L’Europe est confrontée à un choix crucial dans la course à l’intelligence artificielle (IA). Alors que cette technologie promet de remodeler les économies du monde entier, les décideurs politiques sont pris entre deux discours contradictoires. Les optimistes envisagent l’IA comme le catalyseur d’un nouvel essor de la productivité, susceptible d’ajouter plusieurs points de pourcentage à la croissance annuelle (Baily et al. 2023). Les sceptiques avertissent que les obstacles à l’adoption, les déficits de compétences et la diffusion inégale pourraient limiter les gains et exacerber les inégalités (Acemoglu 2024, Filippucci et al. 2024, Gambacorta et Shreeti, 2025). Pour l’Europe, les enjeux sont particulièrement importants : si le continent peut se targuer de disposer de chercheurs et de capacités industrielles de premier plan dans le domaine de l’IA, il est à la traîne par rapport aux États-Unis et à la Chine en matière de développement de nouvelles technologies d’IA (Cornelli et al. 2023). Des études récentes suggèrent que l’IA pourrait creuser les écarts de revenus entre les pays, les avantages se concentrant dans les économies avancées qui sont mieux préparées à adopter et à intégrer ces technologies (Cazzaniga et al. 2024, Gambacorta et al. 2025, Hennig et Khan 2025).

Pourtant, les données solides au niveau des entreprises sur les effets réels de l’IA en Europe restent rares. Les entreprises européennes qui adoptent l’IA deviennent-elles réellement plus productives ? L’IA détruit-elle des emplois ou augmente-t-elle le nombre de travailleurs ? Les avantages sont-ils largement partagés ou se concentrent-ils dans les grandes entreprises disposant de ressources plus importantes ? Dans une étude récente (Aldasoro et al. 2026), nous fournissons les premières preuves causales de l’impact de l’adoption de l’IA sur la productivité et l’emploi dans plus de 12 000 entreprises européennes.

Le paradoxe européen de l’IA

La position de l’Europe dans le paysage mondial de l’IA est paradoxale. Sur divers indicateurs d’innovation, le continent est à la traîne. L’UE est à la traîne par rapport aux États-Unis non seulement en termes de nombre absolu de brevets liés à l’IA, mais aussi en termes de spécialisation dans l’IA, c’est-à-dire la part des brevets liés à l’IA par rapport au nombre total de brevets. Cet écart en matière d’innovation se traduit par des différences dans la disposition des entreprises à adopter l’IA, telle que mesurée par l’indice de préparation à l’IA du FMI, qui évalue les pays en fonction de leur infrastructure numérique, de leur capital humain, de leur capacité d’innovation et de leurs cadres réglementaires (Cazzaniga et al. 2024).

Toutefois, en ce qui concerne le déploiement effectif, le tableau est plus nuancé. En nous appuyant sur l’enquête sur les investissements de la Banque européenne d’investissement (EIBIS), nous constatons qu’en moyenne, les niveaux d’adoption de l’IA sont similaires dans l’UE et aux États-Unis. Il convient toutefois de noter qu’une hétérogénéité importante apparaît sous la surface. Les pays de l’UE financièrement développés, tels que la Suède et les Pays-Bas, égalent les taux d’adoption des États-Unis, avec environ 36 % des entreprises utilisant l’analyse des mégadonnées et l’IA en 2024. En revanche, les entreprises des économies moins développées financièrement de l’UE, telles que la Roumanie et la Bulgarie, sont nettement à la traîne, avec des taux d’adoption d’environ 28 % en 2024. La figure 1 illustre cette fracture, montrant comment l’écart a persisté et s’est même creusé ces dernières années.

Figure 1 Utilisation de l’analyse des mégadonnées et de l’IA par groupes de pays

Remarques : Part moyenne des entreprises déclarant utiliser l’IA par groupe de pays, en tenant compte du secteur d’activité des entreprises. Les barres d’erreur représentent des intervalles de confiance à 95 %. Les pays de l’UE sont regroupés sur la base d’un indice de développement financier utilisant les données des marchés financiers de 2015 à 2023 et composé de deux indicateurs composites : (i) la taille et l’intégration des marchés financiers, et (ii) la profondeur des marchés financiers (voir Betz et al., 2026). Source : EIBIS 2019-2024.

L’adoption varie également considérablement en fonction de la taille des entreprises. Parmi les grandes entreprises (plus de 250 employés), 45 % ont déployé l’IA, contre seulement 24 % des petites entreprises (10 à 49 employés). Cela fait écho aux schémas classiques de diffusion des technologies (Comin et Hobijn 2010) : les grandes entreprises possèdent les ressources, l’expertise technique et les économies d’échelle nécessaires pour absorber les coûts d’intégration. Les entreprises qui adoptent l’IA sont également systématiquement différentes : elles investissent davantage, sont plus innovantes et sont confrontées à des contraintes plus strictes pour trouver des travailleurs qualifiés. Ces schémas suggèrent que le simple fait d’observer quelles entreprises adoptent l’IA et de comparer leurs performances pourrait donner des résultats trompeurs, car l’adoption elle-même est endogène aux caractéristiques de l’entreprise.

Isoler l’effet causal de l’IA

Afin d’identifier de manière fiable l’effet causal de l’IA sur la productivité, nous avons développé une nouvelle stratégie de variable instrumentale, inspirée des travaux novateurs de Rajan et Zingales (1998) sur la dépendance financière et la croissance. Leur idée principale était que les caractéristiques sectorielles mesurées dans une économie – où elles sont sans doute moins affectées par les distorsions locales – peuvent servir de source exogène de variation lorsqu’elles sont appliquées à d’autres pays.

Nous étendons cette logique au niveau des entreprises. Pour chaque entreprise de l’UE de notre échantillon, nous identifions des entreprises américaines comparables, appariées en fonction du secteur, de la taille, de l’intensité des investissements, de l’activité d’innovation, de la structure de financement et des pratiques de gestion. Nous attribuons ensuite le taux d’adoption de l’IA de ces entreprises américaines appariées comme indicateur de l’exposition exogène de l’entreprise de l’UE à l’IA. Étant donné que les entreprises américaines opèrent dans des environnements institutionnels, réglementaires et politiques différents, leurs modèles d’adoption reflètent des facteurs technologiques qui sont vraisemblablement indépendants des facteurs spécifiques à l’UE. Des tests rigoureux d’équilibrage des scores de propension confirment que les entreprises américaines et européennes appariées sont pratiquement identiques en ce qui concerne les principales caractéristiques observables, ce qui valide la stratégie d’identification. Notre analyse s’appuie sur les données d’enquête de l’EIBIS combinées aux données du bilan de Moody’s Orbis.

Gains de productivité sans pertes d’emplois

Nos résultats révèlent trois conclusions clés. Premièrement, l’adoption de l’IA augmente de manière causale les niveaux de productivité du travail de 4 % en moyenne dans l’UE. Cet effet est statistiquement robuste et économiquement significatif, bien que plus modéré que les scénarios de transformation prévus par certains observateurs. Son ampleur correspond davantage aux projections macroéconomiques moyennes (Bergeaud 2024) qu’aux estimations les plus optimistes d’une explosion de la productivité. Bien que notre analyse se concentre sur les niveaux de productivité du travail et capture un effet ponctuel – plutôt que la croissance à long terme de la productivité totale des facteurs –, le gain de 4 % suggère que l’IA agit à court terme comme un facteur complémentaire qui améliore l’efficacité, même si les frictions liées à sa mise en œuvre et les déficits de compétences tempèrent son impact.

Deuxièmement, et c’est essentiel, nous ne trouvons aucune preuve que l’IA réduise l’emploi à court terme. Si des comparaisons naïves suggèrent que les entreprises qui adoptent l’IA emploient plus de travailleurs, cette relation disparaît dès lors que nous tenons compte des effets de sélection grâce à notre approche par variables instrumentales. L’absence d’effets négatifs sur l’emploi, combinée à des gains de productivité significatifs, met en évidence un mécanisme spécifique : l’intensification du capital. L’IA augmente la production des travailleurs – permet aux employés d’accomplir leurs tâches plus rapidement et de prendre de meilleures décisions – sans remplacer la main-d’œuvre. Cette conclusion fait écho à des données expérimentales à l’échelle microéconomique montrant que les outils d’IA peuvent générer des gains de productivité compris entre 10 % et 65 %, avec des effets importants dans les domaines du codage, des tâches de conseil et de la rédaction professionnelle (Noy et Zhang 2023, Gambacorta et al. 2024, Brynjolfsson et al. 2025). Ces effets expérimentaux sont spécifiques à certaines tâches, tandis que nos estimations reflètent les moyennes au niveau des entreprises.

Il est important de noter que les travailleurs des entreprises qui ont adopté l’IA ont bénéficié de salaires plus élevés, tant au niveau global que par employé. La question de savoir si ces gains salariaux persisteront à long terme et s’ils seront répartis équitablement entre les différents niveaux de compétences reste ouverte et mérite d’être suivie de près.

Gains inégaux et rôle essentiel des investissements complémentaires

Troisièmement, les gains de productivité liés à l’IA sont loin d’être répartis de manière uniforme. La ventilation de nos résultats par taille d’entreprise révèle que les moyennes et grandes entreprises enregistrent des gains de productivité nettement plus importants que leurs homologues plus petites (voir figure 2). Cet effet différentiel reflète le rôle de l’échelle dans l’absorption des coûts d’intégration de l’IA et l’accès à des actifs complémentaires – infrastructure de données, talents techniques et capacité organisationnelle à repenser les flux de travail. Cette constatation soulève des inquiétudes quant à l’élargissement des écarts de productivité entre les entreprises et les régions, compte tenu notamment de la structure industrielle de l’Europe, dominée par les petites et moyennes entreprises.

Figure 2 Effets de l’adoption de l’IA sur la productivité du travail selon la taille de l’entreprise

Remarques : La variable dépendante est la productivité du travail, calculée comme le logarithme du chiffre d’affaires par employé, et provient de l’EIBIS. L’adoption de l’IA est mesurée à l’aide du statut de mise en œuvre de l’IA dérivé d’entreprises similaires aux États-Unis. Toutes les régressions tiennent compte des investissements, de la rentabilité, du levier financier, du total des actifs, de l’âge et de l’interaction des effets fixes du pays, du secteur et de l’année. Les investissements sont exprimés en variation annuelle du total des immobilisations. La rentabilité est le rapport entre le bénéfice avant intérêts et impôts (EBIT) et le total des actifs. Le levier financier est le rapport entre les prêts et la dette à long terme et le total des actifs. Toutes les variables de contrôle proviennent d’Orbis et sont décalées d’un an. Les barres d’erreur représentent un intervalle de confiance de 90 %, basé sur des erreurs types regroupées au niveau pays-secteur-année. Approximation log-linéaire, 0,01 = augmentation de 1 %.

Plus important encore, notre analyse révèle que l’adoption de l’IA seule est insuffisante. Les entreprises doivent réaliser des investissements complémentaires pour libérer tout le potentiel de l’IA. Nos résultats montrent une hétérogénéité frappante dans la manière dont différents types d’investissements améliorent les effets de l’IA sur la productivité. Un point de pourcentage supplémentaire d’investissement dans les logiciels et les infrastructures de données augmente l’effet de l’IA sur la productivité de 2,4 points de pourcentage. Les investissements dans la formation de la main-d’œuvre ont un effet multiplicateur encore plus important : un point de pourcentage supplémentaire consacré à la formation amplifie les gains de productivité de l’IA de 5,9 points de pourcentage. Ces résultats soulignent une idée essentielle : les gains de productivité liés à l’IA ne dépendent pas seulement de l’acquisition de la technologie, mais aussi de la capacité d’ e des entreprises à l’intégrer grâce à des investissements dans des actifs incorporels et dans le capital humain.

Implications pour la politique européenne

Ces conclusions ont des implications importantes pour les décideurs politiques. Premièrement, les avantages de l’adoption de l’IA sont surtout visibles pour les moyennes et grandes entreprises. Cela signifie que l’Europe pourrait élaborer des politiques visant à aider les petites entreprises à atteindre la taille critique nécessaire pour tirer parti de l’IA. Cela nécessite des marchés financiers performants, capables de canaliser les capitaux vers des entreprises innovantes et à croissance rapide. Nos données montrent que les entreprises des pays dotés de marchés financiers plus sophistiqués sont mieux équipées pour investir dans l’IA et les actifs complémentaires. Cela souligne l’importance de faire progresser l’Union de l’épargne et de l’investissement de l’UE afin de garantir que les petites entreprises prometteuses puissent accéder aux financements dont elles ont besoin pour se développer et être compétitives.

Deuxièmement, le rôle central des investissements complémentaires signifie que les politiques publiques doivent aller au-delà du simple subventionnement des licences de matériel ou de logiciels d’IA. Pour être efficace, le soutien doit inciter les entreprises à investir dans l’intégration, la refonte des processus de travail et l’apprentissage continu. Les programmes de développement de la main-d’œuvre devraient donner la priorité à ce que l’on pourrait appeler les « compétences de fusion », c’est-à-dire des capacités telles que l’ingénierie rapide, la gestion des données et la prise de décision impliquant l’intervention humaine, qui renforcent la complémentarité entre l’homme et l’IA. Cela nécessite des investissements coordonnés dans la formation professionnelle, l’enseignement supérieur et l’apprentissage tout au long de la vie.

Enfin, si nos résultats permettent de penser que l’IA ne conduira pas à une destruction immédiate d’emplois, les décideurs politiques ne doivent pas pour autant se reposer sur leurs lauriers. Les effets d’intensification du capital que nous avons observés pourraient être transitoires. À mesure que les systèmes d’IA deviendront plus performants et que les entreprises acquerront de l’expérience dans leur intégration, des effets de substitution de main-d’œuvre pourraient apparaître. De plus, les gains salariaux que nous observons pourraient profiter de manière disproportionnée aux travailleurs hautement qualifiés, ce qui pourrait accroître les inégalités de revenus. Il sera essentiel de continuer à surveiller les effets de l’IA sur le marché du travail et de mettre en place des politiques proactives pour garantir une croissance inclusive à mesure que la technologie mûrit.

Note des auteurs : Les opinions exprimées dans cette chronique sont celles des auteurs et ne reflètent pas nécessairement celles de la Banque des règlements internationaux et de la Banque européenne d’investissement.

Note de la rédaction : Cet article est une traduction automatique. L’original est disponible ici : How AI is affecting productivity and jobs in Europe

Y a-t-il un problème avec cette traduction ? Veuillez envoyer un courriel à [email protected].

Références

Acemoglu, D (2024), “The simple macroeconomics of AI”, Economic Policy 40: 13–58.

Aldasoro, I, L Gambacorta, R Pál, D Revoltella, C Weiss and M Wolski (2026), “AI adoption, productivity and employment: Evidence from European firms”, CEPR Discussion Paper No. 21082.

Baily, M N, E Brynjolfsson and A Korinek (2023), “Machines of mind: The case for an AI-powered productivity boom”, Brookings Institution.

Bergeaud, A (2024), “The past, present and future of European productivity”, paper presented at the ECB Forum on Central Banking, Sintra, July.

Betz, F, R Pál, A Sapir and T Huyen (2026), “Capital markets and access to equity for European firms”, EIB Working Paper, forthcoming.

Brynjolfsson, E, D Li and L Raymond (2025), “Generative AI at work”, Quarterly Journal of Economics 140(2): 889–942.

Cazzaniga, M, F Jaumotte, L Li, G Melina, A Panton, C Pizzinelli, E Rockall and M Mendes Tavares (2024), “GenAI: Artificial intelligence and the future of work”, IMF Staff Discussion Note 2024/001.

Comin, D and B Hobijn (2010), “An exploration of technology diffusion”, American Economic Review 100: 2031–2059.

Cornelli, G, J Frost and S Mishra (2023), “Artificial intelligence, services globalisation and income inequality”, BIS Working Paper.

Filippucci, F, P Gal and M Schief (2024), “Miracle or myth? Assessing the macroeconomic productivity gains from artificial intelligence”, OECD Artificial Intelligence Paper No. 29.

Gambacorta, L, H Qiu, D Rees and S Shan (2024), “Generative AI and labour productivity: A field experiment on coding”, BIS Working Paper No. 1208.

Gambacorta, L, E Kharroubi, A Mehrotra and T Oliviero (2025), “Artificial intelligence and growth in advanced and emerging economies: short-run impact”, BIS Working Paper No. 1321.

Gambacorta, L and V Shreeti (2025), “Big techs’ AI empire”, VoxEU.org, 16 May.

Hennig, T and S Khan (2025), “How artificial intelligence will affect Asia’s economies”, IMF Blog, 5 January.

Noy, S and W Zhang (2023), “Experimental evidence on the productivity effects of generative artificial intelligence”, Science 381(6654): 187–192.

Rajan, R G and L Zingales (1998), “Financial dependence and growth”, American Economic Review 88(3): 559–586.