L'économie des chercheurs IA superstars

L'intelligence artificielle est l'un de ces domaines où les meilleurs s'en sortent bien mieux que tous les autres. Les chercheurs superstars des laboratoires de pointe gagnent plus de dix fois plus que la plupart de leurs collègues — qui se contentent eux-mêmes de modestes salaires de millionnaires. Ils peuvent même gagner cent fois plus qu'un post-doctorant moyen en IA :

Pourquoi de tels écarts ? L'explication naïve, c'est que certains chercheurs sont juste vastement supérieurs. Les superstars auraient un goût exceptionnel dans le design des algorithmes et des expériences. Ou un talent particulier pour les « yolo runs » — ces entraînements qui implémentent plein de changements ambitieux d'un coup, en s'appuyant sur une intuition profonde, là où la plupart des gens devraient tester chaque modification séparément. Dans cette lecture, les superstars sont les fameux « 10× engineers » que la Silicon Valley vénère, et c'est cette qualité qui justifie l'écart de paie.

Le problème de cette explication, c'est qu'elle est très incomplète. En réalité, on devrait observer de gros écarts de paie même si les superstars n'étaient qu'un tout petit peu meilleurs qu'un post-doctorant moyen. Mais pourquoi ?

La réponse courte : il existe une dynamique économique bien connue qui transforme de petites différences de talent en énormes différences de paie. Deux exemples parlants :

• Au 100 mètres sprint, le médaillé d'or capte infiniment plus d'attention et de récompense que le médaillé d'argent, alors qu'ils ont été littéralement au coude-à-coude sur la majeure partie de la course. Aux JO de Londres 2012, Usain Bolt gagne l'or. La plupart des gens n'ont aucune idée du nom du médaillé d'argent, qui a pourtant fini à seulement 0,12 seconde derrière. (Vous, vous savez ?)
• Certains musiciens gagnent beaucoup plus que d'autres. Taylor Swift a gagné 60-70 M$ sur Spotify l'an dernier. Je ne doute pas qu'elle soit une « 10× chanteuse » comparée à moi. Mais c'est très discutable qu'elle soit tellement meilleure que d'autres stars comme Ed Sheeran, Blackpink, Charli XCX ou Lana Del Rey, qui sont eux entre 5 et 25 M$ :

Dans ces deux cas, de petites différences de talent ont produit d'énormes écarts de revenu d'une manière ou d'une autre. L'économiste Sherwin Rosen a baptisé ce phénomène l'« effet superstar ». Il se déclenche quand deux conditions sont réunies.

La première condition fait qu'un infime avantage de qualité capte une énorme valeur supplémentaire, justifiant de payer cher pour le meilleur — à condition que la quantité ne puisse pas compenser la qualité (seconde condition). Sinon, il suffirait d'embaucher plus de monde moins cher.

Les chercheurs IA cochent les deux cases. Le marché est gigantesque : ChatGPT a presque un milliard d'utilisateurs, servis par une poignée de modèles sous-jacents. La contribution d'un seul chercheur peut donc se propager à tous les utilisateurs simultanément.

Et en IA, la quantité de chercheurs ne compense pas facilement la qualité : les labos de pointe sont contraints par le calcul. Ils ne peuvent lancer qu'un nombre limité d'expériences pour tester de nouvelles innovations algorithmiques. Deux chercheurs « simplement très bons » ne peuvent pas remplacer un Noam Brown si ce qu'il faut c'est une intuition profonde sur quelles expériences valent la peine d'être tentées en premier lieu. Sans compter la difficulté à coordonner plus de chercheurs quand le temps presse.

C'est ainsi qu'un « 2× chercheur » peut gagner bien plus que la médiane. À l'échelle d'un milliard d'utilisateurs, un avantage de qualité même minime génère une valeur différentielle énorme. Et si ce 2× chercheur peut apporter quelque chose que plusieurs 1× chercheurs ne pourraient pas, alors ça vaut le coup de payer beaucoup pour capturer cette valeur.

Les laboratoires d'IA de pointe sont souvent décrits comme étant dans une « course ». Je ne sais pas exactement vers quoi ils courent, mais ça semble souvent impliquer l'automatisation de pans entiers du travail humain — un prix potentiellement de plusieurs dizaines de milliers de milliards de dollars par an, si on gagne. Cela incite les labos à adopter une posture « tout ou rien », et toute chose qui améliore leurs chances ne serait-ce qu'un peu peut valoir énormément. D'où les packages allégués de 100 millions de dollars proposés par Meta pour débaucher les meilleurs chercheurs d'OpenAI.

En principe, c'est même possible que ça pousse bien au-delà de ce qui est socialement utile (peu importe la définition) — comme ces traders haute fréquence qui dépensent des fortunes pour exécuter un trade quelques microsecondes plus vite, pour quasiment aucun bénéfice social.

D'autres forces sont à l'œuvre. Les meilleurs chercheurs portent dans leur tête des secrets industriels précieux — les résultats d'expériences coûteuses que les concurrents n'ont pas lancées, et qui coûteraient une fortune à reproduire. Beaucoup managent aussi des équipes, apportant donc bien plus que leur seule contribution technique. Noam Brown s'est récemment décrit comme « manager chez OpenAI ». Chacun de ces facteurs contribue à l'écart, indépendamment de la prime superstar.

Par ailleurs, il est difficile de mesurer quantitativement l'effet superstar. Je ne connais pas de bonne manière de quantifier la « qualité d'un chercheur ». Il existe de vaillantes tentatives comme RE-bench de METR, mais elles contiennent de petites tâches isolées (genre « finetuner GPT-2 ») plutôt que des projets avec des millions de lignes de code, des objectifs flous, et beaucoup de coordination entre personnes.

Malgré ces complications, l'effet superstar nous dit plusieurs choses utiles. D'abord, j'ai vu plusieurs articles de presse sur les tentatives de Meta pour débaucher des chercheurs avec des salaires exorbitants, dans leur quête de « Personal Superintelligence ». Mais ces papiers passent généralement à côté de cet important effet superstar (même s'ils évoquent souvent les dynamiques de course).

Autre implication importante : pour la manière dont on pense l'explosion d'intelligence. Si un écart de paie de 100× est porté par un écart de qualité de chercheur de 100×, alors simuler un top chercheur pourrait accélérer les choses bien plus que simuler un chercheur moyen. Mais ce n'est pas le cas si l'écart de paie est largement porté par la dynamique superstar — l'écart de qualité réel pourrait être bien plus petit.

Enfin, connaître cet effet nous donne des indices sur ce qui se prépare. L'effet superstar va devenir encore plus important. Parce que beaucoup plus de gens vont utiliser l'IA, et chacun va l'utiliser bien plus intensément. Et à mesure que la recherche s'oriente vers le management d'une armée de Claudes, ceux qui ont une intuition profonde et des années d'expérience en management de recherche verront probablement leur productivité — et la taille de leur portefeuille — exploser.

Si quelque chose, les revenus superstars pourraient devenir un sujet encore plus brûlant — 100 millions de dollars par an de rémunération pourraient bien ne plus suffire.