Daron Acemoglu estime que l’IA ne générera qu’un gain de productivité globale de 0,66 % sur dix ans, soit environ 0,05 % par an, loin des projections des grandes banques d’investissement. Acemoglu anticipe un possible élargissement de l’écart entre revenus du capital et du travail, sans démonstration d’un mécanisme général fondé sur les ressources initiales. La question politique est de savoir qui empoche les gains micro et dans quelle mesure les choix de déploiement de l’IA restent ouverts.

L’essentiel

  • Seules 5 % des tâches sont profitablement automatisables à court terme, selon Acemoglu (Economic Policy, 2025).
  • Le gain de productivité globale attendu est d’environ 0,05 %/an sur dix ans, loin des prévisions des optimistes tech.
  • Les gains microéconomiques existent mais vont prioritairement aux entreprises et travailleurs déjà bien équipés.
  • La direction du déploiement, automatisation versus augmentation des capacités humaines, est un choix institutionnel, pas une contrainte technique.
  • La bifurcation se joue maintenant : cadre réglementaire, R&D publique et droits des données sont les leviers disponibles avant 2030.

Le chiffre qui dérange les deux camps

En juin 2026, Acemoglu le répète dans une interview accordée à Fortune : les modèles d’IA actuels sont impressionnants, mais leur capacité à remplacer des tâches entières de façon rentable reste étroite. Seulement 5 % des tâches aujourd’hui confiées à des humains répondent au critère de rentabilité immédiate de l’automatisation. Le reste exige soit une qualité de modèle que nous n’avons pas encore, soit des coûts d’intégration qui annulent le bénéfice.

Ce chiffre froisse les deux bords du débat. Les technopessimistes qui annoncent la fin du travail salarié doivent réviser leur calendrier. Les techno-optimistes qui promettent une hausse de productivité comparable à celle de l’électricification ou d’internet doivent expliquer pourquoi Fortune cite environ 1 % à 1,5 % de hausse du PIB sur dix ans, une comparaison avec la contribution de la vapeur à la croissance historique restant indicative faute de mesures directement comparables.

Acemoglu et Restrepo avaient auparavant décrit une orientation de l’innovation vers l’automatisation plutôt que vers la création de tâches. Certaines grandes entreprises technologiques ont privilégié des modèles fondés sur l’automatisation et la réduction des coûts de main-d’œuvre, plutôt que sur des gains de productivité largement diffusés. Résultat : les gains existent, mais l’IA pourrait élargir l’écart entre revenus du capital et du travail, avec une répartition des gains qui demeure largement concentrée. Sur ce mécanisme, les données rejoignent l’analyse de la bifurcation salariale déjà documentée ici.

Automatisation ou augmentation : une fausse évidence technique

Le mot-clé dans la thèse d’Acemoglu est « direction ». L’IA peut se déployer de deux façons radicalement différentes. Elle peut remplacer des tâches humaines, c’est le modèle de l’automatisation, ou elle peut rendre les travailleurs plus capables sur des tâches complexes, c’est le modèle de l’augmentation. Ces deux trajectoires coexistent techniquement dès aujourd’hui. Ce qui les départage, c’est une combinaison d’incitations fiscales, de structures de marché et de choix de conception.

La fiscalité américaine actuelle penche du mauvais côté. Un employeur qui remplace un salarié par un logiciel ne paie pas de cotisations sociales sur ce logiciel. Il amortit l’investissement plus vite. Il réduit les coûts fixes de gestion des ressources humaines. Les incitations économiques pointent vers l’automatisation même quand l’augmentation serait plus productive à long terme.

Le biais en faveur de l’automatisation provient de la structure fiscale effective favorable au capital par rapport au travail.

Les partisans d’un optimisme de marché, Tyler Cowen notamment, font valoir que l’histoire de la technologie a donné tort aux pessimistes à chaque vague. L’automatisation des tâches répétitives a toujours libéré des capacités humaines pour de nouvelles activités, souvent mieux rémunérées. Les caisses enregistreuses électroniques ont multiplié le nombre de caissiers dans les années 1980 en rendant les banques plus rentables et donc plus nombreuses. L’IA pourrait suivre la même trajectoire.

L’argument est solide, mais Acemoglu y apporte une limite précise. Les vagues technologiques précédentes créaient des tâches nouvelles en parallèle des tâches supprimées. L’IA générative, elle, peut concurrencer directement les tâches cognitives non routinières, rédaction, analyse, codage, diagnostic, qui constituaient jusqu’ici le refuge de la main-d’œuvre déplacée par l’automatisation industrielle. Si l’IA efface à la fois les tâches répétitives et les tâches cognitives, il n’y a pas de troisième refuge évident. La comparaison historique tient jusqu’à un certain point, puis elle accroche.

Qui gagne, qui perd, et pourquoi ça se joue maintenant

Les données américaines de 2025-2026 dessinent une géographie des gagnants. Les entreprises du secteur tech, les cabinets de conseil en stratégie, les grandes firmes juridiques : tous ces acteurs signalent des gains de productivité réels sur leurs équipes les plus qualifiées. Goldman Sachs estime que ses analystes traitent deux fois plus de données par heure depuis l’intégration d’outils IA dans leurs flux de travail. Ces gains sont réels. Mais ils s’accumulent là où les équipes avaient déjà les compétences pour exploiter l’outil.

Une PME manufacturière du Midwest qui n’a pas de département data science, pas de budget de formation continue, pas d’accès aux modèles propriétaires les plus performants : cette PME ne capture pas les mêmes gains. Elle peut même subir une pression concurrentielle accrue de la part des grandes entreprises qui, elles, ont capturé ces gains. L’écart de productivité entre grandes et petites entreprises, déjà documenté avant l’IA, risque de s’élargir. Sur l’adoption réelle dans les petites structures, les données françaises sur les PME confirment ce fossé entre déclaration et usage effectif.

L’événement ICRIER de novembre 2025 comprenait une table ronde sur l’IA et les politiques publiques, mais la source officielle ne rapporte pas de conclusion quantifiée sur les gains comparatifs des détenteurs de données. Les données sont l’actif productif de l’IA. Ceux qui les possèdent, plateformes, grandes entreprises, États avec des administrations numérisées, sont aussi ceux qui orientent le développement des modèles. Ceux qui n’en possèdent pas subissent les modèles conçus ailleurs, pour d’autres usages.

Ce mécanisme est à la fois inégalitaire et corrigeable. La propriété des données, les droits des travailleurs sur les données qu’ils produisent en travaillant, la mutualisation de l’accès aux modèles dans les secteurs publics : tout cela relève de choix politiques déjà en discussion dans plusieurs législatures. L’Union européenne a ouvert ce chantier avec son règlement sur les données. Les États-Unis en débattent de façon moins structurée mais réelle.

Les décisions encore accessibles aux institutions

Le cadre réglementaire de l’IA se construit maintenant, selon Acemoglu dans une fenêtre de temps limitée. Ce mécanisme de verrouillage précoce est bien documenté dans la littérature sur les plateformes numériques. C’est sur cette fenêtre qu’Acemoglu insiste dans ses interventions publiques récentes.

Trois leviers sont disponibles et discutés activement. Le premier est fiscal : taxer différemment l’automatisation et l’augmentation. Un employeur qui investit en IA pour former ses équipes, augmenter leur productivité et maintenir l’emploi mérite un traitement fiscal différent de celui qui automatise pour supprimer des postes. Cette distinction est difficile à opérer en pratique, les frontières sont floues, mais pas impossible. La France a expérimenté des crédits d’impôt conditionnés au maintien de l’emploi.

Les États-Unis ont des précédents dans le crédit d’impôt recherche.

Le deuxième levier est la R&D publique. Les modèles de fondation actuels sont développés par une poignée de laboratoires privés avec des objectifs commerciaux. Un investissement public dans des modèles à orientation pro-travail, conçus pour augmenter les capacités humaines plutôt que les remplacer, modifierait la base technologique disponible. Les États-Unis ont financé les bases du GPS, d’internet et de la biotechnologie moderne avant que le secteur privé ne prenne le relais : une telle démarche a déjà produit des résultats concrets.

Le troisième levier est le droit des données. Si les travailleurs et les collectivités avaient des droits explicites sur les données qu’ils génèrent, la structure de pouvoir dans le développement de l’IA changerait. Les syndicats américains du secteur du cinéma et de la presse ont négocié des clauses sur l’usage de leurs productions dans l’entraînement des modèles. C’est primitif, mais c’est un début.

La bifurcation de 2030 : deux trajectoires pour les mêmes outils

Projeter à dix ans reste incertain, et Acemoglu est le premier à le dire. Mais identifier les conditions de chaque trajectoire est possible dès maintenant, à partir des signaux déjà visibles.

Dans le premier scénario, le déploiement de l’IA reste piloté par la logique de réduction des coûts. Les gains de productivité se concentreraient sur les détenteurs de capital et les travailleurs très qualifiés. Les inégalités salariales pourraient s’accroître. Les emplois de service à bas salaire persistent parce qu’ils coûtent moins cher qu’un robot, mais ils sont pressés par les deux bouts : par les machines au-dessus et par la déflation salariale en dessous. La légitimité démocratique des politiques technologiques se fragilise.

La question de ce que peuvent encore décider les institutions devient pressante au même rythme que les inégalités s’accumulent.

Dans le second scénario, les institutions publiques réorientent le déploiement vers la complémentarité humaine. Les gains de productivité se distribueraient plus largement, tandis que la formation continue recevrait des financements à la mesure de l’enjeu.

La fourchette Fortune d’environ 1 % à 1,5 % de PIB sur dix ans se rapproche de son plafond plutôt que de son plancher.

Ce qui sépare ces deux trajectoires n’est pas la technologie, mais l’ensemble des politiques, institutions et choix de déploiement.

Le signal à surveiller : où va la R&D en IA d’ici 2027

Un indicateur permettra de lire quelle trajectoire prend le dessus avant que les données macro ne soient disponibles. Il faut regarder où va l’argent de la R&D en IA, pas seulement son volume. Si la part des investissements dans des applications d’augmentation, outils médicaux pour les praticiens de terrain, assistants pédagogiques pour les enseignants, interfaces de traduction pour les travailleurs multilingues, augmente par rapport aux investissements dans l’automatisation pure, c’est un signal de bifurcation. Si elle stagne ou recule, la trajectoire du premier scénario se confirme.

Les signaux actuels sont mixtes. Microsoft et Google investissent massivement dans des Copilot d’augmentation professionnelle. En parallèle, les annonces de suppressions de postes liées à l’IA dans les centres d’appels, la modération de contenu et les services administratifs s’accumulent. Les deux dynamiques coexistent. La régulation, la fiscalité, la concurrence et les choix de R&D peuvent influencer la trajectoire de l’IA.

Acemoglu souligne l’importance de la période actuelle pour les choix politiques. À mesure que la concentration du marché progresse, la capacité à réorienter le déploiement depuis l’extérieur s’amenuise. L’Union européenne a eu raison de légiférer sur l’IA avant que cette concentration soit achevée. Les États-Unis auront à trancher : laisser faire et espérer que le marché corrige, ou intervenir pendant que l’intervention a encore un effet de levier.

Ces choix institutionnels, conjointement avec la technologie, influenceront la distribution des bénéfices associés aux gains de productivité.

Sources

  1. Daron Acemoglu, « The Simple Macroeconomics of AI », Economic Policy, vol. 40, n° 121, janvier 2025, https://academic.oup.com/economicpolicy/article-abstract/40/121/13/7728473
  2. Fortune, entretien avec Daron Acemoglu, 21 juin 2026 (accessible sur fortune.com)
  3. MIT Technology Review, analyse des travaux d’Acemoglu sur l’IA et la productivité, mars 2025 (accessible sur technologyreview.com)
  4. ICRIER, panel « AI & Policy Choices », 4 novembre 2025 (accessible sur icrier.org)