L’IA changera-t-elle votre emploi? Ce qu’a trouvé l’étude d’OpenAI sur le travail

Vendredi dernier, quatre chercheurs ont déposé sur arXiv un article au titre espiègle : GPTs are GPTs. Le premier « GPTs » désigne les generative pre-trained transformers, la famille de modèles derrière ChatGPT. Le second désigne les general-purpose technologies, les technologies à usage général, le terme des économistes pour des inventions comme l’électricité ou la machine à vapeur, qui finissent par toucher presque tous les types de travail. Trois des auteurs sont affiliés à OpenAI (l’un aussi à OpenResearch); le quatrième, Daniel Rock, est à l’Université de Pennsylvanie.

Leur question est simple à formuler : si des travailleurs avaient accès à un modèle de langage performant, quelle part de leur journée en serait touchée? Leur réponse phare est largement reprise depuis lundi. Environ 80 % de la main-d’œuvre américaine pourrait voir au moins 10 % de ses tâches touchées, et environ 19 % pourrait voir au moins la moitié de ses tâches touchées.

Comment les chercheurs l’ont-ils mesuré?

L’étude ne considère pas les emplois comme des blocs uniques. Elle les découpe en tâches à l’aide d’O\*NET, une base de données du gouvernement américain qui décrit 1 016 professions au moyen d’environ 19 000 tâches précises. Un analyste de données, par exemple, nettoie des données, rédige des rapports et rencontre des clients; chacune de ces tâches est évaluée séparément.

Pour chaque tâche, les évaluateurs se sont posé une seule question : l’accès à un modèle GPT, ou à un logiciel bâti sur un tel modèle, réduirait-il d’au moins 50 % le temps nécessaire pour accomplir cette tâche, à qualité égale? L’article classe les tâches en trois groupes :

Des humains et GPT-4 lui-même ont fait l’évaluation, et les auteurs rapportent des niveaux d’accord semblables entre eux. Ils ont ensuite regroupé les évaluations des tâches pour chaque profession.

Qui est le plus exposé?

La tendance en surprend plusieurs. Les emplois mieux payés ont tendance à être plus exposés, pas moins, ce qui, notent les auteurs, va à l’encontre des études antérieures sur la portée de l’apprentissage automatique. Les emplois qui reposent sur des compétences en programmation et en rédaction obtiennent des scores élevés; ceux qui dépendent des sciences et de la pensée critique, des scores plus faibles. Le résumé de l’article par Vice nomme les écrivains, les journalistes, les comptables, les préparateurs de déclarations de revenus, les mathématiciens, les concepteurs Web et les secrétaires juridiques parmi les plus exposés. Par secteur, le traitement de l’information se classe haut, tandis que la fabrication, l’agriculture et l’exploitation minière se classent bas.

Un exemple concret : évaluer votre propre emploi

Vous pouvez appliquer la question de l’article à votre propre travail en une quinzaine de minutes. Dressez la liste de vos tâches, puis demandez à un assistant de vous aider à réfléchir à chacune, tout en restant vous-même juge.

Je travaille comme [ton emploi]. Voici huit tâches que je fais dans une semaine typique :
1. ...
2. ...
Pour chaque tâche, dis-moi :
- si un robot conversationnel seul pourrait m’aider à la terminer en deux fois moins de temps, avec la même qualité,
- si elle nécessiterait un logiciel supplémentaire (par exemple, un accès à mes fichiers ou à mon calendrier),
- ou si elle ne me ferait pas gagner de temps réel.
Explique ton raisonnement en une phrase par tâche. Signale tout ce dont tu n’es pas sûr.

Voyez les réponses comme un point de départ. Vous connaissez votre emploi mieux que n’importe quel modèle; l’intérêt est de voir votre travail comme une liste de tâches, dont certaines pourraient changer plus tôt que d’autres.

Comment interpréter les chiffres de 80 % et de 19 %?

Commencez par le mot « exposé ». Les auteurs définissent l’exposition comme un indicateur de l’impact économique potentiel, et ils disent clairement qu’elle ne distingue pas les outils qui aident les travailleurs de ceux qui les remplacent. Une tâche qui prend deux fois moins de temps pourrait vous libérer pour d’autre travail, augmenter votre production ou réduire le nombre de personnes nécessaires. L’article ne prédit pas laquelle de ces issues l’emportera.

Remarquez ensuite les seuils. Le chiffre de 80 % exige seulement qu’une tâche sur dix soit exposée. La barre est basse; elle couvre quelqu’un qui utilise un robot conversationnel pour rédiger un courriel de temps en temps. Le chiffre de 19 % est plus strict, puisqu’il exige que la moitié des tâches d’un travailleur soient exposées, et il compte à la fois le modèle seul et les outils que d’autres pourraient bâtir par-dessus. Quand les évaluateurs humains ne comptaient que ce que le modèle peut faire seul, sans logiciel supplémentaire, la part des travailleurs dont plus de la moitié des tâches étaient exposées était d’environ 3 %. En comptant les outils futurs et d’autres modèles génératifs, elle grimpait jusqu’à 49 %. Cet écart montre à quel point tout dépend de logiciels qui n’existent pas encore.

Considérez ensuite qui l’a écrit. Vice souligne qu’OpenAI, qui vend ces modèles, a produit l’étude. L’article lui-même énumère ses limites : les évaluateurs humains connaissaient bien les modèles et n’exerçaient pas la plupart des emplois qu’ils ont notés, et les évaluations de GPT-4 changent selon la formulation du prompt. Les auteurs soulignent aussi que la faisabilité technique ne garantit pas que les entreprises adopteront un outil, ni que la productivité augmentera.

La lecture juste est donc celle-ci : la plupart des emplois comportent certaines tâches que les modèles de langage peuvent accélérer, et une minorité non négligeable en comporte beaucoup. Que cela mène à de meilleurs emplois, à moins d’emplois ou aux deux dépend de choix des employeurs, des travailleurs et des décideurs publics que l’étude ne mesure pas. Savoir dans quel groupe tombent vos propres tâches est un premier pas concret.