Le Tony Blair Institute for Global Change (TBI), un groupe de réflexion à but non lucratif, a récemment publié une étude indiquant que l’intelligence artificielle pourrait rationaliser la main-d’œuvre du Royaume-Uni, réduire les coûts gouvernementaux de plusieurs milliards et automatiser plus de 40 % des tâches des travailleurs.
Toutefois, selon l’étude, ces avantages nécessiteraient que le gouvernement « investisse dans la technologie de l’IA, mette à niveau ses systèmes de données, forme sa main-d’œuvre à l’utilisation des nouveaux outils et couvre les éventuels coûts de licenciement associés à une sortie anticipée du marché du travail ».
Cela coûterait environ 4 milliards de dollars par an pendant les cinq prochaines années et 7 milliards de dollars par an par la suite, écrivent les chercheurs.
Mais le vrai problème de la recherche, selon des chercheurs extérieurs qui ont lu l’article, réside dans sa dépendance à ChatGPT.
Mohammad Amir Anwar, de l'Université d'Oxford, a estimé sur X que l'Institut Tony Blair « inventait de la merde », tandis qu'Emily Bender, de l'Université de Washington, a déclaré à Emanuel Maiberg de 404 Media que les chercheurs « pourraient tout aussi bien trembler au bal Magic 8 et écrire le réponses qu’il affiche.
Le problème
Les chercheurs de TBI ont entrepris de fournir une vue d’ensemble de haut niveau de l’ensemble de la main-d’œuvre afin de pouvoir ensuite prédire quel impact potentiel l’automatisation pourrait avoir sur le marché à l’avenir.
Ils ont déterminé que l’IA pourrait permettre au Royaume-Uni d’économiser des milliards de dollars presque immédiatement. Selon le document de recherche, le rapport entre les coûts d’investissement et les économies potentielles « implique que les économies nettes résultant de la pleine utilisation de l’IA dans le secteur public s’élèvent à près de 1,3 % du PIB chaque année, ce qui équivaut à 37 milliards de livres sterling par an dans les termes actuels ».
Les chercheurs vont même jusqu’à affirmer que « cela équivaut à un rapport coûts-avantages global de 9 : 1 au total » dès le départ et, « après cinq ans, nous estimons que le programme pourrait économiser cumulativement 0,5 pour cent du PIB annuel (ou 0,5 % du PIB annuel). 15 milliards en termes actuels), ce qui implique qu'un rapport bénéfice-coût de 1,8:1 est possible si la technologie est déployée rapidement.
Bien que ces chiffres soient certainement passionnants, il n’est pas clair s’ils ont une réelle signification.
La question est de savoir comment les chercheurs sont arrivés à leurs conclusions. Plutôt que de mener une étude exhaustive auprès des travailleurs et des employeurs pour déterminer comment l'automatisation affecterait un poste donné, ils ont utilisé l'ensemble de données O*NET pour identifier 20 000 tâches effectuées par les travailleurs, puis ont transmis les données à ChatGPT. L’équipe a ensuite invité l’IA à déterminer quelles tâches étaient adaptées à l’automatisation et quels outils pouvaient être utilisés pour les automatiser.
Selon les chercheurs, faire appel à des experts humains pour examiner chaque tâche aurait rendu leur travail « insoluble », ce qui signifie qu’en science, il est trop difficile à réaliser.
Cela signifie également, apparemment, qu'il serait « difficile » pour les chercheurs d'évaluer chacun des résultats de ChatGPT : l'équipe affirme avoir utilisé le système d'IA pour catégoriser près de 20 000 tâches.
Si nous pouvons supposer que l'IA a commis des erreurs (selon la recherche TBI et le site Web du créateur de ChatGPT OpenAI, les modèles sont sujets aux erreurs), alors nous pouvons également supposer que la recherche contient des informations erronées et que l'examen par les pairs serait également insoluble. .
L'automatisation n'est pas facile
Alors, quel est le vrai chiffre ? Techniquement parlant, il ne serait pas possible pour ChatGPT de comprendre les nuances de l’automatisation tâche par tâche, car il est presque totalement improbable que les données nécessaires se trouvent dans son ensemble de données en raison de la difficulté de les créer à la main.
Lorsqu’il s’agit de résoudre de nouveaux problèmes pour lesquels un système d’IA n’a pas été formé, les systèmes génératifs ont tendance à échouer.
Par exemple, les cafetières automatiques existent depuis des décennies, mais l’automatisation générale – apprendre à un système d’IA à préparer du café n’importe où, dans n’importe quelle pièce – est considérée comme un problème majeur dans les domaines de l’intelligence artificielle et de la robotique.
En termes simples, l’automatisation est difficile et nécessite une approche nuancée de chaque tâche individuelle.
En 2017, par exemple, alors que la frénésie de l’IA générative commençait à prendre de l’ampleur, on pensait que la conduite autonome serait résolue d’ici quelques années. Elon Musk a même prédit que Tesla exploiterait un million de robots-taxis d’ici 2020.
Mais, depuis juillet 2024, la grande majorité des constructeurs automobiles, des startups et des grands magasins de technologie qui travaillaient sur des voitures autonomes à partir de 2021 ont arrêté leurs programmes respectifs. Il s’avère que 99 % de la conduite peut être automatisée, mais jusqu’à présent, aucune équipe d’ingénierie n’a trouvé comment automatiser en toute sécurité les cas extrêmes qui constituent ce dernier pour cent.
S’il est facile d’imaginer qu’une tâche simple soit automatisée, le contexte est important. ChatGPT peut être capable de générer un texte indiquant que n'importe quelle tâche peut être automatisée si vous investissez suffisamment d'argent pour résoudre le problème, mais la réalité s'est jusqu'à présent révélée contraire à ces affirmations.
Related: Intuit licencie 10 % de son personnel pour se concentrer sur l'IA