En 1966, s’interrogeant sur l’avance industrielle prise par les États-Unis, le général de Gaulle posait cette question à Alain Peyrefitte : comment les Américains s’y prennent-ils pour nous distancer ? La réponse de son interlocuteur tenait en quelques mots : leurs filiales implantées en Europe s’adaptent plus vite et mieux que les entreprises européennes, car elles savent mieux s’organiser que nous.
Soixante ans plus tard, cette observation n’a rien perdu de sa pertinence face à l’essor de l’intelligence artificielle. Rarement une technologie aura suscité en si peu de temps des investissements aussi considérables, une diffusion aussi rapide auprès du grand public et des anticipations aussi élevées de la part des marchés financiers. Les démonstrations techniques s’enchaînent à un rythme qui déconcerte les spécialistes – jusqu’aux prix Nobel ou aux médailles Fields. Les systèmes sont capables de rédiger du code informatique, d’interroger des masses documentaires hétérogènes, de synthétiser des dossiers techniques, d’assister la conception industrielle ou de résoudre des problèmes de mathématique ou de physique difficiles. La preuve de concept n’est plus à faire.
Pourtant, lorsqu’on se tourne vers les comptes nationaux et les estimations de produit intérieur brut, ou vers les comptes de résultat des entreprises situées hors du secteur technologique lui-même, on peine encore à lire ces gains de productivité. L’écart qui est constaté entre la puissance de l’outil et la modestie de sa traduction économique peut nourrir deux sentiments. On peut d’une part conclure au mirage technologique et ranger l’intelligence artificielle au rayon des emballements spéculatifs. À l’inverse, d’autres affirmeront que les effets massifs sont imminents et qu’il suffirait d’investir plus ou d’acheter les bons logiciels pour voir apparaître la productivité.
L’expérience opérationnelle comme l’analyse économique invitent à écarter ces deux raccourcis. Une technologie même performante ne produit jamais d’elle-même des gains de productivité significatifs de façon immédiate. Pour qu’une technique nouvelle se transforme en valeur économique durable, il faut passer par une zone de friction longue, coûteuse et exigeante, où se joue un phénomène essentiel pour la productivité : la maturation des briques technologiques, la reconfiguration des organisations, la refonte des processus de travail, l’adaptation des compétences et la qualité du gouvernement des entreprises. C’est la vitesse de cette friction qui permet de comprendre pourquoi certaines économies et certaines entreprises parviennent à dégager rapidement un avantage durable, tandis que d’autres peinent à dépasser le stade des expérimentations et des annonces.
Le temps court de la preuve technique, le temps long de la productivité
Il est facile de confondre deux horizons temporels de nature pourtant très différente. Il existe un temps court, celui de l’invention et de la démonstration technique, au cours duquel les ingénieurs prouvent qu’une tâche donnée peut être accomplie autrement, plus vite ou à moindre coût. Mais vient ensuite le temps long de la diffusion économique. Il suppose de repenser l’architecture complète des activités afin d’exploiter cette nouvelle technologie. La première étape se mesure souvent en mois ou en quelques années. La seconde s’étend presque toujours sur des décennies.
C’est ce qui s’est passé avec Internet. À la fin des années 1990, beaucoup pensaient qu’il suffirait de quelques années pour que la mise en réseau généralisée bouleverse les modèles économiques et dope la productivité globale. La réalité a été en partie conforme à cette vision, mais elle s’est révélée beaucoup plus progressive. Ainsi il a fallu 20 ans (et l’accélérateur de la crise Covid) pour que les Français puissent prendre leurs rendez-vous médicaux en ligne au lieu de devoir appeler l’assistante de leur médecin. Plus généralement, avec vingt-cinq ans de recul, on estime qu’Internet a apporté environ vingt points de productivité cumulés, soit près de 0,8 point par an. À l’échelle macroéconomique, une telle contribution est considérable. Année après année, c’était presque imperceptible : l’économie française supprime et récrée environ 15 % de ses emplois chaque année. Cette contribution d’internet au PIB mondial a nécessité une lente réorganisation du commerce, de la logistique, des services financiers, de l’industrie et des échanges d’informations. Mais aussi celle des outils – qu’il s’agisse du cloud, de l’interopérabilité des composants logiciels via les API ou de l’émergence de langages plus adaptés à la science des données comme le langage Python. Si les gains liés à l’intelligence artificielle n’apparaissent pas encore dans les statistiques de PIB, l’explication la plus simple est aussi la plus probable : ils ne sont pas encore significatifs à l’échelle de l’ensemble de l’économie réelle, qui est plus lente à évoluer que le rythme des conférences de presse des fournisseurs de modèles.
La vigueur récente de la croissance outre-Atlantique est souvent présentée comme la preuve que l’intelligence artificielle produirait déjà ses effets sur la productivité globale. Mais les dépenses massives consacrées à la construction de centres de données, à l’acquisition de processeurs spécialisés, au renforcement des réseaux électriques et aux rémunérations exceptionnellement élevées des ingénieurs de ce secteur alimentent mécaniquement l’activité économique. Dans la comptabilité nationale, un milliard de dollars investi dans des infrastructures de calcul compte immédiatement dans le PIB, indépendamment de la rentabilité future des usages qu’il permettra. Or, la véritable mesure de la productivité d’une technologie générale ne se lit pas dans les revenus de l’industrie qui la fabrique, mais dans ce qu’elle offre dans la durée aux secteurs qui l’utilisent. Construire des usines de serveurs enrichit les fabricants de puces, les entreprises de génie civil et les fournisseurs d’énergie. La productivité réelle, elle, ne progresse que le jour où l’hôpital, le sous-traitant aéronautique, l’assureur, le distributeur ou l’administration publique produisent un meilleur service ou un bien supérieur avec moins de ressources mobilisées. Tant que l’essentiel de la productivité statistique provient de l’effort d’investissement initial du secteur producteur, il est prématuré d’y voir la confirmation d’un bond de productivité réelle diffusé à l’ensemble du tissu productif.
Par ailleurs, une technologie majeure ne vient pas s’additionner au stock de capital existant, mais elle déclasse progressivement une partie du stock de capital physique ou de capital humain. Lorsque l’automobile s’est substituée à la traction animale, le gain de mobilité ne s’est pas traduit instantanément par une amélioration des comptes. Il a fallu produire les véhicules, mais aussi bâtir les réseaux routiers adaptés, mettre en place des circuits de distribution de carburant, former des mécaniciens, élaborer un code de la route, inventer des produits d’assurance et adapter la géographie des villes. Et dans le même temps, tout un capital accumulé au fil des siècles perdait sa valeur : chevaux, écuries, charrons, maréchaux-ferrants, filières fourragères et savoir-faire associés se trouvaient frappés d’obsolescence.
Durant la phase de recouvrement où coexistent l’ancien système en déclin et le nouveau système en construction, une société supporte des coûts doubles. Les entreprises maintiennent leurs outils hérités pour assurer la continuité de l’exploitation tout en finançant les infrastructures, les licences et les apprentissages du nouveau monde. Les actifs anciens se déprécient plus vite que prévu, tandis que les nouveaux n’ont pas encore atteint leur plein régime de rendement. Ce creux transitoire masque temporairement les gains réels et peut même peser négativement sur la productivité apparente.
On objecte parfois que l’intelligence artificielle s’appuie sur une infrastructure déjà déployée, contrairement à l’électricité qui exigeait de tirer des câbles dans chaque atelier, ou à l’automobile qui supposait de bitumer le territoire. Et en effet, Internet, les réseaux à haut débit, les terminaux individuels et l’informatique en nuage permettent en quelques secondes de mettre à disposition une mise à jour logicielle à des centaines de millions d’utilisateurs. Mais, en face, le changement du côté des utilisateurs, de leurs processus et de leur organisation n’a pas fondamentalement changé – c’est donc lui qui impose son rythme.
Au total, certains instituts anticipent une accélération spectaculaire de la croissance dans la décennie à venir. D’autres économistes de premier plan, à l’image de Daron Acemoglu mais aussi d’autres économistes spécialisés dans la transformation des systèmes productifs, aboutissent à des estimations beaucoup plus mesurées. Les enquêtes auprès des entreprises sur les gains effectivement identifiés à l’horizon de quelques années vont plutôt, au moins pour le moment, dans le sens de ce dernier. Cette divergence ne reflète pas seulement des tempéraments différents ; elle traduit une incertitude fondamentale sur la vitesse à laquelle une capacité cognitive automatisée peut s’insérer dans des chaînes de production complexes où l’erreur a un coût réel. Elle traduit aussi des différences de points de vue – et celui d’un expert de la technologie qui n’a connu que des entreprises totalement numérisées n’est pas celui d’un économiste du travail, qui considère l’ensemble des emplois, dont la majorité sont dans des entreprises très différentes.
Une technologie ne se diffuse massivement dans l’économie et notamment hors des secteurs technologiques que lorsqu’elle devient une brique simple, fiable, prévisible et stabilisée. L’intelligence artificielle possède certes un potentiel exceptionnel, précisément parce qu’elle s’adresse à un spectre beaucoup plus large de métiers que l’informatique traditionnelle, longtemps cantonnée au traitement de données structurées. Mais ses outils sont loin d’être stabilisés. Même dans le développement logiciel, qui constitue pourtant le terrain d’application le plus mature et le plus proche de la culture des concepteurs de modèles, les méthodes de travail ne sont pas encore matures, loin de là. L’expérience rapportée par un cadre de Google le résume bien : au sein même des géants qui inventent ces technologies, les outils évoluent désormais plus vite que la capacité d’adaptation interne de l’organisation. Si une entreprise de cette nature, peuplée d’ingénieurs rompus à l’informatique de pointe et dotée de moyens financiers sans commune mesure avec la moyenne, peine à stabiliser ses propres pratiques face au rythme des versions successives, on mesure la difficulté que rencontre une PME industrielle ou un établissement de santé dont le cœur de métier n’est pas l’informatique et qui doit déplacer des actifs physiques, et pas seulement des octets.
Cette absence de maturité des outils et des méthodes est un élément essentiel pour comprendre le paradoxe de la productivité. Pour engager une refonte profonde d’un processus métier, former des milliers de collaborateurs, modifier les contrôles internes et ajuster les contrats avec les clients ou les fournisseurs, un dirigeant a besoin d’un minimum de visibilité sur la pérennité de l’architecture choisie. Si l’interface, les capacités, le paysage concurrentiel, le modèle de tarification ou les standards d’intégration changent tous les quatre mois, la tentation rationnelle est de rester en surface, d’observer, ou de limiter les projets à des périphéries sans enjeu critique. Tant que la technologie court plus vite que la capacité d’absorption des organisations, la distance entre le laboratoire et le compte d’exploitation reste large.
De l’exploration à l’industrialisation
Rares sont aujourd’hui les grandes organisations qui n’ont pas lancé de projets liés à l’intelligence artificielle. Les directions générales ont encouragé les initiatives, financé des laboratoires d’innovation, ouvert des accès à des assistants conversationnels et présenté lors de leurs conventions internes des démonstrations convaincantes. Pourtant, la grande majorité de ces dirigeants peinent à identifier dans leurs indicateurs opérationnels une amélioration tangible des coûts unitaires, des délais de cycle ou de la marge. Le cabinet McKinsey observe ainsi qu’environ 6 % seulement des entreprises parviennent aujourd’hui à dégager un impact financier réellement significatif de leurs déploiements en intelligence artificielle. L’écart entre ce petit noyau de tête et la masse des entreprises engagées dans des essais sans lendemain s’explique par le respect de trois conditions opérationnelles exigeantes, rarement réunies simultanément.
La première condition est la mise en ordre des fondations techniques. L’intelligence artificielle ne prospère pas sur le désordre documentaire et applicatif. Pour qu’un système aide à la décision, il faut que les données sous-jacentes soient accessibles, structurées, à jour, tracées et gouvernées. Il faut disposer d’infrastructures capables d’exécuter les traitements dans des conditions économiques maîtrisées. Et il faut des compétences internes adaptées.
Dans une entreprise ordinaire, construite par strates successives, cette mise d’équerre ne se décrète pas en un trimestre. Elle exige couramment quelques années d’efforts soutenus, généralement mal compris des directions générales. Il faut nettoyer des référentiels clients ou produits, clarifier qui est responsable de quelle donnée, fermer des applications redondantes, moderniser des interfaces et établir des règles de confidentialité robustes. Vouloir déployer l’intelligence artificielle sans avoir accompli ce travail ni même lui avoir alloué de moyens revient à vouloir faire circuler un train à grande vitesse sur une voie ferrée déformée : le matériel est performant, mais l’exploitation reste impossible et devient même dangereuse au-delà d’une allure réduite – elle conduira soit à des accidents, soit à la mise en alerte des dispositifs de sécurité. De même, les projets les plus prometteurs se heurtent au dernier moment au veto légitime des directions juridiques, des responsables de la sécurité des systèmes d’information ou des représentants des clients, faute d’avoir anticipé le cloisonnement des données sensibles, la traçabilité des requêtes ou la gestion de la propriété intellectuelle. Les entreprises qui figurent dans les 6 % les plus performants n’ont pas contourné ces exigences ; elles ont investi pour les avoir traitées en amont, en construisant un cadre sécurisé qui autorise ensuite la vitesse d’exécution.
Mais pour obtenir réellement des gains de l’intelligence artificielle, la condition première est d’ordre purement organisationnel : la capacité à repenser véritablement les processus de travail. Dans la plupart des entreprises, les collaborateurs sont absorbés par l’exécution quotidienne de routines héritées du passé. Ils remplissent des tableaux, rédigent des comptes rendus, valident des formulaires, rapprochent des factures ou préparent des dossiers selon des séquences établies parfois vingt ans plus tôt pour répondre à des contraintes techniques ou réglementaires qui ont disparu. Lorsqu’un outil d’intelligence artificielle est introduit dans cet environnement, il est généralement utilisé pour accélérer marginalement une tâche isolée à l’intérieur d’un processus inchangé. Or, gagner trente minutes sur la rédaction d’une note qui devra ensuite attendre trois semaines dans un circuit de validation à cinq niveaux ne produit aucun gain économique mesurable. Pire encore, faciliter la production de textes, de présentations ou de courriels sans revoir les règles de décision peut accroître le volume de documents en circulation et encombrer davantage l’organisation. Pour qu’un gain de temps individuel devienne un gain de productivité collectif, il faut reconstruire la chaîne de valeur de bout en bout : supprimer des étapes devenues inutiles, déplacer le point de contrôle, modifier la répartition des rôles entre le front-office et le back-office, et revoir les indicateurs de pilotage. Cette refonte ne peut pas venir uniquement de consultants extérieurs. Elle suppose que les équipes métiers elles-mêmes disposent du temps, de la méthode et du mandat nécessaires pour analyser leur propre fonctionnement et le redessiner. Dans des organisations tendues sur leurs objectifs trimestriels, dégager cette bande passante constitue un arbitrage managérial difficile. Sans lui, la technologie demeure un vernis posé sur des processus qui ne changeront pas.
La dernière condition relève des choix d’allocation des ressources. L’une des erreurs les plus répandues consiste à pratiquer la dispersion sous couvert d’acculturation. Les entreprises lancent des dizaines, parfois des centaines de démonstrateurs (les fameux PoC) dans tous les départements, en espérant que les meilleures idées émergeraient spontanément. Cette approche a parfois eu le mérite pédagogique d’éveiller la curiosité des équipes, mais elle s’est révélée contre-productive dès qu’il s’est agi de passer à l’échelle. La multiplication de micro-optimisations locales n’a jamais produit un optimum global. Multiplier les petits projets épuise les ressources rares, notamment au sein de la DSI, celles des architectes de données, les experts en sécurité et les meilleurs chefs de projet métiers. Aucun chantier ne bénéficie alors de la masse critique d’attention exécutive et de moyens indispensable pour franchir les obstacles à l’industrialisation. Les entreprises qui obtiennent des résultats tangibles font exactement l’inverse. Après une brève phase d’exploration, elles opèrent des choix tranchés et concentrent leurs budgets et leurs meilleurs talents sur quelques priorités réellement structurantes proches du cœur de métier – par exemple la maintenance industrielle, la relation client à grande échelle, la conception de produits, la chaîne logistique ou le contrôle de risques.
Cartographie des usages pertinent et refonte de l’architecture des systèmes d’information
L’erreur fréquente consiste à traiter l’intelligence artificielle comme un bloc homogène, alors que sa maturité opérationnelle varie considérablement selon la nature des tâches. Nous en donnons ici quelques exemples.
Dans le développement informatique, les outils modernes permettent désormais la compréhension d’applications anciennes mal documentées ou leur transfert dans des langages plus modernes, la génération de tests automatisés, la migration entre langages de programmation et le repérage de vulnérabilités. Ces gains supposent cependant une rigueur élevée en matière d’architecture (sans laquelle le code devient rapidement impossible à maintenir), de tests et de revue de code adaptée aux enjeux. Ce n’est du reste pas applicable à l’heure actuelle pour certains codes très critiques comme les systèmes de contrôle industriels par exemple.
La recherche documentaire constitue probablement l’un des cas d’application les plus rentables sur le terrain. Un grand projet d’énergie, d’aéronautique, d’infrastructure ou de chimie accumule des centaines de milliers de documents : spécifications techniques, comptes rendus d’essais, retours d’expérience sur incidents, normes réglementaires, plans annotés et correspondances fournisseurs. Jusqu’ici, retrouver une information précise dans cet océan reposait sur la mémoire des anciens ou sur des moteurs de recherche par mots-clés, d’une efficacité très limitée dès lors que le vocabulaire utilisé par l’auteur d’un rapport ancien diffère de celui de l’ingénieur qui pose la question. Les systèmes de recherche « enrichis par l’IA » (souvent désignés par l’acronyme RAG) introduisent une rupture majeure. Pour un ingénieur confronté à une anomalie de conception ou à une exigence de sûreté, accéder en quelques secondes au retour d’expérience pertinent enfoui dans une archive vieille de dix ans évite des semaines d’investigations redondantes et réduit le risque d’erreur coûteuse.
D’autres domaines comme l’assistance à la conception tridimensionnelle, le routage et la vérification de circuits imprimés, la simulation de matériaux ou l’exploration de la littérature en recherche scientifique franchissent rapidement le seuil de l’utilité industrielle. La mise en œuvre réussie de ces cas d’usage ne se limite pas, quoi qu’en disent leurs éditeurs, à un choix d’outil. Elle se heurte presque toujours à une question de gouvernance interne vieille comme l’informatique. La recette la plus sûre de l’échec reste invariablement la même : une direction métier, pressée par ses urgences quotidiennes ou par les injonctions de sa direction générale, exprime un besoin général à l’informatique, limite sa participation à la conduite du projet sans dégager de responsable opérationnel disposant du temps et de l’autorité pour suivre le chantier, puis découvre lors de la livraison que l’outil ne correspond ni aux réalités du terrain ni aux habitudes des équipes. La direction des systèmes d’information doit également disposer d’un haut niveau de compétence technique, d’architecture et de sécurité : une DSI paupérisée ou réduite à la gestion de contrats de sous-traitance ne peut tenir un tel rôle.
Le facteur humain : maîtrise de l’outil et dialogue social
Une organisation est composée d’êtres humains dont l’adhésion ou la réserve feront le succès ou l’échec d’un nouvel outil. Lors des vagues précédentes d’automatisation, la frontière paraissait relativement lisible. La mécanisation puis la robotisation transformaient principalement les tâches physiques répétitives dans les ateliers. L’informatique de bureau automatisait le calcul comptable et le classement administratif. L’intelligence artificielle brouille cette démarcation en intervenant directement sur l’écriture, la synthèse, l’analyse juridique, le diagnostic, la programmation ou le conseil, autant d’activités auxquelles les cadres, les techniciens et les professions intellectuelles identifient leur valeur professionnelle et leur statut social. Et le rythme de son évolution est tel que chacun peut se demander de quoi sera fait demain.
Dans les entreprises, cette préoccupation se traduit par une vigilance accrue des instances représentatives du personnel. Les organisations syndicales demandent à être informées et associées dès le lancement des expérimentations, bien avant la phase de déploiement généralisé. Dans la grande majorité des entreprises qui conduisent ces projets avec transparence, on ne constate pas de sabotage ni d’opposition idéologique frontale. On observe en revanche beaucoup de questions, souvent pertinentes, sur l’évolution du contenu du travail, la charge mentale, la reconnaissance des qualifications, la propriété des savoir-faire et les perspectives d’emploi.
Un facteur joue un rôle déterminant sur cette inquiétude : le degré de contrôle que les salariés estiment exercer sur la technologie. Ainsi, face aux outils d’analyse d’images médicales assistés par intelligence artificielle, les médecins radiologues manifestent assez peu de crainte. Ils perçoivent l’outil comme un second regard utile dont ils gardent la maîtrise : ce sont eux qui valident le diagnostic, qui décident comment l’outil s’intègre dans leur pratique et qui fixent les règles d’usage. À l’inverse, leurs personnels assistants ou administratifs expriment une appréhension nettement plus forte, craignant de subir une réorganisation, dont ils ne maîtrisent ni le calendrier ni les finalités, et qui peut demain vider leur poste de sa substance. Plus généralement, partout où la technologie est présentée comme un dispositif descendant destiné à surveiller le travail ou à réduire mécaniquement les effectifs, elle suscite la défiance, la rétention d’information et l’usage minimaliste. À l’inverse, partout où les salariés sont associés à la définition des cas d’usage, où ils peuvent expérimenter les outils sur leurs propres irritants quotidiens et conserver la responsabilité finale du jugement professionnel, la dynamique s’inverse.
C’est pourquoi la première étape dans une entreprise n’est pas nécessairement de lancer un catalogue abstrait de formations techniques, mais ramener le débat à des réalités tangibles. En manipulant réellement les outils sur des dossiers professionnels, les équipes constatent rapidement ce que la machine fait très bien, ce qu’elle fait mal, les erreurs qu’elle peut commettre avec assurance et la valeur indispensable de leur propre esprit critique.
L’équation européenne : souveraineté, diffusion et efficacité réglementaire
À l’échelle de l’Europe, le débat sur l’intelligence artificielle est dominé par le constat d’un retard dans la course aux grands modèles de fondation et aux infrastructures de calcul par rapport aux États-Unis ou à la Chine. Évidemment, les initiatives pour préserver notre souveraineté dans le domaine de la technologie sont essentielles. Mais ceci ne devrait pas masquer le fait que l’essentiel de la valeur créée par une technologie de rupture ne se situe pas chez ses fabricants, mais chez ses utilisateurs. Les pays qui se sont le plus enrichis grâce à l’électricité, à la machine-outil, à l’informatique ou à Internet ne sont pas uniquement ceux qui fabriquaient les turbines, les microprocesseurs ou les routeurs ; ce sont d’abord ceux dont les entreprises industrielles, les services et les administrations ont su réorganiser leurs activités pour exploiter ces outils plus vite et mieux que les autres. À supposer même que l’Europe accuse un retard durable sur la fabrication de certains processeurs de pointe, elle peut parfaitement gagner la bataille de la productivité si elle excelle dans la diffusion.
Or, si les États-Unis possèdent une avance très nette dans la numérisation et la transformation des services marchands, l’Europe ne paraît pas systématiquement distancée dans les secteurs industriels les plus exposés à la concurrence mondiale, où la culture d’ingénierie et d’optimisation reste solide. En revanche, des fragilités spécifiques pèsent sur des économies comme la France : un niveau d’investissement des entreprises dans les technologies numériques comparativement modeste, une place insuffisante accordée à la formation continue tout au long de la vie, et une vitesse de diffusion très inégale selon les secteurs. L’adoption progresse relativement vite dans les entreprises technologiques et dans certaines filières industrielles internationalisées. Elle reste beaucoup plus lente dans les services traditionnels à faible marge et, plus encore, dans la sphère publique. Or, dans un pays où la dépense publique représente plus de la moitié de la richesse nationale, il est illusoire d’espérer un redressement durable de la productivité globale si les administrations, les collectivités, les hôpitaux et les grands services publics demeurent en marge de la transformation numérique – il y a donc là pour la France un enjeu qui nous éloigne de l’industrie du logiciel, mais qui comptera beaucoup pour notre prospérité.
Reste enfin le rôle de l’environnement réglementaire européen. La norme n’est pas par nature ennemie de la diffusion technologique, et l’histoire européenne nous le rappelle : dans les années 1980 et 1990, la définition d’une norme commune de téléphonie mobile, le GSM, a créé un marché continental unifié, réduit l’incertitude des industriels et des opérateurs, et permis à l’Europe de prendre une avance mondiale décisive tant dans l’équipement que dans les usages. Une réglementation bien conçue clarifie les règles du jeu, rassure les utilisateurs et favorise les économies d’échelle et la productivité.
Mais le risque actuel autour de certains volets du cadre réglementaire numérique, en particulier le règlement européen sur l’intelligence artificielle (AI Act), est d’emprunter la direction inverse. Lorsqu’un dispositif multiplie les catégories complexes, les obligations documentaires préalables, les incertitudes d’interprétation et les superpositions avec des textes existants sur les données ou la régulation sectorielle, il impose des coûts de conformité qui n’existent pas dans les pays qui vont déjà plus vite que nous. Pour une entreprise industrielle moyenne ou un éditeur de logiciels spécialisés, la crainte de la non-conformité ou la lenteur des arbitrages juridiques internes se traduit concrètement par le report des projets. Protéger les droits fondamentaux, la vie privée et la sûreté des personnes est pleinement légitime et constitue même une condition de la confiance publique. Mais cet objectif gagne en efficacité lorsqu’il s’appuie sur des règles proportionnées aux risques réels des usages, lisibles pour les praticiens et attentives à ne pas entraver l’expérimentation responsable.
Le facteur management, 60 ans après
Si l’on rassemble les pièces du puzzle qui précèdent, une question persistante demeure. Pourquoi, à accès égal aux mêmes technologies mondiales, certaines économies transforment-elles systématiquement le potentiel technique en gains de productivité plus vite que d’autres ?
À chaque grande vague d’innovation des quarante dernières années, qu’il s’agisse de la micro-informatique dans les années 1980, d’Internet à partir de la fin des années 1990 ou aujourd’hui des outils d’intelligence artificielle, le même décalage s’est reproduit entre les deux rives de l’Atlantique. Nicholas Bloom et ses coauteurs ont étudié les filiales d’entreprises américaines opérant en Europe. Ces filiales travaillent sur le même territoire que leurs concurrentes européennes, emploient des salariés formés dans les mêmes systèmes éducatifs, respectent le même droit du travail, acquittent les mêmes prélèvements obligatoires et vendent sur les mêmes marchés. Pourtant, ces filiales investissent davantage en capital informatique par salarié que les entreprises locales comparables, et arrivent à tirer de chaque euro investi en informatique une productivité nettement supérieure à celle de leur compétiteur. D’autres études de Bloom expliquent cet écart par la nature des pratiques managériales. Une technologie numérique n’est pas un appareil autonome dont la performance intrinsèque garantit le résultat dès qu’on le raccorde au réseau électrique. Son rendement économique dépend entièrement du métabolisme interne de l’organisation qui l’accueille. L’outil informatique et l’algorithme agissent comme des multiplicateurs : ils amplifient la cohérence d’une entreprise bien gérée, mais ils amplifient tout autant les dysfonctionnements d’une structure mal coordonnée.
Or on trouve plusieurs différences entre entreprises européennes et américaines. La première est le niveau effectif de délégation. Lorsqu’une décision mineure doit remonter trois ou quatre échelons hiérarchiques pour obtenir une signature, l’accélération produite par un outil d’analyse ou d’automatisation est aussitôt annulée par la file d’attente managériale. La technologie de l’information décentralise l’accès aux faits mais elle ne donne sa pleine mesure que dans des structures qui décentralisent aussi la capacité d’agir au plus près du terrain.
La deuxième différence concerne le rapport aux modes de gestion des problèmes. Dans certaines organisations, les incidents sont masqués, contournés par des palliatifs individuels ou renvoyés d’un service à l’autre dans une logique défensive. Dans les organisations les plus performantes, l’anomalie est traitée comme une information précieuse : les équipes ont l’habitude de remonter jusqu’aux causes profondes d’un défaut ou d’un retard pour le supprimer durablement plutôt que de le compenser au quotidien. Introduire un logiciel sophistiqué dans une entreprise qui ne traite pas ses causes racines revient à figer dans le code des circuits inefficaces et des contrôles redondants, rendant la lourdeur administrative plus rapide à exécuter mais encore plus difficile à réformer.
La troisième différence se joue au sommet même de l’entreprise. Elle réside dans la clarté des objectifs et dans la rigueur avec laquelle les dirigeants veillent à la cohérence entre les ambitions affichées et les moyens alloués. Rien ne désorganise plus une entreprise qu’un empilement de priorités contradictoires, des injonctions paradoxales par rapport aux moyens alloués. On observe ainsi des groupes proclamer leur volonté d’accélérer leur transformation numérique et d’adopter l’intelligence artificielle, tout en soumettant leur direction informatique à des coupes budgétaires répétées, en gelant les recrutements d’architectes compétents ou en refusant de financer la modernisation des applications ou des moyens de sécurité.
Enfin, la qualité de la circulation de l’information interne dépend de la franchise des échanges et de la justice dans la reconnaissance des résultats. Si le retour d’expérience sincère est perçu comme une menace pour les personnes, les difficultés d’un déploiement technologique sont tues jusqu’à l’échec manifeste. Si l’avancement de carrière récompense davantage la conformité politique ou la maîtrise des codes internes que l’amélioration concrète des performances opérationnelles, les cadres les plus talentueux évitent les chantiers de transformation difficiles, par définition risqués et exposés aux critiques. À l’inverse, les entreprises qui pratiquent un « feedback » franc, fondé sur les faits, et qui valorisent réellement ceux qui font progresser les résultats peuvent affronter des transformations complexes dans lesquelles tout n’est pas écrit à l’avance.
Ces différences de culture managériale plongent en partie leurs racines dans les habitudes de travail acquises très tôt au cours de la formation initiale. Comme l’ont montré les recherches menées par Yann Algan et Pierre Cahuc sur le lien entre pratiques pédagogiques et capital social, l’école française reste plus fortement structurée autour d’une relation verticale que celle d’autres pays développés. L’enseignant y transmet un programme de savoir prédéfini dans le cadre du cours magistral et évalue l’élève sur sa capacité individuelle à le restituer. Le travail collectif sur des problèmes ouverts, la coopération horizontale entre pairs et l’apprentissage par essais et erreurs y occupent une place beaucoup plus restreinte.
S’appuyer sur nos forces pour réussir la transition vers l’intelligence artificielle
Bien évidemment, il y a des tas de choses excellentes dans notre modèle. L’excellence de la formation scientifique et d’ingénierie française est reconnue partout dans le monde. Aux États-Unis, le nombre d’entreprises technologiques à très forte croissance valorisées à plus d’un milliard de dollars et fondées par des entrepreneurs français dépasse celui que l’on recense sur le sol national. Sur le territoire français, certaines filières industrielles ont démontré leur capacité à dépasser le mode vertical – en témoigne l’implantation rigoureuse des méthodes d’excellence opérationnelle inspirées du système de production Toyota et du management Lean dans de nombreux sites aéronautiques, automobiles ou électromécaniques. Enfin l’enseignement supérieur, en particulier dans les écoles d’ingénieurs et de gestion mais aussi dans de nombreuses filières universitaires professionnalisantes, a considérablement évolué. Le développement de l’apprentissage en entreprise, la généralisation de la pédagogie par projet, le travail en équipes pluridisciplinaires et la multiplication des séjours à l’étranger préparent les jeunes générations à des modes de fonctionnement beaucoup plus pragmatiques et collaboratifs.
Il reste néanmoins un dernier blocage, identifié depuis plusieurs décennies par les économistes, qui conditionne la vitesse à laquelle une société accepte les réallocations provoquées par le progrès technique. Toute grande vague de productivité entraîne des déplacements d’activité : certains métiers se transforment profondément, d’autres se contractent, tandis que de nouvelles fonctions et de nouveaux secteurs émergent. La capacité d’une économie à capter les gains d’une rupture technologique dépend directement de la fluidité et de la sécurité avec lesquelles les individus peuvent traverser ces transitions.
Sur ce point, le modèle français se caractérise par le fait qu’une part très importante de ses moyens financiers et réglementaires est concentrée sur des dispositifs « passifs » (orientés vers la préservation des postes existants, la réduction des licenciements ou l’indemnisation des pertes d’emploi) plus que sur des dispositifs « actifs » (qui anticipent, facilitent et accompagnent les transitions individuelles). Ce déséquilibre alimente l’anxiété face à la technologie : lorsqu’un salarié perçoit que la perte ou la transformation de son poste actuel l’expose à un parcours difficile, mal accompagné et socialement déclassant, son réflexe rationnel est de redouter tout changement rapide. Bref, s’il reste utile de regarder les Etats-Unis pour comprendre le problème, il ne serait pas inutile pour trouver la solution porter notre regard du côté des pays du Nord, notamment le Danemark et la Suède.
Vincent Champain est dirigeant d’entreprise (voir https://vincent-champain.fr) et président de l’Observatoire du Long Terme, think tank dédié aux enjeux de long terme (site : https://www.longterme.org)
Voir aussi
10 novembre 2026
Boualem Sansal – À Alger, on célèbre les livres et on condamne les écrivains
par La Nouvelle Revue Politique
0 Commentaire3 minutes de lecture
9 novembre 2026
RN/LFI : le second tour irréversible ?
par Arnaud BenedettiFondateur et directeur de la Nouvelle Revue Politique.
0 Commentaire5 minutes de lecture
3 novembre 2026
Jean-François Colosimo : “A force de mesurer la Chine au tonnage de ses exportations, nous avons oublié de lui demander ce qu’elle pense, ce qu’elle promet, ce qu’elle peut supporter” – Propos recueillis par Arnaud Benedetti
par Arnaud BenedettiFondateur et directeur de la Nouvelle Revue Politique.
0 Commentaire34 minutes de lecture
1 novembre 2026
Renée Fregosi – Mouvements en rhizomes et violence des foules
par La Nouvelle Revue Politique
0 Commentaire22 minutes de lecture
3 décembre 2025
Principes et enjeux de la déconstruction
par Baptiste RappinMaître de Conférences HDR à l’IAE Metz School of Management.
On entend souvent parler de la déconstruction, en particulier dans les milieux conservateurs qui s’indignent de ses ravages, soit de façon directe, soit, le plus souvent, de façon indirecte. Qui, en effet, n’a pas entendu parler de « wokisme » ou de « cancel culture » ?
0 Commentaire37 minutes de lecture
5 décembre 2025
Le Service Militaire de l’Algorithme : face aux agents IA, l’impératif de la « conscription Cyber »
Un événement rare, discret et profondément inquiétant a récemment alerté le monde de la cybersécurité et devrait terrifier l'ensemble des décideurs mondiaux.
0 Commentaire9 minutes de lecture
10 décembre 2025
Entretien avec Stéphane Rozès : Recivilisation de la mondialisation ou barbarie
par Stéphane RozèsPolitologue, président du cabinet de conseil Cap.
Dans cet entretien, Stéphane Rozès propose son analyse de la crise politique en France, de ses liens avec les processus européens et mondiaux, ainsi que des perspectives d’évolution des relations entre l’Europe et la Russie.
0 Commentaire54 minutes de lecture


