📈 economics

The Accumulation Paradox: When Markups Enable and Inhibit AI Adoption

Cet article emploie un modèle à base d'agents pour démontrer que la dynamique de la structure du marché, particulièrement l'absorption des gains de productivité dans des marges bénéficiaires plus élevées et la nature bistable des seuils d'adoption, explique le paradoxe entre les gains de productivité de l'IA au niveau des entreprises et la stagnation de la croissance de la PGF globale.

Auteurs originaux : Liutao Hu

Publié 2026-06-25

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Liutao Hu

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez l'économie comme un immense marché animé comprenant 200 boutiques différentes vendant des versions légèrement différentes du même produit. Dans ce marché, un nouvel outil magique appelé « IA » est arrivé. Cet outil peut rendre n'importe quelle boutique incroyablement efficace, lui permettant de produire des biens plus rapidement et moins cher.

Le grand mystère que ce document tente de résoudre est le suivant : si chaque boutique obtient cet outil super-efficace, pourquoi l'ensemble du marché ne connaît-il pas soudainement une explosion de croissance ?

L'auteur, Liutao Hu, a construit une simulation informatique (un « bac à sable numérique ») pour observer comment ces boutiques se comportent lorsqu'elles reçoivent cet outil. Au lieu de supposer que les boutiques sont des robots parfaitement rationnels, la simulation les traite comme de vraies personnes qui imitent leurs voisins, ont peur du changement et se soucient profondément de la part de profit qu'elles peuvent conserver.

Voici les trois découvertes principales de la simulation, expliquées simplement :

1. Le piège du « Profit d'abord » (Absorption de la marge)

Imaginez un propriétaire de boutique qui achète l'outil d'IA. Ses coûts chutent, il pourrait donc baisser ses prix pour attirer plus de clients.

Dans une rue bondée et compétitive : S'il y a 50 boutiques vendant la même chose, le propriétaire doit baisser ses prix pour survivre. Les économies réalisées grâce à l'IA sont ainsi transmises à vous, le client, et toute l'économie croît.
Dans une rue calme et exclusive : Si le propriétaire n'est que l'un des deux seuls commerçants de la ville, il n'a pas besoin de baisser ses prix. Au lieu de cela, il conserve les économies comme un profit supplémentaire (une marge plus élevée).

Le résultat : Le document révèle que dans les rues « exclusives », l'outil d'IA rend les propriétaires de boutiques riches, mais ne fait pas croître toute l'économie. Les gains d'efficacité sont « absorbés » dans les poches des propriétaires plutôt que de se traduire par une baisse des prix. La simulation suggère que ce comportement de « profit d'abord » est la raison principale pour laquelle l'économie ne connaît pas un boom massif, même si les entreprises individuelles s'améliorent.

2. La course au « ralenti » (Inversion temporelle)

La simulation montre un tournant surprenant dans la manière dont les différents types de boutiques adoptent l'outil d'IA au fil du temps. C'est comme une course avec deux phases distinctes :

Phase 1 (Le sprint) : Au tout début, les boutiques de la « rue bondée » (secteurs compétitifs) adoptent l'IA en premier. Pourquoi ? Parce que l'information circule vite là-bas et qu'il est facile de s'y lancer. Ce sont les adopteurs précoces.
Phase 2 (Le marathon) : Après quelques années, la course s'inverse. Les boutiques de la « rue exclusive » (secteurs concentrés) commencent à prendre l'avantage. Pourquoi ? Parce qu'elles ont accumulé ces profits supplémentaires (à cause du piège du « Profit d'abord »). Elles disposent d'un portefeuille de liquidités profond pour investir dans des mises à niveau d'IA coûteuses et à long terme. Les boutiques compétitives, qui luttent pour maintenir des prix bas, manquent de liquidités pour de gros investissements.

La prédiction : Si ce modèle est correct, nous pourrions voir les industries compétitives (comme certains secteurs de la vente au détail ou des services) mener l'adoption de l'IA en ce moment, mais vers 2029, les grandes entreprises dominantes dans les industries concentrées pourraient les dépasser.

3. Le « Point de bascule » (Bistabilité)

La simulation a découvert un « point de bascule » dangereux dans le marché.

En dessous de la ligne : Si un marché est quelque peu concentré (quelques gros acteurs), l'adoption de l'IA est élevée et stable.
Au-dessus de la ligne : Si un marché est trop compétitif (trop d'acteurs se battant pour des miettes), les profits sont si minces que personne ne peut se permettre d'investir dans l'outil d'IA, et l'adoption stagne.
La zone de danger : Juste au milieu, le système devient instable. C'est comme une balle posée sur le sommet d'une colline. Une petite poussée dans une direction l'envoie dans une vallée de « Haute Adoption » ; une petite poussée de l'autre côté l'envoie dans une vallée de « Basse Adoption ». Deux marchés identiques pourraient finir avec des futurs totalement différents simplement en fonction d'une condition initiale aléatoire.

Le rôle de l'« Imitation »

Le document a également examiné ce qui se passe si les boutiques cessent d'imiter les stratégies de leurs voisines.

La conclusion : Lorsque les boutiques cessent de se copier, le marché devient en réalité plus monopolistique (moins de grands gagnants, plus de perdants). L'imitation agit comme un filet de sécurité qui maintient la diversité du marché. Elle empêche la spirale du « riche devient plus riche » de devenir trop extrême, même si elle ne favorise pas nécessairement l'investissement de tout le monde.

L'essentiel

Le document soutient que le « paradoxe de la productivité de l'IA » (pourquoi nous voyons une technologie géniale mais une croissance économique lente) n'est pas seulement une question de mauvaise mesure ou de perte d'emplois. C'est une question de savoir qui récupère l'argent.

Si la structure du marché permet aux grandes entreprises de conserver tous les gains d'efficacité sous forme de profits supplémentaires, toute l'économie n'en bénéficie pas. La simulation suggère que pour que l'IA booste réellement l'économie, nous avons besoin d'un mélange de compétition (pour forcer la baisse des prix) et d'assez de stabilité (pour permettre l'investissement), mais la voie actuelle semble favoriser la première au détriment de la seconde.

Note importante : L'auteur est très clair sur le fait qu'il s'agit d'une simulation basée sur des règles spécifiques. Elle montre comment ces schémas pourraient émerger de comportements simples, mais elle n'est pas une boule de cristal prédisant l'avenir exact du monde réel. C'est un récit de type « et si » qui aide à comprendre la mécanique du problème.

Résumé Technique : Le Paradoxe de l'Accumulation

Énoncé du Problème
L'article traite du « paradoxe de la productivité de l'IA », un écart entre les gains de productivité robustes au niveau des entreprises attribués à l'IA générative (estimés à environ 4 %) et la croissance stagnante de la productivité globale des facteurs (PGF) aux États-Unis (~1 %/an). Alors que la littérature existante attribue cet écart à une erreur de mesure, au déplacement de la main-d'œuvre ou à des externalités de la demande (ex. Falk & Tsoukalas, 2026), ces modèles traitent généralement la structure du marché comme étant exogène et fixe. L'article soutient que la structure du marché n'est pas un décor statique mais qu'elle coévolue avec l'adoption technologique. Plus précisément, il examine comment la distribution des rentes de l'IA — médiée par la concentration du marché et le pouvoir de fixation des prix — détermine si les gains d'efficacité au niveau des entreprises se traduisent par une croissance macroéconomique globale.

Méthodologie
L'étude utilise un modèle à base d'agents (ABM) ancré dans la tradition de l'économie évolutionniste (Nelson & Winter, 1982 ; Dosi & Roventini, 2019). Le modèle simule une économie de concurrence monopolistique avec $N=200$ entreprises hétérogènes et un consommateur représentatif. Les principales caractéristiques méthodologiques incluent :

Rationalité Limitée : Les entreprises ne résolvent pas de problèmes d'optimisation prospectifs. Au lieu de cela, elles suivent des heuristiques d'investissement, apprennent par imitation de leurs pairs les plus performants et ajustent leurs stratégies en fonction de la rentabilité observée.
Structure de Marché Endogène : La concentration du marché (mesurée par l'HHI), la dispersion des marges bénéficiaires et le calendrier d'adoption émergent des décisions des entreprises plutôt que d'être imposés comme des paramètres. Les entreprises possèdent des élasticités de substitution spécifiques à l'entreprise ( $\sigma_i$ ) dérivées de leur productivité et de leur part de marché, ce qui détermine leur pouvoir de fixation des prix.
Dynamique d'Adoption : L'investissement dans l'IA est régi par une variable de préparation informationnelle ( $R_i$ ) qui s'accumule via la diffusion et l'influence des pairs. Cela crée une trajectoire d'adoption en courbe en S, retardant l'investissement jusqu'à ce qu'un seuil soit franchi.
Approche Générative : Le modèle est conçu pour l'identification de mécanismes (Epstein & Axtell, 1996) plutôt que pour l'estimation structurelle. Il teste si la compétition, l'imitation et les dynamiques d'adoption sont conjointement suffisantes pour générer le paradoxe observé.
Calibration : Les paramètres sont ancrés sur des moments empiriques, incluant la distribution des marges bénéficiaires des entreprises (De Loecker et al., 2020) et les taux de croissance de la PGF à court terme (BLS). Les classements d'adoption sectorielle du modèle sont comparés au U.S. Business Trends and Outlook Survey (BTOS).

Contributions Clés et Résultats
Les simulations génèrent trois schémas primaires qui expliquent la suppression de la PGF globale :

Absorption des Marges : Dans les marchés concentrés (faible élasticité de substitution $\sigma$ ), les entreprises convertissent les gains d'efficacité induits par l'IA en marges bénéficiaires plus élevées plutôt qu'en baisse de prix ou en expansion de la production. L'article identifie ce « canal de marge » comme le principal suppresseur de la transmission de la PGF, représentant environ 24 points de pourcentage de la suppression de la PGF sur l'ensemble de la plage de $\sigma$ . Un mécanisme secondaire, le « verrou d'adoption » (retard de l'investissement dû à l'accumulation d'informations), contribue à une suppression moyenne supplémentaire de 10,4 points de pourcentage.
Inversion Temporelle dans les Classements d'Adoption : Le modèle prédit une évolution non monotone de l'adoption sectorielle. Initialement (années 0–4), les secteurs compétitifs ( $\sigma$ élevé) adoptent l'IA plus rapidement en raison de barrières à l'entrée plus faibles et d'une diffusion rapide de l'information. Cependant, après un point de croisement (environ 4 ans), les secteurs concentrés ( $\sigma$ faible) les dépassent. Cette inversion se produit car les marges plus élevées dans les secteurs concentrés fournissent les fonds internes durables nécessaires à un investissement en IA de grande envergure et de longue durée, tandis que les secteurs compétitifs érodent ces rendements.
Bistabilité et Seuils de Compétition : Un seuil de compétition critique existe autour de $\sigma \approx 5$ . En dessous de cette valeur, les marchés concentrés soutiennent une adoption élevée ; au-dessus, la pression concurrentielle érode les marges à un point tel que l'investissement dans l'IA devient insoutenable, entraînant une faible adoption. Près de cette limite, le système présente une bistabilité : des paramétrages identiques produisent soit des régimes d'adoption élevés, soit de faibles, selon les conditions initiales aléatoires. Cela formalise une tension kalécienne où les marges servent simultanément de carburant à l'investissement et de barrière à la diffusion compétitive des gains.

Signification et Revendications
L'article cadre explicitement ses contributions comme des « démonstrations génératives » plutôt que des estimations causales de phénomènes réels. Sa signification réside dans :

Identification de Mécanismes : Il démontre que le paradoxe de la productivité de l'IA peut émerger de manière endogène de la coévolution de la technologie et de la structure du marché, sans reposer uniquement sur les externalités de la demande ou les erreurs de mesure.
Intégration Théorique : Les résultats font le pont entre les outils de modélisation conventionnels (demande CES, production Cobb-Douglas) et les cadres théoriques hétérodoxes. Le canal d'absorption des marges résonne avec l'absorption du surplus marxiste et le capital monopolistique de Baran/Sweezy ; la bistabilité du seuil reflète la tension post-keynésienne/kalécienne entre l'investissement tiré par les profits et la demande tirée par les salaires ; et le rôle de l'imitation s'aligne sur les vues institutionnalistes de la coordination non marchande (Hodgson, 1988).
Implications Politiques (Indirectes) : L'article clarifie les préconditions analytiques pour les politiques plutôt que de prescrire des instruments spécifiques. Il suggère que la politique de la concurrence et la politique industrielle doivent traiter les mécanismes de distribution : empêcher l'absorption des marges d'affamer la PGF globale tout en assurant une diffusion suffisante là où les rendements privés sont insuffisants.
Prédictions Empiriques : Le modèle offre une hypothèse testable : si les secteurs compétitifs mènent actuellement l'adoption de l'IA (comme le suggèrent les données du BTOS de 2024), les secteurs concentrés devraient les dépasser vers 2029.

Les auteurs maintiennent une position modeste, notant que le modèle est une économie fermée avec des marchés du travail simplifiés et que les niveaux d'adoption quantitatifs sont des valeurs d'équilibre à long terme qui dépassent les données transversales actuelles. La thèse centrale est que les schémas observés sont structurellement générés par un ensemble minimal de règles comportementales, offrant une nouvelle perspective pour interpréter l'interaction entre le pouvoir de marché et la diffusion technologique.