Google cartographie les écarts mondiaux d’usage de l’IA

Google publie de nouvelles données issues d’AI & Economy ATLAS, son projet de recherche sur l’usage de l’intelligence artificielle dans l’économie mondiale. Une expérience interactive en accès ouvert permet désormais d’explorer des millions de données. Les utilisateurs peuvent comparer les métiers, les usages domestiques et les taux d’adoption par pays. Les résultats montrent des écarts marqués entre régions. En Inde, les métiers des arts, du design et des médias représentent 19 % des usages professionnels de l’IA. Cette proportion atteint 1,6 fois la moyenne mondiale. Aux États-Unis, les métiers de l’informatique et des mathématiques représentent 30 % des usages professionnels. Cette part est deux fois supérieure à celle observée ailleurs dans le monde.

Les métiers divergent selon le niveau de développement économique. Dans les pays de l’OCDE, l’informatique, les mathématiques, les activités commerciales et les opérations financières figurent parmi les métiers utilisant le plus l’IA. Dans les pays hors OCDE, les fonctions administratives, les arts, le design, le divertissement, le sport, les médias, l’enseignement et les bibliothèques arrivent en tête. L’adoption est généralement liée au niveau de revenu national. Le Brésil et les Émirats arabes unis affichent toutefois des taux supérieurs à ce que leur produit intérieur brut par habitant laisserait prévoir. Ces résultats décrivent des profils d’usage différents selon les économies et les professions.

Google ouvre les données ATLAS

Les tâches manuelles présentent également des écarts géographiques. Le diagnostic d’équipements et le dépannage en temps réel représentent 7 % des usages professionnels de l’IA au Brésil et en Allemagne. Cette proportion est 1,4 fois supérieure à la moyenne mondiale. Au Japon, ces tâches comptent pour 4 % des usages. L’expérience interactive de Google ATLAS permet d’examiner ces différences par métier et par pays. Google indique que les données couvrent notamment des professions comme les électriciens et les responsables des achats. L’outil doit faciliter l’exploration des usages professionnels et domestiques, ainsi que la comparaison des taux d’adoption nationaux.

Les scientifiques avancent aussi dans l’usage quotidien de l’IA. Une étude menée par Google, Google DeepMind et MIT FutureTech analyse 2 600 modèles spécialisés et les réponses de plus de 600 scientifiques américains et britanniques. Près de la moitié des scientifiques interrogés utilisent chaque jour une forme d’IA. Les grands modèles de langage, comme Gemini, sont utilisés dans de nombreux domaines scientifiques et pour plusieurs catégories de tâches. Les modèles spécialisés sont relativement plus présents dans les sciences de la santé et de la vie. Ils servent aussi davantage à la prédiction, à la génération et à la simulation de données propres à un domaine.

Le temps gagné par les scientifiques atteint un peu moins de sept heures par semaine selon leurs déclarations. Cette économie libère du temps pour la recherche, mais elle ne se traduit pas automatiquement par de nouvelles découvertes. L’étude relève un temps important consacré à la validation des résultats produits par l’IA. Elle observe aussi une hausse du nombre d’hypothèses restant à tester. Des goulots d’étranglement apparaissent dans l’expérimentation physique et la validation clinique. Google, Google DeepMind et MIT FutureTech présentent ces résultats dans leur étude sur l’IA en science. Google prévoit de poursuivre les recherches ATLAS avec des partenaires universitaires et d’autres acteurs.

Les scientifiques valident davantage

Les processus scientifiques doivent donc intégrer les gains de temps et les étapes de vérification. L’étude publiée avec MIT FutureTech indique que les grands modèles de langage et les modèles spécialisés sont utilisés de manière complémentaire. Les premiers couvrent largement les domaines et les tâches. Les seconds se concentrent davantage sur certains usages scientifiques et certaines données. Cette combinaison accélère certaines activités, tout en laissant subsister des contraintes liées aux tests physiques et à la validation clinique. La taxonomie développée par MIT FutureTech sert à cartographier les activités scientifiques étudiées. Les résultats détaillés sont également présentés par MIT FutureTech.