Souscripteurs d'Assurance

Affaires et Finances

Exposition à l'IA

  • Source des données: BLSPublié: '26.08

    Très élevée· relative

    FaibleQuatre bandes relativesTrès élevée

    Valeur par groupe professionnel

    Échelle, base et source

    Quatre bandes relatives (Faible / Modérée / Élevée / Très élevée)

    831 métiers détaillés du tableau des projections d'emploi du BLS. La valeur est attribuée par code de la National Employment Matrix (NEM), si bien que les métiers partageant un code NEM reçoivent la même bande

    Jeu de données source (téléchargement XLSX)

  • Source des données: AnthropicPublié: '26.03

    0.063

    0.000Étendue des valeurs présentées ici0.745
    Échelle, base et source

    Indice d'exposition observée, 0–1 tel que publié

    Rapporté aux tâches O*NET

    Jeu de données source

  • Source des données: ILOPublié: '25

    0.53

    0.09Étendue des valeurs présentées ici0.70

    Valeur par groupe professionnel

    Échelle, base et source

    Indice d'exposition à l'IA générative, 0–1 tel que publié

    Groupe de base CITP-08 — tous les métiers partageant le code reçoivent cette valeur

    Calculé par ce site, non publié par l'OIT : sur les 1 012 professions que ce site relie au jeu de données de l'OIT, 14% atteignent ou dépassent cette valeur.

    Jeu de données source

Quelle est la nature de la valeur publiée par cette source

La catégorie BLS est un rang relatif et non un niveau absolu, et ce n'est pas une mesure de première main : elle regroupe en quatre bandes les rangs centiles du métier dans plusieurs études publiées. Ce n'est ni une prévision d'emploi ou de salaire, ni une probabilité d'adoption, et elle ne distingue pas automatisation et augmentation.

Task-level exposure

Values in this tab are predicted labels, not observations. Eloundou et al. (2023) published two rating regimes — human raters and GPT-4 — and the β shown here is derived from the GPT-4 rater basis alone; the same task can take a different value under the other regime. The unit and the meaning differ from the observed shares (%) in the other tabs, so do not place them on the same axis.

TaskβE1 + 0.5 × E2
Write to field representatives, medical personnel, or others to obtain further information, quote rates, or explain company underwriting policies.

O*NET Task ID 1262

1.0
Decline excessive risks.

O*NET Task ID 1261

0.5
Evaluate possibility of losses due to catastrophe or excessive insurance.

O*NET Task ID 1263

0.5
Decrease value of policy when risk is substandard and specify applicable endorsements or apply rating to ensure safe, profitable distribution of risks, using reference materials.

O*NET Task ID 1264

0.5
Review company records to determine amount of insurance in force on single risk or group of closely related risks.

O*NET Task ID 1265

0.5
Authorize reinsurance of policy when risk is high.

O*NET Task ID 1266

0.5
Examine documents to determine degree of risk from factors such as applicant health, financial standing and value, and condition of property.

O*NET Task ID 21045

0.5

β = E1 + 0.5 × E2 · E1 = tasks where direct LLM access alone cuts time by at least 50%, E2 = tasks where software built on top of an LLM cuts time by at least 50%. Values take only 0 / 0.5 / 1.0.

Data sources & licenses — O*NET®, Eloundou et al. (2023): see full notices on the Credits page

Occupation information

Évolutions récentes concernant ce métier

avr. 2026: ATE 0.42 by 2027 in SF Bay Tier 1. Rule-application heavy roles with thin P1 (interpersonal) and P2 (regulatory) penalties show fast agentic exposure climb.

[Source: arXiv 2604.00186 (Gupta & Kumar, 2026)]

mars 2026: Published evergreen blog analysis: AI exposure 64%, automation risk 62/100 in 2025.

[Source: AI Changing Work Blog]