« Learn to fly »

Lire l'article complet (PDF)open_in_new

La courbe en J de la productivité liée à l’IA, et pourquoi les données tardent à décoller

« I’m looking to the sky to save me,
Looking for a sign of life,
Looking for something to help me burn out bright. ”
– Foo Fighters

Sommaire exécutif

Le légendaire Yogi Berra avait raison d’affirmer que « les prévisions sont difficiles, surtout celles qui concernent l’avenir ». Rarement cette citation a-t-elle été aussi juste que lorsqu’il s’agit de prédire l’avenir d’un monde avec l’intelligence artificielle (IA).

Mais l’histoire, comme toujours, peut nous offrir une trajectoire de vol. Le scénario s'est répété à de nombreuses reprises : de nouvelles technologies font leur apparition, porteuses de promesses, les capitaux affluent, et chacun scrute le ciel, guettant les signes d’un décollage. Puis les données sur la productivité restent impassibles. Cet écart entre l’enthousiasme et les statistiques n’est pas nouveau. C’est souvent le prix à payer pour apprendre à voler.

Pour faire suite à notre précédent article sur l’IA et l’avenir du travail (disponible ici), cet article avance trois points.

Premièrement, la productivité est difficile à mesurer et va bien au-delà de la production par heure travaillée. En fouillant l’histoire de la croissance économique, et plus particulièrement le concept élargi de productivité multifactorielle (PMF), une mesure de l’efficience et de la technologie qui tient compte de la façon dont le travail, le capital et l’organisation se combinent, on constate que la technologie seule ne suffit pas à engendrer une hausse de productivité ; la croissance découle plutôt de la réorganisation de la société autour de la technologie et des nouvelles tâches qu’elle crée.

Deuxièmement, l’histoire suggère que les révolutions technologiques engendrent souvent une courbe en J de la productivité. La mise en place et la perturbation viennent en premier, suivies du déploiement et de l’adaptation, puis de la transformation et du rendement.

Ce retard dans les données, soit le moment où la magie opère réellement, s’appelle la co-invention.

Autrement dit, avant d’observer des gains radicaux, les entreprises doivent revoir leurs processus, requalifier leurs effectifs et repenser leurs produits, plutôt que de simplement greffer le nouvel outil à d’anciens processus.

Troisièmement, il est fort probable que l’IA se trouve présentement dans le creux de sa courbe en J. Les dirigeants signalent des gains de productivité réels, mais les résultats tardent à se mesurer. Ce retard s’explique en partie par les frictions organisationnelles et les investissements intangibles. Mais il est également lié aux biais de mesure, notamment lorsque les géants du numérique développent leur infrastructure IA à l’interne et que les dépenses de développement de modèles sont comptabilisées tardivement dans les comptes nationaux. Pour les investisseurs, l’essentiel est de rester à l’affût des signes indiquant que l’économie apprend véritablement à voler, tout en demeurant réaliste quant à la rapidité avec laquelle ce décollage peut et va se produire.

Qu’est -ce que la productivité?

La productivité est le concept le plus simple en économie, mais le plus difficile à mesurer avec précision. Dans sa forme la plus élémentaire, elle correspond à la production obtenue pour chaque unité d’intrant. L’indicateur le plus courant est le PIB par heure travaillée. Il est intuitif et a une incidence sur le niveau de vie, les bénéfices et la trajectoire à long terme des taux d’intérêt.

Mais le PIB par heure souffre de limites bien connues. Il peut augmenter parce que les travailleurs disposent de meilleurs outils, parce que l’intensité en capital s’accroît, parce que la main-d’oeuvre se qualifie davantage ou parce que les entreprises s’organisent plus efficacement.

Par ailleurs, il ne rend pas bien compte des actifs intangibles, des améliorations qualitatives et des services numériques gratuits. C’est pourquoi les économistes s’appuient également sur la productivité multifactorielle, qui capte la part de la croissance non expliquée par les intrants en travail et en capital. C’est dans la PMF que se révèle habituellement l’empreinte de la technologie et de l’efficience globale.

Historiquement, cette mesure a rarement progressé en ligne droite et son évolution n’a pas été uniforme d’un pays à l’autre. Les périodes de forte croissance de la PMF coïncident généralement avec des grappes d’innovation et de diffusion, suivies de ralentissements lorsque les gains faciles s’épuisent ou lorsque les institutions peinent à diffuser les bénéfices plus largement.

Au -delà de la technologie : productivité et société

Avant d’examiner le comportement attendu et les effets de la révolution de l’IA, penchons -nous sur un élément fondamental du casse -tête : l’incidence de la technologie sur la productivité dépasse largement les seules percées scientifiques.

Elle tient autant, sinon davantage, aux transformations sociales et organisationnelles que ces percées rendent possibles. L’électricité n’était pas simplement un meilleur moyen d’alimenter les machines. Elle a reconfiguré les villes, les ménages, la conception des usines et les marchés du travail. L’automobile n’a pas simplement remplacé le cheval. Elle a donné naissance aux banlieues, aux autoroutes, aux centres commerciaux et à des industries entièrement nouvelles. L’informatique n’a pas simplement accéléré les calculs arithmétiques. Elle a restructuré les chaînes d’approvisionnement, fait émerger de nouveaux modèles d’affaires et, finalement, transformé la façon dont les consommateurs recherchent, achètent et communiquent.

C’est pourquoi le débat sur la productivité est si étroitement lié à la diffusion et aux institutions. Lorsque le système environnant s’adapte, la productivité bondit. Dans le cas contraire, la technologie peut être omniprésente sans pour autant se refléter dans les statistiques.

La lente ascension de l’électricité vers des gains réels : 1880 à 1940

L’électricité rappelle parfaitement que la transformation prend du temps. On serait tenté de croire que l’avènement de l’électricité a immédiatement fait bondir la productivité.

En réalité, il a fallu des décennies pour que l’électrification se traduise par des gains de productivité à l’échelle de l’économie, car des investissements complémentaires et des reconfigurations profondes s’imposaient au préalable.

L’impact pour les ménages a été considérable. L’éclairage électrique a prolongé les heures productives et transformé la vie urbaine.

Les appareils électroménagers ont réduit le temps consacré aux travaux domestiques, favorisant la participation des femmes au marché du travail et modifiant la répartition du temps dans l’ensemble de l’économie.

L’impact sur le secteur manufacturier s’est avéré encore plus instructif. Les premières usines utilisaient souvent l’électricité pour alimenter les mêmes aménagements centralisés qu’elles avaient utilisés à l’époque de la vapeur, se contentant essentiellement de remplacer les moteurs tout en conservant la même configuration de l’usine. Les gains de productivité majeurs sont venus plus tard (jusqu’à 40 ans plus tard dans certains cas), lorsque les entreprises se sont réorganisées autour de moteurs individuels, ont revu leurs configurations et remanié leurs procédés. En d’autres termes, le progrès est bien réel, mais la transformation nécessite de repartir de zéro plutôt que de coller la nouvelle technologie sur l’ancien système.

Alors que nous scrutons le ciel pour trouver un signe de vie dans les données de productivité, l'électricité nous enseigne la patience . Ce signe apparaît souvent une fois que le travail ingrat a été accompli, et non au plus fort de l’engouement.

La reconfiguration de la carte par l’automobile : 1910 à 1955

L’automobile n’a pas été une simple amélioration des moyens du transport. Elle a créé un secteur industriel majeur, puis a généré des retombées dans les secteurs de l’acier, du pétrole, de la chimie, de la construction, du commerce de détail et des loisirs.

Les gains de productivité de l’industrie automobile ont entraîné dans leur sillage les secteurs en amont et en aval. De nouvelles infrastructures ont suivi : routes, autoroutes, réseaux logistiques et logements de banlieue ont reconfiguré les habitudes de consommation et les déplacements entre la maison et le travail.

Cette leçon est fondamentale pour l’IA. Les gains de productivité les plus importants ne viendront peut-être pas de l’IA intégrée aux processus existants, mais des nouvelles industries, des nouvelles entreprises et des nouvelles possibilités de consommation que l’IA rend possibles.

On dit que l'Amérique a créé l'automobile, puis que l'automobile a créé l'Amérique. Pour que l’IA puisse ne serait -ce qu’approcher l’impact de l’industrie automobile sur la société moderne, elle devra remodeler la société en profondeur. S’il est certes possible de se montrer optimiste et de soutenir que ce sera le cas, force est d’admettre que la barre est haute.

Le diagnostic précoce mais juste de Robert Solow sur l’informatique et Internet : 1970 à 2010

L’ère de l’informatique et d’Internet nous a livré le paradoxe de productivité le plus célèbre. En 1987, l’économiste de renom Robert Solow écrivait : « On voit des ordinateurs partout, sauf dans les statistiques de productivité. » Les années 1990 ont finalement donné lieu à une accélération de la productivité en Amérique du Nord, mais le délai a été suffisamment long pour confondre les observateurs de l’époque.

Cet épisode récent nous offre une leçon en matière de politique économique . Au milieu des années 1990, les entreprises intensifiaient leurs investissements en technologies de l’information, mais les indicateurs officiels de productivité ne le reflétaient pas clairement.

Par la suite, des révisions de données ont révélé que l’accélération avait commencé plus tôt que les estimations initiales ne le laissaient croire . La leçon n’est pas que les données sont inutiles, mais plutôt qu’en période de transformation, les bons indicateurs sont souvent désagrégés, et que les statistiques agrégées peuvent accuser un retard sur la réalité du terrain.

Ce parallèle est au coeur de l’actuelle question de l’IA. Nombre d’entreprises indiquent que les outils d’IA font gagner du temps et améliorent les processus. Pourtant, les indicateurs de productivité demeurent flous et contestés. Nous vivons peut -être le paradoxe de Solow 2.0, non pas parce que l’IA est une illusion, mais parce que l’économie apprend encore à voler.

Il serait tentant, certes, d’affirmer que cette fois, c’est différent, car l’IA est bien plus révolutionnaire que l’informatique et Internet. Pourtant, avec le recul, on constate que la productivité de l’ère informatique est restée relativement lente et globalement insaisissable à l’égard des normes historiques.

Plus précisément, malgré l’ère informatique et les merveilles d’Internet, la croissance annuelle de la PMF aux États -Unis n’a été, en moyenne, que de 1,2 % depuis 1980 , comparativement à 2,1 % des années 1940 aux années 1970. Une fois de plus, ce n’est pas seulement la technologie qui compte, mais ses effets sur la société.

Un avertissement moderne s’impose dans le cas spécifique de l’IA. Même si celle -ci accroît la production, elle risque d’accentuer l’écart entre les revenus du capital et ceux du travail . Par ailleurs, certaines nouvelles activités fondées sur l’IA peuvent avoir une valeur sociale discutable, voire franchement néfaste. Pensons notamment à l’utilisation de l’IA pour propager la désinformation ou pirater des systèmes informatiques.

Autrement dit, les nouvelles « mauvaises tâches » pourraient contrebalancer, en matière de productivité, les nouvelles « bonnes tâches ».

Qu’est -ce qu’une courbe en J de la productivité?

Une courbe en J de la productivité décrit un processus d’ajustement dynamique dans lequel une nouvelle technologie, une politique ou un changement structurel réduit dans un premier temps la productivité mesurée, avant de la faire remonter bien au-dessus de son niveau initial. Le mécanisme se déroule en trois phases.

Vient d’abord la phase de mise en place et de perturbation. Au départ, d’importants investissements en technologie, en réorganisation et en formation sont nécessaires, mobilisant des ressources considérables en temps et en argent . Les processus sont perturbés et la courbe d’apprentissage domine, de sorte que la productivité mesurée stagne ou recule . On pourrait soutenir que nous sommes encore dans cette phase à la mi-2026.

Vient ensuite la phase de déploiement et d’adaptation. Les systèmes commencent à fonctionner, les compétences s’affûtent et les changements complémentaires se mettent en place. La productivité se redresse progressivement et les gains associés à la nouvelle technologie se précisent.

Vient enfin la phase de transformation et de retombées. À plus long terme, les gains d’efficience se manifestent, accompagnés de nouveaux modèles d’affaires, d’effets d’échelle et de gains substantiels. La productivité s’accélère au-delà de la tendance et les bénéfices de la nouvelle technologie se diffusent largement. Telle est la piste qui mène au décollage. Plusieurs observateurs ne voient que la destination, oubliant la course au sol.

La courbe en J de la productivité liée à l’IA et pourquoi l’essor tarde à suivre la percée

Paradoxe de Solow 2.0 : la perception face aux données

Une étude récente menée auprès de dirigeants d’entreprises a clairement mis en évidence le fossé entre les attentes et la réalité quant aux répercussions actuelles de l’IA.

Après avoir interrogé près de 750 dirigeants d’entreprises sur les effets de l’IA sur la productivité et la main-d’oeuvre, la Réserve fédérale d’Atlanta a publié ses conclusions en mars 2026. Les résultats étaient prévisibles : les dirigeants font état d’un écart marqué entre les gains de productivité perçus et les gains mesurés par les revenus.

De nombreux dirigeants font état d’améliorations significatives, mais les gains implicites en matière de production mesurée par travailleur sont plus modestes à court terme. Les auteurs interprètent cet écart comme un décalage dans la concrétisation de la production et des améliorations de qualité qui ne sont pas encore prises en compte dans les statistiques de revenus.

C’est exactement ce à quoi ressemble une courbe en J au niveau d’une entreprise. On commence par gagner du temps, puis on investit pour adopter de nouvelles technologies. Le personnel est contraint de s’adapter, et certaines entreprises licencient puis réembauchent certains employés.

Les revenus et la production mesurée suivent plus tard, une fois que les processus et les produits ont suffisamment évolué pour permettre de tirer profit des gains de temps réalisés.

Les coûts de la co-invention : au plus creux de la courbe

La co-invention est ce cycle d’investissement caché où la magie opère.

Les technologies à usage général exigent des entreprises qu’elles investissent dans des actifs intangibles complémentaires, qu’elles forment à nouveau leurs employés, qu’elles repensent leurs processus et qu’elles renégocient leurs contrats avant d’en tirer pleinement profit.

Au sens figuré, utiliser l’IA pour automatiser certaines étapes d’un processus revient à remplacer un moteur à vapeur par un moteur électrique tout en conservant la configuration de l’usine. Cela permet d’économiser du temps et de l’argent, mais ne constitue pas une véritable transformation. Les gains importants surviennent lorsque les entreprises repartent de zéro et repensent le processus lui-même.

Cette partie du processus est ce que l’on pourrait qualifier de plus grande inconnue connue : combien de temps faudra -t-il aux entreprises pour dompter la bête qu’est l’IA et s’adapter afin d’en libérer le potentiel? Et quels seront, en fin de compte, ces ajustements?

Bien qu’il soit impossible de le savoir avec certitude, il est clair que cette phase du processus menant à des gains de productivité est vitale, mais imprévisible.

Anticiper le retournement : le mode d’emploi de l’investisseur institutionnel

Il est tentant de se représenter l’adoption technologique comme une courbe exponentielle : régulière, inexorable et inévitable. Dans les faits, l’adoption ressemble davantage à un S, avec des poussées et des arrêts, des faux départs et une bonne part de turbulence en chemin.

La raison est simple : le déploiement d’une technologie à usage général implique une série de choix coûteux. L’intégration prend du temps, la réglementation évolue, et l’économie réelle impose des limites de vitesse par le biais de la rareté et du prix. Un obstacle manifeste pour l’IA tient au fait que la puissance de calcul n’est pas gratuite ; elle est au contraire très énergivore.

Lorsque de telles contraintes se resserrent, la courbe fléchit. Lorsqu’elles s’allègent, la dynamique reprend. Voilà pourquoi le chemin vers la généralisation peut ressembler à une succession de hauts et de bas plutôt qu’à un décollage en douceur.

Passer de l’innovation technologique à une productivité généralisée est un problème aux multiples facettes. Nous mettons en lumière quatre marqueurs pour aider à évaluer la position de la technologie sur la courbe :

Le premier est la reconfiguration organisationnelle. L’adoption initiale de l’IA est souvent dispersée, mais la transformation se produit lorsque l’IA s’intègre aux opérations clés. Ce changement implique de repenser les processus, de redistribuer les tâches entre humains et machines et de créer de nouveaux rôles professionnels . Il devient évident lorsque les entreprises ne se demandent plus seulement où utiliser l’IA, mais comment construire leur modèle d’affaires autour d’elle.

Le deuxième marqueur est l’émergence de retombées économiques mesurables. Au départ, l’IA améliore le débit des tâches, ce qui est formidable à l’interne, mais difficile à monétiser à l’externe. La courbe ascendante devient visible lorsque le temps économisé se traduit en revenus générés, les cycles de développement de produits se raccourcissent, la qualité de service devient un avantage concurrentiel et les entreprises peuvent croître sans augmenter leur effectif au même rythme.

Ce marqueur se manifeste dans les données par un élargissement au-delà de la couche infrastructurelle, les avantages de l’adoption se diffusant des secteurs clairement gagnants vers les secteurs moins prestigieux qui constituent l’essentiel de l’économie.

Le troisième marqueur est le déploiement de la couche physique. À mesure que l’adoption progresse des entreprises vers des secteurs entiers, les contraintes se resserrent. On observe une hausse des investissements dans les centres de données, les réseaux et le matériel spécialisé. On constate des engorgements dans les connexions au réseau électrique, l’approvisionnement en énergie et les capacités de construction.

Des entreprises signent des contrats d’énergie à long terme et revoient leurs plans d’infrastructure en fonction de la fiabilité et des coûts. Lorsque la contrainte passe de « la technologie peut -elle accomplir la tâche? » à « peut -on l’alimenter, la sécuriser et la déployer à grande échelle? », c’est que l’économie s’apprête à décoller.

Le quatrième marqueur est la clarté institutionnelle et réglementaire. L’adoption s’accélère lorsque les règles du jeu se précisent. Les cadres de responsabilité, les normes de gouvernance des données, les règles d’approvisionnement et les lignes directrices sectorielles réduisent l’incertitude et réduisent le coût d’intégration.

Un renforcement de la réglementation n’est pas nécessairement mauvais ; il peut ralentir l’adoption à court terme tout en favorisant une diffusion plus large à long terme en renforçant la confiance. Les investisseurs devraient donc prêter attention non seulement au caractère restrictif de la réglementation, mais aussi à sa clarté.

Conclusion

La productivité n’attend pas une percée, une application vedette ou un trimestre magique dans les données. Elle dépend de l’organisation, de la mesure, des infrastructures, de l’énergie, des compétences et des institutions qui évoluent dans le même sens,

La trajectoire vers un véritable décollage est long. Mais les signes deviendront probablement évidents en cours de route, d’abord dans la façon dont les entreprises se réinventent, puis dans celle dont les capitaux sont déployés, et enfin dans celle dont la production est organisée et tarifée.

Le principal risque pour les investisseurs n’est pas que l’IA échoue . Il réside dans une mauvaise interprétation de notre position sur la piste de décollage, en évaluant la destination tout en ignorant les processus de co -invention qui se déroulent en cours de route. C’est ainsi que les marchés devancent l’économie.

Il n’y a rien d’automatique dans la capacité de la technologie à générer de la prospérité. L’ampleur et le calendrier des gains de productivité dépendront aussi fortement de la réglementation, de la diffusion, de la concurrence et du partage des bénéfices. L’IA peut nous aider à apprendre à voler, mais il faudra être patient avant d’espérer atteindre une altitude de croisière.