Naviguer dans l’impact de l’IA générative dans le monde du travail
Article initialement publié sur le blogue du Forum économique mondial.
Depuis la publication de GPT-3 d’Open AI en novembre et la publication subséquente de GPT-4, il y a eu beaucoup d’angoisse sur ce que ces progrès dans l’IA générative signifient pour l’avenir du travail.
Mais l’impact de l’IA générative ne se limite pas à celui de GPT sur la génération de texte et les conséquences potentielles pour le travail des journalistes et des écrivains. Il comprend l’impact de DALL-E-2 sur la génération d’images, CODEX sur le codage et MegaMoIBART sur la découverte de médicaments, pour n’en nommer que quelques-uns.
Trois éléments principaux sous-tendent les capacités de l’IA générative :
- Une mémoire et une reconnaissance des modèles massives, avec la capacité de relier des concepts distants et d’en tirer des inférences
- Des exigences de code faibles ou inexistantes, réduisant considérablement la valeur des compétences de codage
- Absence de logique puisqu’elle fait des prédictions basées sur des quantités massives de données de formation, avec des conséquences importantes pour que ses applications fonctionnent
Un récent sondage de Mercer a révélé que 57 % des PDG et des directeurs financiers prévoient d’augmenter l’utilisation de l’IA et de l’automatisation; près d’un tiers repensent le travail pour réduire la dépendance de leurs organisations envers les personnes.
Dans le cadre de l’étude Tendances mondiales en talents de Mercer en 2022, le pourcentage d’employés qui disent que l’automatisation changera considérablement la façon dont leur travail est effectué est passé de 44 % à 71 % au cours des deux dernières années. Cependant, contrairement aux itérations précédentes d’automatisation qui ont largement touché le travail répétitif basé sur des règles, l’IA générative aura également un impact sur le travail à faible volume et très variable, ce qui mènera à la « démocratisation de la créativité ». Le travail dans de nombreuses professions, y compris celles d’auteurs, de chercheurs, d’avocats et de nombreuses autres, sera considérablement perturbé.
Par exemple, l’IA générative peut résumer un document juridique en quelques secondes avec une précision incroyable, tandis qu’un parajuriste peut passer des heures sur la tâche.
Mais c’est une véritable force qui consiste à augmenter, plutôt que de remplacer, le travail des employés.
Un cadre pour naviguer dans « l’avenir » du travail
Cadre pour atteindre les combinaisons optimales de travail humain et d’automatisation
Les valeurs d’axe de ce graphique sont des valeurs organisationnelles mises en correspondance avec le niveau de performance. La valeur organisationnelle sur l’axe vertical est divisée en deux segments : négatif et positif. La ligne de graphique montre le niveau de valeur ajoutée à l’organisation lorsque les objectifs d’intégration humaine et d’automatisation changent dans quatre scénarios différents :
• Objectif de l’élimination des erreurs : il existe un potentiel important de valeur négative pour l’organisation par rapport à tout écart par rapport à un niveau de rendement acceptable
• Objectif de minimiser les écarts : la valeur est constante
• Objectif d’amélioration de la productivité : démontre une amélioration proportionnelle de la valeur pour l’organisation
• Objectif d’atteindre des percées : montre un potentiel d’amélioration de la valeur exponentielle
Il y a quatre résultats potentiels distincts associés à tout corpus de travail :
- Élimination des erreurs (pensez à une partie du travail d’un pilote d’avion), où les conséquences d’une erreur sont élevées et où il existe un potentiel important de valeur négative pour l’organisation par rapport à un niveau de rendement acceptable
- Minimiser les écarts (pensez au traitement des transactions), où il n’y a aucune valeur à améliorer le rendement au-delà d’un niveau cible
- Améliorer la productivité (pensez au travail d’un vendeur), où une amélioration du rendement entraîne une amélioration proportionnelle de la valeur pour l’organisation
- Réaliser des percées (pensez à un travail hautement créatif, comme la science des données), où une petite amélioration du rendement a un impact exponentiellement important sur la valeur
Une automatisation établie comme l’automatisation robotique des processus (ARP) peut être utile pour remplacer les efforts humains dans le travail où l’objectif est de réduire les écarts et où il existe une plus grande tolérance au risque. Songez à l'application de l'ARP pour réduire la variance avec laquelle le travail hautement répétitif et basé sur des règles d'analyse et de synthèse des données financières est effectué.
L’IA a longtemps été utilisée pour augmenter le travail analytique où l’amélioration de la productivité ou l’atteinte d’une percée est l’objectif. Réfléchissez à la façon dont les oncologues ont utilisé l’apprentissage automatique, formés sur des volumes importants de données et d’images spécifiques, pour augmenter de façon exponentielle la précision de la détection du cancer, non pas en remplaçant les compétences, mais en augmentant les capacités et en augmentant la prime sur l’expérience et l’expertise. Cependant, lorsqu’il s’agit d’élimination des erreurs, nous voyons souvent l’automatisation utilisée pour réduire le potentiel d’erreur humaine d’abord par l’augmentation, puis par la substitution à mesure que les ensembles de données spécifiques, la logique et les nouvelles barrières de sécurité sont développés.
Cependant, l’IA générative est à un stade naissant et peut être sujette à l’erreur en raison de son manque de logique sous-jacente. Ce problème est aggravé par le fait que lorsque les enjeux sont élevés et que notre tolérance au risque est faible, nous sommes plus tolérants à l’erreur humaine que nous ne le sommes à la chute des machines. Il est essentiel que les dirigeants comprennent quand se fier à ces technologies, et quand ne pas s’y fier, à ce stade de leur évolution, ainsi que les rôles spécifiques qu’ils devraient avoir dans le travail humain (substitution, augmentation ou création). L’IA générative est plus utile pour démocratiser les connaissances et la créativité par l’augmentation, en réduisant les primes de compétences traditionnellement requises pour une variété de tâches créatives où l’objectif est d’atteindre des gains de productivité et de rechercher une percée dans des domaines où il y a une tolérance élevée au risque.
Il est tout aussi important de comprendre les conséquences de son utilisation pour votre modèle de talent. Étant donné que de nombreuses professions sont construites sur un modèle d’apprentissage, comment résisterez-vous à la tentation de remplacer le travail des talents de niveau junior par l’IA qui pourrait éliminer la prochaine génération de créateurs, de dirigeants et de gestionnaires?
Un nouvel ensemble de guides pour l’ère de l’IA générative
-
Modèle de travailComment allez-vous créer un modèle d’exploitation du travail avec les outils et les disciplines nécessaires pour analyser le travail et appliquer de manière durable et responsable l’IA et l’automatisation émergentes?
-
Modèle de talentsPouvez-vous développer un modèle de talent qui assure un bassin suffisant de compétences, même si vous appliquez progressivement plus d’IA à votre travail?
-
Développer des compétences futuresÀ mesure que l’IA prolifère, il est essentiel de s’assurer que les employés effectuent un travail significatif et durable. Comment allez-vous trouver des occasions d’automatiser les tâches et de libérer du temps pour de nouvelles activités à valeur ajoutée tout en assurant la mise à niveau et la requalification transparentes de votre main-d’œuvre pour la prochaine itération du travail?
-
État d’esprit et cultureAlors que l’IA continue de réduire la prime sur la créativité et démocratise l’accès, comment assurerez-vous la réinvention perpétuelle de votre modèle d’affaires et de votre main-d’œuvre?