L’IA à l’épreuve des débouchés

Une entreprise peut automatiser une partie de son activité, produire davantage et améliorer ses marges. L’économie qui l’entoure doit encore trouver un usage rémunérateur à cette production supplémentaire. Entre le succès d’une installation et le financement de la génération suivante se glisse une question que les démonstrations techniques règlent rarement : qui bénéficie du progrès, qui paie pour l’utiliser, et combien de temps ce paiement récompense-t-il son inventeur ?

Un document de travail de Phurichai Rungcharoenkitkul, publié le 12 octobre 2026 par la Banque des règlements internationaux, examine cette articulation. Dans son cadre central, le coût d’une nouvelle avancée suit la taille de l’économie, tandis que les rentes d’innovation, les revenus tirés d’une avance technique au-delà des coûts courants de production, proviennent des biens consommés. Une réorientation de la production vers l’investissement peut alors réduire la base qui rémunère la recherche. La durée de ces rentes et les marchés sur lesquels elles sont perçues deviennent décisifs. L’auteur présente une simulation conditionnelle, avec des variantes, sous sa propre responsabilité. ^[S01]

L’intérêt de cette piste dépasse le débat sur les emplois remplacés. Elle permet de poser un problème de rendement : une technologie utile peut se diffuser tout en laissant trop peu de revenus à ceux qui doivent financer sa prochaine avancée. À l’inverse, une industrie très rentable peut distribuer ses gains d’une manière qui bénéficie peu aux salariés. Pour apprécier ces deux risques, il faut suivre la dépense jusqu’à son usage final, puis remonter vers les droits de propriété et les coûts de recherche.

Les machines ont aussi des clients

L’expression « manque de demande » peut prêter à confusion. Construire un centre de données, acheter des équipements ou développer un logiciel constitue une activité économique. Dans les comptes nationaux, l’investissement fait partie de la demande finale. Les paiements d’un acheteur professionnel alimentent les revenus des fournisseurs et des travailleurs. ^[S15]

La question pertinente porte sur la destination de cette dépense et la possibilité de conserver un bénéfice au-delà du coût de production. Un équipement peut être très demandé tout en étant vendu sur un marché concurrentiel aux marges étroites. Un logiciel moins coûteux à reproduire peut, grâce à une licence ou à un savoir-faire difficile à remplacer, rémunérer durablement son concepteur. L’utilité économique, le chiffre d’affaires et la rente d’innovation mesurent trois choses différentes.

Prenons une chaîne hypothétique. Un laboratoire vend un outil à un fabricant, lequel s’en sert pour produire des appareils achetés par les ménages. L’acheteur direct de l’IA est industriel ; les recettes ultimes proviennent pourtant de consommateurs. Dans une autre chaîne, l’outil sert à fabriquer des équipements destinés à produire d’autres équipements. Cette demande d’investissement peut soutenir longtemps l’activité. Sa viabilité dépend alors des usages futurs, des gains de coût et de l’éventuelle baisse du prix des machines.

Les tableaux entrées-sorties permettent précisément de distinguer ventes intermédiaires, valeur ajoutée et emplois finals. Additionner les factures émises à tous les étages gonflerait artificiellement la taille du débouché. Une enquête sur les revenus de l’IA devrait suivre les usages sans compter plusieurs fois la même dépense. ^[S16]

Méthode et périmètre

Schéma conceptuel, flèches sans échelle monétaire. Cadre central : rentes sur les biens consommés et investissement concurrentiel ; variante : rentes aussi sur les biens d’investissement, annexe A.3. Les définitions BEA distinguent demande finale, ventes intermédiaires et valeur ajoutée. L’investissement entre lui-même dans la demande finale.

La présence de grands clients professionnels établit un marché. Pour apprécier la robustesse de ses revenus, il faut savoir si ces clients achètent pour servir une demande extérieure rentable, réduire un coût existant ou préparer des capacités dont l’utilisation reste incertaine. Ces catégories peuvent coexister dans une même entreprise. Notre analyse du commerce mondial entraîné par les commandes d’IA suit cette difficulté jusque dans les chaînes de fournisseurs et les statistiques commerciales.

Une part plus petite peut représenter davantage d’achats

Le passage d’une proportion à un montant est décisif. Une consommation qui augmente moins vite que la production voit sa part diminuer. Elle peut néanmoins continuer de croître en volume. Présenter une baisse du ratio consommation/production comme une disparition automatique des clients ferait perdre le mécanisme économique au profit d’un raccourci alarmiste.

Dans l’exemple fictif ci-dessous, une économie produit initialement 100 unités, dont 70 sont consommées. La part de consommation descend ensuite à 60 %. Avec une production de 110, les achats représentent 66 unités : ils diminuent. Avec une production de 140, ils atteignent 84 unités : ils augmentent de 20 %. Les prix sont supposés constants ; les deux variantes sont indépendantes et n’ont aucune valeur prédictive.

Méthode et périmètre

Consommation = production × part consommée. Départ : 100 × 0,70 = 70. Variantes indépendantes : 110 × 0,60 = 66 ; 140 × 0,60 = 84, soit +20 % relativement à 70. Seuil de maintien : 70 / 0,60 = 116,666… de production, soit +16,666… %. Unités fictives, prix constants, aucune durée de réalisation fixée.

Pour conserver les 70 unités de consommation initiales avec une part de 60 %, il faudrait produire environ 116,7 unités, soit une hausse de 16,7 %. Ce calcul rend visible la croissance nécessaire pour préserver le montant consommé. La durée de cette expansion et sa répartition entre ménages demanderaient des informations supplémentaires.

La rentabilité de la recherche ajoute une autre comparaison. Même lorsque les ventes progressent, les moyens nécessaires à une nouvelle découverte peuvent augmenter plus vite. Une équipe finance des essais, du calcul, des données, des ingénieurs et la vérification des résultats. Une hausse du marché devient moins encourageante si la dépense indispensable pour rester dans la course s’accroît davantage. Le signal à surveiller est donc le rendement d’une découverte supplémentaire, et pas seulement la hausse des recettes totales.

Le rôle des débouchés dans l’innovation possède des antécédents empiriques : Acemoglu et Linn l’ont étudié dans l’industrie pharmaceutique à partir de variations démographiques de la demande potentielle. Cette observation soutient l’intérêt de la question. Son application à l’IA exige toutefois de réexaminer la concurrence, la propriété intellectuelle et la commercialisation propres au secteur ; les élasticités pharmaceutiques gardent leur périmètre d’origine. ^[S10]

Le temps pendant lequel une avance rapporte

Une découverte se finance sur des revenus futurs. Une entreprise qui espère en conserver les bénéfices pendant plusieurs années peut engager davantage qu’une concurrente dont l’avantage sera rapidement copié, dépassé ou banalisé. La durée de l’avance compte autant que le montant des premières ventes.

Les travaux de Wendy Li et Bronwyn Hall sur la dépréciation du capital de recherche donnent un cadre à cette idée : ils cherchent à mesurer l’érosion économique des rendements de la R&D. Leurs données sont historiques et multisectorielles. Elles portent sur les profits associés à la recherche, avec des hypothèses d’estimation propres à ces industries. La durée matérielle d’un GPU et celle des rentes d’un modèle d’IA actuel demanderaient chacune d’autres données. ^[S09]

Notre illustration isole cet effet dans un projet entièrement fictif, exprimé en unités réelles. Il coûte 60 unités au départ et procure un flux initial de rente de 20 unités par an. Ce flux s’érode progressivement ; tous les cas utilisent le même taux d’actualisation, fixé à 5 %. Selon la rapidité de l’érosion, la valeur présente des revenus futurs dépasse largement le coût de recherche, le dépasse de peu, ou devient insuffisante. La note de méthode donne la formule en temps continu et les paramètres pédagogiques choisis par l0g.

Méthode et périmètre

Temps continu, unités réelles fictives. Flux initial π₀ = 20/an, coût initial K = 60, taux d’actualisation r = 0,05/an, érosion d = 0,10 ; 0,25 ; 0,40/an. Le flux actualisé est 20 exp[−(r+d)t]. Sa valeur présente sur un horizon infini est 20/(r+d) : 133,3 ; 66,7 ; 44,4 unités ; VAN après coût : +73,3 ; +6,7 ; −15,6. Les courbes montrent seulement les quinze premières années. Paramètres choisis par l0g ; le papier historique de Li et Hall éclaire le concept d’érosion, sans calibrer ces exemples.

La concurrence peut faire baisser les prix et diffuser les gains de productivité parmi les utilisateurs. Elle peut aussi raccourcir la période pendant laquelle le développeur récupère ses dépenses. Une rente plus durable soutient potentiellement la recherche tout en protégeant les acteurs établis contre de nouveaux entrants. Évaluer cette tension demande donc de regarder ensemble l’incitation à innover et les conditions d’entrée sur le marché.

Il faut également examiner la dépense de recherche elle-même. Des outils qui rendent les expériences moins coûteuses, détectent plus tôt les impasses ou facilitent la validation peuvent améliorer le rendement du projet sans augmenter le prix facturé au client. L’expansion du marché et la baisse du coût d’invention constituent deux réponses possibles à la même contrainte financière.

L’hypothèse qui peut changer le résultat

Le cadre central du papier de la BRI réserve les rentes aux biens consommés, tandis que les biens d’investissement sont produits de façon concurrentielle. L’auteur examine aussi une extension des rentes aux dépenses des entreprises et, séparément, l’automatisation de la recherche. Dans cette dernière extension, des économies limitées peuvent prolonger l’automatisation avant son arrêt ; des gains suffisamment forts et persistants peuvent entretenir le progrès. Ces variantes font partie du papier et précisent les conditions du blocage. ^[S01]

La portée économique de cette réserve est considérable. Une couche logicielle ou une technologie de fabrication peut-elle conserver un pouvoir de marché lorsque ses clients investissent massivement ? Les entreprises utilisatrices peuvent-elles internaliser l’outil ou changer de fournisseur ? Les nouveaux entrants disposent-ils des données et des moyens de calcul nécessaires pour concurrencer l’acteur installé ? Ces questions orientent l’enquête vers les contrats, les coûts de changement et la concurrence plutôt que vers le seul nombre de tâches automatisables.

Les travaux récents diffèrent justement par leurs choix de modélisation. Le papier de Korinek et de ses coauteurs publié en septembre 2026 par l’Anthropic Institute explore des trajectoires de capacités entre 2026 et 2030. Ses scénarios reflètent les hypothèses de ce document issu d’un institut d’entreprise. L’approche d’Acemoglu part davantage des tâches exposées et des économies réalisables. Le traitement de la recherche elle-même sépare ces exercices avant même la comparaison de leurs chiffres. ^{[S02] [S03]}

Jones et Tonetti insistent, dans leur version de mai 2026, sur un autre frein : les tâches complémentaires qui progressent lentement peuvent limiter les gains de l’ensemble. Un outil très rapide ne suffit pas à accélérer une activité dont une étape indispensable reste lente. Ce canal d’offre peut se combiner avec une contrainte de rentabilité, sans lui être équivalent. ^[S04]

La figure suivante conserve donc quatre scénarios du même papier, au même horizon. Elle évite un classement spectaculaire entre modèles dont les calendriers, les références et les variables diffèrent.

Méthode et périmètre

Source : BRI WP 1381, tableau 2, page imprimée 33, page PDF 35. Horizon : vingt ans après activation, sans année civile ni probabilité. Croissance annuelle : 2,5 ; 2,3 ; 3,9 ; 5,5 %. Écarts de salaire à la trajectoire sans IA : +7,4 ; −14,5 ; −43,9 ; −54,2 %. La comparaison salariale utilise cette trajectoire contrefactuelle. La croissance à vingt ans diffère de la tendance finale du modèle. La part de 19,8 % mentionnée dans le tableau original porte sur les tâches, avec un périmètre distinct de la part salariale du revenu.

Le salaire est comparé à une trajectoire sans IA : un écart négatif indique un retard sur ce scénario de référence, même si le salaire peut progresser par rapport à son niveau initial. La croissance de la production à vingt ans décrit un rythme calculé le long de la simulation ; la tendance finale correspond à son état de long terme. Chaque valeur conserve l’horizon et les hypothèses du modèle. ^[S01]

Leur intérêt est de rendre visible une dissociation possible entre production et revenus du travail. Le modèle de Moll, Rachel et Restrepo développe cette dimension distributive de l’automatisation en reliant salaires et rendements du patrimoine. ^[S12] Notre enquête sur l’IA, les salaires et le pouvoir de changer d’emploi examine les observations de terrain et les mécanismes de négociation. Cette approche complète les trajectoires théoriques présentées ici.

Les mesures qui résistent au passage à l’échelle

Un gain constaté dans une tâche constitue une observation utile. Son extrapolation exige de connaître la place de cette tâche dans l’activité, le contrôle de qualité nécessaire et les ressources complémentaires mobilisées. Le résultat agrégé dépend également de l’adoption effective et de la possibilité de vendre ou d’utiliser le temps ainsi libéré.

L’étude de Brynjolfsson, Li et Raymond publiée en 2025 suit 5 172 agents de support dans une entreprise et rapporte en moyenne 15 % de problèmes supplémentaires résolus par heure, avec des effets hétérogènes selon les travailleurs. L’assistant repose sur GPT-3 ; l’essentiel du déploiement étudié se situe à l’automne 2020 et à l’hiver 2021. Le résultat renseigne donc un métier, un outil et une organisation précis. Son extrapolation à la masse salariale d’une économie demanderait une enquête beaucoup plus large. ^[S05]

METR a, pour sa part, étudié 16 développeurs expérimentés sur 246 tâches réelles entre février et juin 2025. Avec les outils alors disponibles, l’accès à l’IA allongeait en moyenne le temps de réalisation de 19 %. L’indicateur est une durée, tandis que l’étude du support mesure une production horaire. Leurs pourcentages utilisent donc des dénominateurs différents. ^[S06]

L’actualisation de février 2026 est essentielle. METR explique que sa nouvelle collecte souffre notamment de refus de travailler sans IA, d’une sélection des tâches et de difficultés à chronométrer le travail parallèle. Les chercheurs pensent que les outils sont devenus plus utiles, tout en jugeant la nouvelle estimation peu fiable. L’essai initial gagne ainsi à être lu avec les limites du suivi. ^[S07]

Méthode et périmètre

Support : étude publiée dans QJE en 2025, 5 172 agents, assistant GPT-3, déploiement surtout automne 2020/hiver 2021, +15 % de problèmes résolus par heure en moyenne. Développeurs : essai METR randomisé au niveau des 246 tâches, 16 participants expérimentés, février–juin 2025, +19 % de temps. Suivi débuté en août 2025, publié le 24 février 2026 : participation, choix des tâches et travail parallèle limitent l’estimation actuelle. Les deux résultats gardent leurs unités, populations et protocoles respectifs.

Dans une autre enquête, publiée le 11 mai 2026, METR recueille les gains perçus par 349 travailleurs techniques interrogés entre février et avril. Ces déclarations portent sur la valeur et la vitesse du travail. Leur échantillon de convenance et l’évaluation personnelle d’un scénario sans IA leur donnent une portée descriptive, distincte de celle d’un effet causal mesuré expérimentalement. ^[S17]

Un autre piège consiste à conclure trop tôt à l’échec quand les dépenses précèdent les gains mesurés. Les travaux sur la « courbe en J » de la productivité soulignent le rôle des investissements complémentaires en organisation, formation et actifs immatériels. Leur coût peut apparaître avant leurs bénéfices. Ce délai offre une explication alternative à une rentabilité initiale décevante. La réalisation ultérieure des gains demeure le test décisif. ^[S11]

La question la plus décisive pour une accélération durable concerne peut-être la recherche elle-même. Une proposition publiée par METR le 14 octobre 2026 décrit comment évaluer son accélération et distinguer le rôle de l’IA de celui du calcul, des données et des moyens humains. Ce programme de mesure vise précisément à établir la contribution de l’automatisation et les conditions d’une éventuelle boucle de progrès. ^[S08]

Le test économique à en tirer serait exigeant : combien de progrès vérifiés obtient-on pour une quantité donnée de ressources réelles ? Écrire plus vite du code d’expérience ne suffit pas si la validation devient plus longue, si les essais échoués se multiplient ou si leur consommation de calcul augmente davantage. Inversement, des résultats robustes obtenus avec moins de ressources affaibliraient l’hypothèse d’un coût d’innovation condamné à suivre l’expansion de l’économie.

Taux, revenus futurs et valeur des actifs

Cette discussion finit par atteindre les prix financiers. Si les perspectives de rendement de nouveaux projets deviennent moins favorables, les décisions d’investissement et les conditions d’équilibre entre épargne et dépense peuvent changer. Un document de travail du FMI publié en octobre 2025 examine ainsi comment les caractéristiques du capital numérique et sa relation au travail influencent le taux naturel. Les résultats dépendent des hypothèses de production. ^[S13]

Le taux naturel réel, ou r*, désigne un taux d’intérêt réel de court terme compatible avec une économie fonctionnant durablement à son potentiel et une inflation stable. Il est estimé à partir de modèles. Le rendement exigé pour détenir une action comprend d’autres éléments, dont le risque ; chaque grandeur répond à une question différente. ^[S14]

L’exemple de valorisation ci-dessous rend l’ambiguïté concrète. Un actif fictif verse 100 unités réelles l’an prochain, puis ses flux croissent perpétuellement de 3 %. Avec un rendement requis de 8 %, sa valeur est de 2 000 unités. Abaisser ce rendement à 7 %, toutes choses égales par ailleurs, porte la valeur à 2 500. Mais si la croissance des flux descend simultanément à 1 %, elle tombe à environ 1 667.

Méthode et périmètre

Modèle de croissance perpétuelle à taux annuels discrets : P = D₁/(r−g), pour r > g. D₁ = 100 unités réelles à l’année 1. Cas de départ : r = 8 %, g = 3 %, P = 2 000. Puis r = 7 %, g = 3 %, P = 2 500. Enfin r = 7 %, g = 1 %, P = 1 666,7. Écarts successifs : +500 puis −833,3 ; variation totale d’environ −16,7 %. Le rendement requis r de cet actif inclut son risque ; r* désigne un taux naturel réel estimé. Tous les paramètres sont fictifs.

La séquence est un calcul pédagogique fondé sur des paramètres entièrement fictifs. Elle montre pourquoi l’effet favorable d’un financement moins cher peut être dépassé par la révision des revenus futurs. Une hausse de la prime de risque ou des besoins de réinvestissement pourrait encore modifier le résultat. Il faudrait des comptes, des échéanciers et des engagements contractuels propres à chaque entreprise pour passer de ce mécanisme à un diagnostic financier.

La même prudence s’impose sur la redistribution. Redistribuer une partie des revenus du capital peut soutenir certains débouchés ; son effet total dépend du financement, de l’usage des sommes et des réactions d’offre. Le passage du partage des revenus à la consommation agrégée exige donc de préciser ces comportements. Elle peut aussi poursuivre un objectif distributif indépendamment de son effet sur la recherche. ^[S12] Dans le cadre de la BRI, modifier l’identité des consommateurs conserve le blocage si la part totale consommée reste identique. ^[S01]

Le prochain test porte sur le coût de la découverte

L’enquête conduit à séparer des questions souvent empilées. Un outil peut produire une tâche utile. Une entreprise peut en tirer un gain net. L’inventeur peut conserver une rémunération suffisante. L’économie peut transformer ces résultats en hausse durable des revenus. Le passage de l’une à l’autre demande des observations supplémentaires, pas seulement une promesse technique plus ambitieuse.

Pour tester la contrainte de débouchés, les pièces les plus informatives seraient les recettes issues d’usages rentables chez les clients, la durée des marges après l’arrivée de concurrents et le coût complet des avancées validées. Pour tester la réponse optimiste, il faudrait montrer que la baisse du coût d’invention ou l’élargissement des usages compense effectivement l’érosion des rentes. Ces deux enquêtes devraient être menées ensemble.

Au 16 octobre 2026, les travaux examinés proposent des mécanismes conditionnels et des résultats localisés. L’épuisement des débouchés de l’IA à l’échelle de l’économie reste une hypothèse à tester. Le papier de la BRI déplace utilement l’attention vers la capacité du progrès à financer sa propre continuation. La variable décisive pourrait être moins le montant du prochain investissement que le revenu, ou l’économie de ressources, obtenu grâce au précédent.

Sources et méthode

Les exemples chiffrés l0g sont fictifs. Les six notes sous les figures donnent leurs hypothèses, unités et formules ; les cas de consommation et de valorisation se recalculent directement à partir des paramètres affichés. La figure 3 utilise des taux continus et la figure 6 des taux annuels discrets. La figure 4 transcrit le tableau 2 du papier de la BRI, vérifié visuellement, sans réexécution du modèle complet. Les études de terrain concernent des périodes, des outils et des populations distincts. Les notices ci-dessous indiquent les versions, les périodes et les limites pertinentes. Vérification documentaire et arithmétique effectuée le 16 octobre 2026.

1. S01. Transformative AI and demand bottlenecks : Phurichai Rungcharoenkitkul, WP 1381. Document publié le 12 octobre 2026, manuscrit daté du 10 octobre. §§ 2.4–2.5, tableau 2 p. 33 et annexes A.3/C.2. Texte intégral consulté. Simulations conditionnelles attribuées à l’auteur ; modèle complet non réexécuté.
2. S02. The Simple Macroeconomics of AI : Working Paper 32487. WP de mai 2024, puis Economic Policy en 2025. PDF NBER consulté. Cadre d’exposition des tâches et d’économies de coûts sur dix ans ; les effets de niveau de productivité et les taux de croissance annuels ont des unités distinctes.
3. S03. Economic Scenarios for Transformative AI : Korinek, Jones, Sacher, Cotter & McCrory. Anthropic Institute WP 2026-02, septembre 2026, copie des auteurs. Texte intégral consulté. Scénarios 2026–2030 issus d’un institut d’entreprise, avec leurs hypothèses propres.
4. S04. Past Automation and Future A.I.: How Weak Links Tame the Growth Explosion. Version 0.5, mai 2026. Texte intégral consulté. Complémentarités entre tâches et contraintes d’offre ; cadre distinct de la rentabilité privée de la recherche.
5. S05. Generative AI at Work : Brynjolfsson, Li & Raymond. QJE, publication en ligne le 4 février 2025, numéro de mai 2025. Texte intégral consulté, notamment § IV.A et tableau II. 5 172 agents ; GPT-3 déployé surtout automne 2020/hiver 2021 ; gain moyen de 15 % de problèmes résolus par heure, avec hétérogénéité.
6. S06. Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. 10 juillet 2025 ; terrain février–juin 2025. Publication primaire consultée : 16 développeurs expérimentés, 246 tâches, durée +19 %. À lire avec le suivi S07 ; outils, tâches et indicateur propres à l’essai.
7. S07. We are Changing our Developer Productivity Experiment Design. 24 février 2026 ; suivi commencé en août 2025. Publication primaire consultée. Refus de participer, sélection des tâches et chronométrage du travail parallèle limitent l’estimation d’un effet actuel.
8. S08. How an assessor could investigate evidence of acceleration from the automation of AI R&D. 14 octobre 2026. Proposition méthodologique consultée. Programme d’attribution de l’accélération de la recherche à l’IA et aux autres ressources ; question empirique encore ouverte.
9. S09. Depreciation of Business R&D Capital : BEA Working Paper 2016-5. BEA WP 2016-5, 1er août 2016. PDF consulté : Compustat 1989–2008 et données sectorielles BEA/NSF 1987–2007. Dépréciation économique historique de la R&D ; l’exemple l0g emploie ses propres paramètres fictifs.
10. S10. Market Size in Innovation: Theory and Evidence from the Pharmaceutical Industry. NBER WP 10038, octobre 2003 ; QJE, août 2004. Résumé primaire publié consulté. Industrie pharmaceutique et variations démographiques de la demande ; application qualitative uniquement au sujet de l’IA.
11. S11. The Productivity J-Curve: How Intangibles Complement General Purpose Technologies. NBER WP 25148, octobre 2018, révision janvier 2020 ; AEJ Macroeconomics, janvier 2021. Notice et résumé primaires consultés. Investissements immatériels complémentaires et décalage des gains mesurés.
12. S12. Uneven Growth: Automation’s Impact on Income and Wealth Inequality. NBER WP 28440, février 2021 ; Econometrica, novembre 2022. PDF NBER consulté. Modèle de répartition des revenus et du patrimoine, distinct des statistiques contemporaines de licenciements.
13. S13. From Servers to Rates: AI, ICT Capital, and the Natural Rate : WP 2025/224. FMI WP 2025/224, 31 octobre 2025. PDF officiel consulté, notamment pp. 6 et 15. Modèle estimé sur les données américaines de 1980 T1 à 2024 T2 ; réponse du taux naturel conditionnelle aux relations capital-travail.
14. S14. Measuring the Natural Rate of Interest. Page méthodologique consultée le 16 octobre 2026. Définition d’un taux réel de court terme estimé, compatible avec activité soutenable et inflation stable. Aucune estimation numérique contemporaine reprise.
15. S15. Gross Domestic Product (GDP) : Glossary. Définition méthodologique consultée le 16 octobre 2026. L’investissement entre dans la dépense finale. Les exemples l0g sont des économies simplifiées entièrement fictives.
16. S16. What are the Annual I-O Accounts and what do they include?. Notice du 10 mars 2006, consultée le 16 octobre 2026. Usages intermédiaires, demande finale et valeur ajoutée. Aucun tableau sectoriel courant reproduit.
17. S17. Measuring the Self-Reported Impact of Early-2026 AI on Technical Worker Productivity. 11 mai 2026 ; enquête février–avril 2026 auprès de 349 travailleurs techniques. Publication primaire consultée. Échantillon de convenance, valeur et vitesse autoévaluées : portée descriptive, estimation causale distincte.