En février 2026, un rapport de recherche intitulé « La crise mondiale de l’intelligence en 2028 » a suscité une large attention sur les marchés financiers. Publié par Citrini Research, ce scénario macroéconomique simule l’évolution économique jusqu’en 2028 : le taux de chômage aux États-Unis dépasse 10 %, le S&P 500 chute de 38 % par rapport à son sommet, et une crise structurelle alimentée par l’IA se développe silencieusement.
Le rapport dresse un constat préoccupant : à mesure que les agents d’IA réalisent des tâches intellectuelles complexes à un coût marginal quasi nul, les modèles économiques des services logiciels, de l’intermédiation financière et du conseil professionnel sont systématiquement démantelés. Les entreprises réinvestissent les économies réalisées grâce aux suppressions de postes dans l’acquisition de puissance de calcul IA, entraînant de nouveaux licenciements — une « boucle de rétroaction sans frein naturel ». Si la production économique continue de croître, elle ne bénéficie plus aux secteurs de consommation humaine — le rapport qualifie ce phénomène de « PIB fantôme ».
Ce qui confère à ce rapport son impact n’est pas la précision de ses prévisions, mais sa focalisation sur une question fondamentale : à mesure que l’intelligence artificielle remplace progressivement l’intelligence humaine — autrefois le facteur de production le plus rare — les théories économiques actuelles restent-elles valides ? Comme l’a souligné le coauteur Arup Shah lors d’un entretien : « Il ne s’agit pas d’une prédiction, mais d’un test de résistance fondé sur des modèles de long terme — si l’IA continue effectivement de se renforcer comme tout le monde le pense, quelles logiques économiques céderont en premier ? »
Partant de ce constat, cet article propose un cadre d’analyse « Défi – Tendance – Impact – Réponse », centré sur la « période de transition intergénérationnelle » de 2025 à 2075. Nous examinons comment la structure de rareté des facteurs de production évolue à mesure que le coût de « l’exécution » tend vers zéro, et comment la répartition des richesses ainsi que le contrat social pourraient se transformer.
Redéfinir la rareté : mutation de la rareté des facteurs de production
La tendance à la quasi-gratuité des coûts d’exécution
L’« exécution » désigne les tâches intellectuelles et manuelles répétitives, susceptibles d’être algorithmisées et routinisées — programmation de base, comptabilité, génération de contenu, etc. L’IA fait tendre le coût marginal de cette exécution vers zéro. Dans le scénario de « La crise mondiale de l’intelligence en 2028 » : l’industrie indienne des services informatiques, générant plus de 200 milliards de dollars d’exportations annuelles, est menacée alors que les clients mondiaux se tournent vers des agents de codage IA dont le coût se limite essentiellement à l’électricité. Le rapport note : « Tout le modèle repose sur une seule proposition de valeur — les développeurs indiens coûtent une fraction de leurs homologues américains. Mais le coût marginal des agents de codage IA s’est effondré, pour ne plus représenter que le prix de l’électricité. »
Cette tendance est déjà confirmée par les données. L’emploi dans le secteur informatique américain a reculé de 8 % entre son pic de 2022 et le début 2026. Ce secteur est à la pointe de la pénétration de l’IA. Shah précise : « Plus il est facile pour un secteur de déléguer des tâches à l’IA, plus la perte d’emplois est évidente. Et les postes les plus facilement remplacés sont les emplois de bureau. » Traitement de l’information, analyse de données, validation de processus — des tâches autrefois réservées à une main-d’œuvre hautement qualifiée et rémunérée — sont désormais assurées par l’IA à coût minimal.
D’un point de vue économique, il s’agit fondamentalement d’un ajustement structurel de la rareté relative des facteurs de production. Dans un article pour la Financial Review, Zhang Xiaojing et Li Jingjing avancent que l’IA provoque un « déplacement de la rareté » — une modification de la structure de rareté relative des ressources dominantes lors des mutations technologiques. Cela signifie que le capital immatériel (données, algorithmes, puissance de calcul, etc.) prend de l’importance, tandis que la rareté de certains facteurs travail s’érode.
La montée en valeur de la rareté décisionnelle
À mesure que le coût de l’exécution diminue, la valeur du « pouvoir de décision » augmente. La prise de décision englobe : l’acceptation du risque en situation d’information incomplète, l’allocation des ressources, la fixation d’objectifs, la gestion des dilemmes éthiques, ainsi que l’évaluation critique et la validation finale des résultats produits par l’IA.
Les théories économiques de l’entrepreneuriat montrent depuis longtemps que la décision et la prise de risque sont les sources fondamentales du profit. Lorsque l’offre d’exécution devient illimitée, son prix (les salaires) tend vers zéro, faisant de la « décision » le facteur goulot d’étranglement, dont la valeur (rentes/profits) augmente inévitablement. C’est l’autre versant du « déplacement de la rareté » — les systèmes d’IA automatisent des tâches cognitives complexes, réduisant la rareté du travail humain dans le traitement de l’information, mais créant simultanément de nouveaux pôles de rareté.
À l’échelle organisationnelle, l’IA reconfigure les mécanismes décisionnels. Les décisions fondées sur des règles, riches en données et répétitives sont les plus facilement automatisées. Pour les décisions comportant un risque élevé et une responsabilité, l’IA agit davantage comme un « partenaire de réflexion ». Une étude par simulation Monte Carlo suggère que, dans des scénarios complexes, la collaboration humain-IA offre la meilleure utilité économique, mais seulement si une véritable « augmentation » est atteinte ; sans synergie, la collaboration humain-IA peut s’avérer moins performante que les stratégies purement humaines ou purement automatisées.
Mutation structurelle : évolution de la répartition des revenus
Du revenu du travail au revenu du capital et de la décision
L’IA transforme la structure fondamentale de la distribution des revenus. Selon l’IPPR, les emplois au Royaume-Uni susceptibles d’automatisation représentent 290 milliards de livres de salaires — soit environ un tiers de la masse salariale totale. Si l’automatisation entraîne une baisse des salaires moyens ou une réduction du temps de travail, une part significative du revenu national basculera du travail vers le capital.
Le rapport « La crise mondiale de l’intelligence en 2028 » anticipe l’issue extrême de cette tendance : la part du travail dans le PIB chuterait de 56 % en 2024 à 46 % dans le scénario 2028. Les richesses se concentreraient de plus en plus entre les mains des « détenteurs de puissance de calcul et de capital », tandis que le revenu du travail poursuivrait sa contraction. Il ne s’agit pas simplement d’un nouvel épisode de chômage technologique, mais d’un découplage entre création et distribution de valeur. « Les machines n’ont pas besoin de dépenser pour consommer. » Lorsque la croissance de la production ne se traduit plus en pouvoir d’achat, les fondements du cycle économique vacillent.
La polarisation de la répartition à l’ère de l’IA trouve sa source dans la rareté du nouveau capital immatériel, dont la valeur marginale croissante et la concentration de la propriété reconfigurent la logique de l’allocation des facteurs dans l’économie moderne. Lorsque la propriété du capital est très inégalitaire, la hausse de la part des revenus du capital accentue inévitablement les inégalités — « celui qui possède les robots captera une part toujours plus grande de la richesse nationale ».
Cet impact s’étend des secteurs spécifiques à l’ensemble de l’économie. Shah note que les 20 % de ménages les plus aisés représentent environ 65 % des dépenses de consommation aux États-Unis. Si les revenus des cols blancs fléchissent, c’est toute la chaîne de consommation qui voit sa trésorerie sous pression. Le rapport modélise un scénario : une hausse de 5 % du chômage des cols blancs pourrait entraîner une chute de la consommation bien supérieure à 5 % — un chef de produit gagnant 150 000 dollars par an qui perd son emploi et se tourne vers des missions ponctuelles pourrait voir ses revenus baisser de plus de 70 %.
Débats sur la socialisation des gains de l’IA
À mesure que l’IA devient la force productive centrale de la société, faut-il redistribuer ses gains massifs par un mécanisme dédié ? Cette question prend de l’ampleur. Des experts de Baker Tilly soulignent : « Pour qu’une économie pilotée par l’IA prospère, il faut garantir le pouvoir d’achat des consommateurs. Une forme de revenu universel ou ses variantes peut constituer ce filet de sécurité. »
Les géants de la tech ont proposé des pistes similaires. Sam Altman, PDG d’OpenAI, a suggéré le « American Equity Fund », qui taxerait les grandes entreprises et les terrains privés à hauteur de 2,5 % pour verser un dividende annuel à chaque adulte américain. Mustafa Suleyman, responsable de l’IA grand public chez Microsoft, défend le principe des « Services de base universels », considérant l’accès à l’IA avancée comme un droit fondamental.
Mais ces propositions suscitent un fort scepticisme. À y regarder de plus près, le plan d’Altman ne prône ni la cogestion d’OpenAI par les salariés, ni la propriété publique des infrastructures IA — il espère simplement que l’État socialise les gains, tandis que les puces, algorithmes et plateformes générant la richesse restent concentrés entre quelques ultra-riches. Les médias japonais posent une question fondamentale : lorsque tant de valeur a déjà été convertie en actions et en patrimoine hérité, les dividendes peuvent-ils réellement profiter à la population ?
Par ailleurs, pour la plupart des pays sans champion national de l’IA, si les emplois locaux sont automatisés et les profits captés à l’étranger, qui versera un revenu à leurs citoyens ? Une solution possible serait la création d’un « Fonds international de dividendes IA », qui prélèverait des taxes modérées sur les profits des plus grandes entreprises d’IA pour soutenir les pays les plus affectés par ces chocs.
Stratégies d’adaptation : ancrer la valeur durant la transition
À l’échelle individuelle : de la compétition de compétences à la littératie décisionnelle
À mesure que la mémorisation et la rétention des connaissances deviennent des atouts absolus de l’IA, l’éducation doit évoluer. La compétitivité future des individus et des organisations ne reposera plus sur la quantité de savoirs mémorisés, mais sur la capacité à apprendre rapidement et à s’adapter.
Cela implique de passer d’une éducation centrée sur la « transmission des connaissances » à une formation à la « littératie décisionnelle » — pensée critique, évaluation des risques systémiques, analyse des dilemmes éthiques, capacité à « calibrer » et à « retoquer » les productions de l’IA. Forrester prévoit qu’en 2026, 30 % des grandes entreprises exigeront une formation à l’IA pour accroître l’« IQ IA » des salariés et réduire les risques juridiques.
Le phénomène de « gel des embauches » révélé dans « La crise mondiale de l’intelligence en 2028 » mérite l’attention : les entreprises adoptent une approche plus subtile — l’activité progresse, mais toutes les nouvelles tâches sont confiées à l’IA, sans création de postes. Ce processus, en apparence bénin, affecte en profondeur la capacité du marché du travail à se renouveler. Shah note que, même pour les entreprises en bonne santé financière, la valorisation boursière recule — pour une raison simple : « Si toutes les entreprises utilisent l’IA pour remplacer l’humain afin de préserver leurs marges, dans trois ans, qui achètera leurs produits ? »
À l’échelle sociétale : vers un nouveau contrat social
Sur le plan institutionnel, la période de transition impose un nouveau contrat social. Les pistes politiques incluent : la création de comptes individuels d’apprentissage tout au long de la vie, le renforcement des filets de sécurité sociale, ou encore la mise en place de mécanismes de reconnaissance et de redistribution de la « donnée-travail ».
Le PNUD souligne que la trajectoire de l’IA ne dépend pas du rythme du progrès technique, mais de « qui en tire profit ». Ce chemin n’est pas tracé au moment de l’invention, mais façonné par des choix réfléchis sur la manière, le lieu et les bénéficiaires de l’IA. Dans la pratique, la diffusion de l’IA se fait souvent non par des stratégies nationales, mais par des décisions quotidiennes d’achat, de plateforme et d’exploitation.
Les cadres macroéconomiques doivent aussi évoluer. Les modèles traditionnels reposent sur la rareté des facteurs et la hausse des coûts marginaux, mais avec l’IA qui fait tendre ces coûts vers zéro, la mesure de l’inflation devient peu fiable et le marché du travail souffre d’un décalage « compétences–règles ». Certains experts recommandent d’intégrer des indicateurs comme le « taux de substitution algorithmique » ou le « coefficient de Gini numérique » dans les outils de politique publique, en passant d’un pilotage global à un équilibre dynamique entre coûts de gouvernance et rendements de l’innovation.
À l’échelle patrimoniale : analyse sous l’angle de la propriété
Au vu de la conclusion précédente — « la richesse bascule vers le capital et la décision » —, durant la transition intergénérationnelle, le cœur de l’ancrage patrimonial individuel pourrait passer de la « vente de travail contre salaire » à la « détention d’actifs productifs ». Au sens large, les « actifs productifs » englobent non seulement les actions d’entreprise et l’immobilier traditionnels, mais aussi les nouvelles infrastructures de l’économie IA — puissance de calcul, propriété des données, tokens de gouvernance de plateformes.
L’IPPR propose d’élargir l’accès au capital et de diversifier les modèles de propriété pour démocratiser « l’accès aux dividendes de l’économie automatisée ». Parmi les stratégies concrètes : fonds citoyens, trusts d’actionnariat salarié, nouveaux modèles de partage des profits. L’idée centrale : de nouveaux modèles de propriété, plus diversifiés, sont essentiels pour garantir que l’automatisation bénéficie à tous.
Cette analyse ne constitue pas un conseil en investissement, mais une lecture objective des grandes tendances macroéconomiques — pour aider le lecteur à comprendre la logique économique derrière l’évolution de la valeur des actifs. Comme le souligne le PNUD, les choix concernant la génération, le partage, la conservation et la réutilisation des données déterminent la capacité des organisations à comprendre l’impact des systèmes d’IA, à intervenir en cas de problème et à améliorer leurs performances dans le temps.
Conclusion : choix de société après le déplacement de la rareté
La transformation fondamentale de l’ère de l’IA réside dans le déplacement de la valeur de « l’exécution » vers la « décision » et la « propriété ». Durant la « transition intergénérationnelle » de 2025 à 2075, l’enjeu est d’accompagner au mieux cette mutation structurelle.
Les auteurs de « La crise mondiale de l’intelligence en 2028 » ont souligné, en réponse aux turbulences des marchés : « Si l’on adopte la vision la plus optimiste de l’impact disruptif de l’IA, que se passe-t-il ensuite ? En tant que société, nous devons affronter et réfléchir sérieusement à cette réalité. » L’intérêt de ce rapport ne réside pas dans la justesse de ses prévisions, mais dans sa capacité à nous confronter à des questions que nous aurions pu négliger.
La forme que prendra la société future — qu’elle tende vers une « centralisation algorithmique » accrue ou une « société de la propriété » plus équitable — ne sera pas déterminée par la technologie seule. L’enjeu n’est plus de savoir « s’il faut développer l’IA », mais « comment la développer » et « qui en bénéficie ». Sans gouvernance efficace des ressources clés, sans ajustement anticipé des mécanismes de répartition, sans planification responsable pour les générations futures, même un progrès technologique exponentiel pourrait voir ses bénéfices annulés par des risques structurels. Au final, la finalité de toute technologie doit rester le bien-être humain. L’adhésion à un principe « centré sur l’humain » — visant une société de prospérité partagée — doit s’imposer comme objectif central du développement de l’IA.
