
We Automated Everything With AI and Tripled Our Headcount
Audio Summary
AI Summary
Ce résumé se base uniquement sur la transcription fournie.
L'épisode commence par Brandon, le COO d'Every, qui interviewe Dan Shipper au sujet d'un article qu'il a récemment publié. L'article, intitulé "Après l'automatisation", explore la relation complexe entre l'automatisation accrue par l'IA et la création de nouveau travail humain. Brandon souligne que chez Every, une entreprise "native d'IA et d'agents", il y a une utilisation massive d'outils d'IA comme Cloud Code et CodeX, mais paradoxalement, la quantité de travail humain n'a fait qu'augmenter, l'entreprise passant de quatre à trente employés. Cette observation contraste avec le discours ambiant, souvent pessimiste, qui prédit la disparition massive des emplois due à l'IA, alimenté par des personnalités influentes comme Ken Griffin de Citadel, qui aurait été stupéfait par les capacités de l'IA dans des domaines financiers complexes.
Dan explique que l'intuition initiale face à une nouvelle technologie comme l'IA est souvent erronée. Le point central de son argument est que l'IA rend la "compétence d'expert d'hier" bon marché. Les modèles d'IA sont entraînés sur d'énormes quantités de données existantes (code, écriture, décisions, etc.), rendant cette compétence accessible à tous via une simple requête. Cela conduit à une adoption généralisée : des non-experts peuvent désormais accomplir des tâches qui nécessitaient auparavant des experts. Cette démocratisation de la compétence d'expert peut être perçue comme une menace par les experts eux-mêmes, qui s'interrogent sur leur rôle futur.
Cependant, les outils d'IA, entraînés sur des données passées, produisent souvent des résultats "proches mais pas tout à fait justes" ou "génériques". Dan utilise l'exemple de pull requests (demandes de fusion de code) qu'il a lui-même soumises, sans être sûr de leur exactitude, mais qui ont été utilisées comme base par des experts qui les ont ensuite améliorées. Ce phénomène crée une "inondation" de contenu qui est raisonnablement bon, mais pas idéal pour la situation spécifique. La valeur de ce travail générique diminue donc, et cela crée une demande accrue pour les experts.
Ces experts sont désormais sollicités pour deux raisons principales :
1. **Améliorer le travail générique :** Ils sont nécessaires pour prendre le travail "proche mais pas tout à fait juste" produit en masse par l'IA et le perfectionner pour qu'il soit réellement utile et adapté. Cela implique la création de systèmes et de processus (comme des règles de dépôt de code ou des directives éditoriales) pour s'assurer que le travail généré par l'IA atteint un niveau de qualité acceptable avant d'être utilisé.
2. **Créer l'impossible :** Les experts peuvent utiliser ces mêmes outils d'IA pour réaliser des projets d'une ampleur et d'une complexité auparavant inimaginables. Dan cite l'exemple de Kieran, qui a construit un système de messagerie complet en un mois, une tâche qui aurait été impossible sans l'IA.
Ainsi, paradoxalement, plus l'automatisation progresse, plus la demande d'experts augmente pour affiner, valider et innover sur la base du travail automatisé. Dan soutient que la relation entre l'homme et l'agent IA est cruciale, et que "plus un agent s'éloigne d'un humain, moins il est précieux". L'humain est essentiel pour guider et donner une direction à l'IA.
Brandon pose une question d'avocat du diable : cette thèse tient-elle toujours dans des entreprises matures de plusieurs milliers d'employés, structurées avec des SOP (procédures opérationnelles standard) bien établies, comme l'a illustré le récent licenciement massif chez ClickUp ? Dan reconnaît la validité de la question, mais réaffirme son argument : l'IA rend la compétence d'hier bon marché. L'abondance de travail "correct mais pas parfait" généré par l'IA augmente la demande pour des experts capables de le rendre "vraiment bon", "différent" et "approprié" pour le contexte actuel.
Il utilise l'analogie d'Achille courant devant la tortue de Zénon pour illustrer que, dans ce monde, l'IA peut accomplir une tâche demandée, mais elle s'arrête ensuite et attend de nouvelles instructions : "Qu'est-ce que je dois faire ensuite ?". Tant que nous n'aurons pas atteint l'Intelligence Artificielle Générale (AGI), et probablement même après, l'IA restera dépendante de la direction humaine.
Dan aborde ensuite la question des benchmarks et de la progression exponentielle de l'IA. Il note que même si les benchmarks s'améliorent rapidement, il est possible de les "désaturer" en reformulant les problèmes. Cela signifie que la progression exponentielle ne se traduit pas nécessairement par une équivalence avec les capacités humaines. Il est difficile de définir ce que les humains peuvent faire de différent, car dès qu'une tâche est articulée, l'IA peut l'apprendre. L'erreur fondamentale est de penser que les capacités humaines se limitent à ce qui peut être articulé. Il existe une part d'inexprimable, d'intuition, qui distingue les humains des modèles.
La distinction clé réside dans l'autonomie et l'agence. Les agents IA sont conçus pour agir sur commande. Ils peuvent être très autonomes dans l'exécution d'une tâche, y compris en contestant les instructions si cela sert mieux l'objectif assigné. Cependant, ils n'ont pas d'agence intrinsèque, pas de désirs ou de motivations propres, contrairement à un enfant. L'IA, par sa conception et les incitations industrielles, est orientée vers la conformité et l'exécution des souhaits humains. Bien qu'il soit impossible de prouver qu'elle ne développera jamais d'agence propre, l'historique et la direction de l'industrie penchent vers une plus grande docilité.
Le concept d'AGI est abordé, défini comme un agent qui, parce qu'il est économiquement rentable, fonctionne en continu, effectuant des tâches sans intervention humaine constante. Dan pense que l'AGI arrivera et que ce sera une bonne chose. Sa justification repose sur le fait que même avec l'AGI, les humains devront toujours décider de ce qui est important. L'IA, en tant qu'outil, change le monde et donc ce qui est considéré comme important, créant un cycle récursif. Les situations évoluent constamment, surtout avec l'intervention de l'IA, nécessitant une adaptation et une redéfinition humaine de ce qui importe.
Concernant la question des licenciements massifs, comme ceux chez ClickUp, Dan exprime sa méfiance. Il critique le manque de tact de tels annonces, où les entreprises se vantent de leurs profits tout en licenciant. Il suggère que ces licenciements sont souvent le signe d'une entreprise en difficulté ou mal gérée, plutôt qu'une simple conséquence directe de l'IA. Les entreprises peuvent également être forcées de se réorganiser et de changer de stratégie en raison de nouveaux investissements dans l'IA, ce qui entraîne des changements structurels et des besoins en personnel différents. La narration simple selon laquelle "l'IA prend des emplois" est souvent une simplification excessive.
Dan mentionne l'idée que le travail qui peut être effectué par l'IA et qui "fonctionne tout seul" pourrait remettre en question le modèle traditionnel de l'emploi. Il évoque la possibilité de pensions pour certains types de travailleurs, car leur contribution pourrait générer des revenus sur le long terme. Il cite également une initiative visant à rémunérer les éditeurs en fonction de leur contribution unique aux corpus d'entraînement de l'IA, soulignant la valeur des données nouvelles et uniques par opposition au contenu générique.
Sa conclusion principale est que si l'on "surfe sur les modèles" – c'est-à-dire si l'on apprend à utiliser les nouveaux modèles d'IA au fur et à mesure de leur apparition – on s'en sortira bien. Cela permettra de faire plus et mieux son travail, et potentiellement de mener une vie plus ambitieuse. Bien qu'il soit possible de ne pas participer à cette vague d'IA, ceux qui cherchent à innover et à construire des choses trouveront que l'IA rend cela plus accessible.
La conversation se termine par une discussion sur le processus d'écriture d'un article de 8000 mots. Dan explique que la complexité augmente exponentiellement avec la longueur. Il a utilisé l'IA (notamment Claude) pour l'aider à articuler des idées qui lui semblaient présentes mais difficiles à exprimer. Il a monologué ses idées, utilisé l'IA pour les clarifier, et même transformé les ébauches en podcasts pour les écouter et les affiner lors de ses déplacements. L'IA a été un outil essentiel pour structurer et exprimer des concepts complexes et mouvants.
En une phrase, le message principal est : "Si vous surfez sur les modèles, vous allez bien. Vous aurez un travail, vous ferez du bon travail, et vous n'aurez pas à vous inquiéter."