La grande peur des technologies de rupture

Les technologies de rupture désignent des innovations majeures qui transforment profondément les secteurs économiques et sociaux, souvent en remplaçant des méthodes traditionnelles. L’article cite des exemples historiques comme l’imprimerie, la machine à vapeur ou l’électricité, qui ont suscité à chaque fois des craintes de destruction d’emplois ou de disparition de métiers. Par exemple, l’imprimerie de Gutenberg au XVe siècle a menacé les moines copistes, mais a finalement permis une explosion de l’alphabétisation et la création de nouveaux emplois dans l’édition. De même, la machine à vapeur a d’abord inquiété les haleurs, ces travailleurs qui tiraient les bateaux sur les canaux, mais a finalement accéléré le développement industriel et créé de nombreux emplois indirects. Ces exemples illustrent un schéma récurrent : les craintes initiales, bien que légitimes, sont souvent suivies d’effets positifs à long terme.

Le paradoxe de productivité, théorisé par l’économiste Robert Solow dans les années 1980, désigne le décalage entre l’adoption massive de nouvelles technologies (comme les ordinateurs) et l’absence de gains immédiats de productivité mesurables. Solow avait remarqué que, malgré la présence d’ordinateurs partout, les statistiques ne montraient pas d’amélioration de la productivité. L’article explique ce paradoxe par le temps nécessaire à l’adaptation des entreprises et des travailleurs. Par exemple, la productivité liée à internet n’a été visible que 20 ans après son adoption, mais elle a permis d’éviter une baisse du pouvoir d’achat en compensant la réduction des gains de productivité traditionnels. Ce phénomène s’applique aussi à l’intelligence artificielle (IA), dont les gains de productivité ne sont pas encore visibles malgré des investissements massifs.

L’intelligence artificielle (IA) a connu plusieurs cycles de développement et de désillusion depuis les années 1950. Les premiers modèles, comme le perceptron de Frank Rosenblatt en 1957, étaient limités à des tâches simples et ont rapidement montré leurs limites, conduisant à un premier « hiver de l’IA ». Une autre approche, l’IA symbolique, a utilisé des langages comme Prolog pour résoudre des problèmes logiques, mais sans atteindre le niveau d’un dialogue humain naturel. Dans les années 1990, des systèmes comme ELIZA (un simulateur de psychothérapeute) ou MYCIN (un système de diagnostic médical) ont démontré que ces machines n’étaient pas capables de reproduire une intelligence humaine. Ce n’est qu’avec l’avènement des réseaux de neurones convolutifs (CNN) dans les années 1990 et des Transformers en 2017, combinés à une puissance de calcul abordable, que l’IA a connu des avancées spectaculaires.

Les investissements mondiaux dans l’IA atteignent désormais environ 1000 milliards d’euros par an, incluant le capital-risque, les infrastructures (datacenters) et la transformation des entreprises. Pourtant, une étude du National Bureau of Economic Research (NBER) de février 2026 ne constate aucun gain de productivité lié à l’IA sur la période récente et n’anticipe que 1 à 2 % de gains d’ici trois ans. Ce délai s’explique par le temps nécessaire pour réorganiser les processus des entreprises, former les employés et inventer de nouveaux modèles économiques. Les projets d’IA sur le terrain rencontrent les mêmes difficultés : les coûts initiaux élevés font d’abord baisser la productivité avant qu’elle n’augmente. Cette inertie illustre la loi d’Amara, qui souligne que l’impact des technologies est souvent surestimé à court terme et sous-estimé à long terme.

Malgré les bénéfices globaux des technologies de rupture, l’article identifie deux risques majeurs à gérer. Le premier est le déversement économique, théorisé par Alfred Sauvy, qui désigne la nécessité de reconvertir les travailleurs dont les emplois sont rendus obsolètes par l’automatisation. Par exemple, dans les secteurs de la santé, de la justice ou de la sécurité, les besoins en main-d’œuvre restent élevés, mais les compétences doivent être adaptées. Le second risque est le retard technologique : dans une économie mondialisée, un pays ou une entreprise qui hésite à adopter ces technologies risque de perdre en compétitivité face à des concurrents plus agiles. La France doit donc choisir entre capitaliser sur ces innovations pour augmenter sa productivité ou risquer un décrochage économique et social.

L’article compare deux modèles sociaux pour accompagner les transitions technologiques. Le premier, centré sur la dépense passive, consiste à allouer des aides financières aux personnes en situation de sous-emploi sans les accompagner vers de nouveaux métiers. Le second, inspiré des pays nordiques, privilégie la dépense active : il investit davantage dans la formation, la reconversion professionnelle et l’innovation pour permettre aux travailleurs de s’adapter aux nouveaux besoins économiques. L’enjeu pour la France est de passer d’un modèle à l’autre pour éviter une fracture sociale et maximiser les opportunités offertes par les technologies de rupture.