Au début de la pandémie de COVID-19 (juin 2020), LinkedIn a publié un rapport montrant que la demande de compétences en IA s’était refroidie, mais en octobre 2020, la demande était déjà revenue en force. Ce n’est pas surprenant : selon le 2020 RELX Emerging Tech Executive Report, l’adoption de l’IA a grimpé en flèche pendant la pandémie, et 68 % des entreprises ont augmenté leurs investissements en IA au cours de l’année. De plus, 81 % des entreprises déclarent désormais utiliser des technologies d’IA, en hausse de 33 points de pourcentage depuis 2018.
Les entreprises utilisent de plus en plus les technologies de l’IA sur des applications critiques, ce qui a entraîné une explosion du besoin de data scientists et de technologues pour créer et prendre en charge ces applications. Sans surprise, 39 % des entreprises citent désormais le manque d’expertise technologique comme l’un des principaux obstacles à l’utilisation et à l’adoption de l’IA.
Malgré la valeur de l’apprentissage automatique, une grande partie du développement de l’IA repose toujours sur deux piliers : les technologies et la disponibilité du capital humain. Nos précédents rapports pour Brookings, « Comment différents pays voient l’intelligence artificielle » et « Analyse des plans d’intelligence artificielle dans 34 pays », détaillaient la façon dont les pays abordent les plans nationaux d’IA et comment interpréter ces plans. Dans notre article de suivi le plus récent, « Les gagnants et les perdants dans la réalisation des aspirations nationales en matière d’intelligence artificielle », nous avons discuté de la façon dont différents pays réalisaient leurs aspirations selon des dimensions axées sur la technologie et sur les personnes. Dans cette première analyse de suivi, nous approfondissons la dimension humaine de notre typologie, en accordant une attention particulière aux lacunes et aux niveaux de compétences.
Développement des facteurs de capital humain
Nous avons suivi la même stratégie en examinant la dimension humaine de la réalisation du plan stratégique de l’IA que nous l’avons fait avec notre poste précédent. Dans ce cas, nous avions trois éléments de données qui constituaient notre dimension humaine : Pénétration relative des compétences (la prévalence des compétences en IA pour la profession moyenne du pays), Indice d’embauche d’IA (le pourcentage de membres LinkedIn dans un pays donné qui avaient des compétences en IA se reflète dans leur profil), et Diplômés en STIM (le nombre de diplômés titulaires de diplômes STEM dans un pays donné). Les deux premiers éléments de données provenaient du travail d’intelligence artificielle du Human Center de Stanford, tandis que les informations sur les diplômés STEM provenaient de la Banque mondiale.
Plutôt que d’essayer d’interpréter trois éléments de données isolément les uns des autres, nous avons effectué une analyse factorielle pour déterminer si l’un des trois éléments de données était étroitement lié. Des éléments étroitement liés ont été mathématiquement combinés en un seul facteur composite qui contient les deux éléments de données pour faciliter l’interprétation des données.
Notre analyse factorielle a montré Pénétration relative des compétences et Indice d’embauche d’IA étaient étroitement liés les uns aux autres et formaient un seul facteur composite. Notre autre élément de données, les diplômés en STIM, n’était pas mathématiquement lié aux autres éléments de données, et notre interprétation est donc basée sur ces deux facteurs. Le premier facteur reflète le marché du travail actuel pour l’IA, puisqu’il est basé sur les professionnels et les offres d’emploi qui existent actuellement.
Le deuxième facteur est basé sur Étudiants STIM au sein de chaque pays, ce qui reflète les futurs ajouts au marché du travail. À mesure que ces étudiants en STIM obtiendront leur diplôme, ils changeront l’état du marché du travail. En utilisant les deux facteurs, nous pouvons interpréter la dimension des personnes au sein de deux sous-dimensions distinctes : le marché actuel et le marché futur.
La figure 1 montre où se situe un groupe sélectionné de pays le long de ces sous-dimensions.
Nous interprétons et nommons les quadrants comme suit. Les pays qui sont dans le coin supérieur droit que nous doublons « Dirigeants » ; ils ont à la fois un marché actuel robuste (facteur 1) et une forte offre entrante d’étudiants qualifiés en STIM (facteur 2). Les pays dans le quadrant inférieur droit que nous doublons « Avenir préparé» et ce sont des pays qui ont une offre entrante d’étudiants qualifiés en STEM, mais leur marché du travail actuel est plus faible. Les pays dans le quadrant supérieur gauche – nous appelons le « Présent préparé” et sont ces pays qui ont un marché du travail actuel robuste, mais ils manquent d’une forte offre de talents entrants. Enfin, le quadrant inférieur gauche – nous appelons le « Non préparé” et ceux-ci reflètent les pays qui n’ont ni un marché du travail actuel solide, ni une offre importante de talents entrants.
Inde, Allemagne et Singapour
L’Inde (94e centile sur le marché actuel et 92e centile sur le marché futur), l’Allemagne (73e centile sur le marché actuel et 98e centile sur le marché futur) et Singapour (82e centile sur le marché du travail actuel et 94e centile sur le marché futur) sont tous idéalement positionnés pour répondre aux exigences en capital humain du travail de l’IA. Les trois pays disposent actuellement d’un solide marché de personnes techniquement qualifiées et sont positionnés pour générer encore plus avec leur parcours éducatif actuel. Nous ne voyons pas de problèmes centrés sur les personnes susceptibles de les entraver.
Chine et Corée du Sud
La Chine (48e centile sur le marché actuel et 96e centile sur le marché futur) et la Corée du Sud (50e centile sur le marché actuel et 86e centile sur le marché futur) sont dans la même position. Bien qu’ils ne disposent pas actuellement d’un marché solide pour les technologues en IA, ils poussent un nombre impressionnant d’étudiants dans les domaines STEM ; au fil du temps, cela les déplacera dans le quadrant Leaders. Pour ces pays, la question est de savoir à quelle vitesse ils peuvent convertir leur nouvelle vague de diplômés en STEM sur le marché du travail et combien, le cas échéant, de leurs diplômés partent pour d’autres pays.
États-Unis, Canada, Australie et Suède
Ces quatre pays sont confrontés à un problème similaire. Bien qu’ils aient actuellement un marché solide pour les technologues qualifiés, ils sont sur le point de tomber d’une falaise sans un groupe entrant solide d’étudiants qualifiés en STIM. Alors que le Canada (80e centile sur le marché actuel et 38e centile sur le marché futur) est dans une position légèrement meilleure que les trois autres pays, les quatre pays doivent pousser plus fort pour encourager plus de résidents à entrer dans les domaines STEM. Pour les États-Unis (80e centile sur le marché actuel et 18e centile sur le marché futur), ce problème est susceptible de s’aggraver : la majorité de leurs étudiants actuels en STEM viennent d’autres pays et sont susceptibles de retourner dans leur pays d’origine après l’obtention de leur diplôme. En tant que tel, nous pensons que la position des États-Unis peut être artificiellement optimiste, car nos données ne distinguent pas la citoyenneté des étudiants STEM actuels dans le pays.
Les États-Unis sont mal classés
À l’heure actuelle, l’Inde, Singapour et l’Allemagne sont en position de force et développent également un capital humain suffisant pour mettre en œuvre leurs stratégies nationales d’IA. Toutes nos analyses indiquent que leurs marchés actuels sont bons et que leurs marchés futurs sont également solides. La Chine et la Corée du Sud sont en train de rattraper l’Inde, Singapour et l’Allemagne, car leur marché du travail actuel est faible mais ils ont une base très solide de talents entrants.
Il n’y a aucun moyen de contourner les mauvaises nouvelles pour les États-Unis, le Canada, l’Australie (62e centile sur le marché actuel et 20e centile sur le marché futur) et la Suède (48e centile sur le marché actuel et 72e centile sur le marché futur). Les quatre pays vont avoir des problèmes avec un manque de talents en IA à moins qu’ils n’améliorent immédiatement et considérablement le nombre de diplômés en STEM dans leurs collèges et universités. Alors qu’ils survivent sur la base du nombre et des talents qui existent actuellement, l’avenir semble sombre à moins que des mesures fortes ne soient prises.
Dans notre prochain article, nous approfondirons la dimension technologique de la réalisation des plans stratégiques nationaux d’IA. Mais, sans aucun doute, ces résultats sont un appel clair aux États-Unis pour qu’ils apportent des changements spectaculaires dans l’enseignement des STEM maintenant ou qu’ils soient bientôt relégués au deuxième rang.
