C’est l’ère de l’intelligence artificielle, et elle est pleine de paradoxes - le paradoxe des prédictions, le paradoxe de la quantification de l’emploi, le paradoxe de la productivité, le paradoxe de la valeur des données, le paradoxe de la révolution industrielle... Nous avançons au milieu de ces paradoxes.
Le Paradoxe des Prédictions
Concernant l’avenir de l’intelligence artificielle, les gens semblent toujours incapables de prédire avec justesse, qu’il s’agisse de lauréats du prix Turing, de prix Nobel, d’entrepreneurs ou de créateurs de start-up. Leurs jugements sont toujours irréalistes ou trop conservateurs. C’est le paradoxe des prédictions en intelligence artificielle.
Historiquement, des pionniers comme Marvin Minsky, Allen Newell et Herbert Simon ont tous fait des prédictions qui nous laissent perplexes. Par exemple, Marvin Minsky déclarait en 1970 : « D’ici trois à huit ans, nous aurons une machine dotée d’une intelligence équivalente à celle d’un être humain moyen. » Aujourd’hui encore, nous nous efforçons d’y parvenir.
Geoffrey Hinton est l’une des figures les plus influentes de notre époque, surnommé le « parrain de l’IA ». En 2016, il a prédit : « Il faudrait immédiatement cesser de former des radiologues. Il est évident que l’apprentissage profond surpassera les radiologues dans les cinq prochaines années. » Cela ne s’est pas réalisé ; la réalité a évolué en sens inverse. Ces dix dernières années, le nombre de radiologues et leurs revenus aux États-Unis ont considérablement augmenté.
Demis Hassabis est une figure d’un statut comparable à Hinton. Il a déclaré (2025) : « Dans les dix prochaines années environ, l’IA pourrait aider à guérir toutes les maladies. » En tant qu’entrepreneur en IA le plus prospère, Sam Altman (2025) pense que l’IA pourrait doubler la durée de vie humaine dans les 5 à 10 prochaines années. Nous verrons bien si ces prédictions à court terme se réaliseront.
Ce sont les prédictions des six personnalités les plus célèbres. Concernant les sujets d’actualité, l’AGI (Intelligence Artificielle Générale) est le plus en vogue actuellement. Les jugements des communautés entrepreneuriales et académiques sur le moment de sa réalisation présentent une divergence marquée. Les entrepreneurs sont radicaux et optimistes, certains pensant même qu’elle est imminente. On peut distinguer quatre catégories principales : 1) Elle est déjà là (nous y sommes sans le savoir), 2) Elle arrive tout de suite (un an ou deux), 3) Elle viendra à court terme (trois à cinq ans), 4) Elle ne viendra qu’à long terme (cinq à dix ans, voire plus). Certains de ces jugements ont déjà été infirmés, d’autres doivent encore être vérifiés par le temps, comme le montre le tableau ci-dessous. Les universitaires sont généralement pessimistes, certains considérant même l’AGI comme un faux concept qui ne verra jamais le jour. Par exemple, Iris van Rooij a souligné (2024) : « Créer une AGI avec des capacités cognitives équivalentes au niveau humain est impossible. »
Tableau : Prédictions des PDG de grandes entreprises d'IA sur l'arrivée de l'AGI. Source : Tencent Research Institute, mai 2026
Les gens aiment faire des prédictions. Certains le font pour se faire de la publicité ou se donner du courage, d’autres pour des articles ou des projets de recherche, et d’autres encore pour de simples querelles verbales. En réalité, personne ne sait à quoi ressemblera l’avenir. L’avenir ne suit pas un scénario prédéfini ; il est déterminé par les choix et les actions de chacun, façonné par une rupture complète avec le passé, et plein de coïncidences et de paradoxes. Comme un cochon vivant paisiblement, incapable de prédire le cygne noir du Nouvel An.
Le Paradoxe de la Quantification de l'Emploi
L’impact de la technologie sur l’emploi est une discipline à la fois évidente et obscure. C’est un sujet ancien, comme un fantôme qui erre depuis des siècles. Tout le monde en parle, les érudits en discutent avec aisance, et les gens ordinaires également. Sa limite inférieure est très basse et sa limite supérieure très haute, les débats sont incessants, les opinions sont diverses. Ces dernières années, les universitaires et les institutions se sont tournés vers des « approches basées sur les données », essayant d’utiliser des méthodes apparemment scientifiques, rigoureuses et sophistiquées pour prouver leur perspicacité. Des organisations internationales comme l’OCDE, le FMI, le Forum Économique Mondial, la CNUCED, l’OIT, la Banque Mondiale, ainsi que des cabinets de conseil comme Goldman Sachs, McKinsey, le Pew Research Center ont tous publié des rapports chiffrant l’impact de l’IA sur l’emploi. Voir le tableau ci-dessous.
Tableau : Quelques résultats de quantifications de l'impact de l'IA sur l'emploi
Chaque rapport pris individuellement a suffisamment de poids, et peut même être considéré comme une référence. Mais lorsqu’on les examine ensemble, on constate que les résultats des estimations varient énormément, allant généralement de 0,4 % à 67 %, ce qui les rend pratiquement incomparables. Cela nous désenchantne.
Une condition préalable à l’estimation quantitative de l’emploi est de pouvoir saisir avec précision le rythme de développement de la technologie. Comme mentionné précédemment, même les grands experts en technologie ne peuvent pas prédire avec précision l’évolution future de la technologie de l’IA. Comment les économistes pourraient-ils alors quantifier l’impact de l’IA sur l’emploi ? Ils ne peuvent que supposer que la technologie est statique ou qu’elle progresse à une vitesse prédéfinie, ce qui ne correspond pas à la réalité. D’autre part, l’IA n’est pas un facteur d’influence isolé ; le cycle économique, l’économie industrielle, le développement technologique, la structure démographique, les préférences en matière d’emploi, les politiques de l’emploi, la mondialisation, les événements soudains et d’autres facteurs multiples influencent conjointement l’emploi. Ils sont interconnectés et interagissent, il est impossible d’isoler parfaitement l’IA de cet ensemble. En ce sens, quantifier l’impact de l’IA sur l’emploi est un paradoxe.
Le Paradoxe de la Productivité
L’intelligence artificielle est une nouvelle technologie à usage général, caractérisée par une applicabilité universelle, une amélioration continue et la capacité à stimuler l’innovation ; c’est le moteur de la croissance économique future. Le terme d’intelligence artificielle existe depuis 70 ans, la révolution de l’apprentissage automatique dure depuis 14 ans, et l’actuelle vague d’IA fait rage, passant des grands modèles de langage et du multimodal aux modèles mondiaux, agents intelligents et IA physique, se succédant et se multipliant. Pourtant, le taux de croissance de la productivité ne s’est pas accéléré de manière significative, voire nous faisons face à une crise de la productivité (Rogers, 2024).
Depuis la sortie de ChatGPT, le taux de croissance de la productivité horaire du travail dans l’UE fluctue autour de 0 %, avec une croissance de 0,1 % au premier trimestre de cette année. Sur les 14 trimestres allant du quatrième trimestre 2022 au premier trimestre 2026, seuls 3 trimestres ont enregistré un taux de croissance de la productivité supérieur à la moyenne à long terme depuis 1999 (1,0 %). Voir la figure ci-dessous. La croissance américaine est robuste ; du quatrième trimestre 2022 au deuxième trimestre 2026, la productivité du travail dans le secteur des entreprises non agricoles a augmenté en moyenne de 2,2 % par an, se distinguant parmi les pays occidentaux, mais cela équivaut seulement à la moyenne à long terme depuis 1948 (source : Bureau of Labor Statistics des États-Unis).
Figure : Taux de croissance récent de la productivité du travail dans l'UE (Source : Eurostat)
Cette coexistence d’une « innovation technologique qui progresse à grands pas et d’une croissance de la productivité décevante » est le paradoxe de la productivité. Ce n’est pas la première fois qu’il apparaît. Le lauréat du prix Nobel d’économie Robert Solow écrivait en 1987 : « You can see the computer age everywhere but in the productivity statistics (On voit l’âge de l’informatique partout, sauf dans les statistiques de productivité). » C’est l’expression la plus classique du « paradoxe de la productivité » ou « paradoxe de Solow ».
Pour expliquer le paradoxe de la productivité, trois raisons principales sont avancées : des attentes erronées, des erreurs de mesure et un décalage temporel. Brynjolfsson estime (2017) que l’explication par le décalage temporel est la plus convaincante, la principale cause du paradoxe de la productivité, et résume l’effet de retard de l’impact des technologies à usage général sur la productivité par une « courbe en J ». Les technologies à usage général nécessitent de multiples innovations secondaires, des innovations complémentaires et des changements organisationnels avant d’avoir un impact substantiel sur la productivité. Historiquement, la machine à vapeur, le générateur électrique et l’ordinateur ont commencé à stimuler significativement la productivité respectivement 118 ans, 91 ans et 49 ans après leur invention, et 54 ans, 40 ans et 21 ans après leur commercialisation. Par conséquent, à long terme, le paradoxe de la productivité n’est pas vraiment un paradoxe. Il faudra encore du temps avant que l’IA ne fasse nettement progresser la productivité.
Le Paradoxe de la Valeur des Données
Les données sont la nourriture de l’IA, elles doivent être abondantes et de bonne qualité, abondantes à l’infini, et de qualité pour éviter « garbage in, garbage out (GIGO) » (déchets à l’entrée, déchets à la sortie). On peut dire que les données ont une nature « noble » et une nature « vile ». Les données déterminent la limite supérieure des capacités de l’IA, souvent qualifiées de « nouveau pétrole » (Clive Humby, 2006) et de « ressource la plus précieuse au monde » (The Economist, 2017), « aussi importantes que les ressources énergétiques et matérielles » (document conjoint des deux bureaux chinois, 2004). La valeur d’usage des données est immense, mais contrairement aux biens ordinaires, elles n’ont pas de valeur d’échange ou monétaire évidente. Comme l’a déclaré Li Guojie (2025) : « La valeur des données ne peut être déterminée que dans leur utilisation. »
L’OCDE (2024) a analysé les documents politiques de 46 pays concernant les données et a constaté que le contexte politique dans lequel le mot « données » apparaît le plus fréquemment, par ordre décroissant, est l’innovation, la confiance, la société, l’ouverture des marchés, l’utilisation, l’emploi et l’accès. Ils ne se préoccupent pas de l’« échange ». Chen Changsheng (2023) a souligné : « Les bourses de données fleurissent partout, mais les ‘échanges’ au sein de ces bourses ne se développent pas très bien » et « face à la frénésie de construction de marchés des données, il faut se méfier de la formation d’une orientation comportementale selon laquelle ‘seules les données achetées et vendues sont utilisables’. »
La densité de valeur des données est faible, difficile à monétiser, et leur proportion dans les bilans est infime, presque négligeable. Selon les données récentes de la Shanghai Advanced Institute of Finance de l’Université Jiao Tong de Shanghai, 136 entreprises cotées en Chine ont divulgué des informations relatives à l’intégration de ressources de données dans leurs comptes, pour un montant total de 3,786 milliards de yuans. D’après ces chiffres, les premières ne représentent que 2,5 % du nombre total d’entreprises cotées sur le marché A en Chine, et les seconds équivalent à seulement 0,3 % de l’échelle de l’industrie centrale de l’intelligence artificielle en Chine.
Les trois grands opérateurs de télécommunications dominent en termes de volume d’intégration dans les comptes, avec un montant total de 2,1 milliards de yuans en 2025, représentant 55,46 % du montant total intégré par les entreprises cotées. Cependant, ces ressources de données ne représentent qu’environ 0,06 % des actifs totaux des entreprises, une part insignifiante. Voir le tableau ci-dessous.
Tableau : Montants d'intégration des ressources de données des trois grands opérateurs et leur proportion (31.12.2025). Source : D'après les bilans consolidés des rapports financiers.
Le Paradoxe de la Révolution Industrielle
À chaque montée en puissance d’une vague technologique, il y a toujours des gens pour la comparer à la machine à vapeur, à l’électricité ou à l’ordinateur, et s’exclamer avec excitation : « Elle déclenchera la quatrième révolution industrielle ! » Ce phénomène dure depuis au moins un demi-siècle, avec par exemple la microélectronique (1984), l’informatique (1988), les nanotechnologies (1994), l’internet (2000), les énergies alternatives (2010), les systèmes cyber-physiques (2014) dans les premières phases. Ces dix dernières années, cela s’est intensifié, avec le big data (2016), l’intelligence artificielle (2016), l’Internet des objets (2016), l’internet industriel (2017), la blockchain (2017), l’informatique quantique (2018) et la fabrication intelligente (2021), tous ayant été investis de la mission d’être la quatrième révolution industrielle. Voir la figure ci-dessous.
Figure : Distribution du nombre d'articles sur CNKI ayant pour titre « Quatrième révolution industrielle », etc. Note : Les critères de sélection sont les articles dont le titre comprend « troisième révolution industrielle », « troisième révolution des industries », « quatrième révolution industrielle » ou « quatrième révolution des industries ». Concernant la révolution actuelle, certains pensent qu'il s'agit de la troisième, d'autres de la quatrième ; de plus, « révolution industrielle » et « révolution des industries » sont la même expression en anglais « Industrial Revolution ». Par conséquent, cet article ne fait pas de distinction stricte.
Nous vivons pratiquement en permanence la quatrième révolution industrielle dans les médias. La technologie censée déclencher cette révolution est toujours « comme les nouvelles feuilles de la forêt printanière qui poussent les anciennes, comme les vagues successives d’un fleuve ». On en dénombre préliminairement au moins une vingtaine. Chaque fois qu’une nouvelle technologie apparaît et se voit attribuer la grande signification de la quatrième révolution industrielle, cela semble signifier que les précédentes étaient erronées. Actuellement, l’opinion générale est que l’IA est la quatrième révolution industrielle. Demis Hassabis (2026) a même déclaré : « L’ampleur et la vitesse de l’AGI pourraient être 10 fois supérieures à celles de la révolution industrielle. » En Chine, certains entrepreneurs considèrent également l’IA comme la dernière révolution technologique de la société humaine. L’IA a prouvé les erreurs passées, mais comment l’IA elle-même peut-elle être prouvée ?
Nous ne pouvons pas en débattre, mais soulignons deux points. Premièrement, une révolution industrielle et une crise économique ne peuvent pas se produire simultanément. Deuxièmement, les révolutions industrielles passées n’ont pas été anticipées par des prophètes, mais sont des récits construits a posteriori ; les gens qui y vivaient ne savaient pas qu’ils étaient au milieu d’une révolution industrielle. La première révolution industrielle (années 1760-1840) s’est terminée 40 ans avant que le terme « Industrial Revolution » ne devienne connu du grand public grâce à Arnold Toynbee. La deuxième révolution industrielle (années 1870-1914) s’est terminée 40 ans avant que les économistes ne commencent à utiliser « Seconde Révolution Industrielle », et 55 ans après sa fin, c’est l’ouvrage de David Landes « The Unbound Prometheus » (1969) qui a standardisé sa définition académique. Il n’existe pas encore de consensus sur la troisième révolution industrielle. Jeremy Rifkin (2011) estime que son thème est la fusion de l’internet et des énergies renouvelables ; The Economist (2012) pense qu’il s’agit de la digitalisation de la fabrication ; Erik Brynjolfsson et Andrew McAfee (2011) estiment que la troisième révolution industrielle est portée par l’informatique et les réseaux. Espérons que cette fois-ci sera différente.
Cet article est issu du compte WeChat public « Tencent Research Institute » (ID : cyberlawrc), auteur : Yan DeLi
