Le paradoxe de Solow revisité : l'IA générative invisible dans les statistiques économiques
En 1987, l'économiste américain Robert Solow, lauréat du prix Nobel, formulait une observation devenue célèbre : "Vous pouvez voir l'ère informatique partout, sauf dans les statistiques de la productivité." Quarante ans plus tard, en remplaçant "informatique" par "IA générative", ce paradoxe conserve toute son actualité. Malgré le battage médiatique intense autour de cette technologie depuis plus de trois ans et le lancement retentissant de ChatGPT, les résultats concrets sur l'économie tardent à se matérialiser de manière significative.
Une enquête internationale aux conclusions sans appel
Fin février, une vaste enquête menée par le National Bureau of Economic Research auprès de 6 000 dirigeants d'entreprises aux États-Unis, en Europe et en Australie a abouti à une conclusion frappante : près de neuf entreprises sur dix ne constatent aucun impact perceptible de l'IA générative sur leurs effectifs ou leur productivité au cours des trois dernières années. Ce chiffre fait écho aux révélations du MIT l'été dernier, qui avait fait grand bruit en affirmant que 95 % des projets d'IA en entreprise échouaient à générer un retour sur investissement satisfaisant.
Les difficultés concrètes des grandes entreprises françaises
Ces derniers mois, plusieurs fleurons du CAC40, dont Air France, Total et Axa, ont partagé leurs expériences. Ces sociétés, dont certaines siègent dans le quartier d'affaires de La Défense, reconnaissent toutes une réalité plus modeste que leurs ambitions initiales. Malgré des investissements parfois dépassant les six chiffres, l'implémentation effective de l'IA générative se heurte à des obstacles majeurs.
Le problème crucial des données constitue le premier écueil. L'IA générative repose sur des modèles de langage sophistiqués, capables d'explorer d'immenses volumes d'informations. Cependant, lorsque ces données sont incomplètes ou dispersées dans différents services de l'entreprise, les résultats s'avèrent médiocres. Contrairement aux start-up qui construisent leurs bases de données sur des architectures modernes, les grands groupes doivent composer avec des décennies de systèmes informatiques hétérogènes qui communiquent difficilement entre eux.
Les professionnels utilisent un vocabulaire spécifique pour décrire ces défis :
- Les "silos" de données : des informations cloisonnées dans différents départements
- Le "legacy" : ces systèmes informatiques anciens qui s'accumulent depuis des dizaines d'années
Des preuves de concept qui restent lettre morte
Didier Lellouche, responsable de l'intelligence artificielle à la banque LCL, évoque avec franchise son "cimetière des POC" - ces preuves de concept qui permettent de tester la technologie sur des cas d'usage spécifiques. "Dès lors qu'on voulait intégrer un projet d'IA générative dans le système d'information, ça ne marchait plus. Trop compliqué, trop coûteux," explique-t-il.
À Bpifrance, Lionel Chaine, directeur des systèmes d'information, fournit un ratio particulièrement révélateur : sur 240 tests d'utilisation de l'IA générative, seulement 17 ont finalement été mis en production. "Tout le monde est en train d'apprendre," ajoute-t-il. "Et cette fois, malheureusement, on ne peut pas acheter l'expérience des cabinets de conseil pour nous guider efficacement."
Un décalage entre discours et réalité
Ghislain de Pierrefeu, consultant chez Wavestone, un cabinet français qui accompagne plusieurs grandes entreprises dans leur transformation numérique, confirme cette analyse : "Il y a un vrai décalage entre le discours ambiant - l'idée que l'IA générative change le monde - et la réalité des gains concrets. Tout le monde galère." Un responsable d'une grande entreprise résume même la situation de manière plus radicale : "L'IA générative est survendue."
Les tarifs d'inférence - le fonctionnement de l'IA facturé par unité de texte appelée token - restent également trop "opaques" selon les besoins spécifiques des entreprises, comme le soulignent plusieurs interrogés. Cette opacité financière complique encore davantage la justification des investissements et le calcul du retour sur investissement.
Alors que l'enthousiasme initial pour l'IA générative semblait promettre une révolution économique rapide, la réalité du terrain révèle une adoption plus laborieuse et des résultats plus modestes que prévu. Les entreprises doivent désormais naviguer entre l'optimisme technologique et les contraintes pratiques de systèmes informatiques complexes et fragmentés.
