Comment nous évaluons l'impact de l'IA sur les métiers
Contrairement aux approches simplistes qui donnent un seul pourcentage d'automatisation, nous distinguons deux dimensions fondamentales de l'impact de l'IA sur chaque tâche.
Mesure dans quelle proportion l'IA peut réaliser cette tâche de manière autonome. Un indice de 80% signifie que l'IA produit un résultat équivalent dans 80% des cas, sans intervention humaine.
Ex: Saisie de données, tri d'emails, génération de rapports standards
Mesure le potentiel d'augmentation par l'IA. Un indice élevé signifie que l'IA peut significativement améliorer la productivité ou la qualité du travail humain.
Ex: Diagnostic médical assisté, rédaction augmentée, analyse de données
Les deux scores sont combinés dans un cadran à 4 zones qui permet de visualiser la position d'un métier face à l'IA.
Faible IA seule, faible augmentation. Métiers peu impactés par l'IA actuelle (ex: plombier, infirmier).
Faible IA seule, forte augmentation. L'IA amplifie les capacités humaines (ex: médecin, avocat, développeur).
Forte IA seule, forte augmentation. L'IA transforme les tâches clés du métier — c'est la zone de transformation prioritaire (ex: comptable, opérateur de saisie, designer).
Forte IA seule, faible augmentation. L'IA peut réaliser ces tâches sans apporter de valeur complémentaire au collaborateur (ex: télévendeur, trieuse industrielle).
Notre scoring V5 distingue deux types d'assistance IA et intègre le coût de vérification humaine pour des scores plus réalistes.
Formule V5
Assistance_effective = (E1 + E2 × adoption_outils) × (1 - coût_vérification)Indice = Élimination + (1 - Élimination) × Assistance_effectiveE1 mesure l'aide d'un LLM seul (rédaction, analyse, traduction). E2 mesure l'aide d'un LLM combiné à des outils externes (agents code, RPA, CRM). Le coût de vérification (workslop) réduit l'assistance réelle car un humain doit toujours vérifier.
| Métier | IA seule | Augmentation | Indice de transformation |
|---|---|---|---|
| Opérateur de saisie | 85% | 10% | 87% |
| Développeur web | 20% | 60% | 68% |
| Infirmier | 5% | 15% | 19% |
Toutes les tâches d'un métier n'ont pas le même poids. Nous utilisons deux critères pour pondérer leur impact sur le score global.
De marginale (1) à critique (5) pour le métier. Une tâche critique pèse plus dans le score final.
De rare/annuelle (1) à continue/quotidienne (5). Une tâche fréquente impacte davantage le quotidien.
Calcul du poids
Poids = Importance × FréquenceLes LLM peuvent donner des réponses variables. Pour garantir la fiabilité de nos indices, nous utilisons une approche multi-run.
Nous utilisons un grand modèle de langage dans une version figée pour assurer la reproductibilité des indices dans le temps.
Nous appliquons des corrections basées sur la catégorie du métier pour corriger les biais systématiques du LLM.
Comptable, secrétaire, téléconseiller
Ingénieur, avocat, médecin
Plombier, électricien, chauffeur
Infirmier, aide-soignant, éducateur
Designer, artiste, rédacteur
Vendeur, commercial, agent immobilier
Manager, chef de projet, RH
Notre analyse s'appuie sur les référentiels métiers les plus complets et les études scientifiques de référence.
Référentiel français des métiers (France Travail). 532 fiches métiers, 11 000 appellations, tâches détaillées.
Base américaine du Department of Labor. 1 000+ occupations avec compétences, tâches et contexte de travail.
Classification européenne multilingue. Harmonisation des métiers et compétences à l'échelle UE.
Eloundou, T., Manning, S., Mishkin, P., & Rock, D. (2023).
GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models.
OpenAI Research. arXiv:2303.10130
openai.com/research/gpts-are-gpts →Frey, C. B., & Osborne, M. A. (2017).
The future of employment: How susceptible are jobs to computerisation?
Technological Forecasting and Social Change, 114, 254-280.
doi.org/10.1016/j.techfore.2016.08.019 →Briggs, J., & Kodnani, D. (2023).
The Potentially Large Effects of Artificial Intelligence on Economic Growth.
Goldman Sachs Global Economics Research.
goldmansachs.com →International Labour Organization (2024).
Generative AI and Jobs: A global analysis of potential effects on job quantity and quality.
ILO Working Paper 96.
ilo.org →Nedelkoska, L., & Quintini, G. (2018).
Automation, skills use and training.
OECD Social, Employment and Migration Working Papers, No. 202.
doi.org/10.1787/2e2f4eea-en →Microsoft Research (2025).
New Future of Work Report 2025.
Microsoft Research Technical Report.
microsoft.com/research →Nos scores sont calibrés sur 42 métiers de référence (anchors) couvrant 7 catégories, avec des cibles issues de 7 études académiques de référence.
Indice technique : ce que l'IA PEUT faire théoriquement
Indice réaliste : ce qui SE PASSE, après coefficient d'adoption pays/secteur et friction réglementaire