L’intelligence artificielle semble progresser à une vitesse extraordinaire. De nouveaux modèles dotés de capacités accrues font leur apparition, les entreprises annoncent des stratégies ambitieuses en matière d’IA et les salariés adoptent les outils génératifs à un rythme effréné. Il est tentant d’en conclure que la transformation économique se fera tout aussi rapidement.
Cette hypothèse confond capacité technologique et diffusion technologique.
La question cruciale pour les entreprises et les marchés du travail ne réside pas simplement dans ce que le dernier modèle d’IA est capable de faire. Elle porte sur la rapidité avec laquelle les organisations peuvent transformer ces capacités en processus fiables et économiquement rentables à grande échelle.
Utiliser l’IA est facile. Transformer une entreprise ne l’est pas.
Les entreprises doivent d’abord identifier les cas d’utilisation où l’automatisation crée véritablement de la valeur. Elles doivent ensuite intégrer l’IA dans leurs systèmes informatiques existants, repenser les flux de travail, former les salariés, valider les résultats, protéger les données sensibles, gérer les risques liés à la cybersécurité et déterminer qui est responsable lorsqu’un système automatisé commet une erreur.
Tout cela demande du temps et de l’argent. Dans de nombreux cas, les coûts de mise en œuvre peuvent encore dépasser les économies de main-d’œuvre réalisables, ce qui rend un renforcement sélectif plus attractif qu’une automatisation généralisée.
L’écart entre l’adoption et la transformation est déjà perceptible. Des études citées dans notre analyse ont révélé qu’environ la moitié des adultes actifs utilisaient l’IA au moins occasionnellement en 2026. Pourtant, parmi les salariés des organisations ayant adopté l’IA, seul un sur dix environ se disait tout à fait d’accord pour dire que l’IA avait transformé leur façon de travailler.
Cet écart est significatif. Utiliser l’IA est facile. Réorganiser une entreprise autour de celle-ci est bien plus difficile.
La question n’est plus de savoir si l’IA va transformer les secteurs d’activité, mais dans quelle mesure cette transformation se fera de manière responsable.
Pourquoi la productivité met du temps à se manifester
L’histoire économique suggère que cela ne devrait pas nous surprendre. Les technologies à usage général se traduisent rarement immédiatement par des gains de productivité mesurables. Leurs avantages dépendent d’investissements complémentaires dans les infrastructures, les compétences et le changement organisationnel.
L’agriculture offre un exemple historique extrême. Aux États-Unis, l’emploi agricole est passé de 41% de la population active en 1920 à environ 5% en 1970. Mais le tracteur n’a pas, à lui seul, provoqué cette transformation. Les technologies de récolte, l’amélioration des semences, la logistique et les nouvelles méthodes de production se sont développées parallèlement à la mécanisation au fil des décennies.
Les technologies numériques ont suivi un schéma similaire. Les économistes décrivent une «courbe en J» de la productivité: les entreprises investissent d’abord massivement dans les nouvelles technologies et les capacités immatérielles nécessaires à leur utilisation, tandis que les gains de productivité mesurables ne se manifestent que plus tard.
L’IA semble appelée à se heurter aux mêmes frictions organisationnelles.
Même une révolution numérique a ses limites physiques
Il existe également des contraintes physiques. L’intelligence artificielle relève certes du logiciel, mais son déploiement à grande échelle nécessite des centres de données, des semi-conducteurs, de l’électricité et des matériaux critiques. Les coûts de construction des centres de données ont fortement augmenté, l’offre de cuivre est limitée et la production de semi-conducteurs de pointe reste géographiquement concentrée.
Les institutions constituent un autre facteur de friction. Les salariés peuvent s’opposer à l’automatisation s’ils estiment que ses bénéfices profitent principalement aux actionnaires et à la direction. Les régulateurs et les tribunaux peuvent restreindre certaines applications. La rentabilité de l’adoption dépendra également de la concurrence entre les fournisseurs d’IA: des modèles moins chers pourraient accélérer la diffusion, tandis qu’une concentration du pouvoir de marché et des prix plus élevés pourraient la ralentir.
Les capacités technologiques peuvent donc progresser extrêmement rapidement, tandis que les changements organisationnels restent progressifs. Cette distinction est importante non seulement pour les prévisions en matière d’emploi, mais aussi pour évaluer où la valeur économique est réellement créée.
De l’adoption de l’IA à la valeur durable
Pour les investisseurs, la question pertinente n’est pas simplement de savoir quelles entreprises dépensent le plus en IA, mais lesquelles sont capables de convertir ces dépenses en productivité et en rendements durables.
Le cycle d’investissement actuel s’étend à l’ensemble de la chaîne de valeur de l’IA, du calcul et des semi-conducteurs à l’énergie, en passant par les hyperscalers et les fournisseurs spécialisés. Pourtant, des dépenses d’investissement élevées ne suffisent pas à elles seules à garantir une création de valeur future. De même, l’annonce d’une stratégie en matière d’IA ne prouve pas qu’une organisation ait réussi à transformer ses opérations.
Les investisseurs doivent donc faire la distinction entre adoption et valeur durable. Cela implique d’examiner si les entreprises sont capables d’intégrer l’IA dans leurs flux de travail, de générer des gains de productivité mesurables et de préserver leur résilience, leur gouvernance et les compétences de leur personnel à mesure qu’elles se développent.
Le même principe s’applique aux fournisseurs profitant de l’essor de l’IA. Les contraintes d’infrastructure et la concurrence géopolitique pourraient soutenir les investissements dans le calcul, les semi-conducteurs et l’énergie, même si les rendements à court terme restent incertains. Dans le même temps, les contraintes d’approvisionnement et la hausse des coûts d’investissement pourraient ralentir la diffusion de l’IA dans l’ensemble de l’économie.
Il en résulte un paysage d’investissement plus nuancé que l’idée simpliste selon laquelle toutes les entreprises liées à l’IA en tireront un bénéfice égal. Les bénéficiaires potentiels sont celles qui sont capables de transformer leurs capacités technologiques en déploiements à grande échelle présentant une valeur commerciale.
La question à un million de dollars
La question n’est plus de savoir si l’IA va transformer les secteurs d’activité, mais dans quelle mesure cette transformation se fera de manière responsable. Les investisseurs devraient désormais privilégier les discussions sur la gouvernance de l’IA, la transparence et la résilience à long terme, en veillant à ce que l’innovation aille de pair avec une création de valeur durable.