Les gains de productivité liés à l’IA restent insaisissables, tandis que les centres de données accentuent les pressions inflationnistes

L’économiste de la RBA Sarah Hunter affirme que les infrastructures d’IA stimulent la demande avant que des gains de productivité généralisés ne deviennent visibles, créant un décalage inconfortable pour la politique de lutte contre l’inflation. L’évaluation de la productivité de l’IA par la RBA remet en cause l’hypothèse selon laquelle l’essor de l’intelligence artificielle apporte automatiquement un soulagement à court terme face à la hausse des coûts.

Lors de la conférence UBS Australasia à Sydney, le 9 novembre 2026, Hunter a distingué les dépenses consacrées à la technologie de ses bénéfices économiques ultérieurs. Son cadre économique pour l’IA décrit des preuves limitées d’une hausse significative de la productivité globale, c’est-à-dire de la production par rapport aux intrants dans l’ensemble de l’économie. Il en résulte un conflit central : les constructeurs d’infrastructures ont besoin de ressources dès maintenant, tandis que les entreprises doivent encore transformer de nouvelles capacités en production fiable.

La référence historique est l’électricité, dont les bénéfices dépendaient d’une réorganisation de la production autour de cette technologie. Pour les acheteurs d’IA, cette comparaison déplace l’attention des démonstrations impressionnantes vers la mise en œuvre. Pour les décideurs publics, elle soulève une question plus difficile : comment gérer une demande qui arrive avant l’offre supplémentaire censée l’absorber ?

Ce que dit réellement l’évaluation de la productivité de l’IA par la RBA

L’évaluation de Hunter distingue les améliorations démontrées sur certaines tâches d’une accélération de la productivité à l’échelle de l’économie. Cette distinction est importante, car les preuves nécessaires pour étayer chacune de ces affirmations diffèrent considérablement.

Un salarié qui termine un document plus rapidement fournit des informations sur une tâche particulière. Une entreprise qui livre davantage de travail utile avec des ressources inchangées fournit des informations sur la productivité organisationnelle. Une économie qui produit davantage dans tous les secteurs exige un schéma plus large, qui résiste à la mesure, à l’agrégation et aux influences économiques concurrentes.

Traiter ces résultats comme interchangeables crée de la confusion. Une démonstration réussie peut justifier des essais supplémentaires sans établir une tendance économique nationale. De même, des preuves globales faibles ne démontrent pas que chaque expérimentation en entreprise a échoué.

Hunter a également décrit une courbe en J de la productivité, soit une période initiale d’investissement et d’ajustement avant l’apparition de bénéfices mesurables. Sa comparaison avec l’électricité illustre pourquoi le simple changement d’équipement ne transforme pas nécessairement la production. La refonte organisationnelle compte autant que les capacités techniques.

L’implication est pratique plutôt que philosophique. Acheter un accès établit la disponibilité ; intégrer la technologie détermine ce qui change. Une entreprise doit encore décider quelles tâches évoluent, quelles validations restent en place et qui assume la responsabilité des erreurs.

Prenons l’exemple hypothétique d’une équipe juridique qui introduit des résumés automatisés de documents. Les résumés peuvent arriver plus vite, mais l’équipe doit toujours vérifier leur exactitude, protéger les informations confidentielles et identifier le contexte manquant. Si la vérification absorbe le temps gagné, l’amélioration initiale ne s’est pas encore traduite par une hausse de la production utilisable.

Cet exemple illustre le problème de mesure sans revendiquer un résultat documenté pour une entreprise particulière. Le résultat pertinent est un travail achevé qui répond à la norme exigée. Compter les pages générées répondrait à une autre question.

Cette distinction modifie également la manière dont les lecteurs devraient interpréter des résultats décevants. Un déploiement infructueux peut refléter un logiciel inadapté, une mauvaise mise en œuvre, une tâche inappropriée ou des attentes irréalistes. Ces explications appellent des réponses différentes.

Remplacer le modèle ne résout que certains de ces problèmes. Améliorer l’accès aux documents sources pourrait en résoudre un autre. Repenser les validations pourrait compter davantage que l’un ou l’autre changement technique.

La discussion de la RBA sur la productivité de l’IA impose donc une charge de preuve aux enthousiastes comme aux sceptiques. Les enthousiastes ont besoin de preuves reliant les capacités à la production. Les sceptiques ont besoin de preuves distinguant un ajustement temporaire de limites persistantes.

Aucun camp ne peut trancher ce débat en se limitant à l’adoption. Utiliser une technologie et en tirer profit sont deux observations distinctes. Les preuves les plus instructives relient l’usage, les ressources, la qualité et les résultats.

Pour les lecteurs qui suivent l’actualité, il s’agit du premier filtre à appliquer. Demandez-vous ce que mesure l’amélioration rapportée avant de décider dans quelle mesure elle s’applique plus largement. Une affirmation sur la vitesse de rédaction mérite un traitement différent d’une affirmation sur les bénéfices d’une entreprise ou le niveau de vie national.

La demande en infrastructures arrive avant les retombées

La pression économique immédiate vient de la construction et de l’approvisionnement en capacités, indépendamment du moment où les utilisateurs en captent les bénéfices. Cela place la phase de construction au cœur de l’histoire.

Une analyse associée du personnel de la RBA estime que les investissements australiens dans les centres de données ont été multipliés par environ dix en trois ans. Les auteurs supposent qu’environ 70 % des dépenses sont consacrés aux importations. Après cette compensation, ils estiment une contribution directe pouvant aller jusqu’à environ 0,2 point de pourcentage à la croissance annuelle du PIB au cours de l’année écoulée.

Le PIB, ou produit intérieur brut, mesure la production au sein d’une économie. Les équipements importés comptent donc différemment des activités locales de construction et de services. Une annonce d’investissement importante ne se traduit pas directement par une hausse tout aussi importante de la production nationale.

Le même document du personnel identifie l’accès au réseau électrique comme une contrainte majeure et décrit une concurrence pour certaines compétences transférables dans la construction. Ses conclusions constituent une analyse du personnel, et non une déclaration des positions du conseil d’administration de la RBA.

Ces éléments étayent une interprétation plus nuancée que ne le suggèrent les titres les plus spectaculaires. Les centres de données peuvent exercer une pression significative sans expliquer chaque mouvement de l’inflation. Leur influence dépend des ressources dont ils ont besoin et de la capacité des fournisseurs à y répondre.

Imaginez une région hypothétique disposant de terrains, mais d’une capacité de raccordement électrique limitée. Des bâtiments supplémentaires ne résoudraient pas la contrainte déterminante. L’intervention utile concernerait le réseau, le séquencement des projets ou une autre source d’électricité fiable.

Considérez maintenant une région disposant d’une alimentation électrique suffisante, mais d’un nombre limité d’entrepreneurs spécialisés. Son problème immédiat serait différent. Un même total national d’investissements pourrait produire des conséquences locales différentes.

C’est pourquoi les annonces ne constituent qu’un guide incomplet de l’impact économique. Une installation proposée, un contrat de construction, une livraison de serveurs importés et un site en exploitation représentent des étapes différentes. Chacune affecte la demande et la capacité productive selon un calendrier distinct.

Pour les entreprises hors secteur technologique, l’exposition pertinente peut être indirecte. Un fabricant prévoyant une expansion pourrait être confronté à une concurrence pour les entrepreneurs. Un promoteur immobilier pourrait faire face à un autre vivier de sites disponibles ou de services d’ingénierie.

Il s’agit de canaux de transmission possibles, et non d’affirmations selon lesquelles chaque entreprise concernée subit déjà des coûts plus élevés. Établir l’effet réel nécessite des preuves locales. Les conditions de capacité déterminent si une demande supplémentaire entraîne davantage de production, des prix plus élevés, des retards ou une combinaison de ces effets.

La distinction entre construction et exploitation compte également. Construire une installation exige une mobilisation concentrée de ressources. Son exploitation génère une structure de demande différente.

Un boom de l’investissement doit donc être évalué sur l’ensemble de ses phases. L’impulsion de demande à court terme ne décrit pas automatiquement l’emploi permanent, la poursuite de la croissance de la construction ou la répartition finale des revenus.

Pour les acheteurs en entreprise, cela ajoute une autre dimension aux annonces d’infrastructures. Davantage de capacité planifiée peut être encourageant, mais les dates de livraison et les contraintes d’exploitation restent importantes. La capacité devient économiquement utile lorsque les clients peuvent l’utiliser de manière fiable.

La tension centrale reste celle du calendrier. Les dépenses peuvent entrer dans l’économie tandis que les changements de flux de travail censés les justifier restent inachevés.

Les gains réels sur les tâches doivent encore résister à l’ensemble du flux de travail

Les preuves que l’IA aide certains travailleurs renforcent la justification de l’investissement, mais elles n’établissent pas l’ampleur des retombées plus larges. Un argument optimiste crédible commence par des résultats mesurés.

Les recherches d’Erik Brynjolfsson, Danielle Li et Lindsey Raymond ont examiné un assistant d’IA utilisé par 5 172 agents du support client. Leur étude sur le support client a constaté une hausse moyenne de 15 % du nombre de problèmes résolus par heure. Les bénéfices variaient selon les travailleurs, les agents moins expérimentés et moins qualifiés enregistrant les gains les plus importants.

Cette conclusion fournit un contrepoids concret aux affirmations générales selon lesquelles les bénéfices de productivité seraient imaginaires. Elle démontre également pourquoi le contexte compte. Les chercheurs ont examiné une application définie, un cadre de travail particulier et un résultat mesurable.

Une entreprise ne peut pas supposer que le même résultat se transfère sans changement au développement logiciel, à l’examen juridique ou à la recherche. Ces activités présentent des coûts d’erreur, des cycles de retour d’information et des dépendances différents. Une comparaison utile préserve ces différences.

Pour une équipe logicielle hypothétique, générer du code plus rapidement constituerait un résultat intermédiaire. Le résultat pour l’entreprise dépendrait de la capacité de ce code à passer en revue, à s’intégrer correctement et à rester maintenable. Produire plus vite du code inadapté créerait du travail supplémentaire en aval.

Pour une activité hypothétique de support, la rapidité de réponse serait également insuffisante. La qualité de la résolution, les contacts répétés, les escalades et les résultats pour les clients aideraient à déterminer si l’amélioration perdure. Mesurer l’ensemble du processus de service réduirait le risque de récompenser une activité qui ne fait que déplacer le travail ailleurs.

Ces exemples expliquent l’écart entre un bénéfice visible sur une tâche et un résultat organisationnel. Ils ne contredisent pas l’étude sur le support client. Ils identifient ce qu’une autre organisation devrait tester avant d’en reprendre la conclusion.

La même logique s’applique à la comparaison des fournisseurs. Microsoft et Google constituent des points de référence reconnaissables pour les acheteurs en entreprise, mais la familiarité avec une marque n’établit pas un résultat de productivité. Une évaluation équitable appliquerait les mêmes définitions de tâches et normes de qualité à tous les candidats.

Cette approche maintient la comparaison centrée sur le conflit principal de l’article. La question est de savoir si les dépenses technologiques génèrent une capacité utilisable au sein de l’organisation acheteuse. Une compétition autour des annonces de produits fournirait une réponse moins utile.

Les équipes achats devraient donc distinguer une démonstration attrayante d’un engagement opérationnel. Une démonstration établit ce qui s’est produit dans des conditions sélectionnées. Un engagement exige de la confiance dans les performances sous les contraintes réelles de l’acheteur.

L’accès aux connaissances organisationnelles fait partie de cette évaluation. Une base de connaissances consultable offre une référence de flux de travail pertinente pour les équipes qui examinent comment l’information technique atteint leurs outils. Elle doit néanmoins être évaluée selon les mêmes normes de résultats que les autres investissements.

L’argument le plus solide en faveur de la productivité de l’IA est cumulatif. Les gains spécifiques doivent perdurer, s’étendre aux tâches appropriées et dépasser les ressources nécessaires pour les obtenir. Ce processus peut produire des bénéfices substantiels sans rendre toutes les premières affirmations exactes.

La réponse sceptique la plus solide est tout aussi précise. Identifiez à quel moment le bénéfice disparaît et pourquoi. Une déception générale est moins instructive que des éléments montrant que la vérification, l’intégration ou une demande limitée empêchent une amélioration des tâches de devenir une valeur économique.

Pourquoi une meilleure productivité ne garantit pas une inflation plus faible

Une économie peut devenir plus productive sans connaître une baisse durable de l’inflation. La capacité productive et la hausse des prix sont liées par la demande, plutôt que par une relation mécanique fixe.

La position de Hunter admet que la pression initiale des investissements peut se relâcher à mesure que la capacité augmente. Elle décrit néanmoins l’effet de long terme de l’IA sur l’inflation comme probablement globalement neutre. Cela diffère d’une prévision selon laquelle l’IA freinerait continuellement la hausse des prix.

La distinction devient plus claire lorsqu’on sépare une tâche moins coûteuse des dépenses globales. Une activité individuelle peut nécessiter moins de ressources après automatisation. Les entreprises et les ménages peuvent néanmoins choisir de dépenser ailleurs les économies ainsi réalisées.

Une entreprise hypothétique pourrait utiliser l’amélioration de son efficacité pour étendre son service, développer un autre produit ou entrer sur un nouveau marché. Ces choix pourraient créer une demande de main-d’œuvre, d’équipements et de fournisseurs. L’économie initiale resterait réelle, même si les dépenses augmentaient ailleurs.

Il s’agit d’un exemple analytique, et non d’une prévision du comportement de chaque entreprise. Son objectif est de montrer que la croissance de la productivité ne détermine pas à elle seule l’inflation. La réaction de la demande compte.

Dans son échange sur les perspectives d’inflation, Hunter a déclaré que la RBA prenait en compte les prix des biens liés à la technologie et les retombées de la construction. Elle a également souligné que les hypothèses relatives au pétrole expliquaient une part substantielle des dernières révisions des prévisions d’inflation, en particulier pour l’inflation globale.

Cette réserve limite ce qui peut raisonnablement être attribué aux centres de données. L’investissement dans l’IA fait partie de l’évaluation de l’inflation. Il ne remplace pas l’évaluation de l’énergie, du logement, des salaires et des autres influences.

La séance de questions-réponses a également écarté l’idée que les décideurs avaient soudainement abandonné l’attente de bénéfices immédiats en matière de productivité. Hunter a indiqué qu’il avait toujours été prévu que des gains substantiels prendraient du temps. Ses commentaires décrivent donc une évolution des perspectives d’investissement plutôt qu’un retard de mise en œuvre nouvellement découvert.

Pour les lecteurs, la leçon pratique consiste à éviter de transformer un mécanisme conditionnel en prédiction garantie sur les taux d’intérêt. Une source de demande identifiée ne révèle pas l’intégralité de la réponse de politique économique. Les décideurs doivent évaluer l’équilibre des pressions.

Il existe également une différence entre des goulets d’étranglement temporaires et une inflation durable. Une chaîne d’approvisionnement contrainte peut connaître de fortes variations de prix pendant une phase d’expansion. La question de savoir si ces pressions se diffusent ou persistent dépend des ajustements opérés ailleurs.

Un acheteur professionnel fait face à un problème budgétaire connexe. Un processus logiciel plus efficace ne garantit pas que chaque intrant de son fonctionnement devienne moins cher. L’énergie, l’équipement, les effectifs et le financement peuvent suivre des trajectoires différentes.

C’est pourquoi l’évaluation de la productivité de l’IA par la RBA est pertinente au-delà de l’Australie. Elle offre un moyen de distinguer l’optimisme technologique des hypothèses concernant l’environnement global des coûts. La même distinction aide à comprendre pourquoi des investissements soutenus et une politique monétaire prudente peuvent coexister.

Pour les dirigeants technologiques, revendiquer des gains d’efficacité est donc plus défendable que promettre un soulagement des prix à l’échelle de l’économie. Le premier peut être testé dans un flux de travail défini. Le second exige des hypothèses sur les réactions dans l’ensemble de l’économie.

Les éléments actuels plaident pour une mesure rigoureuse et un jugement conditionnel. Ils ne justifient pas de traiter l’IA comme un remède automatique à l’inflation ni comme une explication complète de sa persistance.

Les données sur l’énergie et l’emploi compliquent le récit d’investissement

Les contraintes physiques et les effets inégaux sur la main-d’œuvre rendent la transition plus difficile à évaluer à partir des seules dépenses agrégées. Elles créent également des critères différents pour les scénarios optimiste et sceptique.

Les perspectives actualisées de l’Agence internationale de l’énergie sur l’électricité consommée par les centres de données prévoient une consommation passant de 485 térawattheures en 2025 à 950 térawattheures en 2030. Un térawattheure mesure la consommation d’électricité dans le temps. Ces chiffres couvrent les centres de données dans leur ensemble, et non l’IA seule.

L’AIE décrit également des goulets d’étranglement plus sévères dans les infrastructures électriques et les chaînes d’approvisionnement en puces. Ses projections reposent sur des hypothèses relatives à la demande, à l’efficacité, au financement et à la réalisation. Elles constituent des scénarios de planification, et non des résultats de consommation garantis.

Pour le débat sur la productivité, l’électricité introduit une autre dépendance temporelle. Des améliorations logicielles peuvent être livrées sans qu’un nouveau raccordement électrique soit achevé. L’extension du système physique qui soutient une utilisation accrue peut exiger une séquence d’investissement différente.

Ce décalage crée un risque pour les investisseurs en infrastructures. Un fort intérêt des clients n’élimine pas les contraintes de réalisation. De même, l’achèvement d’une installation ne démontre pas que la demande soutiendra le rendement attendu.

L’efficacité introduit une incertitude supplémentaire. Si une tâche nécessite moins d’électricité, les ressources requises pour cette tâche diminuent. La consommation totale dépend toujours de la fréquence à laquelle les personnes l’exécutent et des nouvelles tâches qui deviennent économiquement viables.

Une entreprise hypothétique pourrait utiliser un gain d’efficacité pour réduire sa consommation de ressources tout en maintenant sa production inchangée. Une autre pourrait accroître son utilisation parce que l’activité est devenue plus facile à justifier. Ces deux réponses sont compatibles avec une meilleure efficacité technique.

L’emploi présente un problème de mesure distinct. Le suivi du marché du travail mené par Mike Major, chercheur à la RBA, relève jusqu’à présent peu d’indices de perturbation matérielle à travers l’Australie. Il identifie une faiblesse provisoire dans les professions davantage exposées, particulièrement chez les jeunes travailleurs, tout en appelant à la prudence quant aux conclusions causales.

L’étude est explicitement descriptive. Les mesures d’exposition professionnelle indiquent le potentiel de transformation des tâches, plutôt qu’elles ne documentent l’adoption ou les déplacements effectifs. Les conditions économiques générales peuvent également affecter les embauches.

Cette prudence vaut dans les deux sens. La stabilité de l’emploi total ne peut établir qu’aucun groupe professionnel n’est affecté. Des embauches plus faibles dans une profession exposée ne peuvent établir que l’IA a causé ce changement.

Pour les employeurs, ces distinctions plaident en faveur d’un examen de la manière dont le travail entre dans l’organisation. Réduire le recrutement, laisser des postes vacants non pourvus et réorganiser les rôles existants constituent des ajustements différents. Un titre sur les effectifs globaux peut manquer ces différences.

Pour les travailleurs en début de carrière, la question pertinente dépasse la disparition éventuelle d’un poste. Elle porte aussi sur la manière dont les employés acquièrent de l’expérience lorsque les tâches routinières changent. La conception de la formation fait donc partie d’un plan de mise en œuvre sérieux.

Ces incertitudes n’annulent pas les arguments en faveur de l’investissement. Elles en définissent les conditions. Une transition réussie exige des infrastructures disponibles, des applications utiles et des dispositifs organisationnels qui transforment les capacités techniques en travail utile.

C’est une exigence élevée, mais aussi plus instructive que de compter les installations, les licences ou la production générée. Chaque décompte décrit une activité. Aucun n’établit indépendamment le rendement économique final.

Trois signaux mettront à l’épreuve les gains de productivité

Les prochains éléments utiles relieront les dépenses à la mise en œuvre, puis la mise en œuvre à une production durable. Au cours des trois prochains mois, les lecteurs devraient suivre cette séquence plutôt que d’attendre une annonce unique et décisive.

Premièrement, surveillez si les engagements en matière d’infrastructures deviennent des capacités opérationnelles. Les mises à jour des entreprises devraient distinguer les installations prévues, les chantiers en cours et les capacités disponibles pour les clients. Lorsqu’ils sont communiqués, les jalons de raccordement et le taux d’utilisation par les clients aideront à déterminer si les investissements physiques progressent comme prévu.

Cela testerait d’abord le versant de la demande. La poursuite des travaux malgré un accès retardé aux services renforcerait le décalage temporel décrit ici. Une capacité achevée et accessible aux clients affaiblirait cette contrainte particulière, tout en laissant ouverte la question de la productivité.

Les annulations exigeraient une interprétation différente. Elles pourraient réduire les pressions futures sur les ressources tout en remettant en cause les attentes antérieures concernant la demande ou les rendements. Moins de construction ne constituerait pas automatiquement une preuve de meilleure productivité.

Deuxièmement, examinez les rapports des entreprises à la recherche de résultats allant au-delà de l’adoption. Les éléments pertinents relieraient l’usage de l’IA au travail achevé, à la qualité, aux ressources nécessaires et à une performance organisationnelle durable. Les affirmations deviennent plus informatives lorsque les entreprises expliquent la comparaison et identifient les coûts de mise en œuvre.

Des améliorations répétées dans des opérations comparables renforceraient l’idée que les gains au niveau des tâches deviennent des gains plus larges pour l’entreprise. Une insistance continue sur l’utilisation sans résultats correspondants laisserait cette démonstration incomplète. Aucun de ces résultats ne justifierait d’extrapoler l’expérience de chaque entreprise à l’ensemble de l’économie.

Une évaluation indépendante serait particulièrement utile à cet égard. Les acheteurs doivent savoir si une amélioration perdure en dehors d’une démonstration sélectionnée. Ils doivent également comprendre qui en bénéficie et quels flux de travail restent inchangés.

Troisièmement, surveillez la composition de l’inflation et les tendances d’embauche avec le contexte économique plus large. Les biens liés à la technologie, les pressions de la construction et les embauches par profession offrent des perspectives différentes sur l’ajustement. Leurs évolutions doivent être interprétées avec les autres influences plutôt qu’attribuées automatiquement à l’IA.

L’atténuation des goulets d’étranglement combinée à une production accrue des entreprises affaiblirait l’inquiétude selon laquelle la demande d’investissement devance les bénéfices. Des contraintes persistantes et des preuves limitées de résultats la renforceraient. Des résultats contrastés appelleraient à une évaluation plus sélective selon les secteurs.

Les données sur l’emploi exigeront une attention particulière. Une évolution des embauches de débutants pourrait être importante avant de devenir visible dans l’emploi total. Établir la raison exigerait toujours davantage que de constater que le travail concerné est exposé à l’IA.

Ces signaux offrent aux développeurs et aux acheteurs en entreprise une manière pratique de lire les prochaines actualités. Une nouvelle version de modèle peut améliorer les capacités, mais les preuves de mise en œuvre déterminent si cette capacité résout un problème opérationnel. Une annonce d’infrastructure peut élargir l’opportunité, mais la réalisation détermine à quel moment les clients peuvent l’utiliser.

Avant d’approuver un nouveau déploiement d’IA, identifiez le résultat qui le justifierait et les éléments nécessaires pour l’évaluer. Comparez le travail achevé, la qualité, l’effort de révision et les ressources totales avec le processus existant. Maintenez une comparaison cohérente entre les fournisseurs et consignez les situations où des économies apparentes créent du travail supplémentaire ailleurs. Le débat de la RBA sur la productivité de l’IA rend cette rigueur plus pertinente, car la demande d’infrastructures fait déjà partie du paysage économique. Les entreprises n’ont pas besoin de résoudre la question de la productivité nationale avant d’agir. Elles ont besoin d’une évaluation crédible de leurs propres résultats. Suivez les prochaines mises à jour sur les capacités, les informations opérationnelles et les données sur la main-d’œuvre, puis demandez-vous si chaque nouvelle affirmation démontre une production utile ou documente simplement davantage de dépenses.