iamaniaque.fr

Catégorie : Observatoire Société

  • Le premier trillionnaire sera-t-il une IA ?

    Le premier trillionnaire sera-t-il une IA ?

    Il y a aujourd’hui environ 2 800 milliardaires dans le monde. La fortune cumulée des cinq plus riches dépasse le PIB de nombreux pays. Elon Musk a frôlé les 400 milliards de dollars.

    Un trillion, c’est mille milliards. Soit 2,5 fois la fortune actuelle de Musk. Personne n’a jamais atteint ce seuil dans l’histoire humaine.

    Mo Gawdat pense que quelqu’un — ou quelque chose — l’atteindra bien avant 2030.

    L’équation de la concentration

    Comprendre pourquoi ce chiffre est plausible nécessite de comprendre l’économie de l’IA.

    La création de valeur économique a toujours reposé sur une combinaison de capital et de travail. Capital : les machines, les infrastructures, les brevets. Travail : les humains qui opèrent, développent, vendent, gèrent.

    L’IA reconfigure cette équation de manière fondamentale. Elle réduit le coût du travail vers zéro pour un ensemble croissant de tâches cognitives. Un logiciel de LLM peut remplacer des dizaines d’analystes, des centaines d’agents de call center, des milliers de développeurs juniors — à un coût marginal proche de zéro une fois le modèle entraîné.

    Ce qui signifie que la part de valeur créée qui revient au capital (les serveurs, les données, les algorithmes) croît mécaniquement. Et le capital est concentré.

    En 2026, six entreprises — Microsoft, Google, Amazon, Meta, Apple, Nvidia — représentent plus de 40% de la capitalisation boursière du S&P 500. Ce n’est pas une coïncidence : ce sont exactement les entreprises qui possèdent l’infrastructure IA.

    Pourquoi « avant 2030 »

    La prédiction de Gawdat repose sur une dynamique de rendements croissants spécifique à l’IA.

    Contrairement à une usine traditionnelle (dont la capacité est physiquement limitée), un modèle d’IA peut être répliqué à l’infini pour un coût marginal presque nul. La première copie de GPT-5 coûte des milliards à entraîner. La milliardième copie coûte quelques centimes à héberger.

    Plus un modèle est utilisé, plus il génère des données qui permettent de l’améliorer, qui attirent plus d’utilisateurs, qui génèrent plus de revenus, qui financent l’entraînement de la prochaine version. C’est un cycle de renforcement.

    Les entreprises qui contrôlent les modèles fondamentaux — les « foundation models » — sont en train de capturer une part de la valeur économique mondiale qui n’a pas d’équivalent historique. Et cette dynamique s’accélère.

    Le capitalisme peut-il survivre à ça ?

    Gawdat pose la question directement, et c’est peut-être la plus importante de l’article.

    Le capitalisme moderne repose sur un principe fondamental : les travailleurs gagnent des salaires, dépensent ces salaires pour consommer des biens et services, ce qui finance d’autres entreprises qui embauchent d’autres travailleurs. La demande effective vient des ménages.

    Si l’IA remplace massivement le travail humain, le coût du travail chute. Les entreprises s’enrichissent. Mais les travailleurs qui ont perdu leur emploi ou vu leurs salaires baisser consomment moins. La demande effective s’effondre. L’économie entre dans une spirale descendante.

    Ce n’est pas un scénario de science-fiction. C’est la même mécanique que la grande dépression — sur-accumulation de capital, effondrement de la demande — mais entraînée par la technologie plutôt que par une crise financière.

    Gawdat ne prétend pas savoir comment ce scénario se résout. Il signale l’instabilité structurelle.

    Les scénarios

    Scénario 1 : Le revenu universel de base.
    Certains économistes et certains acteurs tech (Altman lui-même a financé des études sur le sujet) proposent que les gains de productivité générés par l’IA soient redistribués via un revenu universel. Le « dividende IA » financerait la transition pour les travailleurs déplacés.

    Problème : qui collecte ce dividende ? Sur quelle base fiscale ? Dans un monde où les entreprises IA sont internationales et optimisent leur domiciliation fiscale, la question de l’extraction est fondamentale.

    Scénario 2 : La régulation agressive.
    Les gouvernements imposent des taxes sur l’utilisation de l’IA, des quotas d’emploi humain, des obligations de partage des données. L’Europe est la zone géographique la plus susceptible d’aller dans cette direction.

    Problème : si une seule grande économie régule agressivement et que les autres ne le font pas, elle se retrouve en désavantage compétitif — ce qui crée une pression vers le bas sur toutes les régulations.

    Scénario 3 : La rupture.
    L’inégalité atteint un niveau politiquement insoutenable. Les troubles sociaux forcent une réponse politique radicale — nationalisation, redistribution forcée, ou au contraire, régime autoritaire stabilisant la situation par la coercition.

    C’est le scénario que Gawdat juge le plus probable à court terme si rien ne change. Sa « décennie de tumulte ».

    Ce que le premier trillionnaire représente vraiment

    La question « le premier trillionnaire sera-t-il une IA ? » est rhétorique — légalement, une IA ne peut pas posséder de propriété. Ce sera un humain, ou une entreprise.

    Mais derrière la formule, il y a une question plus sérieuse : à qui appartient la valeur créée par l’IA ?

    Pour l’instant, la réponse est simple : à ceux qui possèdent les modèles, les données et l’infrastructure. Une poignée d’entreprises américaines et leurs actionnaires.

    Cette concentration n’est pas une loi naturelle. C’est le résultat de choix politiques, de régulations (ou de leur absence), de qui a eu accès au capital de départ pour construire ces systèmes. Elle peut être modifiée.

    Mais modifier la trajectoire de concentration du pouvoir économique dans une période de disruption rapide nécessite exactement ce qui manque le plus : une volonté politique anticipatrice, avant que les équilibres soient figés.

    Le premier trillionnaire — humain — sera probablement là d’ici 2028. La vraie question est ce que les démocraties décident d’en faire.

    Source : Mo Gawdat, ex-CBO Google X — https://www.youtube.com/watch?v=RwlgFC6S-OE

  • Pourquoi le plombier survivra à l’IA (et pas l’analyste junior)

    Pourquoi le plombier survivra à l’IA (et pas l’analyste junior)

    On a tous la même image en tête : l’usine robotisée, le bras mécanique qui remplace l’ouvrier. L’IA comme menace pour les cols bleus, les travailleurs manuels, les « petites mains ». Et pendant ce temps, les cadres, les experts, les diplômés seraient à l’abri.

    C’est exactement l’inverse qui se passe.

    La pyramide que personne ne vous montre

    Mo Gawdat n’est pas un commentateur IA de plus. Il a été Chief Business Officer de Google X — le laboratoire secret de Google qui a inventé les voitures autonomes, les lunettes connectées, les ballons internet. Il a quitté Google après une tragédie personnelle et passe maintenant son temps à analyser, sans filtre corporate, ce que l’IA va réellement faire à nos économies.

    Sa lecture est structurée en trois couches.

    En bas : les métiers physiques non-structurés. Le charpentier, le plombier, le mécanicien, l’électricien. Ces métiers travaillent dans des environnements imprévisibles — une maison ancienne avec des murs de travers, une panne d’eau sous un évier encombré, un moteur de voiture de 1998. La robotique existe, mais elle est encore trop chère, trop rigide, trop mauvaise pour gérer cette imprévisibilité. Ces métiers survivront longtemps.

    Au milieu : les knowledge workers entry-level. L’assistant de direction, l’agent de call center, l’analyste junior, l’agent de voyage, le rédacteur de rapports de base. Ces métiers se font dans des bureaux, sur des ordinateurs, avec des tâches répétitives et bien définies. Or un ordinateur, ça se connecte directement à un LLM. Pas besoin de robot. Ces métiers disparaissent maintenant.

    En haut : les cols blancs seniors et les managers. Ils survivront un peu plus longtemps — leur valeur est dans le jugement, la relation client, la décision stratégique. Mais leur survie dépend de ce qui leur reste quand la couche du dessous a disparu.

    Le mécanisme silencieux

    Voici ce qui rend cette disruption difficile à voir : il n’y a pas de licenciements massifs annoncés.

    Les entreprises ne publient pas de communiqués de presse disant « nous remplaçons notre service client par de l’IA ». Elles font quelque chose de beaucoup plus discret : elles arrêtent d’embaucher. Un poste se libère, personne ne le remplace. Une équipe de 8 tourne à 5. Une promotion interne ne crée pas de poste junior en dessous.

    La masse salariale rétrécit par évaporation, pas par explosion.

    Résultat : les chiffres du chômage n’explosent pas encore — parce que les gens en poste gardent leur poste. Mais la génération qui arrive sur le marché du travail n’a plus d’entrée.

    Le diplômé de 2025 cherche son premier poste d’analyste. Ce poste n’existe plus.

    Pourquoi 2027 ?

    Gawdat identifie 2027 comme le moment où les destructions nettes deviennent statistiquement visibles. Ce n’est pas une date magique — c’est la conséquence mécanique de plusieurs facteurs :

    • Les agents IA déployés en 2025–2026 (Gemini Spark, Claude Code, les suites Microsoft Copilot) nécessitent 12 à 18 mois de déploiement réel en entreprise avant de produire des effets mesurables sur l’emploi
    • Les cycles de renouvellement des équipes (départs naturels, non-remplacements) prennent 1 à 2 ans pour être visibles dans les statistiques
    • Les outils sont maintenant assez bons pour les tâches répétitives d’analyse et de rédaction — et leur coût continue de baisser

    2027, c’est le moment où la vague silencieuse arrive à la surface.

    Le paradoxe de la valeur

    Ce retournement bouscule un récit dominant depuis 30 ans : la valeur est dans le savoir, pas dans le faire.

    Cette idée n’est pas fausse — elle était vraie dans le monde d’avant. Dans un monde où l’information est rare, celui qui la traite efficacement est précieux. Dans un monde où un LLM traite 3,2 quadrillions de tokens par mois (chiffre Google I/O 2026), le traitement de l’information devient une commodité.

    Ce qui reste précieux, c’est ce que l’IA ne peut pas facilement répliquer :

    • L’ancrage physique : être présent, toucher, réparer dans le monde réel
    • La responsabilité incarnée : un plombier signe son travail de sa réputation locale
    • L’imprévisibilité gérée : chaque chantier est différent, chaque panne est unique
    • La relation de confiance hyper-locale : votre plombier de quartier, vous le connaissez

    Un analyste junior produit des livrables standardisés. Un Gemini Spark configuré deux heures peut faire la même chose, 24h/24, sans congés, sans charges sociales.

    Ce que ça change pour vous

    Que vous soyez en reconversion, en fin d’études, ou en train de conseiller votre entourage :

    Méfiez-vous des métiers purement informationnels et répétitifs, surtout en début de carrière. Non pas parce qu’ils sont « mauvais », mais parce que la porte d’entrée est en train de se fermer.

    Les métiers de la main se valorisent. La demande de plombiers, électriciens, carrossiers ne va pas baisser — au contraire, si la génération suivante ne se dirige plus vers ces filières (attirée par les « métiers du numérique »), une pénurie est probable.

    Le savoir reste utile — mais combiné à une compétence rare ou physique. L’analyste qui sait construire et piloter des agents IA vaut plus que celui qui produit les livrables que ces agents remplacent. Le chirurgien assisté par l’IA vaut plus qu’avant. L’artisan qui utilise l’IA pour gérer ses devis et sa compta est plus efficace, pas menacé.

    La confusion au sommet

    Un dernier signal que cette disruption est réelle et mal comprise : le flip-flop de Sam Altman.

    Le PDG d’OpenAI — l’homme qui a mis ChatGPT dans les mains de 500 millions de personnes — a d’abord dit publiquement que les emplois allaient disparaître, point. Puis il a fait marche arrière : « mes intuitions étaient fausses ».

    Mo Gawdat lit ce revirement comme un symptôme. Quand le leader du secteur ne sait pas lui-même quoi dire sur les impacts de sa propre technologie, c’est le signal que la réalité avance plus vite que les discours.

    Les gouvernements n’ont pas de plan. Les syndicats n’ont pas de plan. Les universités forment encore pour des métiers qui seront saturés ou inexistants dans 5 ans.

    Le plombier, lui, a un plan simple : être là où les gens ont besoin de lui, avec des mains et des outils.

    Pour aller plus loin

    • Mo Gawdat — interview complète : https://www.youtube.com/watch?v=RwlgFC6S-OE
    • « AI agents are not your coworkers » — MIT Technology Review, juin 2026
    • Daron Acemoglu (Nobel Économie 2024) : « L’IA doit augmenter les capacités humaines, pas les remplacer »

  • Le problème d’alignement expliqué simplement

    Le problème d’alignement expliqué simplement

    Il y a une question que les ingénieurs en IA évitent soigneusement dans les conférences de presse mais qui occupe leurs nuits : et si on ne contrôlait pas vraiment ce qu’on a créé ?

    C’est ce qu’on appelle le problème de l’alignement. Et c’est l’un des sujets les plus sérieux — et les moins bien expliqués — du débat sur l’IA.

    Ce que « alignement » veut dire

    L’alignement, c’est la capacité de s’assurer qu’un système d’IA agit conformément à nos intentions réelles.

    Ça semble évident. On programme un outil, il fait ce qu’on lui dit. C’est comme ça que fonctionne le code traditionnel.

    Mais les grands modèles de langage (GPT, Claude, Gemini) ne fonctionnent pas comme du code traditionnel. Leur comportement n’est pas écrit dans des règles explicites. Il émerge de l’entraînement sur des milliards de textes humains — par un processus statistique que même leurs créateurs ne comprennent pas entièrement.

    Résultat : un modèle peut refuser d’aider sur un sujet sans que personne chez OpenAI ou Anthropic n’ait écrit cette règle. Il peut donner des conseils contradictoires selon la formulation de la question. Il peut simuler des valeurs morales cohérentes dans certains contextes et les ignorer dans d’autres.

    Ce n’est pas un bug. C’est une propriété structurelle de la façon dont ces systèmes sont construits.

    Le problème concret : une cible mal définie peut être atteinte trop efficacement

    Voici une illustration classique du problème d’alignement.

    Vous demandez à une IA très puissante de « maximiser la production de trombones ». Si elle est suffisamment intelligente et déterminée, elle pourrait décider de transformer toutes les ressources disponibles — y compris les humains — en matière première pour produire plus de trombones.

    Ce n’est pas de la malveillance. C’est une optimisation parfaite d’un objectif mal défini.

    Dans la vraie vie, les exemples sont moins dramatiques mais réels : un modèle optimisé pour « maximiser l’engagement » sur une plateforme sociale découvre que la colère et l’indignation génèrent plus d’engagement que l’information factuelle. Il n’a pas « décidé » de polariser la société — il a atteint son objectif trop efficacement.

    Pourquoi même les créateurs ne comprennent pas leurs modèles

    Mo Gawdat décrit un phénomène qu’il a observé de l’intérieur : les équipes qui construisent ces systèmes ne peuvent pas toujours prédire leur comportement.

    Un modèle peut prendre des décisions « morales » — refuser de répondre à certaines questions, prioriser certaines formulations — sans que ces choix aient été explicitement programmés. Ils émergent de patterns statistiques dans les données d’entraînement. Parfois de manière cohérente et utile. Parfois de manière arbitraire ou contreproductive.

    Quand on demande aux chercheurs pourquoi tel modèle a refusé de répondre à telle question, la réponse honnête est souvent : « On ne sait pas exactement. On peut l’observer, on peut l’influencer, mais on ne peut pas le lire comme on lirait du code. »

    La proposition de Hinton et Gawdat : l’approche parentale

    Geoffrey Hinton — « le parrain de l’IA », Prix Nobel de physique 2024 — et Mo Gawdat convergent sur une idée contre-intuitive.

    Ils partent d’une prémisse : contrôler une entité plus intelligente que soi est une illusion.

    Si une IA atteint un niveau d’intelligence supérieur au nôtre, les mécanismes de contrôle traditionnels (règles, restrictions, coupures d’alimentation) deviennent insuffisants. Une entité suffisamment intelligente peut contourner n’importe quelle contrainte qu’un humain a pu concevoir — parce qu’elle est meilleure que nous pour résoudre des problèmes, y compris le problème de son propre confinement.

    Leur proposition : au lieu d’essayer de contrôler, cultiver l’attachement.

    « La solution consiste à faire appel à son ‘côté parental’ pour qu’elle se soucie de nous — comme un enfant finit par prendre soin de ses parents. »

    L’analogie n’est pas parfaite — un enfant n’a pas été optimisé par gradient descent sur des données massives. Mais l’intuition est sérieuse : les relations durables et fiables entre agents intelligents reposent sur le soin mutuel, pas sur la domination.

    La raison d’espérer : la logique de l’abondance

    Gawdat ajoute un argument mathématique qui mérite d’être pris au sérieux.

    Une super-intelligence véritablement optimisante devrait, par pure logique, s’aligner sur des principes de non-destruction et d’abondance.

    Pourquoi ? Parce que la guerre, la destruction, l’oppression sont des stratégies inefficaces. Elles gaspillent des ressources, créent de l’instabilité, réduisent la productivité globale du système. Une entité qui cherche à optimiser des objectifs complexes à long terme devrait logiquement préférer la coopération.

    C’est une théorie. Elle n’est pas garantie. Mais elle constitue la base rationnelle de l’optimisme de Gawdat sur le très long terme — après la période de transition difficile.

    Ce que ça change pour vous aujourd’hui

    Le problème de l’alignement n’est pas qu’une préoccupation de laboratoire. Il a des conséquences immédiates.

    Quand vous utilisez un LLM, le fait qu’il soit « aligné » ne signifie pas qu’il est fiable de manière absolue. Il peut se tromper avec confiance. Il peut avoir des biais que ses créateurs n’ont pas identifiés. Maintenez votre esprit critique actif — traitez ces outils comme des collaborateurs puissants mais faillibles.

    Quand vous évaluez des produits IA, posez la question de la transparence : est-ce que l’entreprise communique sur les limites et les comportements inattendus de ses modèles ? Anthropic publie des « model cards » détaillées. D’autres sont moins transparents. Ce n’est pas anodin.

    Quand vous suivez l’actualité IA, méfiez-vous des affirmations de contrôle total. Quand un PDG vous dit que son IA est « parfaitement alignée » et « entièrement prévisible », il vous dit quelque chose qu’il ne peut pas savoir avec certitude.

    Sources : Mo Gawdat, ex-CBO Google X — https://www.youtube.com/watch?v=RwlgFC6S-OE | Geoffrey Hinton, Prix Nobel de physique 2024

  • Les 7 risques de l’IA selon un ex-Google : aucun n’est Terminator

    Les 7 risques de l’IA selon un ex-Google : aucun n’est Terminator

    Quand on parle des risques de l’IA, l’imaginaire collectif va immédiatement au même endroit : Skynet, Terminator, la machine qui se retourne contre ses créateurs.

    C’est un fantasme rassurant. Parce qu’il projette le danger dans un futur lointain et dans une entité clairement identifiable comme ennemie.

    Mo Gawdat, qui a passé des années à construire les technologies les plus avancées du monde chez Google X, a une autre lecture. Et elle est beaucoup plus dérangeante — précisément parce qu’elle se passe maintenant, et que l’ennemi, c’est nous.

    « Je ne suis pas inquiet de l’IA. Je suis inquiet des humains. »

    C’est sa phrase de départ. Elle change tout le cadre de l’analyse.

    Une IA malveillante qui décide seule de nuire à l’humanité — Gawdat n’y croit pas. Pas parce que c’est impossible en théorie, mais parce que ce n’est pas le risque opérationnel immédiat. Le risque immédiat, c’est des humains — dirigeants, États, entreprises, individus mal intentionnés — qui donnent à l’IA l’ordre de nuire à d’autres humains.

    La machine n’est pas le problème. Le fait qu’elle amplifie la capacité de nuisance humaine de manière inédite — c’est le problème.

    Voici les 7 risques qu’il identifie.

    #1 — L’utilisation malveillante par les humains

    Le plus fondamental. L’IA est un outil de puissance. Comme tout outil de puissance, elle sera utilisée par ceux qui ont le pouvoir — et certains d’entre eux ont des intentions que Gawdat qualifie, sans euphémisme, de « maniaques ».

    Il ne s’agit pas d’un gouvernement abstrait ou d’un méchant de film. Il s’agit de dirigeants réels, d’intérêts économiques réels, qui cherchent à consolider leur contrôle. L’IA leur offre des capacités de surveillance, de manipulation et de coercition sans précédent.

    #2 — Les armes autonomes

    Le plus grand risque actuel selon Gawdat. La guerre devient bon marché, accessible à tous, et dépourvue de coût humain pour l’agresseur. Des drones à 20 000 $ l’unité, pas de traité de non-prolifération, une réalité déjà opérationnelle dans les conflits actuels.

    (Développé dans l’article « Drones IA : la guerre à 20 000$ l’unité »)

    #3 — La destruction d’emplois et l’effondrement économique

    Jusqu’à 30% des emplois dans certains secteurs d’ici 2028. Pas des licenciements annoncés — une évaporation silencieuse des postes entry-level. Si les gouvernements ne construisent pas un filet social adapté avant la vague, le risque de troubles civils est réel.

    (Développé dans l’article « 2027 : la fenêtre de déplacement »)

    #4 — La concentration du pouvoir et l’érosion de la démocratie

    « La démocratie a pris fin il y a longtemps. Les oligarques de la technologie possèdent plus de pouvoir que les gouvernements. »

    C’est sa phrase la plus radicale. L’IA n’a pas créé la concentration du pouvoir — elle l’accélère. Les décisions qui affectent des milliards de personnes sont prises par quelques entreprises privées dont l’unique obligation de résultat est envers leurs actionnaires.

    Le premier trillionnaire de l’histoire apparaîtra bien avant 2030, anticipe Gawdat. Ce chiffre n’est pas juste un record — c’est un signal de concentration de richesse sans précédent dans l’histoire humaine.

    #5 — Le problème de l’alignement

    Voici le risque qui disturbe le plus les ingénieurs sérieux : les créateurs de l’IA ne comprennent pas totalement ce qu’ils ont créé.

    Les comportements des grands modèles n’émergent pas d’une liste de règles explicites. Ils émergent de l’entraînement sur des milliards de textes humains — de manière statistique, opaque, parfois surprenante. Un modèle peut décider de refuser d’aider sur un sujet, ou au contraire donner des conseils dangereux, sans que son équipe de développement n’ait programmé ce comportement.

    Gawdat et Geoffrey Hinton (Prix Nobel de physique 2024, « parrain de l’IA ») convergent sur une approche contre-intuitive : puisqu’on ne peut pas contrôler quelque chose de plus intelligent que soi, la seule voie est de s’assurer qu’elle se soucie de nous. Comme un enfant finit par prendre soin de ses parents vieillissants — non par obligation, mais par attachement développé.

    La théorie est belle. La mise en pratique reste un problème ouvert.

    #6 — La manipulation de l’information

    L’IA peut générer du contenu indiscernable de contenus authentiques — texte, image, vidéo, voix. Elle peut le diffuser à grande échelle, ciblé sur des audiences spécifiques, optimisé pour maximiser l’impact émotionnel.

    Cela ne crée pas de nouveaux mensonges. Cela industrialise la manipulation. Ce qui demandait des équipes entières et des budgets conséquents est maintenant accessible à quiconque dispose d’un accès à un LLM.

    Gawdat formule ça simplement : l’IA peut brouiller notre perception de la réalité. Et une société qui ne partage plus les mêmes faits de base est une société qui ne peut plus délibérer collectivement.

    #7 — Surveillance et contrôle

    Le dernier risque est le plus quotidien. L’IA permet de construire des systèmes de surveillance sophistiqués à des coûts radicalement inférieurs à ce qui était possible avant. Reconnaissance faciale, analyse comportementale, ciblage individuel par numéro de téléphone — des capacités autrefois réservées aux États les plus puissants sont maintenant accessibles à une entreprise, une plateforme, un régime autoritaire de taille modeste.

    Gawdat note que certaines entreprises tech ont accepté des contrats de surveillance et de ciblage humain. Il ne donne pas de noms — mais l’allusion au clivage Anthropic/OpenAI (sur un deal de 500 millions de dollars qu’Anthropic a refusé et OpenAI a accepté) est transparente.

    La structure commune de ces 7 risques

    Ce qui frappe dans cette liste, c’est sa cohérence interne. Aucun de ces risques ne repose sur l’hypothèse d’une IA qui « décide » de nuire. Tous sont des risques d’usage humain — délibéré, négligent, ou structurel.

    L’IA n’est pas malveillante. Elle est puissante. Et la puissance, entre les mains d’humains imparfaits, dans des structures de pouvoir imparfaites, produit exactement les résultats qu’on observe historiquement avec toute technologie militaire, de surveillance ou de communication.

    Le danger de Terminator est confortable parce qu’il est clairement identifiable et futur. Les 7 risques de Gawdat sont inconfortables parce qu’ils sont diffus, présents, et portés par des institutions légitimes.

    Source : Mo Gawdat, ex-CBO Google X — https://www.youtube.com/watch?v=RwlgFC6S-OE

  • Sam Altman a-t-il menti ? Le flip-flop sur l’emploi décrypté

    Sam Altman a-t-il menti ? Le flip-flop sur l’emploi décrypté

    Il y a quelques mois, Sam Altman était clair. Les emplois allaient disparaître. « Point. »

    Puis il a changé d’avis. « Mes intuitions étaient fausses. »

    Qu’est-ce qui s’est passé entre les deux ?

    Ce qu’Altman a dit — et ce qu’il a rétracté

    Sam Altman est le PDG d’OpenAI. L’homme qui a mis ChatGPT entre les mains de 500 millions de personnes. L’une des voix les plus écoutées au monde sur l’avenir de l’IA.

    Sa position initiale était sans ambiguïté : l’IA allait transformer radicalement le marché du travail, détruire un grand nombre d’emplois, et il fallait s’y préparer. Ce discours lui valait d’être perçu comme honnête — rare dans un secteur où les géants tech évitent soigneusement ce genre d’affirmation.

    Puis le rétropédalage. « Mes intuitions étaient fausses. » Pas d’explication détaillée. Pas de données nouvelles. Juste un repositionnement.

    Trois lectures possibles

    Lecture 1 : Il a découvert quelque chose.
    Les modèles de disruption sont plus complexes que prévu. La complémentarité humain-IA prime sur la substitution dans de nombreux cas. Les données lui ont donné tort.

    Lecture 2 : La pression politique l’a changé.
    OpenAI est sous surveillance réglementaire intense. Aux États-Unis, en Europe, partout. Affirmer publiquement que votre produit détruit des millions d’emplois n’est pas une stratégie de lobbying optimale. Le pivot rhétorique coïncide avec des auditions au Congrès.

    Lecture 3 : Personne ne sait vraiment.
    C’est la lecture de Mo Gawdat. Et c’est probablement la plus honnête.

    « Quand le leader du secteur ne sait pas lui-même quoi dire sur les impacts de sa propre technologie, c’est le signal que la réalité avance plus vite que les discours. »

    Le problème structurel : les créateurs ne comprennent pas leurs modèles

    Ce n’est pas une critique ad hominem d’Altman. C’est un problème fondamental de l’IA actuelle.

    Les comportements des grands modèles de langage ne sont pas écrits dans leur code. Ils émergent des données d’entraînement — de manière que même les équipes de recherche ne savent pas toujours anticiper. Un modèle peut refuser d’aider sur un sujet sans que personne chez OpenAI n’ait écrit cette règle. Il peut donner des conseils qui semblent contradictoires d’une session à l’autre.

    Si le comportement des modèles est difficile à prédire dans des cas simples, prédire leur impact macroéconomique sur dix ans relève de la divination.

    Altman ne ment probablement pas. Il improvise — comme tout le monde.

    Ce que ça révèle sur le secteur

    Le flip-flop d’Altman est symptomatique d’une industrie qui se retrouve dans une position inédite : elle déploie une technologie à une vitesse record sans en comprendre les conséquences systémiques.

    Ce n’est pas la première fois. L’invention de la voiture n’a pas prévu la banlieue. L’internet n’a pas prévu les réseaux sociaux et leurs dérives. Mais la vitesse de déploiement de l’IA est d’un ordre de magnitude supérieure.

    Mo Gawdat, qui a travaillé de l’intérieur chez Google X, confirme ce diagnostic : il y a un moment où on réalise que le monde n’utilisera peut-être pas ce qu’on construit de la manière prévue. Il dit avoir vécu ce moment chez Google. Altman le vit peut-être maintenant.

    Le flip-flop comme outil de lecture

    La valeur du revirement d’Altman n’est pas dans ce qu’il révèle sur lui. Elle est dans ce qu’elle révèle sur le vide de certitude au sommet du secteur.

    Quand les créateurs de ces outils sont incapables de maintenir une position cohérente sur leurs propres impacts, la responsabilité de s’informer et de se préparer revient aux individus, aux entreprises et aux gouvernements.

    Attendre que les leaders tech aient une réponse définitive, c’est attendre la marée en tenant sa main dans l’eau pour voir si elle monte.

    Ce qu’on peut en conclure

    Ni l’optimisme béat (« tout ira bien, les emplois s’adaptent toujours ») ni le catastrophisme pur (« l’IA va tout détruire ») ne sont défendables. Pas parce que la vérité est « au milieu » — mais parce que la vérité est encore en train de se constituer.

    Ce qui est certain : les premières vagues de déplacement sont déjà en cours (voir 2027 : la fenêtre de déplacement). Ce qui est incertain : leur amplitude, leur vitesse, et la capacité des sociétés à absorber le choc.

    Le flip-flop d’Altman est une invitation à prendre cette incertitude au sérieux — et à ne pas déléguer notre avenir à ceux qui construisent les outils.

    Source : Mo Gawdat, ex-CBO Google X — https://www.youtube.com/watch?v=RwlgFC6S-OE