Le produit intérieur brut (PIB) mesure les transactions économiques d’une économie, en fonction des quantités achetées et vendues ainsi que des prix de marché. Mais cette méthode fonctionne-t-elle pour l’IA ? Anton Korinek et Patrick McKelvey explorent cette question dans Where is AI in GDP Statistics?.

Voici la question. Le montant total actuellement dépensé pour la puissance de calcul de l’IA, disent les auteurs, s’élève (selon les hypothèses retenues) à environ 250 Md€ par an. Cela mesure l’IA achetée et vendue sur le marché, et fait donc clairement partie du PIB.

Cependant, les puces d’IA deviennent de plus en plus efficaces : « À mesure que les puces devenaient plus efficaces, chaque dollar dépensé en calcul permettait d’obtenir davantage de capacité de calcul physique. Mesurée en unités équivalentes à une H100, la capacité de calcul IA aux États-Unis a augmenté de plus de 200 % par an, dépassant la croissance des dépenses nominales. »

Par ailleurs, les algorithmes d’IA deviennent eux aussi plus efficaces, si bien que la quantité de puissance de calcul nécessaire pour atteindre un niveau donné d’IA a diminué d’environ deux tiers par an. En combinant ces deux effets, l’augmentation de l’IA corrigée de la qualité dépasse 2000 % (soit une multiplication par vingt) par an.

On se trouve donc dans une situation où les dépenses consacrées à l’IA et captées par le PIB augmentent rapidement, mais où les capacités réelles produites par ces dépenses augmentent beaucoup, beaucoup plus vite. Comment les mesures de la taille de l’économie devraient-elles prendre en compte cette situation ?

La question n’est pas totalement nouvelle. Depuis plusieurs années, les statisticiens publics utilisent des ajustements dits « hédoniques ». L’idée est de définir un bien, comme un ordinateur, un téléviseur ou une voiture, comme un ensemble de caractéristiques. La qualité de ces caractéristiques s’améliore dans le temps. Ainsi, lorsque l’on compare l’évolution du « prix d’un ordinateur » ou du « prix d’une voiture », il faut effectuer une comparaison à caractéristiques constantes, toutes choses égales par ailleurs. C’est pourquoi l’indice des prix à la consommation pour les ordinateurs et biens similaires ressemble à ceci :

 

Pour être clair, ce graphique ne signifie pas que le montant que vous avez personnellement payé pour un ordinateur a diminué de trois quarts entre 2005 et 2018. Il signifie que le prix d’un ordinateur aux caractéristiques équivalentes à celles d’un ordinateur standard de 2005 a diminué de trois quarts en 2018 — mais bien sûr, en 2018, peu d’entre nous auraient voulu acheter cette version de 2005, même si elle avait été disponible.

Les auteurs expliquent :

Le fait que la présence de l’IA soit si peu visible dans les statistiques du PIB national s’explique en partie par une raison comptable simple. Les revenus nominaux de l’IA n’augmentent que modérément parce que les prix unitaires pour un niveau donné de capacité d’IA baissent presque aussi vite que la production corrigée de la qualité augmente. Dans l’industrie des semi-conducteurs, ce phénomène s’est produit pendant des décennies : chaque nouvelle génération de puces était beaucoup moins chère par unité de performance que la précédente, si bien que la part des semi-conducteurs dans le PIB est restée modeste, même si la production corrigée de la qualité a fortement augmenté.

Ce type d’ajustement hédonique pourrait être appliqué à l’IA, mais il présente aussi des limites pour la mesure du PIB. Le PIB est une mesure des transactions de marché, qui se produisent lorsque la technologie du côté de l’offre de biens et services rencontre les préférences et les goûts du côté de la demande. Les ajustements hédoniques visent à corriger les changements de qualité de ce qui est produit, mais ils ne prennent pas directement en compte la valeur que les acheteurs attribuent à ces changements de qualité.

Par exemple, la vitesse et la puissance des outils d’IA peuvent avoir une grande valeur pour les utilisateurs jusqu’à un certain point, mais au-delà, des améliorations supplémentaires peuvent avoir une utilité marginale décroissante. Le fait que la production d’IA corrigée de la qualité ait augmenté de 2000 % par an ces dernières années ne signifie pas que la valeur des outils d’IA pour les utilisateurs ait augmenté de 2000 % par an.

Au-delà des détails de ce type de questions, Korinek et McKelvey avancent une idée plus large : une réflexion pertinente sur les effets économiques des technologies d’IA émergentes doit s’appuyer sur des données, mais les données économiques sur une industrie en évolution très rapide sont difficiles à collecter et peuvent soulever des enjeux d’interprétation délicats.

 

Cet article a été initialement publié sur Conversable Economist le 4 juin 2026.