Les PDG : l'IA n'a pas augmenté la productivité en 40 ans

Paragraphe d'ouverture

Contexte

Le débat sur la question de savoir si l'intelligence artificielle transforme la productivité et l'emploi est revenu à une idée formulée par Robert Solow il y a quatre décennies : « On voit l'ère de l'ordinateur partout sauf dans les statistiques de productivité. » Cette observation, publiée pour la première fois en 1987, a refait surface dans la couverture grand public après que Fortune a publié un article le 19 avril 2026 rapportant que « des milliers de PDG » déclarent que l'IA n'a eu aucun impact mesurable sur l'emploi ou la productivité. Le contraste entre le sentiment des dirigeants et l'enthousiasme dominant sur les marchés de capitaux est saisissant : valorisations, flux d'investissement et plans stratégiques d'entreprises partent du principe que l'IA apportera d'importants gains d'efficacité, alors même que les managers opérationnels et les PDG signalent peu ou pas d'effet observable sur le terrain. Pour les investisseurs institutionnels, cette divergence soulève des questions de calendrier, de mesure et des canaux par lesquels l'IA est censée influencer le PIB et les marges des entreprises.

La citation de Solow et la couverture de Fortune du 19 avril 2026 forment ensemble un cadre historique qui impose de réexaminer la façon dont les révolutions technologiques se traduisent en statistiques macroéconomiques et en performances d'entreprise. Si les entreprises leaders déclarent un impact immédiat limité des outils d'IA largement déployés, cela pose une double interrogation pour les analystes : les cadres de mesure échouent-ils à capturer la création de valeur, ou l'adoption se limite-t-elle à des tâches à faible effet de levier qui n'altèrent pas encore la production par heure ? Cet article évalue les preuves, compare le sentiment des PDG avec les données macro et de marché, et expose les implications pour les allocations en actions et dans le secteur technologique.

Le reportage de Fortune n'est pas une anecdote isolée ; il ponctue un schéma plus large où les sondages d'opinion et les études de cas au niveau des entreprises divergent fréquemment des récits des marchés de capitaux. Les investisseurs institutionnels ont besoin d'une lecture disciplinée de la manière dont les déclarations des PDG peuvent se traduire en ajustements potentiels des bénéfices, des attentes de dépenses d'investissement (CapEx) et des trajectoires de productivité à plus long terme. Ce texte synthétise la couverture récente avec le contexte historique et présente une vision axée sur les données des voies réalistes par lesquelles l'IA pourrait — ou non — se manifester dans les statistiques officielles de productivité.

Analyse approfondie des données

L'ancre quantitative la plus directe dans la couverture récente est temporelle : environ 40 ans se sont écoulés depuis la remarque de Solow en 1987, et cet intervalle constitue un comparateur utile pour évaluer combien de temps des changements structurels peuvent mettre pour apparaître dans les statistiques agrégées. L'article de Fortune du 19 avril 2026 fait explicitement référence à « des milliers de PDG », un seuil d'échelle qui exige une attention particulière car il implique que l'observation ne se limite pas à des secteurs isolés ou à des cas marginaux. Quand la mesure empirique est disponible, les statistiques de productivité dans les économies avancées ont montré des tendances inégales au cours de la dernière décennie, compliquant une attribution simple à une seule vague technologique.

Au niveau des entreprises, les sondages sur le sentiment des managers montrent historiquement des décalages entre l'adoption technologique et les gains de production mesurables. Cela peut être illustré par des vagues passées : les déploiements d'ERP (progiciels de gestion intégrés) dans les années 1990 ont généré d'importants CapEx et des promesses de productivité, mais les gains mesurables en production par heure sont souvent apparus plusieurs années plus tard et se sont concentrés parmi les adopteurs des meilleures pratiques. Ce schéma — gains concentrés, longs délais — reste pertinent pour interpréter les déclarations des PDG en 2026. Il suggère que le sentiment affiché peut refléter des défis actuels d'implémentation plutôt qu'un verdict définitif sur le rôle économique final de l'IA.

Les indicateurs de marché fournissent une corroboration partielle. Les multiples des grandes valeurs technologiques et les fournisseurs de matériel axés sur l'IA ont continué d'afficher des valorisations élevées entre 2024 et 2026, fondées sur l'hypothèse d'une accélération pluriannuelle de la productivité et des revenus. Pourtant, les statistiques macro officielles — y compris la production par heure du secteur des entreprises et les séries agrégées de productivité compilées par les agences statistiques nationales — n'ont pas montré un pic uniforme à la hauteur de l'échelle des investissements privés dans l'infrastructure d'IA. Les analystes doivent donc différencier les impacts opérationnels à court terme que vivent les managers et l'empreinte statistique à plus long terme qui ferait basculer les séries de productivité et le PIB par habitant.

Implications sectorielles

Si les rapports des PDG indiquant que l'IA n'affecte pas encore de manière significative l'emploi ou la productivité s'avèrent justes, les gagnants et perdants sectoriels se distribueront de manière non linéaire. Les secteurs caractérisés par des processus standardisés et répétables (par exemple, service client basique, saisie de données routinière ou séquences de fabrication prévisibles) sont susceptibles de capter des gains de productivité mesurables plus tôt. À l'inverse, les secteurs qui reposent sur des connaissances tacites, une complexité réglementaire ou un jugement humain à forte interaction — services professionnels, nombreuses fonctions de santé et fabrication sur mesure — pourraient voir des améliorations plus tardives ou plus progressives.

Pour les actions, cette dispersion sectorielle importe autant pour la sélection de titres bottom-up que pour l'allocation top-down. Les acteurs technologiques établis qui vendent des infrastructures habilitantes (semi-conducteurs, cloud computing et logiciels d'entreprise) peuvent bénéficier de cycles de CapEx soutenus avant même que les gains de productivité n'affectent les comptes de résultat des entreprises clientes. En revanche, les secteurs utilisateurs finaux pourraient retarder la réalisation d'une expansion des marges jusqu'à ce que les systèmes d'IA démontrent des améliorations de qualité cohérentes et une intégration efficace avec les flux de travail hérités. Les investisseurs doivent mettre en balance le calendrier de la comptabilisation des CapEx (qui profite aux fournisseurs) et le calendrier de la réalisation des marges (qui profite aux utilisateurs).

Les comparaisons avec des points d'inflexion technologiques antérieurs sont instructives. L'adoption liée à l'internet dans les années 1990 a suivi des schémas similaires : des investissements massifs par les fournisseurs et des valorisations élevées ont précédé une amélioration plus diffuse et différée de la productivité mesurée. La différence aujourd'hui tient à la rapidité d'itération et à l'échelle du calcul ; la similitude est que les mesures macroéconomiques tardent souvent à rendre compte des changements microéconomiques réels. Les stratégies institutionnelles qui supposent des gains de productivité transversaux immédiats risquent de mal synchroniser leurs expositions ; les stratégies qui se concentrent sur des structures durables