Parfois, la technologie remplace les emplois existants. Parfois, cela crée de nouveaux emplois. Parfois, elle fait les deux en même temps. Cela soulève une question intrigante : devons-nous considérer les effets de la technologie sur l’emploi comme une sorte de tornade sur le marché du travail? Ou pourrions-nous en venir à comprendre pourquoi certaines technologies ont des effets plus importants sur la création d’emplois ou un complément d’emplois existants que sur le remplacement d’emplois et peut-être même encourager davantage ces technologies?
Ajay Agrawal, Joshua S.Gans et Avi Goldfarb abordent la question de savoir comment les technologies de l’intelligence artificielle peuvent avoir des effets différents, sur les emplois en affirmant: peut-être qu’un jour, il sera impossible de distinguer l’intelligence artificielle de l’intelligence humaine. Ils soutiennent qu’à l’heure actuelle, la plupart des développements en matière d’intelligence artificielle portent en réalité sur «l’apprentissage automatique» qui implique l’utilisation de la puissance de calcul pour établir des prévisions plus précises à partir de données. L’apprentissage automatique ne représente pas une augmentation de l’intelligence générale artificielle susceptible de substituer des machines à tous les aspects de la cognition humaine, mais plutôt un aspect particulier de l’intelligence. Geoffrey Hinton, pionnier de l’apprentissage en profondeur a déclaré : «Prenez n’importe quel vieux problème pour lequel vous devez prédire quelque chose et dont vous disposez de nombreuses données. Un apprentissage en profondeur va probablement le rendre meilleur que les techniques existantes». Les auteurs utilisent le terme «prédiction» dans un sens très large : «En tant qu’intermédiaire dans la prise de décision dans l’incertitude, la prédiction est essentielle dans de nombreuses professions, y compris les industries de services; les enseignants décident comment éduquer les étudiants, les gestionnaires décident qui recruter et récompenser, et les concierges décident comment traiter un désordre donné».
Auparavant, un chirurgien retirait une tumeur et les tissus environnants en se basant sur une imagerie antérieure (par exemple, une IRM).
Cependant, pour s’assurer que tout le tissu cancéreux est enlevé, les chirurgiens finissent souvent par extraire plus de matière cérébrale que nécessaire. L’ODS qui ressemble à une caméra connectée similaire à un stylo, utilise l’intelligence artificielle pour prédire si une zone du tissu cérébral contient des cellules cancéreuses. Ainsi, pendant l’opération, le chirurgien peut obtenir une recommandation immédiate quant à l’opportunité d’éliminer une zone particulière. En prédisant à 90% si une cellule est cancéreuse, le dispositif permet au chirurgien de réduire à la fois les erreurs de type 1 (élimination des tissus non cancéreux) et les erreurs de type 2 (sorties de tissus cancéreux). L’effet est d’augmenter le travail des chirurgiens du cerveau. En termes simples, avec une prévision, les décideurs humains peuvent, dans certains cas, faire des choix plus nuancés et améliorés.
Deuxièmement, l’intelligence artificielle est utilisée pour améliorer le processus de découverte de médicaments. Traditionnellement, l’identification de molécules capables de se lier le plus efficacement aux protéines pour une cible thérapeutique donnée reposait en grande partie sur des suppositions éclairées et, compte tenu du nombre de combinaisons possibles, elle était extrêmement inefficace. Des expériences en amont visant à vérifier si une molécule pouvait être utilisée dans un traitement devaient souvent traiter un certain nombre de molécules candidates de mauvaise qualité. En appliquant la prédiction, quelques molécules ont le plus fort potentiel d’exploration. Le logiciel de prédiction classe les éléments constitutifs fondamentaux de la chimie organique et prédit les résultats d’expériences physiques réelles. Cela permet de choisir plus efficacement les molécules à tester. Cette efficacité accrue, qui permet en particulier de choisir les molécules à tester à moindre coût et avec une plus grande précision, augmente les rendements de la procédure de test de laboratoire en amont effectués par les humains. En d’autres termes, la prédiction automatisée dans la découverte de médicaments conduit à une utilisation accrue de tâches complémentaires déjà existantes, effectuées par des humains dans des professions en amont. Ces exemples correspondent au modèle mental selon lequel les robots entraînés par l’IA (intelligence artificielle) vont remplacer les travailleurs humains. D’autres suggèrent que l’IA rendra les travailleurs existants plus productifs.
Il est devenu courant, lorsque l’on examine les effets de la technologie sur les marchés du travail, de se concentrer sur l’idée qu’un travail donné a plusieurs tâches. Une nouvelle technologie remplace la plupart ou la totalité des tâches d’un travail donné, ce travail pouvant être éliminé.
Si la technologie crée le besoin de nouvelles tâches, de nouvelles catégories d’emplois peuvent être créées. Ou souvent une nouvelle technologie peut simplement faire évoluer une tâche, en remplaçant certaines tâches et en créant le besoin que d’autres tâches soient exécutées. Ces différentes voies suggèrent qu’il pourrait être en mesure de différencier, au moins dans une certaine mesure, les utilisations de l’intelligence artificielle qui sont particulièrement susceptibles d’améliorer l’efficacité des travailleurs existants et la création d’emplois pour d’autres et les utilisations de l’intelligence artificielle qui sont plus utiles, susceptibles de remplacer un emploi de manière à faire une économie d’argent pour les employeurs, mais sans générer de gains d’efficacité importants.
Mohamed Wadii Jlassi (Etudiant à l’ESSECT)
