L’avertissement d’Apollo sur les retombées de l’IA met à l’épreuve l’argument des rendements hors tech

Torsten Slok, économiste en chef d’Apollo, affirme que l’intelligence artificielle n’a généré aucune retombée financière en dehors du secteur technologique, malgré les investissements des entreprises et une adoption généralisée. Publiée le 24 octobre 2026, son analyse oppose l’amélioration des performances financières des géants technologiques à des preuves plus faibles dans le reste des entreprises américaines. L’avertissement d’Apollo sur les retombées de l’IA met sous pression une promesse familière : celle d’un travail individuel accéléré qui se traduirait par de meilleurs résultats pour les entreprises.

Cette conclusion mérite d’être examinée, y compris à l’aune de ses propres limites. Une mise à jour d’octobre d’une vaste enquête internationale auprès d’entreprises fait état de gains de productivité modestes liés à l’IA, plutôt que d’une absence totale de bénéfices. Des expériences menées sur le lieu de travail documentent également des améliorations sur certaines tâches. Aucune de ces conclusions n’établit l’existence d’un vaste boom des profits, mais elles compliquent un rejet catégorique.

Le conflit central porte sur l’écart entre l’utilisation de l’IA et la réalisation d’un rendement. Microsoft et d’autres fournisseurs technologiques peuvent vendre l’accès avant que leurs clients n’aient établi si cet accès améliore leur économie. Pour les acheteurs d’entreprise, les développeurs et les travailleurs du savoir, la question est de savoir si une assistance utile résiste au parcours passant par la vérification, la coordination et les contraintes opérationnelles.

Ce que mesure réellement l’avertissement d’Apollo sur les retombées de l’IA

L’évaluation des retombées de l’IA de Slok compare les Magnificent Seven, un groupe de grandes entreprises technologiques, aux autres composantes du S&P 500. Il décrit une hausse du chiffre d’affaires par salarié et des marges bénéficiaires pour les premières, parallèlement à une performance stable pour les secondes.

Sa note souligne également la faiblesse des éléments attestant d’une contribution de l’IA à une croissance plus large de la productivité. Elle affirme que les dépenses restent concentrées et présente les entreprises traditionnelles comme de plus en plus sensibles aux coûts récurrents d’utilisation des modèles. Il s’agit des interprétations d’Apollo à partir des données, et non des conclusions d’une étude contrôlée sur des déploiements en entreprise.

Apollo identifie un écart entre l’enthousiasme pour l’IA et la performance financière globale, mais sa comparaison n’isole pas les effets de l’IA.

Le chiffre d’affaires par salarié mesure les ventes par rapport au nombre d’employés. Il peut augmenter parce que les salariés deviennent plus productifs, mais aussi en raison d’une hausse des prix, de changements d’effectifs ou de l’externalisation de certaines tâches. Une entreprise peut améliorer ce ratio sans introduire l’IA.

Les marges bénéficiaires introduisent un autre ensemble de facteurs. Les coûts des intrants, la pression concurrentielle, le mix produit et les décisions comptables peuvent faire évoluer les marges indépendamment de l’efficacité des salariés. Un déploiement de l’IA peut réduire une dépense d’exploitation tandis qu’un problème commercial sans lien avec lui annule ce bénéfice.

Les groupes comparés exigent également de la prudence. Les autres entreprises du S&P 500 ne constituent pas un échantillon pur d’entreprises extérieures à la technologie. Les géants technologiques ne représentent pas non plus une expérience propre d’adoption de l’IA. Leurs modèles économiques, leurs positions de marché et leur exposition à la demande d’infrastructures diffèrent de ceux des autres entreprises.

Cela ne rend pas la comparaison d’Apollo sans intérêt. Les graphiques restent utiles pour identifier une tendance financière, tout en limitant leur capacité à en expliquer la cause. Une faiblesse financière générale peut coexister avec des déploiements réussis dans certains services.

Le calendrier importe, car Slok a publié une évaluation des retombées actuelles, plutôt qu’une prévision des capacités techniques ultimes. Son affirmation porte sur la visibilité des bénéfices aujourd’hui. Elle fait donc peser la charge de la preuve sur les résultats actuels, tout en laissant ouverte la trajectoire à plus long terme.

La lecture utile est donc plus étroite que l’implication la plus forte du titre. Apollo conteste les preuves de rendements financiers généralisés. Établir qu’aucune entreprise hors du secteur technologique n’en a bénéficié exigerait une enquête bien plus détaillée.

Les équipes financières font face à un problème de conversion

La pression immédiate s’exerce sur les dirigeants responsables à la fois des investissements technologiques et des résultats opérationnels. Un directeur des systèmes d’information peut démontrer l’adoption par les salariés. Un responsable financier doit encore expliquer ce qui a changé dans l’entreprise.

Le temps économisé ne devient un rendement financier que lorsque l’organisation peut l’utiliser ou capter un autre avantage mesurable.

Prenons l’exemple hypothétique d’une équipe de service qui introduit l’IA pour aider à rédiger les réponses aux clients. Les agents terminent plus rapidement leurs réponses initiales, mais les superviseurs continuent de les examiner. Si les validations restent le goulot d’étranglement, l’entreprise pourrait ne traiter aucune demande supplémentaire.

Ce déploiement peut néanmoins améliorer les conditions de travail ou la qualité des réponses. Ces résultats comptent, mais ils étayent un argument commercial différent de celui d’une augmentation du débit. Une entreprise ne devrait pas les présenter comme interchangeables au seul motif que chaque résultat paraît favorable.

Le problème de conversion apparaît aussi lorsque les salariés accomplissent leur travail existant avec moins d’efforts. Une tâche plus courte ne modifie pas automatiquement les salaires, les besoins en personnel ou la demande des clients. Le bénéfice peut prendre la forme de capacité disponible, d’une baisse des heures supplémentaires ou d’une attention accrue aux cas difficiles.

Chaque résultat nécessite ses propres éléments de preuve. La réduction des heures supplémentaires peut avoir un effet direct sur les dépenses. Un meilleur service peut améliorer la fidélisation au fil du temps. Une capacité disponible a de la valeur lorsqu’une organisation peut la réorienter vers un travail dont les clients ont besoin.

Les développeurs font face à une contrainte comparable. Générer plus rapidement une fonctionnalité d’application ne raccourcit pas nécessairement son parcours à travers l’examen de sécurité, les tests d’intégration et l’approbation de publication. Une production accélérée à une étape non contrainte peut laisser la livraison globale inchangée.

C’est pourquoi les équipes financières devraient distinguer une démonstration prometteuse d’un résultat opérationnel. La démonstration montre qu’un outil peut réaliser une tâche. Le résultat opérationnel montre si son utilisation modifie la performance d’un flux de travail réel.

L’économie du fournisseur est différente. Microsoft, Google et d’autres prestataires peuvent tirer des revenus de l’utilisation par un client tandis que ce client continue d’évaluer les bénéfices. Leur succès commercial et le rendement de l’acheteur relèvent de comptes liés mais distincts.

La même distinction s’applique aux fournisseurs de modèles concurrents. Un modèle techniquement plus performant peut résoudre un problème difficile qui justifie son utilisation. Un autre flux de travail peut n’avoir besoin que d’une récupération fiable et d’une réponse courte, rendant toute capacité supplémentaire économiquement sans pertinence.

Les acheteurs font donc face à une décision plus précise que celle d’adopter ou non l’IA. Ils doivent identifier la contrainte qu’ils attendent de cette technologie qu’elle supprime. Si le déploiement proposé ne traite pas cette contrainte, les chiffres d’adoption offrent peu de réassurance.

Cela déplace la pression vers les choix d’approvisionnement et de déploiement. Une entreprise a besoin d’une raison pour étendre une application qui fonctionne, d’une raison pour revoir une application peu performante et d’un moyen d’arrêter. Sans ces distinctions, un pilote peut continuer à générer de l’activité sans produire de résultat défendable.

De nouvelles données d’entreprises nuancent l’affirmation d’une absence de retombées

La réserve la plus importante vient de recherches qui examinent les entreprises plus directement. La révision d’octobre 2026 de la recherche sur l’adoption de l’IA par les entreprises porte sur près de 9 000 cadres dirigeants dans sept pays. Les auteurs incluent Ivan Yotzov, Jose Maria Barrero, Nicholas Bloom et leurs collaborateurs.

L’article mis à jour indique que 78 % des entreprises interrogées utilisent l’IA. Les dirigeants attribuent à l’adoption une hausse annuelle de 0,2 % de la croissance de la productivité du travail au cours des trois années précédentes. Ils anticipent une contribution annuelle plus élevée, de 0,6 %, au cours des trois années suivantes.

Ces conclusions décrivent un bénéfice déclaré modeste. Elles ne décrivent pas une économie transformée par l’IA. Elles ne permettent pas non plus de considérer comme absents tous les gains de productivité des entreprises.

Les données actualisées affaiblissent une affirmation littérale d’absence totale de retombées, tout en laissant non prouvé l’argument d’une transformation financière généralisée.

La date de révision de l’étude compte. Les premières couvertures décrivaient une enquête plus réduite et soulignaient des effets observés limités. Rapporter les anciennes conclusions sans vérifier l’article actualisé ferait manquer un changement important dans les éléments de preuve disponibles.

Les auteurs constatent également une concentration des dépenses. Seulement 2 % des entreprises représentent plus de la moitié des dépenses déclarées en IA. Cette concentration justifie la prudence lorsqu’on utilise l’activité intense de grands adoptants pour caractériser l’entreprise typique.

Toutefois, l’enquête ne tranche pas l’argument d’Apollo. Les dirigeants font état d’effets perçus sur la productivité, et ces évaluations ne sont pas équivalentes à des gains financiers vérifiés de manière indépendante. Les répondants peuvent surestimer les bénéfices, ne pas les percevoir ou attribuer à l’IA des changements sans rapport avec elle.

La productivité du travail, c’est-à-dire la production par rapport aux intrants de travail, diffère également de la rentabilité. Une entreprise peut produire plus efficacement tout en dépensant davantage en logiciels et en mise en œuvre. La pression concurrentielle peut ensuite transmettre une partie du bénéfice aux clients grâce à un meilleur service ou à des prix plus bas.

Les pays et les entreprises de l’enquête diffèrent de la comparaison boursière d’Apollo. Les mesures traitent de questions liées à travers des échantillons et des méthodes différents. Leurs résultats devraient être examinés conjointement sans prétendre que l’un reproduit directement l’autre.

Une enquête auprès de dirigeants aide à révéler l’adoption et les attentes de la direction. Les états financiers montrent les résultats des entreprises, mais isolent rarement la contribution d’une technologie particulière. Les expériences contrôlées peuvent identifier plus clairement des effets locaux, bien que leurs conclusions aient des limites plus étroites.

Pour les acheteurs, cette combinaison plaide contre la complaisance comme contre le rejet. Certains bénéfices mesurables apparaissent dans les données, mais leur ampleur et leur répartition exigent de l’attention. Un effet moyen modeste laisse place à des applications réussies aux côtés de déploiements qui produisent peu de résultats.

L’implication commerciale est simple. Les fournisseurs ne peuvent pas établir les rendements de leurs clients en invoquant uniquement une utilisation croissante. Les sceptiques ne peuvent pas établir un échec universel en invoquant uniquement des marges agrégées stables. Les deux positions exigent un lien plus clair entre déploiement et résultat.

Les gains sur le lieu de travail ne suffisent pas à prouver les profits des entreprises

Une étude publiée sur le support client fournit un exemple concret d’amélioration par l’IA d’un flux de travail défini. Erik Brynjolfsson, Danielle Li et Lindsey Raymond examinent un assistant conversationnel utilisé par 5 172 agents. Leur étude sur la productivité du support client fait état d’une augmentation moyenne de 15 % du nombre de problèmes résolus par heure.

Les gains varient selon les travailleurs. Les agents moins expérimentés et moins qualifiés améliorent à la fois leur rapidité et leur qualité. Les agents les plus expérimentés et les plus qualifiés obtiennent des gains de rapidité plus faibles, accompagnés de légères baisses de qualité.

L’IA peut améliorer une tâche opérationnelle sans établir le rendement pour chaque salarié, entreprise ou secteur.

Cette variation compte pour le déploiement. Un outil qui aide un nouvel employé à trouver une réponse appropriée peut offrir moins d’assistance à un collègue expérimenté. Appliquer le bénéfice moyen à chaque salarié masquerait une différence importante.

Le résultat correspond aussi plus étroitement au travail qu’une mesure générique de l’engagement. Les problèmes clients résolus relient l’assistance à une activité de service achevée. Un décompte des suggestions générées laisserait un écart bien plus important entre le comportement de l’outil et la valeur pour l’entreprise.

Même ici, productivité et profit restent distincts. L’amélioration signalée ne fournit pas automatiquement une estimation des marges à l’échelle de l’entreprise. Ce calcul nécessiterait des informations sur le déploiement, les coûts d’utilisation, la supervision et la valeur d’une capacité de service supplémentaire.

L’étude porte également sur l’assistance client dans une entreprise de logiciels. Elle démontre un mécanisme pertinent pour d’autres contextes de services, mais n’établit pas de manière indépendante des résultats dans les secteurs non technologiques. Étendre ses conclusions exige des données probantes issues de ces contextes.

Une expérience plus vaste en milieu professionnel aboutit à un résultat différent mais complémentaire. Eleanor Wiske Dillon, Sonia Jaffe, Nicole Immorlica et Christopher Stanton étudient 7 137 travailleurs du savoir dans 66 entreprises. Leur expérience sur l’IA au travail a fourni aléatoirement l’accès à un assistant intégré à des applications familières.

Au cours de la période ultérieure de l’expérience, les utilisateurs actifs parmi les travailleurs traités ont consacré deux heures de moins par semaine aux e-mails. Les chercheurs font également état d’une réduction du travail en dehors des horaires habituels. Ils n’ont pas détecté de changements plus larges dans la quantité ou la composition des tâches du fait de l’accès individuel.

La distinction est importante. Passer moins de temps sur les e-mails peut bénéficier à un salarié sans entraîner de ventes supplémentaires ni de projets achevés. Réduire le travail en dehors des horaires normaux peut aussi avoir de la valeur sans apparaître comme une hausse immédiate des bénéfices de l’entreprise.

Ensemble, ces études montrent pourquoi une seule étiquette de productivité peut brouiller le débat. Résolution plus rapide, diminution de l’effort consacré aux e-mails, amélioration de la qualité et hausse des profits décrivent des résultats différents. La preuve de l’un ne devrait pas devenir silencieusement la preuve de tous les autres.

Pour les équipes en entreprise, l’enjeu concerne la mesure. Un résultat pertinent devrait suivre l’objectif du déploiement. Un assistant de support devrait être évalué avec des indicateurs de service ; un assistant de recherche devrait être évalué selon la qualité des preuves et l’utilité de ses résultats.

Cette distinction s’applique aussi à une base de connaissances consultable. Trouver un document est un événement intermédiaire. Le bénéfice organisationnel dépend du fait que cette information aide quelqu’un à résoudre un problème, éviter de refaire un travail ou prendre une décision.

La promesse sous pression est la conversion automatique de l’assistance en retours financiers. Ces études montrent des effets utiles dans certaines conditions. Elles montrent aussi pourquoi les entreprises doivent examiner le reste du flux de travail avant de projeter un gain plus large.

Les indicateurs généraux ne peuvent pas trancher clairement sur l’IA

L’argument sceptique demeure solide même après avoir reconnu les tâches couronnées de succès. Les entreprises opèrent sous des contraintes qu’un assistant ne peut pas éliminer à lui seul. Un brouillon plus rapide peut toujours attendre une approbation, et une production accrue peut toujours se heurter à une demande limitée.

Les données du Danemark soulignent une autre limite. Anders Humlum et Emilie Vestergaard relient des enquêtes sur l’adoption à des données administratives du marché du travail. Leurs recherches sur les effets de l’IA sur le travail constatent des changements généralisés dans le travail, sans effets détectables sur les revenus ou les heures enregistrées.

Ces résultats ne mesurent pas tous les bénéfices qu’une entreprise ou un salarié pourrait recevoir. Ils remettent toutefois en question l’hypothèse selon laquelle l’adoption produit rapidement des changements visibles dans les mesures conventionnelles du marché du travail. Le travail peut changer avant les salaires ou les horaires enregistrés.

De faibles indicateurs généraux limitent les affirmations sur un boom de l’IA, mais ils n’identifient pas la performance de chaque déploiement.

Apollo évoque également la productivité totale des facteurs, une mesure de la croissance de la production au-delà des changements mesurés dans les apports de travail et de capital. Sa version ajustée de l’utilisation tient compte des variations de l’intensité avec laquelle ces apports sont employés. Cela aide à séparer certaines influences cycliques de l’efficacité sous-jacente.

Cette mesure demeure plus large que l’IA. D’autres technologies, changements organisationnels, problèmes de mesure et conditions économiques influencent le résultat. Une série à l’échelle de l’économie ne peut pas identifier directement ce qui s’est produit après qu’une entreprise donnée a introduit un assistant.

Les données de mesure de la productivité illustrent cette distinction. Au cours des quatre trimestres se terminant au deuxième trimestre de 2026, la productivité totale des facteurs non ajustée a progressé de 1,42 %. Son équivalent ajusté de l’utilisation a reculé de 0,07 %.

Cette divergence montre pourquoi le choix de la mesure importe. Elle ne montre pas que la productivité ordinaire a cessé de croître, ni que l’IA a provoqué l’un ou l’autre résultat. Une affirmation sur l’IA nécessite un argument supplémentaire reliant l’adoption au changement économique observé.

Il existe également un problème de temporalité. Les résultats financiers peuvent suivre le déploiement avec un décalage, en particulier lorsque les entreprises modifient les responsabilités ou les systèmes. Pourtant, un gain futur non spécifié ne peut pas justifier indéfiniment toutes les dépenses actuelles.

Les deux camps doivent apporter des preuves. Les défenseurs ont besoin de données montrant que les bénéfices résistent aux coûts opérationnels et aux contraintes organisationnelles. Les critiques ont besoin de preuves avant d’interpréter l’absence d’un signal agrégé comme un échec universel.

La qualité introduit une autre complication. Un système qui produit davantage de contenu peut aussi créer davantage de travail de vérification. Si l’organisation ne mesure que la vitesse de génération, elle peut ignorer l’effort nécessaire pour corriger des affirmations non étayées ou des décisions incohérentes.

Le problème inverse existe aussi. Un assistant peut aider un employé à éviter une erreur coûteuse ou à servir un client difficile. Une mesure étroite de la vitesse pourrait passer à côté de ce bénéfice. Une évaluation crédible nécessite des résultats qui reflètent le travail réel.

Ces limites devraient rendre les reportages plus précis. Une affirmation sur les profits devrait s’appuyer sur des preuves financières. Une affirmation sur la vitesse d’exécution devrait identifier la tâche. Une affirmation sur une transformation économique devrait traiter de l’ampleur et de la répartition de l’adoption.

L’avertissement d’Apollo est le plus solide lorsqu’il conteste le passage d’une activité visible à des retours généralisés. Il est plus faible lorsqu’il est interprété comme une preuve que des gains utiles n’existent pas. Les données disponibles justifient d’examiner le processus de conversion, plutôt que de rendre un verdict universel.

Les prochaines données devront relier les dépenses aux résultats

Au cours de la prochaine période de publication des résultats, le débat devrait reposer sur des changements observables plutôt que sur des déclarations concurrentes. Les signaux pertinents concernent les résultats pour les clients, la répartition des gains et l’économie d’une utilisation continue. Ensemble, ils peuvent distinguer des réussites sélectives d’un gain financier généralisé.

Les preuves décisives relieront l’utilisation de l’IA au travail achevé et aux résultats financiers dans un éventail plus large d’entreprises.

Premièrement, surveillez les prochaines publications de résultats d’entreprises autres que les grands fournisseurs technologiques. Les informations les plus utiles relieraient un déploiement identifié à une mesure opérationnelle et expliqueraient les coûts associés. Les déclarations générales sur l’adoption par les employés constitueraient des preuves bien plus faibles.

Un détaillant, un assureur ou un fabricant pourrait renforcer l’argument en expliquant où un flux de travail s’est amélioré et comment cela a affecté la performance de l’entreprise. Le lien importe davantage qu’une affirmation isolée sur des heures économisées. Les lecteurs devraient aussi rechercher une discussion des exigences de vérification et de l’effort de mise en œuvre.

Des publications répétées de ce type affaibliraient l’interprétation la plus large de l’avertissement d’Apollo. Une dépendance persistante à un langage vague sur l’efficacité laisserait intacte sa préoccupation centrale. La seule croissance des revenus des fournisseurs ne répondrait pas à la question du retour sur investissement pour les clients.

Deuxièmement, observez si les enquêtes ultérieures auprès des entreprises montrent que les gains se diffusent au-delà des adoptants les plus intensifs. La mise à jour de recherche d’octobre suggère déjà des bénéfices de productivité signalés mais modestes. La prochaine question concerne leur étendue, leur durabilité et leur lien avec des résultats opérationnels réels.

Une moyenne en hausse mériterait l’attention, mais la répartition resterait importante. Des bénéfices concentrés dans un groupe étroit décriraient une économie différente de gains étendus aux entreprises ordinaires. Des échantillons représentatifs peuvent aider à empêcher des récits de succès très visibles de se substituer aux résultats typiques.

Les révisions d’enquêtes exigent également des comparaisons prudentes. Un échantillon de pays ou une formulation de question modifiés peuvent changer le tableau rapporté. Les lecteurs devraient comparer des mesures équivalentes avant d’interpréter un nouveau chiffre comme une accélération ou un renversement.

Troisièmement, observez si les déploiements étendus améliorent leur rentabilité à mesure que l’utilisation augmente. Générer davantage de résultats ne suffit pas si l’effort de vérification et de correction augmente parallèlement. Le signal significatif est une amélioration du travail utile achevé par rapport aux ressources nécessaires.

Cela s’applique particulièrement aux systèmes autorisés à agir dans différents logiciels d’entreprise. Un déploiement convaincant montrerait une exécution fiable, une intervention humaine maîtrisable et un bénéfice clair pour le flux de travail. Une démonstration qui réussit sous une supervision étroite répond à une question plus limitée.

Les renouvellements, réductions et annulations fourniront également des indices, même si chacun exige du contexte. Un contrat renouvelé peut refléter une valeur perçue, la difficulté de changer de solution ou une évaluation inachevée. Une annulation peut refléter une mauvaise mise en œuvre plutôt qu’un échec de la technologie sous-jacente.

Pour les travailleurs du savoir, l’implication pratique est de maintenir visible le lien entre l’assistance et les résultats. Un flux de travail de gestion des connaissances personnelles peut organiser des contenus utiles, mais l’organisation seule n’établit pas un retour financier. Les preuves deviennent plus solides lorsque un meilleur accès modifie une décision ou un livrable réel.

Lisez la prochaine affirmation de réussite de l’IA en gardant son dénominateur à l’esprit. Demandez quel travail s’est amélioré, dont l’effort a changé et quels coûts sont restés. Distinguez un travailleur qui termine plus tôt d’une entreprise qui gagne davantage, tout en reconnaissant que les deux résultats peuvent compter. Le débat sur le retour sur investissement de l’IA selon Apollo deviendra plus clair lorsque les entreprises expliqueront systématiquement ce lien. D’ici là, comparez les affirmations d’adoption au travail achevé, les économies déclarées aux résultats opérationnels, et gardez visibles les limites de chaque étude. Lorsqu’une organisation présente son prochain déploiement, demandez quel résultat il devait modifier et quelles preuves montrent qu’il l’a fait. Qu’est-il arrivé après que le brouillon plus rapide, le document retrouvé ou la réponse générée a atteint le reste de l’entreprise ?