Les enjeux macroéconomiques de l’intelligence artificielle
Source details
- Canonical URL
- Les enjeux macroéconomiques de l’intelligence artificielle
Other formats
Bibliographic details
- Authors: Erik Brynjolfsson, GABRIEL UNGER
- Published: December 15, 2023
Introduction — cadre et portée
- Thème central : implications macroéconomiques de l’intelligence artificielle (IA) pour la productivité, les inégalités de revenu et la concentration sectorielle.
- Avertissement méthodologique : incertitude élevée quant à la trajectoire future de l’IA ; l’avenir dépend fortement des décisions technologiques, réglementaires et stratégiques prises aujourd’hui.
- Politiques favorables identifiées :
- l’essai de politiques créatives ;
- des objectifs positifs pour ce que la société attend de l’IA ;
- la souplesse publique pour évoluer avec des possibilités technologiques très incertaines et rapidement changeantes.
Productivité — deux voies contrastées
- Contexte : faiblesse inquiétante de la croissance de la productivité pendant l’essentiel des cinq dernières décennies, hormis une brève résurgence au tournant du siècle.
- Scénario 1 — Un avenir de faible productivité :
- Adoption lente et concentrée de l’IA, cantonnée aux grandes entreprises (référence : Zolas et al., 2021).
- L’IA pourrait se limiter à économiser de la main-d’œuvre sans permettre de tâches nouvelles ou puissantes.
- Risque d’aggravation du paradoxe de Robert Solow : forte visibilité de l’IA sans gains mesurables de productivité.
- Obstacles supplémentaires : problèmes organisationnels, incertitudes juridiques en matière de propriété intellectuelle (risque de « maquis de brevets »), réglementations nationales strictes ou interdictions.
- Scénario 2 — Un avenir de forte productivité :
- L’IA appliquée à une part substantielle des tâches (référence : Eloundou et al., 2023) augmente massivement la productivité.
- L’IA seconde les travailleurs, libérant du temps pour des tâches non courantes, créatives et inventives ; captation des connaissances tacites via données numérisées.
- Résultat : niveau de productivité plus élevé et taux de croissance durablement supérieur, intégration IA + robotique élargissant la réactivité de l’économie aux progrès liés à l’IA.
- Potentiel de « auto‑amélioration récursive » de la recherche soutenue par l’IA (recherche médicale, mathématiques, sciences, évolution de l’IA elle‑même).
Inégalités de revenu — deux trajectoires opposées
- Contexte : augmentation des inégalités entre travailleurs au cours des 40 dernières années ; technologies informatiques antérieures ont contribué à polariser l’emploi.
- Scénario 1 — Un avenir d’inégalités accrues :
- L’IA se substitue directement à de nombreuses formes de travail humain, y compris des tâches non courantes et créatives (ex. contenu génératif).
- Déplacement de nombreux travailleurs vers des emplois de service mal rémunérés (aide‑soignant, aide maternelle, portier) où la présence humaine est intrinsèquement estimée.
- Résultat : polarisation accrue entre une petite élite très qualifiée et une vaste sous‑classe de travailleurs des services.
- Scénario 2 — Un avenir d’inégalités moindres :
- L’IA aide les moins expérimentés/moins compétents à mieux faire leur travail (ex. assistants d’IA comme Copilot).
- Étude citée : 5 000 travailleurs en centre d’appel — les employés les moins qualifiés affichent les gains de productivité les plus importants avec un assistant d’IA (Brynjolfsson, Li et Raymond, 2023).
- Effets additionnels : réduction de la rotation du personnel et augmentation de la satisfaction des clients pour le personnel utilisant l’assistant d’IA.
- Conditions pour une réduction des inégalités : partage des gains par les employeurs et diffusion large des outils d’assistance.
Concentration sectorielle — deux issues divergentes
- Contexte : augmentation spectaculaire de la concentration sectorielle depuis le début des années 80 dans de nombreuses économies avancées.
- Scénario 1 — Un avenir à concentration plus élevée :
- Seules les grandes entreprises utilisent intensivement l’IA ; coûts initiaux massifs et besoins en gigantesques ensembles de données favorisent les « superstars ».
- Exemple chiffré : entraînement du modèle GPT‑4 a coûté plus de 100 millions de dollars dans la phase de développement, et son fonctionnement coûte environ 700 000 dollars par jour.
- Prévision : coûts de développement d’un grand modèle d’IA pourraient bientôt se chiffrer en milliards de dollars ; lois d’échelle favorisent les entreprises au plus gros budget et aux plus grands jeux de données.
- Conséquence : IA exclusive développée par quelques acteurs (ex. Alphabet, Microsoft, OpenAI) accroissant la taille et la domination des plus grandes entreprises.
- Avantage supplémentaire pour grandes entreprises : meilleure coordination interne des opérations complexes via IA, remettant en cause les avantages de la connaissance locale des petites entreprises.
- Scénario 2 — Un avenir à concentration moindre :
- Écosystème en source ouverte dynamique (ex. modèles en source ouverte mentionnés dans la discussion, citation d’un chercheur Google) rendant l’IA largement accessible aux petites entreprises.
- Les petits modèles en source ouverte peuvent être plus rapides, plus personnalisables, plus privés et parfois plus performants que les grands modèles exclusifs, avec des coûts d’entraînement moindres.
- L’IA peut encourager l’innovation décentralisée et permettre à des petites entreprises agiles de combler ou d’inverser l’écart technologique avec des acteurs plus grands.
- Résultat potentiel : ralentissement ou inversion de la progression de la concentration sectorielle.
Recommandations de politique publique — orientations stratégiques
- Diagnostic : la voie la plus sombre est la « voie de la moindre résistance » menant à faible productivité, inégalités accrues et concentration élevée.
- Objectif central : façonner l’évolution de l’IA par des interventions publiques intelligentes pour atteindre un avenir de croissance soutenue et inclusive.
- Questions politiques prioritaires :
- Comment encourager des IA qui complètent le travail humain plutôt que le remplacer ?
- Quels choix favoriseront l’accès à l’IA pour des entreprises de toute taille (y compris l’écosystème en source ouverte) ?
- Comment soutenir les laboratoires et entreprises pour qu’ils adoptent des pratiques de formation et de mise en œuvre de modèles favorisant des bénéfices larges ?
- Comment obtenir une IA qui libère une innovation radicale plutôt que des modifications marginales ?
- Acteurs influents : grandes entreprises, laboratoires d’IA universitaires, législateurs et instances de réglementation (nationales et supranationales), électeurs, syndicats.
- Investissement nécessaire : accroître la recherche sur l’économie de l’IA proportionnellement à l’ampleur des effets économiques potentiels (effets pouvant se mesurer en milliers de milliards de dollars).
- Besoin institutionnel : réorientation des priorités de recherche et élaboration d’un programme de politique publique intelligent pour promouvoir une croissance à la fois soutenue et inclusive.
Erik Brynjolfsson et Gabriel Unger, FINANCES & DÉVELOPPEMENT, Décembre 2023
Content in this bundle
- Les enjeux macroéconomiques de l’intelligence artificielle