Mesurer l'exposition d'un métier à l'IA : pourquoi la plupart des tests se trompent
Frey et Osborne, O*NET, exposition observée : les méthodes ne mesurent pas la même chose. Guide de lecture des scores qui circulent en ligne.
Publié le · La rédaction
Un score de 87 % de risque d’automatisation ne veut rien dire tant qu’on ne sait pas ce qui a été mesuré. Trois familles de méthodes coexistent, elles donnent des résultats très différents, et la plupart des tests en ligne ne disent pas laquelle ils utilisent.
Génération 1 : la probabilité d’informatisation (2013)
L’étude de référence reste celle de Carl Benedikt Frey et Michael Osborne, publiée en 2013 par l’université d’Oxford. Elle analyse environ 700 professions américaines et estime pour chacune une probabilité d’informatisation, en s’appuyant sur des critères comme la créativité requise, la perception sociale, la négociation ou la dextérité manuelle. Sa conclusion la plus citée : environ 47 % des emplois américains seraient potentiellement automatisables.
C’est le socle de la plupart des simulateurs en ligne, y compris les plus populaires.
Ses limites sont sérieuses. L’étude est antérieure de dix ans aux modèles de langage : elle raisonne sur une automatisation de type robotique et logicielle classique, pas sur des systèmes capables de rédiger, synthétiser et raisonner. Elle porte sur le marché américain. Et elle raisonne au niveau du métier entier, pas de la tâche — ce qui produit des scores brutaux et peu actionnables.
Un simulateur qui vous annonce un pourcentage en 2026 sur la base de Frey et Osborne vous donne une photographie de 2013.
Génération 2 : l’exposition théorique aux modèles de langage
À partir de 2023, une nouvelle famille de travaux mesure la part des tâches d’un métier qu’un modèle de langage pourrait techniquement accomplir. Le découpage s’appuie généralement sur la base O*NET du département du Travail américain, qui décompose près de 800 métiers en tâches élémentaires.
C’est un net progrès : on raisonne enfin en tâches, ce qui permet de distinguer ce qui bascule de ce qui reste.
La limite tient au mot « pourrait ». Ces mesures évaluent une faisabilité théorique. Or entre ce qu’un modèle sait faire en laboratoire et ce qu’une organisation lui confie réellement, l’écart est considérable — pour des raisons de coût, de réglementation, de responsabilité, d’habitude et de confiance.
Génération 3 : l’exposition observée
L’approche la plus récente croise trois sources : la décomposition en tâches d’O*NET, l’estimation de faisabilité par un modèle, et surtout l’usage réellement constaté. L’Anthropic Economic Index, publié en données ouvertes, mesure ainsi comment les tâches sont effectivement traitées dans des millions de conversations, en distinguant l’automatisation — la tâche est déléguée entièrement — de l’augmentation — la personne reste dans la boucle.
Le rapport de mars 2026 formalise cette mesure d’exposition observée : un métier est d’autant plus exposé que ses tâches sont non seulement réalisables, mais effectivement traitées, et de manière automatisée plutôt qu’assistée.
Ce que révèle cette approche est contre-intuitif. Sur les quelque 18 000 tâches suivies dans une des publications, la très grande majorité ne montre aucun usage mesurable. L’adoption réelle est intense sur une fraction étroite de l’économie et quasi absente du reste. Les récits d’une automatisation générale ne résistent pas à l’observation.
Les trois erreurs de lecture les plus fréquentes
Confondre métier et tâches. Aucun métier n’est automatisé à 100 % ou à 0 %. Un score global masque la seule information utile : lesquelles de vos tâches basculent.
Confondre automatisation et augmentation. Que l’IA rédige votre compte rendu de réunion et que l’IA remplace votre poste sont deux affirmations très différentes. La plupart des scores agrègent les deux.
Transposer des données américaines à la France. La structure de l’emploi, les conventions collectives, les obligations réglementaires et les seuils de responsabilité professionnelle diffèrent. Un métier réglementé en France peut afficher un score américain élevé alors que le droit interdit précisément la délégation en cause.
Notre position
Nous construisons nos indices sur le référentiel français — le ROME 4.0 de France Travail, ses fiches métiers et ses savoir-faire — et non sur une traduction d’O*NET. Nous publions le détail tâche par tâche plutôt qu’un score unique. Et nous distinguons systématiquement ce qui est réalisable par l’IA, ce qui est assisté, et ce qui reste hors de portée.
Notre méthode est publiée, datée et critiquable. Un score dont on ne peut pas contester la construction ne mérite pas d’être lu.