L'IA Générative Augmente la Charge de Travail Plutôt Que d'Économiser du Temps

L'épée à double tranchant de l'IA générative

Les outils d'intelligence artificielle (IA) générative sont souvent vantés comme des économiseurs de temps et des boosters de productivité. Ils peuvent effectivement vous aider à exécuter du code ou à générer des rapports en un clin d'œil, mais il y a un hic. Le travail en coulisses nécessaire pour développer et maintenir les grands modèles de langage (LLM) pourrait en réalité exiger plus d'efforts humains que le temps initialement économisé. De plus, de nombreuses tâches pourraient être gérées efficacement par des méthodes d'automatisation plus simples, sans nécessiter l'artillerie lourde de l'IA.

Peter Cappelli, professeur de gestion à la Wharton School de l'Université de Pennsylvanie, a partagé ces observations lors d'un événement récent au MIT. Il soutient qu'à plus grande échelle, l'IA générative et les LLM pourraient générer plus de travail qu'ils n'en allègent. Ces modèles sont complexes à mettre en œuvre, et Cappelli a souligné que « il s'avère qu'il y a beaucoup de choses que l'IA générative pourrait faire, mais dont nous n'avons pas vraiment besoin ».

Le battage médiatique vs. la réalité de l'IA

Bien que l'IA soit souvent célébrée comme une technologie révolutionnaire, Cappelli met en garde contre des projections de l'industrie technologique qui peuvent être trop optimistes. « En fait, la plupart des prévisions technologiques concernant le travail se sont révélées erronées au fil du temps », a-t-il déclaré. Il a cité l'exemple des camions et voitures sans conducteur, qui devaient être omniprésents en 2018 mais qui n'ont pas encore pleinement vu le jour.

Les grandes visions de transformation technologique butent souvent sur des défis pratiques. Les défenseurs des véhicules autonomes se concentraient sur ce que ces véhicules pourraient faire, plutôt que de s'attaquer aux autorisations réglementaires nécessaires, aux problèmes d'assurance et aux complexités logicielles. Cappelli a également noté que les chauffeurs de camion accomplissent une gamme de tâches au-delà de la simple conduite, compliquant la transition vers des véhicules autonomes.

L'IA générative dans le développement logiciel et les opérations commerciales

Une complexité similaire se présente lors de l'application de l'IA générative au développement logiciel et aux opérations commerciales. Cappelli a souligné que les programmeurs passent une part importante de leur temps à des activités non liées au codage, comme la communication et les négociations budgétaires. « Même du côté de la programmation, tout cela n'est pas réellement de la programmation », a-t-il dit.

La promesse de l'innovation pilotée par l'IA est excitante, mais sa mise en œuvre rencontre souvent des obstacles dans le monde réel. Les avantages en termes d'économie de main-d'œuvre et de productivité de l'IA générative pourraient être éclipsés par le travail extensif en coulisses nécessaire pour soutenir les LLM et les algorithmes.

Nouveau travail généré par l'IA

L'IA générative et opérationnelle introduit de nouvelles tâches, selon Cappelli. « Les gens doivent gérer des bases de données, organiser des matériaux, résoudre ces problèmes de rapports contradictoires, de validité et autres. Cela va générer beaucoup de nouvelles tâches, et quelqu'un devra les accomplir. »

Même l'IA opérationnelle, qui existe depuis un certain temps, continue d'évoluer. Cappelli a noté que l'apprentissage automatique avec des données numériques a été sous-utilisé, en partie à cause des défis de gestion des bases de données. « Il faut beaucoup d'efforts juste pour rassembler les données afin de pouvoir les analyser. Les données sont souvent dans des silos différents au sein de différentes organisations, ce qui est politiquement et techniquement difficile à réunir. »

Défis dans l'adoption de l'IA générative et des LLM

Cappelli a identifié plusieurs obstacles à l'adoption de l'IA générative et des LLM :

• Surdimensionnement pour de nombreuses tâches : « Il y a beaucoup de choses que les grands modèles de langage peuvent faire, mais qui ne sont probablement pas nécessaires », a-t-il dit. Par exemple, bien que la correspondance commerciale soit un cas d'utilisation potentiel, une grande partie est déjà gérée par des lettres types et une automatisation basique. « Une lettre type a déjà été approuvée par des avocats, et tout ce qui est écrit par des grands modèles de langage devra probablement être examiné par un avocat. Et cela ne sera en aucun cas un gain de temps. »
• Augmentation des coûts : Cappelli a averti que remplacer l'automatisation basique par l'IA pourrait devenir plus coûteux. « Il n'est pas si clair que les grands modèles de langage seront aussi bon marché qu'ils le sont maintenant. À mesure que plus de gens les utilisent, l'espace informatique doit augmenter, et les besoins en électricité seuls sont importants. Quelqu'un devra payer pour cela. »
• Besoin de validation : Les sorties de l'IA générative peuvent convenir pour des tâches simples comme les e-mails, mais pour des rapports plus complexes, la validation est cruciale. « Si vous allez l'utiliser pour quelque chose d'important, vous devez vous assurer que c'est correct. Et comment saurez-vous si c'est correct ? Eh bien, il est utile d'avoir un expert ; quelqu'un qui peut valider indépendamment et qui connaît le sujet. Pour rechercher des hallucinations ou des résultats bizarres, et s'assurer que c'est à jour. »
• Surabondance d'informations : La facilité de générer des rapports et des sorties peut entraîner une quantité écrasante d'informations, parfois contradictoires. « Parce qu'il est assez facile de générer des rapports et des sorties, vous allez obtenir plus de réponses », a dit Cappelli. Il a également noté que les LLM pourraient produire des réponses différentes au même prompt, soulevant des préoccupations de fiabilité. « C'est un problème de fiabilité - que feriez-vous avec votre rapport ? Vous en générez un qui fait paraître votre division meilleure, et vous le donnez au patron. »
• Prise de décision humaine : Les gens préfèrent souvent prendre des décisions basées sur des intuitions ou des préférences personnelles, ce qui peut être difficile pour les machines à influencer. Cappelli a souligné que même lorsque l'IA pourrait aider à la prise de décision, comme dans le recrutement, les gens ont tendance à suivre leurs instincts. « L'apprentissage automatique pourrait déjà le faire pour nous. Si vous construisiez le modèle, vous découvririez que vos responsables de ligne, qui prennent déjà les décisions, ne veulent pas l'utiliser. »

Applications potentielles à court terme

Malgré ces défis, Cappelli voit un potentiel dans l'utilisation de l'IA générative pour trier les données et soutenir les processus de prise de décision. « Nous nettoyons actuellement des données que nous n'avons pas été capables d'analyser nous-mêmes », a-t-il dit. « Cela va être bien meilleur pour le faire que nous ne le sommes. » Parallèlement, la gestion des bases de données et la résolution des problèmes de pollution des données resteront des tâches cruciales.