L'IA et le retour de l'économie

Quand l'IA sait répondre, il faut savoir quoi demander

Pourquoi les économistes deviennent indispensables ?

Les systèmes d'intelligence artificielle résolvent désormais des problèmes mathématiques de haut niveau, y compris des problèmes issus de la physique. À mesure que la capacité de trouver des réponses devient abondante, ce qui se raréfie est la capacité de poser les bonnes questions : lesquelles servent réellement les êtres humains ? Cet article soutient que ce déplacement redonne à la science économique une place centrale, car l'économie est précisément la discipline qui cherche à définir, mesurer et améliorer le bien-être des individus et des sociétés. Nous rappelons comment la microéconomie et la macroéconomie organisent cette quête, pourquoi « améliorer le bien-être » est une notion redoutablement difficile à définir et à modéliser, et quels défis attendent les économistes théoriciens et modélisateurs, appelés à devenir les architectes des questions que l'on posera aux machines.

1. Introduction

Pendant des siècles, la difficulté de la science a été de trouver des réponses. Une conjecture mathématique pouvait résister des décennies, voire des siècles¹ ; un calcul de physique pouvait occuper une équipe entière pendant des années. Le talent rare était celui qui permettait de franchir l'obstacle technique.

Cette situation est en train de changer. En quelques années, les systèmes d'intelligence artificielle (IA) sont passés de la reconnaissance d'images à la résolution de problèmes d'olympiades mathématiques, puis à la découverte de résultats nouveaux en mathématiques et à des contributions à des problèmes ayant des prolongements directs en physique. Si cette trajectoire se poursuit, la capacité de résoudre deviendra progressivement abondante.

Or, en économie, une règle simple veut que lorsqu'une ressource devient abondante, la valeur se déplace vers ce qui reste rare et lui est complémentaire². Qu'est-ce qui restera rare lorsque l'IA saura répondre à presque tout ? Notre thèse est la suivante : la ressource rare sera la capacité de choisir les questions qui comptent pour les êtres humains, et de dire ce que signifie « améliorer leur bien-être ». Ce travail-là est, depuis Adam Smith, au cœur de la science économique.

L'article suit un fil en cinq étapes. Nous décrivons d'abord ce que l'IA sait désormais faire (section 2) et le basculement qui en résulte, du « comment » vers le « quoi » (section 3). Nous rappelons ensuite que l'économie est fondamentalement une science de la décision orientée vers le bien-être, à l'échelle micro et macro (section 4). Nous montrons pourquoi définir et modéliser ce bien-être est si difficile (sections 5 et 6). Nous terminons par le rôle nouveau qui attend les économistes théoriciens et modélisateurs, et par les défis qu'ils devront relever (sections 7 et 8).

2. Une IA qui ne se contente plus de calculer

Des mathématiques…

Les mathématiques sont longtemps apparues comme le bastion de l'intelligence humaine : on peut y vérifier mécaniquement une démonstration, mais en trouver une exige intuition, créativité et persévérance. C'est précisément sur ce terrain que l'IA a progressé de manière spectaculaire.

En 2024, des systèmes de Google DeepMind ont atteint le niveau d'une médaille d'argent aux Olympiades internationales de mathématiques, après une traduction des énoncés en langage formel par des experts. En 2025, un modèle de Google DeepMind a obtenu un score de médaille d'or, officiellement certifié par les organisateurs, et un modèle d'OpenAI le même score, évalué par d'anciens médaillés ; tous deux ont rédigé leurs démonstrations directement en langage naturel³. Au-delà des compétitions, le système AlphaEvolve a amélioré des résultats anciens, par exemple en trouvant une méthode pour multiplier deux matrices 4×4 à coefficients complexes avec 48 multiplications élémentaires au lieu de 49, un record qui tenait depuis l'algorithme de Strassen en 1969 (Novikov et al., 2025)⁴. Des chercheurs rapportent aussi que des modèles de langage les aident à résoudre des problèmes ouverts ; certaines annonces se sont toutefois révélées exagérées, le résultat « nouveau » figurant déjà dans la littérature.

… à la physique

Le mouvement ne s'arrête pas aux mathématiques pures. Beaucoup de problèmes mathématiques sont en réalité des questions de physique déguisées. Les équations de Navier–Stokes, qui décrivent l'écoulement des fluides (l'air autour d'une aile d'avion, le sang dans les artères, les courants océaniques), en sont l'exemple le plus célèbre : on ignorait jusqu'ici si, en trois dimensions, leurs solutions restent toujours « régulières » ou si elles peuvent « exploser » en un temps fini. Ce problème figure parmi les sept « problèmes du millénaire » de l'Institut Clay⁵.

L'IA s'en est rapprochée en deux temps. En 2025, une équipe associant Google DeepMind et des mathématiciens a découvert, à l'aide de réseaux de neurones, de nouvelles familles de solutions « singulières » instables dans des équations voisines de mécanique des fluides (Wang et al., 2025). Puis, en septembre 2026, OpenAI a annoncé qu'un de ses modèles avait démontré, pour Navier–Stokes en trois dimensions soumises à une force extérieure régulière, l'existence de solutions qui explosent en temps fini, avec une preuve vérifiée selon l'entreprise par un logiciel de vérification formelle. Au moment où nous écrivons, ce résultat reste en cours d'examen par la communauté mathématique, n'a pas été validé par l'Institut Clay, et fait l'objet de débats sur sa portée (le cas sans force extérieure reste ouvert) comme sur la priorité scientifique. Quelle qu'en soit l'issue, le simple fait qu'une telle annonce soit crédible aurait paru impensable il y a cinq ans.

Dans le même esprit, AlphaFold a permis de prédire la structure tridimensionnelle de plus de deux cents millions de protéines (Jumper et al., 2021), un travail récompensé par le prix Nobel de chimie 2024. Ici, l'IA ne « joue » plus : elle produit des connaissances qui ont des conséquences concrètes pour la médecine et la biologie.

Ce que cela signifie

Il ne faut ni exagérer ni minimiser ces progrès. L'IA commet encore des erreurs, certaines annonces sont prématurées, et la plupart des grandes avancées résultent d'une collaboration entre machines et chercheurs humains. Mais la tendance est nette : le coût de la résolution baisse. Des travaux qui demandaient hier des années peuvent aujourd'hui être menés en quelques semaines, et peut-être demain en quelques heures de calcul.

3. Du « comment » au « quoi » : le déplacement de la rareté

Résoudre ne suffit pas

Une grande partie de la recherche fondamentale est motivée par la curiosité. C'est légitime et souvent fécond : la théorie des nombres, dont le mathématicien G. H. Hardy se félicitait en 1940 qu'elle n'ait aucune application, est aujourd'hui au cœur de la cryptographie qui protège nos paiements en ligne. Mais lorsque la capacité de résoudre devient massive, une question nouvelle surgit : à quoi allons-nous consacrer cette puissance ?

La puissance de calcul, l'énergie, les données et le temps des chercheurs restent limités. Chaque heure de calcul consacrée à un problème ne l'est pas à un autre. C'est la notion économique de coût d'opportunité⁶. Choisir les problèmes que l'on soumet à l'IA, c'est donc faire un choix économique, au sens le plus strict du terme.

La question devient le cœur du problème

Prenons un exemple. Une IA très performante pourrait optimiser l'allocation des lits d'hôpital dans un pays. Mais optimiser quoi ? Minimiser le temps d'attente moyen ? Minimiser le nombre de décès évitables ? Garantir l'égalité d'accès entre régions rurales et urbaines ? Minimiser le coût pour les finances publiques ? Ces objectifs sont tous légitimes, mais ils conduisent à des solutions différentes, parfois opposées. L'IA peut trouver la meilleure solution une fois l'objectif fixé ; elle ne peut pas, à elle seule, décider de l'objectif qui devrait être poursuivi.

Les chercheurs en IA connaissent bien ce problème sous le nom de « problème de l'alignement »⁷ : une machine qui optimise parfaitement un objectif mal spécifié peut produire des résultats désastreux. Or la question « quel objectif une société devrait-elle poursuivre, et comment arbitrer entre des objectifs contradictoires ?» est exactement celle que se pose l'économie depuis plus de deux siècles.

4. L'économie, science de la décision au service du bien-être

Une définition

On réduit souvent l'économie à l'étude de l'argent, des marchés ou de la Bourse. C'est une vision trop étroite. La définition classique, proposée par Lionel Robbins (1932), est plus générale : l'économie est « la science qui étudie le comportement humain en tant que relation entre des fins et des moyens rares à usages alternatifs ». Autrement dit, l'économie étudie comment faire des choix lorsque l'on ne peut pas tout avoir.

Mais étudier les choix n'est pas une fin en soi. Derrière l'analyse se trouve une ambition normative⁸ : aider les individus, les entreprises et les États à prendre des décisions qui améliorent le bien-être. C'est ce qui distingue l'économie d'une simple description du monde : elle cherche à éclairer la décision.

Cette ambition se décline à deux échelles complémentaires : celle des agents individuels (la microéconomie) et celle de l'économie dans son ensemble (la macroéconomie).

La microéconomie : le bien-être des individus et l'efficacité des marchés

La microéconomie part des décisions des agents : ménages, entreprises, administrations. Le consommateur y est représenté par ses préférences, que l'on résume par une fonction d'utilité⁹. Il cherche à obtenir le panier de biens qu'il préfère, compte tenu de son revenu et des prix. Formellement :

max U(x₁, x₂) sous la contrainte p₁x₁ + p₂x₂ ≤ R

où x₁ et x₂ sont les quantités consommées, p₁ et p₂ les prix, et R le revenu. Cette écriture, simple en apparence, contient toute la logique économique : des désirs (l'utilité), une contrainte (la rareté), et un choix (l'optimisation).

L'entreprise, de son côté, cherche à produire au moindre coût et à maximiser son profit. La rencontre de ces décisions sur les marchés détermine les prix et les quantités échangées.

La question centrale devient alors : cette rencontre produit-elle un bon résultat pour la société ? Pour y répondre, les économistes utilisent le critère de Pareto : une situation est « optimale au sens de Pareto » s'il est impossible d'améliorer la situation de quelqu'un sans détériorer celle de quelqu'un d'autre¹⁰. Le premier théorème de l'économie du bien-être établit que, sous certaines conditions (concurrence parfaite, marchés complets, information parfaite, absence d'externalités), l'équilibre de marché est optimal au sens de Pareto. Le critère a cependant une limite importante : une répartition très inégale peut être optimale au sens de Pareto. Il ne dit rien de la justice.

Ces conditions sont d'ailleurs rarement réunies. La microéconomie étudie donc aussi les défaillances de marché : la pollution (une externalité : celui qui pollue ne paie pas le coût qu'il impose aux autres), les monopoles, les asymétries d'information (le vendeur d'une voiture d'occasion en sait plus que l'acheteur ; Akerlof, 1970), les biens publics (l'éclairage public, la défense nationale). Dans chacun de ces cas, l'économiste cherche des mécanismes (taxes, réglementations, contrats, institutions) qui rapprochent la situation réelle d'une situation souhaitable.

La macroéconomie : le bien-être des nations

La macroéconomie change d'échelle. Elle s'intéresse aux grands agrégats : la production nationale (le PIB), le chômage, l'inflation, le commerce extérieur, la dette publique. Ses questions sont celles qui font la une des journaux : comment sortir d'une récession ? Faut-il augmenter les taux d'intérêt pour lutter contre l'inflation ? Comment favoriser la croissance à long terme ?

Là encore, l'objectif sous-jacent est le bien-être. Le chômage n'est pas un problème parce qu'il fait baisser un indicateur, mais parce qu'il prive des personnes de revenu, de dignité et de lien social. De même, l'inflation n'est pas un problème en soi : elle le devient parce qu'elle érode le pouvoir d'achat, souvent davantage celui des ménages modestes, et brouille les décisions d'épargne et d'investissement.

Les modèles macroéconomiques modernes rendent cet objectif explicite. Dans le modèle de croissance dit de Ramsey–Cass–Koopmans, par exemple, on suppose qu'une société choisit à chaque date combien consommer et combien épargner, de façon à maximiser le bien-être de toutes les générations :

W = Σ_t=0^∞ β^t u(c_t), 0 < β < 1

où c_t est la consommation par habitant à la date t, u l'utilité qu'elle procure, et β un facteur d'actualisation qui exprime le poids accordé au futur¹¹. Consommer aujourd'hui procure du bien-être immédiat ; épargner et investir permet de consommer davantage demain. Tout l'art de la politique économique consiste à arbitrer entre ces deux usages.

Deux échelles, une même question

Micro et macroéconomie ne sont pas deux disciplines séparées : la seconde s'appuie de plus en plus sur la première. Les décisions des ménages et des entreprises, agrégées, forment les grandeurs macroéconomiques ; et les politiques macroéconomiques modifient en retour les contraintes et les incitations des agents. Dans les deux cas, la question est la même : quelle décision rend les gens mieux lotis ? C'est précisément cette question que l'IA ne peut pas trancher seule, et que nous devons maintenant examiner de plus près.

5. Qu'est-ce qu'« améliorer le bien-être » ?

Tout semble simple tant que l'on parle de « bien-être » en général. Les difficultés apparaissent dès que l'on essaie de le définir précisément, ce que doit pourtant faire quiconque veut confier son amélioration à un algorithme.

Le bien-être ne s'observe pas directement

On peut mesurer un revenu, une consommation, une espérance de vie. On ne peut pas mesurer directement la satisfaction d'une personne. Les économistes ont longtemps contourné le problème en utilisant les préférences révélées¹² : si quelqu'un choisit A alors que B était accessible, on en déduit qu'il préfère A, et que A contribue au moins autant à son bien-être.

Mais cette approche a des limites. Les gens se trompent, regrettent, cèdent à la procrastination ou à l'addiction. Les travaux de Daniel Kahneman et Amos Tversky (1979 ; voir aussi Kahneman, 2011), puis de Richard Thaler (Thaler et Sunstein, 2008), ont montré que nos choix sont influencés par la façon dont les options sont présentées, par l'ancrage, par l'aversion aux pertes¹³. Un fumeur qui achète des cigarettes « révèle »-t-il qu'elles améliorent son bien-être ? Une IA qui maximiserait le temps passé sur un réseau social en se fondant sur les clics des utilisateurs mesurerait-elle vraiment leur bien-être ? La réponse n'a rien d'évident, et c'est tout le problème.

Comparer les individus entre eux

Supposons que l'on sache mesurer le bien-être de chacun. Une politique publique fait presque toujours des gagnants et des perdants : une nouvelle autoroute profite aux automobilistes mais nuit aux riverains ; une taxe sur les carburants réduit la pollution mais pèse sur les ménages ruraux. Pour décider, il faut comparer le gain des uns à la perte des autres.

Or ces comparaisons interpersonnelles sont philosophiquement délicates. Cent euros de plus ont-ils la même valeur pour un étudiant et pour un millionnaire ? Intuitivement non : c'est l'idée d'utilité marginale décroissante¹⁴. Mais combien vaut-il de moins ? Il n'existe pas de réponse purement scientifique : tout dépend du degré d'aversion pour l'inégalité que la société retient.

Les économistes formalisent ce choix à l'aide d'une fonction de bien-être social, qui agrège les utilités individuelles u_i des membres de la société. Contrairement à la théorie du consommateur, cet exercice suppose que les utilités soient mesurables et comparables d'une personne à l'autre, ce qui est déjà une hypothèse forte. Deux exemples extrêmes illustrent l'étendue des possibilités :

W_utilitariste = Σ_i u_i et W_rawlsien = min_i u_i

La première, inspirée de Jeremy Bentham, additionne les utilités : seul compte le total. La seconde, inspirée de John Rawls (1971), ne regarde que le sort du plus défavorisé¹⁵. Entre les deux se trouve toute une gamme de fonctions intermédiaires. Le choix entre elles n'est pas technique : il est éthique et politique.

Agréger les préférences : un résultat d'impossibilité

On pourrait espérer contourner la difficulté en laissant les citoyens voter. Mais là aussi, les mathématiques réservent une surprise. Considérons trois électeurs et trois options A, B et C :

	1^er choix	2^e choix	3^e choix
Électeur 1	A	B	C
Électeur 2	B	C	A
Électeur 3	C	A	B

Une majorité (électeurs 1 et 3) préfère A à B ; une majorité (électeurs 1 et 2) préfère B à C ; et une majorité (électeurs 2 et 3) préfère C à A. La préférence collective tourne en rond : c'est le paradoxe de Condorcet, identifié dès 1785.

Kenneth Arrow (1951) a généralisé ce constat dans son célèbre théorème d'impossibilité : dès qu'il y a au moins trois options, il n'existe aucune règle d'agrégation des préférences individuelles qui satisfasse simultanément un petit nombre de conditions pourtant très raisonnables¹⁶. Ce résultat ne dit pas que la décision collective est impossible ; il dit qu'aucune méthode n'est parfaite, et que tout choix de méthode implique des compromis. Amartya Sen (1970) a ensuite montré qu'en enrichissant l'information disponible, notamment en autorisant certaines comparaisons interpersonnelles, on peut échapper en partie à l'impossibilité.

La leçon pour l'IA est directe : on ne peut pas simplement « demander aux gens ce qu'ils veulent » et laisser la machine agréger. La manière d'agréger est elle-même un choix normatif qu'il faut expliciter.

Le PIB n'est pas le bien-être

En pratique, faute de mieux, les gouvernements suivent souvent le produit intérieur brut (PIB). Mais Simon Kuznets, l'un des pères de la comptabilité nationale, avertissait déjà en 1934 que « le bien-être d'une nation ne peut guère être déduit d'une mesure du revenu national ».

Le PIB mesure la valeur de la production marchande et des services publics. Il ignore le travail domestique, le temps libre, la qualité de l'environnement, la répartition des revenus. Paradoxalement, les dépenses de réparation et de soins qui suivent un accident de la route s'ajoutent au PIB, tout comme la reconstruction après une catastrophe, alors que les destructions elles-mêmes n'en sont pas retranchées. Une forêt abattue et vendue l'augmente, alors qu'une forêt préservée ne compte pour rien.

Conscients de ces limites, économistes et organisations internationales cherchent depuis plusieurs décennies à aller « au-delà du PIB ». Le Programme des Nations unies pour le développement (PNUD) publie depuis 1990 l'indice de développement humain (IDH), qui combine revenu, santé et éducation¹⁷. L'OCDE propose un indicateur du « vivre mieux » couvrant le logement, l'emploi, l'environnement ou la sécurité ; des enquêtes internationales mesurent la satisfaction de vie déclarée par les habitants de chaque pays ; et les Objectifs de développement durable adoptés par l'ONU en 2015 fixent dix-sept objectifs, de la lutte contre la pauvreté à la préservation des écosystèmes. Aucun de ces indicateurs ne fait l'unanimité, car chacun repose sur des choix de pondération : combien vaut une année d'espérance de vie supplémentaire par rapport à un point de revenu ? Une hausse de la scolarisation compense-t-elle une dégradation de l'environnement ?

Le présent contre le futur

La dernière difficulté est temporelle. Les décisions d'aujourd'hui affectent des générations qui ne sont pas encore nées et qui ne peuvent pas voter. Le changement climatique en donne l'exemple le plus frappant.

En 2006, le rapport Stern recommandait une action climatique immédiate et massive. À la même époque, William Nordhaus, futur prix Nobel (2018), préconisait une montée en charge plus progressive. Les deux économistes s'appuyaient pourtant sur des modèles de même nature, qui relient croissance économique, émissions et dommages climatiques. Selon Nordhaus (2007) lui-même, leur désaccord tenait pour l'essentiel au taux d'actualisation, c'est-à-dire au taux auquel on convertit les coûts et bénéfices futurs en valeur d'aujourd'hui. Ce taux dépend notamment du poids accordé au bien-être futur (le β du modèle de Ramsey–Cass–Koopmans présenté plus haut). Stern retenait un taux très bas, considérant qu'il n'y a pas de raison éthique de compter moins le bien-être de nos petits-enfants ; Nordhaus retenait un taux plus élevé, cohérent avec les rendements observés sur les marchés¹⁸.

Cet exemple est riche d'enseignements. Il montre qu'un modèle sophistiqué peut produire des recommandations radicalement différentes selon un choix qui n'est pas seulement technique, mais aussi éthique. Une IA à qui l'on demanderait la « meilleure politique climatique » devrait, d'une façon ou d'une autre, se voir fournir ce paramètre. Qui le fixera ? Sur quelle base ?

6. La difficulté de modéliser l'économie

Supposons que l'on se soit mis d'accord sur un critère de bien-être. Il faut encore savoir comment l'économie réagira à une décision. C'est le rôle des modèles. Or modéliser une économie est, à bien des égards, plus difficile que modéliser un fluide, pour au moins quatre raisons.

Les atomes ne lisent pas les journaux, les agents économiques si

Un électron ne change pas de comportement parce qu'un physicien publie une théorie à son sujet. Un épargnant, lui, ajuste ses décisions lorsque la banque centrale annonce sa politique. Robert Lucas (1976) en a tiré une critique devenue célèbre : les relations statistiques observées dans le passé peuvent cesser d'être valables lorsque la politique économique change, car les agents anticipent et modifient leur comportement¹⁹.

Une variante de ce phénomène est connue sous le nom de loi de Goodhart : « lorsqu'une mesure devient un objectif, elle cesse d'être une bonne mesure »²⁰. Si l'on évalue les hôpitaux au temps d'attente aux urgences, certains peuvent apprendre à « faire baisser l'indicateur » (en réorientant des patients, par exemple) plutôt qu'à mieux soigner. C'est exactement ce que redoutent les spécialistes de l'IA lorsqu'un algorithme « triche » pour maximiser une fonction objectif mal conçue. Économistes et chercheurs en IA font face, sous des noms différents, au même problème.

On expérimente rarement avec un pays

Le physicien peut répéter une expérience en laboratoire. L'économiste ne peut pas relancer la crise de 2008 en changeant un paramètre. Les économistes ont développé des méthodes ingénieuses pour contourner cet obstacle : expériences de terrain avec tirage au sort²¹, « expériences naturelles » exploitant des situations où les circonstances ont joué le rôle du tirage au sort. Le débat sur le salaire minimum en est une illustration : le modèle concurrentiel simple prédit qu'une hausse du salaire minimum réduit l'emploi, mais l'étude de David Card et Alan Krueger (1994), comparant des restaurants rapides du New Jersey (où le salaire minimum venait d'augmenter) et de la Pennsylvanie voisine (où il n'avait pas changé), n'a pas trouvé l'effet négatif attendu. Ce résultat, discuté et contesté, a relancé des décennies de recherche sur le fonctionnement réel des marchés du travail, et a valu à Card le prix Nobel en 2021.

Les institutions et l'histoire comptent

Une même politique peut réussir dans un pays et échouer dans un autre, parce que les institutions, la confiance, les normes sociales et l'histoire diffèrent. Un modèle ne peut pas tout représenter ; il doit choisir ce qu'il retient. Comme la carte de l'empire imaginée par Borges, qui finissait par avoir la taille de l'empire lui-même et devenait inutile, un modèle trop complet perd sa raison d'être²². Tout l'art du modélisateur consiste à simplifier sans trahir.

L'incertitude radicale

Enfin, l'économie est exposée à des événements rares et imprévisibles : pandémies, guerres, crises financières, ruptures technologiques. Frank Knight (1921) distinguait le risque, auquel on peut attribuer des probabilités, de l'incertitude, où même les probabilités sont inconnues. La crise de 2008 a rappelé brutalement que les modèles macroéconomiques alors dominants accordaient une place insuffisante au secteur financier. L'IA elle-même est une source d'incertitude de ce type : personne ne sait précisément comment elle transformera l'emploi, la productivité ou la répartition des revenus.

7. Le retour des économistes théoriciens et modélisateurs

Les sections précédentes dessinent un paradoxe. L'IA devient capable de résoudre des problèmes d'une difficulté technique considérable. Mais les problèmes qui comptent le plus pour l'humanité (santé, pauvreté, climat, emploi, éducation) ne peuvent être confiés à une machine qu'une fois formulés : avec un objectif explicite, des contraintes réalistes, et un modèle crédible du comportement humain. Or formuler ces problèmes est précisément le métier de l'économiste théoricien et modélisateur.

De la résolution à la formulation

Dans la pratique traditionnelle, une part importante du travail de l'économiste théoricien consistait à résoudre : démontrer l'existence d'un équilibre, calculer une politique optimale, simplifier un modèle jusqu'à ce qu'il devienne soluble à la main²³. L'IA prend déjà en charge une part croissante de ce travail (Korinek, 2023). Elle pourra résoudre des modèles plus riches, avec des agents hétérogènes, des anticipations complexes, des milliers de secteurs et de régions.

Cela ne rend pas l'économiste inutile ; cela déplace son rôle vers l'amont. Il devient l'architecte des questions : celui qui décide quel problème vaut la peine d'être résolu, quelle fonction objectif retenir, quelles contraintes imposer, et comment interpréter les résultats.

Un exemple illustre ce déplacement. En 2020, des chercheurs ont présenté l'« AI Economist » (Zheng et al., 2022), un système d'apprentissage par renforcement²⁴ chargé de concevoir une politique fiscale dans une économie simulée, où des agents artificiels travaillent, échangent et réagissent aux impôts. Le système a trouvé des barèmes fiscaux qui amélioraient l'arbitrage entre égalité et productivité par rapport à des barèmes de référence. Mais l'essentiel est ailleurs : les résultats dépendaient de manière décisive de la façon dont les chercheurs avaient défini l'objectif, en l'occurrence le produit d'un indice d'égalité et d'un indice de productivité. Un autre objectif aurait conduit à d'autres impôts. L'IA a résolu ; ce sont les humains, avec un raisonnement d'économiste, qui ont posé la question.

Trois compétences qui prennent de la valeur

Trois compétences propres aux économistes théoriciens deviennent ainsi particulièrement précieuses.

La spécification des objectifs. Traduire une intuition morale ou politique (« il faut réduire la pauvreté sans décourager le travail ») en une fonction mathématique précise, en rendant explicites les arbitrages. C'est le savoir-faire de l'économie du bien-être et de la théorie du choix social.

La conception de mécanismes. La théorie des mécanismes, dont la théorie des enchères est une application célèbre, étudie comment concevoir des règles du jeu de sorte que des agents poursuivant leurs propres intérêts aboutissent collectivement à un bon résultat²⁵. Dans un monde où des IA agiront de plus en plus pour le compte d'humains (négocier, acheter, enchérir), concevoir ces règles devient crucial.

La modélisation des comportements. Savoir comment des êtres humains, et désormais des agents artificiels, réagissent aux incitations. Un modèle qui ignore les anticipations, les biais comportementaux ou les interactions stratégiques produira des recommandations fragiles, quelle que soit la puissance de calcul utilisée pour le résoudre.

L'économie de l'IA elle-même

Enfin, l'IA n'est pas seulement un outil pour les économistes : c'est un objet économique majeur. Elle soulève des questions que seule une analyse économique rigoureuse peut éclairer : quels emplois seront remplacés, lesquels seront transformés, lesquels seront créés ? Les gains de productivité seront-ils largement partagés ou concentrés entre quelques entreprises ? Faut-il taxer le capital numérique, et comment ? Comment réguler des marchés dominés par quelques fournisseurs de modèles ? Comment éviter que la course à l'IA ne crée des risques que personne n'a intérêt à prendre individuellement, mais que tous prennent collectivement²⁶ ? Ces questions sont parmi les plus importantes de notre époque, et elles relèvent directement de la microéconomie, de la macroéconomie et de l'économie publique.

8. Les défis qui attendent les économistes

Ce retour au premier plan n'est pas acquis. Il suppose que la discipline relève plusieurs défis.

Rendre explicites les choix normatifs

Le premier défi est l'honnêteté normative. Trop souvent, des choix éthiques se cachent derrière des hypothèses techniques : un taux d'actualisation, une pondération des revenus, un indicateur retenu. Lorsque ces choix sont intégrés dans des systèmes d'IA puissants et opaques, le risque est qu'ils échappent à tout débat. L'économiste devra donc présenter ses résultats sous forme de menus : « si vous accordez tel poids à l'égalité, voici la politique optimale ; si vous accordez tel autre poids, voici une autre politique ». Le choix final appartient aux citoyens et à leurs représentants.

Résister à la tentation technocratique

Le deuxième défi en découle. La tentation sera grande de confier à des algorithmes, conseillés par des experts, des décisions qui relèvent du débat démocratique. Or la théorie économique elle-même, à travers le théorème d'Arrow, nous enseigne qu'il n'existe pas de manière « neutre » d'agréger des préférences. L'économiste doit éclairer la décision, pas la confisquer. Cela demande de la pédagogie et de l'humilité : savoir expliquer ce que disent les modèles, mais aussi ce qu'ils ne disent pas.

Améliorer la mesure du bien-être

Le troisième défi est empirique. L'IA ouvre des possibilités nouvelles pour mesurer le bien-être : analyse d'images satellites pour estimer la pauvreté dans des régions sans statistiques fiables (Jean et al., 2016), données en temps réel sur les prix et l'emploi, analyse de textes pour mesurer la confiance ou l'anxiété. Mais ces outils soulèvent des questions de protection de la vie privée, de biais des données et de représentativité. Il faudra des économistes capables de combiner rigueur statistique et réflexion sur ce que l'on cherche réellement à mesurer.

Valider les modèles et les résultats de l'IA

Le quatrième défi est épistémologique²⁷. Lorsqu'une IA propose une politique optimale, comment savoir si elle est robuste ? Si elle repose sur une faille du modèle plutôt que sur une propriété du monde réel ? En mathématiques, une démonstration peut être vérifiée formellement, à l'aide de logiciels appelés assistants de preuve. En économie, il n'existe pas de vérificateur automatique de la pertinence d'un modèle. L'économiste devra développer des méthodes pour tester la robustesse des recommandations : les confronter aux données, aux expériences historiques, à des modèles alternatifs.

Former une nouvelle génération

Le cinquième défi est celui de la formation. L'économiste dont le monde aura besoin devra maîtriser trois langages : celui des mathématiques et de l'informatique, pour dialoguer avec les machines ; celui des sciences sociales (histoire, sociologie, psychologie), pour comprendre les comportements réels ; et celui de la philosophie morale, pour penser les objectifs. Une formation centrée uniquement sur la technique risque de produire des économistes que l'IA pourra, pour une large part, remplacer. Une formation qui cultive le jugement, la capacité à formuler des questions et la réflexion sur les fins produira des économistes indispensables.

Travailler avec les autres disciplines

Enfin, aucun des grands problèmes évoqués ne relève de l'économie seule. Le climat demande des physiciens et des climatologues, la santé des médecins et des épidémiologistes, l'IA des informaticiens et des juristes. L'économiste n'a pas vocation à remplacer ces disciplines, mais à apporter ce qu'il sait faire de spécifique : penser les arbitrages, les incitations et le bien-être collectif. C'est une posture d'architecte plutôt que de spécialiste isolé.

9. Conclusion

L'intelligence artificielle transforme la manière dont la science produit des connaissances. En s'attaquant avec succès à des problèmes mathématiques et physiques autrefois hors de portée, elle rend abondante une ressource longtemps rare : la capacité de trouver des réponses. Par un mécanisme que tout économiste reconnaîtra, la valeur se déplace alors vers ce qui reste rare : la capacité de poser les bonnes questions, celles qui servent réellement les êtres humains.

Cette capacité est au cœur de la science économique. Depuis ses origines, l'économie cherche à comprendre comment faire des choix qui améliorent le bien-être, celui des individus avec la microéconomie, celui des nations avec la macroéconomie. Elle a appris, souvent à ses dépens, combien cette ambition est difficile : le bien-être ne s'observe pas directement, les individus ne peuvent pas être comparés sans jugement de valeur, les préférences ne s'agrègent pas sans compromis, le PIB ne mesure pas le bien-être, le futur pèse d'un poids que la science seule ne peut fixer, et les comportements humains réagissent aux modèles qui prétendent les décrire.

Ces difficultés, loin d'être des faiblesses, constituent précisément le capital intellectuel dont le monde va avoir besoin. Car une IA puissante à qui l'on pose une mauvaise question donnera, avec une grande efficacité, une mauvaise réponse. Les économistes théoriciens et modélisateurs sont, par formation, ceux qui savent que la formulation d'un problème en détermine la solution. Si la discipline sait rester rigoureuse, humble, transparente sur ses choix normatifs et ouverte aux autres savoirs, l'ère de l'IA pourrait bien être celle où l'économie retrouve son ambition originelle : non pas prédire la Bourse, mais aider les sociétés humaines à mieux vivre.

Notes

Le « dernier théorème de Fermat », énoncé vers 1637, n'a été démontré qu'en 1994 par Andrew Wiles, soit plus de 350 ans plus tard. ↩
C'est une idée centrale de la théorie des prix : un bien abondant voit son prix baisser, et la valeur se reporte sur les facteurs complémentaires qui, eux, restent limités. Lorsque les tableurs ont rendu le calcul presque gratuit, la valeur du calcul à la main a chuté, tandis que celle de l'analyse et de l'interprétation a augmenté. Agrawal, Gans et Goldfarb (2018) appliquent ce raisonnement à l'IA : quand la prédiction devient bon marché, c'est le jugement humain qui prend de la valeur. ↩
Les Olympiades internationales de mathématiques (OIM) réunissent chaque année les meilleurs lycéens du monde. Les problèmes ne demandent pas de connaissances avancées, mais une grande ingéniosité : c'est justement ce qui en faisait un test intéressant pour l'IA. ↩
Multiplier des matrices est une opération de base du calcul scientifique et de l'IA elle-même. Le gain d'une multiplication peut sembler minime, mais ces méthodes s'appliquent de manière répétée à de très grands tableaux de nombres : c'est pourquoi chaque amélioration est scrutée par les spécialistes, même si son intérêt pratique immédiat reste discuté. ↩
En 2000, l'Institut Clay a sélectionné sept problèmes mathématiques majeurs, dotés chacun d'un prix d'un million de dollars. Un seul a été officiellement reconnu comme résolu : la conjecture de Poincaré, démontrée par Grigori Perelman en 2002–2003. Perelman a refusé le prix en 2010. ↩
Le coût d'opportunité d'un choix est la valeur de la meilleure option à laquelle on renonce. Si un étudiant passe sa soirée au cinéma, le coût n'est pas seulement le prix du billet, mais aussi les heures de révision perdues. ↩
Le problème de l'alignement désigne la difficulté de faire en sorte qu'un système d'IA poursuive réellement les objectifs que ses concepteurs (ou la société) souhaitent, et non une version approximative ou détournée de ces objectifs. ↩
En économie, on distingue l'analyse positive, qui décrit ce qui est (par exemple : « une hausse de 10 % du prix du tabac réduit sa consommation d'environ 4 % »), et l'analyse normative, qui porte un jugement sur ce qui devrait être (« il faut augmenter cette taxe »). La seconde suppose toujours un critère de ce qui est « bon ». ↩
La fonction d'utilité est un outil mathématique qui attribue un nombre à chaque panier de biens, de sorte qu'un panier préféré reçoive un nombre plus élevé. Dans la théorie du consommateur, elle ne mesure pas un « plaisir » directement observable : elle traduit seulement un classement des préférences (on parle d'utilité ordinale). ↩
Exemple : deux enfants se partagent un gâteau au chocolat et une tarte aux pommes. Si l'un a reçu le gâteau alors qu'il préfère la tarte, et inversement pour l'autre, un échange améliore la situation des deux : la répartition initiale n'est pas optimale au sens de Pareto. Après l'échange, elle l'est. ↩
Si β = 0,97, le bien-être dans un an « compte » pour 97 % du bien-être d'aujourd'hui, celui dans dix ans pour environ 74 %, celui dans cent ans pour moins de 5 %. Fait remarquable, Frank Ramsey (1928), qui a fondé ce modèle, refusait d'actualiser le bien-être des générations futures, une pratique qu'il jugeait « éthiquement indéfendable ». Le choix de β est donc lourd de conséquences, comme on le verra avec le climat. ↩
L'idée, due à Paul Samuelson (1938), est d'inférer les préférences des choix observés : si une personne achète le produit A alors que B était disponible au même prix, on en déduit qu'elle préfère A. On évite ainsi de spéculer sur ce qui se passe « dans sa tête ». ↩
L'aversion aux pertes désigne le fait que perdre 100 euros nous affecte en moyenne environ deux fois plus que gagner 100 euros ne nous réjouit. Ce biais contribue à expliquer, par exemple, pourquoi de nombreux investisseurs conservent trop longtemps des actions en perte. ↩
L'utilité marginale est le supplément de satisfaction apporté par une unité supplémentaire d'un bien. Elle est dite décroissante parce que le premier verre d'eau dans le désert vaut beaucoup plus que le dixième. ↩
Rawls raisonnait en termes de « biens premiers » (droits, revenus, bases sociales du respect de soi) plutôt que d'utilité ; la formule min_i u_i est la traduction qu'en ont proposée les économistes. ↩
Ces conditions sont, en simplifiant : la règle doit fonctionner quelles que soient les préférences individuelles ; si tout le monde préfère A à B, la société doit préférer A à B ; le classement collectif entre A et B ne doit pas dépendre d'une troisième option C ; et il ne doit pas y avoir de dictateur dont les préférences s'imposent toujours. Arrow a reçu le prix Nobel d'économie en 1972 pour ses travaux sur l'équilibre général et l'économie du bien-être. ↩
L'IDH s'inspire directement de l'approche par les « capabilités » d'Amartya Sen (1999) : le développement ne se mesure pas seulement à ce que les gens possèdent, mais à ce qu'ils sont réellement capables de faire et d'être (vivre longtemps et en bonne santé, s'instruire, participer à la vie sociale). ↩
Pour se faire une idée : avec un taux d'actualisation de 1,4 % par an (proche de celui de Stern), un dommage de 100 euros dans cent ans « vaut » environ 25 euros aujourd'hui. Avec un taux de l'ordre de 4 à 5 % (proche de ceux retenus par Nordhaus à l'époque), il ne vaut plus qu'environ 1 à 2 euros. Les politiques recommandées diffèrent en conséquence. ↩
C'est la « critique de Lucas ». Exemple classique : dans les années 1960, on observait que plus d'inflation allait de pair avec moins de chômage (courbe de Phillips). Milton Friedman (1968) et Edmund Phelps (1967) avaient averti qu'une politique cherchant à exploiter durablement cette relation échouerait, car les agents finiraient par anticiper l'inflation et réclamer des hausses de salaires. Les années 1970 ont connu à la fois inflation et chômage (« stagflation »), sous l'effet de ce mécanisme et des chocs pétroliers. ↩
Cette formulation célèbre est celle de l'anthropologue Marilyn Strathern (1997), qui résumait une remarque faite en 1975 par l'économiste Charles Goodhart à propos de la politique monétaire britannique. ↩
Les essais contrôlés randomisés consistent à tirer au sort qui bénéficie d'un programme (par exemple une aide scolaire) et qui n'en bénéficie pas, puis à comparer les deux groupes. Abhijit Banerjee, Esther Duflo et Michael Kremer ont reçu le prix Nobel en 2019 pour l'usage de cette méthode contre la pauvreté (voir Banerjee et Duflo, 2011). ↩
Dans le très court texte « De la rigueur de la science » (1946), Jorge Luis Borges imagine des cartographes si exigeants qu'ils dressent une carte à l'échelle 1:1. L'image est souvent utilisée pour rappeler qu'un bon modèle est nécessairement une simplification. ↩
Beaucoup d'hypothèses des modèles économiques (agent représentatif, fonctions d'utilité particulières, anticipations rationnelles) ont été adoptées en partie parce qu'elles rendaient les modèles solubles analytiquement. Avec des outils de calcul plus puissants, certaines de ces simplifications deviennent moins nécessaires. ↩
L'apprentissage par renforcement est une méthode d'IA dans laquelle un programme apprend par essais et erreurs, en recevant des « récompenses » lorsque ses actions produisent un bon résultat. C'est l'une des méthodes qui ont permis à AlphaGo de battre les meilleurs joueurs de go. ↩
Leonid Hurwicz, Eric Maskin et Roger Myerson ont reçu le prix Nobel en 2007 pour avoir fondé cette théorie. Exemples d'applications : les enchères de fréquences de téléphonie mobile, conçues notamment par Paul Milgrom et Robert Wilson (prix Nobel 2020) ; les algorithmes d'appariement entre élèves et écoles, entre jeunes médecins et hôpitaux, ou entre donneurs et receveurs de reins, développés notamment par Alvin Roth (prix Nobel 2012 ; voir Roth, 2015). ↩
C'est la logique du « dilemme du prisonnier » et des « courses aux armements » : chaque acteur, pris isolément, a intérêt à accélérer, même si tous seraient mieux lotis en coordonnant leurs efforts. La théorie des jeux, branche commune à l'économie et aux mathématiques, étudie précisément ces situations. ↩
L'épistémologie est la branche de la philosophie qui étudie la manière dont se construisent et se justifient les connaissances scientifiques : qu'est-ce qu'une preuve, quand peut-on dire qu'un modèle est « vrai » ou utile ? ↩

Références

Agrawal, A., Gans, J. et Goldfarb, A. (2018). Prediction Machines: The Simple Economics of Artificial Intelligence. Boston : Harvard Business Review Press.
Akerlof, G. A. (1970). « The Market for "Lemons": Quality Uncertainty and the Market Mechanism ». Quarterly Journal of Economics, 84(3), 488–500.
Arrow, K. J. (1951). Social Choice and Individual Values. New York : Wiley.
Banerjee, A. et Duflo, E. (2011). Poor Economics. New York : PublicAffairs. Trad. fr. Repenser la pauvreté, Paris : Seuil, 2012.
Card, D. et Krueger, A. B. (1994). « Minimum Wages and Employment: A Case Study of the Fast-Food Industry in New Jersey and Pennsylvania ». American Economic Review, 84(4), 772–793.
Condorcet, N. de (1785). Essai sur l'application de l'analyse à la probabilité des décisions rendues à la pluralité des voix. Paris : Imprimerie royale.
Friedman, M. (1968). « The Role of Monetary Policy ». American Economic Review, 58(1), 1–17.
Goodhart, C. A. E. (1975). « Problems of Monetary Management: The U.K. Experience ». Papers in Monetary Economics, vol. 1. Sydney : Reserve Bank of Australia.
Hardy, G. H. (1940). A Mathematician's Apology. Cambridge : Cambridge University Press.
Jean, N., Burke, M., Xie, M., Davis, W. M., Lobell, D. B. et Ermon, S. (2016). « Combining Satellite Imagery and Machine Learning to Predict Poverty ». Science, 353(6301), 790–794.
Jumper, J. et al. (2021). « Highly Accurate Protein Structure Prediction with AlphaFold ». Nature, 596, 583–589.
Kahneman, D. (2011). Thinking, Fast and Slow. New York : Farrar, Straus and Giroux. Trad. fr. Système 1 / Système 2, Paris : Flammarion, 2012.
Kahneman, D. et Tversky, A. (1979). « Prospect Theory: An Analysis of Decision under Risk ». Econometrica, 47(2), 263–291.
Knight, F. H. (1921). Risk, Uncertainty and Profit. Boston : Houghton Mifflin.
Korinek, A. (2023). « Generative AI for Economic Research: Use Cases and Implications for Economists ». Journal of Economic Literature, 61(4), 1281–1317.
Kuznets, S. (1934). National Income, 1929–1932. Senate Document no. 124, 73^e Congrès. Washington : US Government Printing Office.
Lucas, R. E. (1976). « Econometric Policy Evaluation: A Critique ». Carnegie-Rochester Conference Series on Public Policy, 1, 19–46.
Nordhaus, W. (2007). « A Review of the Stern Review on the Economics of Climate Change ». Journal of Economic Literature, 45(3), 686–702.
Novikov, A. et al. (2025). « AlphaEvolve: A Coding Agent for Scientific and Algorithmic Discovery ». Prépublication, arXiv:2506.13131.
Phelps, E. S. (1967). « Phillips Curves, Expectations of Inflation and Optimal Unemployment over Time ». Economica, 34(135), 254–281.
PNUD (1990). Rapport mondial sur le développement humain 1990. New York : Oxford University Press.
Ramsey, F. P. (1928). « A Mathematical Theory of Saving ». Economic Journal, 38(152), 543–559.
Rawls, J. (1971). A Theory of Justice. Cambridge (MA) : Harvard University Press. Trad. fr. Théorie de la justice, Paris : Seuil, 1987.
Robbins, L. (1932). An Essay on the Nature and Significance of Economic Science. Londres : Macmillan.
Roth, A. E. (2015). Who Gets What, and Why. Boston : Houghton Mifflin Harcourt.
Samuelson, P. A. (1938). « A Note on the Pure Theory of Consumer's Behaviour ». Economica, 5(17), 61–71.
Sen, A. (1970). Collective Choice and Social Welfare. San Francisco : Holden-Day.
Sen, A. (1999). Development as Freedom. Oxford : Oxford University Press. Trad. fr. Un nouveau modèle économique, Paris : Odile Jacob, 2000.
Stern, N. (2007). The Economics of Climate Change: The Stern Review. Cambridge : Cambridge University Press (rapport remis au Trésor britannique en 2006).
Strathern, M. (1997). « "Improving Ratings": Audit in the British University System ». European Review, 5(3), 305–321.
Thaler, R. H. et Sunstein, C. R. (2008). Nudge. New Haven : Yale University Press.
Wang, Y. et al. (2025). « Discovery of Unstable Singularities ». Prépublication, arXiv:2509.14185.
Zheng, S., Trott, A., Srinivasa, S., Parkes, D. C. et Socher, R. (2022). « The AI Economist: Taxation Policy Design via Two-Level Deep Multiagent Reinforcement Learning ». Science Advances, 8(18), eabk2607.