00:00:00 Bref résumé de l’étude de Harvard
00:00:32 Étude sur ChatGPT-4 avec les consultants de BCG
00:01:31 Exploration de l’impact de l’IA sur la productivité
00:02:31 Potentiel de substitution de l’IA et critique
00:03:47 Les effets plus larges de l’IA sur l’emploi
Résumé
Conor Doherty de Lokad scrute une étude de Harvard sur l’impact de l’IA sur les emplois de cols blancs, révélant des effets nuancés. La recherche, qui a impliqué 758 consultants, évalue le rôle de l’IA dans l’amélioration de la productivité, en particulier dans la gestion de la supply chain. Elle constate que l’IA améliore les performances dans certaines tâches, surtout avec formation, mais peut fléchir dans des scénarios. Doherty critique la vision limitée de l’IA comme simple complément au travail humain, affirmant son potentiel à automatiser complètement les tâches, révolutionnant ainsi la productivité et redéfinissant le travail de cols blancs. Il met en garde contre une confiance excessive dans la sécurité de l’emploi, car les pleines capacités de l’IA pourraient transformer radicalement le paysage de l’emploi.
Transcription complète
Conor Doherty : Naviguant sur le front technologique escarpé, un article de recherche publié par la Harvard Business School vise à apporter un éclairage sur les effets de l’IA sur la productivité et, en fin de compte, sur l’emploi.
Aujourd’hui, je vais aborder trois points : premièrement, l’hypothèse et la méthodologie de l’article ; deuxièmement, les principales conclusions et résultats de l’article ; et troisièmement, la perspective de Lokad. Commençons.
L’article examine les implications de l’IA sur des tâches complexes, réalistes et nécessitant une forte expertise. L’IA utilisée était ChatGPT-4, un grand modèle de langage.
L’hypothèse implicite était que l’introduction de l’IA dans les flux de travail de professionnels hautement qualifiés permettrait des gains de productivité. Les 758 participants étaient des consultants du Boston Consulting Group (BCG).
Les chercheurs ont divisé les participants en deux groupes, chacun recevant une tâche unique. L’une des tâches était axée sur les compétences analytiques, la rédaction créative, la capacité de persuasion et les compétences rédactionnelles, tandis que l’autre se concentrait sur la résolution de problèmes par la combinaison de données quantitatives et qualitatives.
Tous les participants ont d’abord réalisé une tâche de référence sans IA. Par la suite, ils ont été subdivisés en trois groupes : un groupe témoin sans IA, un groupe avec IA, et un troisième groupe combinant IA et formation sur la meilleure manière de l’utiliser.
Les participants disposaient de 30 à 90 minutes pour accomplir leurs tâches, conçues pour imiter celles que l’on trouve dans les cabinets de conseil de haut niveau.
Bien que les tâches aient été conçues pour être d’une difficulté similaire, les effets de l’IA étaient très différents, conduisant à ce que les chercheurs ont qualifié de front technologique irrégulier.
Cela fait référence à la capacité de l’IA à améliorer significativement la performance humaine pour certaines tâches, celles situées à l’intérieur du front, tout en la dégradant pour d’autres, situées à l’extérieur.
Pour les tâches à l’intérieur du front, l’IA a permis des gains de productivité significatifs. Les deux groupes bénéficiant de l’IA ont surpassé le groupe témoin, et le groupe ayant reçu une formation supplémentaire sur l’IA a obtenu les meilleurs résultats globaux.
L’augmentation de la productivité était particulièrement marquée chez les personnes ayant obtenu des scores dans la moitié inférieure de la tâche de référence initiale, ce qui suggère que l’IA pourrait être particulièrement bénéfique pour les travailleurs moins qualifiés.
Cependant, pour les tâches situées à l’extérieur du front, telles que la combinaison d’analyses quantitatives et qualitatives, le groupe ayant bénéficié à la fois de l’IA et de la formation a obtenu les pires résultats. En effet, le groupe témoin a surpassé les deux groupes bénéficiant de l’IA, avec une différence significative observée entre le groupe témoin et celui ayant reçu à la fois l’IA et la formation.
Les auteurs suggèrent que, pour les tâches situées à l’intérieur du front, l’IA peut améliorer de manière spectaculaire la productivité et la qualité, et potentiellement même remplacer les humains. Cependant, pour les tâches jugées à l’extérieur du front, l’IA peut être beaucoup moins efficace.
Bien que l’article soit rédigé de manière très accessible, il repose sur une faille méthodologique très sérieuse. Il n’a pas exploré la productivité obtenue grâce à l’automatisation par l’IA. Au lieu de cela, il a traité l’IA comme une sorte de copilote à guider par les humains.
Cela est profondément erroné car cela limite artificiellement les capacités de l’IA, en particulier lorsqu’elle est combinée à d’autres techniques telles que la génération assistée par récupération.
L’IA peut composer automatiquement des invites avec toutes les informations nécessaires récupérées d’une base de données, comme celles détenues dans les cabinets de conseil de haut niveau. Cela surpasserait de loin la production d’une seule personne et serait beaucoup plus rentable lorsqu’elle serait déployée à grande échelle.
Même si la qualité des réponses n’était équivalente qu’à celle du groupe témoin, elles seraient néanmoins beaucoup moins coûteuses en raison du très faible coût des grands modèles de langage (LLMs) comparé au salaire à six chiffres d’un seul diplômé de Harvard.
Voici le véritable effet de l’IA sur la supply chain et l’emploi : des gains de productivité sans précédent grâce à l’automatisation des tâches quantitatives et qualitatives déployées à grande échelle. Cela surpasserait très probablement les humains en termes de qualité et, assurément, en termes de retour sur investissement.
En ignorant ce cas d’usage évident, l’article procure un sentiment de sécurité faux et, sans doute, dangereux aux personnes déjà préoccupées par l’impact potentiel de l’IA sur la supply chain et d’autres emplois analytiques.
