« Dans la quête aux réductions d’émissions de CO2, on parle régulièrement de différents leviers : démographie, décroissance, sobriété, efficacité énergétique ou encore mix énergétique. Pour comprendre l’impact de chacun de ces termes, il est commode de se servir de l’équation de Kaya. Cette équation, que l’on doit à l’économiste japonais Yoichi Kaya, décompose les émissions de CO2 énergétiques (donc qui proviennent de la consommation d’énergie) selon une formule mathématique qui n’est qu’une tautologie, mais qui donne un axe de lecture intéressant. Dans « Environment, Energy, and Economy : strategies for sustainability« , il écrit en 1997 que la quantité de CO2 énergétique émise dans l’atmosphère est égale à l’intensité carbone de l’énergie, multipliée par l’intensité énergétique du PIB, multipliée par le PIB par habitant, multiplié par la population. » … Simon Yaspo.
We investigate the potential implications of large language models (LLMs), such as Generative Pretrained Transformers (GPTs), on the U.S. labor market, focusing on the increased capabilities arising from LLM-powered software compared to LLMs on their own. Using a new rubric, we assess occupations based on their alignment with LLM capabilities, integrating both human expertise and GPT-4 classifications. Our findings reveal that around 80% of the U.S. workforce could have at least 10% of their work tasks affected by the introduction of LLMs, while approximately 19% of workers may see at least 50% of their tasks impacted. We do not make predictions about the development or adoption timeline of such LLMs. The projected effects span all wage levels, with higher-income jobs potentially facing greater exposure to LLM capabilities and LLM-powered software. Significantly, these impacts are not restricted to industries with higher recent productivity growth. Our analysis suggests that, with access to an LLM, about 15%
