Le logiciel d'IA et la question de la productivité à mille milliards de dollars

Si l'IA devient nettement meilleure pour écrire des logiciels, que devraient changer les dirigeants d'entreprise aujourd'hui ? Ma réponse : mesurer comment elle améliore un processus commercial complet, y compris le travail nécessaire pour vérifier et maintenir ses résultats.

L'IA pourrait-elle ajouter 20 000 à 30 000 milliards de dollars américains à la production économique mondiale annuelle ? Elon Musk a avancé cette estimation approximative, accompagnée de prédictions selon lesquelles l'IA pourrait gérer presque toute tâche numérique et atteindre une capacité de codage de niveau Stockfish. Ces affirmations ont attiré l'attention car elles suggèrent un changement majeur dans l'économie du travail du savoir.

Ce sont des prévisions ambitieuses, pas des résultats établis. Les dirigeants d'entreprise devraient distinguer la possibilité de gains de productivité majeurs de la preuve que l'IA peut livrer de manière fiable chaque tâche numérique. Les décisions d'investissement ont besoin de preuves issues du travail qu'une organisation effectue réellement.

Ce que nous dit la comparaison avec Stockfish

Stockfish est un moteur d'échecs open source et l'un des plus puissants au monde. La comparaison illustre une possibilité réelle : les machines peuvent surpasser les humains dans une tâche intellectuelle exigeante. Cependant, l'analogie seule ne peut établir quand l'IA surpassera chaque ingénieur logiciel.

Les échecs ont des règles fixes, un plateau visible et un objectif clair. Le logiciel d'entreprise implique des exigences incomplètes, des politiques changeantes, des systèmes hérités et des priorités concurrentes des parties prenantes. Un programme peut réussir ses tests tout en résolvant le mauvais problème commercial.

Générer du code est une partie de l'ingénierie. Décider quoi construire, contrôler l'accès, vérifier la sécurité, déployer en toute sécurité et soutenir les utilisateurs restent partie intégrante du résultat. Même une IA très performante a besoin d'un processus capable de détecter les erreurs et d'attribuer la responsabilité.

Comprendre l'affirmation économique

Une augmentation de 20 à 30 pour cent du niveau de la production économique annuelle diffère d'une croissance de 20 à 30 pour cent chaque année. Une affirmation de cette ampleur requiert des hypothèses explicites sur l'adoption, la fiabilité, l'investissement et le temps nécessaire pour concrétiser les gains. Associer ces pourcentages à 20 000 à 30 000 milliards de dollars implique une économie de départ approximative de 100 000 milliards de dollars.

Pour situer, Goldman Sachs a publié en 2023 un scénario dans lequel l'IA générative pourrait augmenter le PIB mondial d'environ 7 pour cent, soit près de 7 000 milliards de dollars, et accroître la croissance de la productivité de 1,5 point de pourcentage sur dix ans. C'était une prévision conditionnelle, pas un résultat mesuré ni un plafond des gains futurs. Elle ne valide pas indépendamment l'estimation plus importante de Musk.

Au niveau de l'entreprise, un calcul utile est plus simple : la valeur nette égale la valeur de la production utile supplémentaire et des économies réalisées, moins les coûts de l'IA, l'intégration, la révision, la reprise et les pertes dues aux erreurs. Le temps gagné ne devient une valeur financière que lorsque l'organisation peut l'utiliser de manière productive.

Les avantages et les coûts

Rapidité contre vérification. L'IA pourrait raccourcir la rédaction, le codage et l'analyse. Les dirigeants devraient mesurer le temps nécessaire pour vérifier le résultat en plus du temps gagné à le produire.

Coût de production réduit contre nouveau coût d'exploitation. Créer une première version peut devenir moins cher. L'utilisation du modèle, l'intégration, la surveillance et la correction consomment toujours de l'argent et du temps du personnel.

Accès élargi contre dépendance. Des équipes plus petites pourraient entreprendre des travaux auparavant hors de leurs ressources. La dépendance à un seul fournisseur pourrait rendre les prix, la disponibilité et les changements de modèle plus difficiles à gérer.

Capacité accrue contre perturbation de la main-d'œuvre. Le personnel pourrait consacrer plus de temps aux besoins des clients et aux décisions difficiles. Les entreprises doivent aussi planifier l'évolution des rôles, la reconversion et le développement des employés juniors dont les tâches d'apprentissage routinières peuvent être automatisées.

Un exemple d'entreprise pratique

Considérons une entreprise d'entreposage hypothétique construisant un service de suivi des commandes. L'IA pourrait rédiger l'interface, proposer des requêtes de base de données et générer des cas de test. L'équipe devrait encore confirmer quels clients peuvent voir chaque commande, comment les écarts de stock sont traités et si le service fonctionne avec les systèmes existants.

La comparaison significative est le coût par version acceptée et la performance en usage. Mesurez le délai de livraison, les défauts, les demandes de support et les résultats clients. Un premier jet plus rapide qui crée davantage d'incidents de production peut réduire la valeur globale.

Le même principe s'applique au service client. Automatiser les demandes simples pourrait améliorer les temps de réponse. Les cas peu clairs ont besoin d'un chemin fiable vers une personne, avec le contexte pertinent préservé.

Ce que les PDG et CTO devraient faire

Les PDG devraient choisir un processus avec un coût identifiable et un résultat client clair. Établissez une base de référence, menez un pilote limité et convenez à l'avance de l'amélioration qui justifierait l'expansion. Incluez les coûts de mise en œuvre et les changements de responsabilités du personnel.

Les CTO devraient évaluer le modèle proposé sur des travaux représentatifs de leurs propres systèmes. Vérifiez l'exactitude, la sécurité, la confidentialité, la reprise après défaillance et la compatibilité avec les services existants. Séparez la permission de suggérer un changement de la permission de l'exécuter.

Pour les actions à conséquences, définissez le responsable de l'approbation et conservez une piste d'audit. Gardez la capacité d'annuler les changements, de restreindre l'accès et de suspendre l'automatisation lorsque les performances se dégradent.

Examinez la dépendance aux fournisseurs et formez le personnel à remettre en question les résultats. Étendez le déploiement lorsque les bénéfices mesurés restent positifs après les coûts de révision et de support. Une prévision économique mondiale devrait informer la planification de scénarios, tandis que les preuves locales devraient guider l'investissement.

La décision de leadership

L'IA peut changer substantiellement l'économie du travail numérique. L'ampleur et le calendrier restent incertains. Mon conseil : développez dès maintenant la capacité de l'évaluer et de l'adopter de manière responsable, puis augmentez l'investissement à mesure que les preuves se renforcent.

Quel processus de votre organisation testeriez-vous en premier, et quelles preuves vous convaincraient que l'IA a créé une valeur commerciale durable ?

Pensez mathématiquement. Concevez intelligemment. Dirigez stratégiquement. Construisez de manière responsable. Développez-vous mondialement. Créez une valeur commerciale réelle grâce à l'intelligence artificielle.

#ArtificialIntelligence #AIStrategy #EnterpriseAI #SoftwareEngineering #Productivity #BusinessLeadership

Publié à l'origine sur LinkedIn par Keshavan Thiagaraja. Lisez l'original sur LinkedIn. [1]