Le grand paradoxe de l’IA : la productivité augmente, mais où passe la valeur ?

Les entreprises commencent à mesurer sérieusement les gains de productivité apportés par l’intelligence artificielle. Elles ont beaucoup plus de mal à expliquer où cette productivité apparaît dans leurs résultats. C’est peut-être là que commence le véritable problème économique de l’IA.

Les chiffres donnent la mesure du paradoxe. Selon le Stanford AI Index 2026, 88 % des organisations interrogées déclaraient utiliser l’intelligence artificielle en 2025 et 70 % l’IA générative dans au moins une fonction. L’adoption n’est donc plus marginale. Mais l’enquête mondiale 2026 de McKinsey raconte une histoire plus nuancée : 80 % des répondants observent une amélioration de leur productivité individuelle, tandis que 37 % seulement attribuent à l’IA un impact positif sur l’EBIT de leur organisation. Les entreprises qualifiées d’« AI high performers », qui attribuent au moins 5 % de leur EBIT à l’IA et jugent son impact significatif, représentent environ 6 % des répondants.

Nous avons peut-être trop rapidement mis dans une même équation adoption, usage, productivité et création de valeur. Or, au fil des entretiens menés pour EntrepreneurIA, une contradiction revenait régulièrement. Les entrepreneurs me parlaient de performances techniques parfois spectaculaires : temps de traitement divisé, tâches automatisées, capacités prédictives nouvelles, coûts d’inférence réduits. Beaucoup plus rarement de la manière dont ces performances se traduisaient dans les comptes, l’organisation ou la décision.

C’est cet écart que j’ai voulu examiner.

Capacité IA ≠ usage IA ≠ productivité ≠ valeur créée ≠ valeur capturée.

Entre chacune de ces étapes, quelque chose peut se perdre.

Une heure gagnée, mais pour en faire quoi ?

Imaginons une entreprise qui introduit un copilote permettant de réduire de 30 % le temps consacré à une tâche. Le résultat est mesurable. Mais seulement la moitié des collaborateurs utilisent régulièrement l’outil. Ceux qui l’adoptent travaillent effectivement plus vite, sans que le processus dans lequel s’inscrit leur tâche soit modifié. Enfin, personne n’a réellement décidé de ce que deviendrait le temps libéré. Le collaborateur termine plus tôt. Mais traite-t-il davantage de dossiers ? Consacre-t-il ce temps à une activité à plus forte valeur ajoutée ? L’entreprise améliore-t-elle son service, sa marge, ses revenus ou sa capacité d’innovation ? Pas nécessairement.

C’est une distinction importante, parce qu’elle change la lecture des études sur la productivité de l’IA. Montrer qu’un salarié accomplit une tâche plus rapidement constitue une information précieuse. Mais ce gain individuel n’est pas encore la preuve d’une création de valeur équivalente à l’échelle de l’organisation.

La technologie a fonctionné. La valeur s’est pourtant perdue en chemin.

La question qui m’intéresse est précisément celle-ci : où ?

VALEUR est né de cette question

Au fil des cas EntrepreneurIA, j’ai commencé à retrouver certains mécanismes derrière des situations pourtant très différentes. Ils ne concernent pas seulement la technologie. Ils touchent à la manière dont l’entreprise définit ce qu’elle cherche à obtenir, donne du contexte à ses systèmes, répartit les responsabilités, transforme ses processus, fait évoluer les usages et, finalement, mesure puis réinvestit les résultats obtenus.

J’ai regroupé ces mécanismes dans un cadre que j’appelle VALEUR.

Le V désigne la Valeur cible. Avant de parler de modèle ou d’agent, quel résultat voulons-nous réellement transformer ? Un coût, un revenu, un risque, la qualité, le délai de mise sur le marché, l’expérience client ? Cette question paraît évidente. Elle l’est beaucoup moins lorsqu’on examine certains projets IA, lancés parce que la technologie est disponible avant même que le problème économique soit parfaitement défini.

Le A, pour Ancrage contextuel, concerne tout ce dont l’IA a besoin pour agir utilement dans une organisation : données, connaissances métier, historique, règles, systèmes d’information, vocabulaire ou droits d’accès. Un excellent modèle sans le contexte nécessaire peut produire un résultat techniquement impressionnant et opérationnellement médiocre.

Le L correspond au Leadership et à l’accountability. Qui est responsable du résultat ? Qui décide du degré d’autonomie de l’IA ? Qui arbitre lorsque vitesse, coût et risque entrent en conflit ? Et, question de plus en plus importante avec les agents, qui répond d’une mauvaise décision ?

Le E renvoie à l’Exécution et au redesign. Ajouter un copilote à un processus existant ne produit pas la même transformation que repenser entièrement la manière dont le travail circule entre humains et systèmes.

Le U concerne les Usages et l’apprentissage : adoption réelle, compétences, expérimentation, nouvelles routines, mais aussi ce que l’entreprise apprend de ses réussites et de ses erreurs.

Enfin, le R désigne la Réalisation et le réinvestissement. Qu’avons-nous réellement obtenu ? Et surtout : qu’allons-nous faire du temps, de l’argent ou de la capacité ainsi libérés ?

VALEUR n’est pas conçu comme un nouveau score de maturité. Son intérêt, s’il se confirme, serait plutôt de rendre visibles les endroits où la conversion d’une capacité technologique en résultat organisationnel se dégrade.

HiperCom : dix-huit mois qui changent la lecture du ROI

Lorsque j’ai interrogé Yves Frérot, dirigeant d’HiperCom, un chiffre m’a particulièrement intéressée : dix-huit mois.

Non pas dix-huit mois pour développer une technologie, mais jusqu’à dix-huit mois, selon lui, pour que certains collaborateurs s’adaptent aux nouveaux usages de l’IA introduits dans l’entreprise. HiperCom avait pourtant commencé à travailler avec l’intelligence artificielle bien plus tôt, dès 2016, notamment avec Google Vision pour la reconnaissance d’images. Cette durée change la manière de regarder le ROI. Dans un business case, nous savons relativement bien intégrer le coût d’une licence, d’une infrastructure ou d’un développement. Nous sommes moins habitués à mesurer le temps séparant la disponibilité technique d’un outil de son utilisation régulière et efficace.

Je propose d’appeler cet intervalle la latence d’adoption. Pendant cette période, l’entreprise finance simultanément la nouvelle technologie, son intégration, l’apprentissage et souvent la persistance des anciennes pratiques. Le retour sur investissement ne dépend donc pas seulement de la qualité du système. Il dépend aussi de la vitesse avec laquelle l’organisation parvient à modifier ses routines.

Le temps de la technologie et celui de l’organisation ne sont tout simplement pas les mêmes.

Bioceanor : quand le métier devient une partie du système IA

Le cas Bioceanor m’a conduite vers un autre problème. L’entreprise utilise l’intelligence artificielle pour analyser et anticiper l’évolution de paramètres liés à la qualité de l’eau, notamment dans l’aquaculture. À première vue, nous pourrions considérer qu’il s’agit essentiellement d’un problème algorithmique. Ce serait oublier une grande partie de ce qui produit réellement la prédiction. Il faut des données environnementales, des modèles scientifiques, des observations, une compréhension des phénomènes biologiques et une expertise de la biologie marine. Samuel Dupont insistait précisément sur ce point lors de notre entretien : sans cette connaissance métier, les modèles de Bioceanor n’auraient pas la même valeur.

Cela pose une question stratégique à mesure que les mêmes modèles deviennent accessibles à un nombre croissant d’entreprises. Si tout le monde peut accéder à des technologies comparables, où se déplace la différenciation ? Une partie de la réponse pourrait se trouver dans le contexte propriétaire que l’organisation est capable de fournir à l’IA : ses données, son histoire, ses processus, son expertise et sa compréhension du terrain.

Chez Bioceanor, une autre dimension m’a intéressée : la confiance. Samuel Dupont expliquait qu’elle s’était construite progressivement en confrontant les prédictions du système aux observations. Il citait notamment un cas dans l’industrie salmonicole chilienne où l’entreprise affirme avoir anticipé une forte baisse du niveau d’oxygène quarante-huit heures à l’avance.

Le résultat est rapporté par Bioceanor et ne constitue pas une validation scientifique indépendante. Mais le mécanisme mérite l’attention : dans un environnement où une erreur peut avoir des conséquences importantes, la confiance ne se décrète pas au moment du déploiement. Elle se construit par la preuve.

Le cas Pruna AI pose une autre question : que coûte réellement un résultat ?

Lors de mon entretien avec Bertrand Charpentier, cofondateur de Pruna AI, nous avons beaucoup parlé d’optimisation des modèles. Il présentait notamment un cas dans lequel le temps d’inférence serait passé de 13,5 à 3,6 secondes et le coût d’un million d’images de 10 000 à 2 600 euros. Pruna AI indiquait également utiliser des benchmarks afin de vérifier que la compression ne dégradait pas la qualité. Ces performances sont communiquées par l’entreprise et doivent être lues comme telles. Mais elles ouvrent une question économique beaucoup plus large. Nous parlons énormément du prix des modèles et des tokens. Or ce n’est pas nécessairement ce que paie réellement l’entreprise pour obtenir un résultat utilisable.

Avec les systèmes agentiques, le décalage devient encore plus visible. Un agent peut appeler plusieurs modèles, rechercher des données, utiliser différents outils, recommencer une opération, demander une validation humaine puis enregistrer le résultat dans un système métier. À cela s’ajoutent l’intégration, la sécurité, la supervision, les erreurs, la maintenance et la gouvernance.

McKinsey observe d’ailleurs en 2026 qu’environ 20 % des répondants déclarent que les coûts opérationnels liés à l’IA, notamment ceux associés aux tokens, ont déjà limité certains usages.

Cela m’amène à proposer une autre unité de lecture : le Cost per Verified Outcome, ou coût par résultat vérifié. Non plus seulement combien coûte le modèle, mais combien coûte l’ensemble du dispositif nécessaire pour produire un résultat conforme et réellement exploitable.

Cette métrique reste à construire et à tester. Mais elle me semble plus proche de la question que se pose un dirigeant : combien me coûte réellement le résultat que je veux obtenir ?

Faut-il vraiment automatiser tout ce qui peut l’être ?

Best Western apporte ici un contrepoint intéressant. Lors d’une intervention aux All4Customer Meetings 2026, Olivier Cohn, directeur général de Best Western France, présentait un taux de satisfaction de 73,6 % lorsque l’IA et l’humain intervenaient dans le parcours. Contre 55,6 % dans un parcours entièrement automatisé.

La taille de l’échantillon et le protocole complet ne sont pas disponibles dans la source publique. Il serait donc méthodologiquement incorrect d’en déduire une supériorité générale des dispositifs hybrides. Mais ce résultat oblige à interroger un présupposé : pourquoi le taux maximal d’automatisation devrait-il constituer un objectif en soi ?

Pour une demande simple, standardisée et vérifiable, l’automatisation peut être parfaitement rationnelle. Une situation conflictuelle, émotionnelle ou ambiguë répond à une autre logique. Le bon niveau d’autonomie dépend alors du contexte, de la capacité à vérifier la réponse et surtout du coût d’une erreur.

C’est une question qui deviendra centrale avec les agents IA. La performance d’une organisation ne se mesurera peut-être pas à la quantité de décisions qu’elle aura transférées à la machine, mais à sa capacité à choisir intelligemment lesquelles transférer.

Où la valeur se perd-elle ?

En reprenant les cas étudiés, j’ai identifié sept endroits où cette conversion peut se dégrader. Je les considère aujourd’hui comme des hypothèses de travail.

La première fuite apparaît lorsque le projet part de la technologie plutôt que du résultat recherché : fuite de ciblage. Une deuxième survient lorsque l’IA ne dispose pas du contexte, des données ou des connaissances nécessaires : fuite de contexte. Une troisième concerne la responsabilité : personne ne possède clairement le résultat, le risque ou la décision.

Vient ensuite la fuite d’exécution : l’IA accélère une partie du processus sans que le processus lui-même soit repensé. HiperCom illustre une autre possibilité, la fuite d’adoption, lorsque la technologie est disponible avant que les usages aient réellement changé. La sixième est une fuite de mesure. Elle apparaît lorsque l’on assimile un nombre d’utilisateurs, un temps gagné ou un volume de requêtes à de la valeur économique. Reste la septième, qui me semble particulièrement importante : la fuite de capture.

Un gain existe, mais l’organisation ne décide pas de ce qu’elle va en faire. Le commercial gagne du temps sans prospecter davantage. Le conseiller traite ses dossiers plus rapidement sans améliorer la relation client. Le développeur code plus vite, mais le cycle global de livraison ne se raccourcit pas.

C’est ici que la différence entre productivité et valeur devient tangible.

Toutes les transformations IA ne se valent pas

Une autre distinction est apparue au cours de ce travail. Améliorer une tâche, transformer un processus, modifier une organisation ou créer une capacité stratégique nouvelle ne relèvent pas du même niveau de transformation.

Au premier niveau, l’IA aide à rédiger, rechercher, traduire, résumer ou coder. Au deuxième, elle modifie un processus complet. Au troisième, elle commence à toucher les rôles, les responsabilités ou la prise de décision. Au quatrième, elle participe à la création d’un nouveau produit, d’un service ou d’un avantage compétitif.

Les travaux récents du World Economic Forum confortent l’importance de cette dimension organisationnelle. Dans son rapport publié en mars 2026 avec Accenture, à partir des retours de 450 dirigeants, le WEF met notamment en avant la responsabilité humaine, le redesign de bout en bout des modèles opérationnels, les compétences, la confiance et l’expérimentation disciplinée. McKinsey observe également que les entreprises obtenant les résultats les plus importants de l’IA sont davantage susceptibles de repenser leurs workflows.

Mais cette profondeur crée un problème de mesure. Il est relativement simple d’évaluer le temps gagné pour rédiger un document. Il devient beaucoup plus difficile d’isoler la contribution exacte de l’IA lorsque celle-ci transforme simultanément le CRM, le marketing, la prospection, la relation client et certaines décisions managériales.

J’appelle cette difficulté le paradoxe d’attribution : plus l’IA devient structurelle dans l’organisation, plus sa contribution économique peut devenir difficile à isoler.

Cela ne signifie pas qu’il faut renoncer au ROI. Cela signifie probablement qu’il faut accepter plusieurs horizons et plusieurs niveaux de mesure.

La valeur la plus importante est peut-être celle que l’on mesure le moins

Une dernière dimension mérite enfin d’être regardée : l’apprentissage organisationnel.

À force d’expérimenter, certaines entreprises apprennent quelles tâches déléguer, quelles données connecter, quelles erreurs surveiller, quand maintenir une validation humaine et comment répartir les responsabilités. Elles développent progressivement une connaissance que leurs concurrents ne possèdent pas nécessairement.

Un working paper publié par le NBER en août 2026 par Tania Babina, Alex X. He et Renhao Jiang apporte ici un éclairage intéressant. Les chercheurs observent une association entre les investissements en IA et la croissance récente de la productivité. Ils relient leurs résultats à l’accumulation d’organization capital : des connaissances durables et spécifiques à l’entreprise acquises notamment par l’apprentissage par la pratique.

Ce travail est récent et ne valide évidemment pas VALEUR. Il invite néanmoins à regarder différemment le retour sur investissement de l’IA.

Une expérimentation peut produire un résultat économique immédiat. Mais elle peut également apprendre à l’organisation comment mieux choisir ses prochains cas d’usage, mieux intégrer ses données, mieux répartir les responsabilités ou éviter certaines erreurs.

La conversion pourrait alors devenir cumulative :

Capacité technologique → conversion organisationnelle → valeur capturée → apprentissage → capital organisationnel → nouvelle capacité de conversion.

Les modèles deviennent accessibles à un nombre croissant d’entreprises. L’expérience accumulée pour savoir comment les utiliser ne se télécharge pas avec une licence.

La question que je poserais aujourd’hui à un dirigeant

Pendant plusieurs années, la question dominante a été : « Que peut faire l’IA ? » Puis elle est devenue : « Comment la déployer ? »

Je crois qu’une troisième question est en train d’apparaître :

Où mon organisation perd-elle de la valeur entre ce que l’IA rend possible et ce qu’elle parvient réellement à capturer ?

C’est cette question que VALEUR cherche à rendre observable. Le cadre doit encore être confronté à davantage de situations, et notamment à des cas moins confortables : projets arrêtés, expérimentations sans résultat, investissements mal ciblés, automatisations dont les coûts dépassent les bénéfices. Il devra également être confronté plus systématiquement à la littérature existante et, si nous voulons aller vers une validation académique, à un protocole empirique beaucoup plus robuste.

Mais le terrain EntrepreneurIA me conduit déjà à une conviction.

L’intelligence artificielle crée une capacité. Les organisations créent la valeur.

La compétition ne se jouera donc peut-être pas seulement entre les entreprises disposant des meilleurs modèles. Elle pourrait se jouer entre celles qui savent convertir cette capacité et celles qui laissent progressivement la valeur se perdre entre la technologie, les usages et leurs résultats.

Note méthodologique

Le modèle VALEUR, les sept fuites de valeur, la proposition de Cost per Verified Outcome, les niveaux de profondeur de transformation et le paradoxe d’attribution constituent des propositions conceptuelles exploratoires développées dans le cadre des recherches EntrepreneurIA. Ils résultent du croisement entre l’analyse qualitative de cas d’entreprise et des travaux récents consacrés à l’adoption de l’intelligence artificielle, à la productivité et à la transformation organisationnelle.

Ces concepts n’ont pas, à ce stade, fait l’objet d’une validation causale ou psychométrique. Ils ne doivent donc pas être interprétés comme une échelle de maturité, un modèle prédictif ou une taxonomie scientifiquement établie. Les données provenant des entretiens EntrepreneurIA sont distinguées des résultats issus de recherches académiques ou d’enquêtes externes. Lorsqu’une performance est communiquée par une entreprise sans validation indépendante disponible, cette limite est indiquée.

Sources et références

Stanford Institute for Human-Centered Artificial Intelligence. AI Index Report 2026 — Economy. Stanford University, 2026.

McKinsey & Company. The State of AI in 2026: On the road to ROI. 2026.

Babina, T., He, A. X., & Jiang, R. Canaries in the Gold Mine: Early Productivity Gains from Artificial Intelligence Creating Organization Capital. NBER Working Paper No. 35,684, août 2026. DOI: 10,338 6/w35684.

World Economic Forum, avec Accenture. Organizational Transformation in the Age of AI: How Organizations Maximize AI’s Potential. Mars 2026.

EntrepreneurIA – Yves Frérot, HiperCom. Entretien consacré à l’intégration de l’IA, aux usages de Google Vision et à l’adoption par les collaborateurs.

EntrepreneurIA — Samuel Dupont, Bioceanor. Entretien consacré à l’IA appliquée à la qualité de l’eau, à l’expertise métier et à la construction de la confiance.

EntrepreneurIA — Bertrand Charpentier, Pruna AI. Entretien consacré à la compression et à l’optimisation des modèles, aux performances d’inférence, aux coûts et aux benchmarks.

EntrepreneurIA — Olivier Cohn, Best Western France. Analyse de l’articulation entre automatisation, IA et présence humaine dans l’expérience client.