Pharmacovigilance
ISCO-08 2262, 3344, 4110, 2641Chargé de pharmacovigilance, Gestionnaire de cas de pharmacovigilance, Médecin de pharmacovigilance, Chargé de détection du signal, Responsable pharmacovigilance, Pharmacien QPPV
De quoi le métier est fait
Les grandes activités de la famille, la part du temps de travail que chacune représente, et la part de ce temps que l'IA générative peut automatiser.
- Saisie et codage des cas dans la base de sécurité30% du temps de travail80% d'exposition
L'IA lit les notifications, extrait les champs, propose les codes MedDRA et détecte les doublons, le gestionnaire traite les exceptions.
- Rédaction des narratifs et suivi des cas15% du temps de travail70% d'exposition
Les narratifs standard et les courriers de suivi aux notificateurs sont rédigés automatiquement à partir des données du cas.
- Évaluation médicale des cas et de la causalité15% du temps de travail20% d'exposition
L'évaluation de la gravité et de la causalité reste au médecin, l'IA présente les cas passés comparables.
- Détection et évaluation du signal15% du temps de travail35% d'exposition
Le criblage statistique et la compilation des données sont automatisés, décider si un signal est réel et quoi faire reste humain.
- Rapports périodiques de sécurité (PSUR, DSUR)15% du temps de travail55% d'exposition
L'IA compile les tableaux et rédige les parties descriptives, la conclusion bénéfice-risque est écrite et signée par l'équipe.
- Relations avec les autorités et inspections10% du temps de travail15% d'exposition
Répondre aux autorités, accueillir les inspections et la responsabilité du QPPV restent humains, l'IA aide à retrouver les documents.
Effectif nécessaire, en ETP
Compétences IA cibles
niveau 1 à 4Compétences métier
Se renforcent
- Revue médicale des cas complexes
- Évaluation des signaux et du bénéfice-risque
- Validation du traitement automatisé des cas
- Préparation aux inspections des processus assistés par IA
Se déprécient
- Saisie manuelle des cas en base de sécurité
- Codage MedDRA des événements déclarés
- Rédaction des narratifs de cas standard
- Détection des doublons et screening bibliographique
Les transformations attendues
L'essentiel des effectifs de pharmacovigilance se trouve dans le traitement des cas : lire les déclarations, les saisir dans la base de sécurité, coder les événements en MedDRA, rédiger les narratifs, repérer les doublons. Ce sont les étapes que l'IA traite le mieux, et des solutions d'automatisation de la saisie et des narratifs existent déjà. Le screening bibliographique et la première version des rapports périodiques suivent le même chemin.
Restent le jugement médical et la responsabilité : imputer un cas difficile, décider si un signal est réel, défendre une position bénéfice-risque devant une autorité. L'équipe doit aussi démontrer aux inspecteurs que les étapes automatisées sont validées et maîtrisées. Un bon professionnel de pharmacovigilance demain associe raisonnement clinique et capacité à auditer un système qu'il n'a pas construit.
- 2026-2027
- Saisie des cas et narratifs automatisés, sous revue humaine complète.
- 2028-2030
- La revue passe à l'échantillonnage, les équipes de traitement diminuent, souvent chez les prestataires.
- 2031+
- Équipes réduites, centrées sur les signaux, le bénéfice-risque et la validation des systèmes.
Le traitement des cas est la porte d'entrée en pharmacovigilance. S'il disparaît, les entreprises auront du mal à former les médecins de PV et les experts du signal dont elles auront toujours besoin. Voir l'effet démographique ci-dessous.
Et si vous recrutiez moins de juniors ?
Les seniors de 2036 sont les juniors que vous recrutez aujourd'hui.
Paramètres avancés modifié
2026 2036
The AI Cookbook 2026
Le guide d'albert pour dépasser le bruit autour de l'IA générative et en faire des décisions sur les effectifs.
- Ce que l'IA change vraiment dans les métiers et les compétences
- Pourquoi la filière junior compte plus que la plupart des entreprises ne le pensent
- Comment intégrer l'IA dans la planification des effectifs

Faites tourner ces scénarios sur vos vrais effectifs
Diagnostic Impact IA : 6 à 8 semaines, vos données dans albert, trois scénarios chiffrés et la pyramide projetée pour chaque famille de métiers.
Comment les chiffres sont construits
Chaque chiffre d'effectif combine quatre hypothèses. Trois sont pré-remplies à partir de la recherche publique et des valeurs de la famille. Le plafond stratégique, c'est vous qui le fixez.
Pyramide d'expérience
Un modèle de flux à trois niveaux d'expérience dans le métier. Les taux de promotion et de départ sont calés pour que la pyramide actuelle reste stable sans changement de recrutement : l'écart affiché vient uniquement de la baisse du recrutement junior.
Sources
- International Labour OrganizationGenerative AI and jobs: a refined global index of occupational exposure (2025)
- ILO datasetTask-level GenAI exposure scores by ISCO-08 occupation
- AnthropicAnthropic Economic Index (June 2026 release, April and May 2026 usage data)
- Stanford Digital Economy LabCanaries in the Coal Mine? Six facts about the recent employment effects of AI