ondb

France vs États-Unis
face à l'IA

Pourquoi les mêmes métiers ne sont pas impactés de la même façon des deux côtés de l'Atlantique

Pourquoi les scores diffèrent

🏛️

Le bouclier du service public

En France, 22% des emplois sont publics (vs 15% aux US). Le secteur public adopte l'IA plus lentement en raison des procédures administratives, des marchés publics et de la culture institutionnelle. Résultat : le score de risque est réduit pour ces emplois.

22% FR
15% US
⚖️

La protection du droit du travail

CDI, comités d'entreprise, RGPD, régulations européennes (AI Act) : le cadre juridique français et européen ralentit l'adoption de l'IA dans les entreprises. Licencier pour automatiser est plus complexe et coûteux qu'aux États-Unis.

CDI RGPD AI Act CSE
🎨

La culture du métier

Artisanat, gastronomie, soin : ces métiers sont culturellement valorisés en France. Les tâches relationnelles et manuelles y résistent mieux à l'automatisation. La tradition du savoir-faire « à la française » crée une barrière naturelle contre le remplacement.

Artisanat Gastronomie Soin

Tableau comparatif

0 métiers analysés — triés par écart France/US (vert = la France protège mieux)

Les plus protégés en France

Les 5 métiers avec le plus grand écart favorable à la France

Sources & méthodologie

Les scores de risque d'automatisation sont basés sur l'étude Frey & Osborne (2013, Oxford), qui évalue la probabilité d'automatisation de 702 métiers américains (classification SOC).

Pour adapter ces scores au contexte français, nous utilisons le référentiel ROME 4.0 de France Travail (via un crosswalk SOC → ISCO-08 → ROME) et les données d'emploi de la DARES. Les corrections prennent en compte la répartition public/privé, les spécificités sectorielles et l'analyse fine des tâches quand elle est disponible.

Le « score US » affiché sur cette page est une approximation obtenue en inversant la correction sectorielle appliquée au score français. Il ne représente pas exactement le score Frey & Osborne original, mais donne une estimation cohérente de l'écart entre les deux contextes.

Voir la méthodologie complète