De l’autre côté du pont

L’IA, l’économie en K et la politique de l’accès

Yassine Boumiza

Essai compagnon de « Combler le fossé avec l’IA »

Résumé. L’essai compagnon à celui-ci soutenait que l’IA de pointe effondre la friction informationnelle, sémantique et de coordination qui a historiquement rendu la compétence coûteuse. En l’admettant, une question demeure, et c’est la question qui décide si la technologie est un bien civique ou un bien privé : pour qui ? Un outil qui abaisse le coût d’assembler de l’expertise ne distribue pas, en soi, cette expertise de manière égale. Il est aussi facile d’imaginer l’IA élargir la fracture en K de l’économie moderne — un bras montant, un bras descendant — que la réduire. Cet essai soutient que l’issue n’est pas une propriété de la technologie mais de l’infrastructure, de la conception institutionnelle et des choix politiques qui l’entourent, et esquisse les conditions spécifiques sous lesquelles l’IA devient un niveleur plutôt qu’un accélérateur d’inégalité.

I. Un K, pas un V

Les reprises économiques du vingtième siècle avaient tendance à être décrites par des lettres, et la plupart des lettres étaient rassurantes. Une récession en V chutait brusquement puis revenait. Un U prenait plus de temps. Un L signalait la stagnation. La forme qui a émergé de la pandémie de 2020 et qui s’est sans doute durcie depuis est un K, et le K est d’une autre nature. Ce n’est pas une forme qui décrit la vitesse de la reprise mais qui décrit qui s’est remis. Le bras supérieur — les travailleurs du savoir avec des emplois compatibles avec le télétravail, les détenteurs d’actifs, la classe professionnelle-managériale — s’en est mieux sorti qu’auparavant. Le bras inférieur — les travailleurs de services en présentiel, les personnes dans des industries perturbées, les ménages dans des communautés déjà en retard sur le haut débit, les transports et le logement — s’en est moins bien sorti. Deux courbes, un seul pays, directions opposées.

Cette divergence n’a pas commencé avec la pandémie. La stagnation des salaires médians, l’effondrement des syndicats du secteur privé, l’évidement des emplois cognitifs routiniers et la concentration de l’appréciation des actifs précèdent tous le Covid de plusieurs décennies. Ce qui est nouveau, c’est la vélocité. Les bras du K s’écartent plus vite que les institutions conçues pour les rapprocher ne peuvent répondre. L’IA entre dans ce tableau non pas comme une force nouvelle mais comme un accélérateur d’une trajectoire déjà en cours — et qu’elle accélère la séparation ou commence à l’inverser est, jusqu’à présent, indéterminé.

II. Le scénario par défaut

L’attente par défaut, en l’absence d’intervention délibérée, est que l’IA approfondisse la fracture. Il y a trois raisons à cela, et chacune est structurelle plutôt qu’idéologique.

La première est le capital. Entraîner un modèle de pointe coûte de l’ordre de centaines de millions de dollars en calcul seul, et son déploiement à grande échelle nécessite une pile logicielle, un pipeline de données et une maturité organisationnelle massivement concentrés parmi les grandes entreprises des pays riches. Les premiers rendements de l’IA reviennent donc à des organisations qui gagnaient déjà — un effet Matthieu classique dans l’économie de la technologie.

La deuxième est la vitesse. Chaque technologie générale antérieure — l’électrification, l’ordinateur personnel, Internet — a mis une génération à se diffuser. Les travailleurs déplacés par une vague avaient le temps, institutionnellement et biographiquement, d’être requalifiés pour la suivante. La courbe de diffusion de l’IA de pointe se mesure en mois, pas en années. La fenêtre entre une capacité qui existe et son incorporation dans un système de production est maintenant plus étroite que le cycle de requalification de la plupart des infrastructures d’éducation publique. Cette compression favorise les travailleurs déjà adjacents à l’IA et pénalise ceux qui ne le sont pas.

La troisième est le biais, enchâssé dans les données d’entraînement. Ziad Obermeyer et ses collègues ont montré en 2019, dans un article qui devrait être lecture obligatoire pour chaque équipe produit travaillant sur l’IA, qu’un algorithme de gestion des soins largement utilisé sous-référait systématiquement les patients noirs vers les soins spécialisés — non parce que quelqu’un l’avait programmé ainsi, mais parce qu’il utilisait les dépenses de santé historiques comme proxy du besoin, et les dépenses de santé historiques étaient déjà inégales. L’étude Gender Shades de Joy Buolamwini et Timnit Gebru a trouvé que les taux d’erreur des systèmes commerciaux de reconnaissance faciale sur les femmes à la peau plus foncée étaient jusqu’à trente-quatre points de pourcentage plus élevés que sur les hommes à la peau plus claire. Quand un système d’IA hérite de l’empreinte d’une inégalité historique, il ne se contente pas de la reproduire ; il l’automatise et l’anonymise à grande échelle, ce qui est pire.

Voilà le scénario par défaut. Il n’est pas malveillant. C’est ce qui arrive quand une technologie compressive est relâchée dans un système déjà inégal.

III. Le contre-scénario

Mais ce n’est pas la seule trajectoire possible, et la raison est que l’IA de pointe possède une propriété presque unique parmi les technologies générales : le coût marginal de la livrer à un utilisateur supplémentaire est proche de zéro, et la qualité marginale de la sortie ne se dégrade pas visiblement avec l’échelle. Un avocat peut servir peut-être deux cents clients par an. Un modèle de langage peut en servir deux cents millions. Cette propriété a des implications distributives qui méritent d’être prises au sérieux.

Considérez le fossé d’accès aux services professionnels. Le rapport Justice Gap 2022 de la Legal Services Corporation a estimé que quatre-vingt-douze pour cent des problèmes juridiques civils substantiels auxquels font face les Américains à faible revenu reçoivent une aide juridique nulle ou insuffisante. Le problème n’est pas que le droit serait inconnaissable ; c’est que les avocats humains sont rationnés par le prix. Les outils juridiques d’IA rédigent désormais des réponses aux expulsions, des avis de contestation, des recours pour prestations et des formulaires d’immigration à une fraction du coût. Ils ne remplacent pas l’avocat qu’un dossier complexe exige, mais ils ferment le bas de la distribution — les quatre-vingt-douze pour cent qui ne reçoivent actuellement rien.

Considérez l’éducation. L’article de Benjamin Bloom de 1984 sur le « problème des deux sigmas » rapportait que les élèves suivis en un-à-un par un tuteur, utilisant des techniques d’apprentissage par maîtrise, performaient environ deux écarts-types au-dessus des élèves en classes conventionnelles. L’ampleur de l’effet est presque sans précédent dans la recherche en éducation, et elle n’a pas été reproduite à l’échelle des populations parce que l’économie du travail du tutorat individuel ne l’a jamais permis. Elle le peut maintenant. Les élèves qui ont le plus à gagner sont précisément ceux dont les écoles ne peuvent actuellement se payer de tuteurs d’aucune sorte — l’inverse du schéma historique où une nouvelle technologie éducative était d’abord adoptée par les écoles privées.

Considérez le problème des prestations non réclamées. Saurabh Bhargava et Dayanand Manoli ont montré dans leur article de 2015 dans l’American Economic Review sur le crédit d’impôt sur le revenu gagné (EITC) qu’environ un ménage éligible sur cinq ne réclame pas la prestation — laissant chaque année des milliards de dollars sur la table. La participation au Supplemental Nutrition Assistance Program est pareillement imparfaite, avec environ dix-huit pour cent des ménages éligibles non inscrits. La raison n’est pas l’avarice ; c’est la friction — paperasse, confusion sur l’éligibilité, exigences documentaires, temps pris sur le travail pour déposer les dossiers. Un système d’IA qui peut recueillir la situation d’une famille en langage naturel, croiséer les dizaines de programmes auxquels elle pourrait être éligible et l’accompagner dans les formulaires remplace précisément le type de travail professionnel que les parents qui travaillent ne peuvent se permettre d’embaucher. Le filet de sécurité, pour la première fois, peut rattraper les gens au bas du K plutôt qu’au milieu.

Considérez la petite entreprise. L’entrepreneur dans une communauté sous-bancarisée est en concurrence avec des firmes plus grandes disposant de spécialistes en marketing, comptabilité, conformité, juridique et service client. L’IA compresse plusieurs de ces fonctions spécialisées dans un petit budget de fonctionnement. Cela n’efface pas les avantages de l’échelle — un hyperscaler pourra toujours investir davantage — mais cela rend l’entrepreneuriat plus accessible aux gens sans réseau professionnel ni capital hérité, ce qui se trouve être une description raisonnablement précise du bras inférieur du K.

Considérez la santé. L’inégalité n’est pas principalement une inégalité de savoir médical ; c’est une inégalité d’attention. Les riches ont la médecine de concierge, qui n’est que de la médecine avec assez de temps. Les patients à plus faible revenu ont ce qu’ils peuvent extraire de consultations de soins primaires de quinze minutes espacées de plusieurs mois. La télésurveillance, le tri et le suivi assistés par IA ne remplacent pas les cliniciens, mais ils redéploient la ressource rare — l’attention — vers les gens qui n’en reçoivent actuellement presque pas.

Aucun de ces exemples n’est spéculatif. Chacun se produit aujourd’hui, par endroits, à des degrés variables de maturité.

IV. Les conditions

Une technologie à potentiel nivelant ne nivelle pas d’elle-même. L’histoire des technologies générales — l’électricité, l’assainissement, l’automobile, l’ordinateur personnel — est que leurs bénéfices n’atteignent le bas de la distribution que lorsque l’infrastructure publique, la régulation et une subvention délibérée sont construites pour y parvenir. Cinq conditions me semblent non négociables.

La première est la connectivité. Aucune des applications décrites ci-dessus ne fonctionne si l’utilisateur ne peut y accéder. Les données 2021 du Pew Research Center sur le haut débit à domicile montrent qu’environ un adulte américain sur cinq n’a pas d’abonnement haut débit à domicile, et l’écart est fortement corrélé au revenu, à la ruralité et à la race. L’IA sans haut débit est, pour le ménage exclu, indiscernable d’une IA qui n’existe pas.

La deuxième est l’alphabétisation — numérique et civique. Un outil qui demande à une patiente de décrire ses symptômes en langage naturel présuppose qu’elle fait assez confiance à l’outil pour être franche, qu’elle comprend assez pour interpréter la réponse, et qu’elle reconnaît les limites de ce qu’il lui dit. La confiance n’est pas un levier de politique publique ; elle se construit sur des années par l’engagement communautaire, et elle est détruite rapidement par un seul mésusage très médiatisé. Cela en fait la variable la plus lente du système.

La troisième est la responsabilité. Les résultats d’Obermeyer et de Buolamwini–Gebru ne sont que deux cas dans une littérature abondante et croissante sur le tort algorithmique. L’audit algorithmique routinier, indépendant et légalement imposé est l’infrastructure des droits civiques de l’ère de l’IA, et elle existe à peine. La Local Law 144 de New York, qui exige des audits de biais pour les outils automatisés de décision d’emploi, et les dispositions de l’AI Act de l’Union européenne sur les systèmes à haut risque sont des premiers pas ; l’appareil d’application qui les entoure est, à l’heure où ceci est écrit, mince.

La quatrième est le filet de sécurité pour ceux qui sont déplacés pendant la transition. Même une technologie qui finira par élever toute la courbe coûtera à certains travailleurs leur gagne-pain en chemin, et la distribution de ce coût est un choix politique plutôt qu’un fait naturel. Des prestations transférables, des programmes de reconversion dignes de ce nom et une assurance-salaire pendant les transitions ne sont pas une politique anti-IA ; ce sont les conditions qui rendent une politique pro-IA politiquement soutenable.

La cinquième est le financement public et philanthropique d’applications qui servent des communautés qui ne peuvent payer les prix du marché. Le capital privé ne construira pas un outil d’IA pour aider les bénéficiaires de Medicaid à naviguer leurs prestations, parce que le consentement à payer de cet utilisateur est nul. C’est la définition canonique d’une défaillance de marché — le genre pour lequel l’investissement public existe.

V. Conclusion

L’essai compagnon à celui-ci soutenait que l’IA de pointe effondre le coût de la coordination cognitive. Celui-ci soutient que la conséquence de cet effondrement — qu’il rétrécisse le K ou l’élargisse — n’est pas une propriété de la technologie mais de la société qui la reçoit.

La technologie elle-même est neutre au sens trivial où tout outil est neutre, et en aucun autre sens qui importe. Un pont qui ne peut être traversé que par ceux qui détiennent déjà un passeport n’est pas un pont au sens civique. C’est une autoroute à péage. Ce qui fait la différence, ce n’est pas l’ingénierie de l’arche ; c’est la politique de qui a le droit de le traverser.

Le fossé est en train d’être comblé. Savoir s’il l’est pour tout le monde sera l’argument de la prochaine décennie.

Références

Bhargava, S., & Manoli, D. (2015). Psychological Frictions and the Incomplete Take-Up of Social Benefits : Evidence from an IRS Field Experiment. American Economic Review, 105(11), p. 3489–3529.

Bloom, B. S. (1984). The 2 Sigma Problem : The Search for Methods of Group Instruction as Effective as One-to-One Tutoring. Educational Researcher, 13(6), p. 4–16.

Buolamwini, J., & Gebru, T. (2018). Gender Shades : Intersectional Accuracy Disparities in Commercial Gender Classification. Proceedings of Machine Learning Research, 81, p. 77–91.

Legal Services Corporation. (2022). The Justice Gap : The Unmet Civil Legal Needs of Low-Income Americans. Washington, DC : LSC.

Obermeyer, Z., Powers, B., Vogeli, C., & Mullainathan, S. (2019). Dissecting Racial Bias in an Algorithm Used to Manage the Health of Populations. Science, 366(6464), p. 447–453.

Pew Research Center. (2021). Internet/Broadband Fact Sheet. Washington, DC : Pew Research Center.

U.S. Department of Agriculture, Food and Nutrition Service. Trends in Supplemental Nutrition Assistance Program Participation Rates (série annuelle).

Essai compagnon : « Combler le fossé avec l’IA — Comment les modèles de langage effondrent la distance entre l’intention et le résultat. »