Trois économistes de la Fed de St. Louis ont fait passer environ 490 000 transcriptions de conférences de résultats de 5 198 entreprises cotées américaines dans un modèle de langage, ont étiqueté 910 955 phrases portant sur la productivité, puis les ont triées par temps verbal. Environ 95 % des affirmations liées à l'IA portaient sur des gains qui n'avaient pas encore eu lieu. Pour les propos sur la productivité hors IA, le chiffre tournait autour de 75 % (Fed de St. Louis, 2026).
Sur la même période, la productivité globale des facteurs ajustée du taux d'utilisation aux États-Unis a progressé de 0,07 % sur les quatre trimestres clos au premier trimestre 2026.
Voilà tout le problème en deux chiffres. Les données publiques sur la productivité de l'IA sont presque entièrement des données d'attentes, et votre business case IA est financé sur cette base comme s'il s'agissait de résultats constatés.
Le benchmark que vous utilisez est un temps verbal, pas un chiffre
Commençons par ce que l'étude a réellement fait, car c'est la méthode qui rend le résultat difficile à écarter.
Serdar Ozkan, Aakash Kalyani et Nicholas Sullivan ont extrait des transcriptions S&P Global couvrant 2000 à 2025, ont présélectionné les phrases par mots-clés, puis ont utilisé un classifieur Qwen3-3B pour étiqueter chacune sur trois axes : porte-t-elle sur l'IA, la productivité y est-elle décrite comme en hausse, en baisse ou stable, et est-elle formulée au passé, au présent ou au futur. Les phrases hors productivité ont été écartées. Il en est resté 910 955 (Fed de St. Louis, 2026).
Deux distributions en ressortent, toutes deux déséquilibrées dans le même sens.
Sur le temps verbal : environ 95 % des phrases sur la productivité IA sont tournées vers l'avenir, contre environ 75 % pour les propos sur la productivité en général. Sur la direction : environ 95 % des phrases liées à l'IA décrivent une productivité en hausse, contre environ 75 % hors IA. La part décrivant une baisse de productivité due à l'IA est négligeable.
L'objection évidente, c'est le décalage lié à la phase d'engouement : bien sûr que 2023 relevait de l'aspiration, les outils étaient neufs. Les données ne soutiennent pas cette lecture. La part au futur est stable en 2023 comme en 2025, alors même que le poids de l'IA dans l'ensemble des discussions sur la productivité est passé de quasiment zéro avant ChatGPT à environ 15 % fin 2025 (Fortune, 2026). Deux années complètes de déploiement n'ont pas fait passer la conversation de nous allons à nous avons.
Ainsi, quand l'affirmation d'une entreprise comparable sur la productivité IA vous parvient — lors d'une keynote, dans une étude de cas d'un éditeur, dans la présentation investisseurs d'un concurrent — la fréquence de base indique qu'il s'agit d'une prévision. Pas d'un mensonge, pas nécessairement d'une erreur. D'une prévision, déguisée en benchmark.
Le même écart apparaît à l'intérieur de l'entreprise
Si le résultat sur les conférences de résultats ne concernait que le langage destiné aux investisseurs, vous pourriez le ranger au rayon du théâtre des marchés de capitaux. Ce n'est pas le cas. L'enquête CFO des Fed d'Atlanta et de Richmond retrouve exactement le même écart dans des réponses privées et non promotionnelles.
En interrogeant plus de 700 dirigeants d'entreprise en mars 2026, les chercheurs ont demandé aux firmes de déclarer l'effet de l'IA sur la production par salarié : la réponse a été 1,8 % pour 2025, avec 3,0 % attendus pour 2026. L'équipe a ensuite calculé ce qu'impliquaient les propres chiffres de ces mêmes entreprises — revenus attribués à l'IA rapportés à la variation d'effectifs liée à l'IA — et a obtenu 0,4 % à 0,8 % dans l'industrie, la construction et les services peu qualifiés, jusqu'à environ 2,2 % dans la finance (Fed d'Atlanta, 2026).
Les dirigeants ont surestimé leurs propres gains réalisés d'un facteur de deux à quatre, à partir de leurs propres données, dans une enquête confidentielle, sans public à impressionner.
Cela recadre le résultat sur les conférences de résultats. Ce n'est pas d'abord un problème de communication financière ou de discipline en relations investisseurs. C'est un problème de mesure, et il existe au niveau du dirigeant opérationnel lui-même. Les auteurs convoquent la formule de Solow de 1987 sur l'ère informatique visible partout sauf dans les statistiques de productivité, et le parallèle est mérité : deux mesures indépendantes de la Fed — l'une textuelle sur 5 198 entreprises, l'autre déclarative sur plus de 700 dirigeants — convergent vers la même conclusion depuis des directions méthodologiques opposées.
Pourquoi la contamination par les prévisions est pire dans le mid-market
Une fonction opérationnelle de 50 à 500 salariés est plus exposée à cette asymétrie qu'une grande entreprise, pour une raison structurelle qui n'a rien à voir avec le degré de sophistication.
La ventilation par taille dans l'enquête CFO est nette. Environ 60 % des entreprises ont investi dans l'IA en 2025 — à peu près 80 % des grandes, environ la moitié des petites — et plus de 80 % prévoient d'investir en 2026. Mais les montants divergent d'ordres de grandeur : environ 60 % des petites entreprises prévoient de dépenser moins de 20 000 dollars en IA en 2026, contre 14 % des grandes, tandis qu'environ 30 % des grandes prévoient plus de 1 million de dollars, contre 1 % des petites (Fed de Richmond, 2026).
Une entreprise qui dépense 700 000 dollars peut se permettre d'instrumenter le déploiement : établir la référence du processus, mener un groupe témoin, mesurer le temps de cycle avant et après. Une entreprise qui en dépense 18 000 ne le peut pas, et ne le fait pas. Elle achète les licences et déduit le résultat du ressenti de l'équipe vis-à-vis de l'outil.
Ce qui signifie que le mid-market dépend de façon disproportionnée des benchmarks externes précisément parce qu'il ne peut pas en produire en interne. Et le vivier de benchmarks externes est à 95 % constitué de prévisions. Moins vous avez de capacité de mesure, plus vous accordez de poids à la classe de preuve la moins fiable disponible. C'est le piège, et il se resserre à mesure que les budgets se réduisent.
Il y a un effet de second ordre qui mérite d'être nommé. Quand les affirmations des pairs sont optimistes et que votre propre mesure est faible, l'écart entre votre résultat observé et le benchmark se lit comme votre échec d'exécution. Les responsables opérationnels réagissent alors en achetant davantage d'outils ou en restructurant le déploiement, alors que le diagnostic honnête est que la comparaison n'a jamais été valide. Vous n'êtes pas en retard. Vous êtes mesuré, eux sont projetés.
La prévision d'effectifs a exactement la même forme
Les chiffres d'emploi de l'enquête CFO méritent une attention distincte, car ce sont ceux qui figurent le plus probablement dans votre plan comme s'ils étaient acquis.
Les effets agrégés de l'IA sur l'emploi sont proches de zéro. Les grandes entreprises anticipent une réduction d'effectifs de 0,8 % en 2026 ; les plus petites anticipent une hausse d'environ 1 %. Sur la composition, les dirigeants projettent une baisse de la part des tâches administratives de routine de 0,76 % d'ici 2026 et de 2,19 % d'ici 2028, partiellement compensée par la croissance des postes techniques qualifiés — et les petites entreprises sont plus susceptibles d'élargir leurs effectifs techniques que de supprimer des postes où que ce soit (Fed de Richmond, 2026).
Notez de nouveau le temps verbal. Chacun de ces chiffres est une attente concernant 2026 et 2028, produite par les mêmes dirigeants qui ont surestimé leurs gains de productivité réalisés en 2025 d'un facteur de deux à quatre. Le biais ne se limite pas poliment à la question de la productivité. Si votre plan opérationnel 2027 suppose une réduction du personnel administratif parce que c'est ce que montrent les données d'enquête, vous avez importé une prévision issue d'une population dont le problème d'optimisme est documenté et mesuré — et vous l'avez inscrite comme hypothèse de planification.
Ce que les données ne disent pas
Trois limites, parce qu'un business case bâti sur une mauvaise lecture de cette étude échoue de la même manière qu'un business case bâti sur l'engouement.
Tourné vers l'avenir n'est pas synonyme de faux. Une phrase au futur est une déclaration d'intention et d'attente, pas une fabrication. Certaines de ces prévisions se réaliseront. Le résultat porte sur la classe probante de l'affirmation, pas sur sa valeur de vérité — et la bonne réponse est de repondérer, pas d'écarter.
La PGF agrégée est un instrument grossier. Le chiffre de 0,07 % est macroéconomique et se déplace lentement ; historiquement, la productivité mesurée suit les technologies à usage général avec des années de retard, et des gains au niveau de l'entreprise peuvent être réels alors même que la statistique nationale stagne. Le chiffre de PGF est le contexte de l'asymétrie des prévisions, pas la preuve que personne n'obtient rien.
La classification est imparfaite. Étiqueter le temps verbal avec un petit modèle de langage sur près d'un million de phrases comporte des erreurs, et le langage des conférences de résultats est prudent par construction : la revue juridique pousse les dirigeants vers des formulations prospectives sur tout sujet incertain. Une partie de ces 95 % est un artefact de communication financière plutôt qu'une absence de résultats.
Rien de tout cela ne sauve la pratique du benchmarking. Au contraire, l'enquête CFO renforce le dossier : retirez les avocats, les analystes et l'incitation à impressionner, et les dirigeants surestiment toujours leurs gains réalisés d'un facteur de deux à quatre au regard de leurs propres chiffres. L'asymétrie survit à toute décote raisonnable.
Les trois champs qui réparent votre business case IA
C'est un changement de documentation, pas de stratégie, et cela coûte un après-midi.
Prenez chaque initiative IA actuellement dans votre budget ou votre pipeline. Pour chacune, exigez trois champs avant qu'elle n'avance :
Une métrique réalisée. Pas une économie projetée, pas une estimation de temps par poste fournie par l'éditeur. Un chiffre opérationnel précis : temps de traitement moyen, rendement au premier passage, délai de clôture, tickets résolus par salarié. Si personne ne peut en nommer une, l'initiative est une hypothèse et doit être financée et revue comme une expérimentation, pas comme un retour sur investissement.
Sa référence pré-IA. La valeur de cette métrique avant l'arrivée de l'outil, avec la fenêtre de mesure précisée. Les références manquantes sont l'échec le plus courant : les équipes commencent à mesurer le jour du lancement du pilote, ce qui rend tout chiffre ultérieur ininterprétable. Si la référence a disparu, reconstruisez-la à partir des données historiques avant de dépenser un trimestre de plus.
La date de mesure. Les résultats réalisés portent une date de mesure. Les prévisions non. Ce seul champ trie votre portefeuille plus vite que n'importe quel framework, car une affirmation incapable de produire une date n'est pas un résultat.
Appliquez ensuite le même test à chaque chiffre externe qui vous sert de référence. Étude de cas d'éditeur, keynote d'un pair, présentation d'un concurrent : nomme-t-elle une métrique réalisée, une référence et une date ? Le résultat de la Fed de St. Louis prédit qu'environ dix-neuf sur vingt échoueront sur au moins l'un des trois. Ceux-là vont dans un dossier intitulé attentes, et cessent d'influencer le budget.
Cette discipline est ingrate, et elle fera paraître votre programme IA plus mauvais sur le papier ce trimestre. C'est précisément l'objectif. Aujourd'hui, vous comparez vos résultats mesurés aux projections de tous les autres et vous appelez cet écart une sous-performance. Corrigez la comparaison et vous constaterez que vous n'êtes pas en retard : vous êtes simplement l'une des rares personnes dans la pièce à compter réellement.
Avant votre prochaine décision d'investissement IA, posez une question à chaque chiffre présent dans la pièce, interne ou externe : quand cela a-t-il été mesuré ? Tout ce qui ne peut pas répondre est une prévision, et les prévisions n'ont pas leur place dans la colonne des preuves d'un business case.
