Pour Google DeepMind, l’impact économique des agents d’IA dépend autant de leur capacité à se coordonner que de leurs performances individuelles. Dans le modèle des chercheurs, la compétence agit sur la production d’une entreprise de taille donnée ; la coordination détermine comment cette production évolue quand l’organisation grandit. Un changement brutal est un scénario conditionnel, pas un constat économique.
Dans un essai publié le 29 octobre 2026, Alex Imas, Andrew Koh et Shane Legg de Google DeepMind exposent ce cadre. Le Google DeepMind Institute, dont nous avions présenté le lancement dans un précédent article, publie ici une réflexion sur les liens entre capacités de l’IA, entreprises et travail.
Pourquoi les compétences individuelles ne suffisent pas
Une entreprise réunit des compétences complémentaires et répartit les tâches. Pour illustrer l’intérêt de cette complémentarité, les auteurs rapportent un questionnaire réalisé auprès de 100 personnes dans six domaines : mathématiques, raisonnement verbal, sciences, motifs, culture et économie. Dans la tâche décrite, les paires constituées à partir de forces complémentaires ont obtenu un résultat supérieur de 32 % à celui de paires formées au hasard. Ce résultat concerne cette tâche, pas la productivité générale des équipes ou de l’économie. Google DeepMind expose le cadre et le résultat.
La distinction entre les deux capacités se résume ainsi :
| Dimension | Ce qu’elle modifie | Conséquence possible dans le modèle |
| Compétence | La production à taille d’entreprise donnée | La productivité, les salaires et la composition des équipes peuvent évoluer progressivement. |
| Coordination | L’évolution de la production quand l’entreprise grandit | Une coordination suffisante peut rendre avantageuse une forte croissance de l’organisation. |
Le seuil de coordination est propre à l’équation
Dans l’équation illustrative de leur article Organizing Intelligence, les auteurs associent une coordination moyenne supérieure à 1 à des rendements croissants avec la taille de l’entreprise : dans cette condition du modèle, chaque membre ajouté peut augmenter la production par personne. Le chiffre 1 est un paramètre de cette équation, pas une mesure universelle des agents d’IA. Les auteurs précisent que la question de savoir si l’IA franchit ce seuil est empirique. L’article formalise la condition et ses hypothèses.
Le modèle décrit trois phases d’organisation. Le travail peut d’abord être individuel. À une échelle limitée, la division des tâches apporte des gains, puis les coûts de coordination pèsent sur la croissance. À une échelle dite illimitée, une coordination assez forte permettrait à l’entreprise de continuer à gagner en production par personne à mesure qu’elle s’agrandit.
Les quatre régimes de capacité de l’essai, l’AGI minimale, l’IA supercompétente, l’IA supercoopérative et la superintelligence artificielle (ASI), sont des catégories d’analyse. Ils structurent les scénarios des auteurs, sans décrire des étapes déjà atteintes par les systèmes actuels.
Les effets dépendent aussi du marché
Dans les scénarios, de meilleures compétences peuvent modifier graduellement les salaires et la part du travail humain dans des entreprises mixtes. Un passage à des entreprises entièrement pilotées par l’IA pourrait, dans certains cas modélisés, entraîner un changement plus abrupt de l’emploi. La concentration et la taille des entreprises dépendent aussi du marché : les grands marchés extensibles, les niches et les services relationnels, où la présence humaine peut apporter de la valeur, ne produisent pas les mêmes résultats dans le cadre étudié.
Les auteurs présentent ces issues comme des scénarios théoriques destinés à la discussion académique, pas comme des prévisions empiriques ou une prévision des activités de Google. Leur point central est donc une condition de changement : une IA plus compétente peut améliorer ce qu’une équipe réalise à taille constante ; une coordination suffisamment forte pourrait, elle, changer l’intérêt économique de faire grandir l’équipe.
