Les chapitres d'un nouveau livre se concentrent sur « l'automatisation du cône

L’anxiété technologique est au moins aussi ancienne que la révolution industrielle, c’est pourquoi le développement rapide des produits d’intelligence artificielle générative (genAI) a stimulé la recherche et l’analyse de l’impact que cette technologie aura sur les marchés du travail. Dans les chapitres d'un nouveau livre, les chercheurs examinent comment la structure des tâches peut faciliter ou entraver l'adoption de la genAI, comment les travailleurs de différents types choisissent d'utiliser la genAI et où les travailleurs sont susceptibles de chercher un emploi s'ils sont déplacés de leur travail en raison de la genAI. GenAI élargira probablement le « cône de l’automatisation » en remplaçant le travail dans des travaux plus complexes ou moins fréquents, concluent les auteurs.

Les chapitres, rédigés par des chercheurs de l’Université Carnegie Mellon, de l’Université de Californie du Sud et de l’Université de Pennsylvanie, apparaissent dans The Oxford Handbook of the Foundations and Regulation of Generative AI.

« Notre conceptualisation d'un cône d'automatisation fournit une représentation visuelle simple, compte tenu des caractéristiques d'une technologie », explique Ramayya Krishnan, professeur de sciences de gestion et de systèmes d'information et doyen émérite du Heinz College de Carnegie Mellon, co-auteur du chapitre. « Les dimensions pertinentes sont le rendement global, ou la fréquence à laquelle une étape doit être complétée, et la longueur de l'étape telle qu'actuellement configurée en production. »

Le cône de l’automatisation met en évidence plusieurs faits :

L'automatisation est plus susceptible de se produire par étapes exécutées à une fréquence élevée ; cela est intuitif puisque les avantages d’une machine sont plus susceptibles d’être réalisés lorsque la machine fonctionne à haute capacité.
L'automatisation est plus susceptible de se produire pour les étapes de « longueur moyenne » ; ce n’est que lorsque la production augmente qu’il devient plus probable qu’il automatise des étapes faciles.
Les gens sont plus susceptibles de constituer un avantage économique lorsqu’ils doivent faire face à des étapes particulièrement longues et complexes.

GenAI élargira probablement le cône de l’automatisation en remplaçant le travail dans des travaux plus complexes ou moins fréquents, suggèrent les auteurs. Lorsque les coûts d’un échec sont élevés, les entreprises adopteront probablement moins la genAI en raison de son caractère aléatoire. Dans ce cas, le cône de l’automatisation se rétrécirait et la genAI jouerait un rôle explicitement complémentaire, impliquant qu’une personne supervise son travail.

« GenAI diffère considérablement des machines classiques dans le sens où elle est plus générale et plus utile mais aussi plus sujette aux erreurs », note Laurence Ales, professeur d'économie à la Tepper School of Business de Carnegie Mellon, co-auteur du chapitre. « Ces fonctionnalités éclairent les modèles potentiels que les entreprises utiliseront pour adopter la genAI, notamment si elle remplacera ou complétera les travailleurs existants. »

La faisabilité technique de l’automatisation utilisant genAI ne suffit pas pour comprendre ces modèles, selon les auteurs. Les conditions économiques d'adoption dépendent de l'interaction des caractéristiques techniques avec la structure du processus. Le coût et les avantages de la répartition des tâches déterminent la manière dont les entreprises organisent actuellement le travail et définissent les emplois, et les mesures de l'exposition professionnelle à la genAI ou à d'autres technologies doivent tenir compte de la fréquence relative et de la séparabilité des tâches.

À long terme, l’utilisation de genAI influencera la qualité des données disponibles pour former les futurs modèles, notent les auteurs. La GenAI est souvent médiatisée par des utilisateurs humains ayant différents niveaux de compétence : plus la genAI est utilisée par des travailleurs ayant moins de capacité à identifier et à corriger les erreurs de sortie (tout en augmentant la quantité de cette sortie de mauvaise qualité), plus la qualité des futurs corpus de formation est susceptible de se dégrader, prédisent-ils.

« Nous pouvons nous attendre à une divergence dans la qualité de la genAI, dans laquelle une qualité inférieure des données réduit encore la complémentarité de la technologie avec des compétences élevées, alors que les contextes avec des normes d'erreur élevées verront une diffusion plus étroite et peut-être plus lente de la genAI mais une complémentarité plus élevée à long terme avec des compétences élevées et une qualité de données élevée », explique Christophe Combemale, professeur de recherche en ingénierie et politique publique à Carnegie Mellon, co-auteur du chapitre.

Enfin, les auteurs examinent la forme potentielle des perturbations professionnelles dues à la genAI. Une vision en réseau des professions est nécessaire pour anticiper les conséquences pour les travailleurs perturbés, suggèrent-ils. Même les métiers qui ne sont pas directement perturbés par la genAI peuvent subir une concurrence et des pertes de salaires s’ils deviennent la cible de transitions de main-d’œuvre hors des métiers perturbés.

À l’inverse, la capacité des marchés du travail à fournir des emplois aux travailleurs perturbés dépendra de la présence d’une densité suffisante de professions alternatives, moins substituables à l’IA, vers lesquelles les travailleurs pourront faire la transition.