Contexte et enjeux économiques de l’AGI
Le texte de DeepMind identifie une incertitude majeure : l’arrivée d’une intelligence artificielle générale (AGI) pourrait automatiser la plupart des tâches cognitives, bouleversant ainsi le marché du travail. Les auteurs soulignent que les transformations technologiques précédentes, comme la Révolution industrielle, ont d’abord réduit les salaires et accentué les inégalités avant que de nouveaux emplois n’émergent. Ils notent que, contrairement aux technologies antérieures, l’AGI risque de dépasser la capacité d’adaptation des institutions, d’où la nécessité d’un dispositif politique préventif.
Cadre d’évaluation proposé
Pour structurer la réflexion, DeepMind introduit un cadre à quatre dimensions. Chaque politique est jugée selon : Welfare and Resilience (impact sur le niveau de vie et la stabilité macro‑économique), Agency and Voice (autonomie individuelle et participation démocratique), Feasibility and Efficiency (coût, soutien politique, rapidité de mise en œuvre) et Durability across scenarios (robustesse face à des chocs allant d’une perturbation modérée à une transformation totale). Le cadre repose sur des critères quantifiables, mais les auteurs admettent que les données disponibles restent limitées.
Analyse des dimensions du cadre
Les auteurs ont évalué 11 politiques publiques à l’aide d’une méthodologie hybride : revue manuelle de la littérature, enquêtes auprès d’experts et 51 agents IA entraînés comme économistes. Cette triangulation vise à réduire le biais de jugement humain tout en conservant une expertise économique. La dimension Welfare and Resilience se base sur des indicateurs de revenu moyen, de chômage et de consommation, mais le texte précise que les mesures actuelles ne capturent pas les effets de substitution de l’AGI sur les professions à haute valeur ajoutée. La dimension Agency and Voice intègre des métriques de propriété des gains d’AGI et de participation aux décisions publiques, un champ encore peu mesuré dans les bases de données officielles. Feasibility and Efficiency utilise des estimations de coûts administratifs et de temps de déploiement, mais les auteurs reconnaissent l’absence de données historiques comparables pour des politiques ciblant une technologie d’une telle portée. Enfin, Durability repose sur des scénarios hypothétiques (disruption légère, déplacement massif, transformation complète) ; le manque de données empiriques rend cette dimension largement spéculative, ce qui justifie l’emploi d’agents IA pour simuler des réponses politiques.
Limites et perspectives d’application
Le principal obstacle identifié est le déficit de données granulaire et en temps réel sur le marché du travail. Les métriques actuelles (ex. : enquêtes d’emploi, registres administratifs) sont trop lentes pour détecter les effets immédiats de l’AGI. De plus, l’absence d’un ruban commun pour comparer les politiques empêche une priorisation claire. Les auteurs suggèrent donc d’investir dans des indicateurs de demande de produits IA et de goulots d’étranglement à l’adoption, afin de créer des déclencheurs empiriques pour chaque dimension du cadre. En l’état, le cadre constitue une première tentative systématique, mais son efficacité dépendra de la capacité des gouvernements à collecter des données plus fines et à tester rapidement des mesures pilotes.
