La couverture des benchmarks d’IA de Mercor laisse 90 % des heures de travail américaines dans l’ombre

La couverture des benchmarks d’IA de Mercor laisse environ 90 % des heures de travail américaines avec peu ou pas de représentation significative, selon la nouvelle cartographie économique de l’entreprise. Ce constat remet en cause une hypothèse centrale derrière de nombreuses affirmations sur l’intelligence artificielle et l’emploi. Les scores des modèles peuvent sembler impressionnants tout en révélant étonnamment peu de choses sur la majeure partie du travail accompli dans le pays.

Mercor a cartographié 29 benchmarks agentiques par rapport à 18 797 tâches couvrant 923 professions sur le marché du travail américain. Seules 924 tâches ont atteint son seuil de couverture. À peine 208 professions disposaient d’au moins une tâche représentée par cinq prompts de benchmark ou plus.

Cet écart ne démontre pas que l’IA ne peut pas effectuer le travail restant. Il montre que les chercheurs n’ont pas suffisamment mesuré si elle en est capable. La distinction compte pour les employeurs qui prennent des décisions d’automatisation, les travailleurs qui évaluent les risques pour leur carrière et les décideurs publics qui anticipent les perturbations du marché du travail.

La réaction en ligne a rapidement illustré le désaccord. Certains lecteurs ont vu dans cette cartographie la preuve que la portée économique de l’IA reste limitée. D’autres ont soutenu que l’absence de benchmarks révèle un retard de mesure, et non une limite des capacités.

Le véritable affrontement n’oppose donc pas l’IA au travail humain. Il oppose la confiance dans les benchmarks à la réalité désordonnée du travail. La cartographie de Mercor suggère que les preuves étayant les prévisions d’automatisation à l’échelle de l’économie restent bien plus minces que ne le laissent entendre de nombreuses prédictions assurées.

La couverture des benchmarks d’IA de Mercor mesure les tests, pas les limites de l’IA

Le chiffre phare décrit un déficit de mesure, et non la part du travail que l’IA serait incapable d’accomplir.

Mercor a constitué ce qu’elle appelle une Benchmark Map de l’économie américaine. Le projet relie les prompts de 29 évaluations d’IA aux descriptions de tâches de la taxonomie professionnelle du Department of Labor.

Ces évaluations mettent l’accent sur les tâches agentiques. Une tâche agentique demande à un modèle de réaliser un livrable ou un flux de travail, plutôt que de répondre à une question factuelle. Cela peut par exemple consister à modifier une feuille de calcul, résoudre un problème logiciel ou préparer une analyse professionnelle.

La cartographie des benchmarks indique que 924 des 18 797 tâches professionnelles disposent d’une représentation suffisante. Mercor considère qu’une tâche est couverte lorsqu’un juge IA l’associe à au moins cinq prompts issus des benchmarks sélectionnés.

Cette règle produit un résultat saisissant. Seules 208 des 923 professions comportent ne serait-ce qu’une tâche dépassant le seuil de cinq prompts. Six des 22 familles professionnelles ne comprennent aucune profession admissible.

La couverture varie également fortement d’un domaine à l’autre. Les professions informatiques et mathématiques comptent 29 professions représentées sur 36. Les activités commerciales et financières atteignent 33 sur 48, tandis que les professions juridiques en comptent cinq sur sept.

D’autres pans de l’économie restent beaucoup moins couverts. Parmi les praticiens de santé, 12 professions sur 89 sont représentées. L’éducation et les bibliothèques atteignent neuf professions sur 62, tandis que l’architecture et l’ingénierie en atteignent 19 sur 56.

Ces chiffres ne doivent pas être interprétés comme des scores de performance des modèles. Une profession peut être couverte même si les modèles évalués y obtiennent de mauvais résultats. Inversement, une tâche peut sembler non couverte même si un système commercial aide déjà des personnes à la réaliser.

La couverture indique plutôt si un benchmark inclus propose suffisamment de prompts pour permettre une évaluation limitée. C’est un inventaire des tests disponibles, et non un inventaire de tout ce que l’IA actuelle peut faire.

Cette distinction répond à une critique formulée dans la discussion publique. L’automatisation des restaurants, la commande vocale ou la robotique d’entrepôt peuvent exister sans apparaître dans la sélection de benchmarks de Mercor. Leur absence n’efface pas les systèmes déjà déployés.

La même prudence s’applique dans l’autre sens. Le fait qu’un modèle réussisse des prompts liés à une tâche ne prouve pas qu’il peut remplacer le travailleur concerné. Les emplois combinent jugement, coordination, action physique, gestion des exceptions et responsabilité institutionnelle.

Un benchmark juridique peut évaluer la rédaction de contrats, tout en omettant le conseil aux clients, la négociation, la supervision ou le travail au tribunal. Mesurer un livrable visible ne saisit pas l’ensemble complet que les employeurs achètent lorsqu’ils recrutent un avocat.

Mercor présente explicitement sa liste initiale comme provisoire. L’entreprise indique que la cartographie s’étendra à mesure que davantage d’évaluations économiquement pertinentes seront disponibles. Cette limite rend le résultat moins définitif, mais elle renforce aussi le constat central.

Même après des années de production rapide de benchmarks, l’écosystème d’évaluation n’observe encore qu’une portion étroite de l’économie. Les affirmations sur une substitution généralisée du travail vont donc bien au-delà des tests disponibles.

Pourquoi les évaluations d’IA se concentrent sur le travail numérique à forte valeur

Les benchmarks se concentrent là où le travail est numérique, coûteux, répétable et relativement facile à évaluer.

Les angles morts de la cartographie ne sont pas répartis au hasard. Mercor a constaté que les tâches classées comme exposées aux modèles de langage avaient environ six fois plus de chances d’apparaître dans sa collection de benchmarks.

Cette tendance est compréhensible. Les chercheurs veulent des évaluations capables de révéler les différences entre les modèles avancés. Le travail intellectuel numérique offre des données d’entrée accessibles, des environnements reproductibles et des résultats que des logiciels ou des experts peuvent examiner.

L’ingénierie logicielle est devenue une cible précoce parce qu’un programme peut souvent être testé automatiquement. Le code compile, réussit les tests ou produit un résultat défini. Ces boucles de retour facilitent l’évaluation et l’amélioration des modèles.

L’analyse financière produit également des artefacts numériques familiers. Un benchmark peut fournir des documents sources, préciser les hypothèses et demander une feuille de calcul ou une présentation. Les évaluateurs peuvent ensuite comparer les calculs, la structure et les conclusions.

Le travail physique et interpersonnel pose des problèmes de mesure plus difficiles. Un prompt ne peut pas reproduire pleinement une salle de classe bondée, un site de maintenance imprévisible ou une conversation sensible avec une famille.

La base de données officielle O*NET aide les chercheurs à décrire ce type de travail, mais ses énoncés de tâches ne sont pas des environnements de benchmark. Ils identifient des responsabilités sans générer automatiquement des données réalistes, des outils, des contraintes et des règles d’évaluation.

L’analyse de Mercor constate aussi que les tâches issues de professions ayant les masses salariales les plus élevées reçoivent davantage de couverture. Cette relation subsiste après prise en compte de l’exposition estimée à l’IA.

Cette incitation est économiquement rationnelle. Automatiser une partie d’une profession coûteuse offre un rendement potentiel plus clair que de concevoir une évaluation pour un marché du travail plus réduit. Les clients ont aussi de plus fortes raisons de financer des tests liés à une rémunération élevée.

L’importance des tâches crée un autre effet de sélection. Au sein d’une profession, les tâches jugées les plus importantes avaient environ six à dix fois plus de chances de recevoir une couverture par benchmark que les moins importantes.

Donner la priorité au travail important paraît logique. Pourtant, un emploi dépend souvent de nombreuses petites activités qui rendent possibles ses livrables principaux. Il s’agit notamment de recueillir le contexte, confirmer les exigences, coordonner les validations, détecter les exceptions et corriger les malentendus.

Un benchmark peut saisir le document qui apparaît à la fin d’un processus. Il saisit rarement le travail organisationnel qui détermine si ce document est correct, livré à temps, digne de confiance et exploitable.

Cela rappelle le problème du portier soulevé lors de la discussion sur Hacker News. Ouvrir une porte semble être la tâche centrale, jusqu’à ce que l’automatisation révèle que le travailleur fournissait aussi des indications, une vigilance en matière de sécurité et une aide informelle.

Le travail intellectuel comporte des fonctions cachées similaires. Un chef de produit ne se contente pas de rédiger un document d’exigences. Son rôle consiste aussi à concilier des demandes contradictoires, se souvenir de décisions antérieures, repérer les éléments de preuve manquants et obtenir l’adhésion des parties prenantes.

L’IA peut accélérer l’artefact visible tout en laissant intactes les contraintes qui l’entourent. Dans certains cas, une génération plus rapide crée un surcroît de travail de vérification, car les équipes doivent contrôler un volume plus important de résultats plausibles.

C’est pourquoi une base de connaissances personnelle ou d’équipe peut compter davantage qu’un autre outil de génération isolé. Le goulot d’étranglement consiste souvent à retrouver le contexte et à valider les décisions, non à produire une ébauche supplémentaire.

La concentration des benchmarks reflète donc à la fois la faisabilité technique et les incitations du marché. Elle montre où les concepteurs d’évaluations peuvent créer des tests crédibles aujourd’hui, et non où la transformation économique devra s’arrêter demain.

Le constat des 90 % repose sur plusieurs niveaux d’estimation

Le résultat de Mercor combine des données officielles sur le travail avec des correspondances générées par modèle, de sorte que chaque niveau ajoute une structure utile et une incertitude supplémentaire.

Le projet commence avec O*NET, la base de données fédérale décrivant les professions, les caractéristiques des travailleurs et les tâches professionnelles. Mercor utilise 923 professions et 18 797 énoncés de tâches associés.

Les chercheurs relient ensuite les prompts des benchmarks à ces tâches. Mercor indique qu’un juge LLM peut associer un prompt à plusieurs tâches professionnelles lorsque les activités se recoupent.

L’entreprise a validé ce processus par rapport aux annotations d’experts humains pour ses propres benchmarks APEX. Toutefois, cette validation s’applique à un sous-ensemble des 29 évaluations, et pas nécessairement à chaque prompt inclus.

Mercor définit la couverture à cinq prompts associés. Ce seuil évite de considérer un seul exemple comme une représentation adéquate, mais cinq éléments constituent encore une preuve limitée pour une tâche complexe.

Un participant à la discussion a mis ce problème en évidence à partir du travail social. Treize prompts peuvent techniquement couvrir une mission de conseil, mais ils ne peuvent pas représenter chaque client, contrainte juridique, dynamique émotionnelle ou issue défavorable.

L’estimation de 90 % nécessite une étape supplémentaire. O*NET enregistre l’importance et la fréquence des tâches, mais ne fournit pas directement une répartition complète de toutes les heures de chaque travailleur entre chaque tâche.

Mercor utilise donc des recherches qui estiment la part du temps de travail consacrée aux tâches à l’aide de modèles de langage. L’entreprise combine ces parts avec des données sur l’emploi et les salaires afin d’approximer la répartition des heures de travail américaines.

Les masses salariales par profession sont calculées à partir de l’emploi estimé et des salaires moyens. Le modèle suppose une semaine de 40 heures pour convertir ces totaux en mesures de travail.

Cela produit une cartographie économique cohérente, mais non une enquête nationale directe sur l’emploi du temps. Le pourcentage final dépend des définitions des tâches, des parts de temps estimées, de la sélection des benchmarks, de la correspondance des prompts et de la règle des cinq prompts.

Mercor reconnaît plusieurs limites. Sa liste est incomplète, et tout benchmark manquant réduira la couverture apparente. L’entreprise a également plafonné la représentation des familles de métiers très étudiées afin d’empêcher l’ingénierie logicielle de dominer la collection.

Cette décision améliore l’étendue tout en réduisant la profondeur mesurée dans les catégories populaires. Exclure les benchmarks saturés peut aussi masquer des tâches que les modèles réalisent déjà bien.

Inclure ces benchmarks créerait un problème différent. Des évaluations faciles ou irréalistes pourraient gonfler la couverture économique apparente sans fournir de preuves utiles sur le déploiement.

Les critères de sélection introduisent également une part de jugement. Le « réalisme économique » semble objectif, mais les chercheurs doivent encore décider si un prompt ressemble au travail effectué au sein d’une entreprise.

Le chiffre de 90 % doit donc être considéré comme une estimation produite par une méthodologie explicite. Ce n’est pas le résultat d’un recensement, ni une propriété immuable de l’économie.

Pourtant, les incertitudes ne rendent pas le projet dénué de sens. Même une révision substantielle laisserait le paysage de l’évaluation inégal. Passer d’une couverture de 10 % à 15 % ou 20 % n’établirait pas une visibilité à l’échelle de l’économie.

La conclusion défendable est plus limitée et plus lourde de conséquences. Les benchmarks agentiques existants ne permettent pas de porter des jugements fiables sur la majeure partie du temps de travail aux États-Unis.

Cette conclusion devrait modifier la manière dont les lecteurs interprètent les gains dans les classements. Un score en hausse peut démontrer des progrès dans un domaine testé tout en laissant des milliers d’autres tâches inexplorées.

De meilleurs benchmarks du monde réel manquent encore l’ensemble du travail

Les nouvelles évaluations deviennent plus réalistes, mais le réalisme au sein de professions sélectionnées n’équivaut pas à une couverture représentative de l’économie.

Le domaine des benchmarks a déjà dépassé les questions de culture générale et les examens universitaires. Les tests plus récents demandent aux modèles de créer des rapports, d’utiliser des logiciels, d’analyser des documents professionnels et d’accomplir des missions en plusieurs étapes.

L’évaluation GDPval d’OpenAI illustre cette évolution. Elle couvre 44 professions dans neuf secteurs et demande aux modèles de produire des livrables évalués par rapport à des résultats professionnels.

La collection complète GDPval contient 1 320 tâches. OpenAI a sélectionné des professions issues de secteurs économiquement importants, en privilégiant le travail intellectuel associé à de grands bassins salariaux.

Cette approche offre une pertinence économique supérieure à la mesure de questions de raisonnement isolées. Elle partage aussi la concentration identifiée par Mercor. La première version privilégie un travail précieux et exprimable sous forme numérique.

Les tests logiciels présentent le même schéma à une échelle plus restreinte. Ils peuvent mesurer si un agent corrige un problème dans un dépôt, mais le résultat ne couvre pas toutes les responsabilités d’un ingénieur en activité.

Les ingénieurs enquêtent sur des incidents ambigus, négocient la dette technique, examinent des modifications, accompagnent leurs collègues et prennent des décisions avec des informations incomplètes. Une grande partie de ce travail dépend d’un contexte organisationnel accumulé.

Les recherches de METR sur l’horizon temporel apportent une autre mesure utile. Elles estiment la durée d’une tâche pour laquelle un agent a une probabilité donnée de réussir.

METR avertit également que ces résultats ne doivent pas être interprétés comme des heures équivalentes d’emploi ordinaire. Les tâches d’évaluation contiennent généralement les informations nécessaires pour démarrer, tandis que les employés s’appuient sur des conversations antérieures et des connaissances tacites.

Cette différence est au cœur de l’analyse de Mercor. Les benchmarks isolent le travail afin que les chercheurs puissent l’évaluer. Les organisations réelles intègrent le travail entre les personnes, les systèmes, l’historique et des priorités changeantes.

Un modèle peut accomplir une mission bien spécifiée tout en échouant lorsque les exigences restent implicites. Il peut générer un tableur crédible tout en omettant une règle métier connue uniquement d’un analyste expérimenté.

Le déploiement ajoute des coûts que les scores de benchmark omettent souvent. Les employés doivent préparer les données d’entrée, accorder les accès aux systèmes, examiner les résultats, gérer les échecs, documenter les responsabilités et décider quand une escalade humaine est nécessaire.

La sortie du modèle peut aussi modifier le travail en aval. Une génération de code plus rapide augmente le volume arrivant en revue et en test. Une génération de contenu plus rapide crée davantage de matériel à vérifier et à approuver.

C’est l’une des raisons pour lesquelles les gains mesurés ne se traduisent pas toujours directement en productivité organisationnelle. Automatiser une étape déplace l’attention vers la contrainte restante la plus lente.

Les tâches physiques élargissent encore cet écart. Une recherche fondée sur l’estimation du télétravail a conclu que 37 % des emplois américains pouvaient être exercés entièrement depuis le domicile. Les autres emplois comportent des dimensions physiques que les benchmarks conventionnels de modèles de langage peinent à recréer.

La robotique pourrait à terme faciliter l’évaluation de ces activités. Toutefois, un benchmark du travail physique doit représenter la perception, la manipulation, la sécurité, les variations environnementales et la récupération après des conditions imprévues.

Une réussite simulée ne démontre pas automatiquement une performance sûre dans un hôpital, une usine, une cuisine ou sur une voie publique. Le coût d’un échec peut également différer fortement d’une mauvaise réponse dans un environnement numérique isolé.

La voie à suivre est donc plus large que l’ajout de prompts. Les concepteurs de benchmarks ont besoin d’environnements plus riches, de flux de travail plus longs, de mesures de collaboration humaine et de liens plus clairs entre la performance des tâches et la valeur économique.

Ce que la carte change pour les employeurs et les travailleurs

La carte affaiblit les prévisions confiantes d’automatisation tout en renforçant la nécessité d’évaluations plus ciblées et propres à chaque flux de travail.

Un employeur ne devrait pas commencer par la position agrégée d’un modèle de pointe dans les classements. La question utile est de savoir si ce modèle accomplit les tâches réelles de l’organisation dans des conditions réalistes.

Cette évaluation commence par la décomposition des flux de travail. Les équipes doivent identifier les données d’entrée, les outils, les dépendances, les exigences d’approbation, les exceptions courantes et les conséquences d’un résultat incorrect.

Un gestionnaire de sinistres, par exemple, peut examiner des documents qui ressemblent à des données d’entrée de benchmark. Le flux de travail réel comprend également des dossiers manquants, des variations de police, des délais réglementaires, des signaux de fraude, la communication avec les clients et l’escalade.

La performance sur une tâche isolée et propre en dit peu sur la fiabilité du système sur l’ensemble de cette chaîne. L’employeur doit tester chaque transition importante, surtout là où les erreurs deviennent coûteuses ou irréversibles.

Les données de Mercor plaident aussi contre le traitement des professions comme des unités indivisibles. L’adoption de l’IA modifie généralement la composition des tâches avant de supprimer un emploi complet.

Un travailleur peut passer moins de temps à produire un premier brouillon et davantage à vérifier les éléments probants. Un autre rôle peut évoluer vers la communication avec les clients, le traitement des exceptions ou la coordination entre systèmes automatisés.

Cette redistribution peut néanmoins affecter l’emploi. Si une personne accomplit davantage de travail, une organisation peut réduire ses recrutements ou réaffecter son personnel. L’effet dépend toutefois de la demande, des contraintes de processus et du coût de la supervision.

Les travailleurs devraient appliquer la même réflexion au niveau des tâches au risque professionnel. Une profession fortement couverte par les benchmarks ne disparaît pas automatiquement. Elle fait face à une expérimentation plus rapide, car les fournisseurs peuvent mesurer et améliorer les capacités pertinentes.

Les développeurs logiciels, les analystes financiers et les juristes se situent dans cette zone très observée. Leur travail produit des artefacts numériques, attire les investissements dans les benchmarks et fournit des retours favorisant une itération rapide.

Les professions moins couvertes ne sont pas protégées de manière permanente. Leur incertitude immédiate est simplement plus grande. La rareté des benchmarks empêche de tirer des conclusions solides dans un sens comme dans l’autre.

La carte remet aussi en cause une interprétation courante de la faible couverture. L’absence de tests ne prouve pas qu’une tâche est exclusivement humaine. Elle peut indiquer que la tâche est difficile à spécifier, évaluer, numériser ou financer.

Ces obstacles restent importants sur le plan commercial. Une capacité qui ne peut pas être évaluée de manière fiable est difficile à acheter, gouverner, assurer et déployer à grande échelle.

Pour les acheteurs en entreprise, la meilleure réponse consiste en une évaluation contrôlée à l’aide d’exemples internes. Les équipes devraient comparer les résultats du modèle au travail actuel, mesurer le temps de révision, consigner les types d’échec et suivre si les gains se maintiennent sur l’ensemble des processus.

Elles devraient aussi tester séparément l’assistance et l’autonomie. Un modèle qui aide un expert à terminer plus rapidement peut apporter de la valeur même s’il ne peut pas prendre en charge le flux de travail.

À l’inverse, un modèle performant seul dans un benchmark peut apporter peu au sein d’une entreprise. Les employés pourraient passer plus de temps à préparer les prompts, vérifier les résultats et corriger les échecs d’intégration qu’ils n’en économisent.

Pour les décideurs publics, la carte de Mercor met en évidence un problème de preuves. La réglementation, l’investissement dans la formation et les prévisions sur la main-d’œuvre exigent davantage que des affirmations sur une intelligence générale des modèles.

Les institutions publiques ont besoin d’évaluations transparentes couvrant des professions représentatives. Ces tests devraient inclure le travail physique, les services au public, les emplois moins rémunérés et les tâches où la responsabilité compte davantage qu’un résultat soigné.

Le message le plus utile de la carte n’est donc ni rassurant ni alarmiste. Il réclame de meilleures mesures avant que les institutions prennent des décisions irréversibles.

Trois signaux montreront si l’angle mort se réduit

La prochaine étape de la recherche sur l’IA et le travail sera jugée sur l’étendue de sa couverture, les preuves de déploiement et des tests crédibles de flux de travail complets.

Le premier signal est l’élargissement de la carte de Mercor elle-même. L’entreprise décrit l’indice actuel de 29 benchmarks comme un point de départ et invite les chercheurs à soumettre des évaluations supplémentaires.

Il faudra observer si les nouveaux ajouts étendent réellement la couverture professionnelle. Une autre suite de tests de code pourrait approfondir les preuves dans un domaine familier sans réduire l’incertitude dans l’ensemble de l’économie.

Une mise à jour plus solide ajouterait des benchmarks crédibles pour l’éducation, le soutien aux soins de santé, l’administration, les métiers qualifiés, les transports et le travail de service. Elle indiquerait aussi si l’estimation de 90 % évolue selon d’autres seuils de couverture.

Si les collections élargies maintiennent ce chiffre près de son niveau actuel, le problème de mesure est structurel. Les chercheurs pourraient avoir du mal à traduire une grande partie du travail humain en tâches agentiques répétables et évaluables.

Une baisse marquée affaiblirait le titre tout en améliorant la base de preuves. Elle montrerait que le résultat initial reflétait davantage la sélection des benchmarks qu’un obstacle durable à l’évaluation.

Le deuxième signal est la validation indépendante en milieu de travail. Les développeurs de modèles et les créateurs de benchmarks revendiquent de plus en plus des performances de niveau professionnel sur certaines missions.

Ces affirmations doivent être comparées aux résultats du déploiement. Les éléments utiles incluent le temps total de réalisation, l’effort de révision humaine, les taux de correction, la fréquence des exceptions et la qualité en aval.

L’unité critique est le flux de travail complet, et non l’artefact généré. Si l’IA termine la rédaction plus vite mais allonge la révision et l’approbation, l’organisation a déplacé le travail plutôt que de le supprimer.

Des gains de productivité cohérents dans plusieurs organisations renforceraient les affirmations selon lesquelles les capacités testées se transfèrent aux opérations réelles. Des résultats limités à des pilotes étroitement contrôlés préserveraient l’écart entre le succès des benchmarks et l’impact économique.

Le troisième signal est le progrès de l’évaluation en dehors du travail intellectuel purement numérique. Les modèles de langage peuvent piloter des outils, tandis que les systèmes robotiques peuvent relier la planification à l’action physique.

Des preuves significatives exigeraient des environnements diversifiés et des rapports transparents sur les échecs. Un robot qui réussit dans un environnement préparé ne démontre pas une performance fiable dans les foyers, les hôpitaux, les entrepôts ou les espaces publics.

Les chercheurs devraient également mesurer la collaboration humaine. La plupart des systèmes à court terme travailleront aux côtés des employés, ce qui rend la qualité de l’assistance aussi importante que l’exécution autonome.

Un benchmark utile testerait si l’IA aide les personnes à prendre de meilleures décisions, et pas seulement si elle produit une réponse. Il inclurait la récupération de contexte, la communication de l’incertitude, la correction et l’escalade.

Ces signaux importent, car le déficit de couverture des benchmarks d’IA de Mercor ne se résorbera pas grâce à de meilleurs scores de modèles uniquement. Il se résorbera lorsque les évaluations représenteront une plus grande part de l’économie et prédiront les résultats réels en milieu de travail.

Pour les lecteurs qui décident du niveau de confiance à accorder à la prochaine prévision d’automatisation, trois questions s’imposent. Quelles tâches professionnelles ont été testées, quel niveau de soutien humain a été requis et le gain mesuré a-t-il résisté au déploiement réel ?

Tant que ces réponses ne deviendront pas habituelles, les affirmations générales sur l’IA et l’emploi resteront en avance sur les preuves. Suivez l’expansion de la carte, exigez des résultats au niveau des flux de travail et considérez chaque classement comme une vue à travers une fenêtre étroite.