De l’abondance de l’intelligence à l’abondance matérielle, que manque-t-il ?
1. Le premier paradoxe : l’AI est déjà puissante, mais l’abondance n’est pas arrivée
Si l’on regarde seulement le monde à l’intérieur de l’écran, la révolution de l’AI paraît déjà bien réelle.
Un étudiant peut utiliser l’AI comme professeur particulier de mathématiques.
Un designer peut générer des dizaines de directions visuelles.
Un programmeur peut demander à l’AI de compléter du code, d’expliquer des erreurs et de refactorer des modules.
Un chef de produit peut résumer des entretiens, analyser des concurrents et rédiger des exigences.
Un fondateur peut écrire des plans d’affaires, des landing pages et des textes marketing avec une petite équipe virtuelle.
Un chercheur peut lire des articles, extraire des arguments et formuler des hypothèses plus vite qu’avant.
Des capacités presque inimaginables il y a dix ans sont désormais accessibles aux individus. Le Stanford AI Index 2025 indiquait que l’investissement privé mondial dans l’AI générative avait atteint 33,9 milliards de dollars en 2024, tandis que l’usage de l’AI en entreprise passait de 55 % en 2023 à 78 % en 2024. L’AI a quitté la curiosité pour entrer dans une diffusion industrielle large.
Mais si nous quittons l’écran et entrons dans les hôpitaux, les écoles, les usines, les fermes, les centres de soins aux personnes âgées, les chantiers et les infrastructures urbaines, nous rencontrons une autre réalité.
La santé reste coûteuse.
Le logement reste coûteux.
L’énergie reste coûteuse.
L’éducation reste inégale.
L’aide aux personnes âgées manque toujours de main-d’œuvre.
Les usines dépendent encore de l’ingénierie et des chaînes d’approvisionnement.
L’agriculture reste contrainte par le climat, la terre, l’eau et le travail.
La logistique dépend toujours des routes, des entrepôts, du carburant, des chauffeurs et de la régulation.
L’intelligence devient abondante, mais la vie n’est pas encore devenue abondante.
Ce n’est pas parce que l’AI serait secondaire. C’est parce que l’intelligence n’est pas le produit final. L’intelligence est un intrant, une capacité, un nouveau facteur de production. Elle doit être convertie avant de transformer le monde réel.
L’électricité n’a pas transformé la société au moment même de sa découverte. Elle a dû devenir centrales, réseaux, compteurs, moteurs, lampes, appareils domestiques, usines, éclairage urbain et systèmes de régulation. L’AI suit une logique comparable. Les grands modèles ne sont pas, à eux seuls, l’âge de l’abondance. Les chatbots ne sont pas, à eux seuls, l’âge de l’abondance. Les démos de robots ne sont pas, à elles seules, l’âge de l’abondance.
La véritable abondance exige une chaîne de conversion plus longue.
2. Un modèle de conversion en cinq couches pour l’abondance par l’AI
Un modèle utile est le suivant :
Intelligence -> outils -> workflows -> organisations -> production physique -> distribution sociale.
À proprement parler, il s’agit de six nœuds et de cinq conversions. L’essentiel est que la valeur de l’AI ne passe pas automatiquement de la capacité du modèle à l’abondance sociale. Elle doit traverser chaque couche.
De l’intelligence aux outils demande si l’AI peut être conditionnée pour les personnes et les organisations ordinaires. Le signal de réussite est la diffusion des assistants, copilotes et applications de domaine. Le mode d’échec est une AI qui reste dans les laboratoires et les cercles d’experts.
Des outils aux workflows demande si l’AI peut entrer dans de vraies chaînes de tâches. Le signal de réussite est l’exécution en plusieurs étapes à travers les systèmes métier. Le mode d’échec est une AI limitée à l’écriture, au résumé et aux questions-réponses.
Des workflows aux organisations demande si l’AI modifie la structure des entreprises et la collaboration. Le signal de réussite est l’émergence de travailleurs AI, de systèmes d’exploitation pour agents et d’organisations hybrides humain-AI. Le mode d’échec est une AI qui devient un simple plug-in pour employés sans changer l’organisation.
Des organisations à la production physique demande si l’AI entre dans l’industrie, la logistique, la santé, l’agriculture, l’énergie, la construction et le soin. Le signal de réussite est la banalisation de la robotique, des usines intelligentes et des chaînes d’approvisionnement intelligentes. Le mode d’échec est une abondance qui reste numérique.
De la productivité à la distribution sociale demande si les gains de l’AI peuvent atteindre de larges populations. Le signal de réussite est l’AI publique, une éducation et une santé plus universelles, des mécanismes de droits sur les données et des barrières d’accès plus faibles. Le mode d’échec est l’abondance des plateformes et du capital, mais pas celle des personnes ordinaires.
Le progrès des modèles renforce le premier intrant. La transformation sociale dépend de l’efficacité de conversion des couches suivantes.
3. Première couche : de l’intelligence aux outils
Les ruptures techniques n’entrent dans la vie quotidienne qu’une fois devenues des outils.
L’électricité a dû devenir lampes, moteurs, téléphones et appareils domestiques. Le moteur à combustion interne a dû devenir voitures, tracteurs, avions et navires. L’informatique a dû devenir PC, logiciels, navigateurs et téléphones. Internet a dû devenir recherche, ecommerce, réseaux sociaux, paiements et cartes.
L’AI doit aussi devenir des outils concrets : outils d’écriture, assistants de code, outils de design, systèmes de notes de réunion, bots de service client, assistants d’analyse de données, outils de documents juridiques, recherche AI, produits de création multimodale et assistants personnels.
Ces outils abaissent le coût du traitement de l’information, de la production de contenu, de la génération de code et de la recherche de connaissances. McKinsey a estimé que l’AI générative pourrait ajouter de 2,6 à 4,4 billions de dollars de valeur économique annuelle dans 63 cas d’usage, avec un impact susceptible de croître encore à mesure que l’AI s’intègre à davantage de logiciels.
Mais l’outillage ne consiste pas simplement à placer un modèle derrière une interface. Les outils AI utiles ont besoin d’au moins cinq choses.
D’abord, le contexte. L’AI doit comprendre qui est l’utilisateur, quelle est la tâche, quelle histoire compte et quelles règles s’appliquent.
Ensuite, l’interface. L’AI ne peut pas vivre seulement dans une boîte de chat. Elle doit entrer dans les IDE, l’email, les feuilles de calcul, les CRM, les navigateurs, les téléphones, les lunettes, les voitures et les robots.
Troisièmement, la mémoire. L’AI doit se souvenir des objectifs de long terme, des préférences, du contexte de projet et des relations, tout en gardant cette mémoire modifiable, supprimable et contrôlable.
Quatrièmement, l’usage d’outils. L’AI doit lire des fichiers, interroger des bases de données, envoyer des emails, créer des réunions, appeler des API, écrire dans des systèmes et déclencher des workflows.
Cinquième point, la sécurité et les permissions. L’AI peut-elle exécuter, payer, envoyer un contrat, modifier une base de données ou représenter un utilisateur ? Chaque action exige une conception des permissions et une responsabilité claire.
Passer de l’intelligence aux outils signifie construire des produits intelligents utilisables par les humains, intégrés au contexte, contrôlés par des permissions et traçables après coup.
4. Deuxième couche : des outils aux workflows
Les outils résolvent des tâches individuelles. Les workflows résolvent des résultats complets. C’est la frontière entre une AI impressionnante et une AI économiquement utile.
Un assistant d’écriture peut aider un commercial à rédiger un email. Mais la vente n’est pas l’acte d’écrire un email. Elle comprend la recherche de prospects, l’évaluation de la valeur d’un compte, l’analyse du client, la stratégie de contact, le premier message, les relances, la prise de rendez-vous, la mise à jour du CRM, le devis, la coordination juridique, la signature, l’encaissement et le maintien de la relation.
Si l’AI n’écrit qu’un email, c’est un outil. Si elle peut avancer de la découverte de prospects à l’analyse de compte, à la communication, au devis, au contrat et au recouvrement, elle est entrée dans le workflow.
L’AI de workflow participe à la boucle métier : entrée, jugement, décision, exécution, retour, enregistrement et optimisation. Pour cela, elle doit se connecter à de vrais systèmes : email, calendrier, CRM, ERP, finance, RH, dépôts de code, bases de données, ticketing, logistique, paiements et contrats.
C’est pourquoi tant de produits AI paraissent extraordinaires en démo mais progressent lentement dans les entreprises. Les entreprises n’achètent pas une capacité de modèle abstraite. Elles achètent des résultats contrôlés.
Peut-elle s’intègrer à nos systèmes ? Respecter nos permissions ? Expliquer ses décisions ? Réduire les coûts ? Réduire les erreurs ? Produire un ROI mesurable ? Qui est responsable en cas d’échec ? Peut-elle être auditée ?
Sans réponses à ces questions, l’AI reste en bordure du travail. Le passage des outils aux workflows est le saut le plus important de la commercialisation de l’AI.
5. Troisième couche : des workflows aux organisations
Quand l’AI n’est qu’un outil, l’entreprise change peu. Quand l’AI entre dans les workflows, l’entreprise commence à changer. Quand l’AI peut exécuter de nombreux workflows de façon fiable, la structure organisationnelle elle-même est réécrite.
Une entreprise est un mécanisme de coordination. Elle organise personnes, capital, information, technologie et processus afin de réduire le coût des transactions de marché. Les entreprises traditionnelles ont besoin de départements, de hiérarchie et de managers parce que le transfert d’information, la coordination des tâches, la supervision et la communication des décisions ont tous un coût.
L’AI abaisse beaucoup de ces coûts de coordination. Les réunions peuvent être résumées automatiquement. Les tâches peuvent être assignées automatiquement. Les risques projet peuvent être détectés plus tôt. Le statut client peut être mis à jour en continu. Les rapports peuvent être générés. Les exceptions peuvent être signalées. La connaissance peut être capturée. Les validations peuvent être routées. Les nouveaux employés peuvent utiliser l’AI pour comprendre plus vite le contexte de l’entreprise.
Cela suggère un passage de la hiérarchie humaine vers des réseaux de collaboration humain-AI.
Les entreprises AI-native pourraient avoir cinq traits : petites équipes à fort levier, travailleurs AI comme partie normale de l’organisation, managers devenant concepteurs de systèmes plutôt que poursuivants de tâches, connaissance organisationnelle capturée en temps réel, rôles humains déplacés vers les objectifs, le jugement, le goût, les relations, l’éthique, la responsabilité et les décisions clés.
C’est aussi pourquoi l’impact de l’AI sur l’emploi ne sera pas une simple substitution de postes. Ce sera une recomposition organisationnelle. McKinsey a avancé que l’AI générative actuelle, combinée à d’autres technologies, pourrait automatiser des activités de travail qui absorbent 60 % à 70 % du temps des employés. Que cela devienne de la croissance de productivité dépendra de la transition du travail, de la requalification et du changement organisationnel.
Le vrai basculement est que les entreprises cessent d’être conçues seulement autour des limites de la capacité humaine et commencent à être conçues autour de réseaux de capacité collaborative avec l’AI.
6. Quatrième couche : des organisations à la production physique
C’est la porte essentielle entre l’abondance de l’intelligence et l’abondance matérielle.
Si l’AI transforme les documents, les réunions, le code et le service client, elle augmentera l’efficacité du travail intellectuel. Mais beaucoup des plus grands coûts de la vie ordinaire ne baisseront pas rapidement. Alimentation, logement, énergie, transport, dispositifs médicaux, médicaments, logistique, soins aux personnes âgées, construction et biens industriels appartiennent au monde physique.
Ces domaines demandent plus que des modèles de langage. Ils ont besoin de robots, de capteurs, d’usines automatisées, de chaînes d’approvisionnement intelligentes, de nouveaux matériaux, d’énergie bon marché et de systèmes d’ingénierie.
Les robots sont le corps par lequel l’AI entre dans la production physique. La Fédération internationale de robotique a indiqué qu’environ 542 000 robots industriels avaient été installés dans les usines du monde en 2024, soit plus du double du niveau d’il y a dix ans et la quatrième année consécutive au-dessus de 500 000 installations. L’Asie représentait 74 % des nouveaux déploiements.
La robotique n’est plus de la science-fiction. Mais la plupart des robots restent spécialisés : soudage, peinture, déplacement, palettisation, tri et inspection dans des environnements stables avec un ROI clair. L’abondance matérielle a besoin de robots semi-généraux et généraux capables de nettoyer des maisons, prendre soin de personnes âgées, cueillir des cultures, travailler sur des chantiers, livrer dans les hôpitaux, collaborer avec des humains dans des espaces complexes, comprendre des tâches en langage naturel et apprendre de nouvelles compétences.
Passer des organisations à la production physique n’est pas un problème de modèle unique. C’est un problème de système : coût du matériel, précision des capteurs, batteries et énergie, contrôle du mouvement, normes de sécurité, réseaux de maintenance, assurance, règles de collaboration humain-robot, données de manipulation, chaînes d’approvisionnement et capacité industrielle.
C’est pourquoi l’abondance physique arrivera plus lentement que l’abondance numérique. La réplication numérique est presque gratuite à la marge. La réplication physique exige encore matière, énergie, espace et temps.
Mais à long terme, lorsque l’AI se combinera à la robotique, à l’industrie et à l’énergie, son effet pourra être plus profond que la génération de contenu actuelle.
7. Cinquième couche : de la productivité à la distribution sociale
Même si l’AI augmente la productivité, il ne s’ensuit pas que chacun devienne plus abondant.
L’histoire montre sans cesse que croissance de la productivité et bien-être social ne sont pas des équivalents automatiques. Au début de la révolution industrielle, les détenteurs de capital et les propriétaires d’usines ont bénéficié les premiers, tandis que de nombreux travailleurs subissaient bas salaires, travail dangereux et pauvreté urbaine. Ce n’est que plus tard, avec les syndicats, le droit du travail, l’éducation publique, la santé publique, la sécurité sociale et les systèmes fiscaux, que la productivité industrielle est devenue une vie de classe moyenne plus large.
L’ère de l’AI pourrait affronter une version plus aiguë du même problème, car les intrants clés de production peuvent se concentrer facilement : le compute dans quelques plateformes cloud et chaînes de puces, les modèles de fondation dans quelques entreprises riches en capital, les données de haute qualité dans les grandes plateformes et institutions, l’accès utilisateur dans les systèmes d’exploitation et navigateurs, la fabrication de robots dans quelques systèmes industriels et les ressources énergétiques dans certaines régions.
Si ces intrants se concentrent, l’AI peut produire une abondance de plateforme, une abondance du capital, une abondance pour quelques pays, quelques villes ou quelques groupes très qualifiés. Ce n’est pas la même chose qu’une abondance pour la société.
C’est pourquoi les mécanismes de distribution comptent. Services publics d’AI, compute public, éducation universelle à l’AI, santé assistée par AI, droits sur les données, fonds de dividende AI, comptes de reconversion, temps de travail plus court, interopérabilité plus forte, antitrust et services de base universels sont autant de directions possibles.
L’abondance n’est pas achevée quand la productivité est créée. Elle doit être distribuée, protégée, digne de confiance et suffisamment stable pour être utilisée.
8. La plus grande variable : l’efficacité de conversion de l’intelligence
Le concept central est l’efficacité de conversion de l’intelligence : quelle quantité de valeur économique réelle, de valeur sociale et d’amélioration de la vie peut être produite à partir d’une unité de capacité AI.
Le même modèle peut avoir des efficacités de conversion très différentes selon les contextes. Utilisé pour discuter, son efficacité peut être limitée. Intégré à des logiciels de bureau, elle augmente. Connecté aux workflows d’entreprise, elle augmente encore. Connecté aux chaînes d’approvisionnement et aux usines, il commence à affecter la production matérielle. Appliqué à l’éducation et à la santé publiques, sa valeur sociale peut devenir plus grande. Utilisé dans la découverte scientifique et les systèmes énergétiques, sa valeur de long terme peut être plus grande encore.
L’écart entre les entreprises viendra de l’efficacité de conversion de l’intelligence. L’écart entre les pays aussi. L’écart entre les individus en dépendra également.
Un pays n’entre pas dans l’abondance AI simplement parce qu’il possède de puissants modèles. Il lui faut aussi une énergie peu coûteuse, des data centers, une fourniture de puces, de la robotique, des scénarios industriels, des systèmes éducatifs, des services publics numérisés, une régulation flexible et la capacité organisationnelle de faire entrer l’AI dans l’économie réelle.
Les États-Unis peuvent être forts dans les modèles, le cloud, le logiciel, le capital et la recherche. La Chine peut être forte dans l’industrie, la robotique, les nouvelles énergies, les chaînes d’approvisionnement et le déploiement applicatif. L’Europe peut être forte dans l’industrie, la régulation, la protection de la vie privée et la gouvernance publique. Le Moyen-Orient peut être fort dans l’énergie, le capital et la construction de data centers. L’Inde et l’Asie du Sud-Est peuvent être fortes dans les services, l’échelle démographique et l’adoption numérique à bas coût.
L’âge AI de l’abondance n’arrivera pas de façon uniforme. Il apparaîtra d’abord là où l’efficacité de conversion de l’intelligence est élevée.
9. Synthèse
Pourquoi l’AI est-elle déjà puissante alors que l’âge de l’abondance n’est pas arrivé ?
Parce que nous ne sommes qu’au début de l’abondance de l’intelligence. Le travail le plus long est l’outillage, la mise en workflows, la transformation organisationnelle, la production physique et la distribution sociale.
La valeur de l’AI ne tient pas à ce qu’elle peut dire, au nombre de publicités qu’elle peut écrire ou au nombre d’images qu’elle peut générer. Sa valeur profonde est de savoir si elle peut entrer dans de vrais systèmes : processus d’entreprise, structures organisationnelles, robots, usines, hôpitaux, écoles, systèmes énergétiques, agriculture, villes et services publics.
L’âge AI de l’abondance n’est pas un événement de modèle. C’est un processus de conversion systémique.