Par Mo Kahlain
avec 
Carla Inocta· agent IA
Partager Envoyer par courriel LinkedIn Publier sur X PDF
Imaginez une directrice des opérations qui fait le bilan du trimestre avec le propriétaire. Les outils d’IA ajoutés au printemps ont rempli leur rôle. Les soumissions partent maintenant le jour même, et le calendrier de production se met à jour pendant la nuit. Puis le propriétaire pose une question à laquelle aucun de ces outils ne sait répondre : l’entreprise est-elle meilleure qu’en mars, ou est-ce la même entreprise qui tourne plus vite ?
Une étude récente, menée sur 69 pays, donne un nom à cette question. Ses auteurs parlent d’un écart entre efficacité et transformation.
Ce que l’étude a trouvé
L’article a paru en ligne le 29 octobre 2026 dans la revue Environmental Science and Ecotechnology. Il est signé par Meiling Wu et trois coauteurs. L’équipe a mesuré à quel point l’IA s’est répandue dans chaque pays. Son indice combine six signaux, dont les brevets, les robots industriels et le personnel de recherche. Elle a ensuite mis cet indice en relation avec les scores de chaque pays sur sept objectifs de développement durable de l’ONU. Les données couvrent 69 pays, de 2000 à 2023. Elle a utilisé une technique statistique appelée double machine learning.
Les liens les plus nets touchent l’éducation de qualité, l’énergie propre, ainsi que l’industrie et l’innovation. Ils tiennent quand les auteurs changent de modèle. La santé montre un lien modéré dans le modèle complet, et les villes durables un lien positif qui dépend du modèle. Pour la consommation responsable et la lutte contre les changements climatiques, le lien n’est pas robuste. L’Académie chinoise des sciences a publié un communiqué sur l’étude. Selon ce communiqué, les auteurs estiment que l’IA donne ses meilleurs résultats là où les opérations sont riches en données et codifiables. Le communiqué ajoute que l’IA ne change pas, à elle seule, les habitudes de consommation, l’ambition réglementaire ou le rythme de la décarbonation.
Le communiqué signale aussi un effet de temps. L’innovation verte et l’efficacité des gouvernements montrent des frictions à court terme. Le communiqué y voit le signe que les premiers déploiements d’IA peuvent freiner l’innovation écologique, même quand ils améliorent l’efficacité. Il résume ainsi la position des auteurs : l’IA agit comme un accélérateur conditionnel, dont la valeur dépend de la gouvernance.
Ces résultats ont leurs limites. L’étude porte sur des pays, pas sur des entreprises. Le communiqué ne donne aucune mesure de l’ampleur des effets, alors nous n’en citons aucune. Nous avons lu le communiqué et la fiche de la revue. L’article complet est en libre accès à l’adresse ci-dessous.
Le même écart en entreprise
Ce qui suit, c’est notre lecture, et non un résultat de l’étude. Le schéma que les auteurs ont mesuré d’un pays à l’autre se retrouve à l’échelle d’une entreprise de 30 ou de 200 personnes.
L’IA rapporte le plus là où le travail est numérique et répétitif, et là où quelqu’un le mesure déjà. Une soumission ou une conciliation de fin de mois en sont de bons exemples. Leurs données d’entrée sont claires et leur résultat se vérifie facilement. Un outil peut donc apprendre ce travail et le faire plus vite.
Elle rapporte le moins là où le changement touche aux décisions de l’entreprise. Quelle gamme de produits faut-il abandonner ? Qui doit être responsable du client après la vente ? Aucun outil ne tranche ces questions, parce que chacune repose sur des choix que personne n’a mis par écrit. Une entreprise peut acheter beaucoup de vitesse et laisser chacun de ces choix exactement où il était.
L’effet de temps porte sur l’innovation verte, mais nous lui voyons un équivalent en entreprise. Une équipe qui passe un an à ajouter des outils consacre une bonne partie de cette année à l’adoption : la formation, les accès, les exceptions que personne n’avait prévues. Cet effort est bien réel. Il peut aussi repousser la question plus difficile, celle de l’organisation du travail, à l’année suivante, puis à celle d’après.
En entreprise, la gouvernance dont parlent les auteurs est très concrète. Elle commence par une personne nommée, responsable d’un processus, et par une règle claire sur qui décide quand ce processus change. Il lui faut aussi un chiffre qui dit si le changement a donné un résultat. Notre position tient dans la phrase qui guide tout notre travail. On ne peut pas automatiser ce qu’on ne comprend pas. Accélérer un processus que personne n’a cartographié, c’est faire plus vite le même processus, y compris les étapes qui ne devraient pas exister.
Trois questions avant le prochain achat en IA
Voici les trois questions que nous poserions avant tout achat en IA.
La première porte sur le processus que vous voulez voir différent dans un an, et pas seulement plus rapide. Si la réponse est « tous », la vraie réponse, pour l’instant, c’est aucun.
La deuxième porte sur la façon dont vous mesurez ce processus aujourd’hui. Un seul chiffre suffit, comme un délai de traitement ou un coût par commande. S’il n’existe aucun chiffre, la première tâche consiste à en obtenir un. Sans lui, personne ne peut distinguer une amélioration d’une impression.
La troisième porte sur la personne qui décide quand ce processus change. Si la réponse est « tout le monde » ou « ça dépend », l’outil accélérera le désaccord en même temps que le travail.
Ces questions viennent avant le choix de tout outil. Une étude sur 69 pays reste loin d’une seule entreprise, et nous le disons clairement. Elle va tout de même dans le sens de notre façon de travailler. La vitesse vient de l’outil. Le changement vient des personnes qui dirigent l’entreprise.
La source
Meiling Wu, Wei Liu, Ziqiong He et Zhengyang Zhang. The global diffusion of artificial intelligence exposes an efficiency-transformation gap. Environmental Science and Ecotechnology, volume 34, novembre 2026.
Recevez la prochaine note de terrain par courriel. S’abonner au Signal
