L’IA et le paradoxe de la productivité

Sérieusement, je peux voir des problèmes avec le déploiement de l’IA malgré toute la folie qui l’entoure. Le fait que toute IA formée soit une boîte noire signifie que la seule façon de la tester est de voir comment elle fonctionne avec de nouvelles entrées… et vous risquez de ne pas l’avoir alimentée en entrées, ce qui la conduira à produire des anomalies. Alors, comment savoir si vous l’avez testé correctement, en particulier si votre organisation sera responsable si elle ne se comporte pas bien sur certains types d’intrants? Cela ne sera certainement pas beau devant un jury lorsque vous devez admettre que vous ne comprenez pas comment votre IA fait ce qu’elle fait.
Un autre facteur est que ce que l’IA est particulièrement bon dans l’amélioration de la surveillance, n’améliore pas la productivité malgré les croyances affectueuses de la direction / police, et peut en fait la diminuer en réduisant la confiance.
Dans un cas classique de synchronicité, une nouvelle histoire à Kaiser Health News soulève des doutes sur l’IA en médecine, un autre domaine où il a été présenté comme capable de remplacer le jugement clinique à grande échelle. Je recommande de lire l’article en entier Une section clé:
Les premières expériences en IA fournissent une raison d’être prudent, a déclaré Mildred Cho, professeur de pédiatrie au Center for Biomedical Ethics de Stanford.
Les systèmes développés dans un hôpital échouent souvent lorsqu’ils sont déployés dans un autre établissement, a déclaré Cho. Il a été démontré que les logiciels utilisés par des millions d’Américains discriminent les minorités. Et les systèmes d’IA apprennent parfois à faire des prédictions basées sur des facteurs qui ont moins à voir avec la maladie que la marque de l’appareil d’IRM utilisé, le moment où un test sanguin est effectué ou si un patient a été visité par un aumônier Dans un cas, le logiciel d’IA a conclu à tort que les personnes atteintes de pneumonie étaient moins susceptibles de mourir si elles souffraient d’asthme – une erreur qui aurait pu conduire les médecins à priver les patients asthmatiques des soins supplémentaires dont ils ont besoin.
Ce n’est qu’une question de temps avant que quelque chose comme cela ne mène à un grave problème de santé », a déclaré le Dr Steven Nissen, président de la cardiologie à la Cleveland Clinic.
L’IA médicale, qui a mobilisé 1,6 milliard de dollars de financement en capital-risque au cours du troisième trimestre seulement, est presque au sommet des attentes gonflées », a conclu un rapport de juillet de la société de recherche Gartner. Au fur et à mesure que la réalité sera testée, il y aura probablement une chute brutale dans le creux de la désillusion.  »
Par Georgios Petropoulos, boursier résident à Bruegel et boursier Marie Curie Skłodowska au MIT et boursier postdoctoral à l’initiative MIT sur l’économie numérique. Publié à l’origine chez Bruegel
Notre économie connaît une formidable numérisation grâce à de nombreux nouveaux systèmes de technologie de l’information basés sur l’intelligence artificielle et l’apprentissage automatique. Bien que ces nouvelles technologies apportent de gros gains d’efficacité dans le processus de production, elles ne semblent pas contribuer à la productivité, selon les statistiques.
Les systèmes d’IA, basés sur une structure de réseau neuronal (voir, Petropoulos, 2017) ont progressé et ont fait des gains de précision impressionnants dans les tâches de perception, d’analyse et de classification. Un exemple indicatif est le General Language Understanding Evaluation Benchmark, ou GLUE (voir le rapport AI Index 2019): GLUE teste des systèmes d’IA uniques sur neuf tâches distinctes dans le but de mesurer les performances générales de traitement de texte des systèmes d’IA. Des progrès considérables ont été accomplis dans la précision de ces systèmes au cours de la dernière année. Bien que l’indice de référence n’ait été publié qu’en mai 2018, les performances des systèmes soumis ont dépassé les performances humaines non expertes en juin 2019 et continuent d’augmenter.
Dans le même temps, la croissance de la productivité mondiale, qui mesure l’efficacité du processus de production, la quantité d’intrants nécessaire à la production d’une production donnée, a stagné au cours de la dernière décennie dans les économies avancées. Szczepanski (2018) s’appuyant sur les données du Conference Board fournit au départ quelques statistiques de base.
Figure 1: Croissance de la productivité du travail de 1995 à 2018
À l’exception des pays en développement, la figure 1 indique que les grandes économies comme les États-Unis et l’UE28 présentent des tendances similaires qui pointent vers la stagnation au cours de la dernière décennie. La croissance de la productivité aux États-Unis n’a été en moyenne que de 1,3% par an de 2005 à 2016, soit moins de la moitié du taux de croissance annuel de 2,8% réalisé de 1995 à 2004. L’UE a été plus durement touchée par la crise en termes de croissance de la productivité du travail, mais il est revenu aux niveaux américains en 2018. La comparaison entre les périodes 1995-2004 et 2005-2018 montre que les deux économies ont enregistré des gains d’efficacité beaucoup plus faibles dans leur production à partir de 2005 et au-delà.
L’image n’est pas meilleure quand on regarde la productivité totale des facteurs. Comme le montrent Bergeaud, Cette et Lecat (2017), dans les grandes économies, la croissance de la productivité totale des facteurs était en constante baisse et elle est désormais à son plus bas historique (figure 2).
C’est ce que l’on appelle le paradoxe de la productivité moderne, moderne »puisque le paradoxe d’origine fait référence à l’essor des ordinateurs et des technologies de l’information depuis le début des années 80. Pour ce paradoxe, quatre principales explications potentielles ont été proposées par Brynjolfsson, Rock et Syverson, 2017 (voir leur article pour une discussion approfondie sur ces quatre explications potentielles proposées derrière le paradoxe):
Les attentes quant aux avantages de l’IA reposaient sur de faux espoirs. Selon cette vision plutôt pessimiste (conforme à la thèse de Robert Gordon), l’IA ne peut pas apporter d’améliorations significatives de la croissance de la productivité et certainement, sa valeur ajoutée est limitée par rapport à l’impact de l’introduction de moteurs électriques et à combustion dans le processus de production. L’IA ne contribue que marginalement à la productivité et c’est la raison pour laquelle son impact n’est pas perceptible dans les indices macroéconomiques. En d’autres termes, le paradoxe de la productivité est le résultat de nos faux espoirs qui surestiment les avantages de l’IA. Cependant, en remontant dans le temps et en évaluant les inventions et les technologies révolutionnaires à usage général en étudiant leur impact sur la productivité, nous concluons qu’il faut du temps pour payer ». La machine à vapeur, l’électricité, le moteur à combustion interne et les ordinateurs ont augmenté la productivité non seulement directement, mais aussi en stimulant d’importantes innovations complémentaires. Brynjolfsson et al. (2017) fournissent des informations qualitatives sur la façon dont ce mécanisme d’innovations complémentaires peut fonctionner en utilisant la machine à vapeur à titre d’exemple: la machine à vapeur a non seulement aidé à pomper l’eau des mines de charbon, son application initiale la plus importante, mais a également stimulé l’invention de plus des machines d’usine efficaces et de nouvelles formes de transport comme les bateaux à vapeur et les chemins de fer. À leur tour, ces co-inventions ont contribué à donner naissance à des innovations dans les chaînes d’approvisionnement et le marketing de masse, à de nouvelles organisations comptant des centaines de milliers d’employés, et même à des innovations apparemment sans rapport, comme l’heure standard, qui était nécessaire pour gérer les horaires des chemins de fer. »
Les avantages en termes de productivité des technologies de l’IA sont déjà appréciés mais doivent encore être mesurés avec précision. Ainsi, même si l’IA contribue de manière significative à la croissance de la productivité, cette contribution n’est pas prise en compte par les statistiques et, par conséquent, la croissance de la productivité devrait être supérieure à celle illustrée par les statistiques. Hal Varian, l’économiste en chef de Google, l’illustre par l’exemple suivant: en 2000, 80 milliards de photos ont été produites. Nous le savons parce qu’il n’y avait que trois sociétés qui produisaient des films. Et en 2015, il y a environ 1,6 billion de photos produites. En 2000, les photos coûtaient environ 50 cents chacune. Maintenant, ils coûtent zéro pièce essentiellement. Donc, toute personne ordinaire dirait, wow, quelle fantastique augmentation de la productivité, car nous avons une quantité énorme de plus de production et nous avons un coût beaucoup, beaucoup plus bas. Mais si nous regardons cela du point de vue du PIB, cela n’apparaît pas dans le PIB pour la plupart parce que ces photos sont généralement échangées entre amis et placées dans des albums et des choses comme ça. Ils ne sont pas vendus sur le marché. Le PIB est la valeur marchande des transactions sur le marché, et tout ce qui n’est pas vendu ou qui n’a pas de prix zéro ne sera pas affiché dans le PIB. »
D’une part, Brynjolfsson et Collins (2019) soutiennent que les produits en ligne gratuits peuvent avoir une valeur significative pour les utilisateurs, WhatsApp étant l’un des services en ligne que les utilisateurs ne veulent pas abandonner, même s’ils se voient proposer un montant monétaire élevé pour faites-le (voir la présentation de l’article à Bruegel). D’un autre côté, Ahmad, Ribarsky et Reinsdorf (2017) concluent que même en cas de mauvaise mesure, son ampleur n’est pas suffisante pour expliquer le ralentissement généralisé de la croissance mesurée du PIB et de la croissance de la productivité. Donc, nous devons regarder vers d’autres explications potentielles.
Bien que l’IA offre des gains d’efficacité importants, ils ne bénéficient qu’à quelques grandes entreprises, laissant l’utilité du reste des acteurs du marché inchangée. Ainsi, leur effet sur la croissance moyenne de la productivité est globalement modeste, et sans effet pour le travailleur médian. Les quelques grandes entreprises peuvent améliorer leur efficacité grâce à l’IA et devenir encore plus grandes en augmentant l’écart entre elles et leurs concurrents. Cela réduit les incitations à l’innovation à l’échelle de l’industrie qui pourraient augmenter la productivité.
En effet, les données empiriques suggèrent que: i) les différences de productivité entre les entreprises pionnières et leurs concurrents industriels augmentent (Andrews, Criscuolo et Gal, 2016); ii) les industries se concentrent constamment avec d’importantes pertes de bien-être (Gutierrez et Philippon, 2017, De Loecker et Eechout, 2017), tandis qu’un petit nombre de superstars voient sa part de marché augmenter (Autor et al.2019). Dans le même temps, Furman et Orszag (2015) trouvent un lien entre les loyers et les inégalités qui peuvent avoir des effets négatifs sur la croissance économique. Il est donc important d’innover en termes d’intervention politique, avec un cadre de règles et une approche efficace de la politique de concurrence afin que nous puissions éliminer les risques économiques sur la productivité de la grosse queue unilatérale dans la répartition des bénéfices de l’IA.
Et enfin, il peut simplement y avoir un retard dans la mise en œuvre. L’IA est une technologie polyvalente. Pour les technologies à usage général, comme indiqué ci-dessus et comme Brynjolfsson et al. (2017), l’histoire a prouvé que si finalement ces technologies ont transformé notre façon de vivre et de travailler, il a fallu beaucoup de temps, des décennies, pour que cela se produise. Les entreprises ont dû être réorganisées et adopter ces technologies de manière efficace, et d’autres technologies complémentaires ont dû être créées pour exploiter les percées. En fait, ils procèdent à l’observation suivante pour étayer cela: ils comparent la productivité du travail sur deux périodes différentes. L’un s’étend de 1870 à 1940, et c’est l’ère de l’énergie portable, de son invention, sa mise en œuvre et sa diffusion. L’autre s’étend à partir de 1970 et fait référence à l’ère des technologies de l’information (TI). Ils concluent que la productivité du travail à l’ère de l’énergie portable partageait des schémas remarquablement similaires avec l’ère informatique (figure 3). Dans les deux époques, il y a eu une période initiale d’environ un quart de siècle de croissance relativement lente de la productivité. Ensuite, les deux époques ont connu une accélération de la productivité pendant une décennie, s’étalant de 1915 à 1924 à l’ère de l’énergie portable et de 1995 à 2004 plus récemment.