Quelques études sur l’automatisation des emplois (1)

Au cours de la dernière année, les deux sujets sur lesquels j’ai le plus lu sur le marché du travail sont les difficultés de recrutement et les conséquences de l’automatisation des emplois. Comme j’ai écrit sur les postes vacants il y a à peine deux mois, j’ai décidé de ne pas présenter ici une étude récente de Statistique Canada parue au début décembre et intitulée Mettre le pied dans la porte : un regard sur les postes vacants de premier échelon au Canada. En effet, cette étude n’a que 12 pages (et n’est donc pas longue à lire) et la présenter ne me servirait qu’à conclure que «je vous l’avais bien dit!». Et, je viens de le montrer, je n’ai pas besoin de la présenter pour le dire! Par contre, les études sur l’automatisation sortent à un rythme effarant et présentent souvent des points de vue différents. Comme j’en ai lues six récemment et qu’elles apportent toutes une contribution spécifique à la compréhension du phénomène de l’automatisation des emplois, je vais toutes les présenter, à tout le moins superficiellement. Pour ce, je vais devoir consacrer trois billets pour en faire le tour.

L’automatisation et les transitions de la main-d’œuvre

La première étude dont je vais parler (accessible à partir de cette page) provient du McKinsey Global Institute (MGI), date de décembre 2017 et est intitulée Jobs lost, jobs gained: workforce transitions in a time of automation (Emplois perdus, emplois gagnés : les transitions de la main-d’œuvre dans un contexte d’automatisation). Je n’ai en fait pas lu toute cette étude (160 pages!), mais seulement le sommaire d’une vingtaine de pages, et ai consulté quelques sections de l’étude complète. Je dois ici souligner que l’étude précédente de MGI sur cette question parue au début de 2017 était de bonne qualité, même si les citations que les médias et d’autres études en ont tirées furent trop souvent trompeuses, comme je l’ai mentionné dans ce billet.

Les huit auteur.es de cette étude précisent d’entrée de jeu que la faisabilité technique est loin d’être le seul facteur à examiner pour estimer le niveau et la vitesse d’adoption de nouvelles technologies. Les auteur.es mentionnent aussi :

• le coût de développement et d’implantation d’automatisations spécifiques dans un milieu de travail;
• les compétences et le niveau des salaires de la main-d’œuvre touchée avant et après l’implantation;
• la profitabilité du changement;
• la réglementation gouvernementale;
• l’acceptabilité sociale.

En tenant compte de ces facteurs (ce que bien d’autres études ne font pas), les auteur.es estiment qu’entre 0 et 30 % des heures travaillées pourraient être automatisées d’ici 2030, le niveau le plus probable se situant au milieu de cette fourchette, soit aux environs de 15 % des emplois totaux, niveau pouvant varier de moins de 10 % en Inde à un peu plus de 25 % au Japon. Les auteur.es insistent sur le fait que cette estimation est par sa nature imprécise et ne constitue pas vraiment une prévision. L’intérêt de leur étude est plus dans l’analyse des nombreux facteurs qui peuvent influencer leurs estimations que dans les estimations comme telles.

En fait, selon leur estimation la plus probable, moins de 5 % des emplois disparaîtraient, alors que 60 % d’entre eux verraient au moins le tiers de leurs tâches actuelles automatisées. C’est trop souvent cette estimation mal comprise qui fut médiatisée, alors qu’elle n’entraîne nullement la disparition de ces emplois, mais plutôt leur transformation. Les heures travaillées seraient réduites en premier lieu dans les activités physiques se déroulant dans des environnements contrôlés, comme chez des personnes qui conduisent des machines dans le secteur manufacturier ou qui travaillent dans les cuisines des établissements de restauration rapide et dans la collecte et le traitement de données, notamment dans le travail juridique, la comptabilité, et le traitement des transactions financières. Cela dit, les auteur.es insistent pour préciser que cette automatisation n’entraînerait pas nécessairement la disparition de ces emplois, les tâches des gens qui les occupent pouvant évoluer et la plus grande efficacité de l’exécution de leurs fonctions pouvant même faire augmenter la demande pour leurs services. À l’inverse, l’automatisation toucherait peu ou pas les professions de la gestion, de l’expertise, celles impliquant des interactions sociales ou se déroulant dans des environnements imprévisibles (jardiniers, plombiers, éducatrices de la petite enfance, préposé.es aux bénéficiaires, etc.).

Par ailleurs, les auteur.es examinent six sources qui ont le potentiel de faire augmenter l’emploi d’ici 2030, que ce soit en raison de la poursuite de tendances actuelles ou de leur accentuation :

• croissance des revenus et de la consommation, surtout dans les pays en développement, grâce à l’émergence d’une classe moyenne; ces emplois se retrouveront dans de nombreux secteurs, notamment dans les biens durables, les loisirs, les équipements de communication, la construction, la santé et l’éducation;
• vieillissement de la population, cette fois surtout dans les pays développés; ce sont les professions de la santé et des services personnels qui en profiteront le plus, tandis que celles de l’enseignement risquent d’en subir les effets négatifs;
• développement et diffusion de nouvelles technologies; les professions du génie, de l’informatique et des technologies de l’information seront les plus avantagées par cette source;
• investissements en infrastructures et en bâtiments; dans les pays développés, les politiques d’austérité des dernières années ont entre autres fait diminuer ce type d’investissements, faisant ressortir des besoins urgents, tandis que l’émergence de la classe moyenne, l’urbanisation et l’industrialisation dans les pays en développement créeront une forte demande dans ces domaines; les professions de la construction, y compris en génie et en architecture, en profiteront le plus;
• investissements dans les énergies renouvelables, l’efficacité énergétique et l’adaptation au climat; ces besoins stimuleront la création d’emplois dans une foule de domaines, de la construction au secteur manufacturier en passant par les services aux entreprises;
• marchandisation du travail domestique non rémunéré; j’ai été agréablement surpris de voir les auteur.es considérer cette source de création d’emplois trop souvent oubliée; due souvent à la présence accrue des femmes sur le marché du travail, mais aussi de la baisse en importance du travail agricole, cette marchandisation se concentre dans la restauration, le nettoyage et le soin des enfants et des personnes âgées ou handicapées; les auteur.es citent des études qui estiment la «valeur» de ces travaux à au moins 13 % du PIB mondial; par contre, comme ce n’est pas tout le travail non rémunéré qui sera transformé, l’impact devrait tout de même être plus modeste que cela.

Compte tenu des facteurs mentionnés auparavant et de ces sources de création d’emplois, la transition due à l’automatisation de 15 % des heures actuellement travaillées ne devrait pas, selon les auteur.es, faire augmenter le taux de chômage mondial. On est loin des prévisions catastrophistes présentées depuis quelques années dans d’autres études!

La suite de l’étude précise que les types d’emplois qui seront potentiellement les plus touchés varieront quelque peu selon les pays, en raison des particularités de leurs niveaux salariaux, de la force de la croissance économique, de leur démographie et de leur structure économique. Elle aborde aussi les compétences qui deviendront obsolètes ou au contraire en forte demande, et les interventions des gouvernements et des entreprises qui devront être prises pour favoriser l’adaptation de la main-d’œuvre à ces changements.

Des prévisions d’une étonnante précision…

La deuxième étude que je veux présenter ici vise à prévoir l’année où certains changements technologiques fonctionnant à l’aide de l’intelligence artificielle permettront de surpasser les performances des humains. Intitulée When Will AI Exceed Human Performance? Evidence from AI Experts (Quand l’intelligence artificielle dépassera-t-elle les performances humaines? Témoignage d’experts du domaine), cette étude parue en mai 2017 (elle traînait depuis un bout sur mon bureau avant que je la lise) a été réalisée par cinq auteur.es (dont deux femmes) qui ont interrogé 352 chercheur.es en apprentissage automatique («machine learning»), soit 21 % des 1634 chercheur.es contacté.es, pour leur demander quand, selon eux et elles, certaines possibilités de l’intelligence artificielle se réaliseront. Je vais ici présenter les principaux résultats obtenus.

L’intelligence artificielle de haut niveau (IAHN) : l’IAHN est atteinte lorsque les machines peuvent accomplir sans assistance chaque tâche mieux et moins cher que les humains; le graphique ci-contre montre l’évaluation faite par les chercheur.es de la probabilité que l’IAHN soit atteinte d’ici 100 ans. La ligne rouge représente les probabilités «moyennes» et la zone rouge pâle l’intervalle de confiance à 95 % de ces prévisions. Si, selon ces chercheur.es, la probabilité moyenne que l’IAHN soit atteinte d’ici 45 ans (à partir de 2016) est de 50 % (et d’ici 100 ans d’environ 75 %), on peut voir que certain.es chercheur.es pensent qu’il est certain (probabilité de 100 %) qu’elle sera atteinte d’ici une dizaine d’années, alors que d’autres estiment que la probabilité n’est que de 5 % qu’elle soit atteinte dans 100 ans. Disons qu’il n’y a pas unanimité ici! Les auteur.es ajoutent que les chercheur.es asiatiques sont plus «optimistes» (ou pessimistes?), estimant en moyenne que la probabilité de 50 % sera atteinte dans 30 ans alors que les chercheur.es nord-américain.es ne voient en moyenne cette probabilité atteinte que dans 75 ans.

Les auteur.es ont aussi posé d’autres questions à des sous-échantillons (formés parfois de seulement 24 personnes). Selon les personnes qui ont répondu, la probabilité que les fonctions suivantes soient automatisées atteindra 50 % :

• traduction : dans huit ans;
• conduite de camions : dans 11 ans;
• rédaction d’un bestseller : dans 33 ans;
• chirurgies : dans 37 ans;
• recherche en apprentissage automatique : dans environ 100 ans;
• automatisation de tous les emplois («des machines pourraient être construites pour accomplir toutes les tâches mieux et moins cher que les humains») : même si ce concept est le même que celui de l’IAHN (il ne fait qu’insister davantage sur les conséquences de cette possibilité sur l’emploi), le sous-échantillon a évalué que la probabilité que tous les emplois soient automatisées atteindra 50 % dans 122 ans (au lieu de dans 45 ans comme auparavant!).

L’étude contient bien d’autres estimations, certaines un peu folichonnes (gagner à Starcraft, par exemple), d’autres sur encore plus de professions, mais on aura compris l’idée. Disons que cette étude représente très bien le peu de rigueur avec laquelle les recherches sur l’impact de l’intelligence artificielle sur l’emploi sont parfois menées. Non seulement elle ne tient compte que de la faisabilité technique et pas des facteurs mentionnés dans l’étude précédente (coût, compétences, salaires, profitabilité, réglementation et acceptabilité), mais les auteur.es n’ont donné que 12 minutes aux chercheur.es pour répondre à leur questionnaire, sans les avertir à l’avance du sujet de leur recherche (cela était censé favoriser la participation, alors que, je le rappelle, seulement 21 % des personnes contactées ont répondu)! En plus, cette étude repose sur l’hypothèse que des chercheur.es en apprentissage automatique sont les mieux placé.es pour évaluer l’impact de leurs découvertes sur l’emploi, sans connaissance approfondie du marché du travail. D’ailleurs, dans l’analyse de leurs résultats, les auteur.es citent une étude qui affirme que «Dans le domaine de la science politique, (…) les experts sont pires que des extrapolations statistiques grossières pour prédire les résultats». Ils et elles relativisent ce constat en associant les progrès en intelligence artificielle à l’informatique, domaine où les progrès furent beaucoup plus réguliers et prévisibles qu’en science politique. Ils et elles négligent ainsi le fait que l’implantation de ces changements technologiques a aussi des dimensions politiques et sociales.

Et alors…

J’ai choisi de présenter ces deux études en premier en raison du contraste entre les deux approches adoptées, contraste qui permet de mieux apprécier la différence entre une étude mal conçue et une autre qui apporte toutes les nuances pertinentes à ses résultats. Personne bien sûr ne peut prévoir les impacts précis de l’automatisation et des outils que fournira l’intelligence artificielle. Par contre, on peut au moins tenter de déterminer les facteurs qui interviendront et qui les influenceront. C’est ce que fait la première étude et c’est ce que n’essaient même pas de faire les auteur.es de la deuxième. Il est déplorable de constater que les études moins sérieuses mais qui fournissent des résultats précis et spectaculaires sont souvent davantage médiatisées (voir ici, ici et ici, ou même en espagnol…) que les études sérieuses et nuancées (à moins d’insister sur de gros chiffres – 375 millions d’emplois est plus vendeur que de parler de 14 % des emplois – que je n’ai même pas mentionnés dans ma présentation…). Dans les prochains billets, je présenterai des études qui se pencheront sur d’autres caractéristiques du processus d’automatisation des emplois et qui approfondiront l’analyse de ces autres aspects de la question.

Publicité