0 cumulative citations
View corpus contextAutomation and AI amplify employment shocks and compress wages across the skill distribution, reaching even many non-routine jobs; a calibrated policy analysis controversially finds that subsidizing AI — which substitutes for high-paid cognitive tasks — can lower income inequality.
Automation technologies and the labor market : theoretical and empirical Analyses
openalex
quasi_experimental
medium evidence
8/10 relevance
Summary only
summary available; pdf_status=paywall
Source
PDF
Using theoretical models and empirical analyses at macro and micro levels, the thesis finds that autonomous automation (including AI) amplifies labor-market shocks, depresses wages across skill levels (including via spillovers to qualified and non-routine workers), and that a calibrated normative model implies subsidizing AI could reduce income inequality by displacing high-paid cognitive labor.
Citation observations
Cumulative provider counts captured on specific dates; providers are never combined.
Cette thèse étudie les conséquences de l’utilisation des technologies capables de produire de manière autonome, telles que l’intelligence artificielle (IA), sur l’emploi et la rémunération des travailleurs, une thématique aujourd’hui au cœur des débats publics. À travers quatre chapitres, nous abordons cette question sous des angles macroéconomiques et microéconomiques, en mobilisant à la fois des analyses théoriques et empiriques fondées sur différentes sources de données et méthodes économétriques. Nos résultats mettent en évidence plusieurs effets marquants. Premièrement, les technologies d'automatisation amplifient l’impact des chocs technologiques sur les heures de travail. Deuxièmement, elles exercent une pression à la baisse non seulement sur les salaires des professions peu qualifiées, comme souvent documenté, mais aussi sur ceux des professions qualifiées, via des effets d'entraînement. Troisièmement, l’automatisation des tâches routinières fragilise la rémunération des travailleurs, même lorsqu’ils exercent majoritairement des activités non routinières, révélant ainsi une exposition partielle des travailleurs non routiniers mais significative à l’automatisation. Enfin, nous proposons une analyse normative portant sur la fiscalité de l’IA, qui se distingue des autres technologies d’automatisation par sa capacité à remplacer des tâches cognitives complexes réalisées principalement par des travailleurs qualifiés. Nos résultats montrent qu’il serait optimal de subventionner l’IA, car en se substituant aux travailleurs les mieux rémunérés, elle tend à réduire les inégalités de revenus.
Summary
Main Finding
La thèse montre que les technologies d’automatisation capables de produire de manière autonome (notamment l’IA) ont des effets larges et parfois contre‑intuitifs sur le marché du travail : elles amplifient les chocs technologiques sur les heures travaillées, pèsent à la baisse sur les salaires aussi bien des travailleurs peu qualifiés que des travailleurs qualifiés via des effets d’entraînement, exposent partiellement mais significativement les travailleurs non routiniers, et — au plan normatif — il serait optimal de subventionner l’IA car son remplacement relatif des tâches hautement rémunérées tend à réduire les inégalités de revenu.
Key Points
- Automatisation et heures de travail : l’introduction de technologies autonomes accroît la sensibilité des heures travaillées aux chocs technologiques (amplification des fluctuations).
- Effets sur les salaires : la pression à la baisse des salaires ne se limite pas aux professions peu qualifiées ; des effets d’entraînement entraînent aussi une baisse des salaires des professions qualifiées.
- Exposition des non‑routiniers : l’automatisation des tâches routinières fragilise la rémunération même des travailleurs qui réalisent majoritairement des tâches non‑routinières — l’exposition est partielle mais économiquement significative.
- Analyse normative sur la fiscalité : contrairement aux autres technologies d’automatisation, l’IA peut substituer des tâches cognitives complexes exercées par des travailleurs qualifiés ; en conséquence, une subvention à l’IA peut être socialement optimale puisqu’elle réduit les inégalités de revenu.
Data & Methods
- Approche mixte : combinaison d’analyses théoriques et empiriques.
- Théorie : modèles d’équilibre général et cadres tâches–emplois pour étudier effets d’ajustement, distributionnels et de substitution travail–capital/technique.
- Empirie : régressions au niveau individuel et agrégé, méthodes économétriques quasi‑expérimentales (diff‑en‑diff, contrôles de panel, instruments lorsque pertinent) et décompositions distributionnelles.
- Sources et mesures : utilisation de bases de données sur les tâches et occupations (indicateurs d’exposition à l’automatisation/IA), données administratives ou en panel sur salaires et heures travaillées, et séries sectorielles sur l’adoption technologique.
- Identification : exploitation de variations d’adoption technologique entre secteurs/occupations et de chocs technologiques pour isoler effets causaux sur heures et salaires.
Implications for AI Economics
- Politique active : la recommandation normative (subventionner l’IA) remet en cause les prescriptions courantes visant à taxer l’automatisation — il faut intégrer l’effet distributif spécifique de l’IA (substitution des travailleurs très rémunérés).
- Mesure et surveillance : nécessité d’affiner les indicateurs d’« exposition à l’IA » (tâches cognitives complexes) pour mieux cibler politiques de formation, redistribution et filet social.
- Redistribution et marché du travail : politiques de redistribution et programmes de reconversion doivent tenir compte d’effets d’entraînement vers le bas des salaires chez les qualifiés, pas seulement des pertes d’emploi chez les moins qualifiés.
- Recherche future : approfondir les effets dynamiques (innovation, création d’emplois nouveaux), l’hétérogénéité intersectorielle et firmes‑par‑firmes, et tester empiriquement la robustesse de la prescription de subvention dans différents cadres institutionnels.
Assessment
Paper Typequasi_experimental
Evidence Strengthmedium — The thesis combines theoretical models and multiple empirical analyses across macro and micro data, which supports triangulation; however, the summary does not lay out crisp causal identification (no explicit instruments, randomized variation, or pre-registered natural experiments described), leaving potential for omitted variable bias and confounding in observational estimates.
Methods Rigormedium — The work spans theory, micro and macro econometrics, and normative calibration, suggesting substantive methodological effort and breadth; but the absence of specifics about identification strategies, robustness checks, or data sources in the summary prevents rating the rigor as high.
SampleAggregate macro-level labor market data (hours, employment) and micro-level worker data on wages and hours drawn from household or administrative labor force datasets, combined with occupation-task measures (e.g., routine-task indices or AI-suitability scores) and technology adoption or patent/automation indicators; normative results rely on calibrated economic models. Exact countries, time periods, and data sources are not specified in the summary.
Themeslabor_markets inequality productivity adoption governance
IdentificationNot fully specified in the summary; appears to rely on observational econometric approaches exploiting cross-occupation and cross-region variation in exposure to automation (routine-task intensity and AI-capability measures), along with technological shocks and possibly panel specifications (e.g. fixed effects, difference-in-differences-style comparisons) and calibrated general-equilibrium models for normative analysis. No explicit randomized or clearly described instrument-based identification is reported in the abstract.
GeneralizabilityUnclear which countries/time periods are analyzed — results may be specific to the national contexts studied, Potential measurement error in distinguishing 'AI' from broader automation technologies limits applicability to current frontier AI, Observational identification may not fully address confounding, limiting causal generalization, Aggregate analyses may mask firm- or sector-level heterogeneity in AI impacts, Normative model conclusions depend on calibration choices and simplifying assumptions
Claims (4)
| Claim | Direction | Outcome | Confidence & Evidence | Details |
|---|---|---|---|---|
| Les technologies d'automatisation amplifient l’impact des chocs technologiques sur les heures de travail. Employment | negative | heures de travail |
Reading fidelity
high
Study strength
medium
|
not reported
|
| Les technologies d'automatisation exercent une pression à la baisse non seulement sur les salaires des professions peu qualifiées, comme souvent documenté, mais aussi sur ceux des professions qualifiées, via des effets d'entraînement. Wages | negative | salaires (rémunération) |
Reading fidelity
high
Study strength
medium
|
not reported
|
| L’automatisation des tâches routinières fragilise la rémunération des travailleurs, même lorsqu’ils exercent majoritairement des activités non routinières, révélant ainsi une exposition partielle des travailleurs non routiniers mais significative à l’automatisation. Wages | negative | rémunération des travailleurs (salaires) |
Reading fidelity
high
Study strength
medium
|
not reported
|
| Il serait optimal de subventionner l’IA, car en se substituant aux travailleurs les mieux rémunérés, elle tend à réduire les inégalités de revenus. Inequality | positive | inéqualities de revenus |
Reading fidelity
high
Study strength
speculative
|
not reported
|