Mille ans d’histoire des grandes innovations mènent Daron Acemoglu et Simon Johnson à une conclusion qui devrait inquiéter quiconque mise sur l’IA pour améliorer le sort du plus grand nombre : la technologie ne diffuse ses gains que lorsque des contre-pouvoirs l’y contraignent. Sans cela, elle enrichit ceux qui la contrôlent, parfois pendant des générations.

Power and Progress, publié en 2023, est un livre d’économie historique et de philosophie politique. C’est aussi un livre de combat. À l’heure où les géants de la Silicon Valley annoncent un avenir d’abondance partagée, les deux auteurs refusent la fatalité dans les deux sens : ni l’optimisme béat de ceux qui croient que la technologie bénéficie naturellement à tous, ni le catastrophisme de ceux qui voient dans l’IA la fin du travail humain. Leur pari est plus exigeant : montrer que le partage des gains est un choix politique, et qu’il reste accessible — à condition d’agir avant que les rapports de force ne se solidifient.

L’essentiel

  • La part du revenu allant au capital a progressé d’environ 10 points dans les économies avancées depuis 1980, une tendance qu’Acemoglu et Johnson relient directement à l’automatisation numérique.
  • En retraçant mille ans d’histoire des grandes révolutions technologiques, les auteurs montrent que les gains ont systématiquement été captés par une minorité avant que des institutions n’imposent une redistribution — parfois après plusieurs générations.
  • La trajectoire actuelle de l’IA, orientée vers l’automatisation plutôt que l’augmentation des travailleurs, n’est pas une nécessité technique : c’est un choix d’investissement et de gouvernance.
  • La fenêtre pour corriger cette trajectoire est ouverte, mais elle se referme à mesure que les rapports de force se solidifient autour des acteurs qui contrôlent les modèles.

Les auteurs et leur moment

Daron Acemoglu est économiste au MIT, prix Nobel d’économie 2024 avec Johnson et James Robinson pour leurs travaux sur les institutions comme moteurs du développement. Simon Johnson, également au MIT et ancien économiste en chef du FMI, travaille sur la régulation financière et la politique industrielle. Les deux avaient déjà co-signé Why Nations Fail avec Robinson en 2012, une thèse sur le rôle des institutions inclusives dans la prospérité à long terme. Power and Progress prolonge ce travail en l’appliquant à la question technologique.

Le livre paraît dans un contexte précis : l’explosion de ChatGPT en 2022, les annonces de licenciements massifs dans les grandes entreprises technologiques, et le débat public qui oscille entre fascination et panique. Acemoglu et Johnson choisissent de sortir de ce débat immédiat pour poser une question plus longue : a-t-on déjà vu ça ? Et si oui, comment ça s’est terminé ?

La thèse : la technologie obéit à ceux qui la paient

L’idée centrale du livre tient en une phrase que les auteurs formulent dès les premières pages : “La technologie n’est pas une force naturelle qui s’impose à la société. C’est une construction sociale qui reflète les choix, les intérêts et le pouvoir de ceux qui la développent et la déploient.”

Ce n’est pas une thèse anti-technologie. C’est une thèse sur la direction du progrès technique. Acemoglu et Johnson distinguent deux orientations possibles pour une innovation : l’automatisation, qui remplace des travailleurs, et l’augmentation, qui accroît leur productivité sans les éliminer. Leur constat est que la seconde n’est pas moins rentable que la première sur le long terme, mais qu’elle est systématiquement moins choisie lorsque les décisions sont concentrées dans les mains d’une petite élite qui n’a pas intérêt à partager les gains.

La donnée qu’ils mobilisent pour ancrer cette thèse dans le présent est frappante : depuis 1980, la part du revenu national allant aux salaires dans les économies avancées a reculé d’environ 10 points au profit du capital. Ce phénomène, documenté par des économistes comme Lawrence Katz et Alan Krueger pour les États-Unis, coïncide précisément avec les vagues successives d’automatisation numérique. Ce n’est pas une coïncidence pour les auteurs : c’est la démonstration que les gains de productivité de l’ère informatique ont largement été captés par les détenteurs du capital et une frange très réduite de travailleurs hautement qualifiés.

Mille ans de preuves

La force argumentative du livre tient à son ambition historique. Pour éviter tout déterminisme technologique, les auteurs remontent à l’agriculture médiévale, à l’imprimerie, à la machine à vapeur, à l’électricité. Dans chaque cas, ils documentent le même schéma : une innovation majeure crée d’abord une rente pour ses contrôleurs, comprime les revenus des travailleurs existants, génère des décennies de concentration avant que des forces extérieures n’imposent un rééquilibrage.

L’exemple le plus développé est celui de la révolution industrielle britannique. Contrairement au récit dominant qui en fait un moment de progrès général, Acemoglu et Johnson rappellent que les conditions de vie des ouvriers anglais ont stagné, voire reculé, pendant les 50 à 70 premières années de la mécanisation. Ce n’est qu’avec l’extension du droit de vote, l’organisation syndicale et les premières législations sociales — entre 1830 et 1880 — que les gains de productivité ont commencé à se diffuser vers les salaires. La correction a pris deux générations.

Ils tirent de cette analyse un principe qu’ils appellent “le problème de la machinerie” — un terme emprunté à Ricardo, qui avait lui-même hésité sur la question dans la troisième édition de ses Principes. Le progrès technique crée des richesses, mais sa distribution dépend de rapports de force institutionnels. Sans contre-pouvoirs, ces richesses s’accumulent là où se trouve le pouvoir de décision.

L’IA comme choix, pas comme destin

La partie contemporaine du livre est la plus directement politique. Les auteurs y documentent la vision qui guide aujourd’hui les grands laboratoires d’IA : une conviction, partagée par les dirigeants de Google DeepMind, OpenAI et Meta, que l’automatisation maximale est non seulement inévitable mais souhaitable, au motif qu’elle libérerait les humains des tâches répétitives. Acemoglu et Johnson ne rejettent pas cette ambition. Ils pointent qu’elle repose sur une hypothèse implicite rarement discutée : que les gains ainsi dégagés seront effectivement redistribués.

Les données ne soutiennent pas cette hypothèse. Les auteurs citent des travaux d’Acemoglu lui-même, publiés dans l’American Economic Review avec Pascual Restrepo, montrant qu’entre 1990 et 2007, chaque robot supplémentaire pour mille travailleurs aux États-Unis a réduit l’emploi de 0,18 à 0,34 point de pourcentage et comprimé les salaires de 0,25 à 0,5 point. Ces chiffres peuvent paraître modestes ; ils le sont moins quand on les projette sur les volumes d’automatisation annoncés pour la prochaine décennie.

Mais la critique la plus originale du livre porte sur la direction de la recherche elle-même. Acemoglu et Johnson montrent que la plupart des investissements en IA sont aujourd’hui orientés vers des applications qui substituent du capital au travail humain — reconnaissance vocale, génération de contenu, conduite autonome — plutôt que vers des outils qui rendraient les médecins, les enseignants ou les ingénieurs plus efficaces. Ce choix d’orientation n’est pas neutre : il reflète les structures d’incitation des entreprises qui développent ces technologies, largement dépendantes de valorisations boursières qui récompensent la réduction des coûts salariaux plutôt que l’augmentation de la valeur créée par les travailleurs.

La thèse entre en résonance directe avec la question institutionnelle qu’on retrouve dans l’analyse du nearshoring mexicain : un avantage technologique ou géographique ne vaut rien si les institutions pour en partager les gains sont absentes.

Ce que les données de Garnier éclairent différemment

La lecture d’Acemoglu et Johnson gagne à être confrontée à une perspective plus conjoncturelle. Les travaux d’Olivier Garnier, directeur général des études à la Banque de France, sur la statistique publique et la mesure de la productivité posent une question qui nuance le tableau des auteurs : nos outils de mesure sont-ils adaptés pour capter les gains de l’IA ?

Garnier et d’autres économistes institutionnels soulèvent le fait que la stagnation de la productivité observée depuis 2008 dans les économies avancées pourrait partiellement refléter un problème de mesure plutôt qu’une absence de gains réels. Les services numériques créent de la valeur que les comptabilités nationales captent mal — la qualité accrue de la recherche médicale, l’accès élargi à l’information, la réduction des coûts de transaction. Le paradoxe de Solow, que nous avions examiné dans l’analyse des données de productivité américaines, reste entier : on voit l’IA partout sauf dans les statistiques de productivité.

Cette objection est sérieuse, mais Acemoglu et Johnson lui répondent indirectement. Même si les gains de l’IA sont sous-mesurés, la question de leur distribution reste entière. Un service numérique gratuit dont la valeur ne figure pas dans le PIB ne redistribue pas de revenus aux travailleurs. Les gains de bien-être diffus (meilleure information, services plus rapides) ne compensent pas la compression des salaires réels. L’argument de la mesure peut nuancer l’ampleur du phénomène ; il n’en change pas la direction.

Les angles morts du livre

Power and Progress est un livre d’économie politique, et ses angles morts sont ceux de cette discipline.

Le premier est géographique. L’analyse des auteurs est largement centrée sur les économies avancées, principalement américaine et européenne. La question de comment les pays en développement se positionnent par rapport à cette dynamique — et si des trajectoires différentes sont possibles dans des contextes institutionnels plus fragiles — est à peine effleurée. La Chine, qui développe une politique industrielle d’IA délibérément orientée vers des objectifs étatiques, n’est pas analysée en détail. Or elle constitue un contre-exemple potentiel à la thèse libérale implicite des auteurs, qui suppose que les institutions démocratiques sont le véhicule naturel des contre-pouvoirs.

Le second angle mort est celui de la vitesse. Les exemples historiques mobilisés — révolution industrielle, électrification — concernent des transitions qui ont pris plusieurs décennies. Si l’IA générative évolue à un rythme significativement plus rapide, les mécanismes de correction institutionnelle auront-ils le temps de se mettre en place ? Les auteurs posent la question sans y répondre pleinement. Leur optimisme conditionnel (“c’est un choix, donc on peut le changer”) repose sur l’hypothèse implicite que la fenêtre d’action reste ouverte. Mais ils reconnaissent eux-mêmes, en fin de volume, que cette fenêtre se referme à mesure que les acteurs dominants consolident leur position.

Le troisième angle mort est plus conceptuel. Le livre consacre peu de place aux cas où l’automatisation a effectivement libéré des travailleurs pour des activités plus valorisantes — les caisses automatiques et les agents de caisse reconvertis en conseillers clientèle, les logiciels de comptabilité et l’essor des analystes financiers. Ces exemples ne réfutent pas la thèse centrale, mais ils suggèrent que la frontière entre automatisation et augmentation est plus poreuse que le cadre analytique des auteurs ne le laisse entendre.

La fenêtre qui se referme

La dimension prospective du livre est aussi sa plus inconfortable. Les auteurs projettent que si la trajectoire actuelle d’automatisation n’est pas corrigée par des institutions adaptées dans les vingt prochaines années, les gains de productivité de l’IA reproduiront la concentration des revenus observée lors de la première révolution industrielle. Leur modèle implicite est celui d’un processus cumulatif : plus les gains s’accumulent chez les détenteurs du capital technologique, plus leur capacité à peser sur les règles du jeu institutionnel s’accroît, plus la correction devient difficile.

Ce scénario n’est pas une prophétie. C’est une trajectoire conditionnelle. Les auteurs eux-mêmes identifient les leviers disponibles : taxation des gains de productivité induits par l’automatisation pour financer la formation et les transitions professionnelles, réorientation des politiques de recherche publique vers des applications d’augmentation des travailleurs, renforcement du droit du travail dans les secteurs exposés à l’IA. Ces propositions ne sont pas révolutionnaires — certaines sont déjà en discussion dans l’Union européenne, notamment dans le cadre de l’AI Act et des négociations sur la fiscalité des plateformes numériques.

Ce que le livre ajoute à ce débat politique, c’est la perspective longue. Les syndicats du XIXe siècle, les lois sur le travail des enfants, le New Deal américain, la Sécurité sociale française : aucune de ces institutions n’était inévitable. Elles ont résulté de conflits, de mobilisations, de choix politiques délibérés. Les auteurs ne disent pas que l’histoire se répète. Ils disent que les mécanismes qu’elle révèle restent opérants.

L’horizon de vingt ans qu’ils fixent n’est pas arbitraire. C’est le temps estimé pour que les modèles de fondation actuels — entraînés sur des corpus de données qui ne se reconstitueront pas — consolident leur position de monopole cognitif. Passé ce point, la concentration du pouvoir sur l’infrastructure de l’IA sera structurellement comparable à celle des chemins de fer au XIXe siècle : un avantage de premier entrant difficile à remettre en cause sans intervention publique forcée. La question de savoir ce que l’IA fait à la production de connaissance elle-même n’est pas séparable de cette concentration : qui contrôle les modèles contrôle aussi, progressivement, la direction de la recherche.

Pourquoi le lire

Power and Progress s’adresse à quiconque veut sortir du débat binaire sur l’IA — ni dithyrambe technologique ni catastrophisme de l’emploi. Il s’adresse aussi aux décideurs publics qui cherchent un cadre historique pour penser les politiques d’IA : l’ouvrage est une des rares tentatives sérieuses de relier la longue histoire économique aux choix politiques immédiatement disponibles.

Il s’adresse enfin aux économistes et aux praticiens de la politique industrielle qui veulent comprendre pourquoi la croissance de la productivité dans les économies avancées reste décevante malgré des investissements technologiques massifs. La thèse des auteurs — que des gains existent mais sont captés avant de se diffuser — est une des réponses les plus documentées à ce puzzle.

Ce que ce livre change dans la compréhension du sujet, c’est précisément ce refus du déterminisme. L’IA n’est ni une promesse tenue ni une menace inéluctable. C’est un outil dont la direction dépend de choix collectifs. Et ces choix, rappellent Acemoglu et Johnson avec une patience historique, ont toujours été contestables — et ont parfois été contestés avec succès.

Informations bibliographiques

Titre français : Pouvoir et progrès : notre combat millénaire pour la technologie et la prospérité Titre original : Power and Progress: Our Thousand-Year Struggle over Technology and Prosperity Auteurs : Daron Acemoglu & Simon Johnson Éditeur original : PublicAffairs (2023) Éditeur français : Fayard (2023) Pages : 546 pages

Sources

  1. Daron Acemoglu & Simon Johnson, Power and Progress, PublicAffairs, 2023
  2. Daron Acemoglu & Pascual Restrepo, “Robots and Jobs: Evidence from US Labor Markets”, American Economic Review, 2020 (sans lien — article académique)
  3. Lawrence Katz & Alan Krueger, “The Rise and Nature of Alternative Work Arrangements in the United States”, ILR Review, 2019 (sans lien — article académique)
  4. Banque de France, travaux d’Olivier Garnier sur la mesure de la productivité à l’ère numérique (sans lien — rapports internes et allocutions publiques)