Au Canada, 12,2 % des entreprises utilisaient l’IA en 2025, et leur avantage apparent de productivité atteignait 16,8 %, un chiffre qui s’évanouit une fois qu’on tient compte des investissements et des performances accumulés avant l’adoption. Statistique Canada vient de documenter une association entre l’adoption de l’IA et les capacités complémentaires préexistantes. Pour un nombre de PME disposant de capacités complémentaires insuffisantes, le gain demeure incertain.

L’essentiel

  • L’avantage de productivité apparent de 16,8 % des entreprises canadiennes utilisant l’IA en 2025 disparaît statistiquement après contrôle des investissements et performances préexistants (Statistique Canada).
  • L’IA est associée à une productivité plus élevée surtout lorsque les entreprises disposent de capacités complémentaires.
  • Seule une entreprise sur huit au Canada utilisait l’IA en 2025 ; les PME peu numérisées restent structurellement en dehors du dispositif.
  • En l’absence de politique publique ciblée, les gains de productivité de l’IA pourraient se concentrer davantage dans les grandes structures disposant de capacités complémentaires.
  • Des pistes existent, plateformes mutualisées, accompagnement conditionné, mais aucun programme ne les met encore à l’échelle.

Le chiffre de 16,8 % examiné

L’annonce a de quoi séduire. Des entreprises qui adoptent l’IA sont 16,8 % plus productives que celles qui ne l’adoptent pas. La conclusion semble s’écrire d’elle-même : adoptez l’IA, gagnez en productivité.

Statistique Canada a fait le travail statistique rigoureux que ce type d’affirmation requiert. Ses chercheurs ont contrôlé les investissements antérieurs en technologie, les niveaux de performance préexistants, la taille et le secteur des entreprises. Le différentiel de 16,8 % cesse alors d’être statistiquement significatif. Il disparaît.

Ce résultat mérite qu’on s’y arrête. Il ne dit pas que l’IA est inefficace. Il dit que les entreprises dotées de plusieurs capacités numériques et d’innovation complémentaires sont davantage susceptibles d’adopter l’IA. Une partie de l’avantage de productivité préexistait à l’adoption de l’IA. La technologie s’est greffée sur une organisation déjà prête à l’exploiter.

Le mécanisme est connu en économie sous le nom de biais de sélection : les adopteurs précoces d’une technologie générale ne sont jamais un échantillon représentatif des entreprises. Ce sont les meilleures. Mesurer leur performance et l’attribuer à la technologie revient à mesurer l’effet de la bonne santé sur la guérison.

L’IA comme technologie générale : pourquoi les compléments sont décisifs

L’électricité, la machine à vapeur, l’informatique : toutes les grandes technologies générales ont suivi le même schéma. Leur impact économique n’est pas immédiat. Il se produit quand les organisations apprennent à les intégrer, quand les processus sont redessinés pour en tirer parti, quand les compétences des employés s’adaptent.

Robert Solow formulait ce qu’on appelle désormais le paradoxe de la productivité : les ordinateurs étaient partout dans les années 1980, sauf dans les statistiques de productivité. Les gains sont venus une décennie plus tard, quand les entreprises avaient enfin réorganisé leur fonctionnement autour de l’outil.

L’IA générative suit probablement cette même trajectoire, avec une différence de taille : les compléments nécessaires, données structurées, compétences analytiques, processus documentés, sont inégalement distribués entre grandes entreprises et PME. Les compétences IA se concentrent déjà dans quelques grandes villes et dans les entreprises qui avaient les moyens de les recruter avant que la vague ne déferle.

Une PME de quarante employés dans le secteur manufacturier ou les services à la personne n’a souvent ni les données, ni les processus, ni les compétences internes pour qu’un outil d’IA générique produise un effet mesurable. Elle peut acheter un abonnement à un modèle de langage. Elle ne peut pas, sans aide extérieure, reconfigurer son organisation pour en tirer un gain réel.

Une adoption qui reste concentrée

Le taux de 12,2 % d’entreprises canadiennes utilisant l’IA en 2025 est à la fois élevé et révélateur. Élevé parce que la diffusion a été rapide depuis 2022. Révélateur parce que neuf entreprises sur dix restent en dehors.

La distribution de ce taux importe autant que sa valeur moyenne. Les entreprises de 100 salariés ou plus déclarent davantage utiliser l’IA que plusieurs catégories de PME. Elles ont les équipes pour évaluer les outils, les budgets pour les intégrer, les juristes pour gérer les contrats de données. Elles disposent généralement de systèmes d’information intégrés, de bases de données structurées et de processus documentés.

La concentration des gains que documente Statistique Canada n’est pas un accident de transition. Elle reflète une logique structurelle : une technologie dont le retour dépend de compléments coûteux tend à creuser les écarts entre les entreprises dotées de ces compléments et les autres. La croissance de l’emploi concentre déjà les nouveaux postes dans les secteurs à bas salaire ; si l’IA amplifie en plus les écarts de productivité entre entreprises, la double pression sur le tissu économique des PME sera difficile à absorber.

Autorégulation ou intervention publique : un arbitrage documenté

Gilles Babinet, entrepreneur du numérique, soutient dans un entretien accordé à Stratégies que l’IA renforce les hiérarchies existantes, érode le libre arbitre et affaiblit les capacités d’autodétermination collectives. Il plaide pour que la puissance publique fixe des règles sans attendre l’éclatement de la bulle, contre le mythe de l’autorégulation.

Les données de Statistique Canada appuient précisément une corrélation entre capacités complémentaires et adoption de l’IA, sans démontrer la concentration future des gains. Les données montrent que les entreprises déjà dotées de capacités numériques sont plus susceptibles d’adopter l’IA.

La position inverse mérite d’être exposée honnêtement. Des économistes proches du courant libéral, Tyler Cowen ou Philippe Aghion sur la croissance schumpétérienne, soulignent que les technologies générales se diffusent naturellement vers les utilisateurs secondaires une fois que les coûts d’adoption chutent. L’IA de 2025 coûte une fraction de ce qu’elle coûtait en 2020. Rien ne garantit que la PME de 2030 sera aussi démunie qu’aujourd’hui.

L’argument est sérieux. Mais les données canadiennes introduisent une réserve : la baisse du coût de l’outil ne compense pas nécessairement l’absence de compléments organisationnels. Les données structurées, processus documentés et formations sont surtout nécessaires pour une intégration organisationnelle approfondie et des usages d’IA plus complexes, non pour toute utilisation d’un modèle de langage. Ces compléments demandent des investissements distincts. La diffusion spontanée de l’IA vers les PME est probable sur le très long terme ; elle demeure incertaine à court et moyen terme, précisément la période où les écarts de productivité pourraient se creuser.

Deux trajectoires pour la prochaine décennie

La question posée par l’étude de Statistique Canada dépasse le Canada. Elle concerne tout pays où l’adoption de l’IA suit la même logique de sélection par le capital numérique préexistant. Et elle a une dimension temporelle : les écarts de productivité observés pourraient s’aggraver si les entreprises les plus performantes accumulent plus rapidement les ressources pour les prochaines vagues technologiques. Les entreprises plus productives disposent généralement de plus de ressources pour investir dans les capacités qui faciliteront l’adoption future.

Deux trajectoires se distinguent nettement sur un horizon de dix ans.

Dans la première, des politiques fédérales ciblant l’adoption de l’IA par les PME existent, mais leur efficacité à corriger les écarts n’est pas encore établie. Les PME disposant de moins de capacités numériques peuvent accéder à des outils prêts à l’emploi, mais les données disponibles montrent que les capacités complémentaires sont fortement associées à l’adoption de l’IA. L’écart de productivité entre grandes et petites entreprises pourrait s’élargir. Le tissu économique se recompose lentement autour d’un nombre plus faible d’acteurs plus puissants. Les bénéfices peuvent se concentrer dans certains rendements du capital et certaines entreprises, mais l’effet sur les revenus des travailleurs est ambigu et dépend des mécanismes d’adoption, de complémentarité et de déplacement.

Des politiques publiques ciblent explicitement les entreprises peu numérisées dans ce cadre. L’accompagnement couvre l’audit des capacités numériques, la structuration des données, la formation des équipes et la refonte des processus, sans se limiter au financement de licences logicielles. Des plateformes mutualisées permettent à des PME de partager des infrastructures de données qu’elles ne pourraient pas construire seules. Les aides publiques sont conditionnées à un diagnostic préalable des capacités de l’entreprise, afin d’éviter de financer des adoptions sans effet réel.

Cette seconde trajectoire n’est pas théorique. Des précédents existent dans d’autres transitions technologiques : certains programmes de soutien à la numérisation des PME ont montré l’importance de combiner financement, accompagnement technique et formation, plutôt que de se limiter aux seuls crédits d’impôt à l’investissement. La transposition à l’IA est directe dans sa logique, même si les besoins spécifiques, qualité des données, gouvernance algorithmique, ajoutent des exigences nouvelles.

Deux signaux permettront de savoir laquelle des deux trajectoires s’engage. D’abord, l’évolution du taux d’adoption de l’IA dans les entreprises de moins de cinquante employés, comparée à celle des grandes entreprises : si l’écart se creuse d’année en année, la diffusion spontanée n’opère pas. Ensuite, le gain de productivité mesuré dans les PME ayant bénéficié d’un programme public d’accompagnement, après contrôle des investissements préexistants, le même contrôle méthodologique que celui appliqué par Statistique Canada. Sans cette mesure rigoureuse, l’association entre adoption de l’IA et productivité peut refléter un biais de sélection comparable à celui observé dans les données globales.

Les leviers d’action des pouvoirs publics

Les pistes de progrès ne manquent pas. Elles ont en commun d’agir sur les compléments, non sur la technologie elle-même.

La première est la mutualisation des infrastructures de données. Une PME du secteur agroalimentaire ou du transport ne peut pas construire seule la base de données structurées qui permettrait à un modèle d’IA de produire des prévisions de demande ou de détecter des anomalies dans la chaîne logistique. Un groupement sectoriel ou une plateforme publique peut la construire pour elle, à condition que la gouvernance des données garantisse la souveraineté de chaque participant.

La deuxième est la conditionnalité des aides. Financer l’achat d’un abonnement à un service d’IA sans évaluer les capacités organisationnelles de l’entreprise risque de soutenir des adoptions n’entraînant pas de gain significatif. Un audit préalable, des données disponibles, des processus documentés, des compétences internes, permet d’orienter les ressources vers les entreprises où l’accompagnement produira un gain marginal réel, pas vers celles qui auraient adopté l’outil de toute façon.

La troisième mesure est la formation ciblée. L’enjeu est de former des responsables opérationnels capables d’identifier les cas d’usage pertinents, de formuler des requêtes adaptées aux outils et d’interpréter leurs sorties, et non de former des développeurs en IA dans les PME. Ce profil de traducteur entre la technologie et le métier est celui qui manque le plus dans les petites structures. L’acheteur public finance déjà l’industrie étrangère dans de nombreux secteurs technologiques ; orienter une partie de ces flux vers le renforcement des capacités locales des PME constituerait un levier direct.

La question ouverte est celle de l’ambition politique. Les programmes d’accompagnement à la numérisation existent au Canada comme dans la plupart des pays de l’OCDE. Leur montée en charge vers les enjeux spécifiques de l’IA, qualité des données, gouvernance algorithmique, formation aux cas d’usage, reste à construire. L’étude de Statistique Canada donne au moins une base empirique solide pour justifier l’effort : sans investissements complémentaires, les PME risquent de limiter les gains d’une intégration approfondie de l’IA, mais elles peuvent néanmoins obtenir des bénéfices modérés d’outils standards.


Sources

  1. Statistique Canada, « L’intelligence artificielle et la productivité des entreprises canadiennes », 2026
  2. Statistique Canada, communiqué quotidien, 30 juillet 2026
  3. Gilles Babinet, « Nous sommes déjà en train de devenir des machines », Stratégies