Un rapport du Panel scientifique international indépendant des Nations unies sur l’intelligence artificielle pose une question qui devrait intéresser directement les dirigeants : qui capte réellement la valeur créée par l’IA ? Derrière cette interrogation apparaît un problème beaucoup plus large. Les entreprises ont beaucoup investi dans l’accès aux technologies, dans leur adoption et dans la multiplication des cas d’usage. Mais elles disposent encore de peu d’éléments pour mesurer la manière dont un gain obtenu sur une tâche se transforme réellement en performance économique.
Le Preliminary Report of the Independent International Scientific Panel on AI, publié le 1er juillet 2026, constitue la première évaluation scientifique indépendante mondiale produite par ce Panel des Nations unies. Il analyse notamment les trajectoires technologiques, les implications économiques, la sécurité, les droits humains et la gouvernance. Son rôle n’est pas de prescrire des politiques, mais de fournir une analyse scientifique indépendante destinée à éclairer la décision. (Nations Unies)
Sur le plan économique, le Panel formule une distinction particulièrement importante. Lors de la présentation de ses travaux à Genève, Loreto Bravo rappelle que la question n’est pas seulement de savoir ce que l’IA est capable de faire. Il faut également comprendre dans quelles conditions elle devient économiquement utile, qui peut l’adopter et qui capte la valeur qu’elle crée. Les chercheurs soulignent aussi que les gains déjà observés sur certaines tâches ne sont ni automatiques ni nécessairement convertis en productivité globale, en meilleurs emplois ou en croissance largement distribuée.
Cette distinction me paraît fondamentale pour l’entreprise. Elle conduit à remettre en question l’un des indicateurs les plus utilisés depuis l’arrivée de l’IA générative : le gain de productivité.
Nous mesurons peut-être mal le succès de l’IA
Depuis trois ans, beaucoup d’expérimentations sont évaluées à partir du temps économisé. Une tâche demandait une heure et n’en demande plus que quarante minutes. Un document nécessitait une journée de travail et peut désormais être préparé en quelques heures. Un développeur produit plus rapidement certaines parties de son code. Un service client traite davantage de demandes avec les mêmes ressources.
Ces gains existent et peuvent être importants. Le rapport du Panel ne les conteste pas. Il rappelle toutefois que l’amélioration d’une tâche ne permet pas, à elle seule, de conclure à une amélioration de la performance économique.
Pour comprendre pourquoi, prenons le cas d’une entreprise de 500 collaborateurs qui déploie un système d’IA permettant théoriquement d’économiser 20 % du temps consacré à certaines tâches. Le chiffre semble spectaculaire. Il pourrait rapidement devenir un indicateur présenté au COMEX pour démontrer le succès du programme.
Mais une question beaucoup plus difficile apparaît immédiatement : où sont passés ces 20 % ?
Ce temps a-t-il été transformé en chiffre d’affaires supplémentaire ? En capacité de production ? En réduction des coûts ? En amélioration de la qualité ? En accélération de la mise sur le marché ? En innovation ? En amélioration de l’expérience client ? En temps disponible permettant aux collaborateurs de se concentrer sur des tâches plus complexes ? Ou a-t-il simplement été absorbé par davantage de réunions, de courriels et d’activité ?
La distinction est essentielle. Une entreprise peut améliorer considérablement l’efficacité individuelle de milliers de collaborateurs sans modifier proportionnellement sa performance collective.
Le gain de productivité d’une tâche ne constitue donc que le début du raisonnement économique.
Entre adoption et valeur, le chaînon manquant est l’organisation
Cette observation conduit à une seconde question : comment un gain individuel devient-il une performance organisationnelle ?
Je propose de représenter cette transformation par une chaîne simple :
Capacité IA → Adoption → Transformation organisationnelle → Performance → Valeur
La première étape dépend essentiellement de la technologie. Les modèles offrent de nouvelles capacités : rédaction, analyse, synthèse, génération de code, recherche, automatisation ou prise en charge progressive de certaines actions.
La deuxième correspond à leur adoption. L’entreprise fournit les outils, développe des cas d’usage, forme les collaborateurs et mesure leur utilisation.
Mais c’est entre l’adoption et la performance que les difficultés commencent réellement.
Une organisation peut utiliser massivement l’IA sans avoir transformé ses processus. Elle peut ajouter des assistants génératifs à une organisation conçue avant leur apparition, tout en maintenant les mêmes circuits de validation, les mêmes indicateurs, les mêmes responsabilités et parfois les mêmes lourdeurs.
Autrement dit, automatiser une organisation existante ne signifie pas nécessairement la transformer.
Cette proposition constitue ma lecture organisationnelle des conclusions économiques du Panel. Le rapport lui-même souligne que les bénéfices économiques de l’IA dépendent des conditions d’adoption et qu’ils ne se traduisent pas automatiquement en gains agrégés.
Pour l’entreprise, la conséquence est directe. Lorsqu’un processus comportant six étapes est équipé d’intelligence artificielle, la première question ne devrait peut-être pas être de savoir comment accélérer chacune de ces étapes. Elle devrait être de déterminer si les six étapes sont toujours nécessaires.
Cette différence marque le passage de l’automatisation à la transformation.
L’IA devient alors moins un outil destiné à optimiser l’existant qu’un moyen de repenser la manière dont le travail est organisé, dont les décisions sont prises et dont les responsabilités sont distribuées.
Qui capte réellement la valeur créée ?
La question de la captation de valeur est probablement l’un des apports les plus intéressants de l’analyse économique du Panel. Loreto Bravo l’intègre explicitement parmi les questions permettant de comprendre les conséquences économiques de l’intelligence artificielle.
Pour un dirigeant, cette interrogation mérite d’être appliquée à chaque programme IA.
Reprenons les 20 % de temps économisé par notre entreprise de 500 collaborateurs. Plusieurs scénarios sont possibles. L’entreprise peut transformer une partie de ce gain en capacité supplémentaire et produire davantage avec les mêmes ressources. Elle peut améliorer sa marge en diminuant certains coûts. Elle peut réduire ses délais et transférer une partie du bénéfice au client. Elle peut utiliser le temps disponible pour développer de nouveaux produits ou renforcer la qualité du travail.
Mais la valeur peut également être captée ailleurs.
Une partie peut être absorbée par le fournisseur technologique à travers les licences, les coûts d’inférence ou l’utilisation croissante de son infrastructure. Une autre peut être transférée aux clients par la baisse des prix. Une autre encore peut être absorbée par l’organisation elle-même si les processus ne permettent pas de convertir le temps économisé en résultat mesurable.
La productivité annoncée ne dit donc pas qui bénéficie réellement de la transformation.
Cette question devient plus importante à mesure que les entreprises dépendent d’écosystèmes technologiques concentrés. Le rapport identifie précisément la structure des marchés, la concentration et la distribution parmi les dimensions économiques qu’il faut analyser pour comprendre les effets de l’IA.
Pour les entreprises, la question de la création de valeur ne peut pas être séparée de celle de sa distribution. Une stratégie IA devrait mesurer non seulement ce qu’un outil permet d’économiser, mais aussi quelle proportion de ce gain demeure réellement dans l’entreprise.
La dette organisationnelle de l’IA
Cette difficulté en révèle une autre. À mesure que les entreprises accélèrent leur adoption de l’intelligence artificielle, un écart peut apparaître entre leurs capacités technologiques et leur capacité organisationnelle à les absorber.
J’y vois une forme de dette organisationnelle de l’IA.
Ce concept ne figure pas dans le rapport des Nations unies. Il s’agit d’une grille de lecture que je propose pour analyser ce qui se produit lorsque la vitesse d’adoption technologique devient supérieure à la vitesse de transformation de l’organisation.
La dette apparaît progressivement. Des outils sont ajoutés sans supprimer les anciens processus. Les cas d’usage se multiplient sans système commun de mesure de leur valeur. Des collaborateurs utilisent plusieurs assistants sans visibilité globale. Les agents obtiennent progressivement des droits d’accès à des applications internes. Les fournisseurs se multiplient. Les responsabilités deviennent plus difficiles à identifier. Les coûts technologiques augmentent alors que leur contribution économique reste parfois difficile à mesurer. Aucune de ces décisions n’est nécessairement problématique lorsqu’elle est prise isolément. C’est leur accumulation qui crée une difficulté. L’entreprise finit par disposer d’une architecture technologique très avancée posée sur une architecture organisationnelle qui, elle, a beaucoup moins évolué.
Le parallèle avec la dette technique est utile. Dans un système informatique, les solutions rapides accumulées au fil du temps peuvent rendre les transformations futures plus coûteuses et plus complexes. La dette organisationnelle de l’IA fonctionnerait selon un mécanisme comparable. Plus l’organisation ajoute des usages sans revoir ses processus, ses responsabilités et ses mécanismes de décision, plus le coût de la transformation future augmente.
Cette hypothèse permet également de relativiser la course actuelle à l’adoption. Une entreprise qui déploie rapidement des dizaines d’applications n’est pas nécessairement plus mature qu’une autre qui se concentre sur quelques processus stratégiques et mesure précisément leur contribution économique.
La maturité ne devrait donc plus être confondue avec la quantité d’IA présente dans l’organisation.
Il faut changer les indicateurs présentés au COMEX
Nous arrivons alors à une question de management très concrète. Que faut-il mesurer ?
Le nombre de collaborateurs utilisant l’IA reste utile. Le nombre de cas d’usage également. Le temps économisé constitue un indicateur important. Mais aucun de ces éléments ne permet, pris isolément, de démontrer la création de valeur.
Il devient nécessaire de suivre la chaîne complète.
Capacité. Quelle nouvelle possibilité technologique avons-nous introduite ?
Adoption. Qui l’utilise réellement et avec quelle fréquence ?
Transformation. Quel processus, quelle responsabilité ou quelle manière de travailler avons-nous modifié ?
Performance. Quel indicateur opérationnel s’est amélioré ?
Valeur. Quelle contribution cette amélioration apporte-t-elle aux objectifs économiques ou stratégiques de l’entreprise ?
Cette dernière étape est probablement la plus difficile. Elle oblige à relier les initiatives IA aux indicateurs traditionnels de l’entreprise : chiffre d’affaires, marge, coûts, délais, satisfaction client, qualité, risque, innovation ou capacité de croissance.
Elle oblige également à accepter qu’un projet très utilisé puisse créer peu de valeur et qu’un cas d’usage beaucoup plus limité puisse au contraire transformer un processus stratégique.
Cette nouvelle grille modifie alors la question posée au COMEX. Il ne s’agit plus seulement de demander combien de collaborateurs utilisent l’intelligence artificielle ou combien de projets ont été lancés.
Il faut demander : où se situe aujourd’hui notre principal point de rupture dans la chaîne de création de valeur ?
La technologie est-elle insuffisante ? L’adoption est-elle trop faible ? Les processus n’ont-ils pas été transformés ? Les gains opérationnels existent-ils mais ne sont-ils pas captés ? Ou l’entreprise est-elle simplement incapable de les mesurer ?
Les réponses conduisent à des stratégies très différentes.
Le passage de l’expérimentation à l’exécution
L’intérêt du rapport du Panel scientifique des Nations unies réside précisément dans le fait qu’il refuse une lecture déterministe de l’intelligence artificielle. Les capacités progressent, mais leurs conséquences économiques dépendent des conditions dans lesquelles elles seront adoptées, intégrées et distribuées. Le Panel lui-même précise qu’il produit des évaluations scientifiques indépendantes et non prescriptives, destinées à éclairer la décision plutôt qu’à imposer des réponses.
Cette prudence scientifique fournit pourtant aux entreprises une indication stratégique importante. Après plusieurs années consacrées à l’expérimentation et à l’adoption, le principal défi pourrait désormais se déplacer vers la conversion.
Comment convertir une capacité technologique en transformation organisationnelle ? Comment convertir cette transformation en performance ? Comment convertir la performance en valeur ? Et comment s’assurer que l’entreprise capture une partie suffisante de cette valeur pour justifier ses investissements ?
C’est à ce niveau que le débat sur l’IA devient véritablement un sujet de direction générale.
Le problème n’est plus uniquement technologique. Il n’est même plus seulement celui de l’adoption. Il concerne la manière dont l’entreprise transforme ses processus, ses décisions et son organisation afin de convertir les nouvelles capacités de l’intelligence artificielle en résultats économiques mesurables.
La question à poser aux dirigeants pourrait donc être beaucoup plus simple que les débats actuels sur les modèles et les outils :
Nous avons adopté l’intelligence artificielle. Mais où se trouve la valeur ?
C’est probablement cette question qui permettra de distinguer les entreprises qui utilisent l’IA de celles qui auront réellement appris à créer de la valeur avec elle.
L’intelligence artificielle crée une capacité. Les organisations créent la valeur.
