Methodologie
D'où ce site tire ses chiffres. Les nombres affichés sont repris de recherches externes publiées et des projections du Bureau of Labor Statistics des États-Unis ; les rangs et parts calculés à partir de ces valeurs publiées sont signalés comme tels. Cette page explique ce que chacun mesure et où s'arrête la couverture.
Littérature de référence
Les travaux ci-dessous font partie de ceux qui sous-tendent les chiffres affichés sur ce site, avec la littérature à laquelle nous nous référons pour expliquer l'exposition à l'IA. Les valeurs sont présentées à la valeur attribuée par chaque éditeur. La présentation est localisée : par exemple, lorsqu'un éditeur exprime une valeur sous forme de catégorie en mots plutôt qu'en chiffre, la formulation affichée est cette catégorie traduite dans la langue de la page. La localisation change la manière dont une valeur est écrite, non la valeur attribuée par son éditeur. La page Crédits et sources porte les attributions des jeux de données et leurs licences.
- Massenkoff & McCrory (2026) - Impacts de l'IA sur le marché du travailRéférence
- Eloundou et al. (2023) - GPTs are GPTs : cadre théorique d'exposition des tâches
- Brynjolfsson et al. (2025) - Canaries in the Coal Mine : effets sur l'emploi mesurés à partir des microdonnées de paie ADP
- U.S. Bureau of Labor Statistics (Bureau des statistiques du travail des États-Unis) - Projections d'emploi 2025-2035
- Système de classification O*NET SOC - taxonomie standardisée des métiers et des tâches
Ce que mesurent les chiffres
Les chiffres définis ci-dessous sont repris d'éditeurs externes, et chacun indique sa source à l'endroit où il apparaît. Lorsqu'une page métier affiche un rang, une part ou une position dans une plage publiée, cette valeur énonce une relation entre les valeurs propres de l'éditeur et non une nouvelle mesure — AI Changing Work ne publie aucune mesure qui lui soit propre. Cette section définit les indicateurs ci-dessous tels que leurs éditeurs les définissent.
- OpenAI "GPTs are GPTs" — bêta (β)
- β = exposition directe (E1) + 0,5 × exposition lorsque des outils sont disponibles (E2), selon la définition du dépôt source. Nous l'affichons au niveau du métier selon les deux régimes d'évaluation publiés par les auteurs — évaluateurs humains et évaluateurs GPT-4 — et au niveau des tâches comme la part des tâches évaluées atteignant β ≥ 0,5. Les valeurs sont comprises entre 0 et 1 telles que publiées ; la conversion en pourcentage sert uniquement à l'affichage.
- Anthropic Economic Index — exposition observée
- Un indice d'exposition théorique pondéré par l'usage mesuré de Claude, selon la définition du rapport original. Il décrit l'usage observé au moment de la publication du jeu de données. Nous montrons aussi la pénétration par tâche : combien de tâches d'un métier présentent un usage observé, et leur moyenne. Les valeurs sont comprises entre 0 et 1 telles que publiées.
- Bureau of Labor Statistics des États-Unis — Projections d'emploi 2025–35
- Les chiffres d'emploi, de salaire médian et d'évolution projetée sont transcrits des Projections d'emploi 2025–35 du BLS (Table 1.2), une publication fédérale du domaine public. Ces chiffres décrivent le groupe professionnel SOC et non l'intitulé de poste, si bien que les métiers partageant un code SOC partagent ces valeurs. L'emploi est publié en milliers de postes.
- Bureau of Labor Statistics des États-Unis — bandes d'exposition relative à l'IA
- Le Bureau of Labor Statistics des États-Unis classe chaque métier de sa National Employment Matrix dans l'une de quatre bandes relatives — Low, Moderate, High, Very high — publiées avec les Projections d'emploi 2025–35. La bande est une position de rang parmi les métiers de ce tableau ; ce n'est ni un niveau, ni une probabilité d'adoption, ni une prévision d'emploi, et elle ne sépare pas l'automatisation de l'assistance. Ce n'est pas non plus une mesure de première main du Bureau : il reprend les rangs centiles de chaque métier issus de plusieurs travaux publiés antérieurement et les regroupe en quatre bandes. Deux de ces travaux relèvent de la même série que des jeux de données déjà présentés ici ; la bande et ces valeurs ne sont donc pas indépendantes l'une de l'autre. Nous publions l'intitulé de la bande tel que le Bureau l'a écrit, traduit dans la langue de la page ; le numéro d'ordre que le Bureau ne publie pas n'est jamais affiché. La bande est attribuée par code de la National Employment Matrix (NEM) et non par intitulé de poste, et un code NEM peut couvrir plusieurs métiers de ce site ; les métiers partageant un code NEM reçoivent donc la même bande.
AI Changing Work ne calcule aucun score d'exposition, de risque ou d'automatisation qui lui soit propre. Lorsqu'un jeu de données source ne couvre pas un métier, nous signalons cette absence au lieu de lui substituer un chiffre.
Cadre d'analyse
Les métiers sont décrits au niveau des tâches individuelles, car les jeux de données d'exposition publiés évaluent eux-mêmes des tâches et non des postes entiers. Cette section explique comment ces évaluations externes sont rattachées aux métiers de ce site.
- Decomposition au niveau des taches
- Chaque métier est décomposé en tâches constitutives afin que les évaluations par tâche des jeux de données sources puissent y être rattachées. Les listes de tâches proviennent d'O*NET ; les évaluations qui leur sont rattachées proviennent des jeux de données externes et ne sont pas modifiées.
- Indices d'exposition externes
- Les valeurs d'exposition par métier et par tâche sont reproduites de jeux de données de recherche publiés : Anthropic Economic Index (CC BY 4.0), OpenAI "GPTs are GPTs" exposure rubric (MIT License), ILO Working Paper 140 (CC BY 4.0) et BLS AI exposure categories (Public domain (17 U.S.C. §105)). Les valeurs sources sont présentées à la valeur attribuée par chaque éditeur. AI Changing Work ne les réétalonne pas, ne les repondère pas, ne les reclasse pas et ne les mélange pas, et ne calcule aucun score d'exposition qui lui soit propre. Notre apport est le rattachement aux codes métier et tâche O*NET ; les métiers absents d'un jeu de données sont signalés comme absents plutôt que notés. La présentation est localisée : par exemple, lorsqu'un éditeur exprime une valeur sous forme de catégorie en mots plutôt qu'en chiffre, la formulation affichée est cette catégorie traduite dans la langue de la page. La localisation change la manière dont une valeur est écrite, non la valeur attribuée par son éditeur.
- Projections d'emploi
- Les chiffres d'emploi, de salaire et d'évolution projetée sont transcrits des Projections d'emploi 2025–35 du Bureau of Labor Statistics des États-Unis (Table 1.2), une publication fédérale du domaine public. Ils décrivent le groupe professionnel SOC, si bien que les métiers partageant un code SOC partagent ces chiffres. Nous ne publions aucune projection d'emploi qui nous soit propre.
Qualite des donnees et limites
La transparence sur nos limites est essentielle pour une analyse responsable. Les utilisateurs doivent considerer ces facteurs lors de l'interpretation de nos donnees.
- Aucun échantillon sous-jacent
- Nos chiffres ne sont pas dérivés d'un échantillon mesuré. Aucune enquête, télémétrie ou panel ne les sous-tend, de sorte qu'aucun intervalle de confiance ne peut être indiqué. Considérez chaque chiffre de ce site comme une estimation non validée.
- Couverture geographique et professionnelle
- La couverture est limitée par les jeux de données sources : sur 1 010 métiers publiés, certains sont absents d'un ou de plusieurs des jeux d'exposition et sont signalés comme non couverts plutôt que notés. Les données sous-jacentes reflètent surtout le marché du travail américain et les interactions avec l'IA en anglais, qui peuvent ne pas représenter les tendances mondiales.
- Frequence de mise a jour
- Les métriques sont révisées lorsque nous relançons notre propre analyse. Nous ne recevons aucune mise à jour automatique de la part d'un fournisseur de données externe.
- Ecart theorique vs. observe
- L'exposition n'est pas l'adoption. Les jeux de données sources mesurent le degré d'exposition des tâches, ou l'usage observé au moment de leur compilation ; les freins à l'adoption, les contraintes réglementaires et l'inertie organisationnelle font que le changement réel accuse généralement un retard sur la capacité technique. Les chiffres décrivent en outre le moment où chaque jeu de données a été publié, et non le présent.
Historique des mises a jour
Nous maintenons un registre transparent des mises a jour majeures de donnees et des changements methodologiques.
Lancement initial
Lancé avec 55 métiers répartis en 14 catégories. Les chiffres publiés au lancement ont été produits par notre propre modèle ; ils ont été retirés en août 2026 et remplacés par des indices d'origine externe.
Mises à jour continues des sources
Expansion progressive de la couverture professionnelle en utilisant l'analyse assistee par IA combinee a la revision manuelle par des experts. Des sources de donnees supplementaires et des donnees du marche du travail regional seront integrees.
References cles
Les travaux listés ici font partie des sources et de la littérature d'appui des chiffres de ce site. Chaque chiffre d'une page métier indique le jeu de données dont il provient.
Références
Sources de données et articles de recherche cités dans notre analyse.
12 références
- [1]Rapport
Anthropic Research Team
“Labor market impacts of AI: A new measure and early evidence”
Anthropic, 2026.
Introduit la métrique d'exposition observée combinant les capacités théoriques des LLM avec les données d'utilisation réelles de Claude.
- [2]Rapport
Ruth Appel, Maxim Massenkoff, Peter McCrory, Miles McCain, Ryan Heller, Tyler Neylon, Alex Tamkin
“Anthropic Economic Index report: economic primitives”
Anthropic, 2026.
Définit cinq primitives économiques pour la classification des tâches d'IA.
- [3]Document de travail
Andrew Johnston, Christos Makridis
“The Labor Market Effects of Generative AI: A Difference-in-Differences Analysis”
SSRN, 2025.
Applique la méthodologie des doubles différences pour mesurer les effets de l'IA générative sur le marché du travail.
- [4]Article
Erik Brynjolfsson, Bharat Chandar, Ruyu Chen
Stanford Digital Economy Lab, 2025.
Les jeunes développeurs logiciels (22-25 ans) voient un déclin de ~20% de l'emploi depuis le pic de 2022.
- [5]Rapport
Kunal Handa, Alex Tamkin, Miles McCain, Saffron Huang, Esin Durmus, Sarah Heck, Jared Mueller, Jerry Hong, Stuart Ritchie, Tim Belonax, Kevin K. Troy, Dario Amodei, Jared Kaplan, Jack Clark, Deep Ganguli
“Which Economic Tasks are Performed with AI? Evidence from Millions of Claude Conversations”
Anthropic, 2025.
Analyse des millions de conversations Claude pour cartographier l'utilisation de l'IA sur les tâches professionnelles O*NET.
- [6]Document de travail
Menaka Hampole, Dimitris Papanikolaou, Lawrence DW Schmidt, Bryan Seegmiller
“Artificial Intelligence and the Labor Market”
National Bureau of Economic Research, 2025.
Instruments pour l'adoption de l'IA au niveau de l'entreprise utilisant les réseaux historiques de recrutement universitaire.
- [7]Article
Sarah Eckhardt, Nathan Goldschlag
“AI and Jobs: The Final Word (Until the Next One)”
Economic Innovation Group (EIG), 2025.
Trouve que l'effet de l'IA sur les emplois est 'invisible' selon les métriques conventionnelles.
- [8]Jeu de données
U.S. Bureau of Labor Statistics
“Employment Projections: 2025-2035”
U.S. Bureau of Labor Statistics, 2025.
Projette 5,9M nouveaux emplois 2025-2035 (+3,5% total). Informatique et Mathématiques +7,3%.
- [9]Article
Xiang Hui, Oren Reshef, Luofeng Zhou
“The Short-Term Effects of Generative Artificial Intelligence on Employment”
Organization Science, 2024.
Étudie les effets de l'IA générative sur les plateformes freelance.
- [10]Article
Tyna Eloundou, Sam Manning, Pamela Mishkin, Daniel Rock
“GPTs are GPTs: An early look at the labor market impact potential of large language models”
arXiv, 2023.
80% de la main-d'œuvre américaine pourrait voir 10%+ de ses tâches affectées par les LLM.
- [11]Article
Daron Acemoglu, David Autor, Jonathon Hazell, Pasciano Restrepo
“Artificial Intelligence and Jobs: Evidence from Online Vacancies”
Journal of Labor Economics, 2022. DOI: 10.1086/718327
Analyse l'impact de l'IA sur les offres d'emploi en utilisant les données de vacances.
- [12]Article
Daron Acemoglu, Pasciano Restrepo
“Robots and Jobs: Evidence from US Labor Markets”
Journal of Political Economy, 2020. DOI: 10.1086/705716
Estime qu'un robot supplémentaire pour mille travailleurs réduit le ratio emploi-population de 0,2pp.