Atlassian rapporte que 6 % des executives sont certains de pouvoir citer des exemples clairs de ROI organisationnel ; ADP rapporte l’usage de l’IA et le sentiment des travailleurs. Le décalage observé est compatible avec des limites de mesure et des retards de matérialisation des revenus, mais il ne prouve pas à lui seul une inadéquation structurelle.

L’essentiel

  • En Australie, 9 entreprises sur 10 rapportent zéro impact mesurable sur la productivité malgré une adoption large de l’IA, selon ADP People at Work 2026 et Atlassian State of Teams 2026.
  • Les gains réels de l’IA portent sur la qualité, la vitesse et la réduction d’erreurs : trois dimensions que les systèmes comptables construits pour capter des revenus ne savent pas mesurer.
  • Ce problème n’est pas australien : le NBER Working Paper 34984 documente un écart similaire à l’échelle internationale entre adoption et gains de productivité agrégés.
  • Sans cadre de mesure adapté, la distribution des gains entre travail, capital et consommateurs reste opaque, ce qui fragilise toute politique publique fondée sur l’évidence.
  • L’économétrie de la productivité a déjà traversé ce type de décalage : l’informatisation des années 1980-1990 a mis plus d’une décennie à apparaître dans les statistiques.

Le paradoxe de Solow frappe à nouveau

Robert Solow l’avait dit en 1987 : on voit les ordinateurs partout sauf dans les statistiques de productivité. La formule était provocatrice. La productivité américaine a accéléré à partir du milieu des années 1990 ; le consensus sur la contribution des technologies de l’information s’est davantage consolidé au début des années 2000.

L’IA générative présente certains traits comparables aux premiers épisodes de diffusion des technologies de l’information, mais il est trop tôt pour conclure qu’elle reproduit exactement leur trajectoire. Les enquêtes australiennes de 2026 montrent une adoption hebdomadaire de l’IA. Copilots, assistants d’écriture, outils de synthèse, automatisation des tickets support : les usages sont réels, documentés, quotidiens. Le papier NBER constate des gains de productivité positifs mais modestes et un écart entre gains perçus et gains implicites ; il ne fournit pas un résultat « 9 sur 10 ». Le Working Paper 34984 documente, dans un échantillon principalement américain de dirigeants financiers, un écart entre gains de productivité perçus et gains implicites mesurés à partir des revenus ; le Working Paper 34836 fournit une comparaison entre quatre pays.

Deux lectures sont possibles. La première : les gains observés de l’IA restent hétérogènes ou limités selon les contextes, et l’enthousiasme des dirigeants peut dépasser les gains mesurés. La seconde : des gains sont observés dans certains contextes, mais les estimations disponibles restent hétérogènes et les gains déclarés dépassent les gains implicites mesurés. Les données australiennes montrent une utilisation fréquente et des perceptions contrastées, mais ne permettent pas de déterminer si des gains réels existent sans être mesurés. Quand 89 % des dirigeants affirment que leur équipe travaille plus vite, 94 % ne sont pas certains de disposer d’exemples clairs de ROI organisationnel ; cela ne signifie pas qu’ils ne constatent aucune trace de l’effet de l’IA dans leurs comptes.

Il est dans les tableaux.

Les limites des systèmes comptables actuels

Les cadres comptables modernes ont été construits sur un modèle industriel : mesurer des unités produites, des revenus encaissés, des heures travaillées. Cette architecture fonctionne bien pour des gains de productivité qui se traduisent par davantage de produits ou de services vendus par heure travaillée. Elle fonctionne mal pour des gains qui se manifestent différemment.

Les usages de l’IA peuvent améliorer plusieurs résultats opérationnels, dont certains sont imparfaitement isolés dans les comptes nationaux ou dans les mesures de revenu à court terme. D’abord la vitesse d’exécution : un analyste qui produit une note en deux heures au lieu de six ne génère pas nécessairement plus de revenus, il traite davantage de sujets ou libère du temps pour des tâches à plus haute valeur. Ensuite la qualité : moins d’erreurs dans un rapport juridique, une réponse client plus précise, un code avec moins de bugs. Ces améliorations réduisent des coûts invisibles, les coûts de correction, de litige, de support, qui n’apparaissent dans les comptes que lorsqu’ils surviennent. Enfin, la réduction de la charge cognitive : des équipes moins saturées prennent de meilleures décisions, ce qui est difficilement traçable dans un bilan trimestriel.

Certains gains opérationnels peuvent ne pas créer immédiatement une nouvelle ligne de revenu, mais les sources primaires identifient aussi des canaux d’innovation et de demande associés à des gains de revenus. Certains gains opérationnels ne se traduisent pas immédiatement en revenu, mais ils peuvent être suivis par des indicateurs opérationnels ou comptables selon les systèmes d’information utilisés. La même difficulté de mesure s’applique à d’autres formes d’organisation du travail : les bénéfices du télétravail ont eux aussi longtemps résisté aux métriques traditionnelles avant que des études longitudinales plus fines ne les documentent.

Une adoption rapide sur fond d’organisation non transformée

Le taux d’adoption australien impressionne. Mais les données Atlassian révèlent une nuance importante : l’IA est largement utilisée à titre individuel, tandis que son intégration dans les flux de travail reste limitée ; la source ne mesure pas directement la transformation des processus. Une forte part des knowledge workers utilise l’IA, tandis qu’une minorité déclare l’avoir intégrée aux flux de travail.

Cette distinction est centrale. L’économétrie du progrès technique suggère que les gains de productivité d’une technologie générale se matérialisent quand elle est accompagnée de réorganisations complémentaires, nouveaux rôles, nouveaux processus, nouvelle allocation des tâches. L’électricité n’a pas rendu les usines plus productives en remplaçant la vapeur machine par machine : elle l’a fait quand les architectes d’usines ont compris qu’on pouvait désormais disposer les ateliers différemment, en libérant la contrainte de la transmission mécanique centralisée.

L’IA générative en est probablement au stade pré-réorganisation. 44 % des travailleurs australiens déclarent utiliser l’IA au moins plusieurs fois par semaine ; l’enquête ne permet pas d’affirmer qu’ils produisent davantage, plus vite, avec un outillage organisationnel inchangé. Les gains individuels existent. Ils ne se traduisent pas nécessairement en gains organisationnels ; l’intégration des flux, la coordination et des investissements complémentaires constituent des explications possibles parmi d’autres. Ce décalage entre adoption individuelle et transformation collective est documenté dans d’autres contextes technologiques, et il a ses propres dynamiques temporelles : les études sur la diffusion de l’informatique personnelle dans les entreprises des années 1980 montrent des cycles d’absorption organisationnelle qui se comptent en années, parfois en décennies.

Qui capte quoi, et comment le savoir

Le problème de mesure a une dimension politique au sens strict. Sans mesures plus précises, il est difficile d’estimer rigoureusement la répartition des gains de l’IA entre capital, travail et consommateurs.

La répartition exacte des gains attribuables à l’IA reste difficile à estimer et insuffisamment mesurée, plutôt qu’indéterminable.

La question de la gouvernance des infrastructures numériques rencontre ici une dimension concrète : la mauvaise mesure de l’IA limite la documentation de ses effets économiques ; ses conséquences précises sur les négociations salariales, le temps de travail ou la fiscalité restent une hypothèse à étayer. Une productivité mal mesurée est plus difficile à attribuer de manière empirique ; les modalités de son partage sont une question institutionnelle et de négociation, non une conséquence directement démontrée ici.

Les économistes ont des outils pour approcher ces questions, des études de terrain en microéconomie du travail, des panels longitudinaux sur les salaires et les marges, des comparaisons sectorielles entre entreprises adoptrices et non-adoptrices. Mais ces outils demandent du temps, des données d’entreprises rarement disponibles, et des méthodologies qui ne seront pas stabilisées avant plusieurs années de recherche. Dans l’intervalle, les décisions se prennent sans boussole quantitative fiable.

Daron Acemoglu et Simon Johnson ont posé la question directement dans leurs travaux récents sur technologie et pouvoir : qui décide quelles fonctions automatiser, et qui tire les bénéfices de cette automatisation. L’opacité des gains de l’IA rend cet arbitrage encore plus difficile à établir. Sans mesure, il n’y a pas de preuve, et sans preuve, l’arbitrage politique se fait par défaut plutôt que par choix délibéré.

Horizon 2030 : perspectives et obstacles

L’histoire des technologies à usage général rend plausible un décalage entre adoption de l’IA et apparition de gains mesurés, sans garantir qu’un effet agrégé se matérialisera ni préciser son ampleur. Le NBER Working Paper 34984 documente, dans un échantillon principalement américain de dirigeants financiers, un écart entre gains de productivité perçus et gains implicites mesurés à partir des revenus.

Un premier scénario, qu’on pourrait appeler l’absorption silencieuse, verrait les gains de l’IA s’accumuler pendant cinq à dix ans dans des marges améliorées, des effectifs stables et une compétition accrue entre entreprises. Les statistiques nationales finiraient par capter une amélioration de la productivité multifactorielle vers 2030-2032, avec un décalage comparable à celui observé après l’informatisation. Dans ce scénario, la distribution des gains se serait déjà faite, essentiellement vers le capital, avant que les outils de mesure ne permettent de la documenter ou de la corriger.

Un second scénario, plus favorable au partage, suppose que les entreprises, les partenaires sociaux et les statisticiens développent plus tôt de nouveaux indicateurs capables de capter les gains qualitatifs. Des métriques de qualité de service, de réduction d’erreurs, de délais, intégrées dans les tableaux de bord sectoriels, permettraient de rendre visibles les gains là où ils se produisent, et d’en négocier la distribution avant qu’ils ne se dissolvent dans les marges. Plusieurs initiatives vont dans ce sens : les travaux de Diane Coyle sur la mesure du progrès à l’ère numérique, les réflexions de l’OCDE sur les indicateurs de bien-être au travail, ou encore les expérimentations de certaines entreprises technologiques qui publient des métriques d’impact interne au-delà du simple chiffre d’affaires.

Le troisième scénario, moins optimiste, est celui de la crise rétrospective. Les gains de l’IA restent invisibles trop longtemps, la polarisation des revenus s’accentue sans que personne ne puisse en documenter le mécanisme précis, et c’est finalement un choc social ou politique qui force une réévaluation : audits d’impact obligatoires, réglementation sur le partage des gains de productivité, voire fiscalité spécifique sur les bénéfices de l’automatisation. Ce scénario n’est pas inévitable, mais il devient plus probable à mesure que l’adoption s’accélère sans que les institutions de mesure ne suivent.

Les signaux à surveiller pour distinguer ces trajectoires existent. Le premier est l’évolution des salaires réels dans les secteurs à forte adoption de l’IA : si les gains de productivité sont partagés, les salaires nominaux ajustés à la productivité devraient progresser. Le second est la dynamique des marges : des marges en hausse dans des secteurs à forte adoption sans progression salariale comparable orienterait vers la capture par le capital. Le troisième est institutionnel : des statisticiens nationaux, australiens ou autres, qui commencent à intégrer des indicateurs qualitatifs dans leurs comptes satellites seraient un signal fort d’adaptation en cours.

Les pistes qui permettent de ne pas attendre

L’Australie présente une particularité utile : son marché du travail est relativement transparent, avec des données sectorielles accessibles et un dialogue social structuré dans plusieurs industries. Ce contexte est favorable à des expérimentations sur la mesure de la productivité qualitative, si les acteurs s’en saisissent.

Quelques directions concrètes émergent des débats actuels. Les entreprises qui adoptent l’IA pourraient systématiser des bilans d’impact internes en mesurant non seulement le chiffre d’affaires, mais les délais de traitement, les taux d’erreur, la charge de travail subjective. Ces données ne remplacent pas la comptabilité nationale, mais elles créent un corpus qui permet des études comparatives. Les organisations syndicales australiennes, actives dans plusieurs secteurs de services, ont les outils pour négocier l’accès à ces données dans les discussions sur les conditions de travail.

Du côté de la statistique publique, l’Australian Bureau of Statistics dispose d’une tradition d’innovation méthodologique. Ses équipes ont déjà développé des indicateurs sur l’économie numérique et les actifs intangibles. Un programme de recherche sur les gains qualitatifs de l’IA, en partenariat avec des universités et quelques grandes entreprises volontaires, produirait en trois à cinq ans des données utilisables pour la politique publique.

La difficulté est d’abord politique : mesurer précisément où vont les gains crée de la transparence, et la transparence redistribue le pouvoir dans les négociations entre employeurs, salariés et État. Certains acteurs ont intérêt à ce que les gains restent dans le brouillard. D’autres, qui misent sur la légitimité à long terme de l’adoption de l’IA, ont intérêt à les rendre visibles. La question de la régulation des infrastructures technologiques touche exactement ce point : l’enjeu porte sur qui dispose de l’information pour arbitrer, pas seulement sur le fait de construire ou de réguler.

Le paradoxe de Solow a été en partie atténué pour la diffusion des technologies de l’information dans les années 1990, mais les mécanismes de retard et de mesure restent débattus. Il a fallu du temps, des investissements organisationnels massifs, et des outils statistiques améliorés. L’IA pourrait connaître des retards de diffusion et de mesure analogues à ceux des TI, mais ses modalités d’adoption et de comptabilisation diffèrent suffisamment pour empêcher toute extrapolation certaine. La question ouverte est de savoir si les institutions sauront l’anticiper, ou si elles attendront, comme souvent, que la transformation soit déjà accomplie pour commencer à la mesurer.

Sources

  1. NBER Working Paper 34984, https://www.nber.org/papers/w34984
  2. ADP People at Work 2026, ADP Research Institute (rapport annuel, sans URL stable garantie)
  3. Atlassian State of Teams 2026, Atlassian Corporation (rapport annuel, sans URL stable garantie)
  4. CoterieLabs analysis, analyse de synthèse des données australiennes sur l’adoption de l’IA en entreprise (sans URL stable garantie)