L’intelligence artificielle transforme-t-elle déjà l’économie, ou transforme-t-elle surtout la manière dont les entreprises racontent l’avenir ? Google veut donner une réponse plus documentée à cette question. Le groupe élargit son programme AI & Economy en accueillant plusieurs chercheurs reconnus, dont le prix Nobel d’économie Philippe Aghion et le professeur Ajay Agrawal, spécialiste des effets économiques de l’IA.
L’annonce s’appuie sur ATLAS, pour Activity, Task, Landscape and Adoption Study, un dispositif lancé afin d’observer la manière dont les outils d’IA de Google sont réellement utilisés. L’objectif affiché dépasse le simple suivi de l’adoption : il s’agit d’étudier le travail, la productivité, la croissance, la diffusion mondiale des technologies et le rôle de l’IA dans la découverte scientifique.
Quatorze millions d’échanges comme matière économique
La première version d’ATLAS repose sur 14 653 926 interactions désidentifiées, enregistrées entre le 6 et le 19 avril 2026 dans l’application Gemini, le Mode IA de Google et l’API Gemini. Le pipeline distingue automatiquement les usages liés au travail de ceux qui relèvent de la vie quotidienne. Les échanges sont ensuite regroupés et rapprochés de taxonomies professionnelles et d’activités.
Cette échelle donne une vue rarement accessible aux économistes. Les enquêtes traditionnelles demandent aux personnes de se souvenir de leurs pratiques, tandis que les données d’usage enregistrent ce qui se passe dans l’outil. ATLAS peut ainsi repérer des tâches, des secteurs, des langues ou des zones géographiques dans lesquels l’IA apparaît, puis suivre leur évolution plus rapidement que ne le permettent de nombreuses statistiques publiques.
Le premier rapport a notamment montré que plus de 86 % des interactions observées se déroulaient hors du travail. Dans les usages professionnels, l’IA intervenait souvent comme soutien à la recherche, à la rédaction, à l’apprentissage, à l’itération ou au dépannage, davantage que comme système autonome exécutant un métier complet. Ce résultat nuance les scénarios dans lesquels l’automatisation remplacerait immédiatement des emplois entiers.
Un conseil scientifique à la hauteur d’un débat politique
En renforçant son équipe, Google cherche à faire passer ATLAS du statut de photographie descriptive à celui de programme économique durable. Philippe Aghion apporte ses travaux sur l’innovation et la croissance ; Ajay Agrawal étudie depuis longtemps l’IA comme baisse du coût de la prédiction. D’autres profils associés au programme couvrent les politiques publiques, la transformation des entreprises et l’économie du travail.
Le choix de ces disciplines est stratégique. Les décideurs veulent savoir si l’IA augmente la productivité, modifie la répartition des revenus, accélère la recherche ou fragilise certaines professions. Or ces phénomènes ne progressent pas au même rythme. Une entreprise peut acheter des outils sans changer son organisation. Un salarié peut gagner du temps sur une tâche sans produire davantage à l’échelle d’une année. Un secteur peut adopter rapidement l’IA tout en concentrant les bénéfices chez quelques acteurs.
Mesurer l’usage ne suffit donc pas. Il faut relier les comportements observés à des résultats : temps économisé, qualité du travail, salaires, créations et disparitions de postes, investissement, prix ou diffusion des gains entre territoires. C’est précisément sur ce passage entre activité numérique et conséquence économique que le nouveau programme sera attendu.
La donnée de plateforme porte son propre angle mort
ATLAS présente une limite structurelle : Google étudie l’économie à travers l’usage de ses propres produits. L’échantillon ne représente pas toute l’IA, ni toutes les entreprises, ni les personnes qui n’utilisent aucun de ces services. Les outils professionnels comme Gemini Enterprise et Google Workspace ne sont pas inclus de la même manière dans le jeu initial, ce qui peut laisser de côté une part importante des usages organisés au sein des entreprises.
La période de collecte est également courte : deux semaines d’avril. Elle produit une photographie très détaillée, mais sensible aux lancements de produits, aux calendriers professionnels et aux habitudes momentanées. Les classifications automatisées ajoutent une autre couche d’interprétation. Google décrit des mesures de protection de la vie privée, la suppression d’informations identifiantes et des techniques destinées à réduire certains biais des modèles, mais une catégorie attribuée par un classificateur reste une estimation.
Ces précautions ne rendent pas le projet inutile. Elles déterminent simplement la bonne lecture : ATLAS est un observatoire propriétaire et massif, pas un recensement neutre de l’économie mondiale. Sa crédibilité dépendra de la transparence méthodologique, de la possibilité pour des chercheurs extérieurs de tester les conclusions et de la confrontation avec d’autres sources, publiques comme privées.
La bataille des indicateurs commence
Google n’est pas seul à construire une économie de la preuve autour de l’IA. D’autres laboratoires publient leurs propres indices d’usage, scénarios et analyses du travail. Cette concurrence peut améliorer la qualité des méthodes, mais elle crée aussi un risque : que chaque entreprise choisisse l’indicateur le plus favorable à ses produits, à ses investissements ou à son récit stratégique.
Pour les entreprises, le message utile est moins spectaculaire. Avant de généraliser un outil, elles devraient mesurer les tâches concernées, le temps de vérification, les erreurs, la qualité finale, la redistribution du travail et les compétences nouvelles exigées. Pour les pouvoirs publics, il faut compléter les données des plateformes par des enquêtes indépendantes, des statistiques du travail et une attention particulière aux groupes peu visibles dans les traces numériques.
Le renforcement du programme de Google marque ainsi une étape importante : le débat se déplace des démonstrations impressionnantes vers la mesure de l’usage réel. Mais la grande question reste ouverte. L’IA peut être présente dans des millions de conversations sans que cette présence se transforme automatiquement en croissance mieux partagée. Mesurer davantage est indispensable ; savoir ce que l’on mesure l’est encore plus.
