L’IA au Canada : la productivité soutenue exige une intégration systématique

L’intelligence artificielle (IA) générative se diffuse dans l’économie mondiale plus rapidement que les vagues technologiques précédentes. Les outils à faible coût et les applications au niveau des tâches ont permis au temps d’adoption de l’IA de se compter en mois plutôt qu’en années, le déploiement se faisant auprès de travailleurs et d’entreprises bien au-delà du secteur des technologies. Cette rapidité reflète les faibles coûts initiaux d’expérimentation et les taux d’amélioration élevés par rapport aux technologies précédentes.

La diffusion rapide a accru les attentes selon lesquelles l’IA pourrait également améliorer considérablement la productivité. Les États-Unis sont en tête en matière d’adoption de l’IA et d’investissement dans l’informatique à grande échelle. Aux États-Unis, la productivité du travail des entreprises a augmenté à un taux annuel moyen de 2,6 % au cours des deux dernières années, à un rythme plus de deux fois supérieur au rythme moyen sur les 10 ans précédant la COVID-19, qui s’établissait à 1 %, et nettement supérieur à celui des autres pays (graphique 1)¹. Bien que l’IA n’explique pas totalement ce rendement supérieur, les gains ont coïncidé avec une hausse des investissements dans les infrastructures informatiques et le capital lié à l’IA (graphique 2).

Cette vigueur précoce ne laisse pas augurer, à elle seule, de gains durables. La question de savoir si l’IA améliore la productivité au fil du temps dépend de la mesure dans laquelle elle est intégrée aux processus de production de base. Comme par le passé, les gains durables ne se font sentir que lorsque les investissements complémentaires permettent aux entreprises de réorganiser leurs flux de travail et d’utiliser plus largement de nouvelles méthodes de production. Pour l’IA, cela passe par des données structurées, des systèmes intégrés, des compétences pertinentes, des protocoles de vérification et une gouvernance mise à jour. En l’absence de ces compléments, les gains d’efficacité au niveau des tâches risquent d’être érodés par les coûts de coordination, de vérification et de remaniement.

Cette distinction est encore plus importante pour le Canada. Le sous-investissement de longue date dans les actifs incorporels, la plus grande concentration de l’activité économique dans les petites et moyennes entreprises et les marchés fragmentés augmentent le risque que l’adoption de l’IA reste superficielle. En l’absence d’une intégration plus en profondeur et d’investissements complémentaires plus solides, la diffusion rapide pourrait stimuler l’utilisation, mais ne pas entraîner de hausse durable de la productivité.

De l’amélioration initiale aux gains de productivité durables

À long terme, la croissance de la productivité est principalement alimentée par les changements technologiques. Bien que l’innovation soit en cours là où les incitatifs la soutiennent, rares sont les percées – comme l’électricité, le moteur à combustion interne, les ordinateurs et l’Internet – qui ont dopé durablement le rythme de croissance de la productivité. Ces innovations se sont démarquées par leur large applicabilité à l’échelle de l’économie, qui a permis de transformer le mode d’organisation de la production plutôt que d’améliorer un seul secteur. 

Le bénéfice de ces technologies d’usage général n’a pas été immédiat. Les gains de productivité n’ont émergé qu’à l’issue d’investissements importants dans les infrastructures, les compétences et le changement organisationnel qui ont permis un déploiement fiable à grande échelle.

L’IA générative partage bon nombre des caractéristiques avec ces précédentes technologies de production globale et pourrait, à terme, transformer la production dans l’ensemble de l’économie. Toutefois, comme pour les technologies passées, les gains durables nécessiteront un investissement complémentaire. Bien que l’IA puisse réduire le coût de certaines tâches précises et générer des gains précoces grâce aux investissements (voir l’encadré à la page suivante), la croissance soutenue de la productivité ne se concrétisera qu’une fois que l’IA aura été intégrée aux flux de travail.

Les preuves récentes à l’échelle des entreprises soulignent cette distinction. Un sondage mené auprès d’environ 6 000 dirigeants aux États-Unis, au Royaume-Uni, en Allemagne et en Australie laisse entrevoir une adoption généralisée de l’IA, mais des gains de productivité minimes attribuables à l’IA au sein de leurs entreprises². Les gains de productivité retardés cadrent avec la courbe en J de la productivité observée pour les précédentes technologies à usage général. Lors des vagues technologiques passées, l’adoption s’est généralement accélérée plus rapidement que la productivité mesurée, les entreprises absorbant les coûts de réorganisation de la production et investissant dans des actifs incorporels complémentaires, dont les avantages ne se sont matérialisés qu’avec du décalage³. 

Bien que l’IA générative se soit propagée plus rapidement que les vagues technologiques passées, la dynamique économique sous-jacente demeure la même. Les gains les plus importants et les plus durables suivront les investissements complémentaires qui permettront aux entreprises d’intégrer la nouvelle technologie d’IA dans leurs activités de base, lorsqu’elle pourra transformer les processus de production plutôt que de simplement faciliter l’accomplissement des tâches individuelles.

Le succès de l’IA repose sur des données épurées, des systèmes intégrés et des équipes compétentes.

Pour obtenir le plein potentiel de l’IA, les entreprises ont besoin de données épurées et interopérables, de systèmes qui communiquent de façon transparente et de travailleurs formés à l’utilisation de nouveaux outils. Les gestionnaires doivent en outre être prêts à remanier les processus afin que les résultats de l’IA soient fiables et qu’on puisse les exploiter.

Ces investissements sont en grande partie incorporels, propres à l’entreprise et il est difficile de revenir en arrière, ce qui les rend persistants. Lorsqu’on en tient compte, ce type d’investissement complémentaire devient un important facteur de croissance de la productivité parallèlement à l’innovation initiale, en particulier dans les secteurs où la coordination et le flux d’information sont essentiels à la production.

En ce qui a trait à l’IA, cette distinction est essentielle. Bien que ces capacités soient difficiles à bâtir, elles ne se limitent pas aux entreprises ou aux économies en démarrage, d’autant que les petites entreprises peuvent accéder à des données partagées, à du soutien consultatif et à des outils de mise en œuvre. Le bénéfice dépend non pas de l’IA en soit, mais de la capacité des entreprises à se fier à l’IA au sein des systèmes de production de base sans que cela fasse augmenter les erreurs ou les coûts de surveillance à mesure que l’utilisation s’étend. 

 

Les difficultés de vérification limitent une intégration plus en profondeur de l’IA

La vérification est une composante essentielle de l’investissement incorporel requis pour l’adoption de l’IA à grande échelle. Des gains de productivité sont plus probables si les résultats peuvent être testés et corrigés rapidement et à moindre coût⁵. Cela explique pourquoi les premiers gains tendent à apparaître dans des domaines comme le développement de logiciels, où les erreurs sont immédiatement visibles et où des boucles de rétroaction sont intégrées au processus de production. Lorsque la vérification est coûteuse ou incertaine, les entreprises sont plus susceptibles de limiter le déploiement de l’IA aux tâches périphériques que de l’intégrer aux processus de production de bout en bout; appliquée à la mauvaise catégorie de tâches, l’IA peut réduire la productivité⁶.

La vérification n’est pas une caractéristique du modèle d’IA en soi, mais du système de production environnant. Les données intégrées, les transferts de processus clairs et les boucles de rétroaction rapides rendent les erreurs visibles et corrigibles. Lorsque ces compléments sont en place, les entreprises peuvent accroître l’utilisation de l’IA en toute confiance. Dans le cas contraire, l’adoption peut être généralisée, mais superficielle.

Le contrôle des infrastructures peut également influer sur la volonté des entreprises d’intégrer l’IA au flux de travail. L’intégration exige d’avoir confiance dans la fiabilité des données, des modèles et des résultats au fil du temps. Lorsque les infrastructures sont hébergées à l’externe, les sociétés se heurtent à de l’incertitude quant à la conformité. Cet enjeu est pertinent pour des économies comme celle du Canada, qui compte moins de 500 centres de données (contre plus de 5 000 aux États-Unis)⁷ et qui est un importateur net de capacité de calcul. Cela pourrait entraîner une intégration plus superficielle, en particulier pour les sociétés déjà aux prises avec des contraintes d’envergure et de vérification. 

L’adoption de l’IA monte en flèche, mais son intégration demeure limitée

Il ne fait aucun doute que l’utilisation de l’IA augmente au sein des entreprises canadiennes. Celles-ci sont de plus en plus nombreuses à déclarer utiliser l’IA pour produire des biens ou fournir des services, l’adoption étant concentrée dans les secteurs qui utilisaient déjà beaucoup le numérique (services professionnels, finances et information), où les applications au niveau des tâches peuvent être déployées moyennant peu de modifications des systèmes⁸.

Au niveau des travailleurs, l’utilisation de l’IA est encore plus large. De nombreux employés déclarent avoir utilisé des outils d’IA dans le cadre de leur travail. Ce modèle laisse entrevoir une expérimentation et une utilisation au niveau des tâches, permettant une diffusion rapide de l’IA même lorsque les entreprises n’ont pas encore effectué les investissements complémentaires requis pour apporter des changements au niveau du système ou fixé de limites claires quant à l’utilisation optimale.

L’intégration au niveau du système est plus difficile à établir. Des sondages ciblés auprès des entreprises laissent penser que l’intégration complète demeure limitée, en particulier au sein des entreprises de taille moyenne. Le tableau qui se dessine est celui d’un intérêt et d’une expérimentation qui augmentent, s’accompagnant de quelques exemples de transformation de bout en bout qui modifie l’organisation de la production.

Ces tendances donnent à penser que l’IA au Canada se propage d’abord dans les canaux à faible vérification et à faible intégration. L’adoption, rendue possible par des outils à diffusion rapide au niveau de l’utilisateur, a surpassé les investissements organisationnels, de données et de vérification nécessaires pour obtenir des gains de productivité généraux et durables. Ce sont essentiellement les conditions de départ des entreprises et les incitatifs économiques qui les incitent à investir dans l’intégration qui détermineront si l’écart se comblera ou non.

Cet écart entre l’adoption rapide et l’intégration limitée définit à la fois le défi auquel est confronté le Canada et l’ampleur du retard à rattraper si les entreprises investissent dans des capacités au niveau du système.

Le point de départ du Canada relève la barre

Malheureusement, les conditions de départ du Canada sont moins favorables que celles de nombreuses économies comparables. L’écart de productivité traditionnel entre le Canada et les États-Unis s’explique en grande partie par la baisse des investissements dans les immobilisations incorporelles et le ralentissement de la croissance de la productivité multifactorielle. Au fil du temps, les sociétés canadiennes ont moins investi dans les actifs qui soutiennent la production, comme les logiciels (graphique 4). Plus récemment, l’avantage des États-Unis s’est avéré être une avance croissante au niveau du matériel informatique, qui laisse au Canada une assise moins robuste sur laquelle bâtir efficacement l’intégration de l’IA (graphique 5).

Les recherches indiquent que cette lacune reflète en partie le fait qu’une part plus élevée de l’activité économique (p. ex. les heures travaillées) a lieu dans les petites entreprises^{9, 10}. Pour la technologie d’IA, dont le bénéfice dépend de l’envergure et des investissements fixes dans les données, les systèmes et les capacités organisationnelles, ces caractéristiques relèvent considérablement le seuil de réussite de l’intégration.

La fragmentation du marché complique encore les choses. Les barrières sur le marché intérieur canadien limitent l’envergure des sociétés, en particulier dans le secteur des services. Les petits marchés effectifs réduisent le rendement des gros investissements à coût fixe, y compris ceux nécessaires pour intégrer l’IA aux systèmes de production. Pour une technologie dont les avantages augmentent de concert avec l’envergure et la diffusion, il s’agit d’une réelle contrainte qui façonne les décisions d’investissement des sociétés.

Ces conditions n’empêchent pas un rattrapage, mais elles font grimper le coût d’une intégration en profondeur et, par conséquent, influencent le parcours d’adoption. En l’absence d’une envergure, d’une capacité d’intégration et d’une infrastructure de vérification suffisantes, les entreprises privilégient rationnellement une utilisation superficielle au niveau des tâches. 

Ce qui ferait la différence

Les entreprises sont plus susceptibles d’investir dans des systèmes d’IA intégrés, de « qualité production », lorsqu’elles exercent leurs activités à grande échelle et qu’elles font face à des pressions concurrentielles pour accroître leur efficacité. Lorsque les marchés sont fragmentés et que les entreprises demeurent petites, les coûts fixes de l’intégration des données, de la refonte des systèmes et des changements organisationnels sont plus difficiles à justifier, même lorsque les outils d’IA sont largement accessibles. Par conséquent, des politiques élargissant l’échelle et intensifiant la concurrence permettraient d’accroître le bénéfice d’une adoption plus en profondeur, ce qui rendrait les investissements complémentaires dans les données, les systèmes et les compétences plus nécessaires et viables sur le plan économique.

L’échelle, à elle seule, n’est pas nécessairement suffisante. De nombreuses applications d’IA de grande valeur dépendent de la coordination des entreprises et des projets, en particulier lorsque la production couvre plusieurs participants. Lorsque les normes, les formats de données et les processus diffèrent, les entreprises sont contraintes de reconstruire plusieurs fois des solutions similaires, ce qui augmente les coûts et ralentit la diffusion. Les efforts ciblés pour réduire les chevauchements, par le biais de normes de référence communes, de cadres d’interopérabilité et d’un approvisionnement corrigeant les lacunes évidentes en matière de coordination, peuvent faciliter la réutilisation et l’intégration sans orienter les décisions au niveau de la société.

Pour les petites et moyennes entreprises, les coûts fixes des investissements incorporels sont souvent la véritable contrainte. Les « trousses de démarrage de l’IA » qui regroupent les diagnostics, l’entraînement, les modèles de gouvernance et la mise en œuvre facilitent la tâche. Les normes communes en matière de données et d’interopérabilité et les directives réglementaires plus claires qui donnent aux entreprises la confiance nécessaire pour investir peuvent être particulièrement utiles. L’objectif est de remplacer des tâches étroites, de repenser les flux de travail et de recombiner les capacités entre les fonctions à mesure que s’édifient les normes et la confiance. La priorité passe ainsi de la recherche exploratoire et des champions nationaux à une diffusion à l’échelle de l’économie¹².

Pour les PME, l’accès est aussi important que les incitatifs : l’accès partagé à des actifs de données fiables, à des calculs sécurisés et à des composantes d’intégration immédiatement disponibles peut rendre possible l’adoption de « qualité production » sans que chaque société ait à reconstruire à partir de zéro la même structure incorporelle. Compte tenu de l’évolution rapide de l’IA, les entreprises devraient profiter d’une adoption précoce alliée à une adaptation continue à mesure que les capacités d’IA augmenteront.

Conclusion

L’utilisation de l’IA se répand rapidement, mais l’intégration reste inégale. La technologie a le potentiel d’accroître la productivité au Canada, mais l’histoire nous montre que la réalisation des gains de productivité dépend de l’investissement complémentaire et du changement organisationnel.  Pour l’IA, la capacité de vérifier et d’utiliser de façon fiable les résultats à grande échelle est une contrainte fondamentale.

Au Canada, la faiblesse des investissements dans les biens incorporels, la taille plus modeste des entreprises et la fragmentation des marchés rendent la réussite plus difficile à atteindre que dans les économies comparables. Pour combler cet écart, les entreprises doivent aller au-delà de l’expérimentation et renforcer les capacités nécessaires à l’intégration au niveau du système. Cela passe par l’amélioration de la connectivité des données, de l’interopérabilité entre les systèmes et des environnements de production afin de tester, de valider et d’utiliser les résultats en toute confiance. Lorsque les entreprises exercent leurs activités à suffisamment grande échelle et sont incitées à investir dans ces capacités, l’IA est plus susceptible d’être intégrée aux flux de travail de base que d’être appliquée de façon marginale.

Le principal critère pour le Canada est de savoir si l’adoption s’accompagne d’un changement du mode de production au sein des entreprises. Sans ce changement, l’utilisation de l’IA peut demeurer vaste, mais superficielle, ce qui améliore l’efficacité de tâches isolées sans créer de gains de productivité soutenus à l’échelle de l’économie. Les gains les plus importants sont dégagés à la dernière étape de ce processus, lorsque les investissements précédents se traduisent par de nouvelles façons de travailler qui peuvent être déployées à grande échelle dans l’ensemble de l’économie.