L'économie de l'IA a besoin d'instruments, pas de panique

En bref

La nouvelle alerte IA ne parle pas de robots tueurs.

Elle parle de tableurs.

Très dramatique. Baissez les lumières.

Le 13 juillet, le Stanford Digital Economy Lab a publié une déclaration intitulée "We Must Act Now", signée par des économistes, des chercheurs en informatique, des prix Nobel, des experts de policy et des personnes liées à OpenAI, Anthropic, Google DeepMind, Microsoft, Meta et d'autres entreprises IA.

Le document ne dit pas "arrêtons l'IA".

Il dit quelque chose de plus pratique et plus inconfortable :

L'IA pourrait devenir une technologie générale du niveau de l'électricité, de l'informatique ou d'internet, mais les gouvernements et les entreprises ne sont pas encore prêts à mesurer, orienter ou partager les gains économiques.

C'est ça, l'histoire utile.

Pas "l'IA va forcément prendre tous les emplois".

Pas "l'IA va forcément enrichir tout le monde".

Le point sérieux, c'est que l'économie entre dans une phase où les mêmes outils peuvent augmenter la productivité, compresser les équipes, changer les salaires, réorganiser les entreprises et déplacer le pouvoir vers ceux qui possèdent les modèles, les données, la distribution, les puces et les plateformes agentiques.

Et nous débattons encore de tout ça à coups d'intuitions.

Ce n'est pas suffisant.

Si les agents IA passent du chat au vrai travail, la prochaine question n'est pas seulement "est-ce que le modèle peut faire la tâche ?"

C'est :

Qui profite quand la tâche est automatisée ?

Qui peut voir l'effet ?

Qui a l'autorité pour répondre ?

Et qui remarque quand les chiffres deviennent bizarres ?

Ce n'est pas une promesse safety de plus

Il existe maintenant un genre très reconnaissable :

Des personnes sérieuses de l'IA signent une déclaration sérieuse.

Tout le monde lit le titre.

La moitié d'internet dit "enfin des adultes".

L'autre moitié dit "capture réglementaire, joli".

Puis tout le monde retourne regarder des démos de modèles.

Celle-ci est plus intéressante parce qu'elle est moins abstraite.

La déclaration de Stanford parle de marchés du travail, de productivité, d'investissement public, d'institutions et de mesure. Elle appelle à de meilleures données sur les effets de l'IA sur les travailleurs et les entreprises, à plus d'expérimentation politique, à une capacité publique plus rapide, et à une réflexion plus sérieuse sur la distribution des gains.

Business Insider rapporte que les signataires incluent seize prix Nobel, plusieurs anciens présidents du Council of Economic Advisers, et des figures IA liées à OpenAI, Anthropic et Google DeepMind.

Il faut traiter la déclaration comme une déclaration.

Ce n'est pas une loi.

Ce n'est pas une preuve qu'une prévision précise est correcte.

Mais c'est la preuve qu'un groupe large de personnes proches à la fois de l'économie et de l'IA converge vers une inquiétude moins caricaturale :

Le danger n'est pas seulement que l'IA échoue.

Le danger, c'est qu'elle réussisse de manière inégale.

La question du travail devient enfin moins idiote

Depuis des années, le débat sur l'emploi et l'IA est coincé entre deux slogans.

D'un côté : l'IA va remplacer tout le monde.

De l'autre : l'IA va seulement rendre les travailleurs plus productifs.

Les deux peuvent être vrais à des endroits différents.

C'est ça, la partie pénible.

L'IA peut rendre un ingénieur senior plus rapide tout en rendant le plan de recrutement junior moins évident. Elle peut aider un avocat à relire des documents tout en réduisant le nombre de juniors nécessaires pour la première passe. Elle peut rendre un chercheur plus productif tout en concentrant plus de valeur dans une plateforme qui possède les outils, les données et le workflow.

L'économie ne rencontre pas "l'IA" comme une seule chose.

Elle rencontre des chocs locaux :

• une équipe support qui utilise des agents pour répondre aux tickets
• une équipe logiciel qui livre avec moins de personnes
• une équipe marketing qui produit des campagnes plus vite
• un call center qui ajoute du monitoring IA
• une école qui décide si les élèves peuvent utiliser des tuteurs
• un hôpital qui teste des assistants de documentation
• une petite entreprise qui remplace un consultant par un workflow

Certains travailleurs gagnent du levier.

Certains gagnent de la surveillance.

Certaines entreprises gagnent des marges.

Certains clients obtiennent des services moins chers.

Certains métiers deviennent meilleurs.

Certains deviennent plus minces.

La version paresseuse du débat demande : "L'IA va-t-elle créer ou détruire des emplois ?"

La version utile demande :

Quelles tâches sont absorbées par le logiciel ?

Quels travailleurs deviennent plus précieux parce qu'ils savent diriger des systèmes IA ?

Quels travailleurs perdent du pouvoir de négociation parce que leur travail devient plus facile à copier, surveiller ou envoyer vers une main-d'oeuvre moins chère ?

Quelles entreprises capturent les gains ?

Quelles communautés se creusent avant même que le graphique national de productivité ait l'air impressionnant ?

C'est plus difficile à mettre sur une slide.

C'est aussi le vrai problème.

Les agents rendent l'économie plus difficile à lire

Cette publication parle beaucoup d'agents depuis quelques semaines pour une raison simple.

Les agents changent l'unité d'automatisation.

L'ancien logiciel automatisait un processus défini.

Un chatbot répondait à une question.

Un agent peut prendre un objectif, récupérer du contexte, utiliser des outils, écrire des brouillons, inspecter des résultats, recommencer et rendre un livrable.

Ça ressemble à une amélioration produit.

C'est aussi un problème de mesure.

Si une entreprise utilise un agent IA pour réduire une tâche hebdomadaire d'analyste de six heures à quarante minutes, où est-ce que cela apparaît ?

Peut-être nulle part de manière évidente.

L'analyste peut faire plus de travail. L'équipe peut recruter une personne de moins l'année suivante. L'entreprise peut augmenter ses marges. Le manager peut exiger des délais plus courts. L'employé peut passer plus de temps à relire une sortie machine. Le client peut obtenir un rapport moins cher. Ou le travail peut simplement s'étendre jusqu'à ce que tout le monde soit aussi occupé qu'avant, mais avec plus de dashboards.

Excellent. Nous avons inventé la productivité, mais avec plus de notifications.

C'est pour ça que l'insistance ennuyeuse de Stanford sur les données compte.

Si l'économie change à travers des millions de petites substitutions de workflow, les indicateurs habituels seront en retard. Les chiffres de l'emploi ne diront pas quelles tâches ont disparu. Les moyennes de salaire cacheront les effets de distribution. Les données de productivité arriveront tard. Les enquêtes d'adoption par entreprise rateront les usages informels. Des travailleurs utiliseront l'IA même quand leur employeur dit officiellement que non.

La transition IA peut avoir l'air calme jusqu'au moment où elle devient évidente.

Pas parce que personne n'aura prévenu.

Parce que l'instrumentation est mauvaise.

Les labs IA font déjà de la politique économique

Il y a une autre raison pour laquelle cette déclaration compte.

La liste des signataires inclut des personnes venues des labs IA.

Cela ne rend pas le texte pur. Les entreprises ont des intérêts. Les labs aimeraient beaucoup que les gouvernements financent l'adaptation, achètent de l'infrastructure, forment les travailleurs et évitent un backlash désordonné pendant qu'ils continuent de construire.

C'est vrai.

Mais l'inverse l'est aussi :

Si les personnes qui construisent l'IA de pointe pensent que le marché du travail et les institutions publiques doivent se préparer, il est étrange de faire comme si ce n'était qu'un fantasme de critiques.

Les labs IA font déjà de la politique économique dans les faits.

Ils décident :

• quels modèles sont disponibles
• quels pays sont supportés
• quels usages sont bloqués
• quels contrôles enterprise existent
• quelles tâches sont optimisées
• quels métiers deviennent faciles à automatiser
• quels workflows deviennent les defaults dans leurs produits

Ce n'est pas une autorité élue.

Mais cela façonne quand même l'économie.

La poussée récente d'OpenAI avec Codex et ChatGPT Work en est un bon exemple. Le récit produit, c'est la délégation : donner à l'agent des fichiers, des outils, des permissions, des calendriers et des validations. C'est excitant pour les utilisateurs. Cela change aussi la manière dont le travail s'organise dans les entreprises.

Quand le logiciel change le workflow, il change l'organigramme.

Parfois lentement.

Parfois pendant que tout le monde prétend encore que ce n'est qu'une fonctionnalité de productivité.

La redistribution n'est pas une ambiance

La déclaration parle de prospérité large.

Très bien.

Maintenant vient la partie difficile.

Si l'IA produit énormément de valeur, elle ne peut aller qu'à quelques endroits :

• les utilisateurs obtiennent de meilleurs services ou des prix plus bas
• les travailleurs obtiennent de meilleurs salaires ou plus d'autonomie
• les entreprises obtiennent de meilleures marges
• les labs de modèles et les clouds obtiennent plus de revenus
• les gouvernements capturent une partie des gains via l'impôt
• les investisseurs capturent l'upside

Souvent, plusieurs choses arrivent en même temps.

Le combat politique porte sur le ratio.

Ce combat ne se résout pas avec "upskill".

La formation compte. Les gens doivent apprendre à utiliser les outils IA. Les écoles et les employeurs doivent enseigner les nouveaux workflows. Les travailleurs capables de superviser des agents, relire des sorties, comprendre les systèmes et définir de bonnes tâches auront du levier.

Mais l'upskilling n'est pas une politique économique complète.

Il ne dit pas ce qui arrive quand un employeur local a besoin de moins de personnes. Il ne dit pas qui paie les transitions. Il ne dit pas si les propriétaires de plateformes capturent l'essentiel du gain de productivité. Il ne dit pas si les travailleurs récupèrent du temps ou reçoivent simplement plus de travail.

"Apprenez à utiliser l'IA" est un bon conseil individuel.

Ce n'est pas suffisant comme contrat social.

Ce que les builders doivent en retenir

Si vous construisez des produits IA, la leçon pratique est simple :

Ne mesurez pas seulement la réussite de la tâche.

Mesurez le travail autour.

L'agent a-t-il vraiment gagné du temps, ou a-t-il déplacé la charge vers la relecture ?

A-t-il aidé un junior à apprendre, ou a-t-il discrètement supprimé le chemin d'apprentissage ?

A-t-il rendu une équipe plus capable, ou a-t-il rendu une personne senior responsable de superviser dix workflows fragiles ?

A-t-il réduit les erreurs, ou créé des erreurs plus difficiles à voir parce que la sortie a l'air propre ?

A-t-il rendu le travail plus humain, ou seulement plus mesurable ?

Ce sont des questions produit, pas seulement des questions de policy.

Les bons outils IA devraient rendre leurs effets inspectables. Ils devraient montrer la provenance, l'effort, le coût, l'incertitude, le statut de revue et ce qui a changé. Ils devraient aider managers et travailleurs à comprendre où le temps est gagné et où le risque s'est déplacé.

Si votre produit prétend transformer le travail mais ne peut pas montrer ce qui a changé, vous demandez à la société de gérer une boîte noire avec un communiqué de presse.

Très avancé. Très scalable. Plan possiblement mauvais.

Ce que les décideurs doivent en retenir

La réponse politique utile n'est pas de figer l'IA.

C'est d'arrêter d'être surpris volontairement.

Les gouvernements ont besoin de données plus rapides sur le marché du travail, de suivi sectoriel de l'adoption, d'une vraie capacité d'achat public, de culture IA dans les agences, de débats sur les protections portables qui ne soient pas coincés en 2014, et d'expériences sur la manière de partager les gains quand l'automatisation concentre la valeur.

Ils doivent aussi comprendre la couche produit.

L'IA n'arrive pas seulement sous forme d'API de modèle. Elle arrive sous forme d'agents dans les éditeurs de code, spreadsheets, navigateurs, téléphones, Slack, email, outils de support client, workbenches scientifiques, logiciels RH, CRM et systèmes d'exploitation.

Donc la policy ne peut pas seulement demander si un modèle est sûr en isolation.

Elle doit demander ce qui se passe quand le modèle est intégré dans les workflows où vivent déjà les décisions, les évaluations de performance, les funnels de recrutement, les interactions clients et les rythmes opérationnels.

L'économie ne sera pas transformée par un modèle qui attend poliment dans un lab.

Elle sera transformée par des millions d'intégrations ennuyeuses.

C'est là que la mesure doit aller.

Le fond du sujet

La déclaration de Stanford est utile parce qu'elle évite le piège le plus facile.

Elle ne dit pas que l'IA va forcément détruire l'économie.

Elle ne dit pas non plus que l'IA va automatiquement créer une abondance partagée.

Elle dit que le résultat dépend des choix, des institutions, des données, des politiques et de qui capture les gains.

C'est moins satisfaisant qu'une prophétie.

C'est aussi plus honnête.

L'économie de l'IA n'a pas besoin de prévisions plus confiantes.

Elle a besoin d'instruments.

Elle a besoin de moyens de voir ce qui change pendant qu'il est encore temps de répondre.

Parce que si les agents deviennent vraiment une partie du travail quotidien, la plus grande question ne sera pas de savoir si le modèle est impressionnant.

Ce sera de savoir si la société autour de lui fait attention.