l’impact de l’IA sur le marché du travail

Introduction à l’IA et son Évolution

L’intelligence artificielle (IA) est en train de transformer nos vies, tant sur le plan professionnel que personnel. De plus en plus présente dans nos métiers, l’IA devient un outil incontournable qui façonne l’avenir. Les experts de divers secteurs sont appelés à s’adapter pour tirer profit de cette révolution technologique.

Impact de l’IA dans les Différents Secteurs

Peu importe le domaine, l’IA impacte tous les secteurs de l’industrie. Que nous parlions de la banque, où elle optimise les transactions et la sécurité, ou des vergers fruitiers, où elle aide à maximiser la récolte, les applications de l’IA sont infinies. Les professionnels qui maîtriseront ces technologies auront un net avantage concurrentiel sur le marché.

Devenir Expert dans un Monde Transformé par l’IA

Pour naviguer au mieux dans cette transformation, il est essentiel de devenir un expert dans son domaine. Cela implique une formation continue et une volonté de s’adapter aux innovations que l’IA apporte. Les opportunités offertes par l’IA sont vastes et, en tant que professionnels agiles, nous pouvons non seulement survivre mais aussi prospérer dans cet environnement dynamique.

Analyse d’un article de Harvard University :

Research: How Gen AI Is Already Impacting the Labor Market

by
• Ozge Demirci,
• Jonas Hannane,
• and
• Xinrong Zhu

November 11, 2024

Cet article basé sur une étude de Harvard Business School analysant plus de 1,3 million d’offres d’emploi, révèle des changements significatifs dans le monde professionnel suite à l’arrivée de l’IA générative comme ChatGPT.

Voici les principaux points clés :

### Impact sur l’emploi

– Les secteurs créatifs sont les plus touchés :

– Design : -25% d’offres

– Écriture : -30% d’offres

– Développement : -20% d’offres

Ce qui change réellement

Contrairement aux craintes, l’IA ne remplace pas complètement les humains. Les employeurs recherchent des professionnels qui :

• Maîtrisent leur domaine d’expertise

• Savent utiliser efficacement les outils IA

En fait, les entreprises sont prêtes à payer 5,71% de plus pour des profils combinant expertise traditionnelle et compétences IA.

Conseils pour s’adapter

1. **Se familiariser avec l’IA**

– Expérimentez largement les outils IA

– Apprenez à déléguer certaines tâches

2. **Développer ses compétences humaines**

– Concentrez-vous sur le jugement et la prise de décision

– Approfondir votre expertise métier

3. **Anticiper les changements**

– La tendance ne va pas s’inverser

– Se former en continu est crucial

La philosophie clé

« L’IA ne va pas remplacer les humains, elle va remplacer les humains qui ne l’utilisent pas. »

Le message est clair : l’adaptation et l’apprentissage continu sont désormais essentiels pour rester compétitif sur le marché du travail.

---

Ci-après une analyse d’une analyse du MIT sur l’IA de la Vision et son impact dans l’industrie.

https://hbr.org/2024/11/research-how-gen-ai-is-already-impacting-the-labor-market

Rentabilité de l’automatisation par vision par ordinateur

L’étude du MIT examine la rentabilité de l’automatisation des tâches de vision par ordinateur dans les entreprises, constatant que l’automatisation n’est économiquement viable que pour une petite partie des tâches en raison des coûts élevés de développement et de déploiement.

Nota : On peut logiquement appliquer les conclusions de cette étude aux autres types d’IA et d’automatisation s’exerçant sur : texte, chiffres, son, video, etc…

Explication :

L’étude analyse l’utilisation de l’intelligence artificielle, en particulier de la vision par ordinateur, pour automatiser les tâches dans les entreprises. Les chercheurs distinguent les tâches « exposées » à l’automatisation (c’est-à-dire pouvant techniquement être automatisées) de celles qui sont réellement « rentables » à automatiser. Ils constatent que seulement 23 % des tâches de vision par ordinateur seraient rentables à automatiser avec les technologies actuelles, un chiffre bien inférieur aux 36 % d’emplois potentiellement automatisable.

Cette faible proportion s’explique par les coûts importants associés au développement et au déploiement de systèmes de vision par ordinateur. Les entreprises doivent investir dans des équipes d’ingénieurs, des données, la formation de modèles d’IA et l’infrastructure, ce qui rend l’automatisation inaccessible pour beaucoup, en particulier les petites et moyennes entreprises.

L’étude souligne cependant que l’automatisation devient plus rentable à mesure que l’échelle de déploiement augmente. Si un système de vision par ordinateur peut être déployé à l’échelle d’un secteur entier ou de l’économie nationale, le pourcentage de tâches rentables à automatiser grimpe à 88 %.

Les plateformes « AI-as-a-Service » (IA en tant que service) pourraient jouer un rôle clé dans la prolifération de l’automatisation. En mutualisant les coûts de développement et de déploiement, ces plateformes rendent l’automatisation accessible aux entreprises qui n’auraient pas les ressources pour la mettre en œuvre de manière indépendante.

Enfin, l’étude met en avant l’importance des progrès technologiques, qui devraient faire baisser les coûts des systèmes de vision par ordinateur, rendant l’automatisation plus attrayante pour un plus grand nombre d’entreprises.

1. L’échelle minimale viable comme frein à l’adoption:

Cette échelle se situe au point où le coût moyen de l’utilisation d’un système de vision par ordinateur devient égal au coût du travail humain. (cf. Figure 1 du document source).

Cette notion met en évidence le défi pour les entreprises : la plupart d’entre elles sont trop petites pour atteindre cette échelle minimale viable et rentabiliser l’investissement dans la vision par ordinateur.

2. Le paradoxe de l’automatisation « bare-bones » :

l’impact positif des progrès technologiques sur la baisse des coûts des systèmes de vision par ordinateur.

Le document source pousse cette réflexion plus loin en imaginant un scénario « bare-bones » où les coûts des données, du calcul et de l’ingénierie seraient négligeables. Même dans ce cas idéal, seulement 49% des tâches de vision seraient rentables à automatiser au niveau de l’entreprise.

Ce résultat souligne que la fragmentation des tâches et la structure même de l’économie, au-delà des coûts technologiques, constituent des freins importants à l’automatisation.

3. L’impact des modèles de fondation, une perspective nuancée :

les modèles de base ne remplaceront probablement pas complètement les modèles spécialisés, car la disponibilité des données et la personnalisation restent des enjeux majeurs.

Cette nuance met en lumière les limites actuelles des modèles de base et invite à une analyse plus approfondie de leur impact réel sur la rentabilité de l’automatisation.

Proportion des Salaires Liés à la Vision par Ordinateur Rentables à Automatiser

L’étude de Svanberg et al. (2024) révèle qu’il existe une différence significative entre la proportion de tâches de vision par ordinateur exposées à l’automatisation et celles qui seraient rentables à automatiser pour les entreprises.

Au niveau de l’entreprise, seulement 23% de la rémunération liée aux tâches de vision par ordinateur serait rentable à automatiser avec les technologies actuelles. Ce chiffre est bien inférieur aux 36% d’emplois exposés à l’automatisation par la vision par ordinateur dans les entreprises non agricoles américaines.

Ce faible pourcentage s’explique par les coûts élevés de développement et de déploiement des systèmes de vision par ordinateur. Les entreprises doivent investir dans des équipes d’ingénieurs, des données, la formation des modèles et l’infrastructure, ce qui rend l’automatisation peu attrayante pour beaucoup d’entre elles, en particulier les petites et moyennes entreprises.

L’étude souligne que l’automatisation devient plus rentable à mesure que l’échelle de déploiement augmente.

Si un système de vision par ordinateur peut être déployé au niveau d’un secteur entier ou de l’économie nationale, 88% de la rémunération liée aux tâches de vision par ordinateur devient économiquement avantageuse.

Les modèles économiques « AI-as-a-Service » pourraient jouer un rôle important dans la prolifération de l’automatisation. En mutualisant les coûts de développement et de déploiement, ces plateformes rendent l’automatisation accessible aux entreprises qui n’auraient pas les ressources pour la mettre en œuvre de manière indépendante.

La baisse des coûts des systèmes de vision par ordinateur, grâce aux progrès technologiques, devrait également augmenter la proportion de salaires rentables à automatiser. L’amélioration des modèles de base et la personnalisation plus efficace des modèles d’IA contribueront à rendre l’automatisation plus accessible.

Il est important de noter que l’étude se concentre sur les États-Unis et que les résultats peuvent varier selon les pays. De plus, elle ne prend pas en compte les implications sociales et éthiques de l’automatisation, qui sont également des facteurs importants à considérer (n’en doutons pas 🙁 ).

Facteurs Influençant la Rentabilité de l’Automatisation par Vision par Ordinateur au Niveau de l’Entreprise

La rentabilité de l’automatisation par vision par ordinateur au niveau de l’entreprise est influencée par plusieurs facteurs clés. Les sources mettent en évidence les éléments suivants :

1. Coûts de développement et de déploiement:

Coûts d’ingénierie: Le développement d’un système de vision par ordinateur nécessite une équipe d’ingénieurs qualifiés, ce qui engendre des coûts importants. Ces coûts comprennent les salaires, les avantages sociaux et les frais généraux associés à l’équipe d’ingénierie. (Les pays ayant de nombreux ingénieurs et aux salaires bas comme Chine, Inde et Russie devraient jouer un rôle prépondérant )

Coûts des données: Les systèmes de vision par ordinateur nécessitent de grandes quantités de données (pour les occidentaux…) pour être formés et performants. La collecte, l’étiquetage et le nettoyage de ces données peuvent être coûteux (pour les occidentaux…). De plus, la disponibilité et l’accessibilité des données peuvent varier considérablement en fonction de la tâche à automatiser.

Coûts de formation: La formation des modèles de vision par ordinateur nécessite une puissance de calcul importante, ce qui peut entraîner des coûts importants en matière d’infrastructure et d’énergie (pour les occidentaux…).

Coûts d’exécution: L’exécution des systèmes de vision par ordinateur en production engendre des coûts permanents liés à l’infrastructure, à l’énergie et à la maintenance. Ces coûts peuvent être proportionnels au volume de travail effectué par le système.

2. Échelle de déploiement:

Taille de l’entreprise: Les petites entreprises ont souvent du mal à rentabiliser l’automatisation de la vision par ordinateur, car les coûts de développement et de déploiement sont élevés par rapport au volume de travail à automatiser.

Concentration des tâches: Les entreprises qui ont un volume important de tâches de vision similaires peuvent rentabiliser l’automatisation plus facilement, car les coûts de développement peuvent être répartis sur un plus grand nombre de tâches. (Et paradoxalement les petites entreprises peuvent se réorienter sur les petits volumes, avec beaucoup de tâches diverses…)

3. Progrès technologiques:

Baisse des coûts des systèmes d’IA: Les progrès technologiques, tels que la loi de Moore, entraînent une baisse constante des coûts de l’informatique, ce qui rend les systèmes de vision par ordinateur plus abordables.

Amélioration des modèles de base: Les modèles de base, pré-entraînés sur de vastes ensembles de données, peuvent réduire les coûts de développement en nécessitant moins de données et de formation pour des tâches spécifiques.

4. Modèles économiques « AI-as-a-Service »:

Mutualisation des coûts: Les plateformes « AI-as-a-Service » permettent aux entreprises d’accéder à l’automatisation de la vision par ordinateur sans avoir à supporter les coûts élevés de développement et de déploiement. Cela peut rendre l’automatisation plus rentable pour les petites et moyennes entreprises.

Accès à l’expertise: Les plateformes « AI-as-a-Service » donnent accès à l’expertise et aux technologies de pointe en matière de vision par ordinateur, ce qui peut être bénéfique pour les entreprises qui n’ont pas les ressources internes nécessaires.

5. Besoins spécifiques de l’entreprise:

Complexité des tâches: Les tâches de vision par ordinateur plus complexes, nécessitant une précision et une fiabilité élevées, peuvent être plus coûteuses à automatiser.

Intégration aux processus existants: L’intégration des systèmes de vision par ordinateur aux processus et systèmes existants de l’entreprise peut engendrer des coûts supplémentaires.

En résumé, la rentabilité de l’automatisation par vision par ordinateur au niveau de l’entreprise dépend d’un équilibre complexe entre les coûts de développement et de déploiement, l’échelle de déploiement, les progrès technologiques, les modèles économiques et les besoins spécifiques de l’entreprise.

Impacts Économiques de l’Automatisation par la Vision par Ordinateur

L’automatisation par la vision par ordinateur est susceptible d’avoir des impacts économiques importants, tant positifs que négatifs.

Impacts Positifs:

Amélioration de la Productivité: Les systèmes de vision par ordinateur peuvent effectuer des tâches plus rapidement et avec plus de précision que les humains, ce qui peut entraîner une augmentation de la productivité . Des exemples concrets incluent l’automatisation des processus de tri et de contrôle de la qualité sur les chaînes de montage.

Création de Nouveaux Emplois: Le développement, la mise en œuvre et la maintenance de systèmes de vision par ordinateur créeront de nouveaux emplois dans des domaines tels que l’ingénierie, la science des données et le support technique.

Nouvelles Opportunités Commerciales: L’automatisation de la vision par ordinateur peut ouvrir de nouvelles opportunités commerciales, par exemple en permettant aux entreprises de proposer de nouveaux produits et services. Un exemple est l’aide apportée aux athlètes par la vision par ordinateur pour analyser les rediffusions de leurs performances.

Impacts Négatifs:

Déplacement des Travailleurs: L’automatisation des tâches de vision par ordinateur peut entraîner le déplacement (on va dire réduction…) des travailleurs actuellement employés dans ces rôles. Les sources estiment que 36% des emplois dans les entreprises non agricoles américaines ont au moins une tâche exposée à la vision par ordinateur.

Inégalités Salariales: L’automatisation pourrait exacerber les inégalités salariales, les emplois hautement qualifiés liés au développement de l’IA étant mieux rémunérés que les emplois remplacés.

Coûts Élevés d’Implantation: La mise en œuvre de systèmes de vision par ordinateur peut être coûteuse, en particulier pour les petites entreprises. Les coûts comprennent le développement, les données, la formation et l’exploitation.

Facteurs Influençant l’Impact:

Échelle de Déploiement: L’automatisation de la vision par ordinateur est plus rentable lorsque les systèmes peuvent être déployés à grande échelle, par exemple au niveau d’un secteur ou de l’économie nationale. Les entreprises individuelles sont souvent trop petites pour rentabiliser l’automatisation.

Progrès Technologiques: La baisse des coûts des systèmes de vision par ordinateur, due aux progrès technologiques, rendra l’automatisation plus attrayante pour un plus grand nombre d’entreprises et de tâches.

Modèles Économiques « AI-as-a-Service »: Les plateformes « AI-as-a-Service » pourraient permettre aux entreprises d’accéder à l’automatisation de la vision par ordinateur sans avoir à supporter les coûts élevés de développement et de déploiement.(surveiller les acteurs de l’IA industrielle qui vont émerger…)

Politiques Gouvernementales: Les politiques gouvernementales, telles que les programmes de formation et de reconversion, peuvent atténuer l’impact négatif du déplacement des travailleurs et favoriser la création d’emplois dans les secteurs émergents (foutaise…non …super-foutaise…).

Conclusion:

L’automatisation par la vision par ordinateur a le potentiel de transformer l’économie, en offrant des avantages en termes de productivité et de création d’emplois, mais aussi en posant des défis importants en matière de déplacement des travailleurs et d’inégalités. L’ampleur et la nature de ces impacts dépendront de facteurs tels que l’échelle de déploiement, les progrès technologiques et les politiques gouvernementales. Il est crucial pour les entreprises et les décideurs politiques de comprendre ces dynamiques afin de maximiser les avantages de l’automatisation tout en atténuant ses risques.

FAQ : Automatisation de la vision par ordinateur

Quelle est l’idée principale de l’article ?

L’article étudie la rentabilité de l’automatisation des tâches de vision par ordinateur en comparant le coût de la mise en œuvre de systèmes de vision par ordinateur au coût de la main-d’œuvre humaine.

Qu’est-ce qu’une tâche de vision ?

Une tâche de vision est une tâche qui nécessite l’utilisation de la vue pour être accomplie. Les auteurs de l’article identifient les tâches de vision en utilisant la base de données O*NET *, qui contient des informations sur les tâches et les compétences requises pour divers emplois.

* https://en.wikipedia.org/wiki/Occupational_Information_Network

Comment les auteurs de l’article estiment-ils le coût des systèmes de vision par ordinateur ?

Les auteurs utilisent un modèle économique pour estimer le coût des systèmes de vision par ordinateur, qui prend en compte les coûts de développement, de données, de formation et d’exploitation. Ils constatent que le coût des systèmes de vision par ordinateur peut varier considérablement en fonction de la complexité de la tâche et de la précision requise.

Quel est le principal résultat de l’article ?

Les auteurs constatent que la plupart des systèmes de vision par ordinateur ne sont rentables à déployer que lorsqu’un seul système peut être utilisé dans des secteurs entiers ou dans l’ensemble de l’économie. En revanche, 77 % des tâches de vision ne sont pas rentables à automatiser si un système ne peut être utilisé qu’au niveau de l’entreprise.

Pourquoi les systèmes de vision par ordinateur ne sont-ils souvent pas rentables à déployer au niveau de l’entreprise ?

Cela est dû au coût de la mise en œuvre des systèmes de vision par ordinateur. Les entreprises doivent souvent collecter et étiqueter des données, former des modèles et entretenir des systèmes, ce qui peut être coûteux.

Quelles sont les implications de ces résultats pour l’avenir du travail ?

Les résultats suggèrent que l’automatisation de la vision par ordinateur sera probablement plus répandue dans les secteurs où les systèmes peuvent être déployés à grande échelle. Cela pourrait entraîner des pertes d’emplois dans ces secteurs, mais cela pourrait également créer de nouvelles opportunités d’emploi dans le développement et la maintenance de systèmes de vision par ordinateur.

Quelles sont les limites de l’étude ?

L’étude se limite aux tâches de vision par ordinateur. Elle ne prend pas en compte d’autres types d’automatisation de l’IA, tels que le traitement du langage naturel ou l’apprentissage automatique. De plus, l’étude se base sur des données américaines. Les résultats peuvent ne pas être généralisables à d’autres pays.

Nota : en effet, certains pays ou puissances majeures possèdent a la fois les sources d’énergies les plus compétitives, les effectifs d’ingénieurs et scientifiques les plus importants voire massifs, et les données a collecter pour les modèles du fait de leur importance majeure dans l’industrie de masse (notamment la Chine…).

Que peut-on faire pour atténuer l’impact négatif potentiel de l’automatisation de la vision par ordinateur sur l’emploi ?

Les gouvernements et les entreprises peuvent investir dans des programmes de formation et de reconversion pour aider les travailleurs déplacés par l’automatisation à trouver de nouveaux emplois. Ils peuvent également envisager des politiques pour soutenir la création d’emplois dans les secteurs qui ne sont pas susceptibles d’être automatisés.

Nota : les gouvernements occidentaux qui subiront cette transition n’auront plus les moyens de suivre financièrement et même en auront-ils la volonté ?…et puis se reconvertir dans QUOI ?!…

Chronologie des événements

Ce document de travail n’est pas narratif et ne présente donc pas une chronologie d’événements spécifique. Il s’agit plutôt d’une analyse des tâches qui sont rentables à automatiser avec la vision par ordinateur.

Personnages principaux

Auteurs:

• Maja S. Svanberg: Chercheuse au Massachusetts Institute of Technology (MIT).

• Expertise en vision par ordinateur et en économie.

• Wensu Li: Chercheur au Massachusetts Institute of Technology (MIT).

• Expertise en vision par ordinateur et en apprentissage automatique.

• Martin Fleming: Chercheur au Productivity Institute.

• Expertise en économie et en productivité.

• Brian C. Goehring: Chercheur à l’IBM Institute for Business Value.

• Expertise en applications commerciales de l’IA.

• Neil C. Thompson: Chercheur au Massachusetts Institute of Technology (MIT).

• Expertise en économie de l’IA et en apprentissage profond.

Autres personnes mentionnées:

Divers auteurs d’articles de recherche: Le document cite plusieurs articles de recherche sur des sujets tels que l’automatisation, l’IA et la vision par ordinateur. Parmi les auteurs cités figurent:

• Acemoglu et Autor: Économistes qui ont étudié l’impact de l’automatisation sur le marché du travail.

• Autor, Levy et Murnane: Économistes qui ont étudié le contenu en compétences des changements technologiques récents.

• Bessen, Impink, Reichensperger et Seamans: Chercheurs qui ont étudié le fonctionnement des startups d’IA.

• Bloom, Guo et Lucking: Chercheurs qui ont étudié l’externalisation et la concentration professionnelle et industrielle.

• Bommasani et al.: Chercheurs qui ont défini les modèles de fondation et étudié leur impact.

• Brynjolfsson, Rock et Syverson: Économistes qui ont étudié l’impact de l’IA sur la productivité.

• Brynjolfsson et al.: Chercheurs qui ont étudié l’adéquation à l’apprentissage automatique au niveau des tâches au sein de diverses catégories d’emplois.

• David: Économiste qui a étudié l’impact de la technologie sur l’économie.

• Deng et al.: Chercheurs qui ont créé ImageNet, une base de données d’images hiérarchisée à grande échelle.

• Eloundou, Manning, Mishkin et Rock: Chercheurs qui ont étudié le potentiel d’impact des modèles de langage de grande taille sur le marché du travail.

• Erdil et Besiroglu: Chercheurs qui ont mesuré la baisse annuelle des coûts de l’informatique sur les GPU.

• Felten, Raj et Seamans: Chercheurs qui ont développé une méthode pour relier les progrès de l’IA aux aptitudes professionnelles.

• Frank et al.: Chercheurs qui ont étudié le lien entre l’exposition à la technologie et la croissance de l’emploi.

• Frey et Osborne: Chercheurs qui ont estimé le pourcentage d’emplois américains à risque d’être automatisés.

• Hobbhahn et Besiroglu: Chercheurs qui ont étudié les tendances en matière de prix et de performances des GPU.

• Kaplan et al.: Chercheurs qui ont étudié les lois d’échelle pour les modèles de langage neuronaux.

• LeCunn et Misra: Chercheurs qui ont étudié l’apprentissage auto-supervisé.

• Lohn: Chercheur qui a étudié l’évolution de l’IA.

• McElheran et al.: Chercheurs qui ont étudié l’adoption de l’IA aux États-Unis.

• Meindl, Frank et Mendonça: Chercheurs qui ont étudié l’exposition des professions aux technologies de la quatrième révolution industrielle.

• Mikami et al.: Chercheurs qui ont étudié les lois d’échelle pour le transfert synthétique vers le réel.

• Moreno-Torres et al.: Chercheurs qui ont étudié le décalage des ensembles de données dans la classification.

• Murphy: Chercheur qui a présenté le Système de classification des industries de l’Amérique du Nord (SCIAN).

• Prato et al.: Chercheurs qui ont étudié les lois d’échelle pour l’adaptation en quelques plans de classificateurs d’images pré-entraînés.

• Sevilla et al.: Chercheurs qui ont développé une méthode pour estimer le calcul d’entraînement des modèles d’apprentissage profond.

• Shannon: Mathématicien qui a développé la théorie de l’information.

• Simonyan et Zisserman: Chercheurs qui ont développé des réseaux neuronaux convolutifs très profonds pour la reconnaissance d’images à grande échelle.

• Sullivan: Chercheur qui a étudié les rendements moyens du marché boursier.

• Thompson et al.: Chercheurs qui ont développé un modèle pour estimer les coûts économiques des systèmes de vision par ordinateur utilisant l’apprentissage profond.

• Tolan et al.: Chercheurs qui ont mesuré l’impact professionnel de l’IA sur les tâches, les capacités cognitives et les benchmarks de l’IA.

• Tu et al.: Chercheurs qui ont travaillé sur le développement d’une IA biomédicale généraliste.

• Walsh: Chercheur qui a étudié le contexte social du changement technologique.

• Webb: Chercheur qui a étudié l’impact de l’intelligence artificielle sur le marché du travail.

• Yeung et al.: Chercheurs qui ont travaillé sur la prédiction de l’utilisation des GPU pour l’apprentissage profond dans le cloud.

• Zarifhonarvar: Chercheur qui a étudié l’économie de ChatGPT et son impact sur le marché du travail.

• Zhai et al.: Chercheurs qui ont étudié la mise à l’échelle des transformateurs de vision.

Entités:

• Bureau of Labor Statistics (BLS): Agence gouvernementale américaine qui recueille et publie des données sur l’emploi et le travail.

• O*NET: Base de données en ligne du BLS qui fournit des informations sur les professions, les compétences et les connaissances.

• Occupational Employment and Wage Statistics (OEWS): Programme du BLS qui fournit des données sur l’emploi et les salaires par profession et par secteur.

• U.S. Census Bureau: Agence gouvernementale américaine qui recueille et publie des données sur la population, l’économie et la géographie.

• Survey of Business Owners (SUSB): Enquête annuelle du U.S. Census Bureau qui fournit des données sur les entreprises américaines.

• Prolific: Plateforme en ligne pour la recherche scientifique qui permet aux chercheurs de recruter des participants pour des études.

• Amazon: Entreprise de commerce électronique et de services cloud.

• Walmart: Entreprise multinationale de vente au détail.

• IBM: Entreprise technologique multinationale.

• MIT: Université de recherche privée située à Cambridge, Massachusetts.

• The Productivity Institute: Institut de recherche indépendant basé au Royaume-Uni qui étudie la productivité.

• NVIDIA: Entreprise technologique multinationale qui conçoit des unités de traitement graphique (GPU).

Ce document de travail fournit une analyse approfondie des tâches qui peuvent être automatisées avec la vision par ordinateur et examine les facteurs économiques qui influencent l’adoption de l’IA. Il met en évidence le rôle des modèles de fondation, des plateformes d’IA en tant que service et des progrès technologiques dans la prolifération de l’IA.