La semaine dernière, OpenAI et Anthropic ont toutes deux annoncé le lancement d’activités de conseil financées par des fonds d’investissement privés, afin d’intégrer leurs modèles dans les processus opérationnels d’entreprises de taille moyenne. Avec le soutien de Blackstone, d’Hellman & Friedman et de Goldman Sachs, Anthropic procèderait actuellement à la levée de 1,5 milliard de dollars pour ce projet, tandis qu’OpenAI aurait levé 4 milliards auprès de 19 investisseurs – menés par TPG, Brookfield et Bain – pour une valorisation de 10 milliards.
Ces 5,5 milliards de dollars au total visent à résoudre le seul problème que les laboratoires de pointe ne parviennent pas à solutionner, même en améliorant leurs modèles: le paradoxe de la productivité de l’IA. Bien que les outils d’IA générative soient désormais largement disponibles, les avantages qu’ils confèrent ne s’observent pas encore dans les statistiques de la productivité. Gallup constate que la part des adultes américains utilisant des outils d’IA au travail quelques fois par an au moins est passée de moins d’un quart début 2023 à près de la majorité en 2026.
Or, la croissance de la productivité des entreprises non agricoles aux Etats-Unis n’affiche guère d’amélioration durable. La productivité du secteur des entreprises non agricoles a certes brièvement accéléré en 2024, mais elle est retombée à son niveau de référence au milieu de l’année 2025. Ces tendances font écho au paradoxe de la productivité informatique durant les années 1990, qui a fini par être résolu lorsque les entreprises se sont réorganisées autour de nouvelles capacités informatiques. La question est de savoir si les mêmes conditions sont aujourd’hui réunies et, dans l’affirmative, où elles le sont.
Quel est précisément le problème? Dans une récente publication, j’identifie l’adaptabilité organisationnelle comme la variable clé. La croissance de la productivité dépend de la capacité d’une entreprise à convertir les gains réalisés au niveau des tâches en rendement global à l’échelle du système, et cette capacité dépend à son tour de la lisibilité du travail, de la modularité des processus, de la substituabilité de l’acheminement des tâches, ainsi que de l’autorité dont disposent les managers pour redessiner les flux de travail. Lorsque ces conditions font défaut, l’IA fait certes gagner du temps aux individus, mais sans modifier ce que l’entreprise produit.
La littérature économique classique présente le même angle mort. Les études empiriques fondamentales de David Autor, d’Erik Brynjolfsson, de Shakked Noy, de Whitney Zhang et de leurs coauteurs mesurent la productivité individuelle dans le cadre de tâches isolées. Un agent du service client parvient à résoudre davantage de tickets, un consultant à rédiger de meilleures notes de service, et un programmeur à livrer plus rapidement du code utilisable. Les gains sont réels, mais ils ne permettent pas nécessairement à l’entreprise d’avancer plus vite.
Une expérience randomisée de six mois, menée par Eleanor Dillon, Sonia Jaffe, Nicole Immorlica et Christopher Stanton, a mis en évidence ce problème. Elle consistait à conférer à 7137 travailleurs, issus de 66 grandes entreprises, un accès à Microsoft 365 Copilot, qui était intégré à la messagerie électronique, aux documents ainsi qu’aux réunions. Il a été constaté que le temps consacré aux e-mails avait diminué, mais pas le temps passé en réunion, et que la quantité ainsi que la composition des tâches étaient restées stables. La plupart des heures économisées ont permis de réduire le nombre de soirées passées à travailler à domicile, plutôt que d’accroître la production. Les rouages individuels ont gagné en efficacité, mais la machine a continué de tourner au même rythme.
Les nouvelles structures lancées par les laboratoires d’IA constituent l’aveu d’une impossibilité de combler ce fossé par la simple vente de tokens. Faisant intervenir des ingénieurs sur le terrain, des cahiers des charges pluriannuels, des modèles de déploiement reproduits dans toutes les sociétés du portefeuille, ainsi qu’une refonte des flux de travail spécifiques au secteur, les activités de conseil qu’ils lancent aujourd’hui seront tarifées et dotées en personnel en conséquence. Les laboratoires sont parvenus à la conclusion selon laquelle la valeur des modèles qu’ils avaient bâtis se situait à un niveau supérieur, dans la refonte des entreprises plutôt que dans l’économie unitaire d’une API.
La Chine s’engage actuellement dans la même direction, par un chemin toutefois différent. Au mois de mars, l’agent d’IA en open source OpenClaw a échappé à la communauté des développeurs pour atteindre un statut de produit grand public auprès des utilisateurs chinois. En l’espace de quelques jours, une guerre des plateformes a éclaté. Zhipu a lancé AutoClaw, une installation locale en un clic, intégrant plusieurs dizaines de compétences préchargées. ByteDance a commercialisé ArkClaw sous forme de logiciel cloud. Tencent a déployé WorkBuddy pour les utilisateurs professionnels, et intégré QClaw ainsi que ClawBot à WeChat. Alibaba a riposté avec ses propres outils d’orchestration. Le code open source étant gratuit, le modèle ne constituait plus une source de rente soutenable. La valeur s’est déplacée ailleurs: en direction des installations par défaut, de l’interface utilisateur, de l’intégration aux applications de messagerie, etc.
La politique industrielle chinoise s’est également adaptée. Pendant une vingtaine d’années, les gouvernements locaux se sont disputé les usines, les sièges sociaux et les maillons clés de la chaîne d’approvisionnement, en offrant des concessions foncières, des infrastructures et des incitations fiscales. Puis, début 2026, plusieurs districts et zones de développement ont commencé à déployer des programmes de subventions pour l’adoption d’OpenClaw, destinés non pas aux entreprises, mais aux opérateurs individuels. Hefei a proposé des bons de calcul. Le district de Xiaoshan à Hangzhou est allé plus loin encore. Shenzhen s’est positionnée en tant que plaque tournante pour les entreprises unipersonnelles axées sur l’IA. Le Guangdong lui a emboîté le pas, en proposant un cadre provincial pour l’entrepreneuriat individuel basé sur l’IA, et le Sichuan a pris des mesures similaires.
Si cette approche fonctionne, c’est parce que l’infrastructure physique est déjà en place. Un opérateur individuel muni d’un ordinateur portable à Shanghai peut s’intégrer aux chaînes d’approvisionnement de Dongguan ou de Suzhou. Une puissance de calcul subventionnée, un agent préinstallé, une messagerie intégrée, des paiements intégrés ainsi qu’un accès direct aux fabricants, aux prestataires logistiques et aux places de marché suffisent à transformer un individu en une unité de production viable. Les agents d’IA transforment l’entreprise de l’extérieur, plutôt que de la reconcevoir de l’intérieur.
Les Etats-Unis misent quant à eux sur l’expertise. Les entreprises peu flexibles doivent gagner en adaptabilité de l’intérieur, grâce à des équipes rémunérées d’ingénieurs déployés sur le terrain, travaillant avec une entreprise de taille moyenne à la fois. Susceptible de libérer une importante valeur, cette approche est toutefois lente et exigeante en capitaux.
La stratégie chinoise est plus radicale. Elle part du constat que l’entreprise elle-même constitue le goulot d’étranglement. Plutôt que d’améliorer l’adaptabilité des acteurs en place, la Chine abaisse l’échelle organisationnelle minimale nécessaire pour produire. Il en résulte une prolifération d’agents libres, d’installations par défaut, d’intégrations de super-applications, de subventions publiques, ainsi que des millions de micro-entreprises qui évoluent en parallèle.
Aucune de ces deux approches n’est certaine de porter ses fruits. Peut-être les consultants américains constateront-ils que le changement organisationnel résiste à la mise à l’échelle, quel que soit le nombre d’ingénieurs qu’ils intègrent. Peut-être les collectivités locales chinoises subventionneront-elles une vague d’automatisation de mauvaise qualité et d’entreprises spéculatives unipersonnelles vouées à l’échec. Des deux côtés, le problème est difficile et identique: transformer les gains de temps réalisés au niveau des tâches en résultats économiques mesurables. La concurrence en matière d’IA a dépassé le stade des puces électroniques, de la capacité des centres de données, ou encore des performances des modèles de pointe. Ce qui importe désormais, c’est l’architecture sociale au travers de laquelle l’intelligence est déployée.
Copyright: Project Syndicate, 2026.
www.project-syndicate.org