Andrej Karpathy, a co-founder of OpenAI, spent a Saturday morning in March 2026 on a small side project: he had an LLM score how "digitally exposed" a few hundred U.S. occupations are, on a 0-to-10 scale. Software developers landed at 9 out of 10. The story spread fast, and by the next morning Karpathy had taken it down (it has since been restored with added disclaimers). He said it had been "wildly misinterpreted," even though the project notes explicitly warned that a high score did not mean a job would disappear.
La façon dont les scores de risque IA pour l'emploi sont calculés compte davantage que le chiffre mis en avant. Le projet de Karpathy, Goldman Sachs, le Fonds monétaire international (FMI) et Anthropic utilisent tous des constructions différentes de l'« exposition », si bien que leurs pourcentages ne sont pas interchangeables.
Une même profession peut obtenir des scores très différents selon la méthode employée, et aucune de ces mesures, prise isolément, ne vous dit si vous allez perdre votre emploi.
En bref
- Les chiffres publics de « risque IA pour l'emploi » ne forment pas une seule métrique. Beaucoup partent d'une exposition théorique fondée sur les aptitudes ou les tâches d'un métier, tandis qu'Anthropic mesure aussi l'usage observé de l'IA ; les enquêtes auprès des employeurs, comme celle du Forum économique mondial, utilisent encore un autre instrument.
- Les mesures théoriques et les mesures d'usage observé peuvent fortement diverger pour une même profession. Dans la comparaison d'Anthropic de mars 2026, la mesure théorique d'Eloundou et al. plaçait les tâches en informatique et mathématiques à 94 % d'exposition, tandis que la mesure d'exposition observée d'Anthropic atteignait 33 %.
- Une étude évaluée par les pairs publiée en 2025 dans PNAS Nexus a comparé douze scores d'exposition au risque de chômage et a constaté que le meilleur score individuel expliquait à lui seul 10,7 % de la variation ; la combinaison des douze faisait monter ce chiffre à 29,8 %.
- Avant de faire confiance au prochain chiffre de « risque IA pour l'emploi » que vous verrez, la question utile est de savoir quelle méthode l'a produit, et pas seulement ce que dit le chiffre.
Ce que cet article n'aborde pas
Cet article explique un mécanisme, il ne rend pas de verdict sur un métier précis. Quelques questions voisines restent donc hors de son périmètre :
- Il ne classe pas les professions les plus sûres ou les plus menacées. C'est un autre type d'article.
- Il n'analyse pas les tendances actuelles de l'embauche par âge ou par ancienneté ; ces résultats du marché du travail exigent une base de preuves distincte des scores d'exposition.
- Il ne prédit pas où iront les capacités de l'IA. La question méthodologique reste valable quelle que soit la qualité des futurs modèles.
Comment fonctionne le scoring d'exposition théorique : O*NET, AIOE, Goldman Sachs et le FMI
L'indice AI Occupational Exposure, dit AIOE, croise dix catégories d'applications de l'IA avec 52 aptitudes professionnelles issues d'O*NET. Une matrice construite par crowdsourcing évalue le lien entre chaque application de l'IA et chaque aptitude humaine, puis le score est pondéré par la fréquence et l'importance de ces aptitudes dans une profession donnée. Les économistes Edward Felten, Manav Raj et Robert Seamans ont publié la méthode dans le Strategic Management Journal en 2021. Elle est devenue l'un des fondements influents des tentatives ultérieures de mesure de l'exposition professionnelle à l'IA.
Ce qu'il faut retenir de l'AIOE, c'est qu'il mesure une exposition, pas une adoption. Il estime à quel point les progrès des applications de l'IA recoupent les aptitudes qu'exige une profession ; il ne dit pas si les employeurs y utilisent l'IA, si l'adoption est économiquement rentable, ni si l'emploi va reculer.
Le FMI a adapté la mesure d'exposition de Felten, Raj et Seamans dans une note de discussion des services de janvier 2024 et l'a associée à un indice de complémentarité distinct, qui rend compte de la mesure dans laquelle une profession est protégée d'une substitution pure et simple par des facteurs comme le jugement humain, le contexte social et la présence physique. Avec ce cadre, le FMI a estimé que près de 40 % de l'emploi mondial se situe dans des professions fortement exposées, et jusqu'à environ 60 % dans les économies avancées.
L'analyse de Goldman Sachs d'avril 2026 franchit une étape similaire : elle combine un score de déplacement par l'IA existant avec l'indice de complémentarité des économistes du FMI pour distinguer la substitution probable de l'augmentation. Goldman estime un frein net d'environ 16 000 emplois par mois sur la croissance de l'emploi salarié américain au cours de l'année écoulée, tandis que les professions à potentiel d'augmentation par l'IA ont ajouté environ 9 000 emplois par mois.
Remarque : Le rapport Future of Jobs du Forum économique mondial prévoit 92 millions d'emplois déplacés et 170 millions créés d'ici 2030, mais il n'est pas du tout construit de la même manière. Il repose sur une enquête auprès de plus de 1 000 employeurs déclarant les variations d'effectifs qu'ils anticipent : une auto-déclaration des employeurs, pas un scoring par décomposition des tâches. Deux instruments structurellement différents finissent cités dans la même phrase en « X millions d'emplois ».
Comment Anthropic mesure différemment l'« exposition observée »
L'Economic Index d'Anthropic, publié pour la première fois en février 2025, part d'un type de données complètement différent : environ un million de conversations réelles sur Claude.ai, passées dans un outil interne appelé Clio qui associe chaque conversation à une tâche précise de la même base O*NET que celle utilisée par les scores de décomposition des tâches, sans qu'un chercheur ne lise l'échange sous-jacent. Là où l'AIOE demande si l'IA pourrait plausiblement effectuer une tâche, l'Index demande ce que les gens lui demandent de faire. Ce premier rapport répartissait les conversations entre 57,4 % d'augmentation, où Claude assiste tandis qu'une personne dirige toujours le travail, et 42,6 % d'automatisation, où Claude effectue en pratique la tâche de bout en bout.
Dans son suivi de mars 2026, Anthropic a transformé ces données d'usage en une nouvelle mesure d'« exposition observée ». Elle part des tâches O*NET et des estimations théoriques d'exposition des tâches d'Eloundou et al. (2023), puis ne compte une tâche comme couverte que si elle apparaît assez souvent dans l'usage professionnel de Claude. Les usages entièrement automatisés reçoivent un poids plein, les usages d'augmentation un demi-poids, et la couverture des tâches est pondérée par la part de temps que les travailleurs consacrent à chaque tâche. Dans les professions en informatique et mathématiques, la mesure théorique β d'Eloundou et al. atteint 94 % des tâches, tandis que la mesure d'exposition observée d'Anthropic atteint 33 %. L'écart n'est pas une contradiction : l'une mesure la faisabilité technique, l'autre y ajoute l'adoption et l'usage observés.
Tout le monde n'a pas pris la comparaison des rapports d'Anthropic pour argent comptant. En réaction à un rapport connexe de janvier 2026, un commentateur de Hacker News a écrit : « Je m'attendais à voir des mesures de la productivité économique générée par l'usage de l'intelligence artificielle. À la place, ce que je vois, ce sont des mesures de l'usage de l'intelligence artificielle. » C'est une distinction qu'il vaut la peine de garder en tête : le volume d'usage et la productivité économique ne sont pas la même chose, et aucun des deux n'équivaut à une perte d'emploi.
Ce rapport de janvier 2026, la mise à jour sur les primitives économiques d'Anthropic, montre que la répartition augmentation-automatisation avait encore bougé : l'augmentation en tête à 52 % des conversations contre 45 % d'automatisation, aux côtés d'un nouveau cadre en cinq volets suivant la complexité des tâches, les compétences, le cas d'usage, l'autonomie de l'IA et la réussite des tâches. Voyez-y un nouvel instantané d'un indice qui évolue, pas une contradiction des chiffres de février 2025. Les usages changent à mesure que les gens trouvent de nouvelles choses à déléguer.
Un chiffre d'exposition théorique de 94 % et un chiffre d'exposition observée de 33 % peuvent décrire la même catégorie professionnelle sans se contredire, parce qu'ils mesurent des choses différentes.
Pourquoi « exposition » ne veut pas dire « perte d'emploi »
« Les indicateurs d'exposition révèlent une susceptibilité technologique, pas des résultats sur le marché du travail. »
Organisation internationale du Travail, avril 2026
Un score d'exposition théorique et un score d'exposition observée saisissent tous deux quelque chose de réel dans le rapport d'un métier aux capacités de l'IA. Aucun des deux ne vous dit si ce métier existera encore l'an prochain.
En 2025, Morgan Frank, Yong-Yeol Ahn et Esteban Moro ont testé cet écart sur les données de chômage américaines. Ils ont comparé douze scores d'exposition publiés au risque de chômage mensuel par profession et par État, construit à partir des registres d'assurance chômage des États. Le meilleur score individuel expliquait 10,7 % de la variation du risque de chômage entre professions, États et mois ; l'ensemble des douze scores en expliquait 29,8 %. Un modèle de référence fondé sur les exigences de compétences des professions, le niveau d'études, l'État, l'année et la saisonnalité en expliquait 57,4 %, et l'ajout de l'ensemble des scores d'exposition portait ce chiffre à 75,5 %.
Dit simplement, un score d'exposition isolé est un faible prédicteur du risque de chômage. Une part bien plus grande de la variation est liée à la structure du marché du travail que le score ne contient pas, dont les exigences de compétences, le niveau d'études, la géographie et la saisonnalité.
| Dimension | Exposition théorique / fondée sur les tâches | Exposition observée (Anthropic) |
|---|---|---|
| Ce que ça mesure | Quelle part d'un métier l'IA pourrait potentiellement affecter ou accélérer | Quelles tâches théoriquement faisables apparaissent dans l'usage professionnel de Claude |
| Qui l'utilise | Utilisée dans plusieurs cadres d'exposition académiques et institutionnels | Anthropic, pour l'usage de son propre Claude.ai |
| Source des données | Composantes des métiers O*NET plus des évaluations de capacités de l'IA propres à chaque méthode | Usage de Claude plus tâches O*NET et faisabilité théorique |
| Ce qu'elle capte bien | Où les capacités de l'IA pourraient potentiellement affecter le travail | L'adoption observée et la façon dont le travail est délégué à Claude |
| Ce qui lui échappe | La demande, le coût, la réglementation, et si quelqu'un s'en donne la peine | L'usage hors Claude ; reflète les utilisateurs d'un seul produit |
| Chiffre d'exemple | Informatique & mathématiques : 94 % théorique (Eloundou et al.) | Informatique & mathématiques : 33 % observé |
Publié en avril 2026, le cadre AI Jobs Transition Framework d'OpenAI fait la même observation sous un autre angle. Au lieu de traiter l'exposition technique comme une prévision de déplacement, il pose trois questions : l'IA peut-elle réaliser une part significative des tâches d'une profession, une personne reste-t-elle centrale pour livrer ou superviser le travail, et la baisse des coûts pourrait-elle accroître la demande assez pour absorber le gain de productivité ? Appliqué à 921 professions couvrant environ 148 millions d'emplois américains, le cadre place environ 18 % des emplois dans la catégorie à risque d'automatisation plus élevé, 24 % dans des emplois susceptibles de se réorganiser, 12 % dans des emplois qui pourraient croître avec l'IA et 46 % dans des emplois qui devraient connaître moins de changements immédiats.
Dans l'étude PNAS Nexus, le score d'exposition individuel le plus fort expliquait à lui seul 10,7 % de la variation du risque de chômage.
Alors, quand le prochain chiffre de « risque IA pour l'emploi » passera dans votre fil, le bon réflexe est de déterminer laquelle de ces méthodes l'a produit avant de décider s'il faut s'inquiéter. Un score d'exposition théorique vous dit où les capacités de l'IA recoupent les composantes d'un métier. Un score d'exposition observée ajoute des preuves sur les endroits où les gens utilisent déjà l'IA en pratique. Aucun des deux, seul, ne vous dit si l'emploi dans cette profession va augmenter ou diminuer ; cela exige des données du marché du travail sur l'embauche, la demande, les salaires et les effectifs.
Foire aux questions
L'exposition d'un emploi à l'IA équivaut-elle à une perte d'emploi ?
Non. L'exposition théorique décrit où les capacités de l'IA recoupent le travail d'un métier, tandis que l'exposition observée ajoute des preuves sur les endroits où l'IA est utilisée en pratique. Aucune des deux n'est une mesure directe de la perte d'emploi. Une étude évaluée par les pairs de 2025 l'a testé directement en confrontant douze scores d'exposition aux données réelles de demandes d'assurance chômage aux États-Unis : le meilleur score individuel expliquait à lui seul 10,7 % de la variation du risque de chômage.
Comment le risque IA pour l'emploi est-il réellement calculé ?
Plusieurs méthodes se cachent derrière les chiffres étiquetés « risque IA pour l'emploi ». Les méthodes d'exposition théorique décomposent les professions en aptitudes ou en tâches O*NET et notent à quel point les capacités de l'IA les recoupent ; la méthode exacte de notation varie selon l'étude. L'approche d'exposition observée d'Anthropic combine la faisabilité théorique des tâches avec l'usage réel de Claude, le contexte de travail et le degré d'automatisation. Les chiffres obtenus diffèrent parce qu'ils mesurent des étapes différentes entre la possibilité technique et l'adoption réelle.
Pourquoi les classements de risque IA pour l'emploi divergent-ils sur un même métier ?
En partie parce qu'ils reposent sur des méthodes structurellement différentes (décomposition des tâches, enquête auprès des employeurs et usage observé répondent à des questions différentes), et en partie parce qu'une même méthode évolue dans le temps. L'Economic Index d'Anthropic lui-même plaçait l'augmentation à 57,4 % des conversations Claude en février 2025 et à 52 % dans son rapport de janvier 2026, l'automatisation évoluant en conséquence. Un instantané à une date donnée n'est pas une loi fixe.
Un score d'exposition à l'IA élevé signifie-t-il que mon métier disparaît ?
Pas en soi. Andrej Karpathy, qui a retiré son propre projet viral d'exposition à l'IA en mars 2026, a écrit directement dans son propre README que les scores sont des « estimations approximatives par LLM… pas des prédictions rigoureuses » et que les métiers très exposés seront le plus souvent « remodelés, pas remplacés ». La comparaison d'Anthropic rend la distinction visible : en informatique et mathématiques, la mesure théorique d'Eloundou et al. atteint 94 %, tandis que la mesure d'exposition observée d'Anthropic atteint 33 %. Un chiffre élevé sur une échelle de capacités n'est pas la même chose qu'un métier repris par la machine.
Discussion
Commentaires
Connectez-vous pour participer à la discussion.