L’intelligence artificielle transforme profondément l’économie mondiale, mais son impact reste difficile à mesurer avec précision. Alors que certains économistes prévoient une croissance modeste du PIB — environ 0,9 % sur dix ans — d’autres imaginent une révolution capable d’ajouter entre 17 et 26 billions de dollars au produit mondial annuel d’ici 2045, tout en automatisant jusqu’à la moitié des emplois actuels. Ces anticipations influencent déjà les décisions : les jeunes choisissent des carrières en fonction de la persistance des métiers face à l’IA, les gouvernements redessinent leurs politiques, et des investissements massifs affluent vers les semi-conducteurs et les centres de données. Pour évaluer l’effet réel de l’IA, il est essentiel d’agir dès maintenant, car les croyances sur l’avenir technologique façonnent le présent. Les études expérimentales, comme les essais contrôlés aléatoires, offrent des preuves causales prometteuses. Par exemple, des agents d’appel ont traité 15 % plus de requêtes avec des outils d’IA en 2020, et des développeurs ont produit 26 % de tâches supplémentaires en 2022-2023 grâce à des assistants de codage. Mais deux limites majeures freinent leur utilité. Premièrement, l’IA évolue si vite que les résultats d’études deviennent vite obsolètes : depuis le lancement de ChatGPT en 2022, les systèmes d’IA gèrent désormais trois fois plus de conversations clients sans intervention humaine. Deuxièmement, ces expériences ne captent pas les effets en chaîne : si les travailleurs moins expérimentés bénéficient d’abord de l’IA, les managers peuvent réorganiser le travail ou remplacer ces postes par des outils automatisés, annulant les gains. Des données salariales montrent une baisse de l’emploi des jeunes dans des secteurs comme le service client ou le développement logiciel depuis 2022, mais l’ampleur du rôle de l’IA reste incertaine. Face à ces incertitudes, trois approches complémentaires s’imposent. La première, inspirée par l’économiste Jean Tirole, est le « roman social scientifique » : des scénarios imaginatifs ancrés dans des principes économiques. Ainsi, des modèles ont prédit que les voitures autonomes pourraient aggraver la congestion urbaine, car le coût subjectif du temps en voiture diminue, incitant à plus de déplacements. Cela souligne la nécessité de politiques comme le prix de la congestion. D’autres études suggèrent que l’automatisation pourrait renforcer la valeur des tâches humaines non automatisables — comme la créativité ou la validation — ce qui pourrait atténuer la perte d’emplois, mais aussi creuser les inégalités. La deuxième approche repose sur des données prospectives. Les benchmarks, bien qu’utiles, ne reflètent pas toujours la performance réelle, où le bruit, la complexité et le contexte jouent un rôle clé. Des indicateurs en temps réel — comme l’usage d’IA par les développeurs ou les évolutions des recrutements et profits des entreprises — offrent des signaux précoces. Mais pour distinguer corrélation et causalité, il faut anticiper les effets d’échelle. Comme pour les programmes pilotes, les chercheurs doivent simuler les conditions réelles d’implémentation, notamment les contraintes budgétaires et organisationnelles. Par exemple, une étude sur l’Afrique de l’Ouest montre que le coût de l’IA devrait chuter de 98 % d’ici 2025, rendant l’accès à l’information plus équitable dans les zones à faible connectivité. Enfin, la compréhension de l’IA exige une analyse des comportements humains stables : la confiance, les incitations, l’adaptation à l’automatisation. Même si la technologie progresse, les réactions humaines suivent des schémas prévisibles. Ainsi, l’avenir de l’IA n’est pas une question de pure technologie, mais d’interaction entre innovation, économie et société. Pour l’orienter positivement, il faut allier rigueur scientifique, imagination critique et anticipation stratégique.