Rééquilibrer l’intelligence artificielle

Source details

Canonical URL

Rééquilibrer l’intelligence artificielle

Other formats

• Markdown version
• Structured JSON version
• Bundle manifest

Bibliographic details

• Authors: DARON ACEMOGLU, SIMON JOHNSON
• Published: December 18, 2023

Prévisions et concept dominant

• Estimations optimistes citées : adoption de l’IA pourrait stimuler la productivité de "1,5 point de pourcentage par an sur 10 ans" et augmenter le PIB mondial de "7 % (7 000 milliards de dollars de production supplémentaire)".
• Une probabilité avancée de "10 %" pour un scénario de « croissance explosive », incluant une augmentation de la production mondiale de "plus de 30 % par an".
• Ces perspectives optimistes reposent sur le concept d’« effet d’entraînement de la productivité » (« productivity bandwagon ») : l’idée que l’évolution technologique entraîne une hausse de la productivité, des salaires nets et une prospérité partagée.
• Observation centrale : le techno-optimisme contredit l’expérience historique lorsque l’automatisation se concentre sur le remplacement des travailleurs plutôt que sur la création de tâches complémentaires.

Machines, productivité moyenne vs productivité marginale

• Définition clé : productivité du travail = « production moyenne par travailleur » (production totale / emploi total).
• Décision d’embauche liée à la productivité marginale du travail (contribution supplémentaire de chaque travailleur ajouté), pas à la production moyenne par travailleur.
• Effet constaté : l’automatisation augmente souvent la productivité moyenne mais peut maintenir constante ou diminuer la productivité marginale du travail.
• Historique : au cours des quatre dernières décennies, l’automatisation a augmenté la productivité et multiplié les bénéfices des entreprises, sans conduire à une prospérité partagée dans les pays industrialisés.

Création de nouvelles tâches et fonctions

• Les innovations qui augmentent la contribution des individus (outils logiciels pour mécaniciens, etc.) peuvent accroître la productivité marginale du travail.
• La création de nouvelles tâches élargit la contribution humaine et augmente la productivité marginale du travail.
• Exemples historiques : méthodes de production de masse et chaînes de montage (dès "à partir de 1910") ont créé des tâches de conception, d’ingénierie, d’exploitation et d’administration.
• Croissance des professions modernes (radiologues IRM, ingénieurs réseau, techniciens en fabrication assistée par ordinateur, programmeurs informatiques, techniciens en sécurité informatique, analystes de données) — beaucoup n’existaient pas "il y a 80 ans".
• Nouvelles tâches = moteur essentiel de la croissance de l’emploi et des salaires au cours des "deux derniers siècles".

Automatisation productive vs « automatisation sans plus »

• Automatisation productive : lorsqu’elle augmente considérablement la productivité, elle peut créer de nouveaux emplois dans le même secteur ou dans des secteurs connexes (ex. industrie automobile et développement des industries pétrolière, sidérurgique et chimique ; essor du commerce, des loisirs et des services).
• « Automatisation sans plus » (« so-so automation ») : gains de productivité limités qui déplacent le travail sans générer d’expansion de la production ni de création significative d’emplois (ex. caisse automatique de supermarché).
• Risque historique : adoption rapide de robots dans le Midwest américain a entraîné des licenciements massifs et contribué au long déclin de l’économie régionale.
• Sur-surveillance : les technologies axées sur la surveillance apportent des améliorations marginales mais servent surtout à obtenir davantage d’efforts des travailleurs.

Complémentarité humaine et trajectoire actuelle

• Historique : entre "1870 et 1970", la mécanisation a évincé plus de la moitié de la main-d’œuvre du secteur primaire, mais a généré une forte demande de main-d’œuvre qualifiée dans les secteurs secondaire et tertiaire.
• Basculement à partir d’environ "1970" : création de nouvelles tâches s’est ralentie, surtout pour les travailleurs sans diplôme du second cycle universitaire, conduisant à une concentration dans des emplois de service faiblement rémunérés (nettoyage, restauration, loisirs).
• IA générative : peut éventuellement maîtriser des tâches requérant adaptation, jugement et bon sens, et contribuer à des gains de productivité considérables à mesure que les coûts diminuent et que la fiabilité augmente.
• Paradigme actuel de la recherche en IA favorise l’égalisation des capacités humaines et l’automatisation plutôt que la complémentarité.
• Potentiel positif de l’IA : formation et reconversion des travailleurs spécialisés (éducateurs, personnel médical, artisans), création de demandes pour supervision, communication client et perfectionnement des services.

Cinq axes politiques pour réorienter l’IA vers la complémentarité humaine

• La réforme des modèles économiques :
  • Définir clairement les droits de propriété des consommateurs sur leurs données.
  • Taxer la publicité numérique.
  • Permettre une plus grande diversité de modèles économiques et accroître la concurrence.
• La fiscalité :
  • Dans de nombreux pays, le travail est plus lourdement taxé que les actifs incorporels (algorithmes).
  • Promouvoir une structure fiscale plus symétrique en égalisant les taux marginaux d’imposition du travail (recrutement et formation de personnel) et des immobilisations (matériel et logiciels).
• La voix des travailleurs :
  • Assurer la participation des travailleurs au développement de l’IA.
  • Restreindre le déploiement de l’IA non (ou insuffisamment) éprouvée pour des applications mettant les travailleurs en danger (tâches décisionnelles à fort enjeu, recrutement, licenciement, contrôle et surveillance du lieu de travail).
• Le financement de la recherche axée sur la complémentarité avec l’humain :
  • Soutenir davantage la R‑D des technologies d’IA complémentaires de l’humain.
  • Encourager la concurrence et l’investissement dans les technologies associant outils d’IA et savoir‑faire humain, notamment dans les secteurs sociaux essentiels.
  • Une fois les progrès réalisés, orienter l’adoption par les programmes d’éducation et de santé financés par l’État.
• La compétence en IA dans l’administration :
  • Créer une unité consultative sur l’IA au sein de l’administration pour aider la réglementation, la dépense publique et l’exécution à prendre des décisions opportunes et efficaces.

Potentiel d’impact macroéconomique et scénarios

• Court terme : l’IA pourrait accroître le PIB mondial au cours des "cinq prochaines années", mais pas nécessairement au niveau des estimations les plus optimistes.
• Moyen terme : l’IA pourrait alimenter modestement la croissance du PIB, mais la trajectoire actuelle entraînera probablement une augmentation des inégalités au sein des pays industrialisés.
• Risques pour les pays à revenu intermédiaire et de nombreux pays à faible revenu : nouvelle technologie à forte intensité de capital appliquée partout, sans garantie que l’IA créera plus d’emplois qu’elle n’en détruira.
• Choix déterminant : si l’IA est réorientée vers la complémentarité humaine et utilisée pour résoudre des problèmes sociaux urgents, toutes les régions pourraient en bénéficier ; sinon, l’approche d’automatisation pure aggravera les difficultés à atteindre une prospérité partagée.

Article adapté de l’ouvrage Power and Progress: Our 1000 Year Struggle over Technology and Prosperity et s’appuie sur une collaboration avec David Autor. DARON ACEMOGLU et SIMON JOHNSON.

Content in this bundle

• Rééquilibrer l’intelligence artificielle
  • Rééquilibrer l’intelligence artificielle (Markdown version)
  • Rééquilibrer l’intelligence artificielle (PDF)