Intelligence artificielle et économie : pourquoi il faut se préparer dès maintenant
Temps de lecture : 15 min
L’intelligence artificielle n’est plus seulement une innovation technologique, un assistant rédactionnel ou un nouvel argument commercial. Elle devient progressivement une infrastructure économique, susceptible de modifier la manière dont les entreprises produisent, recrutent, organisent le travail et répartissent la valeur.
Le 13 juillet 2026, plus de 200 économistes, chercheurs en intelligence artificielle et dirigeants technologiques ont publié une déclaration commune intitulée « We Must Act Now ». Parmi eux figuraient 16 lauréats du prix Nobel, ainsi que des personnalités issues d’entreprises comme Google, OpenAI et Anthropic.
Le texte tient en quelques phrases. Pourtant, son message est considérable : l’IA pourrait provoquer, au cours des dix prochaines années, une transformation économique d’une ampleur comparable ou supérieure à celle de la révolution industrielle, mais dans un délai beaucoup plus court.
Les auteurs ne prétendent pas connaître précisément l’avenir. Ils appellent plutôt les économistes, les responsables politiques et les dirigeants technologiques à ne pas attendre que les conséquences soient visibles pour commencer à s’y préparer.
Un avertissement, mais pas une prophétie catastrophiste
La déclaration « We Must Act Now » n’annonce ni la disparition certaine du travail ni l’effondrement des économies contemporaines. Elle reconnaît au contraire que l’intelligence artificielle pourrait produire d’importants gains de productivité, favoriser l’innovation scientifique et améliorer le niveau de vie.
Mais elle souligne également le risque de déplacements massifs d’emplois, d’une concentration accrue des richesses et d’un décalage grandissant entre la vitesse de développement des technologies et celle des institutions chargées de les encadrer.
Le véritable sujet n’est donc pas seulement de savoir ce que l’IA sera techniquement capable de réaliser. Il est de déterminer comment ces capacités seront utilisées, par qui et dans quel but.
Une même technologie peut renforcer les compétences des travailleurs ou les rendre progressivement substituables. Elle peut diffuser la connaissance dans toute une organisation ou concentrer le pouvoir de décision entre quelques acteurs. Elle peut créer une prospérité largement partagée ou accroître les écarts entre les entreprises, les métiers et les territoires.
Le résultat ne dépendra pas uniquement de la performance des modèles d’IA. Il dépendra des choix d’investissement, des politiques publiques, du droit du travail, de la fiscalité, de la formation et de la gouvernance des entreprises.
L’IA améliore-t-elle réellement la productivité ?
Les premiers travaux empiriques apportent des éléments encourageants.
Dans l’étude « Generative AI at Work », Erik Brynjolfsson, Danielle Li et Lindsey Raymond ont observé plus de 5 000 agents travaillant dans un service d’assistance à la clientèle. L’introduction d’un assistant conversationnel fondé sur l’IA a entraîné une hausse moyenne de la productivité.
Mais le résultat le plus intéressant se situe ailleurs : les bénéfices ont été particulièrement importants pour les salariés les moins expérimentés. L’outil leur permettait de bénéficier rapidement de formulations, de méthodes de résolution et de bonnes pratiques généralement acquises après plusieurs années d’expérience.
L’IA agissait alors moins comme un substitut que comme un mécanisme de transmission du savoir tacite de l’entreprise. Elle captait certaines pratiques des meilleurs collaborateurs et les rendait accessibles aux autres.
Cette observation ouvre une perspective positive. Bien utilisée, l’IA peut réduire le temps nécessaire pour monter en compétence, améliorer la qualité du service et aider les nouveaux collaborateurs à se rapprocher plus rapidement du niveau des experts.
Elle soulève néanmoins une question : que devient l’apprentissage humain lorsque les débutants reçoivent directement la réponse sans avoir à construire leur propre raisonnement ?
L’amélioration immédiate de la performance ne garantit pas nécessairement le développement de compétences durables. Une organisation peut gagner quelques minutes aujourd’hui tout en créant une dépendance technologique qui l’affaiblira demain.
Le paradoxe de la productivité
La présence d’une technologie puissante ne se traduit pas automatiquement par une augmentation immédiate de la productivité globale.
Erik Brynjolfsson, Daniel Rock et Chad Syverson ont décrit ce phénomène dans leurs travaux sur le « paradoxe moderne de la productivité ». Malgré les progrès rapides de l’intelligence artificielle, les statistiques macroéconomiques ne reflètent pas toujours les gains spectaculaires annoncés.
Ce décalage n’est pas nécessairement la preuve que la technologie ne fonctionne pas. Il peut correspondre à une période d’adaptation.
Les grandes innovations technologiques exigent généralement des investissements complémentaires : refonte des processus, formation des équipes, évolution des systèmes d’information, réorganisation des responsabilités et création de nouveaux produits ou modèles économiques.
Installer un outil ne suffit pas. Il faut réinventer l’organisation autour de ses nouvelles possibilités.
L’histoire de l’électricité fournit une comparaison souvent mobilisée. Les premières usines électrifiées conservaient parfois une organisation conçue pour les machines à vapeur. Elles avaient remplacé la source d’énergie sans revoir la disposition des ateliers ni la circulation du travail. Les gains les plus importants sont apparus lorsque les entreprises ont repensé l’ensemble de leur appareil de production.
L’intelligence artificielle pourrait suivre une trajectoire comparable. Les entreprises qui se contentent d’ajouter un chatbot à des processus anciens obtiendront probablement des gains limités. Celles qui reconsidèrent la circulation de l’information, les étapes de validation et la répartition des tâches pourront obtenir des transformations plus profondes.
Augmenter les humains ou chercher à les remplacer ?
Dans « The Turing Trap », Erik Brynjolfsson alerte sur une orientation particulière du développement technologique : la volonté de concevoir des machines qui imitent l’être humain afin de le remplacer.
Cette ambition est compréhensible. L’automatisation permet de réduire certains coûts et d’effectuer des tâches répétitives à grande échelle. Mais elle peut conduire les entreprises à mesurer le progrès uniquement en nombre de postes supprimés.
Une autre stratégie consiste à créer des systèmes qui complètent les capacités humaines. L’IA peut analyser davantage d’informations, détecter des anomalies, proposer des scénarios ou préparer une première version. L’humain conserve alors la compréhension du contexte, le jugement, la responsabilité et la capacité d’arbitrage.
Cette distinction est essentielle dans les environnements martech. Une IA peut générer des segments, proposer des objets d’email ou identifier des comportements atypiques. Elle ne devrait toutefois pas décider seule de la pression commerciale acceptable, de l’interprétation éthique d’une donnée sensible ou de la réponse à apporter à un client vulnérable.
CITATION
Erik Brynjolfsson, « The Turing Trap », Stanford Digital Economy Lab, 2022.
« Lorsque l’IA augmente les capacités humaines, en permettant aux personnes d’accomplir des choses qu’elles ne pouvaient pas faire auparavant, les humains et les machines deviennent complémentaires. »
Le débat ne porte donc pas simplement sur l’automatisation d’un métier. Il concerne la répartition des tâches au sein de chaque métier.
Certaines activités seront automatisées. D’autres seront accélérées. De nouvelles responsabilités apparaîtront autour du contrôle, de la validation, de la qualité des données, de l’explicabilité et de la gestion des exceptions.
Pourquoi les prévisions restent-elles si différentes ?
Les économistes sont loin d’être unanimes sur l’ampleur des transformations à venir.
Daron Acemoglu adopte notamment une position prudente. Dans « The Simple Macroeconomics of AI », il estime que les effets macroéconomiques pourraient être significatifs mais beaucoup plus modestes que certains scénarios technologiques ne le laissent entendre. Son estimation centrale aboutit à une progression limitée de la productivité globale au cours d’une décennie.
Son raisonnement repose sur une distinction fondamentale entre la capacité technique d’automatiser une tâche et sa rentabilité réelle.
Une démonstration réussie dans un environnement contrôlé ne signifie pas qu’un système peut être déployé à grande échelle. Certaines tâches sont faciles à mesurer et à standardiser. D’autres nécessitent une compréhension du contexte, une responsabilité juridique, une relation de confiance ou une capacité à gérer des situations rares.
Les gains économiques dépendent aussi de la qualité des usages choisis. Automatiser une opération peu utile ne crée pas nécessairement beaucoup de valeur. Accélérer la production de contenus médiocres peut même augmenter les coûts de vérification, la confusion informationnelle et la fatigue des consommateurs.
La multiplication des productions n’est pas toujours synonyme de productivité. Une entreprise peut envoyer davantage de campagnes, produire davantage de variantes et générer davantage de rapports sans améliorer ses résultats économiques.
La productivité réelle suppose de produire une valeur supérieure avec des ressources comparables, et non simplement de produire davantage d’éléments mesurables.
L’IA comme baisse du coût de la prédiction
Ajay Agrawal, Joshua Gans et Avi Goldfarb proposent une autre grille de lecture dans l’ouvrage « Prediction Machines ».
Selon eux, l’IA peut être comprise comme une technologie qui réduit fortement le coût de la prédiction. Il ne s’agit pas uniquement de prévoir la météo, les ventes ou le départ d’un client. Une prédiction consiste plus largement à utiliser des données disponibles pour estimer une information inconnue.
Un système de recommandation prédit ce qu’un utilisateur pourrait apprécier. Un outil de scoring estime la probabilité qu’un prospect achète. Un modèle antifraude évalue le risque qu’une transaction soit illégitime. Une IA générative prédit la suite la plus pertinente d’un texte, d’un code ou d’une image.
Lorsque le coût de la prédiction baisse, les entreprises peuvent l’utiliser dans davantage de décisions. Mais cette évolution augmente simultanément la valeur d’autres ressources : les données, le jugement, la définition des objectifs et la responsabilité.
Une prédiction n’est pas une décision. Elle ne précise pas ce que l’entreprise doit faire, quels risques elle accepte ni quelles conséquences elle considère comme légitimes.
Plus la prédiction devient accessible, plus la qualité du jugement humain et organisationnel devient déterminante.
Emploi : disparition des métiers ou recomposition des tâches ?
Les débats sur l’emploi opposent souvent deux scénarios simplificateurs. Dans le premier, l’intelligence artificielle supprimerait massivement les emplois. Dans le second, elle ne serait qu’un outil supplémentaire, comparable à un tableur ou à un moteur de recherche.
La réalité sera probablement plus hétérogène.
Un emploi est composé de nombreuses tâches. Certaines sont répétitives et facilement automatisables. D’autres reposent sur la négociation, l’empathie, l’expérience, la responsabilité ou la connaissance de situations spécifiques.
L’IA peut donc transformer un métier sans le faire disparaître. Elle peut également réduire le nombre de personnes nécessaires pour réaliser une activité, tout en augmentant la demande pour de nouvelles compétences.
Les premiers postes et les fonctions d’entrée dans les entreprises méritent une attention particulière. Lorsqu’une organisation automatise les tâches les plus simples, elle supprime parfois les activités grâce auxquelles les débutants apprenaient le métier.
Une entreprise qui automatise tous les premiers niveaux de travail doit se demander comment elle formera ses futurs experts.
Cette question concerne directement le marketing, la communication, le développement informatique, le conseil et le service client. Les tâches de recherche, de rédaction initiale, de reporting ou de préparation peuvent être largement assistées. Or elles constituent aussi des étapes essentielles de l’apprentissage professionnel.
La formation ne pourra donc plus être considérée comme un simple accompagnement de l’adoption. Elle devra être intégrée à la conception même des nouveaux processus.
« Les salaires ont peu de chances d’augmenter lorsque les travailleurs ne peuvent pas revendiquer leur part des gains de productivité. »
Daron Acemoglu et Simon Johnson, cités par le département d’économie du MIT, 2024.
Des effets différents selon les entreprises
Toutes les organisations ne profiteront pas de la même manière de l’intelligence artificielle.
Les grandes entreprises disposent généralement de davantage de données, de capacités de calcul, de moyens juridiques et de compétences spécialisées. Elles peuvent entraîner ou adapter des modèles, négocier avec les fournisseurs et absorber plus facilement les coûts liés aux expérimentations.
Les petites structures bénéficient, elles aussi, de services d’IA accessibles dans le cloud. Mais elles risquent de devenir dépendantes de quelques plateformes pour leurs outils, leurs données et leurs processus de décision.
Cette concentration pourrait renforcer le pouvoir des fournisseurs d’infrastructures et des entreprises possédant les modèles les plus performants. Elle pose des questions de concurrence, de souveraineté, de portabilité des données et de partage de la valeur.
Les auteurs de « The Macroeconomics of Artificial Intelligence », publié par le Fonds monétaire international, insistent précisément sur cette bifurcation possible. L’IA peut conduire à une croissance inclusive ou à une concentration supplémentaire des revenus et du pouvoir économique. Les institutions et les politiques publiques contribueront à déterminer la trajectoire réellement suivie.
Ce que les entreprises devraient préparer dès maintenant
Se préparer ne signifie pas prédire exactement ce que les modèles seront capables de faire dans cinq ou dix ans. Il s’agit de construire des organisations capables de s’adapter à différents scénarios.
La première priorité consiste à cartographier les tâches plutôt que les seuls métiers. L’entreprise doit identifier les opérations qui peuvent être assistées, celles qui peuvent être automatisées et celles qui exigent une validation humaine.
La seconde doit ensuite mesurer les gains au-delà du temps économisé. La qualité, le taux d’erreur, la satisfaction client, l’apprentissage des équipes, la résilience et les coûts de contrôle doivent également être pris en compte.
La troisième priorité concerne la conservation des compétences. Lorsqu’un système prend en charge une tâche, l’organisation doit vérifier qu’elle conserve suffisamment de connaissances internes pour détecter une erreur, reprendre le contrôle ou changer de fournisseur.
Enfin, la gouvernance doit précéder les incidents. Les règles relatives aux données, aux validations, à la propriété intellectuelle, à la traçabilité et à la responsabilité ne peuvent pas être improvisées après le déploiement.
Dans un environnement martech, ces principes impliquent notamment de savoir :
- quelles données peuvent être transmises à un modèle ;
- quels contenus doivent être validés par un humain ;
- comment sont contrôlés les segments et les scores ;
- qui reste responsable d’une décision automatisée ;
- comment mesurer les erreurs, les biais et les faux positifs ;
- quelle procédure appliquer lorsqu’un système produit un résultat inattendu.
L’enjeu n’est pas de ralentir systématiquement l’innovation, mais de rendre son adoption soutenable.
Préparer les institutions autant que les technologies
La déclaration « We Must Act Now » s’adresse aussi aux gouvernements et aux institutions.
Les systèmes éducatifs devront former à l’utilisation de l’IA, mais également au raisonnement critique, à la vérification et à la compréhension des limites des modèles. Le droit du travail devra traiter de nouvelles formes de surveillance, d’évaluation et de répartition des responsabilités. La fiscalité devra s’adapter si une part croissante de la valeur est captée par le capital technologique et les plateformes.
Les politiques de concurrence devront, elles aussi, examiner la concentration des infrastructures, des modèles et des données. Quant aux dispositifs de protection sociale, ils devront être capables d’accompagner des transitions professionnelles potentiellement plus rapides et plus fréquentes.
Ces mesures ne supposent pas que le scénario le plus radical se réalisera. Elles relèvent d’une forme de gestion du risque.
Lorsqu’une transformation peut être profonde mais que son ampleur reste incertaine, l’inaction n’est pas une position neutre. Elle revient à laisser les décisions de marché et les rapports de force existants déterminer seuls la trajectoire.
Ne pas choisir entre optimisme et pessimisme
Les travaux de Brynjolfsson, Acemoglu, Korinek, Agrawal et de nombreux autres économistes ne convergent pas vers une prévision unique.
Brynjolfsson met en avant la capacité de l’IA à augmenter les travailleurs et à diffuser les meilleures pratiques. Acemoglu rappelle que les gains macroéconomiques ne doivent pas être surestimés et que toutes les formes d’automatisation ne créent pas la même valeur. Korinek étudie les conséquences possibles sur le travail, les inégalités, la concurrence et la gouvernance. Agrawal analyse l’IA comme une diminution du coût de la prédiction, qui transforme progressivement l’ensemble des décisions économiques.
Ces approches sont moins contradictoires qu’elles n’en ont l’air.
Elles montrent que l’IA possède un potentiel important, mais que ce potentiel ne se transformera pas spontanément en progrès collectif. Entre la capacité d’un modèle et l’amélioration réelle du niveau de vie se trouvent des entreprises, des systèmes éducatifs, des institutions, des règles et des choix politiques.
En conclusion : une transformation à orienter plutôt qu’à subir
La principale leçon de la déclaration « We Must Act Now » n’est peut-être pas que l’intelligence artificielle supprimera nécessairement des millions d’emplois. Elle est que les décisions prises avant que la transformation soit pleinement visible auront une influence déterminante sur ses conséquences.
Attendre des certitudes complètes serait illusoire. Lorsque les statistiques confirmeront sans ambiguïté une rupture du marché du travail, il sera peut-être trop tard pour reconstruire rapidement les compétences, les systèmes de formation et les mécanismes de redistribution nécessaires.
L’intelligence artificielle ne constitue pas une force extérieure qui imposerait mécaniquement un avenir unique. Son impact dépendra de la manière dont les organisations choisiront d’automatiser, de partager les gains de productivité et de préserver les capacités humaines.
La question n’est donc plus seulement : « Que pourra faire l’IA ? »
Elle devient : « Quel type d’économie voulons-nous construire avec elle ? »
Quelques références
- « We Must Act Now: A Statement on AI’s Transformation of the Economy » – Stanford Digital Economy Lab et signataires – Stanford Digital Economy Lab – juillet 2026.
- « Generative AI at Work » – Erik Brynjolfsson, Danielle Li et Lindsey R. Raymond – The Quarterly Journal of Economics – mai 2025.
- « Artificial Intelligence and the Modern Productivity Paradox: A Clash of Expectations and Statistics » – Erik Brynjolfsson, Daniel Rock et Chad Syverson – National Bureau of Economic Research – novembre 2017.
- « The Simple Macroeconomics of AI » – Daron Acemoglu – National Bureau of Economic Research – mai 2024.
- « The Turing Trap: The Promise & Peril of Human-Like Artificial Intelligence » – Erik Brynjolfsson – Dædalus, American Academy of Arts and Sciences – printemps 2022.
- « Prediction Machines: The Simple Economics of Artificial Intelligence » – Ajay Agrawal, Joshua Gans et Avi Goldfarb – Harvard Business Review Press – avril 2018.
- « The Macroeconomics of Artificial Intelligence » – Erik Brynjolfsson et Gabriel Unger – Finance & Development, Fonds monétaire international – décembre 2023.
- « A Research Agenda for the Economics of Transformative AI » – Erik Brynjolfsson, Anton Korinek et Ajay Agrawal – National Bureau of Economic Research – septembre 2025.
