L'IA et l'impératif de productivité

Dans l'état actuel des choses, les perspectives économiques mondiales pour la prochaine décennie semblent sombres. Mais une augmentation généralisée de la productivité - alimentée par le développement et l'application ciblés de l'intelligence artificielle générative - pourrait modifier considérablement ce tableau.

Partout dans le monde, l'offre peine à suivre la demande. L'inflation reste obstinément élevée, malgré des hausses agressives des taux d'intérêt. La main-d'œuvre mondiale vieillit rapidement. Les pénuries de main-d'œuvre sont omniprésentes et persistantes.

Ce ne sont là que quelques-unes des forces qui sous-tendent le défi de la productivité auquel est confrontée l'économie mondiale. Et il est devenu de plus en plus clair que nous devons exploiter l'intelligence artificielle pour relever ce défi.

Au cours des quatre dernières décennies, la croissance rapide des économies émergentes a entraîné une augmentation de la capacité de production, qui a agi comme une puissante force désinflationniste du côté de l'offre. La Chine, en particulier, a été un puissant moteur de croissance.

Mais ce moteur de croissance des économies émergentes s'est considérablement affaibli ces dernières années. La croissance post-pandémique de la Chine est bien inférieure à son potentiel et en déclin.

De plus, les tensions géopolitiques, les chocs de l'ère pandémique et le changement climatique perturbent les chaînes d'approvisionnement mondiales, et une combinaison d'incitations du marché et de nouvelles priorités politiques - telles que la «réduction des risques» et le renforcement de la résilience - pousse les gouvernements à poursuivre le (très coûteux ) processus de diversification de la chaîne d'approvisionnement.

Pendant ce temps, les niveaux de dette souveraine sont élevés et en hausse, ce qui réduit la capacité budgétaire des pays à entreprendre des investissements publics axés sur la croissance et déstabilise certaines économies.

Ce sont des tendances séculaires, ce qui signifie qu'elles seront probablement des caractéristiques persistantes de l'économie mondiale au cours de la prochaine décennie. Les contraintes d'approvisionnement et la hausse des coûts freineront la croissance. L'inflation restera une menace persistante, exigeant des taux d'intérêt plus élevés qui augmentent le coût du capital.

Des investissements à grande échelle de plus en plus urgents dans la transition énergétique seront extrêmement difficiles – économiquement, politiquement et socialement – à poursuivre ; sans eux, cependant, les perturbations liées au climat vont s'aggraver. Mais il y a des nouvelles prometteuses.

Comme Gordon Brown , Mohamed El-Erian et moi-même le soutenons dans notre prochain livre, Permacrisis : Un plan pour réparer un monde fracturé , une augmentation généralisée de la productivité pourrait modifier considérablement cette image. Et, avec la technologie de l'IA qui progresse rapidement, ce n'est pas une mince affaire.

La clé est de veiller à ce que la croissance de la productivité soit au centre de l'innovation et des applications de l'IA dans les années à venir. Alors même que l'IA progressait de la reconnaissance de l'écriture manuscrite à la reconnaissance de la parole en passant par la reconnaissance d'images et d'objets, la sagesse conventionnelle était que la technologie fonctionnait mieux dans des domaines bien définis. Cela a changé avec l'essor des grands modèles de langage (LLM) et de l'IA générative plus largement.

Les LLM sont capables de comprendre le langage et semblent en mesure de détecter et de changer de domaine de manière indépendante. Le potentiel d'amélioration de la productivité à grande échelle est considérable. Les LLM fonctionnent comme des plateformes à usage général pour la création d'applications à des fins spécifiques dans l'ensemble de l'économie du savoir. Parce qu'ils comprennent et produisent le langage ordinaire, n'importe qui peut les utiliser.

ChatGPT aurait attiré 100 millions d'utilisateurs dans les deux mois suivant sa sortie publique. De plus, les LLM sont formés sur une grande quantité de matériel numérique, de sorte que la gamme de sujets qu'ils peuvent aborder est énorme.

Cette combinaison d'accessibilité et de couverture signifie que les LLM ont un éventail d'applications potentielles beaucoup plus large que n'importe quelle technologie numérique passée, même les outils basés sur l'IA précédents.

La course au développement de telles applications, liées à un large éventail de secteurs et de catégories d'emplois, a déjà commencé. OpenAI, la société derrière ChatGPT, a créé une interface de programmation d'application (API) qui permet aux autres de créer leurs propres solutions d'IA sur la base LLM, en ajoutant des données et une formation spécialisée pour l'utilisation spécifique qu'ils ciblent. Une étude de cas récente réalisée par l'économiste du MIT Erik Brynjolfsson et ses coauteurs fournit une première indication du potentiel de productivité.

L'accès à un outil basé sur l'IA générative formé sur des enregistrements audio des interactions avec le service client et des mesures de performance a augmenté la productivité de 14%, en moyenne, mesurée par les problèmes résolus par heure. Les agents du service client moins expérimentés ont le plus profité de l'outil, ce qui indique que l'IA - qui encapsule et filtre l'expérience accumulée d'un système entier au fil du temps - peut aider les travailleurs à « gravir la courbe de l'expérience » plus rapidement.

Cet effet de "mise à niveau" sera probablement une caractéristique commune des applications d'IA, en particulier celles qui correspondent à ce "modèle d'assistant numérique". Il existe de nombreuses versions de ce modèle, qui peuvent tirer parti de la capacité des IA et des systèmes d'intelligence ambiante à suivre et à enregistrer les résultats.

Pour les médecins qui voient des patients ou qui font des tournées dans un hôpital, les outils d'IA peuvent produire une première ébauche des rapports requis, que le médecin n'aura ensuite qu'à éditer. Les estimations des gains de temps varient, mais elles sont toutes très importantes.

Certes, l'IA pourrait également permettre l'automatisation de nombreuses tâches et le remplacement des travailleurs humains. Mais les outils d'IA sont fondamentalement des machines de prédiction ; ils font des erreurs, inventent des choses et perpétuent les préjugés sur lesquels ils ont été formés.

Compte tenu de cela, il est peu probable que les applications prudentes excluent les humains de sitôt. Pour réaliser le potentiel d'amélioration de la productivité de l'IA, les décideurs politiques devront agir dans plusieurs domaines.

Pour commencer, l'innovation, l'expérimentation et le développement d'applications dépendent d'un accès généralisé aux LLM. Peut-être y aura-t-il suffisamment de concurrence pour garantir l'accès à un coût raisonnable.

Mais étant donné que peu d'entreprises disposent de la capacité informatique pour former des LLM, les régulateurs doivent rester vigilants sur ce front.

De plus, le gouvernement devra collaborer avec l'industrie et les chercheurs pour établir des principes largement acceptés pour la gestion et l'utilisation responsables des données, et mettre en œuvre des réglementations pour faire respecter ces principes. Trouver le juste équilibre entre sécurité et ouverture est essentiel ; les règles ne peuvent pas être si restrictives qu'elles entravent l'expérimentation et l'innovation.

Enfin, les chercheurs en IA ont besoin d'accéder à une puissance de calcul considérable pour tester et former de nouveaux modèles d'IA. Les investissements du gouvernement dans un système d'informatique en nuage entraîneraient des progrès à long terme dans l'IA et la robotique, avec des avantages économiques considérables.

En fait, une gestion efficace et prospective du développement de l'IA, associée à un engagement renouvelé en faveur de la coopération mondiale, pourrait bien être la clé d'un avenir plus prospère, inclusif et durable.

Par Michael Spence
Lauréat du prix Nobel d'économie, professeur émérite d'économie et ancien doyen de la Graduate School of Business de l'Université de Stanford