La question de savoir si une machine peut faire un meilleur travail qu'un être humain fait l'objet de nombreux débats, en particulier dans le cadre de projets de recherche tels que les ethnographies, dont l'exécution nécessite une expérience et une expertise considérables. La réponse courte est bien sûr oui, et il est de plus en plus difficile d'ignorer les preuves. C'est l'une des raisons pour lesquelles je n'ai pas eu beaucoup d'anthropologues "traditionnels" comme amis dans les premières années de la création de notre entreprise. À l'époque, en tout cas, ils avaient du mal à croire à notre technologie et à notre vision. Ils n'arrivaient pas à se faire à l'idée qu'une machine puisse les aider à éviter les erreurs typiques qu'ils commettent, en tant qu'êtres humains, à maintes reprises. Quelle que soit son expérience, l'être humain, par le simple fait de vivre, de respirer et d'avoir un ensemble de valeurs et de croyances, ne peut pas trouver le moyen de laisser son jugement sur une situation ou une série de points de données obscurcir le résultat qui en découle. Ce problème est encore aggravé par le manque d'échelle dans le processus des projets de recherche typiques menés par l'analyse humaine.
Cette brève étude de cas est une preuve supplémentaire de mon point de vue. Lorsqu'une équipe d'experts composée d'un économiste de Harvard, de trois informaticiens et d'un expert en cautionnement de l'université de Chicago a confronté une machine à des juges très expérimentés de la ville de New York sur une série d'échantillons importants (plus de 550 000 défendeurs) d'audiences de cautionnement, elle a constaté que la machine était nettement plus précise, malgré la riche expérience des juges et leur capacité à regarder le "coupable" présumé dans les yeux et à prendre des décisions en faisant preuve d'empathie. Quelle précision ? L'algorithme aurait permis de réduire les taux de criminalité (parmi les personnes libérées sous caution) de près de 25 % et les taux d'incarcération de 41 %. L'algorithme a également été en mesure de contrecarrer les préjugés raciaux, ce qui, comme vous le savez probablement déjà, est en soi l'un des plus grands défis auxquels est confronté le système de justice pénale aux États-Unis.
Lorsque nous avons créé notre entreprise il y a quatre ans et demi, nous avons commencé par nous concentrer sur la construction d'outils qui pourraient non seulement faciliter le processus d'ethnographie, mais surtout intervenir à des moments critiques du processus pour minimiser l'erreur humaine. Nous voulions créer un niveau de pureté que, théoriquement, nous savions que les big data et l'IA pouvaient permettre, mais que nous n'avions pas encore vu à l'œuvre dans les sciences sociales. Plus précisément, nous voulions construire les outils de manière à obliger nos chercheurs à suivre les traces naturelles laissées par le consommateur dans toute culture étudiée. Nous ne voulions pas que les chercheurs partent à la recherche de ces miettes de pain (ce qui est généralement le cas dans le processus traditionnel). Et nous ne voulions surtout pas qu'ils fassent des suppositions en cours de route, en comblant les lacunes avec leurs propres connaissances et expériences. Grâce à une série d'expériences et d'apprentissages menés pendant plus de deux ans, nous avons non seulement découvert que c'était possible, mais aussi que la machine pouvait prendre en charge plus de 80 % du processus de recherche. La collecte de données, la modélisation et même l'interprétation sont toutes effectuées par la machine, qui établit essentiellement une carte que nos chercheurs et nos utilisateurs peuvent suivre. Le fait de suivre cette carte, plutôt que de devoir la créer, signifie que très peu de choses sont laissées au jugement humain et que les parties qui requièrent l'expertise et l'expérience du chercheur interviennent beaucoup plus tard dans le processus de recherche - lorsque le chercheur doit suivre le fil d'Ariane du consommateur et développer une narration à partir des résultats. Étant donné que l'interprétation de chacun de ces fils d'Ariane est déjà fournie par la machine, le chercheur est chargé de donner un sens aux différentes couches d'interprétation, plutôt que d'élaborer les interprétations et de devoir ensuite construire un récit à partir de celles-ci. Il s'agit d'une réalisation importante dans le monde de l'anthropologie culturelle et de l'ethnographie, et je suis fier de dire que nous n'avons pas encore rencontré d'autre entreprise/technologie qui tente de faire la même chose.
La première version de notre technologie est née en 2017. Nous en sommes déjà à la version 2, avec des avancées significatives dans la capacité de la machine à interpréter et prédire l'avenir des tendances, des sujets et des cultures. Nous avons pu réaliser tout cela parce que notre technologie nous a permis de déplacer les tâches pour lesquelles les humains étaient nécessaires, plus bas dans le processus - ce qui a signifié une meilleure nuance et une erreur marginale. Pour en revenir au point par lequel j'ai commencé cet article - comparer l'homme à la machine - je ne pense pas que nous soyons encore au stade où la machine peut faire tout ce qu'un anthropologue humain peut faire. Cependant, en tirant parti de la technologie aux bons endroits, nous avons été en mesure de modifier le rôle de l'anthropologue humain (dans le processus ethnographique) pour le meilleur, avec une plus grande implication dans la dernière moitié du processus de recherche où les erreurs de jugement sont minimisées et les avantages de l'IA et du Big Data sont maximisés.
Les résultats parlent d'eux-mêmes. Collectivement, au cours des quatre dernières années, nos clients ont lancé plus de 100 marques et produits en utilisant nos ethnographies pilotées par des machines, générant plus de 5 milliards de nouveaux revenus pour leurs entreprises. Pourtant, nous avons toujours l'impression de n'en être qu'au début.