L'IA et l'avenir incertain des métiers : une prédiction impossible ?

L'impact incertain de l'IA sur les emplois

Dans un monde où l'intelligence artificielle (IA) progresse à une vitesse fulgurante, il serait extrêmement utile de pouvoir déterminer quels emplois, entreprises et secteurs sont les plus exposés à cette technologie. L'idée serait de pouvoir attribuer des scores, créer des graphiques et les relier aux avancées des grands modèles de langage. Historiquement, chaque grande vague technologique a entraîné la destruction de certains emplois tout en en créant de nouveaux. Mais la question demeure : lesquels seront affectés cette fois-ci ? Depuis trois ans, de nombreux chercheurs se sont penchés sur l'analyse des données de recensement, la réalisation de tableaux et la création de graphiques viraux pour tenter de répondre à cette question.

Cependant, cet exercice de prédiction semble voué à l'échec. En effet, il s'agit de tenter de prévoir l'imprévisible.

Leçons des révolutions technologiques passées

Pour comprendre la complexité de la situation actuelle, il est utile de se pencher sur les grands bouleversements technologiques du passé. Certaines industries qui semblaient destinées à souffrir ont finalement prospéré, tandis que d'autres, apparemment à l'abri, ont été durement touchées. Prenons l'exemple de la comptabilité : au cours du siècle dernier, cette profession a été au cœur de l'automatisation avec l'invention des machines à calculer, des cartes perforées, des mainframes, des bases de données, des PC, des tableurs, des ERP et du cloud. Malgré cette automatisation massive, le nombre de comptables n'a cessé d'augmenter.

Les données d'enquête à grande échelle confirment cette tendance, mais elle est également observable à un niveau plus micro. Un graphique spécifique montre que 50 ans d'automatisation financière n'ont pas nui au marché des experts-comptables. Si une analyse avait été réalisée sur les professions exposées à l'automatisation informatique, la comptabilité aurait dû figurer en tête de liste. Dan Bricklin, à la fin des années 1970, évoquait déjà comment les comptables utilisaient VisiCalc pour accomplir en quelques jours des tâches qui prenaient auparavant un mois. Pourtant, la profession a continué de croître.

Les paradoxes de l'automatisation

Trois éléments clés ressortent de cette analyse. Premièrement, la technologie n'est pas la seule variable en jeu : des changements réglementaires ont créé de nouvelles exigences comptables, entraînant une augmentation des recrutements d'experts-comptables. Deuxièmement, le paradoxe de Jevons, souvent discuté dans le cadre de l'automatisation, joue un rôle crucial : rendre une tâche moins coûteuse peut conduire à en faire plus pour le même coût, ou à investir davantage pour un retour sur investissement accru. Par exemple, si un calcul de flux de trésorerie actualisés (DCF) passe d'une semaine à 30 secondes, il est probable que davantage de ces calculs seront effectués. Ainsi, l'exposition à l'automatisation pourrait signifier plus de travail, et non moins.

Troisièmement, l'automatisation d'une tâche coûteuse et chronophage peut débloquer de nouvelles opportunités. Lorsque l'analyse devient bon marché et facile, elle est réalisée plus fréquemment, souvent sous des formes nouvelles. Les comptables d'aujourd'hui ne font pas exactement le même travail qu'en 1970 ou 1980, même si leur titre reste inchangé. La technologie commence souvent par améliorer les anciennes méthodes, mais finit par transformer fondamentalement le travail.

Évolution des métiers et des titres

En examinant les données de recensement, on constate que la catégorie "comptables et auditeurs" reste stable, mais d'autres métiers financiers apparaissent et disparaissent au fil du temps. Par exemple, le métier d'"opérateur de machine de facturation, de publication et de calcul" a émergé pendant une décennie avant de disparaître. Cela pourrait représenter des personnes ayant commencé comme commis de stock, devenues "opérateurs de machine de publication", puis retournées à leur poste initial lorsque le logiciel a absorbé leurs tâches. De même, il existe toujours une catégorie pour "saisisseur de données", mais pas pour "opérateur d'ERP". Une même personne peut donc avoir différents titres au fil du temps, tandis que les "comptables" conservent leur titre tout en accomplissant des tâches différentes.

L'impact de l'IA sur les entreprises

Un autre problème se pose lorsque l'on examine les données : le travail peut rester inchangé, mais l'entreprise peut évoluer. L'internet n'a pas fondamentalement modifié ce qu'il fallait pour être un bon journaliste ou un bon scout A&R, mais il a transformé le modèle économique sous-jacent. Le journalisme, par exemple, était financé par une opération de fabrication et de transport avec un monopole local sur les annonces classées, tandis que les labels discographiques dépendaient de la fabrication et de l'expédition de supports physiques. Ces changements structurels ne seraient pas capturés dans une analyse des métiers.

Il est probable que l'IA aura un impact similaire. De nombreuses personnes occupent des emplois peu exposés à l'IA, mais dont l'entreprise dépend d'autres postes fortement affectés par cette technologie. L'IA rendra certaines tâches auparavant coûteuses très bon marché ou gratuites, ce qui pourrait débloquer de nouvelles opportunités tout en en détruisant d'autres.

Les effets imprévisibles des technologies

En poursuivant l'analyse des effets imprévisibles des technologies passées, comment intégrer des innovations comme Uber dans une analyse ? Dans les années 2000, alors que je travaillais dans le secteur mobile, nous parlions beaucoup des données de localisation, mais personne n'avait anticipé que cela pourrait bouleverser le secteur des taxis. Une répartition plus efficace était envisageable, mais pas un changement radical de la nature du travail. Si l'on avait évalué l'"exposition à Internet" par profession en 1995 ou l'"exposition aux smartphones" en 2005, aurait-on inclus les chauffeurs de taxi ?

Le problème avec l'utilisation de ressources comme O*NET pour analyser l'automatisation des emplois est qu'elles ne captent pas les transformations complexes et imprévisibles du travail. Elles ne révèlent pas comment le travail peut évoluer avec l'automatisation, ni comment il peut être modifié par des innovations dans d'autres domaines.

La complexité des descriptions de travail

Un problème plus fondamental réside dans la difficulté de créer une description complète et utile d'un emploi. Les descriptions d'O*NET rappellent l'échec des systèmes experts, où l'on pensait pouvoir utiliser des étapes logiques pour construire une IA capable de reconnaître des images ou de traduire des langues. Théoriquement, on peut décrire comment une machine reconnaît un chat ou ce que fait un associé dans un cabinet d'avocats, mais en pratique, ces tâches sont trop complexes pour être décrites ainsi. Parfois, le travail se résume à une tâche transformable en bouton, mais c'est rare. Le travail est souvent un enchevêtrement complexe de tâches difficiles à expliciter.

Aaron Levie, PDG de Box, a évoqué cela comme une variante de l'amnésie de Gell-Mann. On comprend la complexité de son propre domaine et comment l'IA pourrait ne pas l'adresser complètement, mais on l'oublie dans d'autres domaines. On voit un modèle Claude pour un PowerPoint ou un projet juridique et on pense que les consultants et les avocats sont menacés. Pourtant, lorsque l'on engage Bain, BCG ou McKinsey, on obtient quelques diapositives, mais ce n'est pas ce pour quoi on paie, tout comme lorsqu'on achète un logiciel, on reçoit du code, mais ce n'est pas le produit.

Les limites des prédictions

L'argument contre cette analyse serait de dire que, malgré les exceptions, il est directionnellement correct de penser que les emplois impliquant beaucoup de tâches répétitives de bureau sont les plus exposés. Mais on ne sait pas si les exceptions sont plus importantes que la règle. Si l'on avait analysé l'internet en 1995, on aurait pu dire qu'il détruirait la valeur de la distribution physique pour les médias, ce qui était directionnellement correct, mais cela signifiait des choses différentes pour les maisons de disques, les journaux, les chaînes de télévision et les studios de cinéma.

La question est de savoir si l'on essaie de faire une prédiction avec une valeur réelle ou si l'on se contente d'observer une vérité. En moyenne, nous sommes tous morts. La moitié des emplois analysés pourraient être totalement non affectés, et d'autres ensembles d'emplois pourraient être transformés sans être détectés.

L'incertitude face à l'avenir

Il y a quelque temps, quelqu'un a critiqué mon travail en disant que je finissais toujours par dire "cela dépend". Mais à un stade aussi précoce d'une technologie fondamentalement nouvelle, toute prédiction spécifique concernant un domaine particulier ne sera correcte que par hasard : cela dépend vraiment. Comme l'a dit Yogi Berra, "il est difficile de faire des prédictions, surtout sur l'avenir". Nous pouvons certainement pointer des cadres et des modèles mentaux sur la façon dont cela pourrait fonctionner, et nous pouvons pointer ce qui s'est passé les six dernières fois que nous avons traversé ce type de changement. Nous pouvons même dire des choses qui sont probablement directionnellement correctes. Mais dès que vous essayez de quantifier cela, et de le modéliser emploi par emploi et industrie par industrie, et de faire de jolis graphiques radar, vous vous trompez, car vous ne savez pas réellement ce que ces emplois sont aujourd'hui, et vous ne savez pas comment ils vont changer. Au minimum, vous devez demander.