Article 1

LES CONSÉQUENCES ÉCONOMIQUES DE L’INTELLIGENCE
ARTIFICIELLE
Lino Galiana
Réseau Canopé | « Idées économiques et sociales »
2018/2 N° 192 | pages 27 à 33

ISSN 2257-5111
DOI 10.3917/idee.192.0027
Article disponible en ligne à l'adresse :
© Réseau Canopé | Téléchargé le 27/02/2023 sur www.cairn.info via Cégep Collège Dawson (IP: 198.168.48.222)
--------------------------------------------------------------------------------------------------------------------
https://www.cairn.info/revue-idees-economiques-et-sociales-2018-2-page-27.htm
--------------------------------------------------------------------------------------------------------------------
Distribution électronique Cairn.info pour Réseau Canopé.

© Réseau Canopé. Tous droits réservés pour tous pays.
La reproduction ou représentation de cet article, notamment par photocopie, n'est autorisée que dans les
limites des conditions générales d'utilisation du site ou, le cas échéant, des conditions générales de la
licence souscrite par votre établissement. Toute autre reproduction ou représentation, en tout ou partie,
sous quelque forme et de quelque manière que ce soit, est interdite sauf accord préalable et écrit de
l'éditeur, en dehors des cas prévus par la législation en vigueur en France. Il est précisé que son stockage
dans une base de données est également interdit.
Powered by TCPDF (www.tcpdf.org)

Les journées de l’économie I DOSSIER
Les conséquences
économiques de l’intelligence
artificielle
L’intelligence artificielle bénéficie d’une forte exposition médiatique et génère de
nombreuses spéculations sur le futur de l’emploi. Quels effets attendre de la diffusion
des données et algorithmes au-delà de leurs secteurs traditionnels ?
Une notion complexe à appréhender particuliers, comme la mise en place de modules de

Le concept d’intelligence artificielle n’a pas de reconnaissance automatique de langages sur smart- Lino Galiana, élève à
l’ENSAE et à l’ENS de
définition consensuelle. Le terme « intelligence phones. Une rupture a néanmoins eu lieu à partir Lyon.
artificielle » évoque plutôt une notion ancrée dans de 2014. Le sujet est dès lors devenu de plus en plus
l’imaginaire populaire, construite par la littérature populaire, ce qui se traduit par une croissance expo-
et le cinéma, et exploitée par certains acteurs du nentielle des recherches sur internet. Cette tendance
secteur numérique à des fins commerciales. Le terme de fond est également suivie par un intérêt pour
fait l’objet d’un indiscutable effet de mode, tout des notions reliées, et souvent confondues, comme
comme certains sujets qui lui sont liés. Cette bulle le terme de machine learning (voir encadré pour les
médiatique est illustrée dans la figure 1 qui retrace différences conceptuelles entre les notions proches).
la montée en puissance des recherches internet sur Cependant, malgré l’intérêt croissant pour le
le sujet « artificial intelligence » et des expressions sujet, la notion d’intelligence artificielle conserve
proches. On remarque une rupture structurelle dans un caractère flou. Les délimitations conceptuelles
l’intérêt populaire vis-à-vis de l’intelligence artifi- ne sont pas claires, y compris au sein de la littéra-
cielle. Jusqu’en 2014, la tendance était à une rela- ture académique. La notion d’intelligence artificielle
tive stabilité des recherches internet sur le sujet, avec dans le débat public renvoie en fait à la question de
des périodes d’intérêt reliées à certains événements l’apprentissage statistique, ensemble des procédures
Figure 1. Recherches internet sur les sujets reliés à l’intelligence artificielle
100
75
requêtes normalisées
50
25
0
2008 2010 2012 2014 2016 2018
artificial intelligence big data data science machine learning
Source : d’après Google Trends. Les données sont normalisées. Pour chaque requête, la normalisation est faite en pourcentage du nombre maximal de requêtes obser-
vées sur la période.
juin 2018 I n° 192 I idées économiques et sociales 27

DOSSIER I Les journées de l’économie
Apprentissage : distinguer les notions et leurs champs d’application

Apprentissage statistique : ensemble des techniques permettant une adaptation de la machine au cours du processus
d’estimation. Par rapport aux méthodes statistiques traditionnelles, l’approche par apprentissage donne plus d’impor-
tance à l’algorithmique.
L’apprentissage peut être supervisé s’il est effectué sur des exemples pour lesquels l’homme a une connaissance de
l’objet et peut ainsi déterminer de manière non équivoque si l’algorithme a fait une erreur. Par exemple, les images que
doit reconnaître l’algorithme ont déjà été étiquetées par l’homme, ou les diagnostics médicaux sur lesquels l’algorithme
doit s’entraîner ont déjà été faits.
L’apprentissage non supervisé a lieu lorsqu’il n’y a pas de structure connue fournie à l’algorithme, seulement des
exemples. À partir de ces derniers, la machine doit déterminer les structures cachées permettant de relier les exemples.
Par exemple, à partir d’un ensemble de comportements, la machine doit déterminer des groupes typiques de consom-
mateurs, situation où il n’y a pas de groupes objectifs qui pourraient servir à un utilisateur humain d’évaluer la pertinence
de l’algorithme.
Bien que la frontière soit parfois floue, on distingue principalement deux approches d’apprentissage, le machine learning
(apprentissage automatique) et le deep learning (apprentissage profond) :
Machine learning : ensemble des méthodes où la structure du problème est à un seul niveau, c’est-à-dire où l’interaction
entre les variables proposées à l’algorithme est directe.
Deep learning : classe particulière des méthodes d’apprentissage dédiée aux phénomènes complexes pour lesquels
une structure à plusieurs niveaux est nécessaire. Les modèles les plus connus dans cette classe sont les réseaux neu-
ronaux, pour lesquels l’architecture avec plusieurs niveaux connectés entre eux par des liaisons est censée reproduire
la structure du cerveau.
Le machine learning est principalement utilisé pour la recommandation (rechercher les consommateurs les plus proches
d’un individu pour faire des recommandations des produits), le clustering (définition de groupes typiques, par exemple
d’utilisateurs d’un réseau social), la détection automatique de fraudes, anomalies ou erreurs de saisies.
Le deep learning intervient pour résoudre des problèmes appelant des méthodes plus complexes, comme la reconnais-
sance automatique de textes et le traitement du langage ou la reconnaissance d’images (analyse des émotions, diagnos-
tics automatiques à partir d’images médicales, compréhension de l’environnement proche pour les voitures autonomes).
permettant de dégager des règles générales à partir stratégie en fonction d’un historique de coups joués
d’exemples. Cette démarche, fondamentalement lors de parties passées. Sa force provenait uniquement
inductive, consiste ainsi, plutôt que de structurer les de sa capacité de calcul, et non d’une connaissance
données selon un modèle – approche statistique – à inductive comme AlphaGo.
laisser un algorithme structurer des données à partir Le développement de ces méthodes est intrinsè-
d’une suite d’exemples. On peut illustrer cela par le quement lié à l’émergence du big data, ou données
cas suivant : grâce à l’historique de nombreux ache- en grande dimension. Les algorithmes d’apprentis-
teurs, un algorithme va déterminer que deux biens sage ont en effet besoin de beaucoup de données pour
1 Afin de s’assurer de la
robustesse des résultats et sont complémentaires parce que l’achat de l’un produire des résultats fiables. Là où un être humain
d’éviter ainsi le problème de
dépendance à l’échantillon
entraîne peu de temps après l’achat de l’autre. Cet pourrait n’avoir besoin que de peu d’exemples
d’estimation – problème apprentissage par l’exemple est censé reproduire pour apprendre et, par exemple, reconnaître une
de surapprentissage – la
méthodologie standard l’apprentissage humain, raison pour laquelle ces image, les algorithmes d’apprentissage requièrent
consiste à construire techniques sont généralement considérées comme un volume important de données 1 [1]. Néanmoins,
plusieurs modèles estimés
sur un sous-échantillon des le point de départ de l’intelligence artificielle. Par s’ils disposent d’assez de données, ces algorithmes
données disponibles et de
sélectionner celui qui assure
exemple, les algorithmes de reconnaissance visuelle deviennent très efficaces 2 [2]. Les gains d’effica-
les meilleures performances sont entraînés par un apprentissage consistant à clas- cité récents de certaines méthodes d’apprentissage
sur l’autre partie des données
disponibles (échantillon sifier des images. Dans cette logique, l’intelligence et le développement de nombreuses méthodes et
de validation). Afin d’être
performants en validation, les
artificielle du jeu de go AlphaGo, devenue meilleure outils logiciels en open source ont permis de rendre
algorithmes d’apprentissage que l’homme, a ainsi appris les stratégies en jouant attractives ces méthodes au-delà des cercles acadé-
requièrent un volume
important de données en des millions de parties contre elle-même avec comme miques. Par exemple, les méthodes de reconnaissance
estimation. unique connaissance a priori les règles du jeu (appren- d’image ont aujourd’hui des performances suffisam-
2Le prix à payer de l’efficacité
tissage par renforcement). Cette forme d’appren- ment bonnes pour laisser espérer que leurs applica-
est que ces algorithmes tissage par auto-entraînement est très différente tions dans des domaines sensibles, où des vies peuvent
tendent à être des boîtes
noires, pour lesquelles il est des générations précédentes d’intelligence artifi- être en jeu, par exemple dans le champ militaire ou
difficile de comprendre le
processus entraînant le choix
cielle. Deep Blue, la machine ayant battu Kasparov dans celui des voitures autonomes, puissent être
final de l’algorithme. aux échecs, fonctionnait par calcul de la meilleure réalisables.
28 idées économiques et sociales I n° 192 I juin 2018

Malgré un essoufflement dans les progrès des désirant, par exemple, faire de la publicité. Un autre
processeurs (épuisement de la loi de Moore) 3 , les exemple d’une telle structure est celle des plate- 3 Cet épuisement de la loi de
Moore ne signifie néanmoins
progrès dans le domaine du stockage de données et formes de livraison, de VTC ou encore de location pas que les puissances
de l’algorithmique rendent ces méthodes attractives d’appartement ou d’hôtel. La rémunération de la de calcul des ordinateurs
ne progressent plus.
pour les entreprises, y compris au-delà du secteur plateforme prend alors la forme d’une commission Malgré la stagnation de la
puissance des processeurs,
numérique. Les entreprises du numérique ont automatique sur la transaction entre les deux faces il est possible, grâce à des
cependant une place centrale dans l’évolution de ces du marché. techniques raffinées, basées
sur le principe des calculs
méthodes puisqu’elles disposent d’une expertise dans Cette structure de marché est connue sous le nom parallèles, de continuer à
la collecte, le stockage et le traitement des données de marché à deux faces (two-sided markets) [3] – situa- obtenir des gains d’efficience
malgré la stagnation
volumineuses que n’ont pas forcément d’autres tion où une plateforme fait le lien entre deux types technologique.
entreprises. d’acteurs qui, autrement, auraient des difficultés à

4 La rente informationnelle
s’apparier. Dans une telle situation, la plateforme est est pour le consommateur
le fait que le producteur
ne connaisse pas ses
caractéristiques et ainsi
ne puisse extraire tout son
surplus lors d’une transaction.
Là où un être humain pourrait n’avoir besoin

“
que de peu d’exemples pour apprendre,
Sur les enjeux des asymétries
d’information et de la rente
informationnelle, voir
Jean-Jacques Laffont, David
Martimort, The Theory of
Incentives: the Principal-agent
les algorithmes d’apprentissage requièrent Model, Princeton, Princeton
University Press, 2009.
un volume important de données.

”
Une valeur difficile à évaluer bénéfique aux deux parties puisqu’elle diminue les
coûts de recherche (utilisateur) et réduit les asymé-
Économie de la donnée, tries d’information sur les caractéristiques de l’utili-
monopoles et gains à l’échange sateur du service, permettant au producteur d’avoir
Un autre aspect problématique pour mesurer une tarification optimale. Dans une telle situation, la
les promesses de l’intelligence artificielle est celui valeur des données et des algorithmes d’intelligence
de l’évaluation de la valeur des données et des algo- artificielle est le prix de réserve du fournisseur du
rithmes. Cette valeur n’est pas acquittée par le bien ou service inclus dans la transaction, c’est-à-dire
consommateur de service puisque les réseaux sociaux le prix ou la commission maximum que la firme est
et moteurs de recherche, principaux collecteurs prête à payer pour pouvoir être mise en lien avec un
de données d’usage numérique, sont des services potentiel consommateur.
gratuits pour leurs utilisateurs. Ceux-ci bénéficient Pour l’utilisateur, le gain de surplus associé à une
des effets positifs des externalités de réseau qui centralisation accrue de la plateforme est ambigu.
incitent à la concentration des usages vers un nombre En effet, les externalités de réseau, qui réduisent
restreint de fournisseurs de service. Par exemple, les coûts d’information – difficiles à évaluer –, ont
dans le cas des moteurs de recherche, l’existence pour contrepartie l’extraction d’une information
d’une structure centralisatrice réduit les coûts d’op- qui permettait au consommateur de bénéficier
portunité de la recherche pour les utilisateurs et d’une rente informationnelle 4 . Pour l’autre face du
assure aux propriétaires des pages internet l’accessi- marché, les bénéfices possibles quant à l’exploitation
bilité de leur site à tout individu. de cette information ont un coût, celui de la plate-
En échange de la gratuité pour l’utilisateur, les forme intermédiaire. Une conséquence naturelle
plateformes, qui agissent en tant qu’intermédiaire, des externalités de réseau est la création de struc-
exploitent les données pour leur propre compte ou tures oligopolistiques, situation où un nombre limité
revendent certaines informations à d’autres acteurs d’acteurs sont présents sur un marché. La capture du

marché numérique par les GAFA correspond à cette Ceci crée un défi pour le régulateur qui doit faire
situation. En 2017, 70 % du trafic total d’Internet en sorte que cette concentration n’entraîne pas des
bénéficiait à deux acteurs, Google et Facebook, dont phénomènes de hold-up 7 , situation où un acteur (la
5 Les chiffres proviennent la croissance ne ralentit pas 5 . plateforme) s’approprie l’intégralité des gains poten-
de André Staltz, « The Web
began dying in 2014, here’s
L’émergence d’une structure oligopolistique tiels d’une transaction. Le régulateur doit ainsi arbi-
how », site personnel d’André permet à la plateforme de s’accaparer la plus grande trer entre rémunération de l’acteur permettant les
Staltz, 30 octobre 2017. En
ligne : https://staltz.com/ partie du surplus collectif de l’échange entre l’uti- gains de surplus initiaux (gains d’efficience reliés aux
the-web-began-dying-in-
2014-heres-how.html
lisateur et le fournisseur de bien ou service. La externalités de réseau et surplus reliés aux échanges
plateforme est ainsi l’acteur bénéficiant le plus de la qui n’auraient pas eu lieu sans intermédiaire) et
Georges J. Stigler, The
6
réduction des rentes informationnelles et asymétries risque d’appropriation totale de ce surplus lorsque
Organization of Industry,
Homewood (Ill.), Richard D. d’information. Ayant déjà provoqué une concen- l’intermédiaire atteint une masse critique.
Irving, 1968.
tration du secteur autour des GAFA et de quelques
7 William P. Rogerson, applications mobiles, les ecternalités du réseau La mesure de l’économie de la gratuité
« Contractual solutions
to the hold-up problem »,
devraient ainsi renforcer la mainmise de quelques Une autre difficulté dans l’évaluation de la valeur
The Review of Economic acteurs sur la collecte des données. de l’intelligence artificielle provient de la difficulté à
Studies, vol. 59, no 4, 1992,
p. 777-793. Ce n’est pas seulement l’utilisation des données quantifier le capital humain. De nombreuses sources
qui induit une concentration accrue, mais également de connaissances et algorithmes sont en open source,
8 Les calculs du PIB
intègrent une estimation
l’exploitation de celles-ci. Les algorithmes d’ap- librement accessibles et améliorables par tous. Les
des transactions échappant prentissage étant lents à apprendre, seul un acteur informations disponibles directement sur Internet,
à l’impôt. Cette estimation
introduit une dose disposant d’une information continue dans le temps qui induisaient auparavant des coûts de recherche
d’incertitude dans la mesure
du poids de certaines
peut espérer en tirer profit. Les acteurs du numé- (principalement coûts d’opportunité du temps de
plateformes dans le volume rique vendent ainsi des services complémentaires, recherche) permettent ainsi d’accroître le capital
de transaction total.
du stockage de données au traitement de celles-ci. humain. Cependant, si l’information ne fait pas
L’existence de tels services favorise la diffusion de l’objet d’une tarification, les effets bénéfiques de la
ces méthodes au-delà du secteur numérique tout en disponibilité de celle-ci sur la productivité des travail-
assurant une place centrale à celui-ci. La contribution leurs peuvent, à court terme où les variations de
de ces acteurs au développement des outils de l’intel- salaire sont limitées, être sous-évalués [4]. Si les gains
ligence artificielle ne passe d’ailleurs pas que par le de productivité induits par la complémentarité entre
marché. Les firmes du numérique sont, par exemple, travail et informatique sont parfaitement intégrés
parmi les principaux développeurs de solutions en dans le salaire, alors l’effet est mesuré dans le PIB.
open source. Par exemple, l’architecture de traitement Néanmoins, si les gains de productivité permis par la
de données hadoop, aujourd’hui utilisée par les outils disponibilité de l’information ne sont que partielle-
dominants dans le traitement du big data, a initiale- ment reportés sur les salaires, alors l’accroissement
ment été créée et mise à disposition gratuitement par de capital humain a une contrepartie incomplète dans
Google. le PIB ; les effets peuvent être imputés à tort à un
Le secteur du numérique, dans son ensemble, autre facteur. Dans ce cas, l’erreur de mesure conduit
peut ainsi être assimilé à un oligopole à frange 6 : un à une sous-estimation des bénéfices à disposer d’une
nombre réduit d’acteurs en situation d’oligopoles, information gratuite.
ou de monopoles sur leurs segments de marché À mesure que le numérique, et les services
respectifs, et une galaxie de petits acteurs qui, gratuits et collaboratifs qui lui sont associés, se déve-
lorsqu’ils innovent, sont finalement absorbés par les loppent, la sous-estimation des bénéfices de l’intel-
firmes dominantes. La stratégie des grands acteurs ligence artificielle pourrait être de plus en plus
qui consiste à contribuer à l’open source pour mieux importante [5]. Si, de plus, une partie des transac-
pouvoir intégrer ces solutions a posteriori dans leurs tions tarifées échappe à l’impôt, introduisant une
services participe de cette stratégie, comme le rachat incertitude sur le volume d’échange 8 , l’erreur de
des start-up prometteuses. Le développement de l’in- mesure peut être plus importante.
telligence artificielle, qui accroît les bénéfices d’une
position dominante dans le secteur du numérique,
devrait renforcer la concentration de ce secteur.

À court terme, un partage de rente l’ensemble des secteurs. Ainsi, même si les méthodes
d’apprentissage sont prometteuses et devraient se
Un nouveau paradoxe de Solow ? diffuser au-delà du secteur du numérique, les petites
La diffusion des méthodes d’apprentissage au-delà firmes, qui constituent un quart de l’emploi en
du secteur du numérique laisse espérer des gains de France 10 , ont peu de chances de les adopter à court
productivité se diffusant au-delà des secteurs tradi- et moyen termes.
tionnels d’exploitation de ces données 9 . La diffu- L’effet positif sur la productivité de l’utilisation 9 Plus difficile à mesurer,
la diffusion des techniques
sion de l’intelligence artificielle ne peut cependant accrue de ces techniques n’est pas assuré à court d’intelligence artificielle
pas être aussi globale que celle des ordinateurs, car terme. Comme avec la diffusion de l’informatique laisse également espérer
une amélioration de la
il ne s’agit pas d’une technologie générale pouvant dans les années 1980 et 1990, il est possible que qualité du service dans
certains domaines routiniers,
être appliquée à de multiples contextes comme l’était cette nouvelle technologie n’affecte pas la produc- permettant à l’homme de
l’informatique. Il s’agit plutôt d’un ensemble de tivité dans un premier temps, ne montrant ses effets disposer de plus de temps
pour se concentrer sur les
méthodes partageant des traits communs mais dont le qu’avec retard. Si la littérature sur la stagnation tâches et cas particuliers.
champ d’application est plutôt spécifique (une même séculaire souligne que les problèmes de mesure de
10 « Les entreprises en
méthode pouvant néanmoins servir à des tâches très l’économie de la gratuité peuvent être tenus pour France », Insee Références,
différentes, comme la reconnaissance d’images en responsables 11 , les preuves empiriques sur le sujet édition 2016.
3D utilisée pour faire des diagnostics médicaux et restent faibles [6]. 11 Voir, à cet égard, Philippe
diriger des voitures autonomes). Toutes les firmes Aghion, Antonin Bergeaud,
Timo Boppart, Peter
investissant dans l’utilisation des données ne vont Le rôle du capital humain J. Klenow, Huiyu Li, « Missing
pas nécessairement construire des modèles d’intel- sur les effets de court terme growth from creative
destruction ». En ligne : http://
ligence artificielle. En effet, le volume massif de Le responsable d’un effet à retardement des inves- www.klenow.com/missing-
growth.pdf
données nécessaire à l’entraînement de ces modèles tissements en données sur la productivité globale est
et les applications potentiellement limitées de ceux-ci plus probablement le retard d’ajustement du capital
à l’heure actuelle peuvent brider leur diffusion à humain. La compréhension et la mise en œuvre

d’outils statistiques et algorithmiques requièrent la À long terme, des effets macro-

possession d’un important stock de capital humain économiques non négligeables
général, mais également d’une forme de capital
humain spécifique [7] pour être en mesure de tirer Intelligence artificielle
profit des méthodes d’apprentissage. Sans ce capital et chômage technologique
humain spécifique, disposer de plus de données À plus long terme, le développement de l’intel-
n’aura que des effets marginaux sur la productivité. ligence artificielle dans certains secteurs pour-
Comme lors du développement de l’informatique, rait entraîner des substitutions de l’homme par la
l’ajustement avec retard de l’offre de capital humain, machine. D’après une évaluation de l’OCDE [8],
principalement liée à l’inertie des systèmes de forma- en supposant que seuls les emplois possédant une
12 Le volume important tion principale et secondaire 12 , peut expliquer des majorité de tâches automatisables pourraient être
d’informations disponibles
sur le sujet de l’intelligence
investissements importants des firmes mais un faible détruits, 9 % des emplois pourraient être concernés
artificielle sur Internet apport sur la productivité. par le chômage technologique. Si le développement
peut avoir l’effet bénéfique
de réduire cette période À court terme, à défaut de générer de la crois- de l’intelligence artificielle induit une baisse irréver-
d’apprentissage. Cependant,
les informations les plus
sance, le développement des méthodes d’apprentis- sible de la demande de travail, le taux de chômage
pertinentes requièrent une sage devrait entraîner un partage de rente dans les structurel pourrait augmenter. L’hypothèse métho-
connaissance préalable, fruit
de la formation, limitant la secteurs intensifs en données. Au-delà des entre- dologique faite dans cette étude, qui aboutit à un effet
diffusion.
Si le développement de l’intelligence
“
artificielle induit une baisse irréversible
de la demande de travail, le taux de chômage
structurel pourrait augmenter.
”
prises du numérique, bénéficiaires de rentes par leur de l’intelligence artificielle plus faible que la plupart
capacité à extraire et exploiter les données, d’autres des autres études sur le sujet, consiste à ne considérer
acteurs peuvent tirer profit du développement comme potentiellement concernés par le chômage
accru des méthodes d’apprentissage et du volume technologique que les emplois dont la majorité des
de plus en plus important de données disponibles. tâches seraient automatisables. Cela permet d’intro-
Ces acteurs devraient être ceux disposant du capital duire des degrés de substituabilité différents selon le
humain spécifique associé à la capacité à mettre en niveau de qualification de l’emploi.
place et à interpréter ces méthodes d’apprentissage. Les travailleurs les moins qualifiés sont les plus
La rente de rareté dont ils pourraient bénéficier peut exposés à ce risque de chômage technologique. Ceci
d’ailleurs prendre des formes autres qu’un supplé- est cohérent avec la théorie du progrès technologique
ment de salaire, par exemple une mobilité accrue sur biaisé [9] qui suppose que l’apparition de nouvelles
le marché du travail. technologies tend à détruire principalement les
emplois non qualifiés et à diriger la demande de
travail vers le segment qualifié de l’offre de travail.
Dans ce cas-là, l’intelligence artificielle pourrait accé-
lérer, dans les pays développés, la segmentation du
marché du travail. Cependant, cet ordre de grandeur
sur la destruction brute d’emploi et la répartition

inégale de celle-ci est obtenu sous l’hypothèse que beaucoup moins efficaces que les machines pour faire
l’offre de capital ne s’adapte pas aux nouvelles tech- des prédictions – à cause de capacités de mémoire
nologies disponibles. Si cette hypothèse est plausible et de calcul limités, de biais psychologiques 13 … 13 Tversky A., Kahneman D.,
«Judgment under uncertainty:
à court terme, elle n’est pas soutenable à long terme. –, ces dernières devraient effectuer ces tâches. Le Heuristics and biases»,
Si l’offre de capital humain s’ajuste en prévision des travail humain devrait alors se concentrer sur les Science, 1974, p. 1124-1131.
changements technologiques, ce qui devrait se passer, tâches complémentaires, permettant au sein de ces
la destruction brute d’emploi sera limitée. dernières des gains d’efficience. Un exemple typique
d’une telle réorganisation du temps de travail peut
Les réorganisations et mouvements être trouvé dans les domaines où les algorithmes
sectoriels, principal effet du développement peuvent servir d’aide à la décision, libérant du temps
de l’intelligence artificielle pour se consacrer à d’autres tâches. Pour prendre un
Les principaux effets attendus de l’intelligence exemple, Eurostat, l’institut statistique européen,
artificielle ne sont pas les destructions d’emploi mais cherche à valoriser le big data dans la production
la réorganisation du travail que la diffusion de la tech- de statistiques officielles. L’une des pistes prioritai-
nologie devrait entraîner. D’après l’étude déjà citée rement identifiées est celle de la codification auto-
de l’OCDE, environ un quart des emplois seraient matique qui permettrait de réduire les besoins de
concernés par une réallocation des tâches, situation retraitements manuels des données afin de libérer
où jusqu’à 50 % des tâches pourraient être automa- de la main-d’œuvre pour d’autres tâches, telles que
tisées. Il s’agit ainsi d’un phénomène quantitative- l’analyse de ces données.
ment beaucoup plus important que les destructions Les réorganisations et destructions d’emploi
d’emploi. peuvent avoir des effets sur l’accès pérenne de
Une première source de réorganisation de l’em- certains acteurs à l’emploi. La diffusion des méthodes
ploi pourrait provenir de la redéfinition de certaines d’intelligence artificielle devrait offrir de la flexibilité
tâches sous la forme de problèmes pouvant être aux acteurs disposant de compétences complémen-
résolus par un algorithme d’apprentissage. Pour taires à celle-ci. Le risque induit est que les acteurs
prendre l’exemple des voitures autonomes, les ne disposant pas d’un tel capital humain voient leur
algorithmes ont appris à reconnaître les formes insertion sur le marché du travail fragilisée à long
(panneaux, lignes de démarcation, autre voiture…) terme. Le risque d’assister à des profils de carrière
faisant réagir les humains, et à traduire cela sous hachés induit une réflexion sur la protection sociale
forme de problème de prévision d’une réaction en adaptée au nouveau modèle promu par le secteur du
réponse à cet objet de l’environnement [10]. numérique. Cette réflexion, déjà en cours, est un
L’origine principale de la réorganisation des enjeu important pour assurer l’acceptation sociale de
tâches provient du fait que, les hommes étant la révolution de l’intelligence artificielle.
Bibliographie
[1] BOSTROM N., Superintelligence, Paris, Dunod, 2017.
[2] VAPNIK V.N., « An overview of statistical learning theory », IEEE Transactions on Neural Networks, vol. 10, no 5, 1999, p. 988-999.
[3] ROCHET J.-C., TIROLE J., « Platform competition in two-sided markets », Journal of the European Economic Association, vol. 1, no 4,
2003, p. 990-1029.
[4] NAKAMURA L.I., SAMUELS J.D., SOLOVEICHIK R.H., « Measuring the “free” digital economy within the GDP and productivity accounts »,
FRB of Philadelphia Working Paper, no 17-37. En ligne : https://ssrn.com/abstract=3058017
[5] AHMAD N., SCHREYER P., « Measuring GDP in a digitalised economy », OECD Statistics Working Papers, no 7, 2016.
[6] BYRNE D.M., FERNALD J.G., REINSDORF M.B., « Does the United States have a productivity slowdown or a measurement problem? »,
Brookings Papers on Economic Activity, no 1, 2016, p. 109-182.
[7] BECKER G.S., « Human capital », in Human Capital: A Theoretical and Empirical Analysis with Special Reference to Education,
Chicago, The University of Chicago Press, 1994 (3e édition), p. 15-28.
[8] ARNTZ M., GREGORY T., ZIERAHN U., « The risk of automation for jobs in OECD countries: A comparative analysis », OECD Social,
Employment and Migration Working Papers, no 189, 2016.
[9] ACEMOGLU D., AUTOR D.H., « Skills, tasks and technologies: Implications for employment and earnings », Handbook of Labor Econo-
mics, vol. 4, 2011, p. 1043-1171.
[10] AGRAWAL A., GANS J., GOLDFARB A., « The simple economics of machine intelligence », Harvard Business Review, 17 novembre
2016. En ligne : https://hbr.org/2016/11/the-simple-economics-of-machine-intelligence

Article 1

Transféré par

Droits d'auteur :

Formats disponibles

Article 1

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Article 1

Transféré par

Droits d'auteur :

Formats disponibles

LES CONSÉQUENCES ÉCONOMIQUES DE L’INTELLIGENCE

Réseau Canopé | « Idées économiques et sociales »

2018/2 N° 192 | pages 27 à 33

Distribution électronique Cairn.info pour Réseau Canopé.

Powered by TCPDF (www.tcpdf.org)

Une notion complexe à appréhender particuliers, comme la mise en place de modules de

Figure 1. Recherches internet sur les sujets reliés à l’intelligence artificielle

juin 2018 I n° 192 I idées économiques et sociales 27

Apprentissage : distinguer les notions et leurs champs d’application

28 idées économiques et sociales I n° 192 I juin 2018

entreprises. d’acteurs qui, autrement, auraient des difficultés à

Là où un être humain pourrait n’avoir besoin

un volume important de données.

juin 2018 I n° 192 I idées économiques et sociales 29

30 idées économiques et sociales I n° 192 I juin 2018

juin 2018 I n° 192 I idées économiques et sociales 31

d’outils statistiques et algorithmiques requièrent la À long terme, des effets macro-

32 idées économiques et sociales I n° 192 I juin 2018

juin 2018 I n° 192 I idées économiques et sociales 33

Vous aimerez peut-être aussi