L’effervescence médiatique autour de l’intelligence artificielle générative, symbolisée par ChatGPT, ne se traduit pas encore, pour les grandes entreprises françaises, par une révolution économique tangible. Quarante ans après l’observation malicieuse de Robert Solow sur l’ère informatique, le constat semble s’appliquer de nouveau : l’IA générative est omniprésente dans les discours, mais peine à imprégner les statistiques de la productivité.
Une étude du National Bureau of Economic Research menée en début d’année auprès de 6 000 dirigeants internationaux souligne l’ampleur du phénomène : près de 90 % des entreprises interrogées n’ont observé aucun impact significatif de l’IA générative sur leur emploi ou leur productivité depuis trois ans. Ce scepticisme, corroboré par de multiples travaux universitaires, questionne à la fois la pertinence des investissements consentis—souvent pléthoriques—et la réalité des gains promis.
Sur le terrain, les poids lourds français du CAC 40 tels qu’Air France, TotalEnergies ou AXA admettent que l’introduction de l’IA générative se heurte à une inertie structurelle et technique. L’un des principaux obstacles réside dans la qualité et la fragmentation des données, compartimentées dans des « silos » anciens, difficilement accessibles par les architectures modernes nécessaires à l’IA générative. Ces limites, issues de décennies d’empilement de systèmes informatiques, pénalisent la capacité d’innovation des grands groupes face à des startups plus agiles.
Le problème organisationnel est patent : la plupart des essais se réduisent à des « POC » (Proof of Concept) qui ne parviennent pas à dépasser le stade expérimental. À la banque LCL, seuls 17 des 240 projets testés ont été industrialisés. Les incertitudes sur les coûts, la complexité de l’intégration et l’opacité des mécanismes tarifaires des fournisseurs d’IA accentuent une prudence déjà alimentée par des enjeux de souveraineté numérique et la difficulté à transposer la technologie américaine au contexte européen.
Malgré quelques succès ciblés—gains de temps substantiels dans la gestion documentaire, automatisation de réponses clients ou optimisation de tâches répétitives—les retombées économiques restent éparses et souvent disproportionnées par rapport aux investissements réalisés. Les comités exécutifs interrogent : « Où sont les millions ? » L’essentiel des retours sur investissement enregistrés ces dernières années dans l’IA relève, en réalité, des technologies traditionnelles : prédiction, fraude, maintenance ou logistique. L’IA générative, en dépit de son accent innovant, ne pèse pour l’heure qu’une part minoritaire des budgets technologiques.
Cet écart entre attentes et réalité provoque une certaine nervosité dans les organisations, d’autant que la transformation prometteuse de l’IA générative attise les craintes sur l’avenir du travail, en particulier chez les cols blancs. Plusieurs études récentes n’excluent pas l’avènement d’un chômage de masse, résultat des gains de productivité attendus mais encore hypothétiques. L’enjeu devient alors double : accompagner les collaborateurs face à la mutation des métiers, tout en assurant la sécurisation de l’investissement à une période où le capital humain fait face à l’incertitude technologique.
Dans un environnement de taux d’intérêt élevés et de cycles économiques incertains, la prudence des dirigeants et actionnaires se justifie d’autant plus. La difficulté à mesurer l’efficacité et la pérennité de l’IA générative rejoint un questionnement plus large sur la valeur réelle des actifs immatériels, comparés à la matérialité rassurante des investissements tangibles. Beaucoup d’investisseurs et épargnants, désorientés par la volatilité technologique et l’opacité de certaines innovations, se tournent de nouveau vers des instruments éprouvés, tels que les actifs immobiliers, les métaux précieux ou les biens de collection, réputés offrir une sécurité relative dans la composition du patrimoine.
En parallèle, la généralisation attendue de l’IA générative dans les outils de travail s’accompagne d’un sentiment diffus : la technologie s’installe, mais ses bénéfices restent à démontrer. La pression stratégique pour suivre le mouvement numérique est forte, tandis que l’impératif de rendement immédiat laisse place à une rationalisation des investissements.
Pour les grandes entreprises, l’intégration effective de l’IA générative suppose de repenser en profondeur l’organisation, la gouvernance des données, la gestion des risques et le modèle de formation des équipes. D’ici là, comme l’intuition du Nobel d’économie le suggérait il y a déjà plusieurs décennies, le paradoxe persiste : le progrès est bien là, mais la matérialisation du capital—tant pour l’investisseur individuel que pour l’entreprise—demeure une question centrale et irrésolue à l’heure des grandes promesses de l’intelligence artificielle.
