Chapitre 7. Perspectives technologiques1

L’intelligence artificielle se rapporte aux machines dotées de fonctions cognitives imitant le comportement humain

Il n’existe aucune définition de l’IA qui soit admise de manière universelle. Marvin Minsky, pionnier dans ce domaine, la définissait comme « la science de doter les machines de la capacité à accomplir des tâches pour lesquelles les hommes utiliseraient leurs intelligence ». Le présent rapport se base sur la définition de Nils J. Nilsson (2010) : « L’intelligence artificielle est l’activité consacrée à rendre les machines intelligentes ; l’intelligence étant cette qualité qui permet à une entité d’agir de manière appropriée et avisée dans son environnement. » Les machines comprenant le langage humain, participant à des compétitions de jeux stratégiques, pilotant des voitures de manière autonome ou interprétant des données complexes sont actuellement toutes considérées comme des applications de l’IA. Dans cette acception, l’intelligence intègre l’idée d’autonomie et d’adaptabilité par la faculté de l’IA d’apprendre dans un environnement dynamique.

Il convient de noter que les frontières de l’IA ne sont pas toujours claires et qu’elles évoluent avec le temps. Par exemple, les techniques développées par les chercheurs en IA pour analyser d’importants volumes de données sont dans certains cas considérées comme des algorithmes et systèmes de « données massives » (Maison Blanche, 2016a). La reconnaissance optique de caractères est quant à elle devenue une technologie courante, ne relevant plus de l’IA. L’un des principaux objectifs de la recherche et des applications en IA est aujourd’hui devenu l’automatisation ou la reproduction d’un comportement intelligent.

L’apprentissage automatique, les données massives et l’infonuagique ont permis l’accélération récente des progrès de l’intelligence artificielle

Malgré une visibilité fluctuante auprès du grand public, l’IA s’est développée de manière significative depuis ses prémices dans les années 50. Son principe a été conceptualisé par John McCarthy, Alan Newell, Arthur Samuel, Herbert Simon et Marvin Minsky à l’occasion du Dartmouth Summer Research Project, un séminaire de recherche organisé durant l’été 1956 et considéré par beaucoup comme signant la naissance de l’IA. Bien que la recherche en IA ait fait des progrès constants au cours des 60 dernières années, les promesses des premiers promoteurs de cette technologie se sont révélées bien trop optimistes, donnant lieu à un grand « hiver de l’IA » caractérisé par une baisse des financements et de l’intérêt pour la recherche en IA pendant les années 70. Plus récemment, la disponibilité des données massives et l’infonuagique ont permis de réelles avancées dans une composante de l’IA appelée l’« apprentissage automatique » (Chen et al., 2012), augmentant de façon spectaculaire la puissance, la disponibilité, la croissance et l’impact de l’IA. En 2016, un programme d’IA a remporté une partie de go face à l’un des meilleurs joueurs mondiaux, un exploit que les experts ne pensaient pas possible avant au moins une dizaine d’années. La disponibilité de capacités évolutives de calcul intensif dans le nuage, et des flux et stocks de données de plus en plus importants produits par les hommes et les machines connectés ont permis des percées majeures dans l’apprentissage automatique.

Les algorithmes d’apprentissage automatique peuvent identifier les formes complexes dans des ensembles de données importants

Grâce à l’apprentissage automatique, les algorithmes parviennent à détecter des formes complexes dans des ensembles de données importants. Par exemple, l’IA de Google apprend à traduire des contenus vers différentes langues à l’aide des documents traduits disponibles en ligne, et l’IA de Facebook apprend à identifier les personnes figurant sur des photographies en utilisant son immense base de données d’utilisateurs connus. Les avancées dans les domaines de l’apprentissage profond et de l’apprentissage par renforcement, deux branches de l’apprentissage automatique, ont donné des résultats impressionnants depuis 2011-12.

L’efficacité des systèmes d’IA dépend également de l’utilisation de microprocesseurs spécifiques, souvent directement dans le nuage. La phase d’apprentissage des réseaux de neurones profonds s’appuie sur des processeurs graphiques à l’origine conçus pour les jeux vidéo, comme ceux développés par Nvidia. Pour la phase de réponse, les grandes entreprises spécialisées en IA développent généralement des processeurs dédiés, à l’instar de l’« unité de traitement de tenseurs » (tensor processing unit ou TPU) de Google ou du « réseau de portes programmables in situ » (field-programmable gate array ou FGPA) Altera d’Intel.

Si l’intelligence artificielle s’applique aux fonctions cognitives, la robotique est quant à elle généralement associée aux fonctions motrices

L’IA se manifeste principalement de manière immatérielle. La robotique, qui constitue un point de convergence entre le génie mécanique, le génie électrique et l’informatique, a principalement des expressions physiques. Dans une « machine autonome », l’IA assure les fonctions cognitives, alors que la robotique se charge des fonctions motrices. La frontière entre fonctions cognitives et fonctions motrices est toutefois poreuse et ne cesse d’évoluer dans la mesure où la mobilité suppose une capacité à percevoir et à analyser l’environnement. À titre d’exemple, l’apprentissage automatique joue un rôle essentiel dans la vision par ordinateur. La nature physique de la robotique la distingue toutefois de l’IA et a même des conséquences industrielles dans le cas des machines autonomes. En effet, le développement de fonctions motrices complexes est généralement plus difficile, plus cher et plus long que pour les fonctions cognitives complexes. Les véhicules autonomes et les robots humanoïdes sont des exemples bien connus de la convergence entre IA et robotique. Il est important de noter que les machines autonomes associant des techniques avancées d’IA et de robotique peinent encore à reproduire une grande partie des fonctions motrices non cognitives élémentaires.

L’intelligence artificielle surpasse les capacités humaines dans certaines fonctions cognitives complexes, mais requiert encore pour cela des ensembles de données importants

Les neurosciences s’avèrent essentielles pour comprendre la situation actuelle de l’IA, ainsi que ses évolutions futures. Le renouveau de l’IA observé autour de l’année 2011 est en grande partie dû au succès d’une branche de l’apprentissage automatique appelée les « réseaux de neurones profonds artificiels », également connus sous le nom d’« apprentissage profond », lequel est soutenu par l’« apprentissage par renforcement », une autre branche de l’IA. L’apprentissage profond et l’apprentissage par renforcement ont pour objet d’imiter en substance les couches neuronales utilisées par le cerveau pour traiter les informations et apprendre à travers la reconnaissance des formes, même si l’apprentissage automatique reste actuellement principalement exploité dans le domaine des statistiques. L’IA et les neurosciences devraient à l’avenir converger sous une forme plus significative à mesure que la compréhension du cerveau humain s’améliore et que les technologies s’entremêlent (OCDE, à paraître).

Les algorithmes d’IA sont capables de réaliser en parallèle des calculs complexes à partir d’ensembles de données volumineux, et sont par conséquent plus rapides que l’intelligence humaine biologique. L’IA offre en outre des résultats toujours supérieurs aux capacités humaines pour certaines fonctions cognitives complexes, comme la reconnaissance d’images en radiologie (Wang et al., 2016 ; Lake et al., 2016).

Dans ses applications limitées actuelles, l’intelligence artificielle faible se concentre sur des tâches spécifiques, mais on peut imaginer qu’une intelligence artificielle forte puisse à l’avenir réaliser des actions intelligentes générales, à l’instar des humains

L’intelligence artificielle faible ou « appliquée » actuelle est conçue pour accomplir des tâches précises de raisonnement ou de résolution de problèmes. Et ce sont là ses applications les plus avancées. Les systèmes d’IA qui sont aujourd’hui à la pointe de la technologie, comme le programme Watson d’IBM ou AlphaGo de Google, restent néanmoins des systèmes « faibles ». Bien qu’ils soient capables de généraliser dans une certaine mesure la reconnaissance de formes, notamment en transférant les connaissances acquises dans le domaine de la reconnaissance d’images vers la reconnaissance de la parole, la souplesse de l’esprit humain est incomparable.

L’IA appliquée est souvent opposée à une IA forte (hypothétique), grâce à laquelle les machines autonomes deviendraient capables de réaliser des actions intelligentes générales, comme tout être humain, et notamment d’acquérir des connaissances par généralisation ou abstraction en combinant différentes fonctions cognitives. L’IA forte serait dotée d’une puissante mémoire associative et de capacités de discernement, de décision, de résolution de problèmes multidimensionnels, d’apprentissage empirique ou par la lecture, de création de concepts, de perception du monde, de conscience de soi, d’inventivité, de créativité, de réaction à des événements inattendus dans des environnements complexes et d’anticipation.

Les avis divergent grandement face à cette potentielle IA forte et les experts invitent à la prudence : ces débats doivent rester réalistes sur sa faisabilité dans le temps. D’après les projections réalisées par les rares informaticiens engagés dans la recherche en IA forte, cette technologie devrait apparaître à l’échéance d’une dizaine d’années à un siècle ou plus (Goertzel et Pennachin, 2006). Certains mettent en avant que l’IA, à l’image de l’intelligence biologique, reste par nature contrainte par ce que les experts en informatique appellent la « combinatoire », soit le nombre incalculable de choses auxquelles un système intelligent peut penser ou qu’il peut réaliser (OCDE, 2016). Par ailleurs, l’IA étant une construction artificielle, les systèmes d’IA se basent sur des architectures qui en limitent de fait les connaissances et les actions potentielles en fonction de leur pertinence pour une application donnée. La convergence de l’apprentissage automatique et des neurosciences au cours des prochaines décennies devrait avoir des répercussions majeures.

Dans leur grande majorité, les experts s’accordent à dire que l’IA faible sera source de nouveaux risques, défis et opportunités notables, et que l’avènement possible d’une IA forte, peut-être avant la fin du XXI^e siècle, devrait encore amplifier ces répercussions.

La « singularité technologique » correspond à l’émergence théorique d’une future superintelligence artificielle

L’expression « singularité technologique » se rapporte à un scénario à long terme, théorique mais cohérent, popularisé par Ray Kurzweil, un inventeur et futurologue devenu directeur de l’ingénierie chez Google. Dans ce scénario, l’émergence d’une IA forte entraînerait une « explosion d’intelligence » et, à l’horizon de quelques décennies ou moins, donnerait lieu à la naissance d’une superintelligence artificielle (SIA). Une telle SIA serait capable d’améliorer ses propres capacités de manière exponentielle et représenterait alors une menace pour l’humanité.

Ces deux scénarios d’IA forte et de SIA ne seront pas pris en considération dans les sections suivantes. L’expression « intelligence artificielle » se rapporte ici à l’association d’algorithmes d’apprentissage automatique avec des capteurs et autres programmes informatiques afin de percevoir, comprendre et agir sur l’environnement, apprendre par expérience et s’adapter sur la durée. Les algorithmes de vision par ordinateur et de traitement audio par exemple, perçoivent le monde de manière active par l’acquisition et le traitement d’images, de sons et de langage parlé. Ils sont généralement utilisés pour des applications de type reconnaissance faciale ou de la parole. La traduction est une application caractéristique du traitement automatique du langage naturel et des moteurs d’inférence. Les systèmes d’IA peuvent également réaliser des actions cognitives comme la prise de décision (pour accepter ou refuser une demande de crédit, par exemple) ou l’exécution d’actions dans le monde physique (pour l’assistance au freinage d’un véhicule notamment).

Les plateformes abouties d’intelligence artificielle mobilisent d’importants volumes de données

L’IA suscite aussi bien l’intérêt des géants du numérique que des start-ups. Les entreprises multinationales réorientent leur modèle économique vers l’analyse prédictive et des données afin d’accroître leur productivité grâce à l’IA, notamment en République populaire de Chine (ci-après, la « Chine »), en France, en Israël, au Japon, en Corée, en Fédération de Russie, au Royaume-Uni et aux États-Unis. Le marché de l’IA est dominé par une douzaine d’entreprises multinationales américaines, regroupées sous le sigle GAFAMI (Google, Apple, Facebook, Amazon, Microsoft et IBM), et chinoises, surnommées BATX (Baidu, Alibaba, Tencent et Xiaomi) (OCDE, 2017). La commercialisation des technologies d’IA sous la forme de « logiciels-services » ou SaaS (software-as-a-service) semble connaître une certaine popularité. Google et IBM par exemple ont adopté ce modèle économique en fournissant un accès par abonnement à leur IA centralisée.

Le volume de données auquel les entreprises ont accès constitue un facteur clé de réussite dans la concurrence mondiale que se livrent ces plateformes. Les algorithmes d’apprentissage automatique nécessitent actuellement d’importants volumes de données pour permettre une reconnaissance efficace des formes. À titre d’exemple, la reconnaissance d’images suppose de disposer de millions d’images d’un animal ou d’un véhicule spécifique. Les données générées par les utilisateurs, les consommateurs et les entreprises contribuent à éduquer les systèmes d’IA. Facebook tire parti de près de 10 milliards d’images publiées chaque jour par ses utilisateurs pour améliorer en permanence ses algorithmes de reconnaissance visuelle. De la même manière, Google DeepMind utilise les séquences vidéo chargées par les utilisateurs de YouTube pour éduquer son logiciel d’IA à reconnaître les images vidéo.

De leur côté, les start-ups ne sont pas moins dynamiques. Une étude de CB Insights (2017) montre que les fonds soulevés par les start-ups spécialisées en IA sont passés de 589 millions USD en 2012 à plus de 5 milliards USD en 2016. Cette même année, près de 62 % des contrats étaient confiés à des start-ups américaines, contre 79 % quatre ans auparavant. Viennent ensuite les start-ups situées au Royaume-Uni, en Israël et en Inde. On estime que d’ici à 2020 le « marché de l’IA » représentera jusqu’à 70 milliards USD.

L’intelligence artificielle permet d’augmenter l’efficacité, de réaliser des économies et de mieux affecter les ressources

L’IA devrait améliorer de manière significative l’efficacité des processus décisionnels, engendrer des réductions de dépenses et permettre une meilleure affectation des ressources dans tous les secteurs de l’économie grâce à ses capacités de détection des formes dans d’immenses volumes de données. Les algorithmes spécialisés dans l’exploration des données liées aux opérations de systèmes complexes favorisent l’optimisation dans des secteurs aussi variés que l’énergie, l’agriculture, la finance, les transports, les soins de santé, la construction, la défense et le commerce. Grâce à l’IA, les acteurs privés ou publics ont la possibilité d’exploiter plus efficacement leurs différents facteurs de production (ressources naturelles, main-d’œuvre, capitaux ou informations) et d’optimiser leur consommation de ressources (énergie ou eau, par exemple). Ses algorithmes d’IA ont permis à Google de réduire la consommation d’énergie de ses centres de données selon des modalités que l’intuition humaine et l’ingénierie n’avaient jusque-là jamais envisagées (Evans et Gao, 2016). Au cours d’une expérience menée sur une période de deux ans, le réseau de neurones profonds artificiel de Google, DeepMind, a analysé le fonctionnement d’un centre de données sur la base de plus de 120 paramètres et identifié une méthode globale de refroidissement et de consommation électrique à la fois plus efficace et plus flexible. Cette méthode a permis à l’entreprise de réduire la consommation d’énergie de ses centres de données (déjà à haute efficacité énergétique) de 15 % supplémentaires (Evans et Gao, 2016). DeepMind laisse entrevoir des applications destinées à améliorer l’efficacité de la conversion des centrales électriques ou à réduire les quantités d’énergie et d’eau nécessaires pour les semi-conducteurs.

L’IA permet une réduction des dépenses liées à l’élaboration de prévisions par l’évaluation du profil de risques, la gestion des inventaires et l’anticipation de la demande. Les prévisions assistées par IA dans les domaines de la banque, de l’assurance, des soins préventifs, de la maintenance, de la logistique ou encore de la météorologie s’avèrent de plus en plus fiables et abordables. Des entreprises telles qu’Ocado et Amazon s’appuient sur l’IA pour tirer le meilleur parti de leurs réseaux de distribution et d’entreposage, déterminer les itinéraires de livraison les plus efficaces et exploiter au mieux leurs entrepôts. Dans le secteur des soins de santé, les données issues de smartphones et de bracelets d’activité peuvent être analysées dans l’optique d’améliorer le suivi d’affections chroniques, mais aussi d’anticiper et de prévenir les crises potentielles. IBM envisage d’utiliser son programme Watson pour détecter plus rapidement l’apparition de maladies de type Huntington, Alzheimer ou Parkinson en exploitant les outils d’analyse automatique de la parole disponibles sur les appareils mobiles.

L’intelligence artificielle peut aider à détecter des activités, personnes ou informations suspectes

L’apprentissage automatique est actuellement utilisé pour identifier des comportements criminels ou frauduleux et assurer le respect de la conformité par le biais de méthodes innovantes. La détection des fraudes est en réalité l’une des premières applications de l’IA dans le secteur bancaire. L’activité des comptes est surveillée afin de détecter d’éventuels comportements suspects et un contrôle est déclenché en cas d’anomalie. Grâce aux progrès de l’apprentissage automatique, cette surveillance commence à être possible en temps quasi réel. Les banques sont particulièrement attentives à cette problématique. En 2016, le Credit Suisse Group AG s’est associé sous la forme d’une entreprise commune spécialisée en IA avec une société de surveillance de sécurité de la Silicon Valley dont les solutions aident les banques à détecter les échanges commerciaux non autorisés (Voegeli, 2016).

Les technologies d’IA interviennent également de plus en plus dans les opérations de police et de lutte antiterroriste. L’organisation américaine IARPA (Intelligence Advanced Research Projects Activity) travaille sur plusieurs programmes visant à traiter d’importants volumes de données multidimensionnelles (photos et vidéos) provenant de tous les appareils disponibles, afin d’identifier des personnes recherchées. Ces programmes s’appuient sur l’IA pour dépasser les méthodes courantes de reconnaissance d’images bidimensionnelles, ou encore pour identifier des individus et géolocaliser automatiquement des vidéos suspectes non marquées publiées en ligne.

La véracité des actualités et donc des « fake news » (informations truquées) est un autre sujet sur lequel l’IA peut démontrer son utilité en analysant les données des milliers de milliards de messages d’utilisateurs. Facebook, le géant des réseaux sociaux, développerait actuellement un système visant à identifier les fake news en fonction des types d’articles signalés par le passé comme relevant de la désinformation par les utilisateurs.

L’intelligence artificielle devrait donner lieu à des gains de productivité toujours plus importants

L’IA devrait participer à la génération de gains de productivité dans de nombreux secteurs, à la fois par l’automatisation d’opérations auparavant manuelles et par l’autonomisation des machines, autrement dit par la capacité des systèmes à fonctionner et à s’adapter aux variations contextuelles avec une intervention humaine réduite, voire nulle (OCDE, 2017). L’exemple le plus connu de machines autonomes est celui des voitures sans conducteur, mais leurs applications sont multiples : opérations financières automatisées, systèmes de curation de contenu automatisés ou encore systèmes capables de détecter et corriger les failles de sécurité.

Parce qu’elle permet l’automatisation de tâches cognitives et physiques complexes, l’IA offrirait des gains de productivité aussi bien dans les usines que dans les centres de service ou les bureaux. L’IA peut automatiser et hiérarchiser les tâches opérationnelles et administratives répétitives en éduquant des logiciels robots conversationnels (ou « bots »). Le programme Smart Reply de Google génère des propositions de réponse en fonction des réponses précédemment envoyées à des courriels similaires. Les rédactions utilisent de plus en plus l’apprentissage automatique pour créer des rapports et préparer des ébauches d’article. Ces applications s’appuient sur une intervention humaine limitée à une approbation finale, ce qui se traduit par une augmentation de la productivité des personnes concernées. Les robots équipés de capteurs lasers et de profondeur 3D, et de réseaux de neurones profonds avancés de vision par ordinateur, peuvent désormais œuvrer en toute sécurité au milieu du personnel d’une usine ou d’un entrepôt. L’IA permet également d’augmenter la productivité en réduisant les coûts associés au traitement de grands ensembles de données. Dans le secteur juridique, des entreprises telles que ROSS, Lex Machina, H5 ou CaseText utilisent le traitement automatique du langage naturel pour rechercher des informations spécifiques dans un corpus de documents, passant ainsi en revue des milliers de pages en l’espace de quelques jours contre plusieurs mois auparavant.

Différents instituts de sondages ont récemment cherché à prévoir l’impact de l’IA sur la croissance économique et la productivité. Purdy et Daugherty (2016) ont étudié 12 économies développées et conclu que l’IA pourrait doubler le taux de croissance annuel de ces pays et augmenter la productivité de leur main-d’œuvre jusqu’à 40 % d’ici à 2035. Le McKinsey Global Institute a estimé que l’automatisation, à la fois par le biais de l’IA et de la robotique, pourrait améliorer la productivité mondiale de 0.8 % à 1.4 % par an.

L’intelligence artificielle a pour vocation d’aider à la résolution de problèmes complexes dans des secteurs comme la santé, les transports et la sécurité

Même si les décideurs commencent à s’intéresser à la question de l’intelligence artificielle, une meilleure prise de conscience de ses conséquences potentielles s’avère nécessaire

De plus en plus, les pays développent des stratégies nationales d’IA ou font de cette technologie un composant majeur de plans numériques nationaux plus larges. L’Allemagne, la Chine, la Corée, les États-Unis, la France, le Japon, et le Royaume-Uni ont élaboré ou développent actuellement des initiatives et des programmes relevant de l’IA qui intègrent la robotique et autres secteurs complémentaires. Néanmoins, de manière générale, les décideurs et le grand public commencent seulement à envisager les répercussions possibles de l’IA dans les années à venir, et la vitesse à laquelle l’IA pénètre nos économies et la société peut parfois être sous-estimée.

À l’occasion de la réunion des ministres des TIC du G7 à Takamatsu (Japon) en 2016, les pays participants ont validé une proposition de M^me Takaichi, ministre japonaise de l’Intérieur et des Communications, visant à réunir toutes les parties prenantes afin d’aborder les problèmes sociaux, économiques, éthiques et juridiques relatifs à l’IA, et d’établir des principes généraux pour son développement (Box 7.2).

Par ailleurs, le Conseil ministériel japonais pour la Science, la Technologie et l’Innovation a contribué à la coordination de la politique de la « Société 5.0 » lancée en mars 2017. Cette politique axée sur l’humain est destinée à aider le Japon à tirer profit des opportunités créées par l’IA tout en limitant les risques et en définissant les limites des processus de prise de décision automatisés.

À la suite d’une initiative inter-agences menée aux États-Unis, un rapport intitulé « Preparing for the future of artificial intelligence » (Se préparer à l’avenir de l’intelligence artificielle) a été publié en 2016, accompagné d’un plan stratégique national de développement et de recherche en intelligence artificielle. Ces documents décrivent en détail les mesures qui permettraient au gouvernement fédéral américain d’utiliser l’IA pour stimuler le bien-être social et améliorer les activités gouvernementales, adapter la législation de sorte à promouvoir l’innovation tout en protégeant le public, garantir que les applications de l’IA (même non réglementées) sont régulières, sécurisées et maîtrisables, développer une main-d’œuvre qualifiée et polyvalente, et s’attaquer à la question de l’IA dans l’armement.

En mai 2016, le gouvernement chinois a dévoilé un plan national d’IA sur trois ans, élaboré en collaboration avec la Commission nationale pour le développement et la réforme, le ministère des Sciences et des Technologies, le ministère de l’Industrie et des Technologies de l’information, et l’Administration chinoise du cyberespace. Le gouvernement espère parvenir à la création d’un marché de 15 milliards USD d’ici à 2018 en investissant dans la recherche et en soutenant le développement d’une industrie nationale de l’IA. En 2016, le nombre de publications annuelles sur l’« apprentissage profond » comptées en Chine a dépassé celui des États-Unis, ce qui reflète bien la priorité que donne de plus en plus ce pays à la recherche sur l’IA.

Différents partenariats et initiatives voient le jour dans l’optique de promouvoir une IA éthique et tenter de prévenir de potentiels effets négatifs. À titre d’exemple, OpenAI est une association de recherche à but non lucratif en intelligence artificielle fondée fin 2015 qui emploie aujourd’hui 60 chercheurs à temps complet, avec pour mission de « concevoir une IA forte sécurisée et garantir que ses bienfaits sont répartis de manière aussi large et équitable que possible »2 . En avril 2016, l’organisation de normalisation IEEE Standards Association a lancé son initiative pour l’éthique des systèmes autonomes (Global Initiative for Ethical Considerations in the Design of Autonomous Systems) afin de réunir différents acteurs des communautés de l’IA et des systèmes autonomes, et « faire en sorte que ces technologies soient en phase avec les valeurs morales et les principes éthiques des humains ». En septembre 2016, Amazon, DeepMind/Google, Facebook, IBM et Microsoft se sont associés pour lancer un partenariat pour une intelligence artificielle au service des individus et de la société (Partnership on Artificial Intelligence to Benefit People and Society) visant à permettre au public de mieux comprendre les technologies d’IA et à élaborer les meilleures pratiques face aux défis et opportunités qu’elles représentent3 .

L’intelligence artificielle révolutionnera le travail en remplaçant la main d’œuvre humaine ou en renforçant ses capacités à des postes hautement qualifiés ou très rémunérateurs

Les répercussions de l’IA sur l’emploi représentent un enjeu stratégique très largement débattu. L’IA devrait amplifier de manière significative les tendances de restructuration du marché du travail dues à l’automatisation, tel qu’abordé au Chapter 5, dans la mesure où les machines dotées de fonctions d’IA sont capables de remplacer ou de démultiplier les capacités humaines à de très nombreux postes et dans différents secteurs et chaînes de valeur. Il est difficile de savoir si cela se traduira par une augmentation des revenus et la création de nouveaux types d’emplois venant remplacer les postes automatisés, ou si cela entraînera une vague de licenciements. Différentes études menées au cours des cinq dernières années sur les conséquences générales de l’automatisation du travail présentent des résultats contrastés dans leurs évaluations et dans leurs prévisions (Arntz, Gregory et Zierahn, 2016 ; Frey et Osborne, 2013 ; Citibank, 2016).

L’impact de l’IA dépendra également de la vitesse du développement et de la pénétration des technologies d’IA dans les différents secteurs d’activité au cours des prochaines décennies. D’après le Forum international des transports (FIT) par exemple, la présence de camions autonomes sur le réseau routier pourrait se banaliser dans les dix ans à venir, provoquant de fait la suppression à grande échelle de postes de chauffeur routier en cas de déploiement rapide des camions autonomes. La mise en circulation de ces véhicules autonomes pourraient contribuer à l’amélioration de la sécurité routière, la réduction des émissions et la baisse des dépenses opérationnelles du transport routier à hauteur de 30 %. Cette baisse serait principalement due aux économies réalisées sur les coûts de main-d’œuvre qui représentent actuellement une part de 35 % à 45 % des coûts totaux, mais aussi à une exploitation plus intense du parc de véhicules (FIT, 2017). En 2016, la Maison Blanche a estimé à entre 2.2 et 3.1 millions le nombre d’emplois à temps partiel ou complet qui pourraient être menacés aux États-Unis par les véhicules autonomes dans les 20 prochaines années (Maison Blanche, 2016b).

Les emplois potentiellement menacés ne se limitent pas aux postes peu qualifiés ou de production. En effet, de nombreux emplois requérant des compétences cognitives de moyen à haut niveau pourraient également disparaître. Des recherches préliminaires laissent présager que l’IA pourrait affecter les emplois basés sur des compétences cognitives comme la lecture, l’écriture et le calcul, autrement dit les savoirs fondamentaux au cœur de l’éducation obligatoire (Elliot, 2014). Les technologies d’apprentissage automatique représenteraient la menace la plus sérieuse pour les professions nécessitant de hauts niveaux de qualifications (Box 5.1). Ainsi, les algorithmes de traitement des images et de reconnaissance des formes commenceraient à avoir des répercussions sur l’activité des radiologues. Comme décrit précédemment, les applications de reconnaissance des formes offrent des résultats de plus en plus probants dans la détection des problèmes de santé par l’identification des anomalies sur les radiographies, les échographies ou les images obtenues par résonance magnétique. Les applications de l’apprentissage automatique dans les domaines de la reconnaissance de la parole, du traitement automatique du langage naturel ou de la traduction automatique devraient avoir des répercussions sur la demande de prestations comme la traduction ou les services juridiques et de comptabilité.

Parmi les questions stratégiques à l’étude concernant l’impact de l’IA sur l’emploi, figurent les avantages d’une adaptation des politiques fiscales visant à rééquilibrer le basculement du travail vers le capital et à protéger les personnes vulnérables des risques d’exclusion socio-économiques (une taxation des robots serait même envisagée par certains), l’ajustement des mécanismes de redistribution et de protection sociale, le développement des systèmes éducatifs et de formation simplifiant les transitions professionnelles répétées et durables, et la nécessité d’assurer un accès équitable au crédit, aux soins de santé et aux prestations de retraite à une main-d’œuvre plus mobile et plus exposée aux risques.

Développer les compétences pour tirer parti de l’intelligence artificielle et renforcer ses applications

Paradoxalement, l’IA et autres technologies numériques favorisent aussi les approches innovantes et personnalisées des processus de recrutement et de recherche d’emploi, et améliorent l’efficacité de la mise en adéquation de l’offre et de la demande de main-d’œuvre. La plateforme LinkedIn s’appuie par exemple sur l’IA pour aider les recruteurs à identifier les meilleurs candidats et présenter aux utilisateurs des offres qui leur correspondent en fonction des données de profil et de l’activité des 470 millions d’inscrits sur la plateforme (Wong, 2017). Les outils d’IA peuvent bénéficier au développement de compétences et aux reconversions par le biais de dispositifs personnalisés assurant une formation de qualité à grande échelle.

À l’instar des TIC de manière plus générale (Chapter 4), l’IA devrait accroître les besoins en compétences nouvelles sur trois axes différents : 1) les compétences spécialisées, pour développer et programmer les applications d’IA (par exemple, via l’ingénierie et la recherche fondamentale en IA, la science des données ou la pensée computationnelle) ; 2) les compétences génériques, pour tirer parti des capacités de l’IA ; et 3) les compétences complémentaires, pour accompagner par exemple la pensée critique, la créativité, l’innovation, l’entrepreneuriat, ou encore le développement de facultés humaines comme l’empathie.

Les effets de l’intelligence artificielle sur la dynamique des entreprises soulève de nouvelles questions

La dynamique des entreprises que devrait favoriser l’IA soulève des questions en termes de répartition des richesses et d’équilibre des forces, mais aussi de concurrence et d’accès aux marchés. Par son essor rapide, l’IA pourrait en effet entrer en conflit avec les politiques de concurrence existantes et soulever des interrogations sur ses répercussions potentielles sur la répartition des revenus et le contrôle réel des technologies d’IA. Sur le plan économique, il existe une possibilité que quelques entreprises spécialisées disposant d’un accès à d’importants volumes de données et aux sources de financement nécessaires finissent par avoir la mainmise sur l’IA. Elles bénéficieraient ainsi d’un accès direct à une intelligence surhumaine et récolteraient une très grande partie des bienfaits de cette technologie. Un autre effet de l’IA serait que les entreprises risquent à terme de moins dépendre de leur main-d’œuvre humaine.

Comme ce fut le cas sur d’autres marchés de l’économie numérique et des données, l’IA pourrait créer une dynamique de type « presque tout au gagnant » en raison d’effets de réseau et d’échelle. Alors que des entreprises multinationales hautement innovantes parviennent à exporter leurs modèles économiques originaux au-delà des frontières, l’accumulation de richesses et de pouvoir par un nombre limité d’acteurs privés de l’IA pourrait susciter des tensions sur un plan national et entre les pays. Certaines parties prenantes s’inquiètent de la possibilité que des géants du numérique fassent l’acquisition de start-ups avant que celles-ci ne puissent représenter une éventuelle concurrence et du risque de concentration des ressources qui en découlerait dans le domaine de l’IA.

Veiller à la transparence et à la surveillance des décisions basées sur l’intelligence artificielle qui pourraient affecter la population

La gouvernance des systèmes d’IA constitue un autre ensemble de questions en matière de politiques liées à l’IA. À quels mécanismes de surveillance et de responsabilisation doivent être soumis les algorithmes d’apprentissage automatique ? Comment trouver un équilibre entre la productivité et l’accès d’un côté, et les valeurs comme la justice, l’équité et la responsabilité de l’autre ? Ces questions se posent déjà sur des enjeux critiques comme l’établissement des priorités de prise en charge à l’hôpital, les procédures d’intervention d’urgence pour les véhicules autonomes, la définition des profils de risque dans les procédures pénales, la prévention policière ou encore l’accès au crédit et à l’assurance.

La difficulté de contrôler l’utilisation des algorithmes d’IA est étroitement liée aux techniques avancées d’apprentissage automatique, en ce sens qu’il est de plus en plus complexe de suivre et de comprendre les mécanismes décisionnels des algorithmes d’IA, en raison de leur sophistication croissante, et ce, même pour les professionnels qui les conçoivent et les programment (OCDE, 2016). Les chercheurs ont commencé à travailler sur une éventuelle solution, mais les résultats restent précaires et ne sont pas assez fiables. Il convient de noter que les articles 13-15 du nouveau Règlement général sur la protection des données de l’Union européenne (UE) prévoient que les personnes dont les données sont recueillies doivent recevoir des informations suffisantes sur la logique sous-jacente, ainsi que sur l’importance et les conséquences prévues du traitement des données par les systèmes automatisés de prise de décision. Est également établi à l’article 22 le « droit de ne pas faire l’objet d’une décision fondée (…) sur un traitement automatisé ». Les protections assurées pour les personnes concernées dans le cadre de la réglementation et leurs implications pour les chercheurs et spécialistes de l’IA sont encore sujettes à discussion (Wachter, Mittelstadt et Floridi, 2016).

Le développement et la mise en œuvre à grande échelle de solutions algorithmiques de responsabilisation devraient s’avérer aussi complexes qu’onéreux. La question se pose alors de savoir qui devra en supporter le coût. Si les différents acteurs optent pour une solution à moindre coût, il faudrait alors faire face à des risques d’abus. Les décideurs devront œuvrer en étroite collaboration avec des chercheurs et des ingénieurs spécialistes de l’IA afin de développer des mécanismes permettant de trouver un équilibre entre le besoin de transparence et le secret des affaires admissible. Il peut arriver que certains concepts techniques et modèles économiques soient déjà en adéquation avec les échelles de valeur socialement acceptées. Dans ce cas, les autorités indépendantes et les organismes de normalisation technique ont un rôle essentiel à jouer. L’IEEE (Institute of Electronical and Electronics Engineers) est à l’origine d’une initiative pour l’éthique appliquée à l’intelligence artificielle et aux systèmes autonomes (Global Initiative for Ethical Considerations in Artificial Intelligence and Autonomous Systems), dont l’objectif est de garantir que la technologie et les professionnels du secteur œuvrent dans l’intérêt de l’humanité selon des principes établis. Cette initiative s’appuie sur l’expérience de l’institut dans les processus complexes de normalisation et sur ses capacités à toucher et mobiliser une communauté mondiale de plus de 400 000 spécialistes et experts répartis dans 160 pays.

Dans la mesure où l’apprentissage automatique nécessite de disposer d’importants volumes de données, les questions de gouvernance de l’IA s’étendent également à la réglementation de la collecte, du stockage, du traitement, de la propriété et de la monétisation des données. Pour libérer le potentiel de l’IA en faveur de la croissance, du développement et de l’intérêt public, il faudra s’accorder sur des normes techniques et des mécanismes de gouvernance capables d’optimiser la libre circulation des données et de promouvoir les investissements dans les services à forte intensité de données (OCDE, 2015). La difficulté de régir l’utilisation des données s’avère d’autant plus grande qu’elle est accentuée par l’impossibilité de déterminer avec certitude dans quelle mesure les technologies d’IA actuelles et futures pourront aider à la création, à l’analyse et à l’exploitation des données selon des procédés totalement nouveaux et encore jamais imaginés par les consommateurs, les entreprises et les pouvoirs publics.

Les applications comme la reconnaissance faciale et les services personnalisés offrent une plus grande commodité et une meilleure protection, mais pourraient présenter un risque pour les libertés publiques si les utilisateurs sont surveillés et si les interventions des machines ne sont pas transparentes, ou encore si chacun n’a pas accès à ses informations personnelles.

Empêcher une utilisation biaisée ou discriminatoire des algorithmes

Les inquiétudes qu’inspire la possibilité d’une amplification des préjugés sociaux et des discriminations due aux algorithmes d’apprentissage automatique se renforcent à mesure que les algorithmes tirant parti des données massives deviennent plus complexes, plus autonomes et plus puissants. L’IA s’enrichit des données, mais si ces données sont incomplètes ou partiales, certains préjugés pourraient s’en trouver accentués. L’affaire « Tay » illustre parfaitement ces risques. Ce bot conversationnel d’IA développé par Microsoft fut lancé sur Twitter en mars 2016 dans le cadre d’une expérimentation ayant pour objet d’améliorer la compréhension du langage en ligne des 18-24 ans. En l’espace de quelques heures, ce bot dut être désactivé après avoir commencé à proférer des injures raciales, prôné le suprématisme blanc et affiché son soutien pour le génocide. Un autre exemple régulièrement cité d’une discrimination potentielle due à l’IA est celui des préjugés raciaux identifiés dans certains outils de « prévision des risques » utilisés par les juges dans la prise de décisions de justice ou dans le cadre d’audiences de mise en liberté sous caution. D’aucuns s’interrogent sur l’équité et l’efficacité des outils de prévision policière, d’évaluation de la solvabilité ou de recrutement, et sur la garantie réelle de protection de la diversité et de l’égalité qu’offrent ces algorithmes.

Responsabilité, obligations, sécurité et protection

Le concept de prise de décision automatisée assistée par l’IA soulève des questions de responsabilité et d’obligations, par exemple en cas d’accident impliquant des véhicules autonomes. La nature même de l’IA, entre machine et programme créé par l’homme, rend difficile toute reconnaissance d’un statut de personne morale potentiellement responsable de ses décisions. Quant aux conducteurs humains, les assurances sont perçues comme un moyen de gérer les risques probabilistes éventuels. De nouvelles problématiques de sécurité commencent également à apparaître, comme la possibilité que des logiciels malveillants parviennent à détourner de leur utilisation première des réseaux d’IA ou des robots tueurs.

Le Bitcoin

Le Bitcoin est l’une des premières applications de la technologie de chaîne de blocs dans le domaine financier. Il s’agit d’une devise virtuelle (ou « crypto-monnaie »), doublée d’un système de paiement décentralisé fonctionnant indépendamment de toute banque centrale. Lancé en 2009 par une entité connue sous le nom d’emprunt Satoshi Nakamoto, la chaîne de blocs Bitcoin s’appuie sur un ensemble de technologies préexistantes dont l’association permet la création d’une base de données décentralisée et hautement sécurisée destinée à répertorier toutes les transactions réalisées sur le réseau concerné.

En seulement quelques années, le réseau Bitcoin a enregistré un taux d’adoption spectaculaire. Alors qu’il ne traitait que 100 transactions par jour en 2009, le réseau est passé à plus de 250 000 transactions confirmées par jour au 1^er trimestre 2017 (Figure 7.1). Malgré sa volatilité, la valeur du Bitcoin a également connu une forte croissance. De quelques transactions d’1 dollar en 2009, le prix du Bitcoin a atteint en mars 2017 plus de 1 200 USD.

Graphique 7.1. Transactions Bitcoin confirmées par jour

Moyennes mobiles

Source: Blockchain.info, https://blockchain.info/charts/n-transactions?timespan=all (consulté le 24 avril 2017).

 https://doi.org/10.1787/888933660260

Le Bitcoin est essentiellement une base de données décentralisée répliquée sur un réseau P2P (Nakamoto, 2008). Un réseau P2P est un ensemble d’ordinateurs (ou nœuds) œuvrant de concert pour atteindre un objectif commun, qu’il s’agisse d’échanger des fichiers, comme le réseau BitTorrent, ou d’établir des communications anonymes, à l’instar du réseau The Onion Router (Tor). Contrairement aux infrastructures client-serveur traditionnelles, ces réseaux ne sont pas gérés par un opérateur centralisé, mais s’appuient sur un réseau distribué de pairs qui interagissent et se coordonnent grâce à un protocole informatique commun.

Dans le cas du Bitcoin, les nœuds assurent la gestion et la mise à jour de l’état de la base de données selon un protocole spécifique, surnommé « preuve de travail ». L’objectif premier de ce protocole est de permettre aux nœuds de s’accorder sur l’état de la chaîne de blocs à intervalles réguliers, tout en protégeant la base de données décentralisée d’agents malveillants souhaitant altérer les données ou y insérer de fausses informations.

Ces nœuds mettent volontairement à disposition du réseau P2P leur puissance de calcul pour valider les transactions et assurer la conformité au protocole sous-jacent. Les transactions validées sont ainsi conservées dans un bloc de transactions qui est alors ajouté, en respectant l’ordre chronologique, aux chaînes de blocs précédentes.

La chaîne de blocs du Bitcoin s’appuie sur une cryptographie asymétrique4 pour garantir que seules les transactions autorisées sont prises en compte. Chaque compte Bitcoin est identifié par une adresse fixe (ou « clé publique »), à laquelle est associé un mot de passe unique (ou « clé privée ») généré de manière automatique. Pour être considérée comme valide, une transaction Bitcoin doit être signée par le titulaire du compte concerné par le biais de sa clé privée. Le système évalue ensuite la légitimité de cette transaction en vérifiant son bien-fondé (autrement dit, si le compte dispose des fonds suffisants pour honorer la transaction) et si les fonds n’ont pas été affectés plus d’une fois (en soumettant la transaction à un contrôle de « double dépense »).

La question de la « double dépense » est un problème récurrent des monnaies virtuelles décentralisées. En l’absence d’une chambre de compensation centralisée, les parties malintentionnées peuvent tenter de dépenser deux fois une même unité de monnaie virtuelle en initiant en même temps deux transactions différentes et pourtant incompatibles, comptant sur une synchronisation trop lente du réseau pour qu’aucune de ces transactions ne soit bloquée. Cette problématique a été globalement résolue par l’introduction d’un intermédiaire centralisé responsable de la compensation des transactions.

Le Bitcoin a donné lieu à l’apparition d’une solution innovante au problème de double dépense par le biais du protocole de preuve de travail. Avant qu’un bloc de transactions ne soit ajouté à la chaîne de blocs du Bitcoin, les nœuds du réseau (généralement désignés par l’appellation « mineurs ») doivent avant tout trouver une solution au puzzle mathématique inhérent à ce bloc. Ce puzzle se base sur une fonction de hachage (SHA-256) difficile à résoudre d’un point de vue informatique mais simple à vérifier une fois la solution trouvée (Bonneau et al., 2015). Cette solution est alors diffusée sur l’ensemble du réseau afin que les autres intervenants puissent vérifier sa conformité. Ce n’est qu’une fois cette étape validée que le bloc de transactions intègre enfin la chaîne de blocs du Bitcoin.

Le protocole Bitcoin adapte le niveau de difficulté du puzzle mathématique au nombre de resources actuellement mobilisables sur le réseau (soit à la puissance de hachage disponible). Plus le nombre de ressources mobilisables est important, plus le problème devient complexe, de sorte qu’un nouveau bloc de transactions ne soit ajouté que toutes les dix minutes en moyenne. Le réseau Bitcoin prévoit des incitations pour les mineurs assurant l’important travail de calcul dans le contrôle des preuves de travail. Le premier mineur qui parvient à résoudre le puzzle informatique de chaque bloc reçoit ainsi un montant donné de bitcoins, accompagné du droit de percevoir tous les frais de transaction associés au bloc concerné. Le système Bitcoin a été conçu pour que le nombre total de bitcoins en circulation soit limité à 21 millions. Par conséquent, les mineurs ne pourront à terme plus être rémunérés pour leur participation à la vérification des preuves de travail. Au vu du nombre d’utilisateurs estimé lorsque cette limite sera atteinte, les frais de transaction devraient représenter une rémunération suffisante pour l’effort consenti.

Contrairement à d’autres types de bases de données, une chaîne de blocs fonctionne uniquement par ajout. Il est donc possible d’ajouter des données à une chaîne de blocs, mais une fois enregistrées, celles-ci ne peuvent plus être supprimées ou modifiées de manière unilatérale (Narayanan et al., 2016). Dans le cas du Bitcoin, les informations enregistrées dans la chaîne de blocs ne peuvent être éditées que si une ou plusieurs parties parviennent à prendre en charge plus de la moitié de la puissance de calcul mobilisée sur le réseau. Il s’agit de ce que l’on appelle une « attaque des 51 % ». Bien que possible5 , une telle attaque serait extrêmement difficile et coûteuse à mettre en œuvre, eu égard à la taille actuelle du réseau Bitcoin.

La chaîne de blocs du Bitcoin peut ainsi être considérée comme un journal certifié de transactions chronologiques, dont l’authenticité et l’intégrité sont garanties par des primitives cryptographiques. Dans la mesure où chaque transaction doit être signée numériquement à l’aide de la clé privée du titulaire du compte, la chaîne de blocs offre une preuve vérifiable qu’un utilisateur a transféré un montant précis de bitcoins à un autre utilisateur, et ce, à un moment déterminé. Chaque bloc intégrant une référence (hachage cryptographique) à un bloc précédent, toute tentative d’altération des données enregistrées dans un bloc sera immédiatement détectée par le réseau. En réalité, la modification d’une transaction invalidera la référence au bloc précédent, ce qui entraînerait alors la rupture de la chaîne, et par la suite une détection automatique par tous les autres membres du réseau.

Mécanismes de gouvernance

Toutes les chaînes de blocs n’appliquent pas les mêmes mécanismes de gouvernance. En théorie, elles peuvent toutes être placées sur une même ligne continue, allant de chaînes de blocs publiques et intégralement ouvertes, comme le Bitcoin, à des chaînes de blocs privées et accessibles uniquement sur autorisation. Les chaînes de blocs publiques et ouvertes n’appliquent aucune restriction en termes de lecture ou d’écriture sur la base de données décentralisée. Les utilisateurs ont généralement recours à des pseudonymes dans la mesure où les nœuds du réseau ne requièrent pas qu’ils dévoilent leur véritable identité. Dans leur majorité, les premiers réseaux basés sur des chaînes de blocs qui ont vu le jour après Bitcoin (dont Litecoin, Namecoin, Peercoin et Ethereum) fonctionnent sur un modèle public.

À l’inverse, une chaîne de blocs privée et accessible sur autorisation intègre un mécanisme de contrôle d’accès capable de limiter le nombre d’intervenants autorisés à exécuter certaines tâches de base sur la chaîne de blocs. Ces chaînes de blocs privées s’appuient sur des réseaux fermés gérés de manière plus étroite. Leur accès peut être réservé à des individus pré-autorisés, et le droit de valider une transaction peut n’être accordé qu’à des intervenants sélectionnés.

Les chaînes de blocs accessibles sur autorisation comme Ripple et Corda (voir ci-après) ont été développées spécifiquement pour les services financiers. Seuls les membres d’un groupe défini sont ainsi habilités à prendre part au processus de validation et à exécuter les transactions sur ces chaînes de blocs.

Le recours à une chaîne de blocs ouverte ou uniquement accessible sur autorisation se résume à une question de confiance, d’échelle et de transparence. D’un côté, les chaînes de blocs publiques et ouvertes mettent plus l’accent sur la notion de confiance. Elles la répartissent en effet sur un grand nombre de nœuds individuels et s’appuient sur des preuves de travail pour faire en sorte qu’il soit matériellement difficile et coûteux d’exploiter le réseau à des fins malveillantes. Par nature, les chaînes de blocs publiques peuvent toutefois nécessiter un investissement financier important en termes de gestion, offrent des performances limitées et, malgré le respect de l’anonymat des utilisateurs, la transparence inhérente à ces réseaux peut affecter la confidentialité des parties concernées. D’un autre côté, les chaînes de blocs privées et accessibles sur autorisation offrent une plus grande flexibilité car elles ont recours à des protocoles moins gourmands en ressources informatiques pour valider les transactions, mais aussi parce qu’un certain niveau de confiance est déjà assuré par les intervenants impliqués. Elles permettent également la création d’un environnement plus contrôlé en octroyant un accès différencié à ses parties prenantes et en privatisant une partie des transactions. Un groupement de banques peut par exemple choisir de partager un même écosystème de chaîne de blocs accessible sur autorisation, sans pour autant avoir à rendre publiques l’ensemble des transactions entre ses différents établissements. Les chaînes de blocs privées et accessibles sur autorisation requièrent malgré tout un haut niveau de confiance dans les parties assurant la gestion du réseau, et peuvent par conséquent être plus facilement manipulées en cas de piratage ou de corruption d’une de ces parties.

Des outils sont par ailleurs en cours de développement afin de permettre l’interaction de différentes chaînes de blocs et garantir leur interopérabilité. Par exemple, la société Blockstream crée des outils spécifiques à la chaîne de blocs du Bitcoin pouvant servir de base à un grand nombre de chaînes de blocs plus spécialisées, qu’elles soient ouvertes ou accessibles sur autorisation.

Les limites de la technologie de chaîne de blocs

Malgré leur robustesse et leur inviolabilité, de nombreuses chaînes de blocs publiques et ouvertes souffrent des limites inhérentes à leur protocole de validation par consensus. Le modèle de la preuve de travail est fondé sur le principe qu’aucune partie ne doit contrôler plus de 50 % de la puissance de calcul mobilisée sur le réseau. Une fois ce seuil atteint, la partie majoritaire peut manipuler le réseau à sa guise et ainsi créer des entrées contradictoires (voir la partie relative au problème de la « double dépense ») ou encore empêcher l’ajout de certaines transactions à la base de données (Narayanan et al., 2016).

Même si l’attaque des 51 % est un problème qui affecte tous les types de chaînes de blocs, il est d’autant plus sérieux dans le cas des chaînes ouvertes, puisqu’il est particulièrement difficile de déterminer qui contrôle réellement la puissance de hachage mobilisée sur ces réseaux. Alors qu’une situation de collusion entre plusieurs nœuds d’une même chaîne de blocs privée pourrait facilement être identifiée, et même donner lieu à des poursuites judiciaires, la prise de contrôle potentielle d’une chaîne de blocs publique par un groupe d’individus non identifiés serait bien plus complexe à détecter. Cette menace n’en reste pas moins réelle. En 2017, après huit ans de fonctionnement, plus de 50 % de la puissance de hachage du réseau Bitcoin est contrôlée par seulement cinq groupements de mineurs (Blockchain, s.d., a). Il est toutefois arrivé à quelques rares occasions qu’un seul et unique groupement de mineurs contrôle plus de la moitié de la puissance de calcul du réseau.

Outre ces problématiques de sécurité, et dans la mesure où les chaînes de blocs se basent sur une cryptographie asymétrique, l’un des principaux obstacles à l’adoption généralisée de la technologie de chaîne de blocs est l’absence d’un système standard de gestion des clés doté d’un mécanisme de récupération et de révocation. Sans récupération possible, la perte d’une clé privée empêche de fait le titulaire du compte de réaliser quelque opération que ce soit sur son compte. De la même manière, sans système de révocation, si une clé privée se trouve compromise, quiconque la détient peut exécuter des transactions non autorisées à la place du titulaire du compte.

Les performances constituent une autre limite importante de la technologie de chaîne de blocs, et plus particulièrement dans le cas des chaînes de blocs publiques et ouvertes. Les chaînes de blocs publiques ne peuvent prendre en charge qu’un nombre limité de transactions. À titre d’exemple, le réseau Bitcoin enregistre moins de 300 000 transactions par jour (Blockchain, s. d., b), contre 150 millions de transactions quotidiennes traitées par Visa. La validation des transactions Bitcoin prend environ dix minutes (Blockchain, s. d., c), soit une durée bien supérieure au temps normalement nécessaire pour l’enregistrement d’informations dans une base de données.

L’adoption généralisée de la technologie de chaîne de blocs ne sera possible que lorsque ces systèmes se seront suffisamment développés pour être en capacité de gérer un nombre quasiment illimité de transactions. Résoudre ces problèmes d’évolutivité n’est toutefois pas une mince affaire. Dans la mesure où une chaîne de blocs est une base de données fonctionnant uniquement par ajout, elle grandit à chaque nouvelle transaction. Plus une chaîne de blocs est étendue, plus les besoins en termes de puissance de calcul, de stockage et de bande passante sont importants, entraînant par là même une forte consommation d’énergie. Le coût croissant de ces besoins risque de faire baisser le nombre d’acteurs prêts à soutenir le réseau, et d’augmenter ainsi les risques qu’une poignée de groupements de mineurs en prennent le contrôle (James-Lubin, 2015). Il existe déjà de nombreux projets visant à adapter les chaînes de blocs pour une utilisation à grande échelle, mais ils ne sont encore pour la plupart qu’à un stade expérimental. Citons par exemple l’application de protocoles de consensus de validation alternatifs, comme la « preuve de participation » (Buterin, 2015 ; Iddo et al., 2014)6 . Des initiatives internationales visant à établir des normes spécifiques pour la technologie de chaîne de blocs (comme la création en 2016 du Comité technique 307 de l’Organisation internationale de normalisation sur les technologies de chaîne de blocs et de registre distribué) pourraient stimuler le développement de ces technologies, notamment en encourageant une meilleure interopérabilité, une adhésion plus rapide et un plus grand effort d’innovation dans leur utilisation et dans leurs applications.

Réduction des frictions sur les marchés et des coûts de transaction

La technologie de chaîne de blocs permet de réduire les frictions sur les marchés et les coûts de transaction dans certains secteurs d’activité. Malgré les coûts importants qu’implique la gestion d’une infrastructure de chaîne de blocs, cette technologie dispose d’un énorme potentiel, dont le meilleur exemple est sa capacité à augmenter l’efficacité des systèmes d’information existants en éliminant les tâches administratives et en réduisant les frais indirects inhérents aux interactions entre différents niveaux d’intermédiaires.

L’activité des envois de fonds, par exemple, fait partie des secteurs les plus affectés par les frictions sur les marchés et les coûts de transaction. Un envoi de fonds peut aujourd’hui nécessiter jusqu’à sept jours pour être validé. Les frais peuvent quant à eux représenter jusqu’à 10 % de la somme transférée. L’utilisation de chaînes de blocs peut entraîner une réduction du coût des envois de fonds en permettant à quiconque de transférer de l’argent à l’étranger, rapidement et à moindre frais depuis un appareil mobile. Lancée en novembre 2013 à Nairobi, BitPesa fut la première entreprise d’envoi de fonds à utiliser la chaîne de blocs du Bitcoin pour assurer des transferts d’argent entre pays africains. Depuis lors, de nombreuses autres start-ups ont réalisé des essais pour intégrer cette technologie. Abra semble aujourd’hui être devenu le principal acteur du secteur. Créée début 2017, cette société est la seule à avoir pris en compte les deux extrémités de la chaîne de distribution, autrement dit les étapes de conversion de monnaie fiduciaire en bitcoins et inversement.

Sur un plan plus général, les chaînes de blocs peuvent faire office d’infrastructure de base permettant aux établissements de dépôt de réaliser des transferts interbancaires et de convertir des fonds en devises. En 2012 par exemple, la société Ripple a lancé un protocole de paiement qui permet aux banques de convertir des fonds dans différentes devises en quelques secondes et à très faible coût. Le principe du protocole Ripple est de créer une série d’opérations entre des agents de change qui ont accepté d’intégrer le réseau Ripple et de déterminer la manière la plus rapide et efficace de convertir des fonds d’une devise vers une autre. Il exécute enfin ces opérations de manière instantanée grâce à une chaîne de blocs. Santander a récemment adopté ce système à titre expérimental pour l’envoi de fonds à l’international et les règlements transfrontaliers.

La technologie de chaîne de blocs peut également participer à la réduction des coûts de transaction en aidant les banques à finaliser les échanges plus rapidement et plus efficacement. Alors que chaque banque doit normalement gérer seule la consignation de ses transactions, un système de chaîne de blocs est capable de mettre à jour simultanément l’ensemble des enregistrements ; il n’est ainsi plus nécessaire d’effectuer des rapprochements bancaires entre les différents établissements concernés. Cette évolution est ce qui a inspiré la formation du consortium R3 en 2014. Comptant parmi ses membres plus de 70 banques et institutions financières, ce consortium œuvre actuellement au développement d’une technologie de registre distribué, appelée Corda, conçue pour prendre en charge et simplifier les transactions interbancaires.

La technologie de chaîne de blocs permet également d’accélérer le négoce de titres, en combinant compensation et règlement dans une seule et même opération. Plusieurs expérimentations de ce type sont actuellement en cours. En octobre 2015 par exemple, la société Nasdaq s’est associée à Chain pour travailler sur l’utilisation de la technologie de chaîne de blocs pour l’achat et la vente de parts dans des entreprises privées. Quelques mois plus tard, la société cotée Overstock, première grande boutique en ligne à accepter les règlements en bitcoins, mettait en vente ses propres actions sur une plateforme boursière (t0) basée sur la technologie de chaîne de blocs et spécialement conçue dans ce but.

Sur le marché des produits dérivés, les chaînes de blocs signent l’avènement d’une nouvelle ère d’ingénierie financière qui pourrait entraîner un gain important de sécurité, d’efficacité et de précision dans la gestion des risques. Grâce aux chaînes de blocs, il est possible d’intégrer les conditions relatives à un produit dérivé directement dans le code, afin qu’elles puissent être traitées et automatiquement exécutées par le réseau de chaînes de blocs sous-jacent. Un essai concluant a été mené en 2016 par la Depository Trust & Clearing Corporation et cinq autres sociétés cotées à Wall Street (Bank of America, Merrill Lynch, Citi, Credit Suisse et JPMorgan), consistant à coder les conditions des contrats d’échange sur le risque de défaillance directement dans un système de chaîne de blocs afin de faciliter la gestion de tous les événements ultérieurs aux transactions. Quelque temps après, début 2017, la Depository Trust & Clearing Corporation annonçait son intention de transférer l’équivalent de 11 000 milliards USD de dérivés de crédit vers une infrastructure de chaîne de blocs développée spécifiquement à ces fins. L’objectif de cette opération est d’améliorer le traitement des produits dérivés par une automatisation de la tenue du registre et de réduire les coûts de rapprochement.

Transparence et responsabilité

Parce qu’elles constituent des bases de données transparentes, inviolables et capables d’enregistrer des informations horodatées, les chaînes de blocs peuvent faire office de registre mondial de transactions certifiées et authentifiées. Il est possible d’enregistrer des données importantes sur une chaîne de blocs, de sorte à les rendre immédiatement disponibles à l’ensemble des utilisateurs, et à en empêcher toute modification ou suppression a posteriori par la partie responsable de leur enregistrement.

Dans de nombreuses situations toutefois, il est important de préserver la confidentialité des informations. Plutôt que de conserver les données directement dans une chaîne de blocs, celles-ci peuvent être soumises à un processus de hachage7 . Elles sont ainsi divisées en courtes chaînes (appelées « empreintes ») faisant office d’identifiant unique pour les données concernées. Cette opération aide à la certification de la source et de l’intégrité d’enregistrements spécifiques sans pour autant divulguer publiquement d’informations sensibles. Bien qu’il soit en effet impossible d’extraire des informations par simple consultation d’une empreinte, quiconque dispose des données d’origine peut vérifier qu’elles n’ont pas été altérées en comparant cette empreinte avec celle qui a été enregistrée dans la chaîne de blocs.

Plusieurs gouvernements étudient la possibilité d’utiliser les chaînes de blocs pour assurer la transparence et la fiabilité des archives publiques. En 2015, le gouvernement estonien annonçait un partenariat avec la start-up Bitnation visant à proposer à tous ses ressortissants disposant d’un compte en ligne des services de notariat basés sur des chaînes de blocs (actes de mariage, extraits de naissance, contrats commerciaux, etc.). En 2016, l’agence Estonian eHealth Authority s’est associée avec Guardtime, une société de sécurité informatique, afin de créer une infrastructure de chaîne de blocs ayant pour objectif de préserver l’intégrité des dossiers médicaux et autres données sensibles, et d’en améliorer l’auditabilité. En mai 2016, le Ghana s’alliait à l’organisation Bitland pour constituer un cadastre basé sur des chaînes de blocs afin de venir compléter le registre foncier officiel du gouvernement. En janvier 2017, c’est la Géorgie qui s’associait à la société Bitfury pour conserver ses informations de propriété foncière dans un système de chaînes de blocs. Enfin, en avril 2017, la start-up Civic Ledger bénéficiait d’un financement du gouvernement australien afin d’améliorer la transparence et la fiabilité des informations du marché des ressources en eau grâce aux chaînes de blocs.

De nouvelles opportunités sont également apparues dans les secteurs de l’éducation et de la culture. Citons par exemple l’initiative Digital Certificates Project du Massachusetts Institute of Technology (MIT). Lancé en octobre 2016, ce projet s’appuie sur la chaîne de blocs du Bitcoin pour la délivrance de certificats ou d’attestations indiquant qu’un étudiant a suivi une formation spécifique ou réussi un examen. Une initiative du même ordre a vu le jour en France, à l’École supérieure d’ingénieurs Léonard-de-Vinci, laquelle s’est associée avec Paymium, une start-up française spécialisée dans le Bitcoin, afin d’utiliser la chaîne de blocs du Bitcoin pour certifier les diplômes. La société Verisart, fondée en 2015, utilise par ailleurs une chaîne de blocs pour permettre aux artistes et aux collectionneurs d’établir des certificats d’authenticité pour leurs œuvres. Lorsqu’une œuvre est vendue, la transaction est enregistrée sur une chaîne de blocs, de sorte à permettre à chacun de vérifier l’existence d’un titre de propriété valide. Cette initiative a pour objectif la création d’un registre mondial simplifiant l’authentification et la traçabilité des œuvres d’art au niveau mondial.

Pour les entreprises, la technologie de chaîne de blocs représente également un nouveau moyen d’établir la source et l’authenticité des produits. Différentes initiatives ont déjà été mises en place pour lutter contre la contrefaçon de produits de luxe. La société Blockverify exploite ainsi les technologies de chaîne de blocs et de registre distribué pour proposer des solutions de transparence de la chaîne de l’offre et de lutte anti-contrefaçon pour les applications spécifiques aux produits pharmaceutiques, articles de luxe, diamants et équipements électroniques. De même, la société Everledger utilise depuis 2015 une chaîne de blocs pour affecter aux diamants un identifiant unique afin d’en assurer le suivi sur le marché secondaire. Cette technologie peut également aider dans la lutte contre la fraude, le marché clandestin et le trafic, notamment dans le cas des diamants de conflit provenant de zones de guerre.

Le même principe s’applique à d’autres types de produits. Sur le marché du commerce équitable, l’entreprise sociale Provenance, fondée en 2013, met à profit la technologie de chaîne de blocs pour contrôler la provenance des denrées alimentaires, et assurer leur traçabilité à chaque étape, et ce, jusqu’au consommateur final. À ce jour, la société est parvenue à mener une expérimentation concluante basée sur la technologie de chaîne de blocs et l’étiquetage intelligent pour contrôler la provenance de thon en Indonésie, dans le respect des exigences de durabilité sociale. D’autres start-ups ont mis en place des expérimentations du même ordre, notamment pour suivre l’acheminement de produits par transport maritime (TBSx3) ou aider les entreprises agricoles à mieux gérer leur chaîne d’approvisionnement et vérifier la provenance des produits qu’ils utilisent (Agridigital).

Exécution garantie grâce aux contrats intelligents

Une chaîne de blocs peut également contenir des programmes logiciels, généralement appelés « contrats intelligents » (Szabo, 1997)8 , exécutés par des mineurs de manière distribuée sur un réseau de chaîne de blocs. Ces contrats intelligents se distinguent de programmes existants du fait de leur capacité à s’exécuter de façon autonome, c’est-à-dire indépendamment de tout opérateur centralisé ou tierce partie de confiance. On les décrit ainsi souvent comme étant auto-exécutables et à exécution garantie (Buterin, 2013). Ils fonctionnent selon plusieurs étapes de traitement et appliquent des conditions de type « si x, alors y », dont quiconque sur le réseau peut vérifier l’exécution. Parce qu’ils se basent sur un réseau décentralisé qui n’est contrôlé par aucun opérateur unique, les contrats intelligents offrent l’assurance d’une exécution prédéfinie et déterministe, sans nécessiter d’intervention extérieure.

Lancée en août 2015, Ethereum est de loin la plus importante plateforme de déploiement de codes pour contrats intelligents. Il s’agit également du deuxième plus grand réseau de chaînes de blocs après Bitcoin, puisqu’elle totalise une capitalisation boursière de plus de 4 milliards USD et enregistre un volume de transactions quotidien supérieur à 100 millions USD. La chaîne de blocs d’Ethereum exploite un langage de programmation complet au sens de Turing9 , appelé Solidity, associé à une machine virtuelle partagée. Ce langage est de fait devenu une norme pour le développement d’un grand nombre d’applications de chaînes de blocs. Une fois déployé, le code d’un contrat intelligent est conservé, sous une forme précompilée, dans la chaîne de blocs d’Ethereum, puis une adresse lui est affectée. Pour interagir avec un contrat intelligent, les parties doivent envoyer une transaction à l’adresse correspondante, ce qui déclenche automatiquement l’exécution du code sous-jacent. La plateforme Ethereum peut ainsi être considérée comme une couche de traitement mondiale et distribuée, servant de base pour des applications et systèmes décentralisés. Même si Ethereum fait figure de précurseur, d’autres plateformes ont depuis mis en place des fonctionnalités similaires, comme Rootstock, Monax, Lisk et Tezos.

Les contrats intelligents ne permettent généralement la mise en œuvre que de fonctionnalités de base, comme l’exécution d’une transaction conditionnelle en fonction d’un ensemble de paramètres prédéfinis. Ils sont également utilisés pour l’application de systèmes de séquestre, dont le principe vise à lancer une transaction dès qu’une condition précise est remplie. Grâce à un contrat intelligent, il est possible de transférer un actif vers un programme qui s’exécutera automatiquement de manière périodique afin de valider automatiquement certaines conditions et déterminer si cet actif doit être transmis à un tiers, renvoyé à la personne qui en est à l’origine, ou les deux. Ces contrats intelligents peuvent également servir à automatiser des paiements récurrents. Un contrat de location peut ainsi être appliqué à l’aide d’un contrat intelligent stipulant par exemple les dispositions sur lesquelles un locataire et un propriétaire se sont accordés (montant de la location, date de remise des clés, date de libération des lieux, etc.). En combinant et en interconnectant plusieurs contrats intelligents, il est possible de créer des systèmes sophistiqués capables de proposer des fonctionnalités avancées.

Il est important de noter qu’aucun logiciel n’est jamais dénué de défauts, et il en va de même pour les contrats intelligents. L’exécution garantie du code d’un contrat intelligent, associée à l’interdépendance de nombreuses transactions, peut représenter un risque majeur, notamment lorsque ce code est déployé dans un environnement sans système formalisé d’arbitrage ou de résolution des conflits. Le piratage de la plateforme TheDAO illustre parfaitement ce risque (Box 7.3), puisqu’une vulnérabilité présente dans le code d’un contrat intelligent aurait pu entraîner une perte potentielle de plus 150 millions USD.

L’internet des objets

Les opportunités que représente la technologie de chaîne de blocs ne se limitent pas au monde numérique. Elles s’étendent en effet au monde physique par l’amélioration des capacités des objets qui nous entourent. L’avènement de l’IdO marque l’émergence d’appareils connectés capables de communiquer entre eux et d’interagir avec les personnes à proximité afin de mieux s’adapter à leurs besoins spécifiques. Ces appareils présentent des caractéristiques propres aux technologies numériques : la connectivité et la programmabilité.

Une fois ces appareils connectés à une chaîne de blocs, ils bénéficient de fonctionnalités complémentaires du simple fait qu’ils peuvent directement interagir les uns avec les autres, sans l’intervention d’un opérateur intermédiaire, et ainsi échanger des données de manière décentralisée.

Samsung s’est ainsi récemment associé à IBM pour tester la faisabilité d’un appareil IdO doté de fonctionnalités de chaîne de blocs : un lave-linge capable, après avoir détecté un faible niveau de lessive, de déclencher une transaction sur la base d’un contrat intelligent avec un détaillant afin de commander et payer une nouvelle recharge de lessive (IBM, 2015). Outre une réduction des coûts de transaction, ce modèle a pour avantage de ne pas nécessiter du consommateur qu’il communique ses coordonnées bancaires à Samsung ou à un autre opérateur de confiance. Il lui suffit en effet d’approvisionner le compte de son appareil chaque fois que son solde devient insuffisant.

Il s’agit ici d’un exemple d’application très simple, mais ce modèle pourrait être déployé sur de nombreux types d’appareils connectés différents. L’intégration de la technologie de chaîne de blocs avec l’IdO permet l’activation ou la désactivation d’appareils connectés par le biais de simples transactions de chaîne de blocs. À l’instar des lignes téléphoniques mobiles prépayées qui ne peuvent être utilisées que si l’utilisateur dispose d’un crédit suffisant sur son compte, on pourrait imaginer une voiture qu’il n’est possible de démarrer que si le conducteur a acheté un stock suffisant de kilomètres. On pourrait également envisager un véhicule de location dont les droits d’utilisation seraient représentés par un jeton sur une chaîne de blocs et qui pourraient ainsi être transférés à tout moment par le biais d’une simple transaction, sans recourir à un quelconque opérateur centralisé.

Bien que ces exemples ne soient actuellement que théoriques, différentes initiatives de ce type sont d’ores et déjà à l’œuvre. La société allemande Slock.it développe par exemple depuis 2015 des serrures connectées qu’il est possible de contrôler à l’aide de contrats intelligents. Le propriétaire d’une telle serrure exploitant la technologie de chaîne de blocs peut ainsi définir le tarif dont devra s’acquitter un tiers pour avoir le droit d’ouvrir cette serrure pendant une durée déterminée. Une fois la somme versée, un contrat intelligent octroiera au tiers à l’origine de la transaction le droit d’utiliser cette serrure pendant la période complète de la location. Bien que le développement de ce produit ne soit qu’à ses prémices, la société Slock.it a pour ambition de voir sa technologie s’appliquer à la location de bicyclettes, de garde-meubles, d’habitations et même de véhicules. Une autre société, Filament, travaille depuis 2012 sur la mise au point d’un réseau sans fil sécurisé pour appareils connectés, et se penche actuellement sur l’adoption d’une chaîne de blocs pour l’échange de données de capteurs et autres informations, ainsi que pour l’établissement de transactions entre ces appareils dans le cadre de contrats intelligents.