L'expérience virale sur le marché du travail de l'IA

Dans le paysage de l'intelligence artificielle (IA) en évolution rapide, peu de figures attirent autant l'attention qu'Andrej Karpathy. Cofondateur d'OpenAI et ancien directeur de l'IA chez Tesla, Karpathy est depuis longtemps un baromètre de la direction de l'industrie. Au cours du week-end du 15 mars 2026, il a enflammé la communauté technologique — puis a tout aussi rapidement cherché à calmer le jeu — avec un projet qu'il a baptisé une analyse du marché du travail de l'IA « vibe-coded » (codée à l'instinct).

Le projet, qui a été brièvement hébergé en ligne avant d'être retiré, était une expérience de visualisation de données conçue pour cartographier l'exposition de 342 professions américaines à l'IA automatisation. En utilisant les données de l'Occupational Outlook Handbook du Bureau of Labor Statistics (BLS) des États-Unis, Karpathy a soumis les descriptions de postes à un grand modèle de langage (Large Language Model) pour noter chaque profession sur une échelle d'« exposition à l'IA » de zéro à 10. Les résultats, visualisés dans une carte proportionnelle (treemap) colorée, sont immédiatement devenus viraux, principalement en raison d'une conclusion frappante et contre-intuitive : les professions libérales et de bureau bien rémunérées sont nettement plus exposées aux perturbations de l'IA que les rôles manuels à bas salaires.

Méthodologie : l'approche « vibe-coded »

Le terme « vibe-coding » (codage à l'ambiance) — une expression que Karpathy a contribué à populariser au cours des mois précédents — fait référence à une méthodologie de développement où le programmeur s'appuie fortement sur les LLM pour générer du code, souvent sans révision manuelle ou débogage approfondi, en privilégiant les « vibes » (l'ambiance ou la direction générale) de la sortie par rapport aux normes rigoureuses de l'ingénierie logicielle.

Dans cette analyse spécifique du marché du travail, Karpathy a appliqué cette approche assistée par l'IA de haut niveau aux données des sciences sociales. En extrayant 342 catégories d'emplois distinctes, il a chargé l'IA d'analyser les responsabilités fondamentales de chaque rôle afin de déterminer dans quelle mesure ce travail pourrait théoriquement être remodelé ou effectué par des systèmes automatisés.

La méthodologie reposait sur un principe simple :

• Données d'entrée : Le guide complet Occupational Outlook Handbook du BLS.
• Mécanisme de notation : Un grand modèle de langage a évalué chaque description de poste par rapport aux capacités de l'IA.
• La métrique : Une échelle de zéro à 10 où 10 représentait l'exposition maximale à l'automatisation pilotée par l'IA.

Bien que les critiques de la communauté de la science des données aient rapidement souligné que cette méthodologie manque de la rigueur académique d'une étude évaluée par des pairs, elle a réussi à créer une visualisation de la « vérité terrain » (ground-truth) qui a trouvé un écho auprès du public. Elle a dépassé les débats théoriques pour offrir un regard concret, bien qu'imparfait, sur la manière dont la transition vers l'IA pourrait avoir un impact sur la main-d'œuvre moderne.

Principales conclusions : l'écart d'exposition à l'automatisation

Le résultat principal de l'analyse de Karpathy a remis en question l'hypothèse courante selon laquelle l'automatisation par l'IA ciblerait d'abord les tâches manuelles de routine ou de premier échelon. Au contraire, les données suggèrent que les professionnels hautement qualifiés et à revenus élevés font face aux scores d'exposition les plus élevés.

L'analyse a révélé un modèle constant : les emplois qui produisent des artefacts numériques — code, texte, rapports ou données administratives — ont obtenu des scores nettement plus élevés sur l'échelle d'exposition. À l'inverse, les emplois nécessitant une dextérité physique et une interaction avec l'environnement réel, tels que la toiture ou la maintenance, sont restés largement préservés.

Le tableau suivant résume la répartition de l'exposition par niveau de revenu sur la base des données du projet :

Caractéristiques de la catégorie d'emploi	Score d'exposition moyen (0-10)	Facteur de risque principal
Rôles à revenus élevés (100 k$+)	6,7	Production cognitive/numérique Traitement de l'information Tâches logiques de routine
Rôles à revenus moyens (60 k$ - 99 k$)	4,9	Tâches hybrides Soutien administratif Gestion des données
Rôles à faibles revenus (< 35 k$)	3,4	Présence physique requise Dextérité dans le monde réel Environnements imprévisibles

Ces données brossent le tableau d'une « crise des cols blancs » en préparation, où la prime accordée au travail de la connaissance est érodée par les outils mêmes conçus pour améliorer la productivité. Alors que les développeurs de logiciels, les analystes juridiques et les gestionnaires administratifs ont vu des scores allant de 8 à 9, les rôles nécessitant une présence physique se sont systématiquement retrouvés dans la tranche de faible exposition.

Pourquoi le projet a été retiré

Peu après que la visualisation interactive soit devenue virale, Karpathy a supprimé le site web et le dépôt GitHub associé. Dans un commentaire ultérieur, he a précisé que le projet était une « expérience rapide » et non une étude scientifique formelle. Il a expliqué que le projet était né du désir d'explorer une question spécifique en utilisant les outils qu'il avait sous la main, plutôt que de fournir un cadre politique définitif pour le gouvernement américain ou les organisations syndicales.

Le retrait met en lumière une tension croissante au sein de la communauté de recherche en IA : la vitesse à laquelle les influenceurs de l'IA peuvent générer et distribuer des informations basées sur des données par rapport au temps requis pour une vérification traditionnelle. Bien que la carte ait été influente, la nuance a souvent été perdue dans la diffusion rapide des résultats sur des plateformes sociales comme X (anciennement Twitter) et Reddit, où les conclusions étaient fréquemment citées comme des faits absolus plutôt que comme une exploration « vibe-coded ».

Mise en contexte avec la recherche institutionnelle

Il est important de noter que l'expérience de Karpathy n'existait pas dans un vide. Elle a émergé au cours de la même semaine où des chercheurs d'Anthropic ont publié une étude majeure du marché du travail, évaluée par des pairs. L'étude d'Anthropic s'est concentrée sur l'« exposition observée » — ce que l'IA fait réellement dans les flux de travail professionnels, plutôt que ce qu'elle pourrait théoriquement faire.

Focus de l'étude	Approche	Conclusion principale
Analyse de Karpathy	Théorique/Potentiel	Les emplois bien rémunérés sont les plus exposés en raison de la nature des tâches numériques
Étude d'Anthropic	Observé/Déployé	Il existe un écart important entre les capacités de l'IA et le déploiement réel en entreprise

L'étude d'Anthropic a apporté un effet de refroidissement bienvenu au récit d'un déplacement massif et imminent. En suivant les données réelles d'utilisation de Claude, les chercheurs ont découvert que, bien que l'IA soit techniquement capable d'effectuer de nombreuses tâches, son déploiement réel dans les environnements d'entreprise reste limité. L'« écart » n'est pas un avertissement de perte d'emploi immédiate, mais plutôt une « liste de choses à faire » pour les entreprises qui naviguent encore dans les défis de l'intégration, de la gestion du changement et de l'adaptation culturelle.

L'avenir du travail : un paysage en mutation

Malgré le retrait du projet de Karpathy, la conversation qu'il a déclenchée reste cruciale. Le point essentiel à retenir, tant de la carte virale « vibe-coded » que de la recherche plus formelle d'Anthropic, est cohérent : la main-d'œuvre n'est pas confrontée à un remplacement total du jour au lendemain par l'IA. Au lieu de cela, nous entrons dans une période d'évolution fondamentale des rôles.

Pour les professionnels gagnant plus de 100 000 $ par an, les scores d'exposition servent de signal d'alarme concernant la nature de leurs tâches quotidiennes. Le changement s'éloigne d'un travail purement basé sur l'exécution pour s'orienter vers la curation, la gestion et la supervision stratégique. Les outils d'IA capables de remplacer les tâches de premier échelon deviennent simultanément les principaux leviers de productivité pour les rôles qui subsistent.

À mesure que l'IA continue de mûrir, la distinction entre « hautement exposé » et « sûr » s'estompera probablement. Les travailleurs les plus performants de la décennie à venir ne seront pas ceux qui ignorent ces tendances, mais ceux qui adoptent l'IA comme un copilote (co-pilot), traitant leurs propres ensembles de compétences comme des variables dynamiques dans une économie de plus en plus automatisée. L'expérience de Karpathy, bien qu'éphémère, a mis en lumière avec succès la réalité selon laquelle l'avenir du travail ne concerne pas seulement la technologie que nous construisons, mais la manière dont nous choisisons de l'intégrer dans le tissu du marché du travail mondial.