Freelances tech : une économie réelle, une réalité statistique invisible ou opaque

Les freelances tech sont partout dans l’économie numérique, mais nulle part dans la statistique publique. Revenus, activité, évolution des métiers : tout manque ou se dilue dans des catégories obsolètes ou biaisées.

Pourquoi il est quasi impossible de connaître la réalité statistique des freelances tech en France

Depuis quelque temps, je cherche des données fiables, objectives et vérifiables sur la situation des freelances dans la tech : combien de devs indépendants, quels revenus réels, quelles trajectoires, quels impacts de l’IA, quels TJM circulent réellement sur le terrain.

Et très vite, c’est le brouillard. Des chiffres flous, orientés, marketés. Beaucoup de storytelling, très peu de réalité.

L’État publie certes des statistiques, mais aucune ne permet d’isoler les métiers tech. Aucun indicateur public ne décrit précisément les revenus d’un développeur freelance, d’un intégrateur web, d’un consultant devops. Même le nombre exact d’indépendants dans ces métiers reste impossible à connaître.

Tout ce que l’on trouve, des estimations faites par :

des plateformes qui vivent par les indépendants (Malt, Comet, Upwork),
des cabinets privés qui s’appuient sur des panels génériques (comme l’Observatoire du Freelancing),
des baromètres marketing où les freelances “bankables” sont surreprésentés (pour vendre du rêve),
des slides Linkedin bullshits pleines de suffisance et vides de méthodologie.

Résultat : des chiffres gonflés, incomplets, biaisés, loin de la réalité de la majorité des freelances tech, ceux qui n’ont pas des missions à 700 €/jour chez un grand compte ni un SaaS à 100 k€/an de chiffre d’affaire.

Plus on creuse, plus un paradoxe s’impose : La France possède toutes les données nécessaires pour cartographier les freelances tech. Mais aucune vision claire n’en sort. Ce constat dépasse la simple curiosité d’un freelance qui veut se situer. Il pose une question beaucoup plus large :

Comment un pays peut-il mesurer l’impact réel de l’IA sur le travail si sa statistique publique ne sait même pas décrire les métiers qui la subissent en premier ?

Et c’est problématique, parce que l’IA transforme déjà en profondeur le travail indépendant dans le numérique.

Le paradoxe français : un État qui a toutes les données mais aucune vision claire des métiers tech

La machine administrative française collecte une quantité massive d’informations : chiffre d’affaires, bénéfices ou déficit, statut juridique, régime fiscal, effectifs, cotisations sociales, code APE, ancienneté, adresse, nature de l’activité déclarée.

Tout est stocké, bien rangé, historisé, agrégé. Il serait possible croire qu’avec une telle granularité, obtenir une vue claire des métiers numériques est simple.

Mais non.

La DGFIP détient des données, mais n’en publie que des versions agrégées

Les impôts connaissent presque en temps réel :

les revenus précis des indépendants,
leur évolution,
la distribution par secteur,
la santé de métier ou de sous-marché.

Elle pourrait publier des tableaux, comme par exemple : “6201Z - Développeurs / programmeurs indépendants : revenu médian, revenu moyen, 1er décile, 9e décile, évolution 5 ans”.

Ce type de données serait légal, anonyme, utile, techniquement assez trivial. Mais cette cartographie n’est jamais produite ou du moins proposée en consultation ouverte.

L’URSSAF connaît l’activité réelle

De son côté, l’URSSAF sait : qui cotise vraiment, qui déclare peu, qui progresse ou s’effondre, et le volume global de travail indépendant dans chaque secteur. Là aussi, un croisement simple avec les données fiscales dessinerait enfin la réalité du terrain. Il n’a jamais lieu.

L’INSEE publie des données… trop larges ou floues pour être utiles aux métiers numériques

L’INSEE publie bien des chiffres, mais ils sont produits pour une lecture macro-économique. Ils donnent à voir : les non-salariés, les BNC/BIC, les indépendants dans l’information/communication.

Mais ces données mélangent des professions qui n’ont rien en commun : des médecins libéraux, des avocats, des architectes, des consultants SAP, des développeurs web, des graphistes, des dépanneurs informatiques, …

Impossible de distinguer quoi que ce soit : cette classification statistique est trop large, trop ancienne, trop imprécise.

Résultat : les métiers du numérique apparaissent à peine dans la statistique publique

Pour les professions réglementées (professions médicales, les avocats, les notaires, …) : données complètes, nettes, détaillées. Mais pour les métiers du numérique : le trou noir.

Juste des agrégats inexploitables, hérités d’un système de classification pensé pour l’économie industrielle des trente glorieuses.

Une classification professionnelle figée, incapable de suivre les métiers tech

L’un des obstacles majeurs à une lecture fiable des métiers du numérique en France réside dans la structure même de la classification professionnelle. Toute l’architecture statistique repose sur la nomenclature NAF/APE, héritée de modèles économiques antérieurs à l’explosion des métiers du numérique. Cette classification est stable, rigide et pensée pour des secteurs traditionnels. Elle ne permet pas d’identifier correctement les professions issues ou transformées par le numérique.

Le code APE : une grille administrative trop large

La nomenclature NAF 2008, qui attribue un code APE à chaque entreprise, a été conçue pour répondre à des objectifs macro-économiques. Elle classe les activités par grandes familles sectorielles, sans granularité métier.

Exemples : – “6201Z – Programmation informatique” regroupe simultanément des développeurs web indépendants, des intégrateurs WordPress, des consultants backend, des prestataires d’ESN, des freelances IA, et des micro-entrepreneurs qui réalisent quelques interventions par an. – “6202A – Conseil en systèmes et logiciels” agrège des architectes techniques, des freelances seniors en régie longue, des consultants en transformation numérique et des experts SAP.

Cette classification ne distingue ni les compétences, ni les pratiques professionnelles, ni les modèles d’activité. Les métiers du numérique y apparaissent comme des blocs indifférenciés, ce qui rend impossible toute lecture fine des évolutions du marché.

Une nomenclature statique figée, incapable de suivre l’évolution précise des métiers

La nomenclature NAF/APE est révisée très rarement et selon des procédures lourdes et complexes. Cet immobilisme méthodologique est incompatible avec la vitesse de transformation du numérique. Ces dernières années ont vu apparaître ou se réinventer des dizaines de spécialisations comme : intégration automatisée, développement low-code ou no-code, IA-assisted development, MLOps, data engineering indépendant, dompteur de système d’automatisation, spécialistes de frameworks ultra-niches, opérateurs IA pour la production de contenu.

Aucune de ces réalités n’existe dans la classification actuelle qui n’a pas bougé depuis 2008. Elles disparaissent dans des catégories génériques, ce qui empêche d’établir une cartographie crédible du tissu professionnel.

Un regroupement hétérogène qui brouilles les pistes

La structure statistique française ne classe pas les professions par nature de travail, mais par logique d’activité déclarée. Dans la même catégorie “non-salariés BNC”, on retrouve les classiques : médecins libéraux, avocats, architectes, … mais aussi : des développeurs indépendants, des graphistes, des micro-entrepreneurs de service à très faible activité.

Cette agrégation neutralise toute possibilité d’analyse métier. Les professions libérales réglementées, dont les revenus sont nettement supérieurs à la moyenne, influencent les indicateurs globaux, masquant la réalité économique des métiers techniques indépendants moins rémunérateurs. L’écart de revenu structurel entre ces professions rend toute moyenne nationale inexploitée pour comprendre les métiers du numérique.

Des métiers statistiquement invisibles

En conséquence, les professions liées au développement, à la conception web, à l’infrastructure, aux systèmes, aux données ou à l’IA restent statistiquement invisibles. Aucune donnée officielle ne permet de distinguer :

un développeur full-stack indépendant d’un prestataire informatique généraliste,
un consultant devops d’un dépanneur informatique de quartier,
un micro-entrepreneur web d’un architecte logiciel,
un spécialiste WordPress d’un data engineer freelance.

Cette invisibilité structurelle empêche toute analyse crédible des transformations du marché : il devient impossible de mesurer l’impact concret de l’impact de l’IA sur ces métiers et de mesurer les transitions professionnelles ou d’anticiper les besoins de formation.

Des données massives, mais assez peu croisées

L’unique certitude, lorsqu’on observe le fonctionnement administratif français, est que les informations existent. Les administrations disposent de données exhaustives, précises et historisées sur les travailleurs indépendants. Pourtant, aucune analyse cohérente ne permet de comprendre l’évolution des métiers du numérique ou d’en mesurer les transformations. Le problème n’est donc pas la carence de données, mais l’absence d’exploitation structurée de celles-ci.

La DGFIP dispose d’informations complètes sur l’activité économique

Chaque année, les déclarations fiscales fournissent :

le chiffre d’affaires,
les bénéfices ou pertes,
le type de régime fiscal (micro, réel, BNC/BIC),
le statut juridique,
le nombre d’années d’activité,
le code APE.

Ces données permettent d’établir, en théorie, une cartographie très précise :

évolution des revenus par segment,
volume de travailleurs actifs,
répartition géographique,
montée ou recul d’un secteur.

Une simple agrégation anonyme par APE, puis par sous-groupes homogènes, suffirait à produire des indicateurs robustes. Mais jamais réalisé.

L’URSSAF détient les données sociales : cotisations, activité déclarée, intermittence

L’URSSAF connaît en détail la réalité sociale des indépendants :

activité déclarée,
contribution effective,
périodes d’inactivité ou de baisse de revenu,
transitions entre salariat et indépendance,
comportements multi-statuts.

Ce sont précisément les éléments nécessaire pour évaluer :

les changements de rythme de mission,
l’impact de l’automatisation et de l’IA sur la charge d’activité,
la précarisation potentielle d’un métier,
la montée en puissance de nouvelles spécialités et approches.

Ces données restent cloisonnées et ne sont jamais recoupées avec celles de la DGFIP.

L’INSEE publie des statistiques utiles, mais incapables de décrire les métiers

Les publications de l’INSEE constituent souvent la seule source “officielle” publique disponible. Elles détaillent :

la structure des non-salariés,
les revenus moyens et médians,
les déciles,
la démographie des entreprises.

Cependant, ces statistiques opèrent à une échelle trop large et reposent sur des regroupements sectoriels inadaptés. Elles ne distinguent ni les professions du numérique, ni les sous-métiers, ni les effets de transformation interne.

L’absence de pilotage transversal entre les administrations

Le cloisonnement institutionnel explique en grande partie l’absence d’analyse unifiée :

la DGFIP traite la dimension économique,
l’URSSAF la dimension sociale,
l’INSEE la dimension statistique,
France Travail la dimension emploi-formation mais aussi bâton-punition.

Aucun de ces organismes ne possède la mission, ni la gouvernance, ni le cadre juridique permettant de croiser les données à grande échelle. Le système produit des indicateurs séparés, partiels, qui ne convergent jamais vers une lecture opérationnelle des métiers.

Un angle mort statistique persistant

Alors que l’IA modifie déjà la nature du travail numérique, automatisation de tâches répétitives, transformation des chaînes de production, évolution des missions, nouvelles compétences hybrides, l’absence de données croisées limite toute lecture précise des dynamiques en cours.

Les signaux faibles ne sont pas identifiés.
Les tendances structurelles ne sont pas mesurées.
Les ruptures potentielles ne sont pas anticipées.

L’État dispose de toutes les pièces, mais ne reconstitue pas le puzzle 3D.

Un pays qui peine à mesurer la transformation du travail liée à l’IA

La transition provoquée par l’intelligence artificielle touche d’abord les métiers dont la production est numérique / numérisable. Le développement, le design, la rédaction technique, l’intégration, l’automatisation ou l’analyse de données évoluent aujourd’hui à un rythme qui excède largement la capacité d’observation de l’écosystème institutionnel français.

Sans données structurées, il est impossible d’évaluer l’ampleur réelle de cette transformation, ni d’accompagner les professions concernées.

Une mutation du travail qui progresse plus vite que sa mesure

Dans les métiers techniques indépendants, plusieurs évolutions sont déjà visibles :

automatisation croissante de certaines tâches,
accélération de la production via les outils génératifs,
recomposition des chaînes de valeur (prototypage, intégration, conception),
fragmentation des métiers traditionnels en micro-spécialisations,
montée en puissance de compétences transverses liées à l’IA.

Ces transformations modifient la nature même de ce qui est facturé, et la manière dont les missions sont réalisées. L’absence de données métier empêche d’en évaluer l’ampleur ou la vitesse.

Aucune capacité à mesurer et quantifier les effets positifs ou négatifs de l’IA

L’IA peut, selon le contexte :

stimuler la productivité,
réduire les besoins en main-d’œuvre sur certaines tâches,
créer de nouvelles activités,
redistribuer les missions entre profils intermédiaires et experts.

Sans mesure fiable, l’État ne peut pas déterminer si :

les revenus des développeurs indépendants augmentent ou diminuent,
des segments précis sont en déclin ou en progression,
l’offre se déplace vers d’autres formes de prestation,
certains métiers se fragilisent structurellement,
ou en gros, si IA = grand remplacement (pour la frange doomers) ou IA = maxi croissance (pour les techno-utopistes).

L’impact réel reste obscur.

La formation professionnelle reste souvent alignée sur des référentiels dépassés

Les dispositifs publics de formation continuent à cibler des profils génériques (“développeur web fullstack”, “intégrateur web”, “concepteur d’applications”) dont une partie du contenu technique a déjà été, est en train d’être largement automatisée par les outils IA. L’absence de données empêche d’adapter :

les référentiels de formation,
les parcours de reconversion,
les dispositifs d’accompagnement,
les investissements publics.

Le système reste orienté vers une approche très vintage, issue des années 70 et 80.

Une absence de visibilité sur les risques sectoriels

Les métiers techniques indépendants constituent une population fragile, et largement explosé aux conjonctures :

forte variabilité des revenus,
dépendance aux cycles économiques,
grande hétérogénéité des activités,
concurrence directe avec des solutions automatisées.

Les effets potentiels de l’IA (réduction de certaines prestations, concentration des missions, polarisation entre profils experts et prestations low-cost) nécessitent une surveillance structurée. Aucune n’existe.

Des signaux faibles difficilement identifiables

Dans la plupart des secteurs, les ruptures technologiques majeures sont précédées par des signaux faibles mesurables : baisse du nombre d’actifs, modification des revenus médians, ralentissement du volume de facturation, migration d’un segment vers un autre. Ces signaux permettent habituellement, sur le papier (enfin en Excel), d’ajuster les politiques publiques.

Le numérique échappe à cette logique faute d’indicateurs. L’absence d’infrastructure statistique adaptée conduit à un angle mort : la transformation réelle du travail se déroule sans observation structurée, au moment même où elle a le pied plaqué sur l’accélérateur.

Une feuille de route réaliste (sans prétendre réinventer le système)

Si l’objectif est de comprendre les mutations du travail, et en particulier celles provoquées par l’IA dans les métiers techniques indépendants, il devient nécessaire de transformer la manière dont la France observe, classe et agrège ses données professionnelles. Les briques existent déjà ; il s’agit de les organiser selon une logique compatible avec l’économie numérique.

Compléter la nomenclature APE avec une grille métier plus fine

Un État moderne se doit de disposer d’une nomenclature plus fine et plus dynamique que le code APE. Une grille structurée par activités réelles pour identifier objectivement :

les compétences mobilisées,
le type de production (logiciel, automatisation, intégration, prototypage),
le niveau d’autonomie,
le degré d’automatisation.

Une classification de ce type ne remplace pas la nomenclature NAF, mais peut la compléter et être maintenue en continu, sur le modèle de taxonomies évolutives utilisées dans d’autres pays pour suivre les métiers émergents liés au numérique. Quelques exemples ailleurs :

Le Canada utilise la CNP (Classification nationale des professions) qui est mise à jour tous les 5-10 ans et distingue bien les métiers tech
Les US ont l’O*NET qui est beaucoup plus granulaire et actualisé en continu
Le Royaume Unis a le SOC (Standard Occupational Classification) révisé régulièrement

Un minimum de croisement inter-administrations

Comme déjà mentionné, la France ne manque pas de données, mais celles-ci sont dispersées entre plusieurs administrations. Une infrastructure commune, synchronisée entre :

la DGFIP (revenus),
l’URSSAF (activité),
l’INSEE (démographie).

Un croisement annuel, géré par le Ministère de l’économie, suffirait à produire des indicateurs utiles pour fournir une vision cohérente des trajectoires professionnelles en recoupant les bonnes données et en les ouvrant en opendata. L’enjeu consiste à établir une architecture de flux de données transversale via des passerelles standardisées.

Avec ces jeux de données transverses il serait alors possible d’observer :

les transitions entre salariat et indépendance,
la concentration ou la dispersion des revenus par groupe d’activité,
l’évolution du nombre de professionnels actifs,
la fréquence réelle des prestations.

Produire des indicateurs dédiés aux métiers numériques

Si une vraie infrastructure de ce type était mise en place, un ensemble restreint d’indicateurs suffirait pour décrire la réalité des métiers techniques :

revenu médian et distribution,
volume de professionnels actifs,
niveau d’évolution annuel par segment,
taux d’intermittence de l’activité,
apparition ou disparition de catégories de missions.

Ces indicateurs publics serviraient de baromètre pour comprendre les transformations en cours, sans dépendre d’analyses privées ou d’enquêtes (surveys) sur des panels autorapportés.

Développer une veille systématique sur l’apparition et destruction de métiers

L’un des enjeux du numérique est l’émergence régulière de spécialités nouvelles. Une veille structurée, fondée sur l’analyse combinée des déclarations d’activité, des données de facturation et des trajectoires professionnelles, permettrait d’identifier rapidement les métiers émergents ou ceux en péril.

La capacité à détecter ces métiers naissants et mourants permettrait d’adapter plus rapidement les référentiels de formation et de mieux anticiper les besoins à moyen terme.

Des tableaux de bord accessibles au public

Dans un cadre de transparence, ces données doivent, de fait, être consultables librement. Des tableaux de bord publiés à période régulière offriraient :

une vision transparente des mutations,
une base objective pour les analyses sectorielles,
un outil d’aide à la décision pour les professionnels,
un support pour les politiques publiques.

Ces tableaux de bord et ou API constitueraient un socle fiable pour discuter de l’impact de l’IA, loin des projections théoriques ou des narratifs promotionnels.

Sans observation structurée, les discours dominent les faits

La transformation du travail provoquée par l’IA ne relève plus d’un horizon spéculatif et lointain. Elle restructure déjà les pratiques professionnelles, modifie les chaînes de production, réorganise la valeur des compétences et redéfinit les frontières entre automatisation et expertise. Les métiers du numérique en sont les premiers témoins, souvent sans que ces évolutions soient mesurées ou documentées.

La France dispose des données nécessaires pour comprendre ces mutations, mais son infrastructure statistique n’est pas conçue pour analyser les métiers réels. Les classifications actuelles reflètent une économie industrialisée, segmentée en grandes catégories sectorielles, très éloignées de la finesse requise pour observer l’économie du numérique. Ce décalage structurel produit une zone de flou : les métiers techniques indépendants ne sont pas correctement analysés, et leur évolution reste invisible dans les indicateurs publics.

La question n’est pas simplement statistique. Elle touche à la capacité du pays à anticiper, à orienter et à accompagner les transformations du travail. Une politique publique adaptée suppose une connaissance claire des trajectoires professionnelles, des dynamiques économiques et des effets réels de l’IA sur les métiers. Cette connaissance n’est accessible, entre autre, qu’au prix d’une modernisation de l’appareil statistique.

Une infrastructure de données adaptée au numérique ne garantie pas une vision parfaite et totale, mais elle peut fournir une base d’analyse fiable, indépendante du privé et des panels partiels ou parfois totalement intéressés. Le but est clair : identifier les signaux faibles, suivre l’évolution des compétences, mesurer les zones de tension et analyser, par les stats, les effets de l’automatisation.

La transition en cours exige une compréhension précise des métiers et de leurs dynamiques. C’est une question de souveraineté technique, de cohérence politique et de respect du travail réel de ceux qui produisent, conçoivent, développent ou transforment les outils qui façonnent le quotidien numérique du pays (main sur le cœur, regard haut).

Sans observation structurée, les discours prennent le dessus sur les faits.