Pourquoi l’adoption de l’IA ne fait pas exploser la productivité [Article traduit]

1. Le paradoxe de la productivité de Brynjolfsson, version ère GenAI

• Déjà dans les années 1990, lors de l’adoption de l’IT et du PC, les indicateurs de productivité progressaient à peine malgré les investissements. Le cœur du paradoxe de la productivité de Brynjolfsson est que, sans compléments comme la réorganisation des structures, la refonte du travail ou l’évolution des compétences, la technologie seule n’améliore pas la productivité.
• Aujourd’hui encore, malgré une adoption explosive de l’IA générative, la productivité de l’ensemble de l’économie et les transformations structurelles des entreprises restent limitées. L’article résume cela ainsi : « High Adoption, Low Transformation ».

2. MIT NANDA : le GenAI Divide (fracture de l’IA générative)

• Le rapport MIT NANDA avance l’idée de GenAI Divide : des milliards de dollars ont été investis dans la GenAI, mais « seules environ 5 % des entreprises génèrent une véritable valeur business (ROI), tandis que les 95 % restantes n’observent ni amélioration des revenus ni gain de productivité ».
• Cette fracture ne dépend pas tant de la puissance technique que de la capacité à construire des systèmes de type agent capables d’apprendre, de mémoriser et de s’adapter, puis à les intégrer en profondeur dans les flux de travail réels pour produire des résultats. À ce stade, les transformations structurelles réellement significatives se concentrent surtout dans les secteurs centrés sur l’information, comme la tech et les médias.

3. Pourquoi 95 % échouent

1. Learning Gap (écart d’apprentissage)

   • Beaucoup d’IA d’entreprise restent des outils statiques : elles n’accumulent ni n’apprennent des retours utilisateurs, ne s’adaptent pas au contexte et ne s’améliorent pas dans la durée. Résultat : les employés confient les tâches simples à des IA grand public, et continuent de dépendre des humains pour les tâches complexes et importantes.

2. Rupture entre pilote et production

   • Les grandes entreprises multiplient les pilotes (POC), mais la part de ceux qui vont jusqu’à un déploiement réel à l’échelle de l’entreprise reste très faible. Parmi les IA d’entreprise sur mesure, seules environ 5 % s’installent durablement en production.
   • La raison principale est que « l’outil ne correspond pas aux processus de travail réels » : le problème n’est pas l’infrastructure ni la réglementation, mais l’intégration au workflow et la conception organisationnelle.

3. L’économie de la shadow AI

   • Comme les outils internes officiels sont souvent inefficaces ou très contraints, les employés utilisent discrètement des abonnements personnels à des LLM ou à des copilotes pour faire avancer leur vrai travail, ce qui alimente la diffusion de la « shadow AI ».
   • Cela peut être interprété comme le signal d’une demande cachée massive pour des outils flexibles, intuitifs, personnalisés et véritablement intégrés au workflow réel.

4. Article Canaries : les premiers signaux de l’IA dans l’emploi des débutants

• Dans « Canaries in the Coal Mine? », l’équipe de Brynjolfsson analyse des données à haute fréquence sur les salaires et l’emploi, et montre qu’après l’adoption de l’IA générative, l’emploi des 22-25 ans a significativement reculé dans les métiers fortement exposés à l’IA (développement logiciel, centres d’appels / service client, etc.).
• La baisse de l’emploi des jeunes travailleurs est particulièrement marquée dans les tâches où l’IA sert avant tout à l’automatisation plutôt qu’à l’assistance, ce qui suggère qu’au départ, l’IA remplace directement une partie des postes juniors.

5. Pourquoi les nouveaux entrants sont-ils particulièrement touchés ?

• Les LLM actuels excellent sur les connaissances formalisées (formal knowledge), bien documentées dans les manuels et les documents, ainsi que sur les tâches répétitives à base de patterns. En revanche, ils remplacent mal les « ficelles » des experts chevronnés fondées sur l’expérience terrain et les connaissances tacites (tacit knowledge).
• Or, le rôle traditionnel des débutants et des juniors comporte beaucoup de tâches qui consistent à suivre des règles et des manuels documentés. Comme cette partie s’automatise rapidement avec les LLM + toolchains, on observe, à poste équivalent, un choc sur l’emploi plus fort pour les jeunes entrants que pour les profils expérimentés.

6. Ce que cela implique pour l’avenir du travail

• La transition vers l’IA ne se résume pas à une simple « baisse du volume total d’emplois ». Elle ressemble davantage à un processus de redistribution dans lequel certaines tâches sont absorbées par l’IA, d’autres apparaissent, et les avantages comparatifs humains se déplacent vers des domaines comme la connaissance tacite, la coordination et le jugement.
• Du point de vue de l’éducation et de la construction de carrière, il est donc probable que la compréhension du contexte terrain, la structuration des problèmes, l’alignement des parties prenantes et l’expertise composite par domaine deviennent relativement plus importants que les compétences centrées sur la bonne réponse ou la mémorisation.

7. Stratégies d’exécution pour les fondateurs IA

1. Passer de la simple génération à l’apprentissage et aux agents

   • Le cœur du GenAI Divide n’est pas la performance brute du modèle, mais l’existence ou non d’un système agentique capable d’apprentissage continu, de mémoire, d’adaptation et d’orchestration.
   • L’article souligne que les équipes capables de structurer les retours utilisateurs et les logs d’usage réels pour construire des « systèmes vivants », qui comprennent de mieux en mieux les workflows et s’ajustent automatiquement avec le temps, disposeront d’un avantage écrasant.

2. Concevoir non pas pour un utilisateur-type (persona), mais pour le workflow

   • Beaucoup de produits d’IA d’entreprise ont un problème récurrent : « la démo est impressionnante, mais le produit est abandonné parce qu’il ne correspond pas à la manière réelle dont l’équipe travaille ».
   • Les produits qui réussissent plongent en profondeur dans les flux de travail détaillés, les structures d’autorisation et les exigences de compliance d’un secteur ou d’un métier précis, puis s’y fondent naturellement. Plus que l’éclat du UX, ils privilégient le fait de « tenir en vraie production ».

3. Utiliser la shadow AI comme actif de recherche

   • Observer quelles combinaisons de prompts et d’outils les employés utilisent à titre personnel permet d’identifier les vrais besoins que l’organisation n’a pas su intégrer à ses outils officiels : vitesse, liberté d’usage, niveau d’automatisation, etc.
   • Pour une startup, ces patterns de « shadow AI » deviennent à la fois un canal de recherche utilisateur à grande échelle et un indice précieux pour le positionnement produit.

4. Plus d’opportunités dans le back-office que dans la vitrine

   • Beaucoup d’entreprises commencent par appliquer l’IA aux domaines visibles comme le marketing ou les ventes, mais le MIT souligne que le ROI réel est souvent plus élevé dans les fonctions de support orientées processus, comme la finance, les achats ou les opérations.
   • Ces domaines sont riches en données et en logique métier fondée sur des règles ; des solutions bien conçues d’agents ou d’automatisation peuvent donc y produire rapidement des réductions de coûts et des baisses d’erreurs.

5. Penser non comme un vendeur de logiciel, mais comme un partenaire BPO

   • Les clients entreprise qui réussissent considèrent les fournisseurs d’IA non comme de simples vendeurs de licences, mais comme des partenaires de business process outsourcing, avec une forte personnalisation, des contrats fondés sur les résultats et une coopération opérationnelle étroite.
   • L’idée est donc que les fondateurs ont intérêt à concevoir leur offre non comme un outil à installer, mais comme un service ou un partenariat qui partage la responsabilité des résultats ; c’est ainsi qu’ils peuvent bâtir de gros deals enterprise et des barrières à l’entrée durables (moat).

8. En résumé : un paradoxe transformé, des opportunités qui évoluent

• Même à l’ère de l’IA générative, le paradoxe de la productivité reste valable, mais l’emplacement des « compléments manquants » a changé. Désormais, ces compléments se situent à la fois dans le produit lui-même (apprentissage, mémoire, orchestration) et au sein de l’entreprise (achat sous forme de service, ownership distribué, KPI centrés sur les résultats).
• Seuls les fondateurs capables de concevoir simultanément ces deux niveaux pourront transformer une « belle démo » en « avantage concurrentiel durable et hausse de productivité visible dans les statistiques », et faire de la révolution IA non pas un simple événement technologique, mais une transformation économique qui coévolue avec les organisations et les individus.

[mhj5730]

En développant avec l’IA, je me reconnais fortement dans les points 2, 3 et 4. Pour une entreprise, je pense qu’il est bien plus utile de se concentrer sur l’automatisation et d’analyser puis de créer des fonctionnalités d’automatisation puissantes pour les utilisateurs du back-office.