La vision par ordinateur ne volera pas les emplois en usine

« Les machines vont voler nos emplois » est une crainte souvent exprimée à une époque d’évolution technologique rapide. Cette anxiété a fortement refait surface avec l’avènement de grands modèles de langage (par exemple ChatGPT, Bard, GPT-4) qui démontrent des capacités remarquables dans des tâches où seuls les humains maîtrisaient auparavant. Une étude récente du MIT, intitulée «Au-delà de l’exposition à l’IA : quelles tâches sont rentables à automatiser avec la vision par ordinateur ? » a constaté qu’environ 50 % des tâches pourraient être au moins partiellement automatisées avec grands modèles linguistiques (LLM). Si une automatisation à cette échelle devait se produire rapidement, cela représenterait une perturbation considérable pour la main-d’œuvre. À l’inverse, si ce niveau d’automatisation devait se produire lentement, la main-d’œuvre peut être capable de s’adapter comme elle l’a fait lors d’autres transformations économiques (par exemple passer de l’agriculture à l’industrie manufacturière).

Le degré « d’exposition à l’IA »

Par conséquent, pour prendre de bonnes décisions politiques et commerciales, il faut comprendre à quelle vitesse l’IA automatisera les tâches. Même s’il existe déjà des preuves que l’IA modifie la demande d’emploi, la plupart des inquiétudes qui l’entourent proviennent de prédictions surexposition à l’IA qui classent les tâches ou les compétences en fonction de leur potentiel d’automatisation, mesuré par divers proxys. Il est important de noter que presque toutes ces prédictions sont vagues quant au calendrier et à l’étendue de l’automatisation, car elles ne prennent pas directement en compte la faisabilité technique ou la durabilité économique des systèmes d’IA, mais utilisent plutôt des mesures de similarité entre les tâches et les capacités de l’IA pour indiquer l’exposition.

La seule exception dans la littérature que nous connaissons est un rapport McKinsey qui estime l’adoption de l’IA entre 4 % et 55 %. Avec des prévisions aussi imprécises, il est difficile de savoir quelles conclusions il convient de tirer. Les modèles d’exposition à l’IA confondent également les prédictions concernant l’automatisation complète des tâches, qui est plus susceptible de déplacer les travailleurs, avec une automatisation partielle, qui pourrait augmenter leur productivité. Il est essentiel de séparer ces effets pour comprendre les implications économiques et politiques de l’automatisation.

Que contient l’étude du MIT ?

Dans cette étude, le MIT comble trois lacunes importantes dans les modèles d’exposition à l’IA afin de construire une estimation plus économiquement solide de l’automatisation des tâches. Tout d’abord, des travailleurs familiers avec les tâches finales ont été interrogés pour comprendre quelles performances seraient requises d’un système automatisé. Deuxièmement, le coût de construction de systèmes d’IA capables d’atteindre ce niveau de performance a été modélisé. Cette estimation des coûts est essentielle pour comprendre le déploiement de l’IA, car les systèmes techniquement exigeants peuvent être extrêmement coûteux. Enfin, la décision « si l’adoption de l’IA est économiquement attractive » a été modélisée.

Le résultat est le premier modèle d’automatisation de l’IA de bout en bout.

L’exemple de la boulangerie

Un simple exemple hypothétique illustre clairement ces considérations. Prenons l’exemple d’une petite boulangerie qui évalue s’il faut automatiser avec vision artificielle. L’une des tâches des boulangers consiste à vérifier visuellement les ingrédients pour s’assurer qu’ils sont de qualité suffisante (par exemple, non gâtés). Cette tâche pourrait théoriquement être remplacée par un système de vision par ordinateur en ajoutant une caméra et en entraînant le système à détecter les aliments avariés. Mais même si cette tâche d’inspection visuelle pouvait être séparée des autres parties du processus de fabrication, serait-il rentable de le faire ?

Les données O*NET du Bureau of Labor Statistics suggèrent que la vérification de la qualité des aliments représente environ 6 % des tâches d’un boulanger. Une petite boulangerie avec cinq boulangers gagnant un salaire typique (48 000 $ chacun par an) pourrait donc réaliser des économies potentielles de main-d’œuvre en automatisant cette tâche de 14 000 $ par an. Ce chiffre est bien inférieur au coût de développement, de déploiement et de maintenance d’un système de vision par ordinateur et nous conclurions donc qu’il n’est pas économique de remplacer le travail humain par un système d’IA dans cette boulangerie..

La conclusion de cet exemple, selon laquelle les travailleurs humains sont économiquement plus attractifs pour les entreprises (en particulier celles qui ne sont pas à grande échelle), s’avère largement répandue. Nous constatons que seulement 23 % des indemnisations des accidents du travail « exposées » à la vision par ordinateur de l’IA seraient rentables pour les entreprises à automatiser en raison des coûts initiaux élevés des systèmes d’IA. Les aspects économiques de l’IA peuvent être rendus plus attractifs, à la fois en réduisant les coûts de déploiement et en augmentant l’échelle à laquelle les déploiements sont effectués, par exemple en lançant Plateformes d’IA en tant que serviceEt.

Globalement, le modèle mis en place par le MIT montre que la perte d’emplois due à la vision par ordinateur de l’IA, même uniquement dans le cadre des tâches visuelles, sera inférieure à la rotation de la main-d’œuvre déjà présente sur le marché, suggérant que le remplacement de la main-d’œuvre sera plus progressif et soudain.

L’étude du MIT est structurée comme suit : la section 1 présente des cadres permettant d’estimer quelles tâches sont économiquement intéressantes à automatiser ; La section 2 présente les résultats ; La section 3 examine la façon dont l’IA de remplacement d’emploi pourrait proliférer ; La section 4 discute de l’importance de l’automatisation de la vision par ordinateur pour d’autres parties de l’IA ; enfin, la section 5 rassemble les conclusions.