Le mardi 3 novembre, le fonds Menlo Ventures (investisseur dans des entreprises comme Anthropic) a estimé que les entreprises dépensent déjà 177 milliards de dollars par an pour utiliser l'intelligence artificielle (IA), soit plus de cinq fois les 33 milliards de 2025. Pourquoi tant de gens sentent-ils que l'IA accélère leur travail et si peu d'organisations le voient dans leurs résultats ?
Le cabinet McKinsey a mesuré cet écart lors de son enquête annuelle auprès de 1 719 dirigeants et professionnels. 80 % de ceux qui utilisaient l'IA ont déclaré avoir amélioré leur productivité individuelle, mais seulement 6 % des sondés lui ont attribué une contribution significative (au moins 5 % de leur gain opérationnel), comme en 2025.
Il s'agit de réponses déclaratives, non de bilans audités. Cela n'implique pas que le reste ne gagne rien : 37 % ont vu une contribution au gain (39 % en 2025), bien que l'IA touche désormais davantage de domaines.
Une grande partie de l'explication réside dans le fonctionnement d'une entreprise : ce n'est pas une somme de tâches isolées, mais une chaîne. Trois idées montrent où l'élan se perd.
Dix fois plus rapide ne rapporte pas dix fois plus
Pensez à une cuisine : ajouter des cuisiniers accélore le hachage, mais le four met le même temps. En 1967, l'ingénieur d'IBM Gene Amdahl a posé cette limite pour les ordinateurs : ajouter des processeurs accélère les parties d'un programme qui peuvent être réparties, mais pas celles qui s'exécutent en série.
Les étapes qui ne peuvent pas être réparties fixent le plafond. C'est la loi d'Amdahl.
Appliquez-le à un bureau : un processus de 100 heures où la rédaction prend 20 heures et les 80 autres sont consacrées à la saisie des données, à la révision, à la correction et à l'approbation. Si l'IA rédige dix fois plus vite, cette partie passe à 2 heures, mais le total devient 82 : à peine 18 % de moins, pas 90 %. Même si elle était instantanée, elle n'économiserait pas plus de 20 %.
Même ceux qui vendent de l'IA reconnaissent cette limite. Dario Amodei, PDG d'Anthropic (créatrice de Claude), a cité plusieurs fois cette loi cette année. En février, parlant de l'avenir des services informatiques avec l'entrepreneur Nikhil Kamath, il l'a résumée ainsi : « Les composants qui n'ont pas encore été accélérés deviennent le facteur limitant ». »
Le Challenger et le maillon faible
En janvier 1986, la navette spatiale Challenger s'est désintégrée 73 secondes après le décollage et ses sept membres d'équipage ont péri. Elle comportait des milliers de pièces, mais une seule défaillance a suffi : un joint avec des bagues en caoutchouc (O-rings), trop sensible au froid selon la commission d'enquête.
En 1993, l'économiste Michael Kremer (prix Nobel par la suite pour d'autres travaux) a ouvert son étude sur les raisons pour lesquelles certaines entreprises et certains pays obtiennent des résultats bien meilleurs avec cette tragédie : lorsqu'une erreur à n'importe quelle étape peut ruiner le produit, la qualité de chaque étape ne s'additionne pas, elle se multiplie (théorie O-Ring).
Cinq étapes qui réussissent à 90 % des fois donnent un résultat correct seulement 59 % du temps (0,9 × 0,9 × 0,9 × 0,9 × 0,9). Si l'IA porte cela à 99 %, le taux monte à 65 %. Mais si quatre d'entre elles atteignent 99 % et que la cinquième chute à 60 % parce que la révision sature, le résultat est pire qu'au départ : 57,6 %.
Ces deux premières idées se complètent : Amdahl regarde l'horloge ; Kremer, la qualité. C'est pourquoi quelqu'un peut travailler beaucoup plus vite sans que son entreprise gagne davantage : la tâche accélérée pèse peu dans le total, ou le maillon le plus faible reste identique et reçoit plus de charge.
Le frein, sur GitHub et dans les PME argentines
Dans le logiciel, cet entonnoir a déjà été mesuré. En mai, des économistes du MIT et de Wharton ont suivi plus de 500 000 programmeurs sur des projets open source de GitHub, la plus grande plateforme pour développer du code.
En additionnant tous les outils d'IA (de l'autocomplétion aux agents autonomes), les programmeurs ont proposé 240 % de plus de modifications de code hebdomadaires, mais les versions terminées et prêtes à l'emploi n'ont augmenté que de 30 %.
Pour les auteurs, cette donnée s'aligne sur le maillon faible : réviser ces changements, les intégrer et approuver la livraison finale reste entre les mains des humains. Dans les entreprises, avec plus de contrôles, le frein devrait être plus important.
En Argentine, il y a des signaux similaires. Un relevé de l'Université Di Tella et de Fundar sur 402 PME industrielles et de logiciel a révélé que 41,6 % utilisaient l'IA, surtout en phase expérimentale : là, 65 % percevaient plus de productivité, mais seulement 22 % avaient mesuré des résultats positifs.
L'étude met en garde contre le fait que beaucoup peuvent stagner dans les tests par manque d'investissement dans l'organisation, les capacités et la gouvernance. Dit avec Kremer : améliorer un maillon rapporte peu si le reste reste faible.
La loi de Parkinson et le temps qui s'évapore
C'est là qu'intervient la troisième idée : même où l'IA économise du temps, ces heures ne reviennent pas seules à l'entreprise. Si quelqu'un rédige en une heure le rapport qui lui prenait trois auparavant, où vont les deux autres ? En 1955, l'historien britannique C. Northcote Parkinson a répondu avec ironie dans The Economist : “Le travail s'étend pour remplir le temps disponible.”
Les données vont dans cette direction. Dans une expérience avec 7 137 employés de 66 grandes entreprises, ceux qui ont utilisé l'assistant Copilot ont passé deux heures de moins par semaine sur les e-mails. Mais ils n'ont pas répondu à plus de messages, ni assisté à plus de réunions, ni terminé plus de documents.
Cela se produit parce que presque personne ne gère cet économat : selon Gartner, seulement 7 % des organisations interrogées donnent des directives sur la façon d'utiliser le temps économisé par l'IA. La CEPAL et le centre chilien CENIA l'ont appelé en octobre “dissipation du temps libéré”, un risque aujourd'hui plus grand dans la région que le chômage massif. Pourquoi est-ce un risque ? Parce que cela nous rend moins compétitifs que les autres.
Ce que font différemment ceux qui gagnent le plus
McKinsey a comparé ce 6 % avec le reste des sondés : près de trois personnes sur quatre avaient profondément redessiné leurs flux de travail en raison de l'utilisation de l'IA, contre une personne sur quatre parmi les autres.
Il existe clairement trois pratiques fondamentales qui rendent une organisation réussie avec l'IA : une haute direction engagée dans les projets d'IA, des cadres intermédiaires engagés à capitaliser sur l'IA et des processus redéfinis pour en capturer l'impact.
Ces trois pratiques répondent directement aux trois idées : redéfinir les processus attaque ce que l'IA n'accélère pas et préserve le maillon faible, tandis que la direction et les cadres intermédiaires s'assurent que ce changement se produise et empêchent que le temps économisé ne s'évapore.
Où réside la valeur lorsque la production devient moins coûteuse
Lorsque l'IA rend moins chère la production de textes, d'analyses ou de code, ce qui devient rare est tout ce qui l'entoure : choisir quoi faire, la connecter aux données et aux systèmes, valider les résultats, répondre du résultat et capitaliser le temps gagné. C'est le four de la cuisine, la révision sur GitHub et les heures dissipées avec Copilot.
Il reste une objection raisonnable : que ce soit une question de temps. En 1990, l'historien économique Paul David a montré que l'électricité a mis quatre décennies à faire progresser la productivité industrielle aux États-Unis : le gain n'est arrivé que lorsqu'ils ont redessiné les usines, avec un moteur pour chaque machine.
Mon interprétation, discutable, est que le 6 % dit plus sur le fonctionnement des organisations que sur la qualité de l'IA. La plupart de ceux qui gagnent le plus ont regardé le processus complet, pas seulement la tâche que le modèle résout rapidement. C'est pourquoi, avant d'ajouter un autre outil, il convient de se poser trois questions issues d'Amdahl, de Kremer et de Parkinson.
La première : quelle part pèse dans le total la tâche que vous allez accélérer ? (Si elle représente 20 % du temps, l'économie ne dépassera jamais les 20 %). La deuxième : quelle est l'étape la plus faible de la chaîne et qui répond lorsque l'IA se trompe ? La troisième : Qui s'occupe de capitaliser le temps libéré et de mesurer si le processus complet s'est amélioré ?
Si la réponse à la première est « peu », à la seconde « je ne sais pas » et à la troisième « personne », il est probable que l'IA accélère une tâche isolée et que le bilan bouge presque pas. C'est là où se trouve la majorité aujourd'hui : entre les 80 % qui ont l'impression de travailler plus vite et les 6 % qui convertissent déjà cette vitesse en gains significatifs.