La crise mondiale de l’intelligence en 2028 - Citrini Research

Citrini Research présente un scénario fictif dans lequel, malgré l’optimisme autour de l’IA, l’économie fondée sur le travail humain s’effondre.

---

Préface

• Il ne s’agit pas d’une « prévision », mais d’un scénario visant à modéliser une trajectoire relativement peu explorée dans laquelle, même si l’optimisme sur l’IA continue de se vérifier, le résultat peut être macroéconomiquement baissier (risque de queue gauche).
• Le texte adopte la forme d’un « mémo macro fictif » de CitriniResearch rédigé en juin 2028, décrivant le déroulement et les répercussions de la Global Intelligence Crisis.

Macro Memo: The Consequences of Abundant Intelligence

• Le point de départ est juin 2028, avec un taux de chômage de 10,2 % et un S&P en baisse de 38 % par rapport à son pic d’octobre 2026. Le cadrage proposé est celui d’un passage « d’un problème sectoriel sur deux ans à une phase inédite touchant l’ensemble de l’économie ».
• Les premiers licenciements (début 2026) ont produit, du point de vue des entreprises, des « effets normaux » (marges en hausse, résultats supérieurs aux attentes, progression du cours de Bourse), et les profits ont été réinjectés dans le compute IA.
• Le PIB nominal et la productivité semblent bien orientés, mais tandis que les agents IA provoquent un bond de productivité et que le coût du travail disparaît, on assiste à un effondrement de la croissance des salaires réels ; les cols blancs sont évincés par les machines vers des rôles moins qualifiés et moins rémunérés.
• Apparaît alors le « Ghost GDP » (PIB fantôme) : une production comptabilisée dans les comptes nationaux, mais qui ne circule pas vers les ménages et ne peut donc pas soutenir la consommation réelle.
• Le mécanisme central est le suivant : capacités de l’IA ↑ → effectifs ↓ → consommation ↓ → pression sur les marges / réinvestissement accru dans l’IA ↑ → capacités de l’IA ↑ … une boucle de rétroaction négative sans frein naturel (spirale de substitution de l’intelligence).
• Le scénario décrit comment cette boucle (1) fragilise les hypothèses de revenu derrière les 13 000 milliards de dollars de crédits hypothécaires, (2) réveille le private equity / marchés privés surchauffés par 17 ans sans cycle de défauts (avec hypothèses d’ARR), (3) fait s’effondrer les industries d’intermédiation qui monétisaient les « frictions » humaines, et (4) finit par révéler une « chaîne de paris corrélés sur la croissance de la productivité des cols blancs ».
• L’introduction se conclut sur un avertissement : les politiques publiques ont toujours un temps de retard sur la réalité, et l’absence de plan global pourrait accélérer une spirale déflationniste.

How It Started

• Fin 2025, les outils de code agentique franchissent un cap : un développeur aidé de ces outils peut répliquer en « quelques semaines » les fonctionnalités clés d’un SaaS de taille intermédiaire, ce qui pousse les CIO, à l’approche de coûteux renouvellements de contrat, à considérer sérieusement l’option « et si on le construisait nous-mêmes ? ».
• Dès la revue budgétaire de mi-2026, les équipes achats prennent leurs décisions en observant les capacités réelles : le playbook des éditeurs qui comptaient sur des hausses de 5 % vole en éclats, et le fait d’être « remplaçable » change le rapport de force, jusqu’à produire des renouvellements avec 30 % de remise.
• Les investisseurs anticipaient un choc sur le SaaS de longue traîne, mais pensaient que les « systems of record » étaient à l’abri ; l’exemple de ServiceNow met en lumière la réflexivité (reflexivity) : si les clients réduisent leurs effectifs de 15 %, ils résilient mécaniquement 15 % de leurs sièges, ce qui détériore automatiquement la base de revenus du fournisseur.
• À l’échelle de l’entreprise, le raisonnement est rationnel (réduction des effectifs → économies réinvesties dans l’IA → maintien de la production), mais collectivement, « chaque dollar économisé sur la masse salariale est redirigé vers une IA qui rend le licenciement suivant possible », ce qui détruit plus vite l’assise globale de l’emploi.
• Conclusion : le logiciel n’est qu’une « ouverture », et cette boucle s’étend à toutes les entreprises dont la structure de coûts repose sur les cols blancs.

When Friction Went to Zero

• Début 2027, même sans vraiment savoir « ce qu’est un agent IA », les gens commencent à l’utiliser par défaut, comme l’autocomplétion ; des agents open source dédiés au shopping transforment les décisions de consommation en optimisation continue en arrière-plan (pour l’Américain médian : 400 000 tokens par jour).
• L’étape suivante touche l’intermédiation : la « couche d’extraction de rente » bâtie depuis 50 ans sur l’agacement humain, les contraintes de temps et l’inertie voit ses prix et ses commissions comprimés par les agents.
• Exemples concrets :
  • Les abonnements à renouvellement automatique ou les hausses après période d’essai sont négociés ou résiliés par les agents, ce qui fait baisser la LTV de l’économie de l’abonnement.
  • Pour les réservations de voyage, les agents assemblent vols, hôtels, transports, remboursements et optimisation des programmes de fidélité plus vite et moins cher, faisant des plateformes les premières victimes.
  • Dans l’assurance, les primes gagnées grâce à l’« inertie » des clients (15 à 20 %) sont démantelées par les agents de remise en concurrence.
  • Fiscalité, conseil financier, services juridiques routiniers : les domaines dont la valeur repose sur la prise en charge d’une « complexité pénible » sont vulnérables, parce que les agents ne ressentent pas cette pénibilité.
  • Dans l’immobilier, l’asymétrie d’information est reproduite à partir des données MLS et transactionnelles ; les commissions se compressent de 2,5–3 % à moins de 1 %, suggérant que ce qu’on prenait pour de la « relation » n’était en réalité qu’une « friction avec un visage aimable ».
• L’« intermédiation habituelle » s’effondre : DoorDash disposait d’un moat fondé sur l’habitude de l’écran d’accueil, mais un agent cherche à chaque fois les frais les plus faibles et la livraison la plus rapide ; en parallèle, les agents de code abaissent les barrières au lancement d’applications concurrentes, si bien que les marges convergent vers zéro.
• La contagion atteint ensuite l’infrastructure de paiement : dans les transactions M2M, les agents contournent les commissions d’interchange des cartes (2 à 3 %) et se déplacent vers les stablecoins (Solana / Ethereum L2, etc.), ce qui ébranle le modèle des réseaux de cartes et des émetteurs.
• Les banques centrées sur la carte et les émetteurs monoline subissent ainsi un double choc : une base clients en recul à cause de la réduction des cols blancs, et un modèle de revenus affaibli par le contournement des commissions.

From Sector Risk to Systemic Risk

• En 2026, le marché traite encore cela comme une histoire sectorielle (« logiciel / conseil / paiements »), avec l’idée consensuelle que la destruction créatrice est inévitable et que, malgré certaines douleurs, les effets positifs nets de l’IA compenseront les effets négatifs.
• L’auteur affirme que ce modèle mental est erroné : les États-Unis sont une économie de services de cols blancs (50 % de l’emploi, moteur de 75 % de la consommation discrétionnaire), et les emplois que l’IA dévore ne sont pas une périphérie, mais le cœur même de l’économie.
• À l’objection selon laquelle « la technologie détruit des emplois avant d’en créer davantage » :
  • Par le passé, les nouveaux emplois exigeaient encore une exécution humaine ; ici, l’IA est une intelligence générale qui s’améliore d’elle-même dans les tâches vers lesquelles les humains pourraient être redéployés, ce qui affaiblit la voie de réabsorption.
  • Certes, l’IA crée de nouveaux rôles (prompt engineer, recherche en sécurité, infrastructure, etc.), mais le scénario postule qu’« elle en remplace des dizaines pour chaque poste créé », avec des salaires plus faibles à la clé.
• La dégradation de la « composition » des données du marché du travail apparaît dans la baisse des offres JOLTS et l’effondrement des annonces cols blancs (Indeed), mais le marché actions hésite encore entre ces signaux et la dynamique favorable de l’infrastructure IA, tandis que le marché obligataire, plus conservateur ou plus lucide, commence à intégrer plus tôt le choc sur la consommation.
• « Ce cycle n’est pas cyclique » : la baisse de la demande globale ne ralentit pas l’investissement IA, car celui-ci est présenté comme un substitut d’OpEx (les coûts totaux baissent, mais le budget IA augmente).
• Ironie du scénario : alors même qu’elle abîme l’économie, la galaxie de l’infrastructure IA affiche de bons résultats (semi-conducteurs / CapEx des hyperscalers), et des économies « purement convexes » comme la Corée ou Taïwan surperforment.
• À l’inverse, l’Inde est présentée comme un cas vulnérable : son modèle d’exportation de services IT est frappé de plein fouet, ce qui entraîne une chute brutale de la roupie et des discussions avec le FMI.

The Intelligence Displacement Spiral

• En 2027, « l’histoire cesse d’être subtile » : les cols blancs licenciés se reclassent à la baisse dans les services et le gig economy, ce qui pèse aussi sur les salaires de ces secteurs ; le choc sectoriel se transmet alors à une compression salariale dans l’ensemble de l’économie.
• Le gig economy, premier secteur d’absorption, subit ensuite une deuxième vague d’ajustement avec la montée de la livraison autonome et de la conduite autonome.
• Même les professionnels encore en poste se disent que « leur tour viendra », épargnent davantage, dépensent moins, et ne croient plus aux promotions ni aux hausses de salaire.
• Le facteur le plus dangereux est le décalage temporel (lag) : les ménages aisés peuvent donner l’illusion de la normalité pendant deux ou trois trimestres grâce à leur épargne, puis, lorsque les données confirment enfin l’effondrement, le marché décroche brutalement.
• Selon cette thèse, la particularité de cette récession tient au fait que les licenciements frappent surtout les hauts revenus, ce qui amplifie l’impact sur la consommation discrétionnaire par rapport à l’ampleur de la baisse de l’emploi (les 10 % les plus aisés représentent plus de 50 % de la consommation, les 20 % les plus aisés 65 %).
• D’où des calculs de second ordre du type « une baisse de 2 % de l’emploi col blanc → un choc de 3 à 4 % sur la consommation discrétionnaire », avec un effet plus retardé que dans les secteurs blue collar, mais plus profond.

The Daisy Chain of Correlated Bets

• Le private credit est passé de moins de 1 000 milliards de dollars en 2015 à plus de 2 500 milliards en 2026 ; une grande partie de cette expansion aurait été investie dans des LBO SaaS fondés sur l’hypothèse d’une croissance durablement moyenne à forte.
• Le problème commence lorsque « l’hypothèse est morte, mais les valorisations ne suivent qu’avec retard » : tandis que le SaaS coté est revalorisé à 5–8x l’EBITDA, les actifs privés n’abaissent leurs marks que lentement, et l’écart avec la réalité se creuse.
• Après des dégradations de Moody’s en 2027, les défauts sur les prêts adossés à des actifs logiciels s’étendent aux portefeuilles de services d’information et de conseil, suivis de grandes restructurations de LBO.
• Le texte cite Zendesk comme « smoking gun » : l’automatisation du service client par les agents remplace la catégorie même que Zendesk avait définie, ce qui conduit à un défaut historique fondé sur l’idée que « l’ARR n’est plus récurrent ».
• Même en supposant qu’« en théorie cela aurait dû tenir » (véhicules fermés, lock-up, absence de ventes forcées), l’auteur explique pourquoi cela devient malgré tout un risque systémique en décortiquant la réalité du capital permanent.
• Cette réalité du capital permanent est la suivante : les grands gestionnaires d’actifs alternatifs injectent des fonds d’assurance-vie (pensions) dans le private credit selon une structure de frais sur frais, avec comme hypothèse centrale que le crédit reste money-good.
• Lorsque les régulateurs durcissent le traitement RBC, les assureurs se retrouvent confrontés à des besoins de recapitalisation ou à des ventes d’actifs, et l’enchevêtrement de structures opaques de réassurance offshore et de SPV amplifie la peur, car il devient difficile de dire en temps réel qui supporte réellement les pertes.

The Mortgage Question

• La question centrale devient : « les crédits hypothécaires prime sont-ils encore money-good ? » Les premiers retards augmentent dans les zones à forte concentration d’emprunteurs jumbo notés 780+, ce qui fragilise l’hypothèse clé de l’underwriting hypothécaire : le maintien du revenu sur 30 ans.
• Contrairement aux crises hypothécaires passées (spéculation, choc de taux, effondrement industriel localisé), il s’agit ici d’un cas où le prêt était « bon au départ », mais où le monde change après l’octroi du crédit.
• Avec des signaux de stress invisible (HELOC, retraits des 401k, hausse de la dette de carte), les ménages tiennent en coupant dans la consommation discrétionnaire et en épuisant leur épargne pour continuer à payer leur crédit, jusqu’à ce que les retards explosent dans certaines villes.
• On n’est pas encore au niveau de 2008, mais « la vraie menace n’est pas le niveau, c’est la trajectoire » : selon l’auteur, la substitution du travail, l’angoisse hypothécaire et les perturbations des marchés privés se renforcent mutuellement dans un accélérateur financier qui précipite le ralentissement réel.
• Conclusion : les outils traditionnels de politique économique (baisse des taux / QE) peuvent agir sur le moteur financier, mais pas sur le moteur réel — à savoir le fait que l’IA rend l’intelligence humaine moins rare et moins précieuse.

The Battle Against Time

• Le scénario décrit une transmission de la boucle négative réelle (IA ↑ → masse salariale ↓ → dépenses ↓ → marges ↓ → achats d’IA ↑) vers la sphère financière (revenus dégradés → hypothèques → pertes bancaires → resserrement du crédit → effondrement de l’effet richesse), tandis que la réponse confuse des pouvoirs publics aggrave les deux dimensions.
• Le dilemme structurel des finances publiques tient au fait que la base fiscale fédérale repose en pratique sur la taxation du temps humain (revenu du travail) ; à mesure que la substitution progresse, l’impôt sur le revenu et les cotisations salariales reculent, alors même que le besoin de transferts augmente.
• Le cœur de la pression de crise est résumé ainsi : « au moment où il faut davantage transférer vers les ménages, l’État prélève moins d’impôts ».
• Idées de politique publique :
  • Transition Economy Act : dépenses déficitaires + taxation du compute d’inférence IA pour financer des transferts directs aux travailleurs remplacés.
  • Shared AI Prosperity Act : mise en place d’un droit public sur les revenus de l’infrastructure d’intelligence (analogue à un fonds souverain / à des royalties), avec redistribution aux ménages sous forme de dividendes.
• Mais les fractures politiques (droite : contre la redistribution et la taxe sur le compute / gauche : crainte de capture réglementaire / faucons budgétaires contre colombes) retardent l’action, tandis que la cohésion sociale se délite encore plus vite.

The Occupy Silicon Valley

• Une contestation sociale émerge, plus visible encore que les statistiques de chômage, avec des manifestants bloquant notamment les accès aux principaux laboratoires d’IA (« Occupy Silicon Valley »).
• Au cœur de la perception publique : les gains du boom de productivité se concentrent entre les mains des propriétaires du compute et des actionnaires des laboratoires, et l’accumulation de richesse des fondateurs et premiers investisseurs a creusé les inégalités à un niveau inédit.
• « Chaque camp a son propre méchant, mais le vrai méchant, c’est le temps » : le message est que la vitesse d’évolution technologique dépasse celle de la réponse institutionnelle et politique.

The Intelligence Premium Unwind

• Le texte conclut qu’au sein de l’économie moderne, ce qui était rare, c’était la capacité humaine d’analyser, décider, créer, persuader et coordonner — autrement dit l’intelligence —, et que l’ensemble des institutions, du marché du travail au crédit hypothécaire en passant par la fiscalité, a été conçu en supposant cette rareté.
• Désormais, à mesure que l’intelligence machine devient, dans un large éventail de tâches, un substitut compétent et en amélioration rapide, l’économie entre dans un processus de débouclage (repricing) de la prime de rareté de l’intelligence.
• L’effondrement n’est pas inévitable, mais le document se referme sur cet avertissement : si les politiques publiques n’arrivent pas à s’accorder sur la définition du problème, la boucle de rétroaction écrira elle-même le chapitre suivant.