Entre 1980 et 2016, les entreprises américaines ont investi du capital réel pour automatiser les travailleurs touchant les rentes les plus élevées — coordinateurs, relecteurs, analystes de niveau intermédiaire dont la rémunération dépassait leur produit marginal — et ont perdu 60 à 90 pour cent des gains de productivité que l'automatisation aurait autrement délivrés. C'est le chiffre central de l'article de Daron Acemoglu et Pascual Restrepo dans le Quarterly Journal of Economics, Automation and Rent Dissipation: Implications for Wages, Inequality, and Productivity, publié dans le numéro de mai 2026 (vol. 141, iss. 2, p. 1521) (Acemoglu & Restrepo, QJE, 2026). Le même article attribue à cette mauvaise allocation 52 pour cent de la hausse des inégalités de revenus aux États-Unis sur la période, avec environ 10 points de pourcentage provenant spécifiquement du remplacement de la prime salariale (Acemoglu & Restrepo, NBER w32536, 2024).
L'histoire de quatre décennies est enfin un chiffre. La question de 2026 pour un Head of Operations d'une entreprise de 200 ETP est de savoir si la roadmap d'IA agentique sur le bureau ce trimestre est la même erreur à plus haute résolution — et les preuves disent que, par défaut, elle l'est.
Le mécanisme Acemoglu–Restrepo : dissipation de rente, pas déplacement
Le résultat phare que la plupart des lecteurs connaissent de la littérature antérieure d'Acemoglu est que l'automatisation a déplacé les travailleurs de routine et comprimé les salaires du bas. L'article QJE de 2026 est une affirmation plus tranchante et mérite d'être lu pour lui-même. Les auteurs étendent leur modèle de déplacement de tâches de 2022 pour incorporer les rentes des travailleurs — l'écart entre ce qu'un travailleur est payé et le produit marginal de son travail — et montrent que lorsque les entreprises automatisent, elles ciblent préférentiellement les tâches où les rentes sont les plus élevées, pas les tâches où le plafond de productivité est le plus élevé (Acemoglu & Restrepo, NBER w32536, 2024).
Le mécanisme : un coordinateur qui gagne 25 pour cent au-dessus de son produit marginal ressemble à une économie de 25 pour cent sur le tableur dès que le pitch d'automatisation arrive. Un travailleur de première ligne effectuant un travail à fort effet de levier avec un ratio rémunération-production plus serré ressemble à une économie plus faible. Le capital se dirige vers la plus grande économie. Le gain de productivité — la différence entre ce que l'automatisation peut faire et ce qui était fait — est plus faible dans le premier cas, parce que les rôles qui extraient des rentes sont, par définition, ceux où la rémunération surévalue la production. Le résultat net est un schéma de déploiement qui maximise le soulagement visible sur la masse salariale tout en minimisant le gain réel de productivité.
Acemoglu et Restrepo formalisent cela comme dissipation de rente : du capital est dépensé pour retirer une rémunération qui n'avait pas besoin d'être réduite pour que la productivité augmente, tout en laissant sur la table les gains beaucoup plus importants de l'automatisation du travail où la production bouge réellement. En quantifiant sur 49 industries et 500 groupes démographiques en utilisant les données BEA, ONET et Census de 1980 à 2016, ils constatent que deux tiers à neuf dixièmes du dividende de productivité ont été perdus à cause de cette dynamique (Working paper Washington State University, 2024). Côté inégalités, la même mauvaise allocation explique l'essentiel du déplacement de la structure salariale : « les baisses de salaire pour les travailleurs spécialisés dans des tâches routinières fortement exposées à l'automatisation expliquent 50 à 70 pour cent des changements de structure salariale aux États-Unis entre 1980 et 2016 » (WorkRise, 2021) — un chiffre que l'article QJE décompose désormais en composantes de rente et de productivité.
La conclusion que les auteurs mettent dans l'article, pas dans le communiqué : quand vous ciblez l'automatisation sur les personnes plutôt que sur la production, vous pouvez capturer l'inégalité sans capturer la productivité. C'est le schéma empirique de l'automatisation américaine de 1980 à 2016.
Pourquoi le déploiement d'IA agentique de 2026 répète le schéma
La réaction naturelle dans une revue ops est que l'automatisation industrielle 1980–2016 n'est pas l'IA agentique de 2026 — technologie différente, économie unitaire différente, calendrier différent. L'économie unitaire est différente. La logique de ciblage non.
Entrez dans n'importe quelle revue de déploiement d'agents dans le mid-market ce trimestre et le calcul du ROI est presque toujours présenté de la même manière : le rôle X coûte Y $ par an ; l'agent peut faire 60 pour cent du travail du rôle X ; donc l'agent économise 0,6 × Y. Les rôles nommés sur ces slides ne sont pas choisis en fonction de l'endroit où le gain marginal de productivité de l'IA est le plus important. Ils sont choisis en fonction de l'endroit où la ligne de masse salariale est la plus importante et où le travail est suffisamment structuré pour qu'un agent paraisse crédible — ce qui biaise le ciblage vers les coordinateurs, relecteurs, analystes seniors et responsables customer success. Ce sont précisément les rôles à prime salariale dans le cadre d'Acemoglu et Restrepo : des rôles où la rémunération dépasse le produit marginal en raison de rentes internes à l'entreprise (asymétrie d'information, jugement difficile à mesurer, pouvoir de négociation interne).
L'agent est ensuite évalué par rapport à l'économie sur cette ligne de masse salariale, pas par rapport au plafond de productivité que le déploiement aurait pu atteindre s'il avait visé ailleurs. Les deux questions — qu'est-ce que cet agent économise ? et où cet agent produirait-il le plus de résultats ? — ne sont pas la même question, et presque aucune revue de déploiement dans le mid-market ne les sépare.
L'Initiative on the Digital Economy du MIT défend une version de cet argument depuis deux ans : le dividende de productivité de l'IA est concentré dans les tâches où la production actuelle de l'humain est limitée par le débit cognitif, pas dans les tâches où la rémunération actuelle de l'humain est élevée (MIT IDE, 2024). Les deux distributions se chevauchent, mais ne sont pas la même distribution. L'article Acemoglu–Restrepo est la première pièce de preuve historique avec la magnitude de l'écart mesurée — et l'écart est grand.
Le chiffre 60-90 %, lu de deux manières
La taxe de productivité de 60-90 pour cent a deux lectures opérationnelles, et une fonction ops de 50 à 500 ETP devrait tenir les deux.
La lecture conservatrice est que la pénalité de ciblage sur la prime salariale appliquée à l'automatisation industrielle pourrait ne pas se transférer un pour un à l'IA agentique, parce que le coût marginal de déploiement d'un agent sur une tâche différente — une fois l'agent construit — est beaucoup plus faible que le coût marginal de redéploiement d'équipements industriels. En principe, un agent mal ciblé peut être reciblé en un sprint, là où une presse mal allouée est une dépréciation de capital sur plusieurs années. C'est le steel-man de la pratique de déploiement actuelle : le coût d'un mauvais ciblage est récupérable.
La lecture agressive est que la pénalité de ciblage sur la prime salariale est pire dans le cas agentique, pas meilleure, parce que la politique organisationnelle pour supprimer le biais de ciblage est plus difficile. Quand le C-suite a reçu le pitch comme une économie sur la masse salariale et que l'économie a été inscrite dans le plan de l'année prochaine, rediriger l'agent vers une autre fonction (à masse salariale plus faible, productivité plus élevée) n'est plus une décision de sprint — elle exige d'inverser un engagement financier, défendre le cadrage initial, et expliquer pourquoi un rôle précédemment nommé n'est plus la cible. Le coût politique du reciblage est ce qui fait persister le schéma 1980–2016 pendant quarante ans au lieu d'être corrigé en année deux.
Les deux lectures convergent vers la même implication opérationnelle : la décision de ciblage au premier trimestre est bien plus structurante que la capacité technique de l'agent. Un agent faible correctement ciblé surpasse un agent fort mal ciblé, parce que les gains de l'agent fort sont dissipés contre une rémunération qui n'avait pas besoin d'être réduite.
Le contre-argument : les rôles à prime salariale sont là où vit le jugement
La poussée la plus forte d'un Head of Operations est que les rôles à prime salariale sont exactement là où se trouve le travail le plus à fort effet de levier — que la raison pour laquelle les coordinateurs et analystes seniors sont payés au-dessus de leur produit marginal est qu'ils détiennent le contexte institutionnel qui permet à une entreprise de 200 ETP de fonctionner. Pointer un agent sur ces rôles n'est pas de la dissipation de rente ; c'est par définition la cible d'automatisation la plus à fort effet de levier.
Le contre-argument est en partie correct et entièrement cohérent avec le résultat Acemoglu–Restrepo. La raison pour laquelle la prime salariale existe dans ces rôles est précisément la charge de jugement — et la charge de jugement est aussi là où la plupart des systèmes agentiques actuels échouent encore d'une façon que le pitch de déploiement ne signale pas. Des preuves randomisées récentes sur l'IA traitant des tâches lourdes en jugement montrent que la confiance dans la production de l'agent est décorrélée de la précision, particulièrement quand l'utilisateur humain n'est plus l'expert du domaine (Bojinov et al., HBS working paper, 2024). Le ciblage qui semble le plus à fort effet de levier sur la slide de déploiement est donc aussi celui qui a le plus de chances de produire des régressions silencieuses de qualité qui n'apparaissent pas dans le dashboard de productivité avant deux trimestres.
Ce que l'article QJE ajoute à ce débat, c'est le taux de base de quatre décennies : quand les entreprises ciblent la prime salariale, le gain de productivité se rétrécit. La présence d'une charge de jugement dans ces rôles est pourquoi le ciblage est tentant — mais cette même charge de jugement est pourquoi le gain marginal de productivité est plus petit que ne le suggère l'économie sur la masse salariale. Le bon cadrage n'est pas « les rôles à prime salariale sont de mauvaises cibles » mais « l'économie sur un rôle à prime salariale n'est pas un chiffre de productivité, et la traiter comme tel est l'erreur des quatre décennies. »
Les spécifiques mid-market : ce qui change pour une fonction ops de 200 ETP ce trimestre
Pour un Head of Operations qui finalise les cibles d'agents pour 2026, l'article QJE se traduit en trois modifications concrètes de la revue de déploiement. Aucune ne nécessite un vendor différent ou un agent différent.
Un : séparez la ligne d'économie sur la masse salariale de la ligne de gain de productivité. Chaque proposition de déploiement d'agent devrait noter deux chiffres distincts : le soulagement brut de masse salariale que le déploiement rend possible, et le gain de productivité mesuré (production par unité de temps-jugement) que le déploiement est censé produire. Les deux chiffres ne sont pas interchangeables. Quand ils divergent de plus de 2x, le déploiement est en territoire de dissipation de rente — l'agent est justifié par l'économie, pas par le travail. C'est le moment de se demander si une cible différente produit le même gain de productivité sans la dépendance à la prime salariale.
Deux : notez les cibles en fonction de l'endroit où la production est goulot d'étranglement, pas où la masse salariale est concentrée. Une clôture hebdomadaire qui prend quatre jours parce que les requêtes de réconciliation prennent six heures par cycle est un goulot d'étranglement de productivité. Un analyste senior qui gagne 180 000 $ est une concentration de masse salariale. Le premier est une cible d'agent à fort gain ; le second non, même si le second produit une économie nominale plus grande. Les fonctions ops du mid-market n'exécutent presque jamais explicitement cet exercice de notation ; la revue de déploiement revient par défaut à la vue masse salariale parce que c'est celle que le CFO peut calculer en réunion.
Trois : engagez-vous à l'avance sur un protocole de reciblage. Le résultat d'Acemoglu et Restrepo concerne, en partie, la persistance — la mauvaise allocation a duré quatre décennies parce que personne ne l'a corrigée. L'équivalent agentique persiste parce que le pitch de déploiement initial durcit en engagement financier en un trimestre. La couverture consiste à écrire le déclencheur de reciblage dans la proposition de déploiement elle-même : au mois trois et au mois six, le gain de productivité de l'agent est mesuré par rapport à la cible initiale ; si le gain mesuré est inférieur à 40 pour cent du gain projeté, l'agent est repointé vers une tâche différente avant que le coût politique du reciblage ne devienne prohibitif. C'est la seule défense structurelle contre la persistance qu'Acemoglu et Restrepo mesurent.
Ces trois actions ne sont pas techniques ; ce sont des actions de processus de revue. Elles n'exigent pas d'acheter un agent différent ou d'embaucher une équipe différente. Elles exigent d'exécuter la revue de déploiement dans une forme différente — une qui n'écrase pas productivité et masse salariale dans la même colonne.
L'action spécifique de ce trimestre
L'article QJE d'Acemoglu–Restrepo est le premier travail empirique en quarante ans à mettre un chiffre sur le coût d'automatiser contre la rémunération plutôt que contre la production. Le chiffre — 60 à 90 pour cent du dividende de productivité perdu, 52 pour cent de la hausse des inégalités attribuable à la même dynamique — est suffisamment grand pour renverser le calcul de ROI sur la plupart des déploiements d'agents mid-market actuels si le calcul est fait correctement.
La décision devant un Head of Operations ce trimestre est étroite. Avant de valider la prochaine cible d'agent, faites passer la proposition de déploiement par un filtre : cette cible est-elle choisie parce que le travail est là où la productivité est goulot d'étranglement, ou parce que la masse salariale est là où l'économie est la plus visible ? Si la réponse honnête est la seconde, le taux de base historique dit que le déploiement dissipera deux tiers à neuf dixièmes du gain de productivité qu'il aurait pu capturer.
Renotez la cible. Séparez les colonnes. Écrivez le déclencheur de reciblage. Le coût de le faire au premier trimestre, c'est une réunion et un template révisé. Le coût de ne pas le faire est celui qu'Acemoglu et Restrepo ont maintenant chiffré — et celui sur lequel votre revue de productivité 2027 sera écrite.
