Trois grands projets open source ont tenté de mesurer l exposition des métiers à l intelligence artificielle aux États-Unis : le dataset de Karpathy (342 métiers), les prédictions GPT-4 de David Shapiro, et les indices Felten utilisés par l Economic Innovation Group.

Nous avons voulu savoir si notre modèle CRISTAL-10, construit sur des données françaises (ROME V4, DARES, INSEE), converge avec ces travaux américains.

Méthodologie

Pour comparer, nous avons mappé les intitulés de métiers US vers leurs équivalents français, puis normalisé tous les scores sur une échelle 0-100.

Résultats convergents

Les métiers terrain et physiques sont systématiquement protégés dans tous les modèles. Un plombier obtient moins de 15 % d exposition chez Karpathy, Felten et CRISTAL-10. Un électricien, un aide-soignant ou un pompier montrent le même profil de résilience.

Résultats divergents

Les métiers cognitifs mid-level (comptable, analyste, consultant) montrent plus de variation. CRISTAL-10 tend à être plus nuancé car il intègre des facteurs humains comme la relation client et le jugement contextuel que les modèles américains ne captent pas toujours.

Tableau comparatif

MétierCRISTAL-10KarpathyFelten
Développeur logiciel61%72%68%
Comptable52%65%58%
Infirmier8%12%9%
Électricien6%8%7%
Analyste financier58%71%63%
Rédacteur web71%78%74%
Plombier12%9%11%
Aide-soignant9%11%8%

Ce que ça prouve

CRISTAL-10 n est pas un modèle isolé. Il converge avec la recherche internationale sur les grands axes : les métiers de terrain résistent, les métiers cognitifs standardisés sont exposés, et les facteurs humains font la différence.

Ce qu il faut retenir

  • Les modèles convergent sur les grandes tendances
  • CRISTAL-10 ajoute une couche de nuance humaine
  • Les métiers terrain sont protégés partout dans le monde

Sources et references