L'IA : nouvelle révolution industrielle ou substitution surestimée ?

Le débat sur l'IA finit presque toujours par tourner autour de la même question : est-elle, après la machine à vapeur, l'électricité et l'informatique, une nouvelle révolution industrielle, ou une technologie qui se contente de remplacer des personnes sans réellement améliorer la productivité ? Le premier camp s'appuie sur l'effondrement du coût des capacités et sur les gains d'efficacité considérables observés sur certaines tâches ; le second, sur une croissance qui tarde à apparaître dans les statistiques macroéconomiques et sur un nombre croissant d'emplois évincés.

Ces deux lectures ne sont pas aussi opposées qu'il y paraît : dans l'histoire, toutes les révolutions industrielles ont commencé par de la « substitution ». Qu'une technologie mérite ou non le mot « révolution » ne dépend pas du nombre de personnes qu'elle remplace, mais de sa capacité, une fois la substitution opérée, à faire naître suffisamment de nouvelles tâches, de nouvelles organisations et de nouveaux besoins, et de la façon dont les gains sont finalement répartis.

Pour savoir quel camp se rapproche le plus des faits, il faut d'abord revenir à une question plus fondamentale : selon quels critères l'histoire économique reconnaît-elle une « révolution industrielle » ?

Quels critères définissent une révolution industrielle ?

Le titre de « révolution industrielle » ne se proclame pas le jour d'une invention ; il se décerne après coup, à la lumière des données. Les économistes parlent de « technologie à usage général » (General Purpose Technology) pour désigner des technologies comme la machine à vapeur, l'électricité ou l'informatique, et s'en servent pour juger si une technologie peut provoquer un changement révolutionnaire. Ces technologies présentent généralement trois caractéristiques :

• Un caractère diffusant : elles ne se limitent pas à un secteur, mais pénètrent presque tous les maillons de la production ;
• Une amélioration continue : leurs performances progressent et leurs coûts baissent sans cesse, ce qui élargit leur champ d'application ;
• Des innovations complémentaires : autour d'elles apparaissent de nouveaux équipements, de nouveaux modes d'organisation, de nouveaux modèles économiques, voire de nouveaux métiers.

Réunir ces trois traits n'est qu'une condition nécessaire. Ce que la postérité appelle une « révolution », c'est une hausse durable de la productivité, c'est-à-dire la capacité d'obtenir nettement plus de production avec les mêmes moyens.

Un détail historique est souvent oublié. Les premières décennies de la révolution industrielle britannique n'ont pas été une période où « tout le monde y gagne ». Selon les travaux de l'historien de l'économie Robert Allen, durant la première moitié du XIXe siècle, la production par habitant a continué de croître au Royaume-Uni, tandis que les salaires réels stagnaient longtemps ; le taux de profit a doublé, la part des profits dans le revenu national a augmenté, et celle des travailleurs et des propriétaires fonciers a reculé d'autant. Ce n'est qu'après le milieu du XIXe siècle que les salaires ont recommencé à progresser au même rythme que la productivité (source). Ce phénomène a été appelé plus tard la « pause d'Engels ».

Autrement dit, « hausse de la productivité » et « travailleurs remplacés qui ne partagent pas les gains » ont pu, dans l'histoire, être vrais en même temps. Après la diffusion du métier à tisser mécanique, par exemple, les revenus des tisserands à la main britanniques se sont effondrés et tout le métier a disparu, alors que la production totale de l'industrie cotonnière s'étendait rapidement. Du point de vue d'un tisserand de l'époque, cette « révolution » ressemblait à une simple substitution.

On voit ainsi que le débat actuel sur l'IA mêle en réalité deux questions : celle de l'efficacité, c'est-à-dire l'IA permet-elle de produire davantage avec les mêmes moyens ; et celle de la répartition, c'est-à-dire qui profite de cette production supplémentaire. Bien des positions en apparence irréconciliables ne répondent chacune qu'à l'une des deux.

Que voient ceux qui y reconnaissent une révolution ?

Ceux qui défendent l'idée d'une « nouvelle révolution industrielle » ne s'appuient pas seulement sur un optimisme technologique, mais sur plusieurs faits assez solides.

Premièrement, le coût des capacités baisse à une vitesse rarement observée. D'après le rapport « 2025 AI Index Report » de l'université Stanford, le coût d'inférence d'un modèle de niveau GPT-3.5 a baissé d'environ 280 fois entre novembre 2022 et octobre 2024 (source). La diffusion de la vapeur, de l'électricité et de la puissance de calcul a toujours supposé une forte baisse du coût unitaire. Dès qu'une capacité devient assez bon marché pour être utilisée partout, elle s'insère dans des étapes qu'il n'aurait pas été rentable d'automatiser auparavant : c'est l'origine de ce caractère diffusant.

Deuxièmement, dans des expériences contrôlées, les gains d'efficacité sont mesurables. Erik Brynjolfsson et ses coauteurs ont suivi 5 179 agents du service client, auxquels un assistant d'IA générative a été déployé par vagues successives : le nombre moyen de problèmes résolus par heure a augmenté de 14 %, de 34 % pour les nouveaux venus et les employés peu qualifiés, et presque pas pour les plus expérimentés ; la satisfaction client et la fidélisation des employés se sont également améliorées (source).

Ces données méritent une lecture attentive. L'IA aide d'abord les débutants, ce qui signifie qu'elle a en pratique « mis en boîte » l'expérience tacite des employés chevronnés pour la transmettre aux nouveaux. Ces dernières décennies, les technologies de l'information ont surtout favorisé les personnes très qualifiées ; ici, l'IA générative agit dans le sens inverse et réduit l'écart de compétences. Pour ses partisans, c'est le sens concret de l'expression « libérer les personnes » : permettre à chacun d'atteindre en peu de temps un niveau qui exigeait autrefois des années d'expérience.

Troisièmement, les projections macroéconomiques atteignent des ordres de grandeur comparables à ceux des grandes technologies du passé. Selon l'estimation publiée en 2023 par le département de recherche de Goldman Sachs, l'IA générative pourrait accroître d'environ 7 % le PIB mondial en dix ans (près de 7 000 milliards de dollars) et relever de 1,5 point de pourcentage la croissance annuelle de la productivité ; environ deux tiers des métiers aux États-Unis seraient exposés à l'automatisation par l'IA à des degrés divers, et 25 % à 50 % de leur charge de travail pourrait être remplacée (source).

Quatrièmement, c'est la première fois que l'automatisation pénètre à grande échelle le travail cognitif. La machine à vapeur et l'électricité ont surtout libéré la force physique ; l'informatique traitait surtout des tâches d'information aux règles bien définies. L'IA générative touche pour la première fois, à grande échelle, la rédaction, l'analyse, le codage, la conception, autant de travaux qui demandent de comprendre le contexte. Une première relecture de contrat, un texte marketing, un script de nettoyage de données se facturaient jusqu'ici en « jours-hommes » ; leur coût marginal est désormais proche de celui d'un appel à un modèle. La logique des partisans est la suivante : le travail de la connaissance représente, dans les économies avancées, la plus grande part de l'emploi ; une technologie qui l'affecte ne peut avoir un impact potentiel moindre que celles qui l'ont précédée.

Pourquoi d'autres estiment-ils que l'IA « ne mérite pas » le mot révolution ?

Les sceptiques ne nient pas que l'IA accomplisse beaucoup de travail. Ce qu'ils contestent, c'est que l'accomplir équivaille à une hausse significative de la productivité.

Au niveau macroéconomique, les chiffres pourraient être bien plus modestes. L'économiste du MIT Daron Acemoglu a extrapolé l'effet macroéconomique à partir de preuves au niveau des tâches et conclut que, sur les dix prochaines années, l'IA n'augmenterait la productivité totale des facteurs que de 0,66 % au plus ; en tenant compte des tâches difficiles à apprendre, ce chiffre tomberait sous 0,53 % (source). L'écart avec l'estimation de Goldman Sachs, qui table sur 1,5 point de pourcentage de croissance annuelle de productivité en plus, est d'un ordre de grandeur.

Cette différence tient surtout à une hypothèse. Acemoglu souligne que les preuves expérimentales actuelles proviennent en grande partie de tâches « faciles à apprendre », dont le résultat se juge selon des critères objectifs, comme la résolution ou non d'un ticket de support. Or de nombreux travaux à forte valeur reposent sur un jugement contextuel et n'ont pas de « bonne réponse » directement vérifiable. Extrapoler à toute l'économie les gains obtenus sur des tâches faciles à apprendre risque fort de surestimer l'effet global.

L'automatisation « moyenne » remplace sans accroître l'efficacité. Acemoglu et Pascual Restrepo ont avancé le concept de « so-so automation » : certaines technologies sont juste assez efficaces pour remplacer des travailleurs, sans l'être assez pour réduire sensiblement les coûts ni stimuler l'expansion des produits. Le résultat est une baisse de la part du travail, sans quasiment aucune amélioration de la productivité (source). Les caisses en libre-service des supermarchés en sont un exemple : le travail d'encaissement a été transféré aux clients, le commerçant économise de la main-d'œuvre, mais le parcours d'achat dans son ensemble n'est pas devenu plus rapide. Les sceptiques craignent que de nombreux déploiements où « l'IA remplace un poste » relèvent du même type.

Avoir l'impression d'aller plus vite n'est pas aller plus vite. En 2025, l'organisme de recherche à but non lucratif METR a mené un essai contrôlé randomisé : 16 développeurs open source expérimentés devaient accomplir 246 tâches réelles dans de grandes bases de code qu'ils connaissaient bien ; avec des outils d'IA, ils ont en moyenne passé 19 % de temps en plus. Ils s'attendaient au préalable à aller 24 % plus vite et, après coup, restaient persuadés d'avoir gagné environ 20 % (source). L'échantillon est très réduit et le contexte particulier, si bien que ces résultats ne se généralisent pas à tous les types de travail. Mais ils mettent en lumière un problème de mesure important : bien des jugements d'entreprise sur les « gains d'efficacité de l'IA » reposent sur l'auto-évaluation des salariés, laquelle peut s'écarter de façon systématique des résultats objectifs.

La création de nouvelles tâches ralentit. Les travaux de l'économiste du MIT David Autor et de ses coauteurs montrent qu'environ 60 % des emplois américains actuels sont de types apparus après 1940, preuve solide que « la technologie crée de l'emploi ». Mais la même étude constate aussi que, de 1980 à 2018, l'impact négatif de l'automatisation sur l'emploi a été plus de deux fois supérieur à celui de la période 1940-1980, tandis que l'effet d'« augmentation », qui crée de nouvelles tâches, progressait plus lentement (source). Si cette tendance se prolonge à l'ère de l'IA, la « substitution » prendra de l'avance sur la « création ».

Sur le plan de la répartition, Acemoglu estime aussi que l'IA touche les différentes catégories de personnes de façon plus homogène que les automatisations précédentes ; elle n'accentuerait pas forcément beaucoup les écarts de revenus au sein des travailleurs, mais risque fort d'élargir l'écart entre revenus du capital et revenus du travail. C'est là l'expression économique plus précise de l'intuition selon laquelle « l'IA remplace les personnes » : la productivité a peut-être augmenté, mais la production supplémentaire se transforme pour l'essentiel en rendement du capital.

Si les gains par tâche sont si nets, pourquoi les données macroéconomiques ne les montrent-elles pas ?

Ce casse-tête n'est pas propre à l'IA. En 1987, le prix Nobel d'économie Robert Solow avait laissé cette phrase maintes fois citée : « L'ère informatique se voit partout, sauf dans les statistiques de productivité. » C'est ce que l'on a appelé ensuite le « paradoxe de la productivité ». Ce n'est qu'au milieu et à la fin des années 1990 que l'accélération de la productivité due aux technologies de l'information est apparue clairement dans les données américaines.

En 1990, l'historien de l'économie Paul David a expliqué ce décalage par l'histoire de l'électricité. L'ampoule électrique existait dès 1879, New York et Londres avaient des centrales électriques vers 1881, mais en 1900 l'efficacité des entreprises ne montrait toujours aucun changement. La raison : les usines s'étaient d'abord contentées de remplacer leur machine à vapeur par des moteurs électriques, sans toucher à l'agencement des bâtiments, aux arbres de transmission ni aux procédés, et la productivité n'avait presque pas bougé. Le véritable changement est venu plus tard, avec la refonte : ateliers de plain-pied, lignes de production organisées selon le flux des matériaux, petit moteur indépendant sur chaque machine, ainsi que la formation des ouvriers et les contrats de travail qui allaient avec. Le bond de productivité américain n'est apparu que dans les années 1920, environ quarante ans après la commercialisation de l'électricité (source).

Brynjolfsson et ses coauteurs ont ensuite résumé ce phénomène par la notion de « courbe en J de la productivité » : pour qu'une technologie à usage général produise ses effets, il faut de nombreux investissements immatériels d'accompagnement, notamment la refonte des processus, la mise en ordre des données, la formation des employés et de nouvelles pratiques de management. Ces dépenses sont difficiles à comptabiliser comme du capital ; elles tirent donc vers le bas la productivité mesurée au début, et les gains ne se libèrent massivement qu'une fois l'accompagnement achevé (source).

En replaçant cette histoire dans le débat actuel, on peut en tirer une conclusion importante : ce que décrivent les sceptiques correspond probablement à l'étape du « moteur électrique qui remplace la machine à vapeur » ; ce sur quoi misent les partisans de la révolution, c'est l'étape de la « reconstruction de l'usine ». Aujourd'hui, la manière dominante d'utiliser l'IA en entreprise consiste à ajouter un assistant aux postes et processus existants. C'est très proche de ce qui se faisait quand on installait des moteurs électriques dans des bâtiments conçus pour la vapeur : l'efficacité locale progresse, mais le système ne change pas.

L'analogie a cependant ses limites. La diffusion de l'électricité était freinée par le cycle de renouvellement des actifs physiques que sont le réseau et les bâtiments, alors que l'IA se propage surtout par le logiciel et les services cloud, et peut donc en théorie aller plus vite. En revanche, la vitesse d'adaptation des structures organisationnelles, des postes et des règles de régulation ne s'accélère pas automatiquement parce que la technologie est logicielle. Savoir si l'IA parcourra la courbe en J plus vite que l'électricité dépend de l'emplacement du goulot d'étranglement, côté technologie ou côté organisation, et c'est la source du désaccord des deux camps sur l'échelle de temps.

Où se situe, au fond, le désaccord entre les deux points de vue ?

Si l'on décompose les arguments des deux côtés, ils s'opposent en réalité peu sur les faits. Les vrais désaccords se répartissent selon les dimensions suivantes.

Le tableau montre que le désaccord le plus fondamental porte sur le jugement concernant les « nouvelles tâches ». Si l'IA sert surtout à faire à moindre coût le travail existant, elle se rapproche de l'« automatisation moyenne » décrite par les sceptiques ; si elle fait naître des produits, des services et des métiers jusque-là impossibles, elle se rapproche de la révolution industrielle que décrivent les partisans.

Cela signifie que « substitution ou gain d'efficacité » n'est pas entièrement déterminé par la technologie elle-même. Un même grand modèle peut servir à supprimer une équipe de service client, ou à permettre à cette même équipe d'offrir un service personnalisé qu'elle ne pouvait pas fournir auparavant. Acemoglu comme Autor ont souligné que l'orientation du développement technologique dépend des incitations des entreprises, de la fiscalité et des dispositifs institutionnels. Par exemple, lorsque l'investissement en capital est fiscalement plus avantageux que l'embauche, les entreprises tendent à utiliser l'IA pour « économiser de la main-d'œuvre » plutôt que pour « augmenter les capacités ».

Quels signaux indiquent de quel côté penche la balance ?

Puisque le cœur du débat porte sur l'avenir et non sur le présent, la question la plus utile n'est pas « qui a raison », mais « quelles preuves rendraient un camp plus convaincant ». Les cinq catégories de signaux suivantes aident à juger de la tendance.

1. La productivité macroéconomique connaît-elle un point d'inflexion durable ? La croissance d'une seule année peut tenir au cycle économique ; seule une croissance de la productivité du travail supérieure à la tendance pendant plusieurs années consécutives permettrait la comparaison avec les années 1920 et la fin des années 1990.
2. L'évolution de la part du travail dans le revenu. Si la part du travail baisse de façon continue alors que la productivité augmente, cela signifie que la production supplémentaire va surtout au capital, ce qui ressemblerait à une situation de type « pause d'Engels ».
3. La vitesse d'apparition de nouveaux métiers. La méthode de recherche d'Autor consiste à suivre les nouveaux intitulés de métiers apparaissant dans les recensements. Les nouveaux métiers qui émergeront autour de l'IA dans les dix prochaines années auront-ils de l'ampleur, au lieu de se limiter à quelques postes techniques très bien rémunérés ? La réponse testera directement la crainte que « la substitution devance la création ».
4. Les entreprises « changent-elles de source d'énergie » ou « reconstruisent-elles l'usine » ? Si les entreprises traitent surtout l'IA comme un module complémentaire de postes existants, les gains macroéconomiques resteront très probablement limités ; si l'on voit apparaître des structures organisationnelles, des produits et des modèles économiques repensés autour de l'IA, la partie ascendante de la courbe en J pourra arriver.
5. Des preuves expérimentales sur les tâches difficiles. Les données les plus fiables aujourd'hui proviennent surtout de contextes où le résultat se mesure clairement : service client, rédaction, codage. À mesure que s'accumuleront des preuves issues d'essais contrôlés randomisés sur des tâches comme le diagnostic médical, la découverte scientifique ou la décision complexe, l'écart d'un ordre de grandeur entre Acemoglu et Goldman Sachs se réduira progressivement.

Parmi ces signaux, les deux premiers sont des résultats, les trois derniers des causes. Les indicateurs de résultat accusent généralement un retard de plusieurs années, alors que les indicateurs de cause sont déjà observables à l'échelle des entreprises et des secteurs. Pour qui veut se faire un jugement avant la publication des statistiques, ces trois derniers méritent un suivi plus attentif.

Conclusion

Ceux qui voient dans l'IA une nouvelle révolution industrielle et ceux qui la jugent simplement substitutive décrivent très probablement des phases différentes d'un même processus. La machine à vapeur comme l'électricité sont d'abord apparues sous les traits de la « substitution » ; les gains de productivité et les bénéfices pour les travailleurs sont arrivés bien plus tard, et pas de manière automatique.

De ce point de vue, « l'IA est-elle une révolution industrielle ? » ressemble davantage à une question laissée à l'avenir qu'à un fait que l'on pourrait trancher aujourd'hui. Une autre question mérite davantage d'être débattue : pendant cette période où la substitution est déjà à l'œuvre mais où les nouvelles tâches ne sont pas encore formées, vers quelle direction la technologie sera-t-elle orientée, et comment les gains seront-ils répartis ? Le titre de révolution industrielle est décerné par la postérité, et ce qui détermine le jugement qu'elle portera sur notre époque, ce sont précisément les choix faits durant cette période de transition.

Références

• Allen, R. C. Engels' pause: Technical change, capital accumulation, and inequality in the British industrial revolution. Explorations in Economic History, 2009
• Stanford HAI. The 2025 AI Index Report
• Brynjolfsson, E., Li, D., Raymond, L. Generative AI at Work. NBER Working Paper 31161
• Goldman Sachs. Generative AI could raise global GDP by 7%, 2023
• Acemoglu, D. The Simple Macroeconomics of AI. NBER Working Paper 32487
• Acemoglu, D., Restrepo, P. Automation and New Tasks: How Technology Displaces and Reinstates Labor. Journal of Economic Perspectives, 2019
• The Decoder. AI coding can make developers slower even if they feel faster, 2025
• MIT News. Does technology help or hurt employment? 2024
• History News Network. Paul David: It took decades for the economic impact of electricity to be felt
• Brynjolfsson, E., Rock, D., Syverson, C. The Productivity J-Curve. American Economic Journal: Macroeconomics, 2021