Méthode & Sources — Indice IA

"I wanted to understand which jobs are most exposed to AI, using real employment data rather than speculation."

Idée originale : joshkale.github.io/jobs — inspirée du travail d'Andrej Karpathy sur les données BLS américaines. Ce projet est une adaptation française avec les données officielles françaises. Code source : github.com/karpathy/jobs (MIT).

Données

228 métiers analysés

28,7M emplois couverts

5,4/10 score moyen pondéré

35,5% emplois très exposés (≥7)

FAP 2021 — Familles Professionnelles

DARES / Ministère du Travail · data.gouv.fr

Nomenclature de référence des 228 familles professionnelles françaises. Résulte du croisement entre la classification PCS (INSEE) et le ROME (France Travail). Licence Etalab (open data).

EEC 2024 — Enquête Emploi en Continu

INSEE · data.gouv.fr

Effectifs par profession et catégorie socioprofessionnelle (PCS), résultats annuels 2024. Source de référence pour les volumes d'emploi par métier en France.

Méthode de scoring

Chaque métier a été scoré par le modèle Claude Sonnet 4.5 (Anthropic) sur une échelle de 0 à 10, représentant l'exposition des tâches à l'automatisation par l'IA générative.

Le prompt utilisé :

    Métier : [libellé FAP]

    Domaine : [domaine FAP]

    Sur une échelle de 0 à 10, évalue l'exposition de ce métier à l'IA générative :

    - 0 = aucune tâche automatisable par l'IA actuelle

    - 5 = environ la moitié des tâches exposées

    - 10 = quasi-totalité des tâches automatisables

    Réponds uniquement avec : {"score": X.X, "reasoning": "..."}

Chaque métier a été scoré indépendamment, en batch de 10, sans contexte inter-métiers pour éviter les biais de comparaison. 228 appels API au total.

Échelle de score

Score	Couleur	Interprétation
0 – 2	Vert foncé	Très faible exposition — tâches manuelles, relationnelles, créatives non-reproductibles
3 – 4	Vert clair	Faible exposition — certaines tâches assistables mais le cœur du métier reste humain
4 – 6	Jaune	Exposition modérée — mix de tâches exposées et non-exposées
6 – 7	Orange	Forte exposition — majorité des tâches partiellement automatisables
8 – 10	Rouge	Très forte exposition — tâches majoritairement reproductibles par l'IA

Limites & précautions

Les scores reflètent l'exposition des tâches, pas la probabilité de remplacement — un métier exposé peut évoluer plutôt que disparaître.
Le scoring LLM est une approximation. Des experts sectoriels pourraient nuancer les résultats.
Les effectifs EEC 2024 sont des estimations basées sur des enquêtes, avec des marges d'erreur selon les métiers.
Le niveau d'exposition évolue rapidement avec les capacités des modèles — ce snapshot date de mars 2026.
Les FAP regroupent des métiers parfois hétérogènes : le score représente la famille, pas chaque variante du poste.

Code source

Le code de ce projet est disponible sur github.com/YannDecoopman/indice-ia. Scripts Python de collecte + scoring, visualisation D3.js v7. MIT License.

Le treemap D3.js est adapté du projet original de Karpathy (github.com/karpathy/jobs), lui-même sous licence MIT.