La courbe en J de la productivité IA: pourquoi les entreprises marocaines mesurent mal le retour sur investissement de l'automatisation

1. La question de ROI qui tue les projets d'automatisation marocains

C'est une scène familière dans de nombreux conseils d'administration à Casablanca ou à Rabat. Un directeur de la transformation digitale présente un projet ambitieux d'automatisation des processus. Le projet promet de réduire les tâches répétitives, d'accélérer le traitement des données et d'améliorer la satisfaction client. Mais inévitablement, le directeur financier pose la question fatidique: « Quel sera le retour sur investissement (ROI) d'ici la fin de l'exercice fiscal? »

Cette exigence de rentabilité immédiate est compréhensible. Les entreprises marocaines opèrent souvent avec des budgets contraints et des exigences de remboursement bancaire strictes sur 12 à 24 mois. Cependant, appliquer ce modèle d'évaluation standard aux investissements en intelligence artificielle et en automatisation conduit presque toujours à l'abandon de projets prometteurs. Les dirigeants exigent des preuves tangibles de succès dans les 12 premiers mois, et lorsqu'elles ne se matérialisent pas, le financement est coupé.

Ce que ces comités de direction ignorent, c'est que la trajectoire de la productivité technologique n'est pas linéaire. Elle suit ce que les économistes appellent la « courbe en J ». L'investissement initial crée une perturbation opérationnelle qui fait temporairement chuter la productivité mesurée, avant de générer des rendements exponentiels à moyen terme. En mesurant l'automatisation avec un chronomètre annuel, les entreprises marocaines se privent structurellement des gains de productivité les plus importants.

2. Ce que la Banque mondiale et l'OCDE disent de la productivité de l'IA en 2026

Pour comprendre l'ampleur du malentendu, il faut se tourner vers les données macroéconomiques mondiales. L'intelligence artificielle n'est plus une technologie expérimentale. L'adoption de l'IA par les entreprises des pays de l'OCDE a atteint 20,2 % en 2025, contre 14,2 % en 2024 et 8,7 % en 2023, faisant plus que doubler en deux ans (OCDE, 2026a). C'est une accélération technologique sans précédent.

Pourtant, malgré cet engouement massif, la productivité globale mesurée peine à décoller dans les statistiques officielles. C'est le fameux « paradoxe de la productivité ». Comment une technologie si puissante peut-elle être adoptée si rapidement sans générer un boom économique immédiat? Les analyses de la Banque mondiale suggèrent que les économies en développement sont particulièrement confrontées à ce paradoxe, où l'adoption s'accélère mais la productivité reste stable à court terme, un comportement parfaitement cohérent avec l'hypothèse de la courbe en J (World Bank, 2026).

De plus, les entreprises elles-mêmes ressentent ces frictions. Les données au niveau des entreprises montrent que les dirigeants s'attendent à ce que l'IA réduise l'emploi de 1,3 % sur les trois prochaines années (en cumulé), un chiffre similaire aux attentes du début de 2026, ce qui reflète les défis initiaux de réorganisation et d'adaptation des compétences (World Bank, 2026b). Cependant, les gains à long terme sont réels: dans le scénario central, les gains de productivité induits par l'IA varient considérablement d'un pays à l'autre et devraient augmenter la croissance du revenu réel par habitant de 0,1 à 0,95 point de pourcentage (OCDE, 2026c).

3. La courbe en J de la productivité expliquée

La courbe en J de la productivité décrit la manière dont les technologies à usage général comme l'IA dépriment initialement la productivité mesurée alors que les organisations investissent dans des actifs immatériels complémentaires, refonte des processus, reconversion des travailleurs, restructuration organisationnelle, avant de générer des rendements accélérés (Brynjolfsson, Rock and Syverson, 2021, pp. 333–337).

Contrairement à l'achat d'un nouveau serveur qui fonctionne immédiatement, l'intégration de l'IA nécessite une transformation profonde. Pendant la phase initiale, les entreprises dépensent du capital financier et du temps humain sans voir de production supplémentaire. Les employés doivent apprendre de nouveaux outils, les processus doivent être réécrits et les anciennes méthodes sont maintenues en parallèle par sécurité. Mathématiquement, la productivité (output divisé par input) chute.

Ce qui rend l'IA unique, c'est sa capacité d'autonomie et d'auto-amélioration, qui pourrait accélérer l'innovation et potentiellement raviver la croissance atone de la productivité (Filippucci et al., 2024, p. 7). Une fois la phase d'adaptation passée, les systèmes apprennent, les employés s'appuient sur l'IA pour des tâches de plus en plus complexes, et la courbe s'envole vers le haut.

4. Pourquoi le modèle standard de ROI sur 12 mois échoue pour l'automatisation

Le problème fondamental réside dans nos méthodes comptables et financières. L'évaluation standard des investissements au Maroc, et ailleurs, repose sur des cycles de budgétisation annuels. Les directions financières exigent des prévisions de flux de trésorerie positifs à court terme. Or, l'analyse théorique montre que la mesure traditionnelle de la productivité omet l'accumulation de capital immatériel pendant la période d'investissement (Brynjolfsson, Rock and Syverson, 2021, pp. 340–345).

Si un directeur financier marocain évalue le projet d'automatisation IA Maroc au mois 12, il se trouve exactement au creux de la courbe en J. Les coûts de formation, d'intégration de logiciels (comme n8n Maroc) et de refonte des processus sont à leur maximum, tandis que les gains d'efficacité commencent à peine à se matérialiser. En appliquant un taux d'actualisation standard à ce flux tronqué, le projet apparaît comme un échec financier retentissant.

Ce biais temporel est dévastateur. Il pénalise systématiquement les projets de transformation digitale Maroc les plus structurants, au profit de petites optimisations marginales qui rapportent peu, mais rapidement. Pour réussir, les entreprises marocaines doivent allonger leur horizon de mesure.

5. Ce que les entreprises marocaines peuvent apprendre des données mondiales d'adoption

Bien que le Haut-Commissariat au Plan (HCP) marocain collecte d'excellentes données sur la conjoncture économique, il n'existe pas encore de statistiques nationales spécifiques sur l'impact de l'IA sur la productivité des entreprises marocaines. Face à ce manque, nous devons utiliser les données mondiales comme proxy et procéder à des inférences éditoriales pour guider l'action stratégique.

Les données de la Banque mondiale sur les entreprises (World Bank, 2026b) indiquent que dans les économies émergentes, les attentes en matière de productivité suivent la logique de la courbe en J, avec des réductions d'effectifs anticipées (1,3% sur trois ans) liées à la restructuration plutôt qu'à des gains d'output massifs immédiats. Parallèlement, la dispersion des gains de productivité selon les pays (0,1–0,95 point de pourcentage) démontre que les économies qui investissent massivement dans les compétences et la réorganisation capteront l'essentiel de la valeur (OCDE, 2026c).

Sur la base de ces schémas internationaux (OCDE, 2026a), on peut estimer que les entreprises marocaines qui abordent l'IA non pas comme un simple logiciel, mais comme un investissement en capital organisationnel, traverseront le creux de la courbe en J plus rapidement et en récolteront les fruits de manière disproportionnée.

5.1 Les données disponibles, et celles dont le Maroc a encore besoin

Il est important de reconnaître avec transparence nos limites analytiques. L'absence de données marocaines spécifiques est un défi. Le programme de transformation numérique du HCP (HCP, 2026) construit l'infrastructure de données pour l'avenir, mais pour l'instant, les dirigeants naviguent à vue. Selon les cadres de l'OCDE (2025), une mesure précise nécessite des enquêtes nationales rigoureuses sur l'adoption des technologies et les investissements immatériels au niveau des entreprises. Les dirigeants marocains doivent plaider pour la création de ces indicateurs nationales pour affiner leurs stratégies de compétitivité.

6. Les modèles de courbe en J par secteur pertinents pour le Maroc

Tous les secteurs ne traversent pas la courbe en J à la même vitesse ni avec la même intensité. L'analyse sectorielle (OECD, 2026c) et l'exposition des tâches à l'IA (Filippucci et al., 2024, pp. 25–35) montrent des dynamiques très contrastées.

Dans le contexte marocain, estimons l'impact sectoriel sur la base des tendances mondiales (World Bank, 2026). Le secteur des services financiers (Casablanca Finance City) et des assurances est hautement exposé aux technologies cognitives. Leur courbe en J sera profonde car les processus réglementaires et de conformité exigent une refonte totale avant de libérer l'automatisation. En revanche, le Tourisme Maroc pourrait connaître une courbe plus plate et plus courte pour des applications simples (service client automatisé), mais une courbe complexe pour l'hyper-personnalisation tarifaire.

L'agriculture exportatrice, pilier de l'économie marocaine, pourrait connaître la courbe en J la plus longue, car l'intégration de l'IA avec les données agronomiques et météorologiques sur le terrain nécessite des investissements physiques et de formation massifs.

7. Un cadre de mesure pratique pour les projets d'automatisation marocains

Puisque le modèle sur 12 mois est défectueux, par quoi le remplacer? CoreMedia préconise un cadre de mesure en trois phases, adapté des recommandations de mesure de l'OCDE (Filippucci et al., 2024, pp. 40–45) et de l'observation selon laquelle 79 % des entreprises utilisent déjà des agents IA selon certaines études (PwC, 2025, tel que rapporté par Ekfrazo, 2026).

Ce cadre permet aux dirigeants marocains de piloter la transformation digitale Maroc tout en rassurant leurs comités financiers, en alignant les indicateurs sur la réalité temporelle du déploiement technologique.

7.1 Phase 1, Investissement et mise en place (Mois 0–6)

Durant cette phase de perturbation opérationnelle, n'essayez pas de mesurer le ROI financier. Suivez plutôt les métriques d'adoption et de qualité de mise en œuvre. Mesurez le pourcentage de processus cartographiés, le nombre d'employés formés, et l'intégrité de l'infrastructure de données mise en place. C'est l'investissement immatériel invisible.

7.2 Phase 2, Adaptation des processus (Mois 6–18)

C'est ici que la plupart des entreprises marocaines abandonnent. Pour justifier la poursuite du projet, suivez les indicateurs avancés (leading indicators): réduction des taux d'erreur, diminution du temps de cycle pour des tâches spécifiques (comme le traitement des factures), et augmentation de la satisfaction des employés. Ces métriques prouvent que le système fonctionne, avant même que les économies financières nettes ne soient consolidées.

7.3 Phase 3, Accélération de la productivité (Mois 18–36)

La courbe en J s'inverse enfin. C'est le moment d'appliquer les mesures financières classiques: augmentation du chiffre d'affaires par employé, réduction globale des coûts opérationnels et augmentation de la marge nette. C'est la phase de rendement de l'automatisation IA Maroc.

8. Le coût d'une mauvaise mesure, ce que les entreprises marocaines risquent de perdre

Pourquoi est-il vital d'adopter ce nouveau cadre de mesure? Parce que l'erreur d'évaluation stratégique coûte cher. Les modèles de l'OCDE (2026c) prévoient une augmentation significative des revenus grâce à l'IA. Si vous arrêtez un projet au mois 12 parce qu'il n'est pas rentable, vous laissez la totalité des gains de la Phase 3 à vos concurrents.

Les rapports sectoriels suggèrent que les professionnels utilisant des outils de productivité IA économisent environ une journée de travail par semaine (Stellium Consulting, 2026, rapportant une recherche de la LSE, bien que l'étude originale n'ait pas été vérifiée indépendamment pour cet article). Cette efficacité composée crée un fossé de productivité infranchissable (World Bank, 2026). Une PME marocaine qui navigue avec succès la courbe en J acquiert une agilité et une structure de coûts qui lui permettent de supplanter ses rivaux à vue courte, créant un avantage concurrentiel décisif (PwC, 2025).

9. Risques, gouvernance et limites de la courbe en J

Il est crucial de faire preuve d'honnêteté intellectuelle: tous les échecs ne sont pas de simples « creux de courbe en J ». Parfois, la technologie est inadéquate ou la gestion du changement est désastreuse. Brynjolfsson, Rock et Syverson (2021, pp. 360–365) soulignent que si les investissements complémentaires sont mal dirigés, la productivité ne se redressera jamais.

La gouvernance est essentielle pour éviter l'escalade de l'engagement dans un projet défaillant (Filippucci et al., 2024, pp. 55–60). Les dirigeants doivent distinguer une baisse de productivité due à un apprentissage actif (sain) d'une baisse due à un rejet du système par les employés (fatal). Si les indicateurs avancés de la Phase 2 ne s'améliorent pas après 12 mois, ce n'est pas un effet de courbe en J, c'est un échec d'exécution qui nécessite une intervention urgente de votre agence IA Maroc.

10. Conclusion, Une conversation que chaque conseil d'administration marocain doit avoir

Le message pour les décideurs marocains est clair: la mesure de la productivité technologique exige de la patience stratégique et de la rigueur analytique. Évaluer l'automatisation de l'IA avec un thermomètre financier sur 12 mois garantit de sous-estimer massivement les rendements et de décourager l'innovation vitale.

Dès votre prochain cycle budgétaire ou réunion du conseil d'administration, changez les paramètres de la discussion. N'acceptez plus d'évaluer la transformation numérique sans budgéter les investissements intangibles et sans étendre l'horizon de mesure à 36 mois. CoreMedia est votre partenaire stratégique pour concevoir ces feuilles de route de mesure et vous guider à travers la complexité de la courbe en J.

Références

• Brynjolfsson, E., Rock, D. and Syverson, C. (2021) 'The Productivity J-Curve: How Intangibles Complement General Purpose Technologies', American Economic Journal: Macroeconomics, 13(1), pp. 333–372. DOI: Ouvrir le DOI ↗
• Filippucci, F. et al. (2024) The impact of Artificial Intelligence on productivity, distribution and growth. OECD Publishing. URL: Voir la source ↗
• HCP (2026) Programme de transformation digitale. Haut-Commissariat au Plan. URL: Voir la source ↗
• OECD (2025) The Adoption of Artificial Intelligence in Firms. OECD Publishing, 2 May. URL: Voir la source ↗
• OECD (2026a) 'AI use by individuals surges across the OECD as adoption by firms continues to expand', OECD Newsroom, 28 January. URL: Voir la source ↗
• OECD (2026c) AI meets trade: Global linkages and the cross-country distribution of AI-driven productivity gains. OECD Publishing, 18 March. URL: Voir la source ↗
• PwC (2025) '2026 AI Business Predictions', PwC Tech Effect, 26 November. Tel que rapporté par Ekfrazo (2026). URL: Voir la source ↗
• Stellium Consulting (2026) 'AI Productivity Guide: Unlock Success in 2026', 9 February. URL: Voir la source ↗
• World Bank (2026) 'Making AI work: From promise to practice', World Bank Digital Development Blog, 2 June. URL: Voir la source ↗
• World Bank (2026b) 'Firm Data on AI', slides de présentation par I. Yotzov, juillet. URL: Voir la source ↗