top of page

L’estimation de croissance liée à l’IA de Bloomberg Economics place l’investissement britannique devant les preuves de productivité

il y a 50 minutes
14 min de lecture
Illustrative photograph. Photo: RDNE Stock project / Pexels.

Bloomberg Economics estime que les activités liées à l’IA ont généré environ un quart de la croissance du Royaume-Uni cette année, plaçant l’investissement technologique devant les preuves de gains de productivité à grande échelle. Son calcul rapporté attribue 0,45 point de pourcentage d’une expansion d’environ 1,8 % à des activités liées à l’intelligence artificielle. L’estimation de croissance liée à l’IA de Bloomberg Economics décrit une contribution à la croissance économique, et non la part de l’IA dans l’ensemble de l’économie.

Cette distinction change le récit. Construire des infrastructures, développer des logiciels et installer des systèmes génèrent de l’activité économique avant que les clients ne démontrent des améliorations durables de leurs propres opérations. La Grande-Bretagne peut tirer profit de la fourniture de solutions d’IA tandis que les entreprises du reste de l’économie continuent d’en tester l’utilité. Dépenses et productivité sont liées, mais elles répondent à des questions différentes.

La Banque d’Angleterre offre un point de référence utile. Son analyse de novembre identifie également une contribution de l’IA, tout en distinguant le développement technologique des bénéfices chez les entreprises qui l’adoptent. La tension centrale oppose donc une croissance tirée par l’investissement à des gains de productivité démontrés. Cela exerce une pression sur les fournisseurs pour maintenir la demande, sur les acheteurs pour documenter les résultats et sur les décideurs publics pour expliquer ce que le titre établit réellement.

Ce que mesure l’estimation de croissance liée à l’IA de Bloomberg Economics

Les chiffres attribués à Bloomberg Economics sont apparus dans des articles datés du 11 novembre. Une reprise contemporaine de l’estimation de croissance liée à l’IA décrit des activités allant de la construction de centres de données au développement de modèles.

Le titre porte sur une part de la croissance supplémentaire, et non sur un quart de la production économique existante de la Grande-Bretagne.

Le produit intérieur brut, ou PIB, mesure la valeur des biens et services produits au sein d’une économie. Une contribution à sa croissance mesure une partie de l’évolution de cette production. Confondre cette évolution avec le total transforme un important récit technologique en une affirmation non étayée de dépendance économique.

Le calcul derrière le titre est simple. Diviser la contribution rapportée de 0,45 point de pourcentage par une croissance d’environ 1,8 % donne un quart. La difficulté se situe en amont de ce calcul : déterminer quelles activités appartiennent à la catégorie de l’IA et quelle part de la croissance leur attribuer.

Un point de pourcentage mesure l’écart entre des taux en pourcentage. Il ne peut pas être assimilé à une variation en pourcentage des ventes d’un secteur. Distinguer ces unités est important lorsqu’on compare une estimation à l’échelle d’une économie avec des résultats d’entreprise ou des secteurs individuels.

Le calendrier exige également de la prudence. Il s’agit d’un rapport publié avant la fin de 2026, qui examine la croissance de cette année. Les lecteurs devraient éviter de le transformer implicitement en résultat annuel définitif des comptes nationaux. Les publications ultérieures peuvent modifier à la fois le tableau général de la croissance et sa composition apparente.

Plus fondamentalement, l’attribution n’établit pas ce qu’aurait été une économie sans IA. Une telle comparaison nécessiterait des hypothèses sur les dépenses alternatives, l’emploi, l’investissement et la demande. Les ressources consacrées à la technologie auraient pu soutenir d’autres activités, rester inutilisées ou être transférées à l’étranger.

Cela ne rend pas la contribution rapportée dénuée de sens. Cela signifie que l’estimation répond à une question plus étroite que celle de savoir si l’IA a créé un montant équivalent de prospérité autrement impossible. L’information économique devient plus utile lorsque ces questions restent distinctes.

Le périmètre rapporté compte également pour les lecteurs qui s’attendent à un récit entièrement centré sur les chatbots. Les infrastructures de données, le développement logiciel, le travail d’implémentation et les applications destinées aux clients occupent des positions différentes dans une même chaîne d’approvisionnement. Une contribution à la croissance associée à cette chaîne ne provient pas nécessairement principalement d’employés utilisant des outils conversationnels.

La lecture appropriée est donc importante, mais circonscrite. Bloomberg Economics identifie les activités liées à l’IA comme un contributeur important à l’expansion récente du Royaume-Uni. Le titre seul n’établit pas que l’adoption a déjà accru la productivité dans l’ensemble des entreprises britanniques.

Cette distinction soulève la question suivante : les données économiques officielles confirment-elles l’orientation du récit, même sans en valider l’attribution précise ?

Les données officielles sur la croissance confirment l’orientation, avec des limites

L’Office for National Statistics a publié sa première estimation pour le troisième trimestre le 12 novembre. Ses chiffres trimestriels du PIB montrent une hausse de la production réelle de 0,7 % par rapport au trimestre précédent.

Les statistiques officielles identifient une vigueur dans les secteurs liés à l’IA tout en limitant explicitement ce qu’elles peuvent quantifier.

L’ONS identifie la programmation informatique, le conseil et les activités connexes comme un moteur important. Il rapporte aussi des éléments reliant un fort chiffre d’affaires des entreprises à l’intelligence artificielle et au cloud computing. Toutefois, ses méthodes de collecte n’isolent pas l’impact exact de ces activités.

Cette combinaison mérite l’attention. Elle fournit une base officielle pour prendre au sérieux le lien avec la technologie, tout en empêchant qu’une contribution précise de l’IA ne devienne une conclusion officielle. Une classification sectorielle peut inclure à la fois du travail lié à l’IA et des activités sans rapport.

Le chiffre d’affaires, c’est-à-dire les revenus des ventes, diffère également de la valeur économique ajoutée par une entreprise. Les revenus d’une entreprise peuvent refléter des intrants achetés autant que sa propre contribution. Un chiffre d’affaires élevé apporte des éléments sur l’activité, mais sa traduction en croissance nationale exige des mesures supplémentaires.

L’écart est particulièrement pertinent pour les entreprises qui vendent des services mixtes. Un cabinet de conseil peut mettre en œuvre l’IA parallèlement à des logiciels conventionnels, à la gestion de données et à la maintenance. Un contrat client peut combiner ces fonctions sans attribuer chaque paiement à une catégorie technologique distincte.

Le même problème apparaît du point de vue de l’acheteur. Une entreprise peut présenter un projet de modernisation comme un investissement dans l’IA alors qu’une part importante du travail concerne des systèmes plus anciens. Connecter des bases de données, nettoyer les enregistrements et modifier les autorisations peut soutenir le déploiement de l’IA sans lui être exclusif.

Ces exemples décrivent des problèmes de mesure, plutôt que des constats sur des entreprises particulières. Ils expliquent pourquoi les statisticiens officiels peuvent observer une tendance tout en refusant de publier un total exact pour l’IA.

Pour les décideurs publics, cela crée une pression immédiate sur le choix des termes. Dire que des services liés à la technologie ont soutenu la croissance est plus conforme aux preuves qu’affirmer que l’IA a transformé l’efficacité nationale. L’affirmation plus forte exige des informations supplémentaires sur la production, les intrants et des performances durables.

Pour les fournisseurs, les données officielles confirment l’existence d’une demande sans en garantir la durabilité. Les revenus générés pendant l’installation n’impliquent pas automatiquement une valeur récurrente pour le client. Les acheteurs doivent encore décider si le nouveau système justifie une utilisation continue.

Pour les travailleurs, une activité plus forte dans les services technologiques ne tranche pas les questions de salaires, de sécurité de l’emploi ou d’opportunités ailleurs. Un total national regroupe des entreprises aux expériences différentes. Son amélioration peut coexister avec des pressions au sein de secteurs individuels.

Les éléments de l’ONS renforcent le récit général de l’événement : l’activité économique liée à l’IA est devenue visible dans le débat britannique sur la croissance. Ils laissent ouverte la question plus déterminante de la productivité.

Cette question exige d’examiner ce que les entreprises produisent, plutôt que de traiter chaque achat technologique comme la preuve que son client opère désormais plus efficacement.

Construire l’IA et bénéficier de l’IA suivent des rythmes différents

Le rapport de novembre de la Banque d’Angleterre fournit un cadre pour séparer ces étapes. Son analyse de l’activité liée à l’IA utilise un indicateur indirect, combinant plusieurs secteurs liés à la technologie.

Après ajustement pour leur expansion sous-jacente, la Banque estime que les nouvelles activités liées à l’IA représentent un peu moins d’un cinquième de la croissance depuis le début de 2026. Elle avertit que ces secteurs comprennent également d’autres activités.

La distinction centrale de la Banque oppose la fourniture de systèmes d’IA à l’obtention de gains plus larges grâce à leur utilisation.

Son évaluation situe la contribution observée principalement dans le développement et l’implémentation. Les bénéfices de productivité plus larges au sein des entreprises qui adoptent ces outils restent moins établis. Cela aide à expliquer pourquoi une économie peut enregistrer une croissance liée à l’IA avant qu’une amélioration générale de l’efficacité ne devienne évidente.

L’estimation de la Banque diffère du quart attribué à Bloomberg Economics. Ces chiffres ne doivent pas devenir des scores concurrents avec un vainqueur évident. Sans définitions, couvertures, méthodes d’ajustement et périodes harmonisées, leur écart ne permet pas d’établir quelle estimation est supérieure.

Pour les lecteurs, leur orientation commune est plus informative qu’un concours de précision artificielle. Toutes deux signalent une contribution économique associée à l’activité liée à l’IA. Aucun titre ne supprime la nécessité de distinguer l’offre technologique des résultats obtenus par les clients.

Prenons l’exemple illustratif d’un projet logiciel dans une entreprise de services professionnels. Employer des spécialistes pour connecter des systèmes internes crée du travail pour ces spécialistes. Leur activité existe même si le client n’a pas encore réduit les délais ni amélioré la qualité du service.

Les gains de productivité du client émergent d’un processus distinct. La productivité désigne la production rapportée aux intrants, comme le travail achevé par heure. Établir une amélioration exige de mesurer l’ensemble du flux de travail, y compris la vérification, les corrections, la formation et la maintenance continue.

Un brouillon plus rapide ne règle pas ce calcul. Si les réviseurs consacrent davantage de temps à le corriger, l’amélioration à une étape peut disparaître sur l’ensemble du processus. Si le brouillon permet d’accomplir un travail plus utile avec des ressources similaires, les arguments deviennent plus solides.

Cette distinction clarifie également ce que les entreprises devraient demander aux fournisseurs. Les démonstrations montrent qu’un système peut réaliser une tâche sélectionnée. Les preuves opérationnelles montrent s’il fonctionne de manière fiable dans les contraintes réelles de l’acheteur.

Le fournisseur et le client peuvent donc connaître des résultats économiques différents à partir du même contrat. Le fournisseur enregistre une activité lorsqu’il fournit le travail. Le client doit absorber l’effort d’implémentation avant de découvrir si le projet améliore ses opérations.

Un travailleur du savoir qui organise ses recherches fait face à un défi apparenté. Une meilleure recherche peut réduire les recherches répétées, mais le résultat pertinent inclut la qualité des sources et le temps nécessaire pour vérifier les réponses. Un cadre pratique de base de connaissances IA aide à définir le flux de travail évalué.

Cet exemple n’établit pas un résultat national de productivité. Il montre pourquoi le chemin qui mène de la technologie achetée à une amélioration mesurable passe par des tâches spécifiques, des enregistrements et des décisions organisationnelles.

L’importance économique du déploiement est réelle. Sa conversion en gains clients durables demeure une étape distincte, avec une charge de preuve distincte.

La concentration des dépenses accroît les enjeux pour les fournisseurs et les acheteurs

L’ampleur de l’investissement compte autant que sa croissance. Un marché soutenu par de nombreux acheteurs indépendants présente une exposition différente de celle d’un marché dominé par un petit groupe de gros dépensiers.

Une étude publiée par le CEPR le 7 novembre examine cette question à travers des enquêtes auprès des entreprises. Son analyse de la concentration des dépenses en IA estime que moins de 2 % des entreprises représentent la moitié des dépenses prévues en IA dans chaque pays étudié.

Ces pays sont le Royaume-Uni et les États-Unis. La notion de dépense sous-jacente inclut les achats de technologies et le soutien à l’adoption. Les dépenses prévues ne sont pas équivalentes aux dépenses réalisées ni à la valeur économique créée sur le territoire national.

La concentration rend les décisions des grands clients particulièrement déterminantes pour la prochaine phase de la demande.

Elle ne prouve pas que l’investissement est excessif. Les grandes organisations peuvent compter davantage d’utilisateurs, disposer de systèmes plus complexes et avoir plus de possibilités de répartir les coûts de déploiement. Les dépenses peuvent se concentrer parce que l’activité économique elle-même est concentrée.

Cependant, la concentration modifie la manière dont un ralentissement se propagerait. Si les principaux acheteurs reportent simultanément leurs projets, les fournisseurs peuvent subir des pressions même si les petites entreprises continuent d’expérimenter. Un intérêt généralisé ne remplace pas nécessairement la demande générée par les grands contrats.

La comparaison pertinente porte donc sur l’étendue de l’adoption et la répartition des dépenses. Une entreprise qui utilise occasionnellement une fonctionnalité d’IA relève d’une catégorie de demande différente de celle qui réorganise ses opérations autour de cette technologie.

Cette distinction importe lors de l’interprétation des enquêtes. Une question sur l’utilisation de l’IA par une entreprise mesure sa présence. Une question sur les dépenses mesure l’engagement selon une autre perspective. Aucune ne mesure directement le rendement financier ou opérationnel.

La concurrence entre fournisseurs complique encore le tableau. Les prestataires d’infrastructure, les développeurs de logiciels et les spécialistes de la mise en œuvre vendent des apports différents à une même transition. Leurs revenus ne doivent pas être considérés comme des preuves interchangeables de la productivité des utilisateurs finaux.

Un fournisseur d’infrastructure peut bénéficier d’une demande future anticipée. Une entreprise de mise en œuvre peut profiter de clients ayant besoin d’aide face à la complexité. Un fournisseur d’applications dépend plus directement de l’utilisation répétée d’un flux de travail particulier.

Ces modèles économiques exposent les investisseurs et les clients à des incertitudes différentes. Les activités de construction peuvent précéder l’utilisation effective. La demande de mise en œuvre peut refléter la difficulté autant que l’opportunité. La rétention des abonnements peut révéler un intérêt persistant sans faire apparaître le coût total de la supervision humaine.

Pour les acheteurs d’entreprise, la concentration des dépenses soulève également une question pratique concernant les groupes de comparaison. Les résultats d’une grande organisation dotée d’équipes techniques dédiées ne se transposent pas nécessairement à une petite entreprise. Les ressources environnantes font partie du déploiement.

Pour les fournisseurs, cela accroît la pression sur la qualité des preuves apportées par les clients. L’annonce de nouveaux contrats répond à la demande d’aujourd’hui. La démonstration de renouvellements, d’une utilisation soutenue et de résultats clients répond à la demande après l’installation.

Aucune de ces distinctions ne prédit un effondrement de l’investissement. Elles expliquent pourquoi une croissance liée au développement des infrastructures mérite un examen plus attentif que ne le permet un seul titre national.

L’estimation de la croissance liée à l’IA de Bloomberg Economics devient plus utile lorsqu’elle est lue parallèlement à la répartition de la demande. Une contribution significative peut coexister avec une adoption inégale, des dépenses concentrées et des rendements clients non résolus.

L’écart de productivité est un problème de mesure et un test pour les entreprises

La comparaison historique invite à la patience sans garantir le succès. Dans un discours du 13 novembre, le vice-président de la Réserve fédérale, Philip Jefferson, a évoqué l’intervalle entre l’investissement technologique et une transformation organisationnelle plus large.

Son analyse de la technologie et de la productivité décrit comment les entreprises se sont réorganisées autour des ordinateurs au fil du temps. La comparaison suggère que l’achat d’équipements et la refonte de la production constituent des étapes distinctes.

Un retard dans l’apparition de preuves générales de gains de productivité ne réfute ni la valeur de l’IA ni ne garantit qu’un bénéfice futur est inévitable.

C’est la position sceptique appropriée pour le cas britannique. Les dépenses initiales peuvent soutenir des améliorations ultérieures. Elles peuvent aussi financer des projets décevants, qui dupliquent des capacités existantes ou exigent davantage de supervision que prévu.

Les éléments nécessaires pour distinguer ces résultats se trouvent plus près des opérations que de la communication. Les transactions réalisées, un service fiable, une production utile et les ressources consommées offrent une base d’évaluation plus solide que le nombre de fonctionnalités disponibles.

Une évaluation équitable préserve également la comparaison d’origine. Si une entreprise modifie simultanément ses effectifs, son mix de clientèle et ses logiciels, il devient difficile d’attribuer le résultat à l’IA. Des entreprises performantes peuvent adopter de nouvelles technologies tout en s’améliorant pour d’autres raisons.

Le problème inverse importe aussi. Un outil utile peut arriver dans une période de faible demande, laissant la performance globale de l’entreprise stable. Sans éléments au niveau des tâches, les observateurs pourraient conclure à tort que l’outil n’a rien apporté.

Ces difficultés rendent l’attribution complexe, tant au niveau des entreprises qu’au niveau national. Elles ne justifient pas l’abandon de la mesure. Elles plaident pour relier des preuves opérationnelles plus ciblées à des statistiques plus larges plutôt que de substituer les unes aux autres.

L’estimation de la croissance liée à l’IA de Bloomberg Economics se situe du côté le plus large de ce lien. Elle attire l’attention sur l’activité associée à la technologie. Elle n’identifie pas, à elle seule, les flux de travail ayant produit des améliorations durables ni les investissements qui conserveront leur valeur.

Pour un développeur, la pression pratique concerne le travail achevé plutôt que le seul code généré. L’effort de revue, les défauts, la maintenance et le délai de livraison influencent tous le résultat. Une amélioration apparente de la vitesse devient plus convaincante lorsqu’elle résiste à ces vérifications.

Pour un acheteur d’entreprise, la pression concerne l’intégration dans le travail ordinaire. Un projet pilote peut s’appuyer sur des participants particulièrement engagés et sur un soutien important. La poursuite de l’exploitation teste si le flux de travail reste utile dans des conditions habituelles.

Pour les travailleurs du savoir, la pression concerne la fiabilité autant que la commodité. Produire rapidement une réponse importe moins si retrouver les éléments qui l’étayent prend davantage de temps. La recherche, la synthèse, la revue et la correction font partie de la même évaluation.

Il s’agit de critères d’évaluation illustratifs, et non d’affirmations selon lesquelles un produit particulier a réussi ou échoué. Ils maintiennent la discussion ancrée dans des résultats que les entreprises peuvent examiner.

L’implication politique découle de la même distinction. Encourager les infrastructures et soutenir une adoption efficace répondent à des problèmes liés, mais la réussite de l’un n’établit pas celle de l’autre.

Le bénéfice économique immédiat du Royaume-Uni mérite d’être reconnu. Son importance à plus long terme dépend de la capacité de l’activité à passer de la fourniture de systèmes à des améliorations durables dans les entreprises qui les utilisent.

Trois signaux permettront de déterminer si les gains se diffusent

La prochaine phase exige des éléments précis plutôt qu’une nouvelle série de prévisions toujours plus assurées. Au cours des prochains mois, les révisions officielles, les informations communiquées par les clients et les résultats opérationnels aideront à distinguer la poursuite du développement des infrastructures de gains plus larges.

La confirmation la plus solide relierait une activité technologique soutenue à des améliorations mesurables en dehors de la chaîne d’approvisionnement technologique.

Premièrement, surveillez les prochaines publications et révisions officielles des comptes nationaux. Le bulletin trimestriel de l’ONS indique le 22 décembre comme prochaine date de publication prévue. Des données sectorielles actualisées aideront à déterminer si la tendance résiste à l’arrivée d’informations supplémentaires.

La persistance renforcerait l’argument selon lequel l’activité récente liée à la technologie représente une contribution continue. Des révisions réduisant sensiblement la croissance concernée affaibliraient la confiance dans son ampleur apparente. Aucun de ces résultats n’identifierait à lui seul l’effet causal exact de l’IA.

La comparaison importante porte sur la cohérence des éléments d’une publication à l’autre. Un seul mois plus fort peut refléter un effet de calendrier, tandis qu’une série révisée peut modifier l’interprétation. Les lecteurs doivent garder la période de mesure visible lorsqu’ils comparent les titres.

Deuxièmement, surveillez les communications des fournisseurs pour y trouver des preuves que les clients poursuivent au-delà du déploiement initial. Les renouvellements, l’utilisation continue et les projets qui passent aux opérations courantes fournissent davantage d’informations que les seules annonces.

Ces communications nécessitent du contexte. Un renouvellement peut préserver l’accès sans démontrer une utilisation intensive. Un contrat plus important peut refléter une couverture élargie plutôt qu’une productivité accrue. Les preuves deviennent plus solides lorsque les fournisseurs relient la poursuite de la demande à des résultats clients précis.

Si les acheteurs étendent les déploiements en fonctionnement tout en documentant les bénéfices, l’argument en faveur d’une demande durable se renforce. Si les annonces de mise en œuvre restent nombreuses tandis que les preuves d’une utilisation continue demeurent limitées, l’interprétation centrée sur l’investissement conserve davantage de poids.

Troisièmement, observez les entreprises adoptantes pour détecter les évolutions de leur production par rapport aux ressources qu’elles utilisent. Les éléments pertinents doivent aller au-delà des entreprises qui développent, hébergent ou installent l’IA.

Une amélioration dans l’ensemble des secteurs adoptants renforcerait l’argument selon lequel les bénéfices se diffusent. Une croissance qui resterait principalement limitée aux fournisseurs technologiques rendrait les affirmations sur une large productivité moins étayées. Les deux schémas peuvent générer de l’activité économique, mais leurs implications à long terme diffèrent.

Les entreprises doivent également distinguer les résultats réalisés des attentes. Une prévision décrit ce que la direction anticipe. Une comparaison opérationnelle décrit ce qui s’est produit dans des conditions identifiables. Les deux sont utiles lorsqu’ils sont clairement étiquetés, et trompeurs lorsqu’ils sont combinés sans explication.

Lisez la prochaine estimation de la croissance liée à l’IA de Bloomberg Economics à la lumière de ces signaux plutôt que de traiter le titre comme un verdict définitif. Gardez visibles sa période, son attribution et ses unités. Comparez l’activité des fournisseurs aux résultats des clients, et demandez-vous si les améliorations persistent une fois la formation, la revue et la maintenance intégrées au calcul. Pour une entreprise qui évalue son propre déploiement, sélectionnez un véritable flux de travail et conservez les éléments nécessaires pour comparer les résultats. La question est concrète : le système aide-t-il l’organisation à fournir davantage de travail utile avec les ressources dont elle dispose ? Suivez ces éléments dans les prochaines publications et mises à jour des entreprises. Ils révéleront davantage sur la transition de l’IA au Royaume-Uni que l’optimisme automatique ou le rejet automatique.

 
 

Commencez pour Gratuit

Un premier assistant IA local avec gestion des connaissances personnelles

Pour une meilleure expérience IA,

remio ne supporte que Windows 10+ (x64) et M-Chip Macs actuellement.

Votre partenaire IA au travail
Faites-en plus avec remio

Planifiez. Créez. Livrez.
Tout au même endroit.

bottom of page