"On voit les ordinateurs partout, sauf dans les statistiques de productivité." Robert Solow formulait ce paradoxe en 1987, à propos de l'informatisation. Trente-cinq ans plus tard, la même phrase circule, presque mot pour mot, à propos de l'intelligence artificielle. Les études d'impact documentent des gains de productivité individuels réels, significatifs, reproductibles. Pourtant, ils n'apparaissent pas dans les données agrégées des organisations. La tentation est grande d'invoquer Solow : les gains viendront, il faut attendre. Cette lecture est partiellement juste, et c'est précisément ce qui la rend dangereuse.

Les gains individuels sont réels : le problème n'est pas l'outil

Les études d'impact sur l'IA au niveau du poste de travail sont parmi les plus rigoureuses que l'économie du travail ait produites ces dernières années. Ce point mérite d'être établi avant tout autre, parce que la discussion sur les gains de productivité souffre souvent d'une ambiguïté de niveau d'analyse.

Ce que les études disent au niveau du poste

L'étude de Brynjolfsson, Li et Raymond (Stanford/MIT, 2023) sur 5 179 agents support client établit un gain de productivité de +34 % pour les employés peu expérimentés. Il s'agit d'une étude randomisée, le niveau de preuve est élevé. L'effet est quasi nul pour les experts : l'IA compresse l'écart de compétences, elle ne supprime pas la compétence elle-même. Une expérimentation contrôlée de Harvard et BCG sur 758 consultants confirme le même ordre de grandeur : +40 % sur la qualité des livrables, +25 % sur la rapidité d'exécution. Les profils et les contextes sont différents ; les résultats convergent.

Ces deux sources posent un fait que la discussion publique sur l'IA traite rarement avec la précision qu'il mérite : le problème n'est pas dans l'outil. Les gains individuels sont prouvés, pas supposés. Ce qui reste inexpliqué, c'est leur invisibilité à l'échelle des organisations.

Le paradoxe de l'agrégation

L'étude NBER de Humlum et Vestergaard (2025) sur 25 000 travailleurs danois documentant l'adoption massive de l'IA générative produit un résultat déconcertant : l'économie de temps moyenne n'est que de 3 %. Pas d'impact significatif sur les revenus ni sur les heures travaillées. Comment des gains individuels de 25 à 40 % se dissolvent-ils à ce point dans les données agrégées ?

La béance entre les deux niveaux d'analyse n'est pas un artefact statistique. Elle signale que quelque chose, entre l'individu et l'organisation, absorbe les gains sans les transformer en valeur collective. C'est ce mécanisme d'absorption, ou plutôt son absence, qui est au cœur de la question.

Le paradoxe de Solow : cadre explicatif ou alibi ?

L'analogie avec le paradoxe de Solow s'impose naturellement. Il a fallu vingt-cinq ans, de 1970 à 1995, pour que les gains de l'informatisation se matérialisent dans les statistiques de productivité macroéconomiques. La lecture dominante en tire une leçon simple : l'IA suivra le même chemin, la patience est la bonne stratégie. Cette lecture n'est pas fausse. Elle est incomplète.

Ce que Solow décrit réellement

Le paradoxe de Solow n'était pas un paradoxe de compétences individuelles. C'était un paradoxe d'infrastructure. Les années 1970–1985 ont été des années d'équipement sans reconfiguration des processus : les organisations achetaient des ordinateurs, les installaient dans des structures de travail inchangées, et mesuraient ensuite leur déception. Le retournement de la courbe est venu quand les organisations ont restructuré leur façon de travailler autour de l'outil , pas quand elles ont attendu suffisamment longtemps. Ce que l'analogie Solow prescrit, c'est la reconfiguration, pas la temporisation.

La courbe en J : preuve de patience ou d'urgence ?

L' étude MIT/Census Bureau (2025) sur 10 000 entreprises manufacturières confirme la courbe en J : les adopteurs précoces enregistrent une baisse de productivité de −1,33 point à court terme, suivie d'une surperformance après quatre ans. Mais ce qui détermine le retournement n'est pas le simple écoulement du temps. L'étude identifie trois conditions : la maturité numérique préalable de l'organisation, sa taille, et sa flexibilité organisationnelle, c'est-à-dire sa capacité à reconfigurer ses processus autour du nouvel outil.

La courbe en J valide l'horizon temporel de Solow. Elle ne valide pas la passivité. Ce sont deux choses différentes, que la lecture dominante confond régulièrement.

L'écart qui se creuse : ce qu'"attendre" coûte réellement

Une enquête BCG d'octobre 2024 portant sur 1 000 CxOs dans 59 pays établit que 74 % des entreprises n'ont pas encore généré de valeur tangible à partir de l'IA. Mais le chiffre qui devrait retenir l'attention n'est pas celui-là : c'est le fait que les 26 % qui réussissent ont généré 1,5 fois plus de croissance de revenus et 1,6 fois plus de rendement pour les actionnaires sur trois ans. L'écart entre les deux groupes n'est pas stable, il s'accélère.

Une enquête IBM (2024, 3 000 CEOs) éclaire ce qui se passe dans les 74 % : 56 % n'ont pas encore évalué l'impact de l'IA sur leur organisation du travail, 51 % investissent avant de comprendre la valeur attendue, 39 % seulement disposent d'une gouvernance IA formalisée. Ce que ces chiffres décrivent, ce n'est pas une stratégie de patience délibérée, c'est une absence de pilotage.

"Attendre" n'est pas une position neutre dans un jeu où les écarts se creusent de façon asymétrique. C'est une position perdante qui se déguise en sagesse.

La condition organisationnelle : ce que Solow n'excuse pas

Si les gains individuels existent et ne remontent pas à l'échelle des organisations, la question est celle de la transmission. Qu'est-ce qui l'empêche ? Les données disponibles désignent une réponse claire, et ce n'est pas la technologie.

Les freins sont organisationnels, pas technologiques

BCG (2024) a produit une ventilation empirique des défis liés à l'adoption de l'IA en entreprise : 70 % relèvent des personnes et des processus, 20 % de la technologie, 10 % des algorithmes. L'erreur systémique observée est que la majorité des organisations concentrent leurs efforts sur ces 10 %.

47 % des employés utilisant l'IA déclarent ne pas savoir comment atteindre les gains de productivité espérés . 40 % n'ont reçu aucune guidance de leur management . Ce n'est pas un déficit de l'outil, c'est une défaillance de pilotage managérial et de conception des processus.

Ce qui distingue les 26 % : la reconfiguration, pas la patience

Le profil des entreprises qui génèrent de la valeur est documenté avec précision. BCG (2024) identifie trois traits structurants : elles lancent deux fois moins d'initiatives que les retardataires mais avec un ROI deux fois supérieur, elles concentrent plutôt que dispersent ; elles allouent 62 % de leurs efforts aux processus métier cœur plutôt qu'aux fonctions support ; leurs dirigeants incarnent personnellement l'usage de l'IA, un facteur présent trois fois plus souvent que chez les retardataires.

Ce profil n'est pas celui d'organisations qui ont attendu, c'est celui d'organisations qui ont reconfiguré. Ce qu'elles font reproduit exactement ce que Solow décrivait rétrospectivement pour les années 1970–1995 : le gain n'est pas venu du temps qui passe, il est venu de la restructuration des processus autour de l'outil.

Les projections macro confirment l'horizon, pas la passivité

Les projections de Goldman Sachs Research situent l'impact macroéconomique de l'IA comme négligeable jusqu'en 2026, avec une accélération attendue à partir de 2027 et des gains significatifs au début des années 2030. Cet horizon confirme la plausibilité de l'analogie Solow. Mais il ne dit rien sur ce que chaque organisation doit faire maintenant pour être dans la courbe ascendante, et non dans la traîne de celles qui n'auront pas reconfiguré à temps.

La variable causale des gains collectifs n'est pas le temps. C'est la transformation organisationnelle, la reconfiguration des processus, des compétences et du management autour de l'outil. Le temps est une condition nécessaire, pas suffisante. Les 74 % d'organisations qui n'ont pas encore généré de valeur et invoquent Solow comme justification de la temporisation utilisent l'analogie à contresens : Solow ne dit pas "attendez", il dit "transformez pendant que vous attendez que ça se mesure".

Une analogie valide, une stratégie invalide

Le paradoxe de Solow est un cadre de lecture légitime pour la diffusion des gains de productivité liés à l'IA. Il décrit correctement la temporalité du phénomène et explique pourquoi les données macroéconomiques restent, pour l'instant, décevantes. Mais il est mal utilisé dès qu'il devient une stratégie d'attente, parce que ce qui a résolu le paradoxe dans les années 1990 n'est pas le passage du temps, c'est la reconfiguration organisationnelle que le temps a rendu possible.

Les gains individuels documentés ne deviendront gains collectifs qu'à cette condition. Et cette condition n'est pas automatique : elle exige une décision organisationnelle, sur les processus, sur le management, sur les compétences. La question qui suit naturellement est celle-là : quelles compétences les managers doivent-ils développer pour piloter cette reconfiguration, et comment les identifier avant qu'elles ne manquent ?