Ce glossaire explique chaque paramètre du modèle en langage simple. Chaque variable influence la trajectoire du chômage (Ut) et de la pénétration de l'IA (Lt) sur l'horizon de simulation.
⚙️ Paramètres du Modèle
Proportion des tâches techniquement automatisables dans l'économie. Si A = 0.7, 70% des tâches pourraient être automatisées.
Effet : Plus A est élevé, plus le potentiel de destruction d'emplois est grand.
Part des tâches automatisables effectivement remplacées par des machines. Exemple : si des robots remplacent la moitié des ouvriers, pR = 0.5.
Effet : Un pR élevé augmente le chômage à court terme.
Proportion de tâches exposées à l'IA qui donnent naissance à de nouvelles tâches humaines (ex: prompt engineer, superviseur d'IA).
Effet : Un pE élevé crée des emplois et compense le remplacement.
Réaction de la demande de travail aux gains de productivité. Si la productivité augmente, la demande de biens augmente-t-elle suffisamment ?
Effet : s > 1 stimule la demande et crée des emplois. s faible = destruction d'emplois nets.
Amélioration de l'efficacité sur les tâches automatisées. Si g = 0.3, les tâches automatisées sont 30% plus productives.
Effet : Augmente la production mais peut réduire l'emploi si s est faible.
Combien d'emplois humains sont créés par unité de nouvelles tâches générées par l'IA.
Effet : cE élevé = nouvelles tâches "intensives en emploi".
Vitesse à laquelle les travailleurs se reconvertissent et trouvent de nouveaux emplois (formation, mobilité géographique).
Effet : α = 0.5 corrige la moitié du déséquilibre chaque année. α faible = chômage de transition long.
📊 Conditions Initiales
Proportion de la population active sans emploi au début de la simulation. Point de départ de la trajectoire.
Proportion des emplois déjà concernés par l'automatisation/IA au début de la simulation.
🚀 Diffusion et Horizon
Vitesse à laquelle l'IA se propage vers de nouveaux secteurs de l'économie.
Effet : β = 0.1 signifie ~10% des secteurs non exposés le deviennent chaque année. Lt converge vers 1.
Durée de la projection du modèle. 20 ans permet d'observer les tendances de long terme.
📈 Variables de Sortie
Proportion de la population active sans emploi à l'année t.
Évolution : Augmente si destruction > création + réallocation. Diminue si l'effet enabling et la réallocation compensent le remplacement.
Proportion des emplois situés dans des secteurs où l'IA est présente.
Évolution : Converge vers 1 (100%) lorsque l'IA se diffuse dans toute l'économie, selon la vitesse β.