Résumé exécutif

Les mises à jour de cette semaine se concentrent sur l’intersection entre la mesure de l’IA, la gouvernance et la modernisation des données sur la main-d’œuvre. Parmi les développements clés figurent un rapport phare d’O*NET proposant une série de 16 indices d’impact de l’IA pour mesurer systématiquement la manière dont l’IA transforme les professions, un rapport politique bipartisan appelant à renforcer les questions sur l’IA dans les principales enquêtes fédérales américaines, et de nouvelles données du U.S. Census Bureau sur l’adoption de l’IA par les entreprises issues du Business Trends and Outlook Survey. Une étude évaluée par des pairs sur l’IA open source dans les administrations publiques offre des orientations pratiques pour les offices statistiques qui pèsent le pour et le contre entre modèles propriétaires et modèles open-weight. Ensemble, ces développements signalent un écosystème en maturation dans lequel mesurer les effets de l’IA sur le travail devient aussi important que déployer les outils d’IA eux-mêmes.

Nouveautés de la semaine

Mesure et indexation de l’impact de l’IA

O*NET propose 16 indices d’impact de l’IA pour l’analyse des professions

Publié en juin 2026 par HumRRO et le National Center for O*NET Development, ce rapport passe en revue 19 études majeures sur l’impact de l’IA sur le travail et identifie une lacune critique : la plupart des recherches existantes s’appuient de manière étroite sur l’analyse des tâches et négligent près d’un siècle de travaux établis en analyse d’emploi, y compris les dimensions de performance contextuelle et adaptative. Les auteurs proposent qu’O*NET développe une suite pouvant aller jusqu’à 16 indices d’impact de l’IA, organisés autour de modèles modernes de performance au travail, couvrant la capacité de l’IA à augmenter ou automatiser les connaissances, les compétences, l’exécution des tâches et les comportements contextuels.

Pour les offices statistiques, ce cadre est directement pertinent pour la planification des effectifs et la conception d’enquêtes. Les agences peuvent utiliser ces indices pour anticiper quelles catégories professionnelles au sein de leurs propres organisations sont les plus exposées aux changements induits par l’IA, et pour concevoir des enquêtes longitudinales qui suivent ces évolutions au fil du temps. Les indices proposés tirent parti des grands modèles de langage et de la taxonomie professionnelle existante d’O*NET, ce qui les rend évolutifs et régulièrement actualisables. Le rapport met l’accent sur la transparence et la cohérence, ce qui s’aligne sur les normes de qualité attendues des statistiques officielles.

Modernisation des enquêtes et politique de collecte des données

Mouvement bipartisan pour ajouter des questions sur l’IA aux principales enquêtes fédérales américaines

Publié le 17 juin 2026 par la Foundation for American Innovation, ce rapport politique répond à une lettre bipartisan du Sénat exhortant le Bureau of Labor Statistics (BLS) et le Census Bureau à améliorer la collecte de données sur les impacts de l’IA sur la main-d’œuvre. Le rapport propose des ajouts concrets à trois enquêtes clés : le National Longitudinal Survey of Youth (NLSY), le Current Population Survey (CPS) et le Job Openings and Labor Turnover Survey (JOLTS). Pour le CPS, les auteurs recommandent trois courtes questions mensuelles couvrant si les travailleurs utilisent l’IA générative pour le travail, à quelle fréquence, et si leur employeur a fourni l’accès. Un supplément annuel saisirait les gains de temps auto-déclarés et le remplacement de tâches. Pour le NLSY, des questions sur l’IA devraient être intégrées avant le début de la collecte de données de la cohorte 2027, afin de capturer l’adoption de l’IA en début de carrière. Le brief plaide également contre la révision du JOLTS en faveur de l’expansion des Enhanced Wage Records (EWRs) via les systèmes d’assurance chômage des États, qui fourniraient des données d’emploi et de rémunération au niveau des professions à une échelle bien supérieure à celle de tout sondage auprès des ménages.

Cette discussion politique est hautement pertinente pour les offices statistiques du monde entier. Les modules d’enquête proposés offrent un modèle pratique pour toute agence cherchant à mesurer l’adoption de l’IA dans ses enquêtes nationales sur la population active. L’approche EWR illustre également comment les données administratives peuvent compléter les données d’enquête pour atteindre une précision supérieure avec une moindre charge pour les répondants.

U.S. Census Bureau publie des données BTOS sur l’adoption de l’IA par les entreprises

Le 18 juin 2026, le U.S. Census Bureau a publié de nouveaux produits de données issus du Business Trends and Outlook Survey (BTOS) portant sur l’adoption de l’IA par les entreprises américaines. Les questions supplémentaires, posées entre novembre 2025 et février 2026, saisissent la manière dont l’IA est adoptée selon les secteurs, les géographies (par État) et la taille des entreprises, ainsi que les types de tâches que l’IA soutient et la façon dont elle transforme le travail. Les données montrent que le taux d’adoption de l’IA est redescendu à 19,5 % des entreprises en mai 2026, environ 80 % des entreprises n’ayant pas encore adopté l’IA.

Cette publication est importante pour les offices statistiques pour deux raisons. Premièrement, elle démontre un modèle réplicable pour intégrer des questions sur l’adoption de l’IA dans des enquêtes d’entreprise à cycle rapide existantes. Deuxièmement, les données elles-mêmes fournissent un point de référence pour comprendre le rythme et la répartition de la diffusion de l’IA dans l’économie, ce qui constitue un contexte essentiel pour toute agence concevant des modules d’enquête liés à l’IA ou évaluant la représentativité d’échantillons centrés sur l’IA.

Gouvernance et adoption stratégique

IA open-source dans le secteur public : comment choisir un modèle Publié dans Government Information Quarterly (Volume 43, Numéro 2, juin 2026), cette étude évaluée par des pairs de Nicholas Robinson est la première à examiner l’adoption de l’IA open-source (OSAI) spécifiquement dans les agences du secteur public. S’appuyant sur 31 entretiens avec des décideurs d’agences australiennes, canadiennes et allemandes, l’étude constate que les facteurs technologiques — en particulier l’adéquation avec l’infrastructure existante, le contrôle du comportement des modèles et la disponibilité du matériel — influent davantage sur les décisions d’adoption de l’OSAI que sur les choix relatifs aux logiciels open-source traditionnels. Les considérations organisationnelles telles que la souveraineté numérique et la protection des données sont également plus présentes pour l’IA que pour les logiciels conventionnels.

Une constatation clé est que les modèles d’IA sont plus homogènes et plus faciles à remplacer que les logiciels traditionnels, ce qui réduit les craintes de dépendance à l’égard d’un fournisseur. Cependant, le choix d’adopter l’OSAI implique toujours des engagements à long terme, notamment des investissements dans du matériel sur site et le développement de capacités souveraines internes. L’étude utilise le cadre Technologie-Organisation-Environnement (TOE) pour structurer son analyse.

Pour les offices de statistique évaluant s’ils doivent déployer des modèles open-weight (tels que Llama ou Gemma) plutôt que des API propriétaires (telles que GPT ou Claude), cette étude fournit une base de preuves structurée. Les résultats suggèrent que les préoccupations liées à la protection des données et à la souveraineté sont les principaux moteurs de l’adoption de l’OSAI par les gouvernements, et que les agences devraient évaluer leur préparation matérielle et leurs compétences internes en IA avant de s’engager dans une stratégie de modèles auto-hébergés.

OCDE « Statistiques à l’ère de l’IA » podcast : rendre les données repérables par les systèmes d’IA

Le 22 juin 2026, l’OCDE a publié le deuxième épisode de sa minisérie « Statistiques à l’ère de l’IA », mettant en conversation le statisticien en chef de l’OCDE, Steve MacFeely, et Prem Ramaswami de Google. L’épisode aborde un enjeu crucial : alors que les assistants d’IA influencent de plus en plus la manière dont les gens accèdent à l’information, les statistiques officielles sont confrontées à un nouveau test d’utilisabilité — savoir si les données publiques officielles sont structurées et étiquetées de manière à ce que les systèmes d’IA puissent les trouver, les interpréter et les citer de façon fiable.

Ce développement met en évidence une priorité émergente pour les offices nationaux de statistique : veiller à ce que leurs portails de données, normes de métadonnées et formats de diffusion soient compatibles avec la recherche d’information pilotée par l’IA. Les offices qui n’investissent pas dans des métadonnées lisibles par machine et sémantiquement riches risquent de voir leurs données officielles contournées au profit de sources moins fiables, mais plus facilement indexées par les assistants d’IA. Les agences devraient passer en revue leurs catalogues de données au regard de normes émergentes telles que le balisage schema.org Dataset et DCAT-AP afin d’assurer leur découvrabilité.

Développement Catégorie Conclusion clé Implication pour les offices statistiques
O*NET Indices d’impact de l’IA Mesure 16 indices proposés couvrant les tâches, les connaissances et la performance contextuelle Cadre pour la planification de la main-d’œuvre et la conception d’enquêtes longitudinales
Note d’enquête fédérale FAI Conception d’enquête Modules d’IA proposés pour CPS, NLSY et extension EWR Modèle pour mesurer l’adoption de l’IA dans les enquêtes nationales sur la population active
Données d’adoption de l’IA BTOS Publication de données 19,5 % des entreprises américaines utilisaient l’IA en mai 2026 Référence pour la diffusion de l’IA ; modèle pour intégrer des questions sur l’IA dans les enquêtes auprès des entreprises
IA open source dans les administrations publiques Gouvernance La souveraineté et la disponibilité matérielle déterminent l’adoption de l’IA open source (OSAI) Base probante pour les décisions entre modèles propriétaires et modèles à poids ouverts
OCDE — Les statistiques à l’ère de l’IA Découvrabilité Les statistiques officielles doivent être lisibles par l’IA pour rester la source faisant autorité Priorité : métadonnées lisibles par machine et conformité à DCAT/schema.org

Implications pour les offices statistiques

Les développements de cette semaine renforcent collectivement un thème qui devient central dans l’agenda de modernisation des offices nationaux de statistique : la nécessité de mesurer l’IA, et pas seulement de l’utiliser. Les indices O*NET et le rapport de politique FAI soutiennent tous deux que les cadres de mesure existants sont inadéquats pour saisir les effets de l’IA sur le travail, et proposent des améliorations concrètes et évolutives fondées sur une méthodologie d’enquête établie. La publication des données BTOS par le Census Bureau fournit un ancrage empirique opportun, montrant que l’adoption de l’IA reste inégale et que la majorité des entreprises n’ont pas encore intégré l’IA dans leurs flux de travail.

La littérature sur la gouvernance, représentée par l’étude sur l’IA open source, apporte une dimension pratique importante : le choix du modèle d’IA n’est pas seulement une décision technique mais un engagement stratégique à long terme ayant des implications pour la souveraineté, l’infrastructure et les capacités internes. Enfin, l’épisode du podcast de l’OCDE souligne un défi moins discuté mais de plus en plus urgent — garantir que les statistiques officielles restent la source faisant autorité dans un environnement informationnel de plus en plus médiatisé par des assistants IA.

Prochaines actions

  • Examiner le cadre des indices d’impact de l’IA d’O*NET et évaluer son applicabilité au propre système de classification des professions de l’agence pour les besoins de planification de la main-d’œuvre.
  • Examiner les modules d’enquête CPS et NLSY proposés par le FAI comme modèles pour concevoir ou mettre à jour des questions sur l’adoption de l’IA dans les enquêtes nationales sur la population active ou les enquêtes auprès des ménages.
  • Analyser les données d’adoption de l’IA BTOS comme référence pour comprendre le rythme actuel de diffusion de l’IA et pour contextualiser les stratégies d’adoption de l’IA au niveau de l’agence.
  • Effectuer un examen interne des métadonnées du portail de données de l’agence par rapport aux normes DCAT-AP et schema.org Dataset afin d’évaluer la découvrabilité par l’IA.
  • Utiliser le cadre TOE de Robinson (2026) pour structurer une évaluation interne de la préparation de l’agence à adopter des open-weight AI models, en se concentrant sur l’infrastructure matérielle, les exigences de protection des données et les compétences internes.

Sources