Karpathy a compté, qui sera remplacé par les réseaux de neurones 🤖

Andrej Karpathy a dévoilé un autre projet passionnant — US Job Market Visualizer. C'est une carte interactive du marché du travail américain (143 millions d'emplois, 342 professions), où chaque spécialité est évaluée selon son niveau d'« AI Exposure » (vulnérabilité face à l'IA).

Qu'en est-il pour les programmeurs ?
Les développeurs de logiciels obtiennent un score de 9/10. Nous sommes dans la zone rouge foncé.

Cela signifie-t-il qu'il est temps d'apprendre à poser du carrelage ? Pas du tout. Karpathy indique qu'une vulnérabilité élevée n'équivaut pas à la disparition de la profession. L'écriture de code, le débogage et l'automatisation des tests sont un cas d'utilisation idéal pour les LLM. La productivité d'un ingénieur s'envole.

La demande de développeurs pourrait même augmenter, mais on paiera pour la conception d'architecture, la communication avec les parties prenantes et la résolution de problèmes métier. Quant aux codeurs linéaires, exécutants aveugles de tickets et testeurs manuels, toutes mes condoléances — ce segment sera le premier à être restructuré.

Quoi d'autre d'intéressant :
▫️ Seulement 4,4 % des emplois présentent un risque minimal (couvreurs, déménageurs, agents d'entretien). Le travail physique est encore hors jeu.
▫️ Plus le salaire et le niveau d'éducation sont élevés, plus vous êtes dans le viseur de l'IA. Les professions avec un revenu supérieur à 100 000 $ ont un score de vulnérabilité moyen de 6,7.
▫️ Dans la zone à haut risque (7 points et plus), 3 700 milliards de dollars de salaires annuels sont générés.

Comment ça fonctionne sous le capot
Pour un développeur Python, ce dépôt est une référence idéale et cristalline de la façon dont il faut construire aujourd'hui des pipelines de traitement de données avec des LLM. Pas de déchets trop compliqués, tout avec des outils standards :

1️⃣ scrape.py — Playwright non-headless (BLS bloque les bots) pour extraire le HTML brut.
2️⃣ parse_detail.py et process.py — classique BeautifulSoup4 pour nettoyer la mise en page et convertir en Markdown pur. Pas de magie, juste une préparation de contexte.
3️⃣ score.py — la partie la plus importante. Le script envoie les descriptions Markdown des professions à Gemini 3 Flash via OpenRouter. Dans le prompt système, les critères d'évaluation (de 0 à 10) sont strictement définis, ainsi que l'exigence de ne retourner que du JSON de type {"exposure": int, "rationale": "string"}.
4️⃣ build_site_data.py — assemble le JSON final pour le front-end en HTML/JS vanille.

Si vous vouliez depuis longtemps intégrer un LLM à l'analyse de vos propres données ennuyeuses (avis, logs, CV) — forkez le projet. Jetez le prompt de Karpathy sur « AI Exposure », écrivez le vôtre (par exemple, « Évaluez la probabilité d'automatisation de ce travail par des robots humanoïdes » ou « Évaluez le risque d'externalisation »), exécutez le script et obtenez une analyse prête.

🔗Code source sur GitHub