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 présentés comme des gagne-temps et des boosters de productivité. Ils peuvent effectivement aider à exécuter du code ou à générer des rapports rapidement, mais il y a un hic. Le travail en coulisses nécessaire pour développer et maintenir les grands modèles de langage (LLMs) pourrait exiger plus d'efforts humains que le temps initialement gagné. 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 management à la Wharton School de l'Université de Pennsylvanie, a partagé ces idées lors d'un récent événement au MIT. Il soutient qu'à une échelle plus large, l'IA générative et les LLMs pourraient générer plus de travail qu'ils n'en soulagent. Ces modèles sont complexes à mettre en œuvre, et Cappelli a souligné : « il s'avère qu'il y a beaucoup de choses que l'IA générative pourrait faire dont nous n'avons pas vraiment besoin. »

L'engouement contre la réalité de l'IA

Bien que l'IA soit souvent célébrée comme une technologie révolutionnaire, Cappelli met en garde contre les projections trop optimistes de l'industrie technologique. « En fait, la plupart des prévisions technologiques sur 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 répandus d'ici 2018 mais ne se sont pas encore pleinement concrétisés.

Les grandes visions de transformation technologique trébuchent souvent sur des défis pratiques. Les défenseurs des véhicules autonomes se sont concentrés sur ce que ces véhicules pouvaient 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 effectuent diverses tâches au-delà de la simple conduite, compliquant la transition vers les véhicules autonomes.

L'IA générative dans le développement logiciel et les affaires

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

La promesse d'une innovation pilotée par l'IA est excitante, mais sa mise en œuvre fait souvent face à des obstacles du 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 considérable en arrière-plan nécessaire pour soutenir les LLMs et les algorithmes.

Nouveau travail généré par l'IA

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

Même l'IA opérationnelle, présente 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 pour réunir 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 rassembler. »

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

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

• Excès pour de nombreuses tâches : « Il y a beaucoup de choses que les grands modèles de langage peuvent faire qui probablement n'ont pas besoin d'être faites », 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 de base. « Une lettre type a déjà été validée par des avocats, et tout ce qui est écrit par des grands modèles de langage devra probablement être vérifié par un avocat. Et cela ne sera pas un gain de temps. »
• Coûts croissants : Cappelli a averti que remplacer l'automatisation routinière par l'IA pourrait devenir plus coûteux. « Il n'est pas certain que les grands modèles de langage resteront aussi bon marché qu'ils le sont maintenant. À mesure que plus de gens les utilisent, l'espace informatique doit augmenter, les besoins en électricité sont importants. Quelqu'un devra payer pour cela. »
• Besoin de validation : Les résultats 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 feriez mieux de 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 repérer les hallucinations ou les résultats bizarres, et s'assurer que c'est à jour. »
• Surcharge d'informations : La facilité à générer des rapports et des résultats peut conduire à une quantité écrasante d'informations, parfois contradictoires. « Parce qu'il est assez facile de générer des rapports et des résultats, vous obtiendrez plus de réponses », a déclaré Cappelli. Il a également noté que les LLMs pourraient produire des réponses différentes pour une même requête, 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 leur instinct ou leurs préférences personnelles, ce qui peut être difficile pour les machines d'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 leur instinct. « L'apprentissage automatique pourrait déjà le faire pour nous. Si vous construisiez le modèle, vous constateriez que vos managers de première 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 pu analyser nous-mêmes », a-t-il dit. « Elle va être bien meilleure que nous à le faire. » Parallèlement, la gestion des bases de données et la résolution des problèmes de pollution des données resteront des tâches critiques.