On a tous entendu la promesse. L'IA va booster la productivité, réduire les coûts, transformer les entreprises. Et pourtant, quand on regarde les chiffres de productivité à l'échelle des organisations, le compte n'y est pas. L'économiste Paul David avait observé le même phénomène avec l'électricité dans les usines au début du XXe siècle : la technologie était là, mais les gains ont mis des décennies à se matérialiser. Parce qu'il ne suffisait pas de remplacer la machine à vapeur par un moteur électrique. Il fallait repenser l'usine.
Avec l'IA générative, on est dans la même impasse. Et une étude publiée en mars 2026 par des chercheurs de l'INSEAD (Hyunjin Kim, Dahyeon Kim) et de la Harvard Business School (Rembrand Koning) vient poser un diagnostic précis sur ce qui bloque.
Le paradoxe : des gains par tâche, zéro gain à l'échelle de l'entreprise
Les preuves que l'IA améliore la productivité individuelle s'accumulent. L'étude de Brynjolfsson, Li et Raymond (2023) sur les agents de support client, celle de Noy et Zhang (2023) sur les rédacteurs, ou encore les travaux de Dell'Acqua et al. (2023) sur les consultants de BCG : à chaque fois, les gains sur des tâches isolées sont réels et mesurables.
Mais ces gains ne remontent pas jusqu'au chiffre d'affaires. La performance d'une entreprise dépend d'une chaîne d'activités interconnectées. Améliorer un maillon sans toucher aux autres, c'est déplacer le goulot d'étranglement, pas le supprimer. Les chercheurs Gans et Goldfarb (NBER, 2026) formalisent ce mécanisme avec leur modèle O-Ring appliqué à l'automatisation : si une seule étape de la chaîne reste inchangée, elle annule les gains des autres.
Bref, on a un problème d'intégration, pas un problème de technologie.
Le mapping problem : chercher au bon endroit
L'étude introduit un concept qui mérite qu'on s'y arrête : le mapping problem. C'est la difficulté de découvrir où et comment l'IA crée de la valeur dans le processus de production d'une entreprise.
Trois raisons rendent cette découverte difficile :
- Les capacités de l'IA sont inégales et imprévisibles. Même des tâches proches peuvent donner des résultats radicalement différents. Les experts eux-mêmes se trompent régulièrement sur ce que l'IA fera bien ou mal.
- L'espace de recherche est immense. Dans une entreprise, l'IA pourrait potentiellement s'appliquer à des dizaines d'activités. Sans cadre structuré, les décideurs restent dans leur zone de confort : un chatbot pour le support, un LLM pour rédiger des emails.
- Les complémentarités compliquent tout. Quand les activités sont couplées, la valeur d'automatiser une étape dépend de ce qui se passe aux étapes adjacentes. Automatiser partiellement, c'est souvent conserver le goulot d'étranglement plutôt que le résoudre.
La littérature en stratégie confirme ce biais : les managers cherchent localement, dans le voisinage de ce qu'ils connaissent déjà. Appliqué à l'IA, ça donne des usages évidents mais à faible valeur ajoutée, pendant que les applications à fort impact restent dans l'angle mort.
L'expérience : 515 startups, mêmes outils, résultats radicalement différents
Pour tester cette hypothèse, les chercheurs ont conçu une expérience contrôlée au sein de l'AI Founder Sprint, un accélérateur de trois mois à l'INSEAD regroupant 515 startups early-stage du monde entier.
Toutes les startups ont reçu le même socle :
- Des crédits API et un accès aux modèles de Google Cloud, OpenAI, NVIDIA et Manus AI (environ 25 000 $ par startup)
- Une formation technique hebdomadaire couvrant le prototypage rapide, le RAG, les agentic workflows, le vibe-coding
- Des sessions de pitch devant des VCs et l'accès à 100 000 $ de financement non dilutif
La seule différence : le contenu des ateliers hebdomadaires. Le groupe traité recevait des études de cas montrant comment d'autres entreprises avaient réorganisé leur production autour de l'IA. Le groupe contrôle suivait un programme classique d'entrepreneuriat.
L'assignation était aléatoire, stratifiée par géographie, niveau de traction et usage IA de base. 255 startups dans le groupe traité, 260 dans le groupe contrôle.
Les résultats : quand la stratégie fait la différence
Les startups du groupe traité ont découvert 44 % de cas d'usage IA supplémentaires (2,7 de plus en moyenne). Ces cas d'usage ne se concentraient pas sur les applications évidentes comme la rédaction ou la recherche. Les gains les plus marqués apparaissaient dans le développement produit, la stratégie et les opérations internes.
Concrètement :
- +12 % de tâches complétées, concentrées sur les tâches internes (construire, prototyper, coder)
- +18 % de probabilité d'acquérir des clients payants
- 1,9x plus de revenus en moyenne
- -39,5 % de besoin en capital externe, sans changement dans la demande de main-d'œuvre
Le dernier point est frappant. Les startups guidées produisent plus avec les mêmes ressources. Elles ne cherchent pas à grossir en embauchant ou en levant davantage. Elles compriment leur chaîne de production.
Les gains explosent dans le haut de la distribution
Un détail change la lecture de ces résultats : les gains en revenus et en investissement ne sont pas uniformes. Ils explosent dans le haut de la distribution, au-dessus du 90e percentile. Les startups les plus performantes du groupe traité lèvent et génèrent beaucoup plus que leurs homologues du groupe contrôle.
Ce schéma est cohérent avec la théorie O-Ring de Kremer (1993) : quand une entreprise résout le mapping problem sur plusieurs maillons de sa chaîne, les gains se composent. L'IA ne fait pas que réduire les coûts d'entrée. Elle repousse le plafond de ce qu'une petite équipe peut construire.
Des exemples concrets de réorganisation
L'étude documente des cas de transformation profonde parmi les startups traitées :
- Une startup de services terrain a remplacé cinq rôles humains (dispatcher, comptable, planificateur, communicant, recouvrement) par des modules IA qui s'améliorent à partir du feedback des opérateurs.
- Une fintech avec 2 500 clients a transféré le KYC, le centre d'appels et les entretiens d'embauche à l'IA, augmentant sa base client de 20 % tout en réduisant ses coûts.
- Une startup de santé maternelle a remplacé des sessions d'intake clinique d'une heure par un chatbot WhatsApp qui classe le risque en moins de 8 minutes, rendant le dépistage viable dans des zones où le personnel médical est rare.
- Une plateforme d'appels d'offres a prototypé un pipeline complet (classification, vérification de conformité, tarification prédictive) et est passée de 0 à 40 000 $ de revenus avec 4 clients payants pendant le programme, sans recruter d'équipe technique.
Dans chaque cas, le levier n'était pas un outil spécifique. C'était la capacité à identifier où l'IA pouvait restructurer la chaîne de valeur.
Le profil technique du fondateur ne change rien
On pourrait penser que les fondateurs techniques tirent mieux parti de l'IA. L'étude montre le contraire : aucune différence significative selon le background technique ou le niveau de performance initial de la startup. Le mapping problem est une contrainte cognitive sur la découverte, pas une contrainte technique sur l'exécution.
Des frameworks et des exemples concrets suffisent à élargir le champ de recherche des fondateurs, quel que soit leur profil. C'est un résultat qui tranche avec les études au niveau des tâches individuelles, où les moins performants bénéficient le plus de l'IA (Noy et Zhang, 2023 ; Brynjolfsson et al., 2023).
Ce que ça implique pour les entreprises établies
L'étude porte sur des startups early-stage, là où l'inertie organisationnelle est minimale. Les chercheurs le reconnaissent : si le mapping problem est déjà un frein pour des équipes de 4 personnes, il est probablement pire dans des organisations avec des hiérarchies profondes, des processus figés et une autorité décisionnelle distribuée.
La conversation actuelle sur l'adoption de l'IA se concentre sur l'accès : subventionner des outils, distribuer des crédits API, former les équipes. Cette étude suggère que l'accès seul ne suffit pas. Le groupe contrôle avait exactement les mêmes outils, les mêmes crédits, la même formation technique. Il a réalisé beaucoup moins de valeur.
Ce qui a fait la différence, c'est l'information sur comment explorer la réorganisation de la production : où déployer l'IA, comment les activités complémentaires doivent changer, à quoi ressemble concrètement une production réorganisée.
Le mapping problem va empirer
Les chercheurs pointent un paradoxe qui mérite réflexion. À mesure que les modèles deviennent plus capables, l'espace des applications possibles s'élargit. Le mapping problem ne se résout pas avec le progrès technologique. Il s'aggrave.
Une entreprise qui a trouvé où déployer l'IA d'aujourd'hui devra recommencer l'exercice quand les modèles de l'année prochaine pourront faire davantage. La découverte stratégique n'est pas un projet ponctuel. C'est un processus continu d'exploration et de réorganisation.
Pour les structures qui accompagnent des entreprises dans leur transformation, c'est un signal clair. L'audit des processus, l'identification des goulots d'étranglement et la conception de solutions d'automatisation ciblées ne sont pas des prestations ponctuelles. Ce sont des compétences qui deviennent plus précieuses à chaque saut de capacité des modèles.
Savoir utiliser l'IA ne suffit pas. Il faut savoir où la mettre.
Cette étude apporte une preuve causale rare dans le débat sur l'impact de l'IA en entreprise. Le goulot d'étranglement n'est pas la technologie. C'est la capacité managériale à découvrir où la technologie crée de la valeur dans un processus de production donné.
Les entreprises qui traitent l'IA comme un outil à saupoudrer sur leurs processus existants passent à côté de l'essentiel. Celles qui repensent leur chaîne de production autour de l'IA produisent plus, avec moins de ressources, et repoussent les limites de ce qu'elles peuvent construire.
Le vrai travail n'est pas d'apprendre à utiliser ChatGPT. C'est de regarder chaque maillon de sa chaîne de valeur et de se demander : est-ce que ce maillon a encore une raison d'exister sous cette forme ?
