L’IA va-t-elle remplacer les physiciens ? Calculs et revues de littérature s’accélèrent ; choisir ce qu’un modèle peut négliger sans risque, non.
Les physiciens garderont leur valeur même si l’IA accélère les revues de littérature et les calculs, car la profession repose toujours sur la capacité à décider quelle question compte, quelles hypothèses peuvent être justifiées et ce que signifient les écarts observés. Les plus solides seront ceux qui comprennent le sens d’un modèle au lieu de se contenter d’utiliser l’outil.
Les physiciens font bien plus que manipuler des équations. Leur rôle consiste à décider ce qui peut être simplifié, ce qui constitue une approximation valable, et comment relier théorie, expérience, mesure et simulation pour expliquer un phénomène.
L’IA excelle dans l’organisation de la littérature, l’aide au calcul symbolique et l’appui aux simulations, mais décider si une hypothèse est intéressante, si ses prémisses sont justifiées et comment interpréter les écarts entre prédiction et données reste une tâche humaine.
Calculé par ai-job-risk.net à partir de quatre jeux de données publics, sur une échelle de 0 à 100 relative aux 188 métiers que nous couvrons. Plus le chiffre est élevé, plus les tâches du métier sont des tâches que l’IA générative peut accomplir ou pour lesquelles elle est déjà utilisée. Ce n’est pas une probabilité de perdre son emploi.
Analyse des tâches par des chercheurs (Eloundou et al. ; OIT). Exprimée en centile parmi tous les métiers qu’ils évaluent.
Usage observé de Microsoft Copilot et d’Anthropic Claude pour les tâches de ce métier. Exprimé en centile parmi tous les métiers qu’ils évaluent.
Le BLS n’indique aucun facteur propre à ce métier : la projection suit donc surtout la croissance ou le recul des secteurs qui l’emploient.
Chiffres américains pour la catégorie professionnelle du BLS « Physicists ». Les projections du BLS supposent que la technologie continue d’évoluer à son rythme historique ; elles ne constituent pas une prévision de l’effet de l’IA à elle seule.
Sources
Indice d’exposition calculé par ai-job-risk.net à partir des jeux de données ci-dessous (données au 15 octobre 2026). Les chiffres du travail américains proviennent du BLS, sans modification.
Les éditeurs de ces données n’ont ni préparé, ni relu, ni approuvé ce site. Citations complètes, licences et méthode
La physique va au-delà de la résolution de formules. Sa vraie valeur consiste à décider ce qui doit rester dans un modèle, ce qui peut être négligé sans perdre l’essence d’un phénomène, et comment structurer l’explication et la prédiction.
L’IA peut accélérer les calculs et les revues de littérature, mais la recherche dépend toujours de la capacité à se demander pourquoi l’on fait telle hypothèse et ce que signifie réellement un résultat. C’est pourquoi les physiciens gardent leur valeur grâce à leur aptitude à poser la bonne question et à juger de la qualité d’un modèle.
En physique, le travail fondé sur des règles, comme l’organisation des théories existantes ou l’exécution de calculs standard, se prête bien à l’IA. La préparation et les calculs répétitifs figurent parmi les domaines les plus susceptibles d’être automatisés.
L’IA peut rapidement organiser des articles et résumer les grandes théories existantes ainsi que les principaux travaux antérieurs. Au démarrage d’un projet, dresser un tableau approximatif de la littérature est de plus en plus facile à automatiser.
Suivre des dérivations connues, vérifier l’algèbre et harmoniser les notations sont des tâches que l’IA et les outils de calcul symbolique peuvent traiter efficacement. Ces étapes de calcul répétitives sont faciles à automatiser.
Lorsqu’il s’appuie sur des modèles connus, le squelette structurel d’un code de simulation est de plus en plus facile à générer avec l’IA. Le temps d’implémentation s’en trouve réduit, ce qui laisse davantage de place à la vérification des hypothèses physiques.
Transformer des journaux d’expérience en tableaux et graphiques lisibles est facile à automatiser lorsque les conditions de mesure sont déjà fixées. Le volet répétitif de l’organisation des résultats devrait continuer de se réduire.
Ce qui reste aux physiciens, ce n’est pas d’exécuter des calculs plus vite, mais de décider quelles hypothèses saisissent l’essence d’un phénomène. Les choix portant sur ce qu’il faut garder, ce qu’il faut écarter et la manière d’interpréter un désaccord entre théorie et expérience restent fondamentalement humains.
La valeur d’un projet dépend largement de la question posée. Décider de ce qu’il faut idéaliser et des conditions qu’il ne faut surtout pas ignorer reste au cœur de la physique.
Lorsque les données s’écartent des attentes, il faut encore que quelqu’un juge si la différence relève du bruit de mesure, d’un problème d’implémentation ou du signe d’un phénomène nouveau. Cette posture d’interprétation reste humaine.
Le bon degré de simplification dépend du problème de recherche. Décider quelle précision on peut sacrifier pour rendre un problème traitable reste un choix de conception qui ne peut pas être entièrement automatisé.
Appliquer des modèles physiques aux matériaux, à l’électronique ou à la science des données exige un travail de traduction conceptuelle. Ce travail de passerelle reste une responsabilité humaine.
À mesure que l’usage de l’IA se répand, les physiciens ont besoin de plus que de la technique mathématique. Il leur faut la capacité à formuler le sens et les limites des modèles tout en circulant entre théorie, expérience et explication.
Il reste important de concevoir le modèle lui-même, c’est-à-dire de décider ce que l’on représente et ce qui peut être laissé de côté. À mesure que l’IA accélère les calculs, la valeur du choix du bon modèle augmente.
Les physiciens doivent toujours juger si des différences sont significatives en traitant correctement les erreurs de mesure et les fluctuations statistiques. Cela reste indispensable pour aboutir à des conclusions fiables.
Même lorsque l’IA aide à écrire le code, les physiciens doivent toujours décider quelles conditions simuler, comment valider les résultats et lesquels méritent qu’on leur fasse confiance.
Un travail très abstrait peut perdre de sa valeur si les autres ne parviennent pas à en comprendre l’objectif, les hypothèses et la portée. La capacité à expliquer clairement la conception d’une recherche reste un atout majeur.
L’expérience de la physique se transpose bien aux métiers de la simulation, de l’analyse de données, de l’enseignement, de la rédaction technique et de l’ingénierie. Il est souvent réaliste d’emporter une manière de penser de physicien dans des domaines pratiques voisins.
L’expérience de la construction de modèles et l’habitude de réfléchir explicitement aux hypothèses deviennent souvent un atout majeur en science des données.
Indice d’exposition 95/100 · Emploi É.-U. 2025–35 +34,6%
La capacité à dégager une structure significative de phénomènes complexes fonctionne bien aussi dans les fonctions d’analyse en entreprise.
Indice d’exposition 95/100 · Emploi É.-U. 2025–35 +34,6%
L’habitude de penser le comportement d’un système à partir des principes physiques sous-jacents mène naturellement aux métiers de l’électricité et des composants.
Indice d’exposition 58/100 · Emploi É.-U. 2025–35 +9,9%
L’expérience acquise à expliquer par étapes des idées très abstraites donne aux physiciens une base solide pour les métiers de l’enseignement.
Indice d’exposition 61/100 · Emploi É.-U. 2025–35 -0,4%
La capacité à exprimer clairement des hypothèses difficiles et le sens des modèles a aussi de la valeur dans la documentation technique.
Indice d’exposition 96/100 · Emploi É.-U. 2025–35 +0,8%
Les physiciens garderont leur valeur même si l’IA accélère les revues de littérature et les calculs, car la profession repose toujours sur la capacité à décider quelle question compte, quelles hypothèses peuvent être justifiées et ce que signifient les écarts observés. Les plus solides seront ceux qui comprennent le sens d’un modèle au lieu de se contenter d’utiliser l’outil.
Ces métiers appartiennent au même secteur que Physicien. Ils ne recouvrent pas exactement le même travail, mais ils permettent de comparer plus facilement l’exposition à l’IA et la proximité de parcours.
Physicien obtient 84 sur 100 sur notre indice d’exposition à l’IA générative (rang 60 sur 188). Cela mesure quelle part du travail l’IA peut accomplir ou sert à accomplir, et non si le métier va disparaître. Le BLS prévoit une évolution de +7,2% de l’emploi de Physicien aux États-Unis entre 2025 et 2035.
En physique, le travail fondé sur des règles, comme l’organisation des théories existantes ou l’exécution de calculs standard, se prête bien à l’IA. La préparation et les calculs répétitifs figurent parmi les domaines les plus susceptibles d’être automatisés. Par exemple : Les premières revues de littérature sur les théories connues; Le développement et la vérification d’équations standard; L’ébauche de la structure des codes de simulation; La mise en forme des journaux de mesure et des visualisations standard.
Ce qui reste aux physiciens, ce n’est pas d’exécuter des calculs plus vite, mais de décider quelles hypothèses saisissent l’essence d’un phénomène. Les choix portant sur ce qu’il faut garder, ce qu’il faut écarter et la manière d’interpréter un désaccord entre théorie et expérience restent fondamentalement humains. Par exemple : Concevoir les hypothèses et les prémisses; Interpréter les écarts entre théorie et expérience; Choisir l’équilibre entre simplicité et précision; Traduire les concepts d’une discipline à l’autre.
À mesure que l’usage de l’IA se répand, les physiciens ont besoin de plus que de la technique mathématique. Il leur faut la capacité à formuler le sens et les limites des modèles tout en circulant entre théorie, expérience et explication. Par exemple : La conception de modèles; L’analyse des erreurs et la statistique; La programmation et la pratique de la simulation; Expliquer clairement la structure d’une recherche.
