Les progrès de la technologie posent d’énormes défis pour les emplois. Les niveaux de productivité n’ont jamais été plus élevés aux États-Unis, par exemple, mais le revenu des 50% inférieurs des salariés s’est stagné depuis 1999 (voir «Changements d’emploi»). La plupart des gains monétaires sont allés à un petit groupe au sommet. La technologie n’est pas la seule raison, mais c’est probablement la plus importante.
Un rapport publié le 13 avril par les National Academies of Sciences, Engineering et Medicine des États-Unis décrit les impacts des technologies de l’information sur la main-d’œuvre1. Nous avons coprésidé le comité de rapport et nous avons beaucoup appris dans le processus – y compris, au cours des 10 à 20 prochaines années, la technologie affectera presque toutes les professions. Par exemple, les véhicules autonomes pourraient réduire le besoin de conducteurs de taxis et de camions long-courriers, et l’éducation en ligne pourrait enrichir les options de recyclage des travailleurs déplacés.
Plus important encore, nous avons appris que les décideurs volent aveugles dans ce qu’on a appelé la quatrième révolution industrielle ou le deuxième âge de la machine. Il existe un manque remarquable de données disponibles sur les questions fondamentales, telles que: quelle est la portée et le taux de changement des technologies clés, en particulier l’intelligence artificielle (AI)? Quelles technologies éliminent, augmentent ou transforment déjà les types d’emplois? Quelles nouvelles opportunités de travail émergent et quelles options politiques peuvent créer des emplois dans ce contexte?
Au mieux, cette pénurie d’informations entraînera des occasions manquées. Au pire, cela pourrait être désastreux. Si nous voulons comprendre, nous préparer et guider les impacts imprévisibles de l’avancement de la technologie, nous devons réinventer radicalement notre capacité à observer et suivre ces changements et leurs moteurs.
Heureusement, plusieurs des composants d’une infrastructure de données adaptée sont déjà en place. Les connaissances numériques sur l’économie prolifèrent et ont une précision, des détails et une actualité sans précédent. Le secteur privé adopte de plus en plus différentes approches pour générer des données et les utiliser dans la prise de décision, telles que les tests A / B pour comparer les alternatives. Et les technologies qui protègent la vie privée tout en permettant la publication de résumés statistiques de grandes quantités de données sont de plus en plus disponibles.
Nous appelons à la création d’une stratégie d’information intégrée pour combiner les données publiques et privées. Cela fournirait aux décideurs et au public des moyens de négocier les impacts évolutifs et imprévisibles de la technologie sur le marché du travail. En s’appuyant sur cela, nous appelons les décideurs politiques à adopter une démarche «sens et réponse» fondée sur des preuves, telle que lancée par le secteur privé.
Ce sont de grands changements, mais les enjeux pour les travailleurs et l’économie sont élevés.
GAPS DE DONNÉES
Une grande partie des données nécessaires pour localiser, comprendre et s’adapter aux défis de la main-d’œuvre ne sont pas recueillies de manière systématique, voire pire, n’existent pas. L’ironie de notre ère de l’information est que, malgré le flot de données en ligne, les décideurs manquent trop souvent d’informations pertinentes et opportunes.
Par exemple, bien que les technologies numériques sous-tendent de nombreux services aux consommateurs, les sources de données standard du gouvernement des États-Unis – telles que l’Enquête sur la population actuelle menée par le Bureau of Labor Statistics – ne captent pas précisément la montée de la main-d’œuvre conditionnelle ou temporaire parce qu’ils ne demandent pas Bonnes questions. Les chercheurs et les économistes du secteur privé ont essayé de résoudre ce problème en commandant leurs propres enquêtes2, mais ceux-ci n’ont pas l’ampleur, la portée et la crédibilité des enquêtes gouvernementales. Les données administratives du gouvernement, telles que les formulaires d’impôt, fournissent une autre source de données potentiellement utiles, mais celles-ci doivent être intégrées aux données d’enquête du gouvernement pour fournir un contexte et une validation
De même, les mesures sont insuffisantes pour suivre les progrès dans les technologies et les capacités de l’IA. La loi de Moore (que la performance du microprocesseur double tous les deux ans) capte des progrès dans les semi-conducteurs sous-jacents, mais elle ne couvre pas les améliorations rapides dans des domaines tels que la vision par ordinateur, la parole et la résolution de problèmes. Un indice complet de l’IA fournirait des données objectives sur le rythme et l’ampleur des développements. La cartographie d’un tel indice sur une taxonomie des compétences et des tâches dans diverses professions aiderait les éducateurs à concevoir des programmes pour la main-d’œuvre future. Les groupes non gouvernementaux, tels que l’étude de cent ans sur l’intelligence artificielle à l’Université de Stanford en Californie, prennent des mesures utiles, mais beaucoup plus peut et devrait être fait au niveau fédéral.
Heureusement, nous sommes au milieu d’une explosion de données numériques. À mesure que les entreprises ont compris le pouvoir de l’apprentissage par machine, elles ont commencé à saisir de nouveaux types de données afin d’optimiser leurs processus internes et leurs interactions avec les clients et les fournisseurs. La plupart des grandes entreprises ont adopté des infrastructures de logiciels et de données pour normaliser et, dans de nombreux cas, automatiser les tâches, de la gestion des stocks et des commandes pour traiter les vacances du personnel. Les entreprises d’Internet telles que Amazon et Netflix capturent habituellement des quantités massives de données pour savoir quels produits montrer aux clients à la suite, augmentant les ventes et la satisfaction. Ces leçons sur la collecte de données en temps réel – et les données elles-mêmes – peuvent également être utiles aux gouvernements.
Par exemple, les sites Web pour les demandeurs d’emploi contiennent des données sur des millions de publications, les compétences dont ils ont besoin et les emplois. Les universités ont des informations détaillées sur le nombre d’étudiants qui suivent, les cours, les diplômés et les compétences. Les entreprises de robotique ont des données de clients montrant la demande pour différents types de système de montage automatisé. Les entreprises de plate-forme technologique ont des données sur le nombre de travailleurs indépendants qu’elles emploient, les heures qu’elles travaillent et où. Ces types d’informations, si elles sont connectées et rendues accessibles de la manière appropriée, pourraient nous donner une image radicalement meilleure de l’état actuel de l’emploi.
Mais presque aucune donnée de ce genre n’est partagée entre les organisations, et nous ne réussissons donc pas à saisir leur valeur sociétale. Les raisons incluent la réticence des entreprises à divulguer des données susceptibles d’être utilisées par les concurrents. Les problèmes de protection de la vie privée, l’inertie culturelle et la réglementation contre le partage sont d’autres obstacles.
PLUS D’EXPERIMENTATION
L’utilisation des données existantes nécessite un changement de mentalité4. Au cours de la dernière décennie, de nombreuses entreprises ont passé d’une approche «prédire et planifier» à un «sens et répondre», ce qui leur permet de s’adapter rapidement à un environnement en évolution rapide. En collectant en permanence des volumes massifs de données en temps réel sur les clients, les concurrents, les fournisseurs et leurs propres opérations, les entreprises ont appris à développer leurs stratégies, leurs offres de produits et leur rentabilité. Le nombre d’entreprises manufacturières adoptant une approche basée sur les données pour la prise de décision a plus que triplé depuis 2005, reflétant les améliorations qu’elle peut apporter à la rentabilité et à l’efficacité
Les entreprises les plus strictes exécutent des expériences en temps réel pour tester différentes politiques et produits. Par exemple, les entreprises d’Internet exécutent régulièrement des tests A / B: présenter aux clients des interfaces différentes, en mesurant ce qui est le plus efficace, puis en adoptant le plus de succès. Nous avons discuté de cette approche avec Sebastian Thrun, fondateur du fournisseur d’éducation en ligne Udacity. De cette façon, l’entreprise a appris qu’elle pouvait considérablement améliorer la rétention des personnes sur ses cours en obligeant les étudiants à postuler à l’admission avant de commencer le cours. Contrairement à l’intuition, il a également constaté que l’augmentation de ses prix en Chine a triplé la demande globale de ses services.
Les gouvernements peuvent et doivent apprendre les leçons de la prise de décision et de l’expérimentation axées sur les données. Face à des changements rapides et imprévisibles qui ont des conséquences inconnues, ils doivent être en mesure d’observer ces changements en temps réel et de tester rapidement les réponses stratégiques pour déterminer ce qui fonctionne. Par exemple, la meilleure politique de recyclage des travailleurs déplacés pourrait être décidée après avoir trié plusieurs politiques différentes pour les travailleurs dans une région. Les répercussions différentes des politiques sur l’emploi ont pu être observées pendant un an avant d’aller de l’avant avec celui qui produit le plus grand réemploi. Les autorités pourraient continuer à expérimenter pour tenir compte des changements futurs.
Un exemple d’une telle expérience était en fait un accident. En 2008, l’état de l’Oregon utilisait un processus de loterie pour randomiser lequel de ses citoyens recevrait l’accès à l’assurance maladie du gouvernement (Medicaid), après un déficit inattendu dans le financement de l’État, il fallait rationner les fonds. Le processus a fourni des informations précieuses sur les effets causaux du programme sur la santé et le bien-être et a montré que la couverture de Medicaid a entraîné une augmentation du dépistage préventif, comme pour le cholestérol6. Il existe de nombreuses possibilités d’expérimentations plus délibérées dans les programmes gouvernementaux. Parce que beaucoup sont implémentés dans un processus par étapes, une certaine randomisation peut être effectuée à peu ou pas de frais.
RÔLES DU GOUVERNEMENT
Les données numériques ne devraient pas être considérées comme un substitut à l’information recueillie de manière plus conventionnelle par le gouvernement. Cela rend souvent les données gouvernementales plus précieuses, pas moins. En règle générale, la piste de données «échappement numérique» générée comme un sous-produit de la numérisation des processus, des biens et des services d’une organisation ne capture ni ne représente pleinement les phénomènes sous-jacents. Par exemple, selon nos analyses, les programmeurs Java sont bien représentés dans les bases de données de la plate-forme de réseautage d’emplois LinkedIn, mais les camionneurs ne le sont pas. Tout le monde n’a pas de smartphone, et encore moins une application particulière. L’utilisation des outils de paiement numérique, des réseaux sociaux ou des moteurs de recherche varie selon les catégories démographiques et les autres variables d’intérêt.
Bien que des téraoctets et des exabytes de données soient disponibles, ils doivent être étalonnés et validés. La meilleure façon de le faire est souvent le type d’enquête systématique (comme le recensement national) et les données administratives collectées par le gouvernement. Et, comme l’industrie, le gouvernement devrait tirer parti de plus de types de données numériques qui sont collectées comme sous-produit de ses opérations, par exemple, les prélèvements automatiques de péage ou les taxes.
La collecte de données vraiment représentatives exigera parfois la force de la loi pour la conformité et l’anonymat. Il pourrait également exiger de nouveaux modes de partenariat public-privé, y compris des moyens d’inciter à la collecte de données qui sont d’une grande valeur pour la société, mais peu de valeur directe pour l’organisation privée qui est la mieux placée pour les collecter. Cela reflète le fait que l’information, qui peut souvent être partagée à un coût marginal proche de zéro, est le bien public ultime7. Par exemple, les sites de placement ont peu de raisons de publier des statistiques sur les travailleurs licenciés d’un secteur économique qui obtiennent de nouveaux emplois d’un certain type en raison des compétences obtenues à partir d’un programme de recyclage particulier. Cela est vrai même si de telles tendances sont visibles dans leurs données, ne coûtent pas d’argent à partager et sont précieuses pour les nouveaux travailleurs déplacés.
Nous avons parlé aux dirigeants d’organisations privées, y compris les conseillers en ressources humaines, Manpower à Milwaukee, dans le Wisconsin; LinkedIn de Mountain View, Californie; Et la firme d’analyse du marché du travail Burning Glass Technologies à Boston, Massachusetts. Tous ont exprimé une ouverture à ce partage de données.
La Source: http://bit.ly/2oEqkBT
