Cadre conceptuel
Le texte oppose deux visions : l’IA comme technologie normale, c’est‑à‑dire un outil limité à des fonctions prédéfinies, et l’IA comme système potentiellement général, capable d’acquérir toutes les capacités humaines. Cette opposition repose sur une hypothèse de base : l’IA pourra, à terme, exécuter chaque tâche que l’humain réalise, et le faire mieux. L’auteur reformule le débat en une tautologie : si l’hypothèse est vraie, aucun emploi ne subsiste ; si elle est fausse, des emplois restent possibles.
Mécanisme d’apprentissage et automatisation
Le processus décrit est simple : on enregistre des humains effectuant une tâche, on intègre ces données dans un jeu d’entraînement, puis on lance une nouvelle itération de modèle. Cette boucle d’apprentissage itérative élimine progressivement le « null hypothesis » selon laquelle l’IA ne peut pas accomplir X. Le texte cite explicitement le « burden of proof » qui était autrefois à la charge des accélérationnistes, mais qui, selon l’auteur, a disparu parce que les investissements en robotique et en capital humain continuent d’augmenter. Aucun chiffre chiffré n’est fourni, mais le raisonnement repose sur le principe que le coût marginal de production d’une sortie IA tend vers zéro, ce qui rend la technologie économiquement « infini‑cheap ».
Implications économiques et valeur de l’authenticité
Le texte avance que la seule demande résiduelle pour les productions humaines réside dans la valeur d’authenticité. Il compare l’art IA à des objets artisanaux de niche (ex. sculptures balinaises), estimant que la part du PIB mondial occupée par ces biens est négligeable. L’argument repose sur deux faits : (1) l’authenticité est une préférence, non une nécessité, et (2) tout ce que l’IA peut reproduire devient rapidement abondant et donc peu cher. Ainsi, la rareté, critère traditionnel de valeur, disparaît dès que l’IA maîtrise la tâche.
Critiques, limites et incertitudes
Malgré la logique présentée, l’auteur reconnaît l’absence de données quantitatives précises : aucune mesure du taux de substitution des emplois, aucun benchmark de performance IA/humain, aucune étude de marché sur la demande d’authenticité. Cette carence empêche de valider empiriquement la prémisse que « tout ce que l’IA peut faire deviendra instantanément bon marché ». De plus, la notion de « être humain » inclut des dimensions non‑mesurables (émotions, créativité spontanée) que l’auteur classe comme « non essentielles pour la finance », mais qui restent difficiles à quantifier. En l’absence de métriques, la conclusion reste théorique et dépend fortement de l’évolution future des modèles de fondation et des cadres réglementaires.
