Pourquoi le même métier obtient deux scores d'exposition différents

Nous avons relevé, dans un article d’un média français grand public, un simulateur qui attribuait 53,8 % d’exposition à un métier, puis 74,5 % au même métier quelques paragraphes plus loin. Dans le même article, sous la même signature.

Nous ne nommons ni le média ni l’auteur. Ce serait facile et ce serait à côté du sujet : l’écart ne vient pas d’une négligence, il vient d’un problème que presque tous les simulateurs partagent, y compris quand ils sont sérieux. L’exemple sert à comprendre, pas à accuser.

Trois causes possibles, une seule à la fois

Quand deux chiffres divergent sur le même métier, l’explication est presque toujours l’une de ces trois-là.

1. La base de calcul n’est pas la même

Un score d’exposition est une fraction. Encore faut-il savoir ce qu’il y a au dénominateur.

Certaines méthodes comptent toutes les tâches recensées pour le métier. D’autres ne comptent que celles qu’elles ont réussi à évaluer, et écartent silencieusement le reste. La deuxième produit systématiquement des scores plus élevés — non pas parce que l’IA en fait davantage, mais parce que les tâches difficiles à évaluer sont souvent celles qui lui échappent.

C’est exactement ce que nous rencontrons. Sur les 39 669 tâches du référentiel français que nous avons classées, 20,6 % ressortent sans verdict : la description officielle ne permet pas de trancher. Nous les excluons du calcul et nous l’écrivons sur chaque fiche — « calculé sur 29 des 42 tâches ». Un score qui n’affiche pas sa base ne peut pas être comparé à un autre.

2. Le périmètre du métier n’est pas le même

Tapé dans le répertoire officiel français, le mot « infirmier » renvoie à huit fiches distinctes : soins généraux, bloc opératoire, anesthésie, prévention, scolaire, santé au travail, pratique avancée, puériculture. « Menuisier » en renvoie huit également, dont l’ébénisterie et la construction nautique. « Facteur » en renvoie six — et cinq d’entre elles concernent la fabrication d’instruments de musique.

Deux simulateurs qui répondent à « infirmier » peuvent donc parler de deux métiers différents sans que le lecteur en soit averti. L’écart de score n’est pas une divergence d’analyse : c’est une divergence d’objet.

3. « Exposition » ne veut pas dire la même chose

C’est la cause la plus fréquente, et la plus invisible.

La Direction générale du Trésor, dans sa revue de juin 2026, distingue trois notions que le débat public confond : les emplois exposés — une part de leur contenu est concernée —, les emplois menacés — une part significative des tâches est substituable, sans présager de leur disparition —, et les emplois valorisés par la complémentarité.

Le Trésor ajoute un chiffre qui devrait figurer en tête de tout article sur le sujet : les estimations disponibles situent entre 5 % et 60 % la part des emplois potentiellement exposés. Un rapport de un à douze. Ce n’est pas une fourchette d’incertitude, c’est le constat que les méthodes ne mesurent pas la même chose.

Un simulateur qui affiche 53,8 % puis 74,5 % a probablement changé de définition en cours de route — par exemple en passant d’une mesure de tâches automatisables à une mesure de tâches simplement touchées.

Ce n’est pas propre aux simulateurs

Nous avons documenté le même phénomène chez deux institutions publiques françaises. L’Insee mesure que 18 % des entreprises de dix salariés et plus utilisent l’IA en 2025, deux points sous la moyenne européenne : la France rattrape. La Banque de France mesure 23 % d’usage modéré ou important contre 39 % en zone euro : la France décroche.

Les deux sont exacts. La question posée diffère — binaire d’un côté, seuil d’intensité de l’autre —, le champ diffère, la période diffère de neuf mois, et le groupe de comparaison n’est pas le même.

C’est le même problème, à l’autre bout de la chaîne. Chez les institutions, il est documenté dans des encadrés méthodologiques que personne ne lit. Chez les simulateurs grand public, il n’est pas documenté du tout — et le lecteur reçoit un pourcentage à deux décimales qui donne une impression de précision que rien ne soutient.

Deux décimales, d’ailleurs, méritent qu’on s’y arrête. Un score de 53,8 % suggère une mesure au dixième de point près. Sur une base de vingt ou trente tâches, le dixième de point n’existe pas : une seule tâche reclassée déplace le résultat de trois à cinq points.

Ce que ça implique pour vous

Trois questions à poser à n’importe quel chiffre d’exposition, y compris aux nôtres.

Sur combien de tâches ce score est-il calculé ? Si la réponse n’est pas affichée, le score n’est pas comparable à un autre. Nous affichons cette base partout où figure un indice, et nous ne publions pas de score du tout quand moins de douze tâches ont pu être classées — la fiche existe, le chiffre non.

De quel métier parle-t-on exactement ? Un code de référentiel vaut mieux qu’un intitulé. Chacune de nos fiches porte le sien.

Qu’est-ce qui est mesuré : ce que la machine sait faire, ou ce qui va disparaître ? Ce ne sont pas les mêmes questions et la seconde n’a pas de réponse mesurable aujourd’hui. Le Trésor l’écrit noir sur blanc : les études empiriques ne permettent pas de déterminer l’effet total de l’IA sur l’emploi.

Ce que nous mesurons, et ce que nous ne mesurons pas

Nous mesurons une chose : la part du contenu de travail d’un métier qu’un modèle de langage sait faire aujourd’hui, tâche par tâche, sur les 1 911 fiches du répertoire officiel français. Chaque classement porte en clair la raison qui l’a produit, et nous refusons de trancher un savoir-faire sur cinq.

Nous ne mesurons ni l’adoption par les entreprises, ni le délai avant qu’une organisation délègue une tâche, ni l’effet sur l’emploi. Un chiffre unique qui prétendrait couvrir les trois serait plus commode. Il serait aussi faux — et il finirait, tôt ou tard, par en contredire un autre dans le même article.