Le paradoxe de Solow version 2026 : pourquoi l'IA ne boost pas encore la productivité

En 1987, l'économiste Robert Solow, prix Nobel d'économie, lançait cette phrase restée célèbre : « On voit l'ordinateur partout sauf dans les statistiques de productivité. » Trente-neuf ans plus tard, un nombre croissant d'économistes murmurent la même chose à propos de l'intelligence artificielle. Les entreprises dépensent des milliards en licences, en infrastructure, en formations. Les outils prolifèrent. Les démonstrations impressionnent. Et pourtant : la croissance de la productivité reste atone dans la plupart des économies développées. C'est le paradoxe de Solow version 2026.

Ce phénomène n'est pas anodin pour les travailleurs. Il conditionne le rythme réel de transformation des métiers, la vitesse à laquelle les gains de l'IA se traduiront — ou non — en suppressions de postes, et la fenêtre de temps disponible pour s'adapter.

Rappel : qu'est-ce que le paradoxe de Solow ?

Dans les années 1970 et 1980, les entreprises ont investi massivement dans l'informatique. On attendait une explosion de la productivité. Elle n'est pas venue — du moins, pas immédiatement. La productivité américaine a même stagné entre 1973 et 1995, malgré l'adoption généralisée des ordinateurs personnels.

Pourquoi ? Les économistes ont identifié plusieurs raisons :

• Le temps de réorganisation : une technologie ne produit ses effets que lorsque les organisations se restructurent autour d'elle. L'ordinateur a d'abord reproduit les anciens processus papier — ce n'est qu'avec l'email, les ERP et Internet qu'il a transformé les flux de travail.
• La courbe d'apprentissage : les travailleurs doivent apprendre. Les managers doivent réinventer leurs process. Cela prend du temps et coûte de la productivité à court terme.
• La mesure inadaptée : les gains existent parfois, mais les statistiques de productivité ne les capturent pas correctement — surtout dans les services.

Ce n'est qu'à partir de 1995 que la « nouvelle économie » a enfin décollé, soit environ vingt ans après les premiers investissements massifs dans l'informatique.

L'électricité : le précédent le plus parlant

L'exemple de l'électricité est encore plus frappant. Les premières dynamos commerciales apparaissent dans les années 1880. L'électricité révolutionne la vie quotidienne dès les années 1890-1900. Pourtant, la productivité industrielle n'explose véritablement qu'entre 1915 et 1935 — soit trente à quarante ans plus tard.

Pourquoi ce délai ? Parce que les usines ont d'abord remplacé leurs moteurs à vapeur centraux par des moteurs électriques centraux — reproduisant l'ancienne architecture. C'est seulement quand elles ont repensé leur plan d'atelier de fond en comble — un moteur électrique par machine, disposition fluide de la chaîne — que les gains de productivité se sont matérialisés.

« La technologie transforme la productivité non pas quand elle arrive, mais quand les organisations se réinventent autour d'elle. » — Paul David, économiste, Stanford.

Ce schéma se répète avec une régularité troublante. Et il s'applique à l'IA.

L'IA en 2026 : des milliards investis, des stats qui boudent

Les chiffres d'investissement en IA sont vertigineux. En 2025, les entreprises mondiales ont dépensé plus de 300 milliards de dollars en infrastructure IA, licences de modèles, et projets d'intégration. Microsoft, Google, Amazon, Salesforce — tous ont intégré des copilotes dans leurs suites logicielles.

Et pourtant. La productivité totale des facteurs dans la zone euro a progressé de seulement 0,6 % en 2025, selon Eurostat — un chiffre médiocre comparable aux années pré-IA. Aux États-Unis, la productivité du travail a affiché une performance légèrement meilleure (1,9 %), mais très en deçà des attentes générées par le battage médiatique autour de l'IA générative.

Les économistes identifient plusieurs explications :

1. L'IA est encore mal intégrée

La plupart des entreprises utilisent l'IA à la marge — un copilote ici, un chatbot là. Elles n'ont pas encore réorganisé leurs processus fondamentaux. Comme l'usine qui remplace son moteur à vapeur par un moteur électrique sans changer la disposition des machines, elles obtiennent un gain minimal.

2. Le temps de formation est sous-estimé

Un consultant ou un analyste financier qui « utilise l'IA » passe souvent autant de temps à vérifier les outputs de l'IA qu'il en aurait passé à faire le travail lui-même. La confiance dans les outils n'est pas encore là. Les hallucinations, les erreurs de raisonnement, les biais — tout cela génère un coût de supervision non comptabilisé.

3. La mesure reste inadaptée

Les statistiques de productivité mesurent mal les gains qualitatifs. Si un chef de projet rédige un rapport deux fois mieux grâce à l'IA mais dans le même temps, la productivité officielle ne bouge pas. Pourtant, la valeur créée est supérieure.

4. Les résistances organisationnelles

Dans les grandes entreprises françaises, les projets IA se heurtent aux silos organisationnels, aux questions RGPD, aux réticences syndicales, et à une gouvernance souvent trop prudente pour permettre une adoption rapide. Résultat : les outils sont achetés, mais pas vraiment utilisés.

Quand la productivité va-t-elle décoller ?

Les économistes les plus optimistes, comme Erik Brynjolfsson de Stanford (lui-même le plus grand pourfendeur du paradoxe de Solow appliqué à l'IA), estiment que le décollage de productivité pourrait intervenir entre 2027 et 2032, à mesure que :

• Les organisations repensent leurs processus de fond en comble plutôt que de plaquer l'IA sur l'existant.
• Les modèles gagnent en fiabilité et nécessitent moins de supervision humaine.
• Une nouvelle génération de managers « nés avec l'IA » entre dans les organisations.
• Les infrastructures de données des entreprises atteignent un niveau de qualité suffisant pour alimenter des systèmes IA performants.

Les pessimistes, comme Robert Gordon de Northwestern, estiment que l'IA ne produira jamais les effets de productivité de l'électricité ou d'Internet — parce qu'elle cible des tâches cognitives dont les gains sont plus difficiles à mesurer et à capitaliser.

Ce que cela change pour les travailleurs

Pour les consultants, les économistes, les analystes financiers, les chefs de projet et les dirigeants qui lisent ces lignes, le paradoxe de Solow a une implication concrète : la disruption prendra plus de temps que les gros titres ne le suggèrent.

Cela ne signifie pas qu'il faut baisser la garde. Cela signifie que la fenêtre d'adaptation existe — et qu'elle est précieuse. Voici ce que les économistes recommandent :

1. Être parmi les premiers à vraiment maîtriser l'IA dans son domaine, pas seulement à l'utiliser superficiellement. La maîtrise crée une rente de compétence durable.
2. Contribuer à la réorganisation des processus plutôt que de la subir. Ceux qui repensent le travail autour de l'IA deviendront indispensables ; ceux qui se contentent d'exécuter les anciens processus avec des outils nouveaux seront les premiers éliminés.
3. Développer un esprit critique sur les outputs IA : la supervision intelligente des systèmes automatisés est une compétence rare et valorisée, précisément parce que la productivité réelle de l'IA dépend de la qualité de cette supervision.

Le paradoxe comme opportunité

Ironiquement, le paradoxe de Solow est une bonne nouvelle pour ceux qui veulent se préparer. Si la productivité n'explose pas immédiatement, cela signifie que les suppressions massives d'emplois ne sont pas non plus immédiates. Le marché du travail a le temps de s'ajuster — à condition que les individus et les institutions saisissent cette fenêtre.

L'histoire de l'électricité nous enseigne que les travailleurs qui ont su évoluer avec la technologie — les électriciens plutôt que les chauffeurs de chaudières, les techniciens de maintenance plutôt que les mécaniciens de vapeur — ont prospéré. Ceux qui ont attendu que la transformation vienne à eux ont subi.

En 2026, nous sommes probablement dans les années 1895 de l'IA : la technologie est là, les investissements s'accumulent, mais la réorganisation profonde n'a pas encore eu lieu. La productivité décollera. La question est : serez-vous prêt quand ce sera le cas ?

Pour mesurer le niveau de risque de votre poste à l'horizon de cette transformation, consultez les fiches métiers sur MonJobEnDanger.fr.