La réunion décrite ici n’a jamais eu lieu, et ses participants sont des personnages fictifs servant d’illustration. Leur décision illustre le comportement que Torsten Slok a documenté le 24 octobre. Un ingénieur commercial d’une plateforme d’IA rend visite à un distributeur alimentaire régional pour montrer à l’équipe financière ce que le dernier modèle peut faire avec ses factures et ses transcriptions d’appels. L’équipe regarde toute la démonstration. Elle utilise déjà un modèle moins cher, vieux d’un an, dans une formule d’abonnement inférieure. Avec ce modèle, elle finit de traiter la file d’attente avant le déjeuner la plupart des jours. Quand l’ingénieur annonce le prix de la mise à niveau, la directrice financière pose son stylo. L’équipe conserve le même nombre d’abonnements.

Slok est l’économiste en chef d’Apollo. Dans sa note Daily Spark de ce samedi-là, il arrivait à une conclusion ferme : « Malgré des investissements massifs et un engouement généralisé pour l’intelligence artificielle, cette technologie n’a apporté aucun bénéfice financier aux entreprises américaines hors de la tech. » Il fondait cette conclusion sur des graphiques comparant deux groupes d’entreprises. Le premier est celui des Magnificent Seven, les grandes entreprises technologiques qui construisent et vendent les modèles. Le second regroupe les autres entreprises, que Slok appelle le S&P 493.

Les graphiques comparent deux parties du marché

Les deux premiers graphiques suivent le chiffre d’affaires par salarié et les marges bénéficiaires. Selon la lecture de Slok, les deux mesures progressent pour les Mag 7 et stagnent pour le S&P 493. Il utilise des données Bloomberg et Macrobond corrigées de l’inflation aux prix du quatrième trimestre 2019. Le troisième graphique constitue le fondement principal de son affirmation plus générale. Il représente la productivité totale des facteurs, la part de croissance de la production qui subsiste une fois le travail et le capital pris en compte, et ne montre aucune accélération. Selon Slok, « rien n’indique encore que l’IA stimule la croissance de la productivité ».

Apollo ne produit pas cette série de productivité. La Federal Reserve Bank of San Francisco la tient à jour selon une méthode décrite par John Fernald dans un document de travail de 2014. La mesure corrige la productivité totale des facteurs des variations de l’intensité avec laquelle les entreprises utilisent leurs salariés et leurs équipements au fil du cycle économique. En retirant ces fluctuations, la correction donne une estimation plus proche du véritable changement technologique. C’est donc une mesure utile pour évaluer une technologie d’usage général. Jusqu’ici, elle ne montre aucune accélération.

Slok relie ces résultats aux dépenses des entreprises. En l’absence d’amélioration de leurs résultats financiers, écrit-il, « les entreprises américaines ordinaires réduisent la voilure et commencent à considérer les dépenses en tokens non comme une source de croissance, mais comme un centre de coûts qui pèse sur les marges ». La décision du distributeur alimentaire fictif de ne pas passer à la version supérieure illustre cet argument. Selon Slok, les entreprises ordinaires n’ont pas besoin du dernier modèle et ne veulent pas le payer.

Une adoption généralisée sans retombées visibles

L’absence de bénéfice visible frappe d’autant plus que les outils sont largement utilisés. L’économiste Ara Kharazian, au laboratoire économique de Ramp, tient le Ramp AI Index, mesure mensuelle de l’adoption de l’IA en entreprise. Son résultat de septembre situait cette adoption à 55,9 % des entreprises américaines. Plus de la moitié des entreprises du pays paient pour l’IA, mais le bénéfice financier reste invisible dans ces mesures.

Slok soulève une seconde inquiétude au sujet des entreprises qui dépensent le plus. Dans une note complémentaire publiée deux jours plus tôt, il citait des données Ramp indiquant que 80 % du centile d’entreprises dépensant le plus en IA sont financées par du capital-risque, contre seulement 13 % au niveau médian de dépense. Les plus gros acheteurs de capacité de calcul paient avec le capital des investisseurs plutôt qu’avec leurs propres revenus. Selon lui, des retombées tardives mettraient les rendements du capital-risque sous pression. Si les investisseurs réduisaient alors leurs financements, la demande de capacité de calcul faiblirait aussi. Des observateurs ont relevé des dépendances circulaires similaires dans les accords entre fabricants de puces, fournisseurs de cloud et laboratoires de modèles. Les chiffres de Slok suggèrent qu’elles s’étendent aussi aux entreprises qui paient pour exécuter les modèles.

Les observations sur l’emploi et les marchés boursiers

D’autres résultats de ce mois concordaient avec l’analyse de Slok, même s’ils provenaient de sources différentes et mesuraient des choses différentes.

Le premier concerne l’emploi. Le Digital Economy Lab de Stanford tient des tableaux de bord publics qui suivent les effets de l’IA sur l’emploi. Lancés en juin, ils sont actualisés chaque mois. Dans un article du 21 octobre, l’université rapportait une baisse de l’emploi des 22–25 ans dans les professions très exposées à l’IA, notamment le développement logiciel et le service client. Le recul récent était de 4,4 %. Ces tableaux de bord sont issus d’un article d’Erik Brynjolfsson, Bharat Chandar et Ruyu Chen, qui décrivaient ces jeunes travailleurs comme des canaris dans la mine.

La Federal Reserve a rapporté des observations connexes de la part des employeurs. Son Beige Book d’octobre indiquait que « cinq districts ont signalé que certaines entreprises avaient réduit leurs effectifs par attrition, retardé les embauches ou prévu moins de créations d’emplois après avoir accru leur productivité grâce à des investissements dans l’IA ». C’était la première édition dans laquelle la phrase récurrente de l’enquête sur l’IA décrivait une réduction des effectifs plutôt que l’introduction d’outils.

Le changement est plus marqué dans les entreprises qui rapportent effectivement des gains. Dans un rapport du 16 octobre, les économistes d’Anthropic Nathan Wilmers, Regina Catipon, Maxim Massenkoff et Peter McCrory ont constaté que la proportion de recrutements techniques juniors dans l’entreprise « avait baissé encore plus vite, de 27 % à 9 % » et qu’en août ses agents « travaillaient 6 fois plus d’heures que leurs responsables humains ». Cela illustre comment les bénéfices peuvent se concentrer dans une entreprise technologique, avec une partie des conséquences prenant la forme d’emplois jamais créés.

Les cours boursiers offrent une autre comparaison. Le 23 octobre, Jared Blikre de Yahoo Finance a calculé les variations depuis la clôture record du S&P 500 le 6 octobre. Il a constaté que « les entreprises qui construisent et équipent les centres de données d’IA affichent une baisse médiane de 23 % », tandis que « les grandes entreprises technologiques qui signent les chèques ne reculent que de 5 % ». Les actions des fournisseurs ont chuté quatre fois plus que celles de leurs clients, malgré des carnets de commandes records. Les investisseurs semblaient parier sur un ralentissement des dépenses avant que les rendements deviennent visibles.

L’arrivée des retombées reste incertaine

Slok laisse ouverte la question de savoir si cet écart se réduira. Les modèles deviennent moins chers et plus semblables, mais il demande si les entreprises ordinaires peuvent utiliser cette intelligence moins coûteuse pour augmenter leur chiffre d’affaires et leurs marges bénéficiaires. Sa réponse est prudente. « L’IA est peut-être une formidable calculatrice, écrit-il, mais dans les affaires, l’intelligence est surtout une affaire de jugement. » Le jugement dépend du contexte et de la personne qui l’exerce. Un modèle, ajoute-t-il, « ne comprend pas la responsabilité, la confiance, la culture, les règles tacites, les arbitrages éthiques ou l’équité », autant de facteurs qui influencent la fidélité d’un client ou la conclusion d’un accord.

C’est l’argument de Slok, pas un résultat mesuré. Les graphiques montrent que les mesures restent stables pour le S&P 493 ; ils ne prouvent pas que l’IA ne pourra jamais les améliorer. Ils montrent seulement qu’aucune amélioration n’est encore visible. Une seule mesure de productivité corrigée de l’utilisation des capacités peut manquer des gains réels qui mettent du temps à s’accumuler. De même, un chiffre d’adoption compte les abonnements, pas l’intensité de leur usage.

De retour dans les bureaux du distributeur alimentaire fictif, l’équipe financière fait son calcul habituel. Le modèle vieux d’un an suffit. Le nouveau coûte plus que la valeur du travail qu’il ferait économiser, et l’équipe doit de toute façon terminer les comptes du trimestre. Pendant ce temps, le chiffre d’affaires par salarié continue de progresser au sein des Mag 7 dans le graphique de Slok. Cet écart est la question centrale. Les mêmes mesures au cours des prochains trimestres aideront à déterminer si les autres entreprises attendent un bénéfice tardif ou si celui-ci continue de manquer.

Références

  • Blikre, J. (2026). The AI sell-off is crushing stocks of companies leading the data center build-out. Yahoo Finance. finance.yahoo.com
  • Brynjolfsson, E., Chandar, B., & Chen, R. (2026). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab. digitaleconomy.stanford.edu
  • Federal Reserve System (2026). Beige Book, October 2026: National Summary. federalreserve.gov
  • Fernald, J. (2014). A Quarterly, Utilization-Adjusted Series on Total Factor Productivity. Federal Reserve Bank of San Francisco. frbsf.org
  • Hadhazy, A. (2026). Tracking AI’s Real-Time Footprint on the Labor Market. Stanford HAI. hai.stanford.edu
  • Kharazian, A. (2026). Ramp AI Index. Ramp Economics Lab. ramp.com
  • Slok, T. (2026). Circularity in AI Shows Up in Token Spending Too. Apollo, The Daily Spark. apollo.com
  • Slok, T. (2026). No Signs of AI Payoff Outside the Tech Sector. Apollo, The Daily Spark. apollo.com
  • Wilmers, N., Catipon, R., Massenkoff, M., & McCrory, P. (2026). How employment is changing at Anthropic. Anthropic. anthropic.com