vis de l’IA place l’emploi au centre

Les employés les plus proches des modèles avancés anticipent une automatisation bien plus importante de leur propre travail, et pas seulement des progrès dans des domaines scientifiques éloignés.

En moyenne, les employés d’Anthropic s’attendaient à ce que l’IA accomplisse 75 % de leurs heures de travail actuelles d’ici 2030. Les répondants américains ayant un emploi ont avancé une estimation moyenne de 28 %.

Plus de la moitié du personnel d’Anthropic s’attendait à ce que l’IA prenne en charge au moins 80 % de son travail. Seuls 5 % des travailleurs américains partageaient cette attente.

Même les travailleurs du secteur technologique restaient très en deçà des prévisions internes. Les répondants exerçant dans l’informatique, l’ingénierie et les sciences s’attendaient à ce que l’IA accomplisse 33 % de leurs heures de travail.

Les utilisateurs réguliers d’IA dans ces professions estimaient cette part à 40 %. C’était supérieur à la moyenne du public, mais encore inférieur de 35 points à celle des employés d’Anthropic.

Ce contraste soulève une question difficile pour les employeurs. Si les employés d’Anthropic ont raison sur la tendance générale, de nombreuses organisations sous-estiment la rapidité avec laquelle le travail intellectuel évoluera.

Si le public est plus proche de la réalité, les attentes des laboratoires d’IA de pointe pourraient refléter un environnement de travail inhabituel, impossible à reproduire dans l’ensemble de l’économie.

L’automatisation du travail par l’IA recouvre aussi deux sens distincts. Un système peut remplacer entièrement une tâche, ou effectuer l’essentiel du travail tandis qu’une personne examine le résultat.

Le personnel d’Anthropic s’attendait généralement à ce que l’IA travaille seule ou produise des résultats à vérifier par des humains d’ici 2030. Quatre adultes américains sur dix s’attendaient plutôt à ce que les personnes conservent l’essentiel du travail.

Cette différence affecte à la fois la productivité et l’emploi. La vérification humaine peut accroître la production sans supprimer le travailleur, mais elle peut aussi réduire le nombre de personnes nécessaires.

L’enquête a révélé un important point d’accord. Les répondants qui s’attendaient à ce que l’IA prenne en charge une plus grande part de leur propre travail prévoyaient également un chômage plus élevé.

Les travailleurs américains s’attendant à ce que l’IA accomplisse moins de la moitié de leur travail prévoyaient un chômage compris entre 7 % et 8 % en 2030. Ceux anticipant au moins 80 % d’automatisation prévoyaient 12,2 %.

Chaque hausse supplémentaire de dix points de pourcentage de l’exposition attendue du travail était associée à une augmentation de 0,4 point du chômage prévu. Les employés d’Anthropic présentaient une relation similaire.

Les groupes ne semblent donc pas s’appuyer sur des théories entièrement différentes du marché du travail. Ils divergent principalement sur la quantité de travail que l’IA deviendra capable d’accomplir.

Cette nuance distingue l’enquête d’un simple récit opposant optimisme et pessimisme. Les employés d’Anthropic anticipent des capacités plus importantes, mais associent également ces capacités à une pression accrue sur le marché du travail.

Les propres prévisions de leur entreprise ajoutent une autre nuance. Quatre-vingt-quinze pour cent s’attendaient à ce que les effectifs d’Anthropic augmentent au cours des 12 mois suivants.

Le répondant médian anticipait une croissance des effectifs de 66 %, tandis que 27 % s’attendaient à ce que la main-d’œuvre au moins double. Anthropic a souligné qu’il s’agissait d’attentes personnelles, et non de plans de recrutement officiels.

L’automatisation et l’emploi peuvent progresser simultanément au sein d’une entreprise en expansion. Une productivité accrue peut réduire les coûts, créer de la demande et orienter les travailleurs vers de nouvelles responsabilités.

Cette issue est moins certaine dans les secteurs matures. Un développeur d’IA en croissance rapide peut augmenter ses effectifs tout en automatisant des tâches, car son marché se développe rapidement.

Un cabinet d’avocats, un assureur ou un prestataire de services administratifs pourrait être confronté à une équation différente. Si la demande reste stable, une production plus importante par employé exerce une pression plus forte pour réduire les recrutements.

Les études antérieures sur le lieu de travail offrent un point de comparaison plus mesuré. Une étude de terrain du NBER a examiné un assistant d’IA générative utilisé par 5 179 agents de support client.

Les chercheurs ont constaté des gains de productivité moyens, avec des bénéfices plus importants pour les travailleurs moins expérimentés. Le résultat a montré que l’IA peut diffuser des pratiques efficaces sans remplacer une profession entière.

Ce schéma diffère des évolutions internes du travail chez Anthropic. L’entreprise a indiqué que les postes techniques juniors représentaient une part plus faible des recrutements à mesure que l’utilisation des agents s’étendait.

Dans un contexte, l’IA semble pouvoir aider les nouveaux venus à combler les écarts d’expérience. Dans l’autre, les employeurs pourraient avoir besoin de moins de jeunes travailleurs pour les tâches nécessitant beaucoup de mise en œuvre.

Les deux peuvent être vrais. L’IA pourrait accroître la productivité des personnes déjà embauchées tout en réduisant la demande de nouveaux employés débutants.

Cette possibilité fait des trajectoires de début de carrière une préoccupation centrale. Les entreprises ne peuvent pas produire indéfiniment des travailleurs expérimentés si elles suppriment les postes où l’expérience commence.

Les connaissances internes sont précieuses, mais pas neutres

Les employés d’Anthropic disposent d’informations particulièrement pertinentes, mais leur enquête reste un sondage interne façonné par la sélection, les incitations et une expérience partagée.

Les employés d’un laboratoire de pointe observent des comportements de modèles que le public ne peut pas facilement voir. Ils travaillent avec des outils internes et comprennent le rythme de la recherche.

Leurs prévisions méritent donc attention. Les écarter comme un simple enthousiasme d’entreprise reviendrait à ignorer des informations potentiellement utiles.

Toutefois, la proximité crée ses propres biais. Les personnes choisissent de travailler chez Anthropic en partie parce qu’elles estiment que l’IA avancée est importante.

Les employés partagent aussi des réseaux professionnels, des récits internes et des exemples quotidiens d’utilisations réussies de l’IA. Ces influences peuvent rendre leurs convictions plus corrélées que ne le suggère le nombre de répondants.

L’enquête auprès du personnel n’était pas pondérée. Elle a recueilli les réponses de 1 334 employés de toute l’entreprise, mais le rapport ne les présente pas comme représentatifs des chercheurs en IA en général.

L’échantillon public présente une limite distincte. Morning Consult a recruté des panélistes volontaires en ligne, excluant les adultes sans accès à Internet.

Une pondération démographique peut améliorer la représentativité nationale. Elle ne peut pas entièrement corriger les différences entre les personnes qui rejoignent des panels en ligne et celles qui ne le font pas.

Les questions sur l’avenir étaient également réparties entre 2027 et 2030 pour l’échantillon public. Les employés d’Anthropic ont tous été interrogés sur 2030.

Les auteurs ont présenté les réponses pour 2030, sauf indication contraire. Les lecteurs doivent néanmoins se rappeler que certaines estimations publiques ne proviennent que d’une partie de l’échantillon complet.

Les chiffres économiques les plus ambitieux de l’enquête exigent une prudence supplémentaire. Les chercheurs ont intégré les réponses sur les capacités, l’adoption, l’autonomie, la productivité et les transitions des travailleurs dans un modèle économique.

La réponse médiane du public a produit un scénario de croissance du PIB de 5,4 % en 2030. La réponse médiane des employés a produit une croissance de 17,1 %.

Il s’agit de scénarios impliqués par le modèle, et non de prévisions économiques directes. L’exercice traduit un ensemble de convictions au travers d’hypothèses établies par les économistes d’Anthropic.

Un échantillon public de suivi impliquait une croissance de 5,6 %, ce qui suggère une certaine stabilité du résultat public. Le scénario bien plus élevé du personnel demeure sensible à la manière dont les données du modèle interagissent.

Les employés d’Anthropic ont également estimé que l’IA réalisait déjà une médiane de 51 % du travail nécessaire à la création d’un modèle de pointe du début de 2026. Ils prévoyaient 80 % à la fin de 2027 et 95 % d’ici 2030.

Ces chiffres étaient des estimations d’employés, et non des mesures auditées. Anthropic a explicitement indiqué qu’ils ne constituaient pas une prévision de l’entreprise.

Il est difficile de définir le dénominateur. Le « travail nécessaire à la création d’un modèle » peut inclure le code, les expériences, le travail sur les données, les évaluations, l’infrastructure, la gestion et le jugement de recherche.

Un employé peut considérer une production assistée par IA comme un travail effectué par l’IA. Un autre peut la considérer comme un travail humain réalisé avec un meilleur outil.

L’enquête ne lève pas cette ambiguïté. Elle montre plutôt que les employés d’Anthropic perçoivent l’IA comme contribuant déjà fortement au développement des modèles.

Cette conviction a des conséquences stratégiques, même si les estimations s’avèrent trop élevées. Les équipes concevront leurs flux de travail, leurs plans de recrutement et leurs programmes de recherche en fonction de ce qu’elles attendent des systèmes à venir.

Les convictions peuvent devenir en partie autoréalisatrices. Une organisation qui anticipe une automatisation rapide investit davantage dans les agents, générant une expérience qui rend cette automatisation plus plausible.

Cela ne rend pas cette conviction erronée. Cela signifie que les prévisions des employés d’Anthropic sur l’IA reflètent à la fois l’observation et un engagement institutionnel.

Les lecteurs devraient donc résister à deux conclusions faciles. La première consiste à penser que les employés possèdent une carte secrète et précise de l’avenir.

La seconde consiste à considérer leurs opinions comme du simple marketing. Les éléments disponibles appuient une interprétation plus utile : le personnel fournit un signal éclairé, mais fortement sélectionné.

La science de niveau Nobel est une référence, pas un raccourci de prévision

La comparaison avec un Nobel exprime une ambition, mais la découverte scientifique dépend de systèmes de validation que l’enquête ne mesure pas.

L’IA influence déjà la recherche scientifique par la prédiction des protéines, la conception moléculaire, l’examen de la littérature, le code, la simulation et la planification expérimentale. Ces applications rendent plausible la question scientifique de l’enquête.

Pourtant, un résultat de niveau Nobel implique davantage que la production d’une réponse nouvelle. Les chercheurs doivent établir que le résultat est exact, significatif, reproductible et relié au corpus scientifique existant.

Les expériences physiques restent souvent essentielles. Un modèle peut proposer une molécule, un mécanisme ou un théorème, mais cette proposition peut échouer face au contrôle du laboratoire ou des pairs.

Les institutions scientifiques attribuent également le mérite lentement et de manière inégale. Une découverte réalisée par une équipe humain-IA pourrait entraîner des années de débat sur l’attribution.

L’enquête porte sur les capacités, indépendamment de la question de savoir si les entreprises les déploieront. Cela isole les attentes quant à ce que l’IA peut faire, mais écarte de nombreuses contraintes du monde réel.

L’accès à des données propriétaires, à des équipements de laboratoire, à la puissance de calcul et à des évaluateurs experts peut déterminer si une hypothèse utile devient une découverte validée.

Un modèle pourrait résoudre un problème de raisonnement difficile sans transformer la science. À l’inverse, un système étroitement spécialisé pourrait transformer un domaine sans ressembler à un scientifique autonome généraliste.

AlphaFold illustre cette distinction. Il a relevé un défi de longue date en matière de prédiction de la structure des protéines et est devenu un outil de recherche largement utilisé.

Son importance découle d’une combinaison d’algorithmes, de données d’entraînement, d’ingénierie humaine, d’évaluation et d’adoption par les scientifiques. Le système d’IA n’a pas fonctionné en dehors de cette structure institutionnelle.

La réponse de 91 % peut donc représenter plusieurs attentes différentes. Certains employés peuvent anticiper des agents de recherche autonomes, tandis que d’autres s’attendent à ce que des équipes assistées par IA produisent des résultats dignes de prix.

Ces scénarios ont des conséquences différentes pour l’emploi et les politiques publiques. Un système de découverte autonome soulèverait des questions de supervision, d’attribution et de contrôle.

Un assistant de recherche très efficace mettrait davantage l’accent sur l’accès, la formation et la manière dont les scientifiques organisent leur travail. Il pourrait accroître la demande d’expertise expérimentale et interprétative.

L’enquête regroupe ces possibilités sous une référence mémorable. Cela rend le résultat facile à communiquer, mais moins précis comme outil de planification.

Les organisations devraient se concentrer sur des capacités intermédiaires observables. Elles comprennent la capacité des systèmes à formuler des hypothèses vérifiables, concevoir des expériences valides, détecter leurs propres erreurs et reproduire des résultats.

Elles devraient également suivre la capacité de laboratoires indépendants à vérifier des résultats assistés par IA. Un résultat annoncé par un développeur de modèles a moins de poids qu’un résultat reproduit ailleurs.

Les progrès scientifiques et l’automatisation du travail ne devraient pas être traités comme des tendances identiques. Les modèles peuvent devenir excellents dans des tâches de recherche limitées tout en restant peu fiables dans les environnements professionnels quotidiens.

L’inverse est également possible. L’IA pourrait automatiser de grandes quantités de travail de bureau sans produire une réalisation scientifique singulière digne d’une reconnaissance mondiale.

L’enquête d’Anthropic sur les attentes liées à l’IA relie ces résultats par une vision plus large d’une croissance rapide des capacités. Les preuves devront valider chaque trajectoire séparément.

Trois signaux montreront quelle prévision est la plus proche

Des tests de capacités indépendants, l’adoption en milieu de travail hors des laboratoires d’IA et le recrutement débutant détermineront si la vision des initiés se généralise.

Le premier signal est une production scientifique vérifiée de manière indépendante. Un test crédible impliquerait qu’un système d’IA produise un résultat nouveau que des experts externes reproduisent.

Les annonces des développeurs de modèles resteront des pistes utiles. Elles ne permettront pas de déterminer si les systèmes peuvent réaliser de manière fiable un travail au niveau de la découverte.

La réplication clarifiera également le rôle des chercheurs humains. Les preuves les plus solides préciseront qui a formulé la question, conçu les tests, interprété les résultats et corrigé les erreurs.

Cela importe, car le titre sur le niveau Nobel condense une longue chaîne de recherche en un seul résultat. Un meilleur traitement devrait distinguer la contribution de l’IA de la validation institutionnelle.

Le deuxième signal est l’adoption mesurée dans les organisations ordinaires. Les entreprises doivent démontrer que les agents peuvent fournir des gains durables dans de véritables contraintes de sécurité, de fiabilité et de conformité.

De courtes démonstrations ne suffisent pas. Les éléments de preuve devraient suivre la qualité des résultats, les taux d’erreur, le temps de supervision et les coûts d’exploitation totaux sur plusieurs mois.

Les cas les plus instructifs proviendront de secteurs qui ne présentent pas la concentration technique d’Anthropic. L’administration des soins de santé, les opérations financières, l’éducation, la logistique et les services professionnels méritent une attention particulière.

La recherche interentreprises révélera également si l’IA modifie le travail collaboratif. Une grande expérience en milieu de travail a constaté des réductions du temps consacré aux e-mails sans changements comparables dans les réunions.

Ce schéma suggère que les tâches individuelles peuvent évoluer avant que les organisations ne réorganisent la coordination. Les effets économiques généraux exigent les deux étapes.

Le troisième signal est le recrutement de débutants. Les recherches connexes d’Anthropic sur le monde du travail indiquent que les postes techniques juniors représentent désormais une part plus faible de ses recrutements.

Si le même changement apparaît chez les employeurs, l’automatisation du travail par l’IA affectera les structures de carrière avant de produire un chômage de masse. La diminution des postes de départ réduirait la voie d’accès au travail avancé.

Surveillez les offres d’emploi, les parts de recrutement, les taux de promotion et la demande des employeurs pour des compétences exigeant beaucoup de jugement. Ces mesures peuvent révéler un changement structurel avant que les chiffres nationaux de l’emploi ne réagissent.

Un recul du recrutement junior renforcerait les prévisions internes d’Anthropic, surtout si la production totale continue d’augmenter. Un recrutement stable affaiblirait l’affirmation selon laquelle l’expérience des laboratoires de pointe prédit l’économie au sens large.

Pour les travailleurs du savoir, la réponse pratique n’est pas d’adopter le calendrier exact de l’un ou l’autre groupe interrogé. Il s’agit de suivre quelles parties d’un emploi deviennent des tâches d’IA vérifiables.

Documenter les décisions, les sources et le contexte des projets deviendra plus important à mesure que les agents prendront en charge des missions plus longues. Une base de connaissances IA interrogeable peut aider les travailleurs à conserver les informations nécessaires pour examiner ces résultats.

L’écart d’attentes se réduira grâce aux preuves, et non aux arguments. Les employés d’Anthropic gagneront en crédibilité si des résultats indépendants reproduisent leur expérience scientifique et professionnelle.

Les prévisions du public paraîtront plus solides si l’adoption se heurte à la confiance, à l’intégration ou à la fiabilité. Elles seront également renforcées si les systèmes avancés exigent toujours une supervision intensive d’experts.

Pour l’instant, la leçon la plus claire de l’enquête est que l’exposition modifie les convictions plus vite que le consensus. Les employés d’Anthropic voient une croissance rapide des capacités parce qu’ils travaillent au sein d’une organisation exceptionnellement intensive en IA.

Les adultes américains perçoivent davantage de frictions parce qu’ils vivent dans des institutions où les clients, les lois, la sécurité et les processus établis comptent toujours. Les deux perspectives saisissent une partie de la transition probable.

La question concrète de l’année à venir est la suivante : les preuves issues de la science indépendante et des lieux de travail ordinaires commenceront-elles à ressembler à l’environnement interne d’Anthropic, ou resteront-elles très éloignées de celui-ci ?