Pourquoi les gains de profit liés à l'IA pourraient accuser un retard par rapport aux attentes élevées de Wall Street
Wall Street intègre actuellement dans ses cours une hausse massive de la rentabilité des entreprises tirée par l'intelligence artificielle, mais un avertissement croissant suggère que ce calendrier pourrait être excessivement optimiste. Torsten Slok, économiste en chef chez Apollo, soutient que la concrétisation réelle des marges générées par l'IA dans les secteurs non technologiques pourrait prendre bien plus de temps que ne le suggèrent les projections actuelles du marché.
Le décalage entre les valorisations technologiques et l'adoption dans le monde réel
La valorisation actuelle de nombreuses entreprises d'IA repose sur une hypothèse unique et massive : que le S&P 493 — l'indice excluant les sept géants technologiques des « Magnificent Seven » — connaîtra une expansion significative de ses marges grâce à l'intégration de l'IA. Si les entreprises technologiques bénéficient déjà de l'automatisation, l'économie au sens large raconte une histoire différente.
Selon Slok, il n'existe actuellement aucune preuve significative que l'IA booste les marges bénéficiaires dans des industries en dehors du secteur technologique de base. Les marchés anticipent une croissance rapide des bénéfices, pourtant les flux de trésorerie réels nécessaires pour justifier ces valorisations pourraient accuser un retard considérable. Si la révolution de la productivité met cinq ans à se concrétiser au lieu de cinq mois, le secteur pourrait faire face à une réévaluation douloureuse et significative des actions liées à l'IA.
Barrières structurelles dans les industries réglementées
Le retard des gains de productivité n'est pas seulement une question d'adoption lente ; c'est un sous-produit des environnements complexes dans lesquels opèrent de nombreuses industries mondiales. Dans les secteurs hautement réglementés tels que la santé, la banque, l'énergie, la pharmacie et l'industrie manufacturière, le chemin vers l'intégration de l'IA est semé d'embûches.
Des exigences strictes en matière de confidentialité, une conformité réglementaire rigoureuse et la nécessité de refondre massivement les processus signifient que ces industries ne peuvent pas pivoter aussi rapidement qu'une startup logicielle. Ces frictions institutionnelles agissent comme un frein sur la vitesse à laquelle l'IA peut être déployée pour optimiser les flux de travail et réduire les coûts. Par conséquent, le « bond de productivité » sur lequel parient les investisseurs pourrait être retardé de plusieurs années, le temps que ces secteurs naviguent à travers les complexités juridiques et opérationnelles de la mise en œuvre de l'apprentissage automatique.
Le problème de la mesure dans le travail intellectuel
Même lorsque l'IA parvient à accroître l'efficacité des travailleurs individuels, un défi secondaire émerge : la difficulté de quantifier ces gains. Dans le domaine du travail intellectuel, les améliorations de la productivité sont notoirement difficiles à mesurer avec précision.
Contrairement à l'industrie manufacturière, où la production est facilement traçable, les gains réalisés par un employé utilisant un LLM pour rédiger des rapports ou analyser des données manquent souvent de mesures claires. Sans données concrètes, les équipes de direction peinent à justifier des dépenses en capital à grande échelle ou à faire apparaître ces améliorations dans un bilan comptable formel. Au lieu de cela, ces gains d'efficacité progressifs sont souvent « absorbés » dans les opérations quotidiennes, sans se manifester sous la forme de l'expansion visible des marges que Wall Street exige.
Points clés à retenir
- Risque de survalorisation du marché : Les valorisations des actions liées à l'IA reposent largement sur la croissance des marges dans le S&P 493, laquelle ne s'est pas encore concrétisée dans les secteurs non technologiques.
- Friction réglementaire : Des industries comme la santé et la banque font face à des retards importants dans l'adoption de l'IA en raison des mandats de confidentialité et de la complexité des refontes de processus.
- L'écart de quantifiabilité : Les gains de productivité dans le travail intellectuel sont difficiles à mesurer et à rapporter, ce qui rend difficile pour les entreprises la traduction de l'utilisation de l'IA en croissance du résultat net.