Daron Acemoglu, lauréat du prix Nobel d'économie, ne croit pas à la promesse d'un boom de productivité grâce à l'IA.

Pourquoi les promesses d'un nouvel âge d'or productif divisent économistes et technologues

Daron Acemoglu, lauréat du prix Nobel d'économie, ne croit pas à la promesse d’un boom de productivité grâce à l’IA,
pourquoi les promesses d’un nouvel âge d’or productif divisent économistes et technologues

Depuis quelques années, les avancées spectaculaires de l’intelligence artificielle (IA), notamment avec l’essor des modèles génératifs comme GPT ou les IA visuelles de type DALL·E, ont donné lieu à un discours dominant aussi euphorique qu’utopique. Selon ce récit, l’IA serait à l’aube de déclencher une explosion de productivité sans précédent, comparable à celle de la révolution industrielle ou d’Internet. Mais dans sa tribune publiée sur Project Syndicate, l’économiste Daron Acemoglu, co-lauréat du prix Nobel d’économie, appelle à un sérieux retour à la réalité.

Contexte

Les partisans de l’IA, y compris certains leaders de l’industrie technologique, prédisent un bond spectaculaire de la productivité. Ils comparent les progrès récents de l’IA générative (comme les grands modèles de langage) à des révolutions passées comme l’imprimerie ou l’électricité. Selon eux, nous serions à l’aube d’une transformation économique mondiale sans précédent.

Acemoglu tempère radicalement cette vision. S’appuyant sur des modèles économiques et des données empiriques, il affirme qu’il n’existe aucune preuve tangible permettant d’attester un impact significatif de l’IA sur la croissance actuelle ou future de la productivité.

L’une des thèses centrales d’Acemoglu est que l’IA actuelle est essentiellement conçue pour automatiser des tâches humaines, et non pour accroître les capacités humaines ou générer de nouvelles activités économiques. Cela limite considérablement son potentiel à stimuler la croissance.

Il rappelle qu’aucun changement technologique majeur ne peut produire des effets macroéconomiques significatifs sans une diffusion massive dans l’ensemble du tissu économique, processus qui prend généralement des décennies.

Des projections trop optimistes, voire infondées

Pour Acemoglu, les prédictions selon lesquelles l’IA va doubler, voire tripler la croissance de la productivité dans les décennies à venir sont pour le moment dépourvues de fondements empiriques solides. Il pointe du doigt les estimations publiées par des institutions comme Goldman Sachs ou McKinsey, qui projettent des gains de productivité mirobolants (jusqu’à +3% par an), tout en omettant de justifier précisément par quels mécanismes ces gains seraient générés.

« Selon les leaders de la technologie et de nombreux experts et universitaires, l'intelligence artificielle est sur le point de transformer le monde tel que nous le connaissons grâce à des gains de productivité sans précédent. Si certains pensent que les machines feront bientôt tout ce que les humains peuvent faire, ouvrant ainsi la voie à une nouvelle ère de prospérité illimitée, d'autres prédictions sont au moins plus fondées. Par exemple, Goldman Sachs prévoit que l'IA générative augmentera le PIB mondial de 7 % au cours de la prochaine décennie, et le McKinsey Global Institute prévoit que le taux de croissance annuel du PIB pourrait augmenter de 3 à 4 points de pourcentage d'ici à 2040. Pour sa part, The Economist s'attend à ce que l'IA crée une manne pour les cols bleus.

« Est-ce réaliste ? Comme je le fais remarquer dans un article récent, les perspectives sont beaucoup plus incertaines que ne le suggèrent la plupart des prévisions et des estimations. Néanmoins, s'il est pratiquement impossible de prédire avec certitude les effets de l'IA dans 20 ou 30 ans, il est possible de se prononcer sur la prochaine décennie, car la plupart de ces effets économiques à court terme doivent concerner des technologies existantes et les améliorations qui leur sont apportées.

« On peut raisonnablement supposer que l'impact le plus important de l'IA résultera de l'automatisation de certaines tâches et de l'amélioration de la productivité de certains travailleurs dans certaines professions ».

L'IA actuelle : plus destructrice que créatrice ?

L’un des points centraux de la critique d’Acemoglu porte sur la nature même des applications d’IA les plus populaires à ce jour. Il distingue deux types d’innovations technologiques : celles qui augmentent la productivité des travailleurs (en les rendant plus efficaces), et celles qui les remplacent (en les rendant obsolètes). Or, selon lui, l’IA générative s’inscrit majoritairement dans la seconde catégorie.

Ainsi, au lieu de libérer le potentiel humain, de nombreuses entreprises utilisent l’IA pour automatiser des tâches auparavant confiées à des employés, sans créer de nouvelles fonctions ou de nouveaux secteurs de croissance. Ce remplacement peut générer des gains à court terme pour les entreprises, mais sans investissements complémentaires, ni requalification des travailleurs, il risque d’amplifier les inégalités sociales, de freiner la demande globale, et in fine de limiter les gains de productivité au niveau macroéconomique.

Un parallèle avec les « technologies de substitution »

Acemoglu mobilise ici un cadre théorique qu’il a lui-même largement contribué à développer : celui des technologies de substitution, qui ne contribuent que faiblement à la croissance lorsqu’elles remplacent les humains sans générer de nouvelles activités productives. Il rappelle qu’une économie fondée uniquement sur la réduction des coûts via l’automatisation est vouée à atteindre rapidement un plafond en matière de croissance, car la demande agrégée ne suit pas si les revenus sont concentrés entre les mains d’une minorité capitalistique.

Ce constat rejoint ses travaux antérieurs sur les dangers de l’hyper-automatisation, déjà abordés dans son livre Power and Progress (2023, coécrit avec Simon Johnson), où il montre que l’orientation des technologies dépend fondamentalement des choix politiques et institutionnels.


La nécessité d’une IA au service du progrès inclusif

Plutôt que de rejeter l’IA en bloc, Acemoglu plaide pour un réencadrement de son développement. Il appelle à orienter les investissements vers des IA qui assistent et augmentent les capacités humaines, notamment dans les secteurs de la santé, de l’éducation ou des services à la personne. Dans cette vision, l’IA ne remplace pas l’humain, elle le rend plus performant, plus utile, plus créatif. Ce modèle de « complémentarité » technologique serait non seulement plus juste socialement, mais aussi plus prometteur économiquement à long terme.

Et d'indiquer que :

« L'adoption précoce de l'IA générative s'est naturellement produite là où elle donne des résultats raisonnables, c'est-à-dire des tâches pour lesquelles il existe des mesures objectives de réussite, telles que l'écriture de sous-programmes de programmation simples ou la vérification d'informations. Dans ce cas, le modèle peut apprendre sur la base d'informations extérieures et de données historiques facilement disponibles.

« Mais une grande partie des 4,6 % de tâches qui pourraient être automatisées d'ici dix ans - évaluation de candidatures, diagnostic de problèmes de santé, conseils financiers - n'ont pas de mesures objectives de réussite aussi clairement définies et impliquent souvent des variables complexes dépendant du contexte (ce qui est bon pour un patient ne l'est pas pour un autre). Dans ces cas, il est beaucoup plus difficile d'apprendre à partir d'observations extérieures, et les modèles d'IA générative doivent plutôt s'appuyer sur le comportement des travailleurs existants. Dans ces conditions, il y aura moins de place pour des améliorations majeures par rapport au travail humain ».

Une étude suggère que les assistants d'IA de codage n'augmentent pas la vitesse de codage, mais significativement le taux de bogues

Les propos d'Acemoglu peuvent être transposés dans le domaine de la programmation où les opinions des développeurs sont divergentes sur les véritables avantages en matière de productivité des assistants d'IA de codage, soulignant la nécessité d'une évaluation minutieuse de leur impact dans le monde réel. Si certaines entreprises ont fait état de gains de productivité significatifs grâce aux outils d'IA, d'autres ont constaté qu'ils introduisaient des erreurs et compliquaient également les processus de débogage. Les développeurs débutants ont souvent du mal à égaler l'efficacité des développeurs confirmés, même lorsqu'ils se font aider par les assistants d'IA.

Les outils de codage ont été un cas d'utilisation précoce évident dans la ruée vers l'IA générative. Cependant, une étude publiée récemment par la société d'analyse Uplevel indique que les améliorations de productivité promises sont loin d'être au rendez-vous, si tant est qu'elles existent. Uplevel, qui fournit des informations sur les données de codage et de collaboration, rapporte que l'utilisation de GitHub Copilot a également introduit 41 % de bogues supplémentaires.

« Cela suggère que Copilot peut avoir un impact négatif sur la qualité du code. Les responsables de l'ingénierie peuvent souhaiter creuser davantage pour trouver les PR avec des bogues et mettre en place des garde-fous pour l'utilisation responsable de l'IA générative », indique le rapport intitulé Can Generative AI Improve Developer Productivity.

L'étude a mesuré le temps de cycle des demandes de fusion (pull request - PR), c'est-à-dire le temps nécessaire pour fusionner le code dans un dépôt, et le débit des PR, c'est-à-dire le nombre de demandes de fusion fusionnées. Elle n'a révélé aucune amélioration significative pour les développeurs utilisant GitHub Copilot. Ce résultat est l'un des trois énumérés par l'entreprise, qui a déclaré avoir mené la recherche pour répondre à trois questions :

• l'accès à GitHub Copilot aide-t-il les développeurs à produire du code plus rapidement ?
• GitHub Copilot aide-t-il les développeurs à produire un code de meilleure qualité ?
• GitHub Copilot atténue-t-il l'impact de l'épuisement des développeurs ?

L'IA transforme le codage en « un travail à la chaîne » chez Amazon

Les dirigeants exercent des pressions sur les ingénieurs pour qu'ils adoptent les générateurs de code. Et les ingénieurs sont inquiets, car l'IA transforme un travail de réflexion en un travail à la chaîne. Certains ingénieurs comparent cette situation à la vague d'automatisation qui a remodelé les entrepôts d'Amazon. Ils décrivent une culture où l'adoption de l'IA est techniquement facultative, mais où le fait de ne pas l'utiliser risque de causer du retard.

Selon un rapport de The Economic Times, chez Amazon, le code qui prenait autrefois des semaines à développer doit désormais être livré en quelques jours. Les sessions de retour d'expérience sont écourtées. Et les ingénieurs sont incités à laisser l'IA non seulement suggérer des lignes de code, mais aussi écrire des programmes entiers. Ils passent moins de temps à écrire du code et davantage à examiner et corriger le code généré par des outils automatisés.

Les attentes se sont rapidement accrues. Un ingénieur a déclaré que la création d'une fonctionnalité pour le site web prenait auparavant quelques semaines ; aujourd'hui, elle doit souvent être réalisée en quelques jours. Cela n'est possible qu'en utilisant l'IA pour générer du code et en réduisant le nombre de réunions destinées à solliciter des commentaires et à explorer d'autres idées. Mais les gains d'efficacité liés à l'utilisation de l'IA sont plus modestes.

Simon Willison, programmeur de longue date et blogueur, a déclaré : « il est plus amusant d'écrire du code que d'en lire. Si on vous dit que vous devez faire une revue de code, ce n'est jamais une partie amusante de votre travail. Lorsque vous travaillez avec ces outils, c'est la plus grande partie du travail ».

Cette évolution entraîne une augmentation du rythme de travail, une réduction de la créativité et une standardisation des tâches, ce qui rend le travail plus répétitif. Certains ingénieurs estiment que leur travail est dévalorisé, rappelant les accélérations de rythme observées dans les environnements industriels, où la priorité est donnée à la production plutôt qu'à l'autonomie, la créativité et l'amélioration des compétences. Amazon a défendu ces changements.


Conclusion : une voix de raison dans une mer d’euphorie

En définitive, Daron Acemoglu invite à la prudence et au discernement. L’IA, loin d’être une baguette magique, est une technologie aux effets ambigus, dont les conséquences dépendront largement des choix collectifs à venir. L'analyse rigoureuse et critique de Daron Acemoglu rappelle que la technologie, aussi puissante soit-elle, n’est ni neutre, ni inévitablement bénéfique. Tout dépend de la manière dont elle est conçue, utilisée et encadrée. Au lieu de céder à la frénésie techno-optimiste, il propose une approche ancrée dans la réalité économique, soucieuse d’inclusion sociale et de bien commun. Un appel salutaire à repenser la finalité de l’innovation.

La véritable révolution ne viendra pas de l’IA elle-même, mais de la manière dont nous choisirons de l’intégrer à nos sociétés.

Sources : tribune de Daron Acemoglu, The Simple Macroeconomics of AI

Et vous ?

Que pensez-vous des propos de Daron Acemoglu ? Les trouvez-vous crédibles ou pertinents ?

Si l’IA ne booste pas (encore) la productivité globale, peut-on considérer qu’elle transforme malgré tout profondément les modes de travail ?

Les statistiques économiques classiques sont-elles capables de capter les gains de productivité liés à l’IA ? Faut-il revoir nos indicateurs ?

Quelles conditions faudrait-il réunir pour que l’IA devienne réellement complémentaire au travail humain plutôt que substitutive ?

À qui profite aujourd’hui le plus l’IA ? Les grandes entreprises, les startups, les pays développés ? Est-ce un problème ?

L’histoire économique montre que des innovations majeures ont parfois mis des décennies à produire des effets mesurables. Pourquoi serait-ce différent ou non avec l’IA ?

L’automatisation par l’IA menace-t-elle davantage les emplois qualifiés que les non qualifiés ? Et que faire pour accompagner cette transition ?

Faut-il envisager une redistribution des gains liés à l’IA (taxe sur les robots, revenu universel) ?

Voir aussi :

L'outil d'IA GitHub Copilot améliore-t-il la qualité du code ? Si GitHub estime que le code produit est plus fonctionnel, GitClear note que cela peut entraîner « une dette technique induite par l'IA »