De la planification à la prédiction algorithmique : quelle vision d’avenir ?
Par sa puissance prédictive, l’IA transforme les sciences économiques en science comportementale – à la fois outil de connaissance des comportements et levier d’action sur ceux-ci. Mais un modèle entraîné sur les données du marché antérieures à 2008 aurait-il pu prédire la crise ? L'IA ne « prédit » pas l’avenir, elle projette à partir de données historiques et ne cherche pas les mécanismes sous-jacents.
L’intelligence artificielle (IA) modifie profondément les sciences économiques en les rapprochant des sciences comportementales. Elle permet d’analyser les comportements humains à grande échelle grâce à sa puissance prédictive, devenant à la fois un outil d’observation et un levier d’action sur ces comportements. Cependant, l’IA ne prédit pas l’avenir de manière absolue : elle se base sur des données historiques pour projeter des tendances futures, sans chercher à comprendre les mécanismes sous-jacents qui les expliquent. Par exemple, un modèle d’IA entraîné uniquement avec des données antérieures à la crise financière de 2008 n’aurait probablement pas pu anticiper cet événement majeur, car il ne dispose pas de la capacité à identifier les causes profondes des phénomènes économiques. Cette limite soulève une question fondamentale : l’innovation technologique, sans compréhension des mécanismes, peut-elle vraiment permettre une anticipation fiable des crises ?
La planification économique et la prédiction algorithmique représentent deux approches distinctes pour anticiper l’avenir, mais elles partagent un objectif commun : maîtriser le futur. La planification, popularisée au XXe siècle, consiste à définir des objectifs à long terme et à organiser les ressources pour les atteindre. En Union soviétique, les plans quinquennaux ont été introduits dès les années 1920 pour piloter l’industrialisation et coordonner l’économie de manière supposée rationnelle. En France, le Commissariat général au Plan, créé après la Seconde Guerre mondiale, jouait un rôle clé dans la reconstruction et le développement du pays. À l’inverse, la prédiction algorithmique repose sur l’analyse de données massives pour identifier des motifs et projeter des scénarios futurs. Cependant, cette méthode ne remplace pas la planification, car elle ne fournit pas de cadre d’action structuré. Les deux approches coexistent, mais leur complémentarité reste un sujet de débat.
L’évolution des outils de planification et de prévision a été marquée par l’introduction de méthodes mathématiques et numériques de plus en plus sophistiquées. Dans les années 1940 et 1950, la recherche opérationnelle et l’optimisation sont devenues des piliers de la planification économique, notamment dans le contexte de l’économie de guerre. Ces techniques permettaient de résoudre des problèmes complexes de logistique, de production ou de répartition des ressources. L’avènement du numérique a ensuite accéléré leur généralisation, rendant possible la modélisation de scénarios à grande échelle. En France, le Commissariat général au Plan a bénéficié de ces avancées pour élaborer des modèles de croissance et de développement. Cependant, ces outils restent dépendants des données disponibles et des hypothèses retenues, ce qui limite leur capacité à anticiper des événements imprévus, comme une crise financière.
Dans les années 1970, la planification économique traditionnelle, incarnée par des institutions comme le Commissariat général au Plan en France, entre en crise. Plusieurs facteurs expliquent ce déclin. D’une part, les modèles de planification, basés sur des hypothèses de croissance stable et de prévisibilité des comportements économiques, se révèlent inadaptés face aux chocs pétroliers et à l’instabilité des marchés. D’autre part, l’émergence de nouvelles méthodes, comme les approches algorithmiques et les modèles de sciences comportementales, remet en cause la légitimité des méthodes traditionnelles. Cette période marque un tournant où la planification perd progressivement son hégémonie au profit de techniques plus flexibles, mais aussi plus opaques, comme les algorithmes de prédiction.
La capacité à anticiper l’avenir est au cœur du pouvoir politique et économique. Historiquement, les États ont cherché à maîtriser cette capacité pour influencer le cours des événements et assurer la prospérité de leurs citoyens. La planification économique, popularisée au XXe siècle, était un outil central de cette stratégie, permettant aux gouvernements de définir des objectifs à long terme et d’allouer les ressources en conséquence. Cependant, avec l’essor des technologies numériques et de l’IA, cette vision a évolué. Les algorithmes de prédiction offrent une nouvelle forme de maîtrise, mais leur efficacité dépend de la qualité des données et des modèles utilisés. Ainsi, le pouvoir ne se mesure plus seulement à la capacité de planifier, mais aussi à celle de collecter, analyser et exploiter des données massives pour orienter les décisions.
Malgré leur puissance, les modèles d’IA présentent des limites majeures dans leur capacité à prédire les crises économiques. Un algorithme entraîné sur des données antérieures à 2008, par exemple, n’aurait probablement pas pu anticiper la crise financière de cette année-là, car il ne dispose pas de la capacité à identifier les causes structurelles des déséquilibres économiques. Les modèles d’IA se contentent de projeter des tendances à partir de données historiques, sans chercher à comprendre les mécanismes sous-jacents. Cette limitation soulève une question essentielle : une innovation technologique peut-elle vraiment remplacer une analyse approfondie des causes profondes des phénomènes économiques ? Pour l’instant, l’IA reste un outil complémentaire, mais pas un substitut à une réflexion stratégique et politique.
