IA et productivité: la grande leçon de l’industrie textile

Les progrès très rapides de l’intelligence artificielle devraient logiquement entraîner des gains de productivité significatifs. Pourtant, ce n’est pas toujours le cas. Pourquoi? Parce que la technologie, à elle seule, ne suffit pas. Il n’existe pas de relation directe et linéaire entre utilisation de la technologie et gain de performance. Celle-ci peut même, dans certains cas, nuire à la productivité. Tout dépend de la manière dont elle est intégrée et utilisée. Pour mieux comprendre cet enjeu de l’IA, il est utile de revenir sur un exemple éclairant, celui de l’introduction de métiers à tisser mécaniques au XIXe siècle.

En 1842, les dirigeants des usines textiles de Lowell, dans le Massachusetts, pensaient avoir trouvé une solution miracle. Leurs ouvriers utilisaient chacun deux métiers à tisser mécaniques. L’usine décida d’acquérir de nouvelles machines plus performantes. Le raisonnement était simple : en confiant à chaque ouvrier un troisième métier à tisser, la production augmenterait de moitié. Pourtant, ça n’a pas fonctionné. Et la raison pour laquelle cela n’a pas fonctionné nous permet de comprendre ce qui se passe aujourd’hui avec l’intelligence artificielle.

Dans son étude du cas, l’économiste James Bessen, spécialiste de l’impact des nouvelles technologies sur le monde du travail, montre qu’avec le métier à tisser mécanique, le véritable travail de l’ouvrier ne consistait plus… à tisser, mais à surveiller le tissage. Il inspectait le tissu à mesure qu’il sortait de la machine, à la recherche de fils cassés et de défauts, intervenant avant qu’un petit défaut ne ruine tout un rouleau de tissu. Lorsque les dirigeants ont ajouté un troisième métier à tisser, ils n’ont pas augmenté la quantité de tissage qu’un humain pouvait effectuer. Ils ont augmenté la quantité de vérifications nécessaires. Et cela dépassait ce qu’un ouvrier pouvait gérer de manière fiable. Ce n’étaient pas les machines qui étaient le goulet d’étranglement. C’était la capacité des humains à les surveiller.

Les usines ont donc dû ralentir leurs machines de 15% pour maintenir une qualité acceptable. Il a ensuite fallu une année entière de reconversion avant que les ouvriers puissent gérer trois métiers à tisser à pleine vitesse sans laisser passer d’erreurs.

Bessen observe qu’une fois le métier à tisser mécanique mis en place, 62% des gains de productivité qui ont suivi n’étaient pas dus à la performance des machines mais à la meilleure formation des ouvriers, capables d’en superviser un plus grand nombre. Soixante ans plus tard, un seul ouvrier faisait fonctionner… 18 métiers à tisser et produisait cinquante fois plus qu’un siècle auparavant. Mais pour obtenir cela, les usines avaient dû tripler leur investissement en formation par ouvrier. Les machines et les ouvriers qualifiés n’étaient pas interchangeables. Ils dépendaient les uns des autres.

L’IA, nouveau métier à tisser?

Dans un article récent, trois économistes, Christian Catalini, Xiang Hui et Jane Wu, affirment que cette même dynamique se reproduit aujourd’hui avec l’IA, mais plus rapidement et à une échelle bien plus grande. L’intelligence artificielle suit en effet une trajectoire classique pour les ruptures: après un temps assez long d’incubation, sa performance augmente rapidement. Le coût de la génération de texte, de code, d’images, d’analyses — de presque tout type de production — diminue également rapidement. Mais le coût de la vérification de cette production — confirmer qu’elle est correcte, qu’elle ne constitue pas une hallucination, qu’on peut s’y fier — augmente car il reste dépendant du jugement humain.

C’est dans l’écart entre ces deux courbes que la valeur économique est détruite. On peut désormais produire autant que l’on veut, et pour de moins en moins cher. Mais si on ne peut pas évaluer de manière fiable ce qui est produit, une part croissante de cette production sera, au mieux, inutile. Or, cette vérification est très difficile.

La réponse naturelle à ce problème consisterait… à utiliser l’IA pour contrôler l’IA! Mais selon Catalini, Hui et Wu, c’est très risqué. Les systèmes d’IA entraînés sur des données similaires partagent les mêmes angles morts. Ils commettent des erreurs similaires, en toute confiance. Le fait qu’un modèle en vérifie un autre n’offre pas une supervision indépendante; c’est plutôt un jeu de miroirs qui peut donner l’impression d’un accord tout en répétant les mêmes erreurs. Ça revient à faire surveiller le bar par ses clients.

La vérification doit donc être faite par des humains, et la complexité de celle-ci nécessite qu’ils soient bien formés pour cela. Or avec le développement de l’IA, les jeunes ne sont plus embauchés pour les tâches de niveau débutant qui permettaient autrefois d’acquérir une expérience pratique au fil du temps. De leur côté, les travailleurs expérimentés transfèrent leur expertise directement aux systèmes d’IA. Une conception déshumanisée du travail fait croire qu’il n’est plus nécessaire que les deux se parlent et travaillent en commun. Le système professionnel vertueux qui produisait autrefois un jugement humain développé par l’expérience est bloqué aux deux extrémités.

L’enjeu de la formation

Les usines de Lowell ont fini par résoudre leur problème, mais il leur a coûté très cher. La solution n’était pas de ralentir les machines; elle consistait à former sérieusement les personnes chargées de les surveiller. Il y a donc un énorme enjeu de formation. Au-delà, cette expérience souligne qu’on ne peut pas penser l’introduction d’une nouvelle technologie en termes stricts de substitution humain-machine. Il s’agit plutôt d’inventer les meilleurs modes d’association humain-machine. Il y a des substitutions partielles, mais aussi un développement de nouvelles tâches pour les humains. L’exemple de Lowell montre qu’il n’y a là rien de nouveau, et que ce défi existe pour toute nouvelle technologie. On retrouve bien là une idée plus générale que j’ai déjà évoquée selon laquelle ce qui compte n’est pas la technologie, mais la façon dont elle est mobilisée, et que l’enjeu est d’inventer un système de création de valeur et une organisation qui en tirent le meilleur parti.

Les industriels de Lowell ont appris cette leçon au prix d’une année de baisse de productivité et de reconversion coûteuse. Essayons de ne pas reproduire leurs erreurs!

Sources: @ccatalini sur X et James Bessen sur ArXiv.

✚ Sur le sujet, voir mes articles précédents: 📄Une technologie de rupture ça n’existe pas; 📄Comment l’automatisation crée des emplois: Exemples du textile et de la banque. Voir aussi: 📄À l’heure de l’IA, ma fille peut-elle encore faire une école d’art?

📬 Abonnez-vous pour être averti des prochains articles par mail (cliquez sur “Abonnez-vous” plus bas).

▶️ Retrouvez-moi sur LinkedIn pour échanger sur cet article.

🎧 Vous pouvez également vous abonner au format podcast des articles via votre plateforme favorite: Apple Podcast – YouTube Music – Spotify – Amazon Music/Audible – Deezer

🇬🇧 Une version en anglais de cet article est disponible ici.