Pistes de réinvention
| Métier | Domaine | Score pondéré | Salaire | Effectifs | Réinvention |
|---|
De l'exposition à la perte d'emploi. L'adoption de l'IA s'accélère et transforme le travail, mais l'impact net sur l'emploi reste incertain. Cette timeline retrace les signaux observés en France et en Europe entre 2022 et 2025, classés par niveau de preuve.
12 indicateurs clés sur le déplacement d'emploi, les salaires et l'adoption de l'IA en France. Cliquez sur une tuile pour dérouler les sources et la méthodologie. Les chiffres sont des moyennes pondérées recalculées en temps réel à partir de sources académiques et institutionnelles. Mis à jour avec McKinsey MGI nov. 2025 · PwC 2025 · LinkedIn 2025 · Coface/OEM avr. 2026 (T1) · Tetlock et al. mars 2026 (T1) · St. Louis Fed mars 2026 (T1)
Ce que les économistes attendent de la productivité IA. Estimations de probabilité pour la croissance de la productivité totale des facteurs (PTF) en France entre 2025 et 2035 — 5 scénarios probabilisés, croisés avec BCE, OCDE et Banque de France. Mis à jour : McKinsey MGI (nov. 2025) estime que 57% des heures travaillées US sont techniquement automatisables aujourd'hui — signal haussier sur les scénarios d'accélération, mais l'adoption réelle reste contrainte par les rigidités françaises.
Usage des IA génératives en France par tranche d'âge. Sources : Ipsos-CESI (fév. 2025, n=1 048), Ifop-Jedha (oct. 2025, n=1 003, 16-25 ans), Born AI / Heaven (2025, n=495, 18-25 ans). Les données montrent un effet générationnel majeur : les 16-25 ans utilisent l'IA générative deux fois plus que la moyenne nationale.
| Source | Contenu | Millésime | Licence |
|---|---|---|---|
| ROME 4.0 · France Travail | 1 584 fiches métiers, compétences, appellations, codes FAP | 2024 | Licence Ouverte v2.0 |
| EEC · INSEE | Enquête Emploi en Continu : effectifs réels par PCS et FAP | 2024 | Licence Ouverte v2.0 |
| Base Tous Salariés · INSEE | Salaire net médian mensuel par PCS à temps complet | 2023 | Licence Ouverte v2.0 |
| BMO · DARES | Besoins en main-d'œuvre, taux de tension par métier FAP | 2024 | Licence Ouverte v2.0 |
| FAP 2021 · DARES | Nomenclature des 228 familles professionnelles (croisement PCS × ROME) | 2021 | Licence Etalab |
| Ministère de la Justice · Statistiques de la justice 2024 | Effectifs des magistrats (9 300), greffiers (11 000), CPIP (4 400), budget et créations de postes (LFI 2024 · 10 000 emplois d'ici 2027 dont 1 500 greffiers) | 2024 | Licence Ouverte v2.0 |
| CNCEJ · Chambre nationale des experts judiciaires 2024 | ~22 000 experts inscrits sur les listes des cours d'appel. Rapport annuel usages IA des experts judiciaires 2024–2025 | 2024 | Données publiques |
| CNCJ · Chambre nationale des commissaires de justice 2024 | ~4 200 commissaires de justice en France. Profession issue de la fusion huissiers + commissaires-priseurs (ordonnance n°2016-728, entrée en vigueur juillet 2022) | 2024 | Données publiques |
| Décret n°2024-1089 · Corps des cadres greffiers | Création du corps de catégorie A des cadres greffiers des services judiciaires (déc. 2024). Nouveau débouché pour les greffiers via concours ENGreffes | Déc. 2024 | Légifrance · libre accès |
| Acemoglu, Autor, Hazell & Restrepo · J. Labor Econ. 2022 | Données vacances d'emploi US 2010-2018 (near-universe). Résultat : les entreprises exposées à l'IA réduisent certains recrutements mais aucun impact agrégé détectable sur l'emploi ou les salaires au niveau des occupations ou industries. | 2022 · Journal of Labor Economics (peer-reviewed) | T1 |
| Albanesi, Dias da Silva, Jimeno et al. · Economic Policy 2025 | Données zone euro 2011-2019. Résultat clé : les occupations plus exposées à l'IA ont vu leur part d'emploi augmenter, suggérant une complémentarité plutôt qu'une substitution sur cette période. | 2025 · Economic Policy (peer-reviewed) | T1 |
| Aldasoro et al. · BIS/CEPR 2026 | Première preuve causale sur 12 000+ firmes européennes (panel). Résultat : aucune réduction d'emploi à court terme liée à l'adoption de l'IA, avec des gains de productivité significatifs (+10% à +65% selon les tâches). Capital deepening, pas substitution. | 2026 · BIS Working Paper (forthcoming) | T1 |
| Gmyrek, Berg et al. · ILO Working Paper 140 · 2025 | Index mondial affiné d'exposition à la GenAI. Méthodologie hybride : 29 753 tâches (classification polonaise 6 chiffres), enquête auprès de 1 640 travailleurs, validation d'experts internationaux et assistant IA. Scores ISCO-08 à 4 chiffres pour 423 occupations. 4 gradients d'exposition. Résultat clé : 1 travailleur sur 4 dans une occupation exposée, 3,3% dans le gradient le plus élevé. Les femmes (4,7%) davantage exposées que les hommes (2,4%). Accès aux scores par occupation : pgmyrek.github.io/2025_GenAI_scores_ISCO08 | Mai 2025 · ILO Working Paper 140 (peer-reviewed) | T1 |
| OIT · Observatoire IA & Travail numérique | Plateforme de suivi permanent de l'impact de l'IA sur l'emploi mondial. Agrège les publications ILO-NASK, les données d'exposition par occupation, les rapports régionaux et les analyses de dialogue social. Point d'entrée institutionnel pour la recherche BIT sur l'IA et l'emploi. | Mis à jour en continu · ILO · Nations Unies | T2 |
| OIT · Generative AI and Jobs 2025 Update | Mise à jour des estimations 2023 sur 30 000 tâches (ISCO-08 à 6 chiffres). Score moyen d'automatisation légèrement inférieur à 2023 (0,29 vs 0,30). "La plupart des emplois seront transformés, non supprimés." 1 travailleur sur 4 dans une occupation exposée. | Oct. 2025 · OIT · Nations Unies | T2 |
| Nurski & Ruer · Bruegel 2024 | Application de deux indices d'exposition GenAI à l'Enquête européenne sur les forces de travail (EFT). Femmes, diplômés et jeunes plus exposés en Europe. L'analyse par tâche est plus robuste que l'analyse par capacité pour évaluer l'impact réel. | 2024 · Bruegel Working Paper 06/2024 | T2 |
| FMI · AI and Productivity in Europe WP/2025/067 | Effets macroéconomiques de l'IA sur la productivité en Europe. Gains PTF cumulés estimés à 1,1% à moyen terme pour la zone euro. Forte hétérogénéité entre pays · les économies avancées bénéficient davantage. | 2025 · IMF Working Paper | T2 |
| Massenkoff & McCrory · Anthropic 2026 | Observed Exposure : exposition réellement observée sur Claude vs capacité théorique LLM. Données Economic Index (août & nov. 2025, 800+ occupations O*NET). Résultat : 0 impact chômage depuis 2022. Signal précoce : −14% embauches 22-25 ans dans métiers exposés. | Mars 2026 | T1 |
| INSEE · Note de Conjoncture · mars 2026 | Adjerad & Vermersch · Chapitre « IA & emploi numérique » · Données DADS/DSN administratives T4 2025 · France uniquement. Résultats : −7,4 % emploi 15-29 ans informatique, −5,8 % édition, −3,7 % conseil gestion. Ajustement concentré sur les jeunes, concomitant à la diffusion de l'IA générative. Passage à l'échelle macroéconomique reste incertain (Acemoglu 2024). | Mars 2026 · INSEE (Institut National de la Statistique et des Études Économiques) | T1 |
| Brynjolfsson, Chandar & Chen · Stanford/NBER · Nov. 2025 | « Canaries in the Coal Mine » · données admin ADP (plus grand fournisseur paie US, millions de travailleurs, relevés mensuels jusqu'en sept. 2025). Six faits documentés : −16% d'emploi relatif pour les 22-25 ans dans les métiers les plus exposés à l'IA (contrôlé pour les chocs firm-level). Les travailleurs expérimentés dans les mêmes métiers restent stables. Distinction empirique cruciale : les baisses se concentrent sur les usages automatisants de l'IA · dans les usages augmentants, l'emploi croît. Ajustement via l'emploi, pas les salaires (wage stickiness). Signal apparu fin 2022, robuste à l'exclusion des firmes tech et des métiers télétravaillables. | Nov. 2025 · NBER Working Paper (Stanford Digital Economy Lab) | T1 |
| OEM · Observatoire des Emplois Menacés · 2025 | Méthode NLP française alternative et complémentaire : décomposition de chaque tâche en triplets verbe–COD–modificateur via spaCy/Stanza, notation par règles YAML transparentes (sans LLM intermédiaire). 5 scénarios : LLM seul, agents autonomes, workflows automatisés, IAG, robotique humanoïde. Données O*NET (~1 000 métiers). La méthode produit une carte d'exposition territoriale et sépare explicitement substituabilité vs complémentarité. Approche en 4 étapes : (1) propension par tâche, (2) gains productivité à demande constante, (3) évolution de la demande, (4) professions émergentes. Limite : données O*NET américaines transposées à la France. | 2025 · OEM (France) · open access | T3 |
| Loaiza & Rigobon · EPOCH Index · 2024 | Rupture méthodologique par rapport aux indices d'exposition classiques : l'indice EPOCH mesure aussi le potentiel d'augmentation (complémentarité homme-IA), pas seulement le risque de substitution. Méthode : taxonomie des capacités humaines difficilement substituables (empathie, jugement, créativité) évaluées via embeddings sémantiques paraphrasés 20× par ChatGPT. Intègre une structure de complémentarité en réseau : certaines tâches humaines protègent les autres de la substitution totale. Corrèle avec Brynjolfsson 2025 sur la distinction automation/augmentation. | 2024 · SSRN Working Paper | T2 |
| Eloundou et al. · arXiv 2023 | GPTs are GPTs : mesure théorique β ∈ {0, 0.5, 1} par tâche O*NET. Base de tous les scores théoriques. 97% usages Claude dans catégories β≥0.5. | 2023 | T1 |
Chaque métier reçoit un score pondéré multi-sources (0–10) reflétant l'exposition de ses tâches à l'IA générative. Contrairement à un scoring LLM unique, cette approche croise des études académiques, institutionnelles et journalistiques, chacune pondérée par son niveau de preuve et sa récence.
Formule : score = Σ(valeur × poids_tier × poids_récence) / Σpoids · où le poids de récence varie de 1× (source la plus ancienne) à 2× (source la plus récente).
En plus du score d'exposition aux tâches, chaque métier est taggé selon les réglementations françaises et européennes qui contraignent ou transforment l'adoption de l'IA dans cette profession. Le filtre "Réglementation" permet d'isoler les métiers concernés par un cadre réglementaire spécifique.
| Réglementation | Description | Métiers principalement concernés |
|---|---|---|
| RGPD | Règlement Général Protection des Données (EU 2016/679) · toute profession manipulant des données personnelles est contrainte dans son usage de l'IA. | Médecin, DRH, Juriste, Développeur, Journaliste, Enseignant… |
| IA Act | Règlement européen sur l'IA (EU 2024/1689) · en vigueur depuis 2025. Les systèmes IA à haut risque (santé, justice, éducation, RH) imposent des obligations de transparence et d'audit humain. Facteur d'impact : frein potentiel à l'automatisation totale, mais accélérateur de réglementation des usages. | Radiologue, Magistrat, DRH, Développeur, Enseignant, Policier… |
| AMF / ACPR | Autorité des marchés financiers & Autorité de contrôle prudentiel · l'usage des algorithmes en finance est soumis à des obligations d'explicabilité et de supervision humaine. | Analyste financier, Conseiller bancaire, Actuaire, Contrôleur de gestion… |
| Code Santé | Code de la Santé Publique · les professions de santé réglementées (Ordre des médecins, RPPS) imposent la responsabilité personnelle du praticien. L'IA reste un outil d'aide à la décision, non de substitution. | Médecin, Infirmier, Pharmacien, Radiologue, Kinésithérapeute… |
| LOPJ | Loi d'orientation et de programmation de la justice 2023-2027 · déploiement d'assistants IA aux magistrats et greffiers prévu dès 2025. Facteur accélérateur de transformation, mais maintien de la responsabilité humaine dans la décision judiciaire. | Magistrat, Greffier, Avocat, Commissaire de justice… |
| DSA / DMA | Digital Services Act & Digital Markets Act (EU 2022) · obligations de modération, transparence algorithmique et responsabilité éditoriale pour les plateformes. Impacte les métiers de l'information et de la communication. | Journaliste, Community manager, Rédacteur web, Développeur plateformes… |
| NIS2 | Directive NIS2 (EU 2022/2555) · renforcement des obligations de cybersécurité pour les entités essentielles et importantes. Crée une forte demande en compétences de sécurité informatique. | Développeur logiciel, Chef de projet IT, Automaticien, Logisticien… |
| DORA | Digital Operational Resilience Act (EU 2022/2554) · résilience opérationnelle numérique du secteur financier. Impose des tests de résistance et une supervision humaine des chaînes IT critiques. | Analyste financier, Développeur logiciel (finance), Data scientist, Actuaire… |
Une limite importante des indices d'exposition classiques (dont le nôtre) est qu'ils mesurent l'exposition théorique sans distinguer entre deux réalités fondamentalement différentes :
| Concept | Définition | Effet emploi attendu | Exemples dans ce dashboard |
|---|---|---|---|
| Substitution | L'IA remplace une tâche humaine · le travailleur devient superflu pour cette tâche. Corrèle avec le signal Brynjolfsson (−16% emploi juniors dans métiers à usage automatisant). | Réduction de postes, gel des embauches juniors, pression salariale à terme | Gestionnaire de paie (ISCO G4), Data entry, Traduction automatique, Production visuelle basique |
| Complémentarité | L'IA amplifie la capacité du travailleur · il produit davantage avec la même compétence. Corrèle avec les métiers où l'emploi croît malgré l'exposition (Brynjolfsson 2025, Albanesi 2025). | Augmentation de productivité, hausse potentielle de la demande, valeur ajoutée par travailleur plus élevée | Radiologue superviseur IA, Architecte IA-augmenté, Chef de projet IT, Directeur artistique |
L'OEM (Observatoire des Emplois Menacés, 2025) et Loaiza & Rigobon (EPOCH Index, 2024) sont les premières approches à formaliser cette distinction dans la mesure. McKinsey MGI (nov. 2025) apporte la preuve la plus robuste à ce jour : 72% des compétences actuelles sont applicables dans les deux contextes (automatisable et non-automatisable) — l'IA change le contexte d'application des compétences humaines, pas leur pertinence. Notre observatoire intègre cette nuance qualitativement dans les pistes de réinvention (usage augmentant = pivot recommandé) mais pas encore quantitativement dans le score. Limitation à documenter : notre score mesure l'exposition des tâches, pas la part de substitution vs. complémentarité attendue.
Par transparence méthodologique, trois dimensions importantes de l'impact de l'IA sur l'emploi ne sont pas modélisées ici. Elles correspondent aux étapes 2, 3 et 4 du cadre analytique de l'OEM (2025) :
| Dimension absente | Pourquoi c'est important | Ce qu'il faudrait pour la mesurer |
|---|---|---|
| Gains de productivité à demande constante | Si un radiologue IA-assisté peut traiter 30% d'actes supplémentaires, la demande d'actes constante implique 30% d'emplois en moins. Ce calcul nécessite des données de productivité sectorielle que nous n'avons pas. | Données de gains de productivité par métier + hypothèses de déploiement IA par secteur (type McKinsey Global Institute) |
| Évolution de la demande (effets rebond) | Une technologie qui rend un service moins cher peut augmenter la demande et créer plus d'emplois qu'elle n'en supprime (exemple classique : les guichets automatiques et les guichetiers bancaires). Non modélisé. | Projections sectorielles de demande (INSEE, DARES prospective), élasticité-prix par service |
| Professions émergentes quantifiées | Nos pistes de réinvention sont qualitatives. Une modélisation quantitative des nouveaux postes créés (type O*NET Emerging Occupations) permettrait d'estimer le solde net emploi-création/destruction. | France Compétences RNCP, émergences O*NET, veille OALP (Observatoire Avenir et Littératies Professionnelles) |
| Score | Couleur | Interprétation | Exemples |
|---|---|---|---|
| 0 – 2 | Teal | Exposition minimale · tâches manuelles, relationnelles ou créatives non-reproductibles | Aide à domicile, Maçon, Cuisinier |
| 3 – 4 | Vert | Faible · certaines tâches assistables mais le cœur reste humain | Infirmier, Policier, Musicien |
| 5 – 6 | Jaune | Modérée · mix de tâches exposées et résistantes | Médecin généraliste, Logisticien, Architecte |
| 7 – 8 | Corail | Élevée · majorité des tâches partiellement automatisables | Conseiller bancaire, Ingénieur process, DRH |
| 9 – 10 | Rouge | Très élevée · tâches majoritairement reproductibles par l'IA | Rédacteur web, Traducteur, Analyste financier, Data scientist |
Ce dashboard est indépendant du projet indice-ia.fr (Yann Decoopman, mars 2026), qui couvre 228 métiers FAP 2021 avec un scoring LLM unique. Les deux projets partagent la même source d'inspiration (joshkale.github.io/jobs / Andrej Karpathy) et les mêmes données open data françaises.
| Limite | Impact |
|---|---|
| Exposition ≠ suppression | Un métier fortement exposé peut évoluer plutôt que disparaître. Le score mesure les tâches, pas la probabilité de remplacement. |
| Données démo (38 métiers) | Le pipeline complet cible 1 584 fiches ROME. Les effectifs sont des estimations EEC 2024 approximatives pour la démo. |
| Hétérogénéité des sources | Les sources T1 à T4 peuvent définir « exposition » différemment. La pondération atténue ce biais mais ne l'élimine pas. |
| Obsolescence rapide | Les capacités des modèles évoluent vite. Ce snapshot date de mars 2026 · les scores sont à réévaluer tous les 6 mois. |
| Limites géographiques | Certaines études sont américaines ou européennes. L'extrapolation au marché français introduit un biais de marché du travail. |
| Projet | Auteur | Description | Licence |
|---|---|---|---|
| joshkale.github.io/jobs | Josh Kale | Adaptation de l'idée originale d'Andrej Karpathy · treemap des emplois BLS américains exposés à l'IA, avec scoring par LLM et visualisation D3.js proportionnelle aux effectifs. | MIT |
| github.com/karpathy/jobs | Andrej Karpathy | Concept original : visualiser l'exposition des métiers à l'IA à partir des données Bureau of Labor Statistics (BLS). Ce projet est une adaptation française avec les données officielles françaises (ROME 4.0, EEC 2024, FAP 2021). | MIT |
| indice-ia.fr | Yann Decoopman | Adaptation française du même concept · 228 métiers FAP 2021, scoring Claude Sonnet 4.5, données EEC 2024. Notre projet étend cette approche avec un scoring multi-sources pondéré et des pistes de réinvention. | MIT |
| jobsdata.ai | Matt Zieger | Référence méthodologique pour le scoring pondéré multi-sources par niveaux de preuve (T1×4, T2×2, T3×1, T4×0.5) avec pondération de récence. | Non précisée |
| Digital Planet · Tufts University · 2026 | 784 professions US (SOC/BLS) · Score exposition 0-100 · 3 scenarios temporels (lent median rapide) · % taches automatisees vs augmentees · % perte emploi par profession. Donnees US uniquement · Correction France : -15% a -25% appliquee (CDI 35h IA Act conventions collectives marche du travail civil law). | Mars 2026 · The Fletcher School Tufts University | T1 |
| ITDF · Building a Human Resilience Infrastructure for the AI Age · 2026 | Janna Anderson & Lee Rainie · Elon University · Canvassing non-scientifique de 386 experts mondiaux (4 000+ invités). Résultats clés : 82% estiment que l'IA jouera un rôle significativement plus grand dans ≤10 ans · 56% : l'IA influencera "presque toutes" ou "la plupart" des décisions humaines · 45% : les humains seront "peu" ou "pas du tout" résilients · Fenêtre d'action estimée : 5 à 10 ans. Thèmes principaux : perte d'agence humaine, "work quake", fracture numérique, littératie existentielle, gouvernance institutionnelle. | Avril 2026 · Imagining the Digital Future Center, Elon University | T2 |
| Coface & OEM · The Next Automation Frontier · A Scenario Map of AI Labour Exposure · Avr. 2026 | Axelle Arquié (OEM), Aurélien Duthoit & Galeran Subileau (Coface). Framework task-based granulaire sur 923 professions, 12 pays, 4 phases technologiques (Copilot → Special Agent → Conductor → Prometheus Bound / Superhuman). Décomposition en actions élémentaires (verbe + objet + contexte) avec règles de scoring reproductibles. France (Special Agent) : 16% du contenu de tâches exposé · 13% des professions >30% = transformation structurelle · 15% <5% = quasi-immunisées (travail physique). Matrice tâches : Données→Données (Processing) = MAXIMAL · Matière→Matière (Handling) = MINIMAL · Personnes→Personnes (Influencing/Caring) = MOYEN-BAS. Secteurs FR : Légal/Compta 27% · ICT 26-27% · Finance 25.4% · Assurance 25.5% · Admin publique 24.8% · Santé 14.9% · BTP 14.7% · Restauration 7.5%. Inversion historique : hauts diplômés et hauts revenus sont les plus exposés (20-25% de tâches à risque dans le 10ème décile). Risque macroéconomique : double érosion de l'assiette fiscale + fuite des gains vers les tech US. | Avril 2026 · Coface / Observatoire des Emplois Menacés et Émergents (OEM) | T1 |
| LinkedIn · L'IA en France : moteur de transformation et de croissance · 2025 | Mirek Pospisil & Rosie Hood · données anonymisées/agrégées de 30M+ membres LinkedIn France + 42 000 compétences standardisées (Economic Graph) + modélisation économique Access Partnership. 3 classifications : professions augmentées (25%), profondément transformées (33%), protégées (42%). Secteurs : Tech 73,8% augmentés/transformés · Commerce de gros 70,8% · Finance 70,5% · Santé 27,8% · Construction 37,3%. Potentiel économique : 523 Mds$ libérables = 16,5% PIB FR. Formation : 21% formation structurée par employeur · 50% auto-formation. Genre : femmes surreprésentées dans 'profondément transformé' (39,9% vs 29,9% hommes). Génération Z : 37,23% profondément transformés (le plus élevé). | 2025 · LinkedIn France | T2 |
| McKinsey MGI · Agents, Robots, and Us · Skill Partnerships · 2025 | Lareina Yee, Michael Chui, Roger Roberts & Sven Smit. Analyse de 6 800 compétences sur 11 millions d'offres d'emploi US (Lightcast, mai 2025). Skill Change Index : IA & ML +185 occupations mentionnant la compétence 2023-2025 · rédaction −134 · management +138. Résultats clés : 57% des heures travaillées US automatisables avec les technos actuelles · 72% des compétences applicables dans les deux contextes auto/non-auto · IA fluency ×7 en 2 ans · 1/3 des métiers verront >10% de compétences fortement transformées d'ici 2030 · caring & assisting : compétences les moins perturbées. Données US · Correction France : −30% estimé (rigidités marché travail, IA Act, 35h, CDI). | Novembre 2025 · McKinsey Global Institute | T2 |
| PwC AI Jobs Barometer 2025 · Spécificités France | Analyse de ~1 milliard d'offres d'emploi dans 15 pays (2018-2024). France — résultats clés : 166 000 offres liées à l'IA en 2024 (N°1 EU, devant Allemagne 147k et Royaume-Uni 125k) · +273% métiers exposés à l'IA 2019-2024 · +252% emplois augmentés · +223% emplois automatisés · CA par salarié ×3 plus rapide dans secteurs exposés. Prime salariale IA : +56% mondiale (vs +25% en 2024). Paradoxe France : exigence diplôme en hausse (62% pour postes augmentés), à contre-courant mondial. Évolution des compétences 34% plus rapide dans les métiers IA-exposés en France. | Juin 2025 · PwC France & Maghreb | T2 |
Comprenez concrètement comment la transformation numérique affecte votre métier
et ce que vous pouvez faire dès maintenant.
97 métiers référencés · Sources T1 · ILO WP140 · Brynjolfsson/Stanford 2025 · INSEE NDC mars 2026