316
Peut-on envisager des évaluations quantitatives ex ante ?
Une approche par analogie
Afin de prendre en compte les effets indirects potentiels du développement de l’IA, les auteurs
d’une étude d’Analysis Group
39 ont tenté des approches par analogies.
Dans une première approche, Chen et al. considèrent que les principaux effets indirects du
développement de l’IA pourraient être comparables, en proportion, au développement d’autres
technologies. En particulier, ils s’intéressent aux externalités associées aux investissements en
R & D privée et publique et en capital-risque. Ils reprennent pour cela les valeurs des
rendements associés à ces investissements disponibles dans la littérature empirique
40 et
déduisent que, selon ces valeurs, 1 $ investi en R & D privée, en R & D publique et en capitalrisque dans l’IA rapporterait respectivement 1,99 $, 2,69 $ et 3,33 $ de PIB supplémentaire.
Cette approche est intéressante pour mettre en évidence les rendements sociaux supérieurs à
l’unité des investissements dans la recherche et le développement d’une nouvelle technologie
mais elle reste très approximative et, surtout, elle ne prend pas en compte les mécanismes
économiques propres à ce type de technologie qui ont été décrits ci-dessus.
Dans une seconde approche, ces auteurs envisagent la possibilité que le déploiement de l’IA
puisse avoir des effets similaires à ceux qu’ont pu avoir d’autres technologies par le passé.
Dans cette approche, ils se fondent notamment sur les évaluations empiriques des impacts des
technologies de l’information, de l’internet haut débit, de la téléphonie mobile ou encore de la
robotique industrielle. En utilisant le développement et l’adoption de ces technologies comme
benchmark, Chen et al. estiment des ordres de grandeur de l’impact que pourrait avoir l’IA sur
l’économie. Si l’on admet que les technologies prises en compte ici sont génériques, cette
approche est sans doute plus à même de prendre en compte les effets globaux de la
technologie, à condition que les évaluations historiques intègrent bien ces mécanismes. Les
résultats obtenus suivant cette approche sont nettement supérieurs à ceux issus de la première
démarche. Néanmoins la transposition directe des impacts de ces technologiques à l’IA est
difficilement envisageable ; il est certainement plus pertinent de chercher à décomposer les
effets pour mieux appréhender les principaux canaux de transmission dans l’économie et de
tester l’importance relative de ces canaux.
Le recours à la modélisation macro-sectorielle
Outre ces analogies directes qui peuvent être trop approximatives, il est possible d’approfondir
le raisonnement par l’utilisation de modèles macro-sectoriels. Parmi ces modèles, Némésis
41
39 Nicholas Chen, Lau Christensen, Kevin Gallagher, Rosamond Mate, Greg Rafert( 2015), “Global Economic Impacts
Associated with Artificial Intelligence”, Analysis Group Inc. financé par Facebook Inc.
40 Ils se basent en particulier sur l’article d’Astrid Romain et Bruno Van Pottelsberghe (2004), « The Economic
Impact of Venture Capital » qui évalue l’élasticité de l’output aux investissements en R & D privée, en R & D
publique et en capital-risque à respectivement : 19,9 %, 13,6 % et 0,9 %.
41 Le modèle Némésis est un modèle macro-sectoriel représentant 28 pays européens avec une décomposition
sectorielle en 30 secteurs. Ce modèle a été développé par un consortium européen comprenant le laboratoire
Erasme de l’Ecole Centrale Paris – relayé depuis par l’entreprise Seureco – le Bureau Fédéral du Plan belge et
l’Université polytechnique nationale d’Athènes (ICCS/NTUA). Il a par ailleurs été en grande partie construit dans le
Peut-on envisager des évaluations quantitatives ex ante ?
Une approche par analogie
Afin de prendre en compte les effets indirects potentiels du développement de l’IA, les auteurs
d’une étude d’Analysis Group
39 ont tenté des approches par analogies.
Dans une première approche, Chen et al. considèrent que les principaux effets indirects du
développement de l’IA pourraient être comparables, en proportion, au développement d’autres
technologies. En particulier, ils s’intéressent aux externalités associées aux investissements en
R & D privée et publique et en capital-risque. Ils reprennent pour cela les valeurs des
rendements associés à ces investissements disponibles dans la littérature empirique
40 et
déduisent que, selon ces valeurs, 1 $ investi en R & D privée, en R & D publique et en capitalrisque dans l’IA rapporterait respectivement 1,99 $, 2,69 $ et 3,33 $ de PIB supplémentaire.
Cette approche est intéressante pour mettre en évidence les rendements sociaux supérieurs à
l’unité des investissements dans la recherche et le développement d’une nouvelle technologie
mais elle reste très approximative et, surtout, elle ne prend pas en compte les mécanismes
économiques propres à ce type de technologie qui ont été décrits ci-dessus.
Dans une seconde approche, ces auteurs envisagent la possibilité que le déploiement de l’IA
puisse avoir des effets similaires à ceux qu’ont pu avoir d’autres technologies par le passé.
Dans cette approche, ils se fondent notamment sur les évaluations empiriques des impacts des
technologies de l’information, de l’internet haut débit, de la téléphonie mobile ou encore de la
robotique industrielle. En utilisant le développement et l’adoption de ces technologies comme
benchmark, Chen et al. estiment des ordres de grandeur de l’impact que pourrait avoir l’IA sur
l’économie. Si l’on admet que les technologies prises en compte ici sont génériques, cette
approche est sans doute plus à même de prendre en compte les effets globaux de la
technologie, à condition que les évaluations historiques intègrent bien ces mécanismes. Les
résultats obtenus suivant cette approche sont nettement supérieurs à ceux issus de la première
démarche. Néanmoins la transposition directe des impacts de ces technologiques à l’IA est
difficilement envisageable ; il est certainement plus pertinent de chercher à décomposer les
effets pour mieux appréhender les principaux canaux de transmission dans l’économie et de
tester l’importance relative de ces canaux.
Le recours à la modélisation macro-sectorielle
Outre ces analogies directes qui peuvent être trop approximatives, il est possible d’approfondir
le raisonnement par l’utilisation de modèles macro-sectoriels. Parmi ces modèles, Némésis
41
39 Nicholas Chen, Lau Christensen, Kevin Gallagher, Rosamond Mate, Greg Rafert( 2015), “Global Economic Impacts
Associated with Artificial Intelligence”, Analysis Group Inc. financé par Facebook Inc.
40 Ils se basent en particulier sur l’article d’Astrid Romain et Bruno Van Pottelsberghe (2004), « The Economic
Impact of Venture Capital » qui évalue l’élasticité de l’output aux investissements en R & D privée, en R & D
publique et en capital-risque à respectivement : 19,9 %, 13,6 % et 0,9 %.
41 Le modèle Némésis est un modèle macro-sectoriel représentant 28 pays européens avec une décomposition
sectorielle en 30 secteurs. Ce modèle a été développé par un consortium européen comprenant le laboratoire
Erasme de l’Ecole Centrale Paris – relayé depuis par l’entreprise Seureco – le Bureau Fédéral du Plan belge et
l’Université polytechnique nationale d’Athènes (ICCS/NTUA). Il a par ailleurs été en grande partie construit dans le