L’étude de la Fed sur l’IA met en balance les centres de données et la productivité
Des chercheurs de la Réserve fédérale ont publié une étude de la Fed sur l’IA qui met en évidence un écart grandissant entre des investissements visibles dans les infrastructures et des gains de productivité qui restent difficiles à mesurer. Les bâtiments, les puces et les engagements de construction fournissent des preuves concrètes de dépenses. Ils ne permettent pas d’établir dans quelle mesure l’économie au sens large produit plus efficacement des biens et des services.
Cette distinction importe pour les entreprises qui financent des capacités de calcul et celles qui achètent des outils d’IA. Toutes deux ont besoin d’applications utiles pour justifier leurs engagements. Leurs preuves, toutefois, arrivent à des rythmes différents : un projet de construction devient visible avant que ses clients finaux ne démontrent des améliorations durables dans leur travail quotidien.
La tension centrale oppose l’investissement dans les infrastructures à la valeur économique effectivement réalisée. Des travaux antérieurs d’Erik Brynjolfsson et de ses collègues offrent un point de référence historique : les dépenses technologiques et les améliorations organisationnelles n’apparaissent pas nécessairement simultanément. La question est de savoir avec quelle force les entreprises peuvent relier les premières aux secondes.
Ce que l’étude de la Fed sur l’IA établit réellement
L’article évalue les preuves actuelles ; il ne rend pas de verdict définitif sur le potentiel économique de l’IA.
La recherche sur l’économie de l’IA de novembre 2026 est signée Nick Carollo, Leland D. Crane, Daniel Garcia Molina et Joseph Nichols. Sa page officielle a été mise à jour pour la dernière fois le 12 novembre. Elle décrit une expansion de l’investissement et de l’adoption, alors que les effets sur la productivité agrégée semblent jusqu’ici limités.
La publication appartient à la Finance and Economics Discussion Series, une collection de documents de travail destinée à soutenir la recherche et la discussion. Ses conclusions représentent les points de vue des auteurs. Elles n’établissent pas l’existence d’un accord de la part du Conseil de la Réserve fédérale ou d’autres membres de son personnel.
Cette limite est particulièrement pertinente lorsqu’un titre commence par « étude de la Fed ». Les lecteurs ne devraient pas interpréter l’article comme une prévision de politique monétaire. Sa publication ne signifie pas non plus que les décideurs ont tranché la manière dont l’IA affectera la croissance future, l’emploi ou l’inflation.
Le calendrier mérite également une attention particulière. L’essentiel de l’analyse a été achevé en juin 2026, bien que l’article inclue certaines informations ultérieures. Sa parution en novembre ne transforme pas chaque observation sous-jacente en mesure récente de novembre.
Pour les lecteurs, le changement utile réside dans le cadre analytique. L’article place l’investissement physique, l’adoption par les entreprises, les coûts des intrants, l’emploi et la productivité dans une même discussion. Cela encourage une interprétation plus exigeante des titres familiers sur l’IA.
Une installation planifiée indique une intention de construire. Une installation opérationnelle indique une capacité disponible. Un contrat client indique une demande selon des conditions particulières. Une amélioration démontrée du travail accompli indique encore autre chose.
Ces observations peuvent se renforcer mutuellement, mais aucune ne remplace automatiquement les autres. Les traiter comme interchangeables donne à une histoire d’investissement une apparence plus concluante que ne le permettent les preuves.
Prenons l’exemple hypothétique d’une entreprise qui achète un accès à des capacités de calcul supplémentaires. Cet achat établit que la direction anticipe un bénéfice. Il n’établit pas si les employés terminent plus vite un travail utile, si les clients reçoivent un meilleur service ou si les résultats opérationnels s’améliorent.
La distinction fonctionne aussi dans l’autre sens. Un employé peut bénéficier considérablement d’un outil sans créer de mouvement visible dans les statistiques nationales. Une application réussie reste pertinente même lorsqu’elle ne représente qu’une petite part de l’économie.
C’est pourquoi l’article devrait affiner le traitement médiatique plutôt que mettre fin au débat. Les affirmations optimistes ont besoin d’un pont entre l’adoption et les résultats. Les affirmations sceptiques doivent expliquer pourquoi des preuves agrégées limitées excluraient des bénéfices dans des contextes précis.
Pour les acheteurs en entreprise, cela modifie la question la plus utile. Demander si l’IA « fonctionne » appelle une réponse trop large pour guider un achat. Demander quel flux de travail s’améliore, et dans quelles conditions, produit un élément qu’une entreprise peut évaluer.
Pour les fournisseurs d’infrastructures, la question correspondante porte sur une demande fiable. Des clients qui expérimentent un outil constituent une base différente de celle de clients qui l’achètent régulièrement parce qu’il améliore leurs opérations.
L’importance de l’étude tient à ce qu’elle rend ces distinctions plus difficiles à ignorer. Elle place la charge de l’explication entre l’annonce de dépenses et le résultat économique final.
Les projets annoncés ne sont pas des investissements réalisés
Les plus grands chiffres d’infrastructure décrivent différentes étapes de développement, et ces étapes ne peuvent pas être additionnées sans précaution.
L’analyse des centres de données recense des projets annoncés approchant 300 milliards de dollars en 2024 et dépassant 1 000 milliards de dollars en 2025. Il s’agit de plans de projets, et non de dépenses déjà réalisées.
En s’appuyant sur les plans disponibles en mai 2026, le scénario intermédiaire des auteurs prévoit que l’investissement passera d’environ 100 milliards de dollars en 2024 à plus de 880 milliards de dollars d’ici fin 2027. Ce scénario dépasse 2 % du produit intérieur brut, soit la valeur des biens et services produits sur le territoire national.
La projection dépend d’hypothèses concernant les nouveaux projets, les abandons et le calendrier de construction. Environ un tiers de l’investissement est consacré aux structures, tandis que la majeure partie des dépenses restantes est orientée vers des équipements de haute technologie.
Les auteurs estiment la part des importations à environ 50 %, y compris les services capitalisés. Ils identifient également des contraintes liées à l’électricité, au zonage, aux matériaux, à la main-d’œuvre et au financement. Ces réserves empêchent d’interpréter simplement l’investissement projeté comme une construction garantie ou comme une contribution équivalente à la production nationale.
L’implication pratique est que chaque titre sur les infrastructures doit identifier clairement sa mesure. Les annonces révèlent l’ambition. L’activité de construction révèle l’exécution. L’installation d’équipements rapproche un projet de sa mise en service. L’utilisation par les clients détermine si cette capacité soutient une activité économique durable.
Dans un développement hypothétique, le même projet pourrait apparaître dans plusieurs annonces au fil de son passage par ces étapes. Compter chaque annonce comme un nouvel investissement exagérerait l’ampleur de l’activité nouvelle.
Un chiffre de dépenses d’investissement à l’échelle d’une entreprise crée un autre problème d’interprétation. Les dépenses d’investissement désignent les dépenses consacrées à des actifs censés servir une entreprise dans le temps. Un tel chiffre peut couvrir plusieurs activités et n’isole pas automatiquement l’IA.
Une comparaison exacte nécessite donc des périmètres cohérents. Une estimation de projet doit être comparée à une autre estimation de projet. Les dépenses réelles doivent être comparées aux dépenses réelles. Un scénario doit conserver ses hypothèses à chaque fois qu’il est cité.
La distinction liée au PIB exige une discipline similaire. La production nationale et les équipements importés entrent différemment dans la comptabilité nationale. Un achat important peut soutenir une installation américaine sans représenter un montant équivalent de production américaine.
Cela ne rend pas les équipements importés économiquement sans importance. Une entreprise peut les utiliser pour fournir des services précieux pendant des années. Cela signifie que l’achat et sa contribution productive ultérieure répondent à des questions différentes.
Les lecteurs devraient également éviter de convertir un niveau d’investissement projeté en une contribution identique à la croissance économique. Un niveau décrit un montant à un moment ou sur une période donnée. La croissance décrit une variation par rapport à une autre période.
Ces différences comptent lorsqu’un chiffre important passe d’un graphique de recherche à un titre. Supprimer la période de mesure ou l’étiquette du scénario peut modifier davantage l’affirmation que le fait de raccourcir le chiffre.
Pour les développeurs d’infrastructures, la pression qui en résulte est opérationnelle. Un projet annoncé a besoin d’un parcours crédible à travers les autorisations, la construction, la livraison des équipements et le service aux clients. L’attention publique ne mène à bien aucune de ces étapes.
Pour les acheteurs, la question utile concerne la capacité disponible selon les conditions de livraison réelles. L’annonce d’un projet lointain offre moins d’assurance qu’un service qu’une entreprise peut utiliser lorsque son flux de travail l’exige.
Le pipeline d’investissement conserve une importance économique. Sa signification devient plus claire lorsque chaque étape garde sa propre étiquette, plutôt que d’être présentée comme la preuve que l’ensemble du pipeline a déjà produit ses résultats.
Les acheteurs ont besoin de travail accompli, pas seulement de davantage de capacité
Les fournisseurs d’infrastructures et les acheteurs en entreprise font face au même test sous-jacent : savoir si davantage de calcul produit des résultats qui méritent d’être maintenus.
L’étude de la Fed sur l’IA met ce test en lumière sans le résoudre pour chaque entreprise. Les implications suivantes concernent la manière dont les entreprises devraient interpréter cet écart, plutôt que des conclusions sur les rendements de fournisseurs particuliers.
Prenons d’abord le cas d’un acheteur en entreprise envisageant un assistant d’écriture IA. Produire un brouillon plus rapidement peut être utile. Le résultat pour l’entreprise dépend de ce qui se passe après l’apparition du brouillon.
Si un relecteur doit reconstruire l’argumentation, vérifier chaque affirmation factuelle et réécrire la conclusion, la vitesse de génération ne mesure qu’une partie du flux de travail. La comparaison pertinente inclut ces étapes ultérieures.
À l’inverse, un brouillon peut nécessiter peu de révisions et aider un employé à terminer un travail qui serait auparavant resté inachevé. C’est un résultat différent, même si l’outil produit des volumes de texte comparables.
La décision d’achat doit distinguer ces possibilités. L’utilisation mesure l’engagement envers le produit. Un travail terminé et acceptable mesure les progrès vers l’objectif de l’entreprise. Aucun des deux ne doit être silencieusement substitué à l’autre.
L’exemple hypothétique d’une équipe de support client illustre cette différence. Un assistant pourrait aider les agents à trouver plus rapidement une réponse approuvée. Sa valeur dépend en partie de la capacité de cette réponse à résoudre le problème du client sans créer de suivi supplémentaire.
Pour une équipe logicielle, le code généré suit une chaîne similaire. Une modification proposée doit s’intégrer à l’application existante, passer la revue et rester maintenable. Une génération plus rapide peut coexister avec une livraison plus rapide ou plus lente.
Ces exemples n’établissent pas que l’IA aide ou entrave généralement le travail. Ils expliquent pourquoi une même catégorie d’achat peut produire des résultats différents selon les organisations.
Le contexte est un facteur de différenciation plausible. Un outil qui travaille avec des instructions incomplètes fait face à une tâche différente de celle d’un outil recevant une documentation pertinente et des critères d’acceptation clairement définis.
Pour les équipes qui examinent ce problème, une base de connaissances consultable offre un flux de travail connexe à considérer. Organiser le matériau source est distinct de démontrer un gain de productivité lié à l’IA, mais cela aide à définir les informations dont un flux de travail a besoin.
Les fournisseurs d’infrastructures rencontrent indirectement le versant client de ce défi. Une entreprise qui obtient une valeur reproductible a une raison plus claire de continuer à acheter des services. Une entreprise qui ne peut pas identifier le bénéfice dispose d’une justification interne plus faible.
La même logique aide à comparer OpenAI et Anthropic en tant que fournisseurs de modèles, avec Microsoft et Amazon en tant que fournisseurs de cloud. Il s’agit de positions différentes dans la chaîne d’approvisionnement informatique, et non d’entreprises interchangeables.
Le point analytique consiste à suivre la relation avec le client. Un fournisseur de modèles a besoin de demande pour ses capacités. Un fournisseur de cloud a besoin de clients pour ses services d’infrastructure. Un acheteur en entreprise a besoin d’un résultat utile provenant de sa propre application.
Le succès à un niveau ne garantit pas automatiquement le succès à tous les autres. Un fournisseur d’infrastructure peut recevoir un paiement avant qu’un client entreprise ait déterminé si son application améliore réellement ses opérations.
La pression devient ainsi plus précise qu’un débat sur l’enthousiasme autour de l’IA. Les acheteurs ont besoin de preuves qui résistent à l’examen et au renouvellement. Les fournisseurs ont besoin d’une demande qui résiste aux évaluations de leurs clients.
Une annonce de capacité peut étayer les attentes concernant cette demande. Elle ne peut pas remplacer les résultats clients dont ces attentes dépendent en définitive.
Les données en entreprise étayent des gains, mais avec des limites
Une recherche montrant un bénéfice dans un cadre professionnel défini est plus solide qu’une promesse générale, mais ses limites font toujours partie de la conclusion.
Brynjolfsson, Danielle Li et Lindsey Raymond ont étudié un assistant conversationnel d’IA utilisé par des agents du support client. Leur étude sur la productivité en entreprise publiée présente des données portant sur 5 172 agents.
L’accès à l’assistant a augmenté de 15 % en moyenne le nombre de problèmes résolus par heure. Les effets variaient selon les travailleurs. L’article est paru dans le numéro de mai 2025 du Quarterly Journal of Economics.
Cela fournit un exemple concret d’usage productif plutôt qu’une inférence fondée sur les dépenses d’infrastructure. Cela établit également un résultat précis : le nombre de problèmes de support client résolus par heure, dans le cadre étudié.
Ce résultat devrait rester associé au pourcentage partout où celui-ci est repris. Il ne s’agit pas d’une hausse mesurée de la productivité de chaque travailleur. Il n’établit pas un changement équivalent dans toutes les fonctions de l’entreprise.
Cette distinction aide à concilier des données positives en entreprise avec des effets agrégés limités. Une étude locale demande si l’accès à un outil modifie la performance dans des conditions définies. Une analyse nationale s’intéresse aux résultats à l’échelle d’une économie beaucoup plus vaste.
Ces questions diffèrent par leur couverture, leur temporalité et leur mesure. Une réponse claire à la première peut coexister avec une réponse incertaine à la seconde.
Pour un acheteur entreprise, la recherche sur le support client est donc utile comme preuve de possibilité et comme exemple de mesure rigoureuse. Elle ne dispense pas d’évaluer le propre flux de travail de l’acheteur.
Une évaluation comparable identifierait le résultat achevé avant d’examiner le résultat. Sans cela, une équipe risque de choisir l’indicateur qui fait paraître l’implémentation la plus favorable.
Supposons qu’un assistant hypothétique augmente le nombre de réponses qu’un employé rédige. Ce résultat devient plus informatif lorsqu’il est associé à la question de savoir si les destinataires acceptent ces réponses et si les problèmes restent résolus.
Le même principe s’applique lorsqu’un outil transforme le travail lui-même. Un employé peut produire une documentation plus détaillée, étudier des options supplémentaires ou prendre en charge des tâches auparavant évitées.
Une mesure du temps gagné, à elle seule, peut ne pas saisir ces bénéfices. À l’inverse, compter une production supplémentaire sans en évaluer l’utilité peut les surestimer. L’évaluation doit correspondre à la raison pour laquelle l’entreprise a adopté l’outil.
La recherche historique offre une autre perspective. Les travaux sur la courbe en J de la productivité de Brynjolfsson, Daniel Rock et Chad Syverson examinent la manière dont les investissements complémentaires influencent le rendement mesuré des technologies à usage général.
Leur cadre inclut les changements organisationnels, les nouveaux processus et le capital humain. Il explique pourquoi le développement des capacités environnantes peut précéder les améliorations mesurées de la productivité.
C’est une raison d’examiner attentivement les coûts d’implémentation. Ce n’est pas une garantie que chaque implémentation finira par réussir. Un retour différé et un projet échoué peuvent initialement se ressembler.
La distinction exige un suivi. Si une entreprise explique de faibles résultats par une période d’ajustement, les données ultérieures devraient montrer ce qui a changé et si la performance s’est améliorée.
Pour les acheteurs, la patience devient plus défendable lorsqu’elle est liée à un processus d’implémentation observable. Une promesse indéfinie selon laquelle les bénéfices apparaîtront plus tard offre bien moins d’orientations.
L’interprétation optimiste la plus solide reste donc conditionnelle. La recherche en entreprise démontre que des gains sont réalisables. Le défi suivant consiste à reproduire des résultats utiles dans davantage de tâches et d’organisations sans supposer des résultats identiques partout.
Ni des statistiques faibles ni d’anciennes expériences ne tranchent la question
L’argument sceptique mérite lui aussi un examen attentif, en particulier lorsque des résultats historiques deviennent des affirmations sur les outils actuels.
L’expérience de juillet 2025 sur la productivité des développeurs de METR a étudié des développeurs open source expérimentés travaillant sur leurs propres dépôts. L’étude incluait 16 développeurs et 246 tâches.
Les développeurs autorisés à utiliser l’IA ont mis 19 % de temps en plus pour achever les tâches. Les outils reflétaient les capacités du début de 2025, et les chercheurs ont explicitement mis en garde contre une généralisation du résultat à l’ensemble du développement logiciel.
Cette conclusion remet en cause l’hypothèse simple selon laquelle l’assistance réduit nécessairement le temps d’exécution. Elle montre aussi pourquoi les impressions des utilisateurs et la performance mesurée méritent une attention distincte.
Mais son champ importe autant que sa direction. Des contributeurs expérimentés travaillant dans des dépôts familiers font face à une combinaison particulière de tâches et de normes. D’autres développeurs et projets nécessitent leurs propres preuves.
Les évolutions ultérieures compliquent davantage l’utilisation de ce résultat comme verdict actuel. Dans une mise à jour de la conception expérimentale du 24 février 2026, METR a indiqué que sa nouvelle expérience avait produit un signal peu fiable des effets actuels.
Les chercheurs ont relevé des problèmes de sélection, notamment des développeurs refusant de participer parce qu’ils ne voulaient pas travailler sans IA. Ils estimaient que les outils plus récents apportaient probablement davantage d’accélération, tout en soulignant l’incertitude concernant son ampleur.
Cette mise à jour n’efface pas l’expérience antérieure. Elle modifie la confiance avec laquelle cette expérience devrait être appliquée au-delà de sa période et de son contexte initiaux.
L’enseignement plus large concerne l’évolution de la technologie et des utilisateurs. Lorsque les outils évoluent, les données ont besoin d’une date. Lorsque les utilisateurs changent les tâches qu’ils tentent d’accomplir, les comparaisons doivent tenir compte de ce comportement.
Considérons un développeur hypothétique qui utilise l’IA pour tenter une tâche auparavant jugée irréalisable. Comparer le temps d’exécution avec un flux de travail antérieur devient difficile, car ce flux de travail antérieur n’a jamais produit le même résultat.
Cela ne prouve pas que le nouveau flux de travail est productif. Cela explique pourquoi la comparaison exige plus que de demander si le développeur se sent plus rapide.
Le problème inverse existe également. Un utilisateur peut se sentir productif parce qu’un assistant génère une activité visible, tandis que la révision et la correction absorbent les gains apparents.
Une évaluation solide doit distinguer ces situations. Elle devrait identifier le travail tenté, ce qui a satisfait au niveau requis et l’effort humain qui a soutenu le résultat.
L’étude de la Fed sur l’IA mérite la même rigueur à une échelle plus large. Des gains mesurés limités justifient la prudence face aux affirmations générales. Ils n’établissent pas que chaque bénéfice local est imaginaire ni que les gains futurs sont impossibles.
De même, l’incertitude ne devrait pas devenir une défense générale des résultats décevants. Une entreprise ne peut pas démontrer sa valeur simplement en affirmant que les mesures existantes sont imparfaites.
La position raisonnable est exigeante dans les deux sens. Les affirmations positives nécessitent des preuves liées à des résultats utiles. Les affirmations négatives nécessitent des preuves suffisamment larges et actuelles pour étayer leurs conclusions.
Pour les lecteurs, cela signifie traiter un pourcentage spectaculaire comme le début d’une enquête. Sa tâche, sa population, sa comparaison et sa période de mesure déterminent ce qu’il peut réellement expliquer.
Le désaccord devient plus utile une fois ces détails visibles. Au lieu de débattre de la question de savoir si l’IA est universellement productive, chercheurs et acheteurs peuvent identifier où les résultats diffèrent et examiner pourquoi.
Surveiller la livraison, les résultats clients et la productivité globale
Les prochaines données devraient relier les progrès opérationnels à la valeur pour les clients avant d’étayer des affirmations de transformation à l’échelle de l’économie.
Au cours des prochains mois, le premier signal à surveiller est l’exécution des engagements existants en matière d’infrastructure. Les mises à jour de projets comptent surtout lorsqu’elles distinguent les plans révisés des installations et services effectivement disponibles.
La preuve d’une livraison achevée renforcerait le volet exécution de l’histoire de l’investissement. Des retards ou des réductions affaibliraient les hypothèses selon lesquelles la capacité annoncée arrive selon son calendrier initial.
Aucun de ces résultats ne règle à lui seul la question de la productivité. La livraison établit qu’un intrant existe. La question suivante concerne la manière dont les clients l’utilisent.
Le deuxième signal est constitué de preuves clients allant au-delà de l’accès et de l’expérimentation. Il faut surveiller des résultats clairement définis concernant le travail accepté, la qualité du service, l’utilisation répétée et la poursuite des achats.
Une entreprise signalant une amélioration devrait expliquer la comparaison. Une divulgation utile identifie le flux de travail, le résultat et la question de savoir si l’effort de révision fait partie de la mesure.
Des améliorations reproductibles renforceraient l’idée que les dépenses d’infrastructure soutiennent une demande durable. Des rapports axés uniquement sur les comptes créés ou le contenu généré laisseraient ce lien moins étayé.
C’est aussi là que les comparaisons entre produits deviennent plus instructives. Un acheteur doit savoir quel outil convient à sa tâche et à ses conditions d’exploitation, plutôt que quel fournisseur annonce l’ambition générale la plus importante.
Un produit performant dans un flux de travail étroit peut mériter une utilisation continue. Un produit aux capacités étendues peut néanmoins exiger davantage de travail d’implémentation qu’un acheteur donné ne peut justifier.
Le troisième signal est celui de données plus larges sur la productivité, interprétées au fil du temps. Les mesures de productivité agrégée rapportent la production aux intrants dans l’ensemble de l’économie. Une tendance plus forte serait importante, mais l’attribuer à l’IA exige une analyse supplémentaire.
Un indicateur national favorable n’établirait pas que chaque investissement en IA a réussi. Un indicateur faible n’invaliderait pas une expérience en entreprise bien conçue. Les mesures portent sur différents niveaux d’activité.
Ce qui renforcerait l’argument global serait la cohérence entre ces niveaux. La livraison opérationnelle, des résultats clients utiles et des améliorations plus larges formeraient une chaîne plus convaincante que n’importe quelle annonce isolée.
Ce qui l’affaiblirait serait une séparation persistante. Une capacité livrée sans demande fiable mettrait les fournisseurs sous pression. Une utilisation généralisée sans bénéfices mesurables pousserait les acheteurs à reconsidérer leurs implémentations.
Il s’agit de signaux d’observation plutôt que de prédictions sur ce que montrera le prochain cycle de publication. Leur objectif est de rendre les affirmations futures vérifiables.
La valeur durable de l’article réside dans la rigueur qu’il apporte à ce processus. Il invite les lecteurs à distinguer ce qui a été construit, ce qui a été adopté et ce qui s’est amélioré.
Avant de considérer la prochaine annonce sur l’IA comme la preuve d’un gain économique, identifiez quelle partie de cette chaîne elle mesure. Recherchez un résultat achevé, une comparaison pertinente et une comptabilisation claire de l’effort requis. Gardez les preuves réussies en entreprise à l’esprit, tout en préservant leurs limites. Lisez les résultats décevants avec une attention égale à leurs dates et à leurs contextes. L’étude de la Fed sur l’IA constitue un point de départ utile parce qu’elle distingue l’investissement visible des bénéfices qui doivent encore être démontrés. Suivez la prochaine mise à jour de projet, l’évaluation client et la publication sur la productivité en gardant cette distinction à l’esprit. Quelles nouvelles données relient réellement une capacité de calcul supplémentaire à un meilleur travail ?



