Gain d'IA : quand la confiance tient lieu de mesure

Quatre banques centrales mesurent un effet nul et une attente quasi générale

Le matériau est d'une qualité rare. Entre novembre 2025 et janvier 2026, la Réserve fédérale d'Atlanta, la Banque d'Angleterre, la Bundesbank et l'université Macquarie ont posé les mêmes questions à près de 6 000 dirigeants d'entreprises aux États-Unis, au Royaume-Uni, en Allemagne et en Australie. Les résultats sont publiés dans le document de travail n° 34836 du National Bureau of Economic Research (NBER), « Firm Data on AI », signé par Ivan Yotzov, Jose Maria Barrero, Nicholas Bloom et dix coauteurs, paru en février 2026 et révisé en mars 2026. Les répondants sont pour l'essentiel des directeurs généraux, des directeurs financiers et des cadres dirigeants de la fonction finance, recrutés par téléphone et non rémunérés.

Le premier constat est celui d'une diffusion large. En moyenne sur les quatre pays, 69 % des entreprises utilisent activement l'IA, 78 % aux États-Unis et 59 % en Australie. Plus des deux tiers des dirigeants s'en servent eux-mêmes au cours d'une semaine ordinaire, mais pour une durée moyenne d'environ 1,5 heure, de 1,4 heure au Royaume-Uni et en Allemagne à 1,7 heure aux États-Unis, et 41 % d'entre eux déclarent au plus une heure par semaine.

Le deuxième constat est celui d'un effet introuvable. Plus de 90 % des dirigeants ne déclarent aucun impact de l'IA sur l'emploi de leur entreprise au cours des trois dernières années, et 89 % aucun impact sur la productivité du travail, que l'enquête définit comme le volume des ventes par salarié. Converti en valeur moyenne, l'effet déclaré sur la productivité s'établit à 0,29 % sur trois ans, entre 0,24 % et 0,29 % aux États-Unis, au Royaume-Uni et en Allemagne, et 0,49 % en Australie.

Le troisième constat inverse le deuxième. Interrogés sur les trois années suivantes, les mêmes dirigeants prévoient en moyenne un gain de productivité de 1,4 %, une hausse de la production de 0,8 % et une baisse de l'emploi de 0,7 %. Les dirigeants américains anticipent un gain de 2,25 % sur la période. La synthèse publiée par le NBER Digest le 1er mai 2026 ajoute un contrepoint décisif : environ 3 000 salariés américains, interrogés en décembre 2025 dans le cadre de l'enquête Survey of Working Arrangements and Attitudes, anticipent au contraire une hausse de l'emploi de 0,5 % dans leur entreprise et un gain de productivité de 0,9 %, quand les dirigeants américains annoncent respectivement une baisse de 1,2 % et un gain de 2,3 %. Les auteurs nomment cet écart un « expectations gap » (écart d'anticipations).

Un dernier détail mérite l'attention. Au Royaume-Uni, où la question avait déjà été posée entre février et avril 2025, quand 61 % des entreprises utilisaient l'IA contre 71 % entre novembre 2025 et janvier 2026, l'effet attendu de l'IA sur l'emploi est passé de −0,8 % à −1,4 % en moins d'un an, alors que l'effet constaté restait voisin de zéro. L'attente s'est durcie sans que l'observation ait bougé.

Le gain perçu dépasse le gain mesuré parce que l'attribution échappe à toute trace

Une seconde enquête permet de regarder à l'intérieur de cet écart. Le document de travail NBER n° 34984, « Artificial Intelligence, Productivity, and the Workforce: Evidence from Corporate Executives », publié le 23 mars 2026 par Salomé Baslandze, Zachary Edwards, John Graham, Ty McClure, Brent H. Meyer, Michael Sparks, Sonya R. Waddell et Daniel Weitz, exploite l'enquête trimestrielle menée par l'université Duke et les Réserves fédérales de Richmond et d'Atlanta auprès de directeurs financiers. Près de 750 réponses ont été recueillies entre le 11 novembre 2025 et la mi-janvier 2026.

Les auteurs disposent de deux mesures pour une même grandeur. La première est le gain de productivité du travail que les directeurs financiers attribuent eux-mêmes à l'IA. La seconde est le gain implicite, recalculé à partir des variations de chiffre d'affaires et d'effectifs que ces mêmes répondants imputent à l'IA. Pour 2025, le gain déclaré atteint en moyenne 1,8 %, le gain implicite 0,6 %. Pour 2026, les valeurs attendues sont respectivement de 3,0 % et 1,8 %. Les auteurs qualifient cet écart de « productivity paradox » (paradoxe de productivité), dans lequel les gains perçus excèdent les gains mesurés, ce qu'ils attribuent probablement à un décalage dans la réalisation du chiffre d'affaires.

La décomposition sectorielle va dans le même sens. Le gain implicite de 2025 avoisine 0,8 % dans les services très qualifiés, en particulier la finance, et 0,4 % dans l'industrie, la construction et les services peu qualifiés. Pour 2026, les répondants attendent un doublement environ, et plus de 2 % dans les services très qualifiés et la finance.

Les auteurs présentent comme un avantage de méthode le fait d'interroger directement les décideurs sur les changements « attribués à l'IA », ce qui permettrait d'isoler l'effet de la technologie des autres forces à l'œuvre. Ce choix est défendable pour l'économiste. Pour une direction, il désigne précisément le point aveugle. Un effet attribué est un jugement contrefactuel (une estimation de ce qui se serait passé sans l'outil), et aucune trace d'exécution ne permet de le vérifier de l'intérieur. Les deux enquêtes valident d'ailleurs la fiabilité de leurs panels sur la prévision des ventes et de l'emploi à un an, grandeurs observables et comptabilisées, le WP 34836 relevant un coefficient entre prévision et réalisation de 0,49 pour les ventes et de 0,47 pour l'emploi. Elles ne peuvent pas valider de la même manière la part de ces grandeurs que le répondant impute à l'IA.

L'adoption suit une décision d'organisation plus qu'un outil

Le troisième document de travail déplace la question de l'effet vers celle de l'usage. « Mind the Gap: AI Adoption in Europe and the U.S. », document NBER n° 34995 publié en mars 2026 par Alexander Bick, Adam Blandin, David J. Deming, Nicola Fuchs-Schündeln et Jonas Jessen, combine des enquêtes auprès de salariés de sept pays et les données d'entreprises d'Eurostat et du Census américain.

Le résultat central intéresse directement les directions. Les entreprises dotées de meilleures pratiques de gestion du personnel sont plus enclines à encourager l'usage de l'IA, à fournir les outils et à former. Or l'encouragement explicite et la mise à disposition des outils prédisent fortement l'adoption par les salariés, alors que la formation ne la prédit pas. Une décomposition statistique incluant les différences d'encouragement par l'employeur rend compte de la quasi-totalité de l'écart d'adoption entre les États-Unis et l'Europe. En 2026, 43 % des salariés américains déclarent utiliser l'IA pour leur travail, contre 32 % en moyenne dans les pays européens couverts.

La statistique publique européenne confirme l'ampleur de la marche. Selon Eurostat, 19,95 % des entreprises de l'Union européenne de 10 salariés ou plus utilisaient au moins une technologie d'IA en 2025, soit une hausse de 6,47 points en un an. L'écart par taille est massif : 17 % des petites entreprises, 30,36 % des moyennes et 55,03 % des grandes. Le Danemark atteint 42,03 %, la Roumanie 5,21 %.

Ces deux sources dessinent un double risque pour une direction. Le premier est d'investir sur une promesse dont personne ne vérifie la réalisation. Le second, moins visible, est de ne pas voir que l'usage réel dépend d'un acte d'organisation (dire clairement que l'outil est attendu et le fournir) plus que de l'outil lui-même.

La logique de confiance convertit le business case en indicateur

Le mécanisme se décrit désormais sans nom d'organisation : lorsque le gain d'une technologie se mesure par la déclaration de ceux qui ont décidé de l'acheter, l'indicateur enregistre l'anticipation plutôt que l'effet, et la promesse se reporte d'un exercice sur l'autre sans être confrontée aux traces d'exécution.

La logique de confiance (Meyer et Rowan, 1977)

Dans « Institutionalized Organizations: Formal Structure as Myth and Ceremony », publié en septembre 1977 dans l'American Journal of Sociology (vol. 83, n° 2, p. 340-363), John W. Meyer et Brian Rowan montrent que les organisations adoptent des structures formelles parce qu'elles reflètent des règles rationalisées valorisées par leur environnement, et non parce qu'elles améliorent l'efficacité technique. Pour protéger ces structures, elles recourent à deux dispositifs liés : le découplage (la séparation entre la structure affichée et l'activité réelle) et ce qu'ils nomment « the logic of confidence and good faith » (la logique de confiance et de bonne foi). Les auteurs formulent que les organisations institutionnalisées « seek to minimize inspection » (cherchent à minimiser l'inspection). La confiance n'est pas ici une vertu morale. Elle est une technique de gestion qui dispense d'évaluer.

Opérationnalisé sur le cas, le concept rend lisibles trois traits de l'enquête. D'abord, le répondant est la personne la moins à même d'infirmer la décision, puisqu'il l'a prise ou validée. Les auteurs du WP 34836 estiment que les dirigeants disposent de « the best line of sight » (la meilleure visibilité) sur l'avenir de leur entreprise. La logique de confiance consiste justement à tenir cette visibilité pour une mesure. Ensuite, l'effet passé déclaré nul n'entraîne aucune révision de l'attente : il est absorbé comme un retard. Enfin, l'objet évalué n'est jamais l'exécution (les processus modifiés, le temps libéré, le chiffre d'affaires réalisé) mais le bien-fondé d'un engagement, ce qui permet à la promesse de survivre à chaque exercice.

Le business case (le dossier de justification économique d'un investissement) remplit alors une fonction cérémonielle au sens de Meyer et Rowan. Il est rédigé avant l'achat, il chiffre un gain, puis il devient la seule référence disponible pour juger du résultat. Le gain annoncé n'a pas besoin d'être faux pour poser problème. Il suffit qu'il ne soit jamais confronté à autre chose qu'à lui-même.

Le discours dominant des éditeurs et des cabinets ne ment pas sur ce point, il mesure ce qui se mesure au moment de l'achat. Les auteurs du WP 34836 relèvent que les estimations d'adoption de l'IA par les entreprises diffèrent de plus d'un facteur dix selon les sources, de 3 % des entreprises américaines selon l'enquête annuelle du Census de 2019 à 88 % des organisations selon le cabinet McKinsey en 2025. Compter les utilisateurs, les licences ou les cas d'usage revient à documenter l'engagement. L'angle mort tient à la confusion entre le taux d'adoption et le gain, que la logique de confiance rend confortable puisque personne, dans la chaîne, n'a intérêt à inspecter.

La courbe en J distingue le « pas encore » du « jamais »

Une objection sérieuse s'impose. Les gains d'une technologie générique arrivent souvent tard, et l'absence d'effet à trois ans ne prouve pas l'absence d'effet. Erik Brynjolfsson, Daniel Rock et Chad Syverson l'ont formalisé dans « The Productivity J-Curve: How Intangibles Complement General Purpose Technologies », publié en janvier 2021 dans l'American Economic Journal: Macroeconomics (vol. 13, n° 1, p. 333-372). Leur thèse : les technologies à usage général comme l'IA exigent des investissements complémentaires importants, souvent immatériels (réorganisation des processus, nouveaux produits, capital humain), mal mesurés dans les comptes nationaux. La productivité mesurée est alors sous-estimée dans les premières années, puis surestimée quand ces actifs immatériels portent leurs fruits. Les auteurs nomment ce profil la courbe en J de la productivité.

La courbe en J sert ici d'appui secondaire, et son intérêt pour une direction est de rendre l'objection testable. Le creux de la courbe n'est pas une attente passive. Il correspond à une période d'investissement immatériel effectif, qui laisse des traces : des processus redessinés, des rôles redéfinis, des données réorganisées, du temps de travail consacré à la transformation. Une organisation qui se trouve dans le creux peut montrer ces traces. Une organisation qui n'a acheté que des licences et attend le gain n'est pas dans le creux d'une courbe en J, elle est dans une attente sans investissement complémentaire, c'est-à-dire potentiellement dans le « jamais ».

Les données de 2026 vont dans ce sens. Dans l'enquête de Baslandze et de ses coauteurs, les petites entreprises consacrent en 2026 en moyenne 64 % de leur dépense d'IA à des charges d'exploitation (abonnements, services, formation), les grandes 55 %, et seulement 24 % et 31 % respectivement au développement interne de systèmes adaptés. La part de la dépense qui ressemble à un investissement complémentaire au sens de Brynjolfsson, Rock et Syverson reste donc minoritaire. La logique de confiance permet de confondre les deux situations, la courbe en J permet de les séparer.

En 1987, le paradoxe de Solow visait déjà ce que la statistique ne voyait pas

Le parallèle historique le plus proche n'est pas celui d'une technologie qui a déçu, mais celui d'une technologie dont tout le monde constatait la présence sans en trouver l'effet. Le 12 juillet 1987, dans un compte rendu publié par la New York Times Book Review sous le titre « We'd Better Watch Out », l'économiste Robert Solow observait que ce que chacun ressentait comme une révolution technologique s'accompagnait partout d'un ralentissement de la productivité. Il concluait : « You can see the computer age everywhere but in the productivity statistics » (l'ère de l'ordinateur se voit partout, sauf dans les statistiques de productivité).

La proximité structurelle est forte sur un point précis. En 1987 comme en 2026, la présence de la technologie est massive et visible, et c'est cette visibilité même qui nourrit l'attente. Le paradoxe de Solow a ensuite donné lieu à des travaux qui ont montré que les gains de l'informatique, quand ils sont apparus dans les années 1990, se concentraient dans les secteurs où les entreprises avaient réorganisé leur production. Les auteurs du WP 34984 rappellent eux-mêmes cette filiation, et Brynjolfsson et ses coauteurs avaient qualifié dès 2017 la situation de l'IA de « redux » (retour) du paradoxe de Solow.

La différence est tout aussi instructive. Le paradoxe de Solow opposait une perception diffuse à une statistique nationale indépendante des acteurs. En 2026, la mesure de l'effet repose largement sur la déclaration des décideurs eux-mêmes, et c'est dans cette déclaration que l'écart apparaît, entre ce qu'ils constatent et ce qu'ils prévoient. Le paradoxe a migré de la comptabilité nationale vers l'instrument de pilotage des organisations. Un autre parallèle souvent invoqué, celui de l'électrification des usines au début du XXe siècle, illustre le même délai d'ajustement, mais il porte moins directement sur la question de qui mesure le gain.

Partout où l'acheteur certifie le gain, la promesse se reporte d'exercice en exercice

Le mécanisme n'a rien de propre à l'IA. Il se reproduit dès que trois conditions sont réunies. La première est que le gain attendu soit diffus, réparti sur de nombreuses tâches et difficilement isolable dans les comptes. La deuxième est que la mesure du gain soit confiée, formellement ou de fait, à ceux qui ont porté la décision d'investissement. La troisième est que le coût de l'inspection (instrumenter les processus, comparer avant et après, accepter un résultat décevant) soit supérieur au coût politique de la confiance.

Ces trois conditions se rencontrent dans une ETI qui déploie un progiciel de gestion intégré, dans un établissement de santé qui informatise son dossier patient, dans une mutuelle qui refond sa relation adhérent ou dans un groupe qui généralise un assistant conversationnel. Elles produisent des signes observables. Les comités de suivi rendent compte d'un taux d'usage ou d'un nombre de licences activées plutôt que d'un délai de traitement ou d'un coût unitaire. Le bilan d'un exercice reconduit l'objectif chiffré du business case initial sans le confronter à une mesure intermédiaire. L'absence d'effet est commentée comme un délai d'appropriation, sans que soit précisé quel investissement complémentaire est en cours. Les arbitrages budgétaires de l'année suivante intègrent le gain attendu comme s'il était acquis.

Un dernier signe découle directement des travaux de Bick et de ses coauteurs. Lorsque l'usage d'un outil reste faible, l'organisation tend à répondre par la formation, alors que leurs données montrent que l'encouragement explicite et la fourniture de l'outil prédisent l'adoption bien mieux que la formation. Une direction qui multiplie les modules de sensibilisation sans jamais dire clairement ce qui est attendu illustre le réflexe descendant qui préfère l'instrument visible à l'effet réel. Les chroniques déjà publiées sur elegartech.fr sur la mesure des gains du numérique d'État et sur l'écart entre adoption et usage décrivent le même pli dans le secteur public.

Grille de lecture

1. Le gain attendu de l'outil figure-t-il dans un document daté, avec une grandeur mesurable autre que le taux d'usage ?
2. Qui produit la mesure du gain constaté, et cette personne a-t-elle porté ou validé la décision d'achat ?
3. Quelle part du budget consacré à l'outil finance des licences, et quelle part finance la transformation des processus, des rôles ou des données ?
4. Lors du dernier bilan, l'écart entre gain annoncé et gain constaté a-t-il conduit à réviser l'objectif ou seulement à en décaler l'échéance ?
5. L'organisation a-t-elle formulé explicitement ce qu'elle attend des salariés vis-à-vis de l'outil, ou s'est-elle limitée à le rendre disponible et à former ?

Conclusion : la confiance devra un jour rencontrer la mesure

Le gain d'IA tel que le décrivent les dirigeants interrogés en 2025 et 2026 n'est pas un constat, c'est un engagement. La logique de confiance identifiée par Meyer et Rowan explique pourquoi cet engagement peut durer : tant que la mesure reste entre les mains de ceux qui ont décidé, l'effet nul se lit comme un retard et l'attente se reconduit. La courbe en J offre une issue honnête à cette situation, à condition de chercher les traces de l'investissement complémentaire plutôt que de se contenter de la promesse.

Cette lecture peut être mise à l'épreuve de l'extérieur, sans information interne. Eurostat a programmé la mise à jour de ses données sur l'usage de l'IA dans les entreprises pour décembre 2026. L'hypothèse formulée ici est double. La part des entreprises de l'Union européenne de 10 salariés ou plus utilisant l'IA dépassera 25 % dans cette publication, prolongeant la progression de 2025. Et les prochaines vagues des enquêtes de dirigeants conduites par les banques centrales, que les auteurs du WP 34836 annoncent « twice yearly from 2026 onwards » (deux fois par an à partir de 2026), continueront jusqu'à fin 2027 de montrer une large majorité de répondants sans effet constaté sur la productivité, alors que l'effet attendu à trois ans restera positif. Si cette double observation se vérifie et qu'aucune rupture de la productivité horaire n'apparaît dans les comptes nationaux de la zone euro d'ici octobre 2028, l'écart entre confiance et mesure cessera d'être un décalage temporaire pour devenir un trait durable du pilotage des organisations.

Note méthodologique

L'article s'appuie sur les documents de travail NBER n° 34836, 34984 et 34995, sur la synthèse du NBER Digest de mai 2026, sur la page d'Eurostat consacrée à l'usage de l'IA dans les entreprises et sur les textes originaux de Meyer et Rowan, de Brynjolfsson, Rock et Syverson et de Solow. Plusieurs écarts mineurs entre sources publiques ont été arbitrés au profit du texte des documents de travail : le gain de productivité attendu par les dirigeants américains figure à 2,25 % dans le WP 34836 et à 2,3 % dans le Digest, la part d'entreprises européennes utilisant l'IA est retenue à 19,95 % selon Eurostat. Les gains « implicites » du WP 34984 sont des grandeurs recalculées par les auteurs à partir de déclarations, et non des mesures comptables indépendantes. Le choix de la logique de confiance de Meyer et Rowan comme concept central, de préférence à la courbe en J reléguée en appui secondaire, est un choix de l'auteur, fondé sur le fait que ce concept nomme directement le mode de mesure en cause. La vérification des cadres déjà mobilisés porte sur le catalogue des chroniques publiées sur elegartech.fr au 18 octobre 2026.

Recherche de sources, croisement des données et structuration du raisonnement s'appuient sur une assistance par intelligence artificielle. Le choix de l'angle et du cadre théorique, la vérification des sources, les arbitrages et l'établissement du texte final relèvent de l'auteur.

image générée par IA (ChatGPT Images 2.5)

Sources

Études académiques et statistiques

• Yotzov, I., Barrero, J. M., Bloom, N., Bunn, P., Davis, S. J., Foster, K. M., Jalca, A., Meyer, B. H., Mizen, P., Navarrete, M. A., Smietanka, P., Thwaites, G., Wang, B. Z., « Firm Data on AI », NBER Working Paper n° 34836, 16 février 2026, révisé en mars 2026 (consulté le 18 octobre 2026). https://www.nber.org/papers/w34836
• National Bureau of Economic Research, « Global Evidence on Business Use of AI », The Digest, 1er mai 2026. https://www.nber.org/digest/202605/global-evidence-business-use-ai
• Baslandze, S., Edwards, Z., Graham, J., McClure, T., Meyer, B. H., Sparks, M., Waddell, S. R., Weitz, D., « Artificial Intelligence, Productivity, and the Workforce: Evidence from Corporate Executives », NBER Working Paper n° 34984, 23 mars 2026. https://www.nber.org/papers/w34984
• Bick, A., Blandin, A., Deming, D. J., Fuchs-Schündeln, N., Jessen, J., « Mind the Gap: AI Adoption in Europe and the U.S. », NBER Working Paper n° 34995, mars 2026 (consulté le 18 octobre 2026). https://www.nber.org/system/files/working_papers/w34995/w34995.pdf
• Eurostat, « Use of artificial intelligence in enterprises », Statistics Explained, données extraites en décembre 2025, page consultée le 18 octobre 2026. https://ec.europa.eu/eurostat/statistics-explained/index.php?title=Use_of_artificial_intelligence_in_enterprises

Cadres théoriques

• Meyer, J. W., Rowan, B., « Institutionalized Organizations: Formal Structure as Myth and Ceremony », American Journal of Sociology, vol. 83, n° 2, p. 340-363, 1er septembre 1977. https://www.journals.uchicago.edu/doi/10.1086/226550
• Brynjolfsson, E., Rock, D., Syverson, C., « The Productivity J-Curve: How Intangibles Complement General Purpose Technologies », American Economic Journal: Macroeconomics, vol. 13, n° 1, p. 333-372, 1er janvier 2021. https://www.aeaweb.org/articles?id=10.1257%2Fmac.20180386

Parallèles historiques

• Solow, R. M., « We'd Better Watch Out », New York Times Book Review, 12 juillet 1987, p. 36. https://www.semanticscholar.org/paper/We%E2%80%99d-better-watch-out-Solow/cef149b3dbdaa85f74b114c2c7832982f23bcbf0