Les résultats de Nvidia ne disent pas tout. C'est la thèse défendue par Torsten Slok, chef économiste d'Apollo Global Management, dans une note publiée le 24 octobre. Sa conclusion est brutale : malgré des investissements massifs et un engouement mondial, l'IA n'a toujours pas apporté de gain financier mesurable aux grandes entreprises américaines hors du secteur technologique.
Slok ne parle pas des start-up qui brûlent des tokens pour entraîner des modèles, ni des géants qui vendent des puces. Il regarde le reste de l'économie : ce qu'il appelle le S&P 493, c'est-à-dire le S&P 500 moins Alphabet, Amazon, Apple, Meta, Microsoft, Nvidia et Tesla. Pour ces 493 entreprises, le revenu par salarié et les marges sont plats. Aucun signe d'accélération de la productivité. La facture d'IA, elle, est bien réelle.
Le grand découplage
Les chiffres avancés par Apollo sont simples. Depuis 2022, le revenu par salarié des Mag 7 est passé d'environ 550 000 dollars à près de 800 000 dollars. Pour le S&P 493, il reste autour de 550 000 dollars, sans tendance claire, depuis sept ans. Même histoire pour les marges : elles ont grimpé d'environ 15 % à 25 % chez les sept géants entre le premier trimestre 2023 et le premier trimestre 2026, selon les données citées par Fortune, tandis que le reste du S&P 500 est resté autour de 10 %.
Ces comparaisons ne prouvent pas que l'IA est la cause de l'écart. Elles montrent autre chose : la diffusion de l'IA ne s'est pas encore traduite dans les comptes des entreprises non tech. Les géants vendent l'infrastructure, les modèles et les services ; les autres achètent, testent, échouent parfois, et ne voient pas encore le retour.
« L'IA est peut-être une excellente calculatrice, mais en entreprise, l'intelligence c'est surtout du jugement. » — Torsten Slok, Apollo
Slok ajoute que l'IA « ne comprend pas la responsabilité, la confiance, la culture, les règles non écrites, les arbitrages éthiques ou l'équité », autant de facteurs qui façonnent la réputation et, en fin de compte, la croissance du chiffre d'affaires et les marges. C'est une critique classique, mais elle prend un relief particulier quand elle vient d'un économiste qui observe les comptes plutôt que les démos.
Pourquoi l'IA ne se voit pas dans les marges
Le problème n'est pas que l'IA ne fait rien. C'est qu'elle fait des choses difficiles à mesurer, ou qui ne touchent pas directement la marge. Déployer un agent dans un processus métier demande d'intégrer les données, de revoir les workflows, de former les équipes, de gérer la conformité et la sécurité. C'est lent, coûteux, et rarement spectaculaire.
Dans une analyse publiée en juillet, Fortune citait plusieurs exemples de ce décalage. Ford a embauché 350 ingénieurs expérimentés pour reprogrammer des outils d'IA qui ne fonctionnaient pas comme prévu. Ricoh a externalisé une partie de la gestion de dossiers d'assurance à l'IA, mais a dû payer 500 000 dollars de consultants et 200 000 dollars par mois de frais d'IA ; le coût final était trois fois plus élevé qu'un traitement manuel. La productivité a fini par progresser, mais après un investissement lourd et beaucoup de temps.
Slok en tire une conséquence : les entreprises commencent à considérer les dépenses de tokens non plus comme un moteur de croissance, mais comme un centre de coûts. Les entreprises financées par le capital-risque peuvent brûler des tokens pour acheter de la croissance. Une entreprise cotée, avec des actionnaires et des marges à défendre, regarde la facture autrement.
Le risque de « repricing »
La note d'Apollo s'inscrit dans un débat plus large sur la valorisation du secteur. Si l'IA reste concentrée dans une petite partie de l'économie, ses effets macroéconomiques seront limités. Si les entreprises ralentissent leurs dépenses faute de retour, la croissance des revenus des fournisseurs d'infrastructure pourrait décevoir. Et si les valorisations ont déjà intégré des gains qui n'arrivent pas, la correction peut être douloureuse.
Fortune citait dès juillet l'avertissement de Slok : un décalage entre les attentes de bénéfices et le temps nécessaire pour générer un retour sur investissement « pourrait avoir des implications significatives pour de nombreuses valorisations de sociétés d'IA aujourd'hui ». Il parlait d'un « repricing douloureux » possible. La note du 24 octobre ne fait que renforcer ce diagnostic.
Un working paper du NBER va dans le même sens : il documente un « paradoxe de productivité » où les gains de productivité perçus dépassent les gains mesurés dans les comptes, probablement parce que les revenus mettent du temps à suivre. Ce n'est pas une preuve que l'IA échoue. C'est une preuve que la comptabilité et la productivité agrégée sont lentes à bouger.
Les limites de la démonstration
Il faut prendre la note pour ce qu'elle est : un instantané, pas un verdict. Le revenu par salarié est un indicateur imparfait, qui dépend de la structure des entreprises, des acquisitions et des effets de change. Le S&P 493 n'est pas un groupe homogène : certaines entreprises sont très exposées à l'IA, d'autres pas du tout. Et les gains peuvent mettre des années à apparaître, comme cela a été le cas pour l'électricité ou l'informatique.
L'étude du MIT sur les 95 % de pilotes d'IA générative qui échouent, souvent citée, est elle aussi contestée sur sa méthodologie. Elle mesure des projets pilotes, pas la transformation complète d'une entreprise. Certaines sociétés non tech obtiennent déjà des gains ciblés dans le service client, la logistique ou la maintenance. Le tableau est donc plus nuancé que le titre « zero payoff ».
Mais la question centrale reste. Le vrai test de l'IA n'est pas la demande de GPU ni le chiffre d'affaires de Nvidia. C'est la capacité des 493 autres entreprises du S&P 500 à transformer des tokens en revenus, en marges et en productivité. Pour l'instant, les comptes ne le montrent pas. Comme le résume Slok, « l'histoire de l'IA se décidera dans le S&P 493, pas dans les Mag 7 ».