La majeure partie du débat sur les effets économiques de l’intelligence artificielle s’est concentrée sur ses conséquences possibles sur l’emploi. Cela n’est pas surprenant. Les grands chiffres macroéconomiques tels que le taux de croissance du PIB semblent souvent abstraits.
La réalité quotidienne nous montre que les changements apportés par les nouvelles technologies dans le travail quotidien des gens sont beaucoup plus tangibles. Je vais donc essayer de résumer ma lecture des preuves historiques et des discussions théoriques d’une manière qui permette de faire plus facilement le lien avec cette expérience personnelle.
On peut affirmer qu’en 2024, nous explorons encore les potentialités de l’électricité dans la production de biens et de services.
À cette fin, je voudrais présenter deux idées fondamentales sur le changement technologique et l’emploi. La première idée est celle des “longs délais de diffusion technologique”. L’un des ouvrages d’histoire économique les plus importants de ces dernières décennies est un article très court et très lisible de 1990 de Paul David, récemment décédé, intitulé The Dynamo and the Computer (La dynamo et l’ordinateur). Dans cet article, M. David compare l’introduction de l’énergie électrique, vers 1890-1900, à celle de l’ordinateur, vers 1960-1970, en deux étapes. Dans un premier temps, l’économiste américain a montré qu’il a fallu des décennies aux ingénieurs, architectes, hommes d’affaires et autres experts pour apprécier tous les avantages de l’électricité et comprendre ses possibilités.
Par exemple, les moteurs électriques étaient non seulement généralement moins chers et moins bruyants que les machines à vapeur qu’ils remplaçaient, mais, parce qu’ils étaient plus flexibles, ils permettaient de réorganiser les usines de manière spectaculaire. Il n’était plus nécessaire de construire des usines verticales pour minimiser la distance entre les machines et la turbine à vapeur centrale en empilant plusieurs usines au-dessus de celle-ci ; les usines horizontales, mais très longues, étaient beaucoup moins chères, et il était très simple d’étendre le câble d’alimentation sur toute la longueur de l’usine. Mais si les réductions de coûts et de bruit étaient évidentes pour presque tout le monde, la réorganisation des usines autour de l’électricité a nécessité des décennies d’essais, avec de nombreux malentendus et des occasions manquées. En fait, on peut dire qu’en 2024, nous sommes encore en train d’explorer le potentiel de l’électricité dans la production de biens et de services.
Dans un deuxième temps, David a expliqué que l’absence d’impact des ordinateurs sur la productivité, dont se plaignaient de nombreux observateurs en 1990, était une conséquence du fait que nous étions encore en train de nous concentrer sur ce qu’il fallait en faire. La même chose s’est produite avec l’électricité, qui n’a pas beaucoup augmenté la productivité pendant des années, alors que l’on réfléchissait à la conception des nouvelles usines. De nombreux lecteurs plus âgés se souviendront peut-être que, dans de nombreuses entreprises et à l’université, les premiers ordinateurs personnels n’étaient souvent rien de plus que des machines à écrire électroniques légèrement plus sophistiquées.
Certes, elles aidaient un peu, mais rien de spectaculaire. David a osé dire, et le temps lui a donné raison, que l’impact des ordinateurs commencerait à être beaucoup plus puissant quelques années plus tard. Aujourd’hui, personne ne peut imaginer la vie moderne sans ordinateur (ou sans téléphone portable, qui n’est rien d’autre qu’un minuscule ordinateur). À quand remonte la dernière fois où vous avez utilisé une carte physique pour chercher une adresse plutôt qu’une application sur votre téléphone portable ou sur l’internet ?
Photo : Un écran avec ChatGPT par OpenAI (EFE/Rayner Peña R.) Opinion
Comme l’histoire ne se répète pas, mais qu’elle rime, il est probable qu’il se passera quelque chose de similaire avec l’intelligence artificielle : pendant de nombreuses années, elle ne sera rien de plus qu’un ajout dans de nombreuses entreprises qui ne fera pas beaucoup de différence. Cela ne veut pas dire que l’impact à court terme sera nul. Même les ordinateurs ont révolutionné certains secteurs (comme la finance ou les agences de voyage) pratiquement dès le lendemain de leur introduction.
La leçon de David est simplement une raison sérieuse d’être prudent lorsque l’on lit des titres grandiloquents tels que “dans 10 ans, 50% des emplois d’aujourd’hui auront disparu du fait de l’intelligence artificielle”. Ce n’est pas le scénario le plus plausible. Mais dans le monde d’aujourd’hui, où il semble plus important que les gens cliquent sur les nouvelles ou partagent le rapport d’un cabinet de conseil sur les médias sociaux que sur une analyse rigoureuse, une déclaration agressive attire toujours plus l’attention.
L’idée de “longs délais de diffusion des technologies” apporte un deuxième élément. À l’heure actuelle, peu de gens savent comment utiliser l’intelligence artificielle dans les entreprises de la manière la plus rentable possible. Certaines statistiques font état d’un taux d’échec très élevé dans les projets d’apprentissage automatique. Bien que ces statistiques soient difficiles à corroborer de manière indépendante, les conversations que j’ai eues avec des chefs de projet dans certaines des plus grandes multinationales soulignent très souvent les risques énormes associés aux nouvelles technologies. Trop souvent, après des centaines de millions de dollars d’investissement dans l’intelligence artificielle, le résultat final est maigre.
Le capital, ce sont les machines dans une usine, un immeuble de bureaux ou l’ordinateur dans le bureau.
Et si les experts du monde des affaires ne savent pas très bien comment utiliser l’intelligence artificielle, les universitaires (qu’ils soient économistes, comme moi, ou qu’ils travaillent dans d’autres domaines) le savent probablement encore moins. Beaucoup de ceux qui écrivent sur les grands changements à venir veulent vendre des livres et percevoir des honoraires de consultants. Répondre “je ne sais pas” génère peu de liquidités pour un universitaire. Tout ce qui suit dans cet article est donc une conjecture, basée sur mes meilleurs efforts de réflexion sur ce sujet, mais sujette à d’énormes niveaux d’incertitude.
La deuxième idée que je souhaite introduire est celle du “biais dans le progrès économique”. Les biens et services qui composent le PIB (et ceux qui n’entrent pas dans son calcul, comme la cuisine à la maison !) sont générés par la combinaison de ce que nous, économistes, appelons les facteurs productifs : terre, énergie, matières premières, capital, etc.
Aujourd’hui, je souhaite me concentrer sur trois de ces facteurs de production, non pas parce que les autres facteurs sont moins importants, mais parce qu’ils me permettent d’illustrer plus en détail l’idée de “biais dans le progrès économique” : le capital, la main-d’œuvre qualifiée et la main-d’œuvre non qualifiée. Le capital, ce sont les machines dans une usine, un immeuble de bureaux, l’ordinateur dans le bureau, etc. (le mot “capital” est ici utilisé dans un sens différent que lorsqu’on dit “le capital d’une entreprise”, qui se réfère aux ressources propres de l’entreprise). Le travail qualifié est tout travail qui nécessite de nombreuses années de formation (qu’elle soit formelle, comme des années d’études universitaires, ou pratique, comme l’accumulation d’expérience). Par exemple, un chirurgien cancérologue ou un pianiste classique. Le travail non qualifié est un travail qui nécessite peu de formation. Par exemple, le réapprovisionnement des rayons d’un supermarché. Bien sûr, dans la vie réelle, il existe tout un éventail de qualifications, des plus simples aux plus complexes, mais une division grossière en deux niveaux de qualification me suffit pour cet article.
L’intelligence artificielle et l’avenir de la croissance économique
Le “biais du progrès économique” est l’effet de complémentarité ou de substituabilité que l’innovation a sur le rôle joué par les facteurs dans la production de biens et de services. Un cas bien documenté de ce progrès est la mécanisation de l’agriculture à la fin du 19e et au début du 20e siècle : l’introduction de tracteurs, de moissonneuses-batteuses et d’autres machines agricoles (biens d’équipement) a supprimé, en quelques décennies seulement, plus de 90 % des emplois dans l’agriculture. Ce qui prenait des dizaines de faucheurs par semaine était réalisé par une moissonneuse-batteuse en quelques heures.
Mais le biais peut également se produire dans la direction opposée. Par exemple, la plupart des nouvelles technologies de l’information des dernières décennies sont relativement moins capitalistiques que les technologies de pointe qui ont vu le jour après la Seconde Guerre mondiale. Quel que soit le nombre de fermes de serveurs dont une société Internet peut avoir besoin, l’investissement en capital sera loin d’être comparable à celui nécessaire pour installer un haut fourneau ou une centrale nucléaire (comme je l’ai expliqué dans des billets précédents, il existe des exceptions telles que les usines de semi-conducteurs à très forte intensité de capital). En effet, une hypothèse pour expliquer pourquoi les taux d’intérêt réels sont si bas depuis 2000 est que la nouvelle économie de l’information exige moins d’investissements en capital et que, par conséquent, les taux d’intérêt réels qui drainent l’ensemble du marché de l’épargne et de l’investissement sont plus bas que par le passé.
Depuis 1945, il n’y a jamais eu de meilleur moment que 2024 pour avoir des compétences élevées en matière de manipulation de concepts abstraits.
En comparaison, les technologies de l’information ont favorisé le travail plus qualifié et défavorisé le travail moins qualifié. En d’autres termes, les technologies de l’information complètent le travail qualifié, mais se substituent au travail moins qualifié. Daron Acemoglu a écrit un résumé classique des preuves à cet égard il y a des années. Grâce à l’internet, par exemple, tous les travailleurs ont accès à une telle quantité d’informations sur pratiquement tous les sujets qu’en 1990, cela aurait semblé impossible. Mais la capacité à trier les multiples sources d’information et à extraire les informations pertinentes, en discernant celles qui sont exactes, est fortement corrélée au niveau d’éducation et, même au sein des niveaux d’éducation élevés, à la compétence des travailleurs. Vingt ans d’expérience m’ont appris qu’un indicateur presque parfait de la réussite future des étudiants diplômés dans leur thèse de doctorat est leur capacité, dès le début de leurs études, à trouver les articles de recherche pertinents sur un sujet et à les résumer avec fluidité. Les moteurs de recherche Internet sont les mêmes pour tous les étudiants de première année, et si certains d’entre eux peuvent déterminer quels articles sont importants et solides dans un domaine de recherche, d’autres sont incapables de distinguer le bon grain de l’ivraie.
Une grande partie des tensions politiques croissantes en Occident trouvent précisément leur origine dans ce biais en faveur du travail plus qualifié : depuis 1945, il n’y a jamais eu de meilleur moment que 2024 pour avoir de grandes compétences dans la manipulation de concepts abstraits (et vivre dans une métropole), ni de pire moment pour avoir de faibles compétences (et vivre dans une petite ville ou dans un monde rural).
Quel est le biais technologique de l’apprentissage automatique ? Il y a deux possibilités. La première est que, pour la première fois depuis plusieurs décennies, le progrès technologique favorise le travail peu qualifié. Les grands modèles linguistiques comme ChapGPT peuvent générer des textes qui, dans de nombreux cas, remplacent le travail de travailleurs cognitifs comme les avocats ou les auditeurs. Je rédige maintenant des offres d’emploi pour mon centre de recherche à l’aide d’un grand modèle linguistique : je spécifie les paramètres (salaire, heures d’enseignement, etc.) et le modèle m’écrit une lettre avec des conditions de travail bien meilleures que celles que j’avais l’habitude d’écrire (et sans fautes de grammaire !). En même temps, comme je l’ai expliqué dans mon premier billet de cette série, nous sommes loin d’avoir un robot qui sache nettoyer les toilettes d’un bureau. En d’autres termes, dans quelques années, nous pourrions constater que les entreprises seront en mesure de se passer de nombreux travailleurs cognitifs, mais pas de nettoyeurs. Ce biais modifiera la rémunération relative de ces deux groupes à mesure que la demande de travailleurs cognitifs diminuera.
La deuxième possibilité (qui n’est pas nécessairement opposée à la précédente) est que les modèles d’apprentissage automatique soient sursélectionnés pour des emplois plus qualifiés. Revenons à mon exemple précédent : l’avocat de niveau intermédiaire qui rédige la première version d’un contrat complexe peut être remplacé par un grand modèle linguistique, mais nous avons toujours besoin d’un associé principal du cabinet pour lire la version finale du contrat et vérifier que toutes les clauses sont correctes. En d’autres termes, au sein du groupe des travailleurs cognitifs, ce changement technologique profitera à ceux qui sont vraiment bons, car ils verront leur productivité augmenter (l’associé principal peut demander plusieurs versions du contrat au grand modèle linguistique avec différents paramètres et sélectionner la meilleure), mais il éliminera ceux dont les capacités cognitives sont légèrement inférieures.
Permettez-moi de vous donner un exemple concret que je connais le mieux : la programmation. Lorsque ChatGPT a commencé à démontrer qu’il pouvait écrire du code dans des langages de programmation courants comme Python, de nombreuses personnes se sont rendues sur les médias sociaux pour dire qu’il n’était plus nécessaire d’apprendre la programmation. Cela montre que beaucoup ne comprennent pas ce que l’apprentissage automatique peut et ne peut pas faire. Le générateur de code de ChatGPT écrit un code très robuste pour résoudre des problèmes standard, tels que la création d’un graphique de données et l’exécution d’une analyse statistique de base. Mais il s’agit de tâches pour lesquelles il n’y a pratiquement aucune différence de productivité entre les grands programmeurs et les programmeurs moyens. S’il fallait 15 minutes à un excellent programmeur pour écrire le code dont je parlais et 20 minutes à un programmeur médiocre (pour donner un chiffre), la différence de 5 minutes n’allait nulle part.
Mais maintenant qu’il dispose de 15 minutes supplémentaires parce que ChatGPT a déjà terminé le graphe, l’excellent programmeur peut penser à un nouvel algorithme qui peut changer son industrie (ou, s’il travaille dans le milieu universitaire, innover de façon spectaculaire dans son domaine de recherche). ChapGPT ne peut pas inventer ces nouveaux algorithmes car, en construisant le réseau neuronal, il répète des modèles de code existants (même s’il peut les recombiner de manière originale). Le mauvais programmeur, qui ne sait faire que des choses répétitives, passera 20 minutes à regarder l’écran sans rien faire d’utile. Lorsque son patron s’en apercevra, il le licenciera. En d’autres termes, savoir bien programmer a beaucoup plus de valeur en 2024 qu’en 2022. Mal programmer, ou ce qui revient presque au même, être peu créatif parce qu’on a dû subir le système éducatif espagnol carpetovetonique, perversement conçu dès le départ pour annihiler la moindre manifestation d’originalité (quand je lis des choses comme celles racontées dans cet article), est plus nuisible en 2024 qu’en 2022.
Pour en revenir à ma première idée de “longs délais de diffusion technologique” : nous ne savons pas vraiment ce qui se passera avec l’introduction massive de l’intelligence artificielle dans le monde des affaires : sera-t-elle complémentaire ou substitutive des compétences cognitives, de toutes les compétences cognitives ou seulement d’un sous-ensemble d’entre elles ? Mais, d’après ma lecture des faits au début de l’année 2024, je parie qu’elle va générer un biais en faveur des emplois peu qualifiés et peut-être des emplois plus qualifiés. Les emplois moyennement ou hautement qualifiés seront probablement perdants. Si je devais faire une prédiction, je dirais que les 70 % de travailleurs du haut de la pyramide seront gagnants (car la productivité totale de l’économie augmentera), que les travailleurs des 71 à 95 % de la pyramide seront perdants (car leur demande relative diminuera) et que les 5 % de travailleurs du haut de la pyramide seront gagnants.
Cette prédiction explique le niveau élevé d’inquiétude que l’apprentissage automatique a suscité dans certains milieux professionnels qui, par le passé, avaient accueilli favorablement d’autres changements technologiques. Mais ces changements concernaient l’ouvrier d’une usine de fraiseuses de l’Ohio, et non l’avocat moyen d’une société d’investissement de Manhattan. Les gagnants et les perdants pourraient maintenant commencer à être différents.
Le lecteur avisé aura remarqué que j’ai toujours parlé de l’évolution des salaires relatifs, et non de la croissance du chômage. La raison en est que les marchés, même les marchés du travail, finissent par s’ajuster (à moins, bien sûr, que la législation ne mette des bâtons dans les roues, comme nous le faisons en Espagne avec l’étonnante habileté de notre diarrhée législative). L’ajustement du marché est souvent lent et se fait par à-coups, blessant certains et aidant d’autres. C’est pourquoi je ne crains absolument pas que “des emplois disparaissent”. Nous entendons ce refrain depuis des siècles.
En 2050, il n’y aura pas 40 % de chômeurs dans les pays normaux et le salaire moyen sera plus élevé.
Le nombre d’emplois possibles dans une société est presque infini : une personne de plus est toujours utile dans le secteur de l’hôtellerie (ou dans un millier d’autres services). Le problème est le coût d’opportunité de cette tâche : l’emploi supplémentaire dans un hôtel a moins de valeur pour la société que l’emploi supplémentaire dans une entreprise automobile, exprimé par les prix que les consommateurs sont prêts à payer pour une chambre d’hôtel par rapport au prix d’une voiture (cher lecteur : rappelez-vous qu’il s’agit de l’évaluation moyenne de la société exprimée par les demandes de millions de consommateurs, et non de la vôtre ; votre évaluation peut être différente).
Si la productivité dans le secteur automobile augmente considérablement et que l’emploi diminue, de nouveaux emplois seront créés dans le secteur de l’hôtellerie, car les salaires relatifs sont désormais inférieurs. C’est ainsi que nous avons absorbé tous les changements technologiques des 200 dernières années, parfois plus rapidement, parfois plus lentement. Encore une fois, cela ne veut pas dire que les travailleurs déplacés vivent une époque de vaches grasses et de roses. Au contraire, comme je l’ai déjà souligné, de nombreux travailleurs risquent d’être perdants. Mon affirmation, beaucoup plus modeste, est que, lorsque les marchés sont autorisés à fonctionner, l’ajustement au changement technologique s’effectue au niveau des salaires, et non du chômage. Ainsi, non, il n’y aura pas 40 % de chômage dans les pays normaux en 2050 et les salaires moyens seront plus élevés. Mais les salaires relatifs des avocats et des agents d’entretien pourraient être très différents de ceux de 2024. En Espagne, comme nous ne sommes pas un pays normal, nous verrons ce qui se passera.
Je n’ai pas non plus parlé des biais possibles de l’apprentissage automatique en faveur du capital (et, avec lui, de la structure de l’industrie). Ces biais peuvent avoir un effet majeur sur la distribution des revenus et des richesses, je les laisserai donc pour le prochain billet dans quelques semaines, lorsque je pourrai les traiter avec le niveau de détail qu’ils requièrent.
