Le paradoxe de la productivité de l'IA

Pourquoi l'IA, qui fait gagner du temps à ceux qui l'utilisent, n'en fait gagner ni aux entreprises ni à l'économie — mais coûte déjà leurs postes aux débutants ?

L'intelligence artificielle générative occupe une position inconfortable dans le débat économique. Sur certaines tâches, des expériences contrôlées mesurent des gains substantiels de vitesse et de qualité. Trois ans après la diffusion massive de ces outils, ces gains n'apparaissent toujours ni dans les statistiques de productivité, ni dans les salaires, ni dans les heures travaillées. La tentation est de trancher : soit les expériences exagèrent, soit les statistiques retardent. Les deux explications sont fausses. Ce qui se joue entre le gain mesuré en laboratoire et l'effet agrégé — l'adoption réelle, la réorganisation du travail, le temps de contrôle humain, la répartition des bénéfices — constitue le véritable objet d'étude.

Des gains réels, mais très inégaux

Les gains microéconomiques sont établis mais très inégaux. Brynjolfsson, Li et Raymond ont suivi 5 179 agents de support client équipés d'un assistant conversationnel : le nombre de problèmes résolus par heure a progressé de 14 % en moyenne, mais le bénéfice s'est concentré presque entièrement sur les agents novices, l'effet étant faible voire légèrement négatif pour les plus expérimentés. L'expérience menée avec 758 consultants du Boston Consulting Group va plus loin et donne un résultat double. Sur des tâches situées dans la zone de compétence de GPT-4, les consultants équipés ont accompli 12,2 % de tâches supplémentaires, 25,1 % plus vite, avec une qualité supérieure de plus de 40 %. Sur une tâche délibérément choisie hors de cette zone, les mêmes consultants avaient 19 points de pourcentage de chances en moins de produire une solution correcte que le groupe sans IA. La frontière de compétence des modèles est irrégulière, deux tâches d'apparence voisine peuvent se situer de part et d'autre, et rien dans la fluidité de la réponse n'indique de quel côté l'on se trouve.

Une adoption large, un usage superficiel

La diffusion est large mais peu intense. Entre août 2024 et mai 2026, la part des travailleurs américains utilisant l'IA pour leur emploi est passée de 33 % à 45 % . Près de neuf utilisateurs sur dix y recourent chaque semaine, mais seulement un quart chaque jour : c'est un usage d'appoint, pas une transformation de processus. Du côté des entreprises, le tableau est inverse — large en surface, mince en profondeur : l'adoption organisationnelle atteint 88 %, tandis que le déploiement d'agents autonomes reste à un chiffre dans presque toutes les fonctions. L'étude la plus concluante est danoise. Humlum et Vestergaard ont relié les réponses de 25 000 salariés de onze métiers exposés aux registres administratifs de salaires et d'heures : malgré une adoption large et des investissements réels des employeurs, ils estiment des effets nuls, et nuls avec précision, leurs intervalles de confiance excluant tout effet supérieur à 1 %. L'économie de temps déclarée n'atteint que 2,8 % des heures travaillées, et ne se répercute quasiment pas sur les salaires.

La taxe de révision

Reste le mécanisme le plus souvent négligé. Un modèle produit une réponse en quelques secondes, mais celle-ci exige ensuite une vérification factuelle, une adaptation au contexte, parfois une validation juridique et une reprise complète. Le temps économisé en amont est consommé en aval. Ce n'est pas une hypothèse. En juillet 2025, METR a fait passer un essai contrôlé randomisé à seize développeurs open source expérimentés sur 246 tâches réelles : autorisés à utiliser des outils d'IA, ils ont mis 19 % de temps en plus. Ils en attendaient un gain de 24 %, et après coup, ils estimaient encore avoir été 20 % plus rapides. Le périmètre est étroit — professionnels chevronnés, bases de code qu'ils maîtrisent, outils de début 2025 — et le résultat ne se transpose ni aux débutants ni aux projets nouveaux. Mais l'écart de près de quarante points entre productivité perçue et productivité mesurée vise directement la manière dont les entreprises pilotent leurs déploiements : le temps déclaré par les utilisateurs, qui fonde la quasi-totalité des calculs de retour sur investissement internes, peut se tromper de signe.

Ce que cela vaut à l'échelle d'une économie

Ces observations convergent avec l'estimation de Daron Acemoglu, qui table sur une hausse de la productivité globale des facteurs d'environ 0,7 % sur dix ans, ramenée sous 0,55 % en tenant compte du fait que les gains déjà mesurés portent sur les tâches les plus faciles à apprendre . La critique mérite d'être rapportée : Goldman Sachs, dont les projections sont d'un tout autre ordre, objecte qu'Acemoglu ne comptabilise que les gains d'efficacité sur les tâches existantes, en excluant la réallocation du travail et la création de tâches nouvelles . Les deux camps ne calculent pas la même chose. Et l'absence de signal n'est pas une preuve : Brynjolfsson, Rock et Syverson ont montré que les technologies à usage général exigent un capital immatériel considérable, comptabilisé comme un coût alors qu'il produit un actif, ce qui déprime la productivité mesurée avant de la relever .

L'emploi des débutants recule déjà

Un signal est pourtant déjà visible dans les données de paie. L'emploi des travailleurs de 22 à 25 ans dans les métiers les plus exposés à l'IA a reculé d'environ 6 % entre fin 2022 et mi-2025, tandis que leurs aînés des mêmes métiers voyaient le leur progresser. La tension avec ce qui précède est frappante : dans les expériences, ce sont les débutants qui profitent le plus de l'IA ; dans les données d'emploi, ce sont les postes de débutants qui reculent. Si les deux se confirment, la difficulté n'est pas que l'IA remplace les juniors, mais qu'elle supprime la marche par laquelle on devient senior.

Mesurer la productivité nette

La question décisive n'est donc pas de savoir combien de tâches l'IA peut automatiser, mais quelles capacités elle permet de développer, quelles responsabilités elle déplace et qui bénéficie des gains. Cela suppose de mesurer la productivité nette — le résultat utilisable rapporté au temps de génération augmenté du temps de contrôle et de correction — et d'observer ces durées plutôt que de les faire déclarer.