Les gains annuels de temps de travail grâce à l’IA atteindraient 2 700 milliards de dollars, mais leurs bénéfices restent inégalement répartis

Google News a mis en avant une estimation frappante : l’IA permet désormais d’économiser du temps de travail évalué à 2 700 milliards de dollars par an, malgré un accès profondément inégal à ces gains.

Cette estimation provient de recherches menées par les économistes Rachel Yuting Fan et Ha Nguyen. Leur analyse évalue le temps assisté par l’IA dans différentes professions et dans plus de 100 pays. Le total obtenu équivaut à environ 3,4 % du produit intérieur brut mondial.

Ce chiffre donne l’impression que l’IA est déjà devenue une force économique majeure. Pourtant, sa répartition raconte une histoire moins rassurante. Dans de nombreuses économies en développement, la quasi-totalité de la valeur mesurée provient d’un groupe restreint de professionnels très bien rémunérés.

Cette recherche remet donc simultanément en cause deux récits populaires. L’IA n’est ni une promesse creuse de productivité ni un outil réparti uniformément et accessible à tous les travailleurs. Sa valeur mesurable est importante, mais sa portée dépend encore des revenus, de la profession, de la langue et de la préparation de chaque pays.

L’enjeu central oppose la diffusion rapide de la technologie à la persistance des inégalités institutionnelles. Les outils d’IA peuvent se répandre presque instantanément par le biais des logiciels. Les compétences, la connectivité, les systèmes de travail et les données d’entraînement adaptées aux réalités locales progressent beaucoup plus lentement.

Ce que mesure réellement la nouvelle estimation sur l’IA

Le chiffre de 2 700 milliards de dollars mesure le coût du travail associé au temps économisé, et non des liquidités supplémentaires entrant dans l’économie mondiale.

Fan et Nguyen ont publié leurs conclusions dans un document de travail du FMI. Ils ont analysé cinq éditions de l’Anthropic Economic Index couvrant la période de janvier 2025 à février 2026.

L’Anthropic Economic Index étudie la manière dont les utilisateurs emploient Claude dans différentes tâches et professions. Il s’appuie sur des classifications respectueuses de la vie privée plutôt que de publier des conversations individuelles.

Les chercheurs ont combiné ces schémas d’usage avec des données sur l’emploi et les salaires par profession. Ils ont ensuite construit un équivalent de coût du travail, ou LCE, pour le temps assisté par l’IA.

Le LCE attribue une valeur fondée sur les salaires au temps que l’IA semble permettre d’économiser. Si un outil raccourcit une tâche d’une heure, le calcul valorise ce temps selon le coût du travail correspondant à la profession concernée.

Cette approche produit une estimation mondiale annualisée d’environ 2 700 milliards de dollars. Selon les hypothèses des chercheurs, cela représente environ 3,4 % du PIB mondial.

L’estimation est importante parce qu’elle part d’usages observés plutôt que d’une prévision sur les capacités futures. Elle examine où l’assistance de l’IA intervient déjà et quelle est la valeur du temps de travail associé.

Toutefois, le LCE n’est pas équivalent à une hausse de productivité effectivement réalisée. Une heure économisée ne se transforme pas automatiquement en une heure supplémentaire de production utile.

Une entreprise peut consacrer ce temps à davantage de travail, à des horaires plus courts, à des contrôles de qualité ou à des tâches entièrement sans rapport. Certains gains peuvent profiter aux employeurs, tandis que d’autres peuvent bénéficier aux travailleurs ou aux clients.

La méthode ne déduit pas non plus le coût total du déploiement de l’IA. Ces coûts incluent les infrastructures, l’électricité, les abonnements, le travail d’intégration, les contrôles de sécurité et la supervision humaine.

Les auteurs décrivent le LCE comme une valorisation indicative. Il saisit le coût du travail du temps économisé selon des hypothèses explicites, et non une mesure complète du bien-être économique.

Cette distinction est importante pour interpréter le titre de Google News. La recherche n’affirme pas que l’IA a ajouté 2 700 milliards de dollars au PIB mondial mesuré en une année.

Elle estime plutôt la valeur annuelle du travail associée au temps actuellement assisté par l’IA. Ce chiffre révèle une ampleur économique sans déterminer qui capte finalement le bénéfice.

L’estimation a également augmenté au fil des cinq éditions de données. L’usage de l’IA s’est étendu au-delà de sa concentration initiale dans le travail logiciel, vers l’éducation, les ventes et les fonctions administratives.

Ces professions emploient beaucoup plus de personnes que le seul développement logiciel. Une portée professionnelle plus large peut accroître la valeur totale, même lorsque chaque conversation procure un bénéfice estimé plus faible.

C’est la première grande tension révélée par les résultats. La valeur agrégée peut augmenter tandis que l’interaction moyenne devient moins intensive sur le plan économique.

Ce schéma serait cohérent avec une technologie qui passe d’un travail spécialisé aux tâches quotidiennes. Il rend aussi la répartition de l’accès plus importante que la croissance des usages mise en avant dans les titres.

Pourquoi Google News relaie une histoire plus vaste que l’adoption de l’IA

Le changement important n’est pas simplement que davantage de personnes utilisent l’IA, mais que les usages ont désormais une ampleur suffisante pour permettre des estimations de répartition mondiale.

Les premières études sur le travail examinaient généralement une entreprise, une profession ou une tâche contrôlée. Elles ont contribué à établir que l’IA générative peut améliorer les performances dans des conditions spécifiques.

Une étude bien connue sur le service client a suivi 5 179 agents. L’accès à un assistant d’IA a augmenté de 14 % en moyenne le nombre de problèmes résolus par heure.

L’amélioration a atteint 34 % chez les agents débutants et moins qualifiés. Les agents expérimentés et très qualifiés ont bénéficié de gains bien plus faibles.

Ce résultat suggérait que l’IA pouvait réduire les écarts de performance au sein d’un lieu de travail. Le système transmettait aux employés moins expérimentés les modèles issus des conversations les plus réussies.

D’autres expériences ont montré des améliorations significatives dans l’écriture, le conseil et la programmation. Toutefois, les résultats au niveau des tâches ne permettent pas automatiquement de prévoir la croissance à l’échelle de toute l’économie.

La nouvelle étude adopte une approche différente. Elle observe quelles professions génèrent des usages de l’IA dans de nombreux pays, puis évalue le temps associé selon les salaires locaux.

Ses cinq vagues de données créent une image en mouvement plutôt qu’un instantané unique. Elles permettent aux chercheurs de se demander si la portée professionnelle de l’IA s’élargit.

La réponse est oui, mais avec d’importantes réserves. L’usage de l’IA s’est étendu à des professions couvrant une plus grande partie de la population active, tout en restant orienté vers les emplois les mieux rémunérés.

C’est important car les seuls chiffres d’adoption peuvent masquer la concentration économique. Deux pays peuvent signaler une activité similaire tout en produisant des répartitions de valeur très différentes.

Dans un pays, l’usage peut concerner les enseignants, les administrateurs, les commerciaux, les ingénieurs et les dirigeants. Dans un autre, presque toute l’activité peut provenir d’une petite classe de professionnels.

Ces schémas créent des perspectives de productivité différentes. Une adoption large donne à davantage d’entreprises et de ménages la possibilité de transformer le temps économisé en production ou en meilleurs services.

Une adoption étroite peut tout de même créer une valeur impressionnante. Elle peut toutefois creuser les écarts entre les professionnels connectés et tous ceux qui se trouvent en dehors du segment à forte intensité d’IA.

La perspective mondiale de l’étude met également en évidence une limite des récits populaires sur le travail. Le fait que l’IA aide les travailleurs les moins performants au sein d’une entreprise ne signifie pas qu’elle atteigne les travailleurs à faibles revenus dans l’ensemble d’une économie.

Au sein d’un lieu de travail qui utilise l’IA, l’outil peut réduire les écarts de performance liés aux compétences. Sur l’ensemble du marché du travail, l’accès peut rester concentré dans les professions déjà avantagées.

Ces deux constats peuvent être vrais. Ils décrivent différents niveaux d’un même système.

Un agent de service client utilisant l’IA peut rattraper un collègue expérimenté. Un agriculteur, un livreur ou un commerçant informel peut ne disposer d’aucun outil comparable intégré à son travail quotidien.

Il en résulte un renversement distributif. L’IA peut égaliser les performances parmi les utilisateurs tout en accroissant la distance entre utilisateurs et non-utilisateurs.

Google News offre à cette recherche une audience plus large, mais le chiffre mis en avant ne devrait pas occulter ce renversement. La contribution la plus importante de l’étude est sa cartographie des participants.

Cette carte montre que la diffusion des logiciels progresse plus vite que l’inclusion économique. Cette différence déterminera si l’IA devient largement productive ou demeure une infrastructure concentrée au service du travail professionnel.

La répartition des gains de l’IA continue de favoriser les professions les mieux rémunérées

Les gains mesurés de l’IA favorisent les professions les mieux rémunérées dans presque tous les pays étudiés.

Fan et Nguyen ont créé un indice de concentration de l’IA, ou ACI, afin de mesurer cette orientation. L’indice compare la part de la valeur de l’IA détenue par chaque profession à sa part dans l’emploi.

Un score positif signifie que les gains de l’IA penchent vers les professions situées plus haut dans la répartition des salaires. Un score négatif indiquerait une orientation vers les emplois moins rémunérés.

Presque tous les pays affichaient un ACI positif dans chaque vague observée. Le sens de l’inégalité était donc remarquablement constant.

L’ampleur du déséquilibre variait fortement. Les économies à revenu élevé enregistraient généralement des niveaux d’ACI compris entre 0,4 et 0,5.

Les États-Unis affichaient un ACI de 0,49 dans l’analyse présentée. Cela indique encore une concentration, même si les usages couvrent une base professionnelle relativement large.

Certains pays en développement affichaient des scores proches de 1,0. À ce niveau, presque toute la valeur mesurée de l’IA provient d’une petite enclave professionnelle.

La Tanzanie offre l’exemple le plus clair de l’étude. Son ACI a atteint 0,98, tandis que les professions qualifiées employaient moins de 5 % des travailleurs.

Cette combinaison signifie que la plupart des travailleurs restaient en dehors du canal direct produisant une valeur mesurée de l’IA. Les professions agricoles, élémentaires et de services contribuaient peu aux usages enregistrés.

Cela ne prouve pas que ces travailleurs ne reçoivent aucun bénéfice indirect. La logistique, la finance, l’administration publique ou l’éducation assistées par l’IA pourraient finir par améliorer les services qu’ils utilisent.

Toutefois, les effets indirects n’étaient pas mesurés par l’étude. La valeur directe observée restait concentrée parmi les utilisateurs professionnels.

Le revenu explique une partie de la différence. Les pays plus riches comptent généralement davantage de travailleurs du savoir, disposent d’infrastructures numériques plus solides et abritent davantage d’organisations capables de déployer l’IA.

Ils disposent aussi de davantage de systèmes complémentaires. Ceux-ci incluent des registres numérisés, des services cloud, des budgets de formation, une connectivité fiable et des flux de travail logiciels établis.

L’IA n’entre pas dans un vide institutionnel. Elle fonctionne le mieux là où les tâches laissent déjà des traces numériques exploitables et où les travailleurs peuvent vérifier ses résultats.

Le problème de concentration implique donc plus que l’accès à un chatbot. Il dépend de la capacité des organisations à relier l’IA à un travail créateur de valeur.

Les petites entreprises se heurtent souvent à davantage d’obstacles. Elles peuvent manquer de données propres, de personnel technique, de politiques de sécurité ou de temps pour repenser leurs flux de travail.

Les données recueillies auprès de plus de 12 000 entreprises européennes vont dans le même sens. Une étude sur les entreprises européennes a estimé une hausse moyenne de 4 % de la productivité du travail parmi les entreprises ayant adopté l’IA.

Les entreprises moyennes et grandes ont enregistré des gains plus importants que les petites entreprises. Les investissements complémentaires dans les logiciels, les données et la formation de la main-d’œuvre ont amplifié l’effet.

Ces résultats confortent le mécanisme décrit dans l’étude mondiale. L’accès à un modèle n’est qu’un élément d’un système de production plus vaste.

Un professionnel travaillant dans une entreprise numériquement mature peut utiliser l’IA de nombreuses fois chaque jour. Un travailleur dans une entreprise moins connectée peut ne pas disposer d’une interface adaptée ni de données approuvées.

La fracture qui en résulte est cumulative. Davantage d’usage crée davantage d’expérience, ce qui aide les organisations à identifier de meilleures tâches et à bâtir des processus plus solides.

Les travailleurs en dehors de ce cycle ont moins d’occasions d’apprendre à formuler efficacement des requêtes, à vérifier les résultats et à intégrer l’IA. Leurs employeurs accumulent également moins d’éléments justifiant de nouveaux investissements.

C’est pourquoi la répartition des gains de l’IA ne peut être séparée de la capacité organisationnelle. L’outil peut être largement disponible en ligne tout en restant économiquement rare.

Les gains s’élargissent, mais la langue détermine le rythme

La répartition de l’IA est devenue moins concentrée dans un nombre croissant de pays, même si les progrès restent inégaux et incomplets.

Entre août et novembre 2025, 32 des 108 pays ont enregistré une baisse de l’indice de concentration de l’IA. Cela représentait 30 % des pays observés.

Entre novembre 2025 et février 2026, 53 des 110 pays ont enregistré un recul. Cette part était passée à près de la moitié.

Une baisse de l’ACI signifie que la valeur générée par l’IA descend davantage dans la distribution des salaires par profession. Cela ne signifie pas que la distribution est devenue égalitaire.

L’indice est resté positif dans presque tous les pays. Les professions les mieux rémunérées ont continué de recevoir une part disproportionnée des gains mesurés.

Un autre groupe de pays n’a montré aucun changement, car toutes les conversations observées relevaient d’une seule catégorie professionnelle. Leur apparente stabilité n’indiquait donc pas un accès généralisé.

Le mouvement a été le plus marqué là où l’IA s’est étendue à l’éducation, au soutien administratif et à la vente. Ces domaines emploient bien davantage de travailleurs que la base d’utilisateurs initiale, très centrée sur les logiciels.

L’article établit un lien entre un élargissement plus rapide et le statut officiel de l’anglais. Les auteurs interprètent cette relation à travers la composition des données d’entraînement.

Les modèles dominés par l’anglais contiennent d’importants volumes de contenus juridiques, éducatifs, commerciaux et administratifs issus d’institutions anglophones. Cela peut améliorer leur pertinence locale dans un plus grand nombre de professions.

Un modèle peut bien traiter les questions liées aux logiciels dans un pays, car les ressources de programmation sont standardisées à l’échelle mondiale. Les tâches locales de fiscalité, de droit, de santé ou d’administration exigent des connaissances plus spécifiques.

Lorsque les documents pertinents sont rares dans les données d’entraînement, les travailleurs reçoivent une assistance moins fiable. Les organisations doivent consacrer davantage d’efforts à vérifier les résultats ou à créer des systèmes spécialisés.

La couverture linguistique devient donc une infrastructure économique. La traduction seule ne peut pas entièrement remplacer la familiarité avec la terminologie locale, les règles et les pratiques institutionnelles.

L’article n’établit pas que le statut de l’anglais provoque directement une diffusion plus rapide. La relation observée entre pays reste corrélationnelle et nécessite des tests supplémentaires.

D’autres facteurs peuvent se superposer à la langue. Ils comprennent l’histoire coloniale, les systèmes éducatifs, les contenus internet, la capacité de gouvernance et les liens avec les entreprises multinationales.

Néanmoins, ce résultat identifie un goulot d’étranglement concret. Un modèle dont les performances varient selon les langues distribuera les gains de productivité de manière inégale entre les pays.

L’Anthropic Economic Index fournit les jeux de données d’usage sous-jacents utilisés par les chercheurs. Ses données capturent l’activité de Claude, et non l’ensemble du marché de l’IA.

Cette limite est importante. ChatGPT, Gemini, Copilot, les modèles ouverts, les systèmes locaux et les outils sectoriels peuvent produire des schémas géographiques différents.

Les utilisateurs de Claude peuvent également différer de la main-d’œuvre mondiale. Ils disposent probablement d’un meilleur accès au numérique et d’une plus grande familiarité avec les produits d’IA avancés.

Ces données offrent néanmoins un précieux signal longitudinal. Peu de sources relient l’usage réel de l’IA aux tâches professionnelles dans autant de pays.

La prochaine étape analytique devrait comparer plusieurs plateformes à l’aide de classifications compatibles. Cela permettrait de déterminer si le schéma de concentration reflète la base d’utilisateurs de Claude ou l’économie de l’IA plus largement.

Les performances dans les langues locales nécessitent également une mesure directe. Les chercheurs pourraient tester les modèles sur des tâches administratives, éducatives, commerciales et professionnelles ancrées dans chaque pays.

De meilleures performances ne garantiraient pas l’adoption. Elles supprimeraient un obstacle au sein d’une chaîne bien plus longue impliquant la confiance, l’accessibilité financière, la formation et la conception des processus de travail.

Les organisations peuvent également réduire les frictions linguistiques grâce à des connaissances internes soigneusement sélectionnées. Une base de connaissances IA consultable peut ancrer l’assistance dans les documents que les travailleurs utilisent déjà.

Cette approche aide les équipes individuelles, mais elle ne peut pas remplacer un investissement public à grande échelle. Les codes juridiques nationaux, les contenus éducatifs et les informations de service public doivent aussi être accessibles aux machines.

Ce que l’estimation de 2,7 billions de dollars ne prouve pas

La recherche révèle l’empreinte économique potentielle de l’IA, mais elle n’établit pas une hausse équivalente de la production, des salaires ou du bien-être des travailleurs.

La première incertitude concerne les gains de temps. Exécuter une tâche plus rapidement n’importe que si le temps économisé produit quelque chose de valeur.

Certains travailleurs peuvent accomplir des missions supplémentaires. D’autres peuvent utiliser ce temps pour examiner les résultats, corriger les erreurs du modèle ou répondre à des attentes de charge de travail plus élevées.

Un lieu de travail pourrait même convertir l’efficacité en délais plus serrés. Dans ce cas, les économies de travail mesurées ne se traduiraient pas par davantage de temps libre.

Une recherche fondée sur les données du marché du travail danois illustre l’écart entre la productivité déclarée et les résultats observables. L’étude a relevé une adoption généralisée au travail et de nouvelles tâches liées à l’IA.

Toutefois, elle n’a détecté aucun effet moyen sur les revenus ou les heures enregistrés deux ans après le lancement de ChatGPT. Les estimations excluaient des variations supérieures à 2 %.

L’étude danoise sur le marché du travail ne contredit pas la recherche sur la productivité au niveau des tâches. Elle montre que l’ajustement du marché du travail peut absorber les améliorations sans modifier rapidement les salaires ou les heures.

Les entreprises peuvent réorganiser les tâches plutôt que de réduire les effectifs. Les travailleurs peuvent produire davantage tandis que les contrats et la rémunération restent inchangés.

La deuxième incertitude concerne la qualité. Une production rapide a peu de valeur économique lorsque les erreurs exigent des corrections coûteuses.

L’IA générative peut produire des contenus plausibles mais incorrects. Le risque augmente lorsque les utilisateurs ne disposent pas de l’expertise suffisante pour reconnaître une réponse faible.

Cela crée un autre problème de distribution. Les travailleurs hautement qualifiés peuvent obtenir davantage de valeur parce qu’ils savent formuler des demandes, évaluer les résultats et intégrer les éléments utiles.

Les utilisateurs moins expérimentés peuvent obtenir des gains considérables dans des environnements structurés. Toutefois, ces gains dépendent de garde-fous, de tâches adaptées et de documents de référence fiables.

La troisième incertitude concerne les coûts. L’estimation LCE ne fournit pas un calcul complet du bien-être après prise en compte des dépenses d’infrastructure et d’exploitation.

Les systèmes d’IA nécessitent des centres de données, de l’électricité, des puces, des réseaux, de l’ingénierie, de la cybersécurité et de la gouvernance. Les organisations paient également l’intégration et la supervision humaine.

Ces coûts n’invalident pas l’estimation de 2,7 billions de dollars. Ils empêchent de la considérer comme un surplus économique net.

La quatrième incertitude concerne la couverture du marché. Cinq jeux de données Claude ne peuvent représenter avec une précision égale tous les outils d’IA, utilisateurs ou pays.

L’utilisation en dehors des lieux de travail formels peut être sous-estimée. Il en va de même pour les déploiements dans des entreprises privées qui n’apparaissent jamais dans les données publiques des plateformes.

À l’inverse, l’activité conversationnelle ne prouve pas que chaque interaction a fait gagner du temps. Certains utilisateurs peuvent expérimenter, répéter des invites ayant échoué ou utiliser l’IA pour des tâches de faible valeur.

Les auteurs traitent ces questions en qualifiant la LCE de mesure indicative. Leur contribution est une estimation structurée, et non un résultat définitif de comptabilité nationale.

La cinquième incertitude concerne ceux qui captent les gains. Une productivité plus élevée peut bénéficier aux travailleurs, aux employeurs, aux consommateurs ou aux fournisseurs d’IA.

Les travailleurs en bénéficient lorsque les salaires augmentent, que les horaires s’améliorent ou que les emplois deviennent plus faciles. Les employeurs en bénéficient lorsque la production augmente sans hausse correspondante du coût du travail.

Les consommateurs en bénéficient lorsque les prix baissent ou que la qualité du service s’améliore. Les entreprises technologiques peuvent capter la valeur par les frais et le contrôle des infrastructures essentielles.

La répartition entre ces groupes reste non résolue. Les données d’usage par profession indiquent où l’activité se produit, et non comment le pouvoir de négociation en répartit les rendements.

Cette distinction devrait orienter la couverture de Google News et des autres éditeurs. Une vaste estimation de la productivité ne constitue pas automatiquement une preuve de prospérité partagée.

Qui subit la pression à mesure que la valeur de l’IA se concentre

Les gouvernements et les employeurs subissent désormais la pression de transformer un usage professionnel étroit en capacité organisationnelle plus large.

Pour les gouvernements, ces résultats font de la préparation réglementaire une variable économique plutôt qu’un simple détail de conformité. L’article associe une préparation plus solide à une LCE plus élevée par rapport au PIB.

La préparation réglementaire est également corrélée à une distribution moins concentrée des gains. Les pays préparés semblent mieux placés pour capter la valeur et étendre l’usage à toutes les professions.

La préparation peut inclure des règles claires, la capacité institutionnelle, l’infrastructure numérique, la gouvernance des données et la politique de main-d’œuvre. L’article ne la réduit pas à une réglementation plus légère.

L’incertitude peut retarder une adoption productive lorsque les entreprises ne peuvent évaluer les exigences de responsabilité, de confidentialité ou d’approvisionnement. Des protections faibles peuvent également réduire la confiance et exposer les travailleurs à des préjudices.

L’objectif est donc une gouvernance utilisable. Les organisations ont besoin de règles leur permettant d’expérimenter tout en préservant la responsabilité des décisions ayant des conséquences importantes.

Pour les employeurs, la pression est opérationnelle. Acheter l’accès à un modèle ne crée pas les investissements complémentaires nécessaires à la productivité.

Les dirigeants doivent identifier les tâches adaptées, connecter des informations fiables, former les travailleurs et mesurer les résultats. Ils ont aussi besoin de voies d’escalade lorsque les résultats de l’IA sont incertains.

Ce travail favorise les grandes organisations, car les coûts fixes d’intégration peuvent être répartis entre davantage d’employés. Les petites entreprises ont besoin d’outils mutualisés, de prestataires de services ou d’un soutien public.

La formation mérite une attention particulière. Les travailleurs ont besoin de davantage que de modèles d’invites.

Ils doivent savoir quand utiliser l’IA, quelles informations ils peuvent fournir et comment vérifier les résultats. Ils ont également besoin de connaissances suffisantes dans leur domaine pour détecter des erreurs formulées avec assurance.

Pour les développeurs d’IA, la pression concerne la couverture. Le prochain milliard d’utilisateurs apportera des langues, des institutions et des professions peu représentées dans les systèmes actuels.

Les gains aux benchmarks sur des tâches professionnelles en anglais ne résoudront pas ces lacunes. Les développeurs ont besoin d’évaluations fondées sur le travail local et sur de véritables documents institutionnels.

Pour les travailleurs, la fracture passe de plus en plus par la conception des emplois. L’exposition ne dépend pas seulement de la capacité d’un modèle à exécuter une tâche.

Elle dépend de l’intégration de l’IA par l’employeur dans des processus de travail approuvés. Deux personnes exerçant la même profession peuvent donc recevoir des bénéfices très différents.

Cela crée une nouvelle forme d’inégalité organisationnelle. Les travailleurs des entreprises numériquement matures accumulent de l’expérience avec l’IA, tandis que leurs pairs ailleurs prennent du retard.

Des formations transférables et des compétences reconnues pourraient réduire cette fracture. Les travailleurs ne devraient pas dépendre entièrement d’un seul employeur pour accéder à des outils de plus en plus courants.

Les systèmes éducatifs subissent également la pression. La culture de l’IA doit inclure la vérification, l’évaluation des sources, la gestion des données et la collaboration avec des systèmes automatisés.

Une simple formation aux outils vieillira rapidement. La compétence durable est le jugement permettant de savoir quand un contenu généré par une machine est utile, risqué ou incomplet.

La recherche met également sous pression les prévisions macroéconomiques optimistes. Des gains généralisés exigent une adoption au-delà des enclaves professionnelles à hauts salaires.

Si l’IA reste concentrée, elle peut tout de même créer une valeur considérable. Elle peut cependant approfondir les écarts de productivité entre les entreprises, les régions et les pays.

Une analyse de productivité du CEPR avait précédemment estimé que l’IA pourrait ajouter de 0,25 à 0,6 point de pourcentage à la croissance annuelle de la productivité totale des facteurs.

Cette projection dépendait de la vitesse d’adoption, de la couverture sectorielle et de l’ajustement organisationnel. Les nouvelles données d’usage montrent que ces hypothèses deviennent mesurables.

Elles montrent également pourquoi une diffusion large ne peut être considérée comme acquise. La disponibilité technique n’est que le début de l’adoption économique.

Ce qu’il faut surveiller après le titre de Google News

Trois signaux montreront si la valeur croissante de l’IA devient une productivité largement partagée ou reste concentrée parmi les travailleurs les plus favorisés.

Le premier signal est la prochaine évolution de l’indice de concentration de l’IA. Une baisse continue dans de nombreux pays renforcerait l’hypothèse d’une diffusion plus large.

La composition compte davantage que la moyenne. Une progression dans l’éducation, les ventes, l’administration et les services publics toucherait des segments plus larges de la population active.

Les chercheurs devraient également suivre si les pays à faible revenu s’éloignent de scores proches de 1,0. De petites évolutions dans ces pays pourraient représenter une expansion significative au-delà des cercles professionnels.

Un ACI stable ou en hausse affaiblirait la thèse d’une diffusion généralisée. Cela suggérerait que de meilleurs modèles produisent davantage de valeur sans élargir l’accès entre les professions.

Le deuxième indicateur consiste à déterminer si les gains de temps se traduisent par des salaires, des heures de travail, des prix ou une production mesurée. Les seules données d’utilisation ne permettent pas d’identifier le bénéficiaire final.

Les expérimentations menées par les entreprises devraient rendre compte de la qualité des résultats et de la rémunération, en plus de la rapidité. Les statistiques nationales devront à terme mieux mesurer le travail assisté par l’IA.

Si les salaires augmentent ou que le temps de travail diminue, les salariés captent une partie du bénéfice. Si les prix baissent, les clients peuvent en recevoir le retour.

Si la production augmente tandis que la rémunération et les horaires restent inchangés, les employeurs peuvent capter une plus grande part du gain. Une telle issue accentuerait les préoccupations en matière de répartition.

Le troisième indicateur porte sur les performances dans les langues locales et les contextes institutionnels. Des évaluations plus larges devraient tester les modèles sur des tâches réelles dans des pays sous-représentés.

Le progrès ne se résumerait pas à une conversation fluide. Les modèles doivent gérer correctement les règles, formulaires, terminologies et normes professionnelles locales.

Des systèmes locaux plus performants renforceraient l’interprétation de l’étude selon laquelle la langue constitue un obstacle à la diffusion. Des performances durablement faibles maintiendraient l’adoption concentrée.

La prochaine publication de l’Anthropic Economic Index offrira une nouvelle vérification directionnelle. Des jeux de données comparables provenant d’autres fournisseurs de modèles renforceraient considérablement les preuves.

Google News continuera probablement à publier des estimations plus élevées à mesure que l’usage de l’IA s’étend. Les lecteurs devraient se demander ce que représente chaque chiffre avant de le considérer comme une production économique.

Le chiffre de 2 700 milliards de dollars marque un seuil important. L’usage observé de l’IA est désormais suffisamment large pour impliquer une valeur substantielle du travail mondial selon des hypothèses raisonnables.

Pourtant, les bénéfices de l’IA suivent encore les lignes existantes de revenu, d’infrastructure et d’accès professionnel. La technologie se diffuse, mais l’inclusion économique reste à la traîne.

La question pour les employeurs et les décideurs publics n’est plus de savoir si l’IA crée de la valeur. Elle est de savoir s’ils peuvent mettre en place les compétences, les systèmes et la couverture linguistique nécessaires pour répartir cette valeur.

Surveillez la répartition par profession, et pas seulement le total mis en avant. C’est là que la prochaine phase de l’économie de l’IA deviendra visible.