Le vice-président de la Réserve fédérale, Philip N. Jefferson, a déclaré le 13 novembre 2026 que l'intelligence artificielle générative se propage rapidement dans l'économie américaine mais n'a pas encore produit de bénéfice clair en termes de productivité mesurée, tout en avertissant que la flambée des investissements dans les centres de données tirée par cette technologie alourdit déjà les pressions sur les prix. « Les données disponibles jusqu'ici semblent compatibles avec une contribution à la productivité agrégée qui est limitée, mais avec un potentiel de croissance assez substantiel, globalement conforme aux épisodes historiques de percées technologiques », a déclaré Jefferson lors d'une intervention devant l'Economic Roundtable de l'Université de Californie à San Diego, en Californie. « Cela dit, l'ampleur et le calendrier des prochains gains de productivité demeurent très incertains. »

Le discours, intitulé « New Technology, Old Questions: Productivity Puzzles and the Macroeconomy », a été prononcé devant un public composé d'étudiants, d'universitaires et de dirigeants d'entreprise. Le texte intégral est disponible sur le site web de la Réserve fédérale, et les propos sont également disponibles en PDF. Jefferson a précisé que les vues exprimées étaient les siennes et ne reflétaient pas nécessairement celles de ses collègues du Conseil des gouverneurs de la Réserve fédérale ou du Comité fédéral de l'open market (FOMC).

Le poste de vice-président est la deuxième fonction la plus élevée du Conseil des gouverneurs de la Réserve fédérale, ce qui fait de Jefferson l'un des responsables économiques américains les plus haut placés à avoir présenté publiquement une évaluation détaillée des effets de l'IA sur la croissance, les prix et l'emploi.

Les leçons de l'ère informatique

Jefferson a ouvert son propos avec la célèbre observation de 1987 de l'économiste lauréat du prix Nobel Robert Solow selon laquelle « on peut voir l'ère de l'ordinateur partout, sauf dans les statistiques de productivité », suggérant que Solow « attendait peut-être trop des ordinateurs qu'il voyait ». Alors que 32 pour cent des travailleurs utilisaient un ordinateur au travail en 1989, les machines de cette époque n'étaient pas très puissantes : le processeur d'un téléphone actuel peut effectuer environ autant de calculs par seconde que 10 millions d'ordinateurs personnels de 1987. Au total, les dépenses nationales en ordinateurs — présentées dans la figure 1 du discours — étaient à peine détectables à l'époque, alors même que les PC étaient devenus un élément important du zeitgeist.

Dix ans plus tard, l'investissement informatique avait décollé, et certains observateurs — notamment le président Alan Greenspan — croyaient pouvoir le voir dans les statistiques de productivité, même si le lien entre les deux n'a été établi que plus tard. Jefferson a indiqué que l'investissement en capital de technologies de l'information (TI) — ordinateurs, logiciels et équipements de communication — avait augmenté d'environ 3/4 de point de pourcentage le taux de croissance annuel de la productivité du travail à la fin des années 1990.

Ce boom impliquait davantage qu'une simple accumulation de capital. Les entreprises ont également réorganisé leurs opérations autour des ordinateurs, soutenant davantage la croissance de la productivité. Les avancées technologiques ont modifié le coût de création, de stockage et de communication de l'information, offrant aux entreprises l'occasion de repenser leur périmètre, leur échelle et leurs fonctions de production. Le commerce électronique, une vague de mondialisation et les logiciels dans le cloud ont fini par émerger de ce processus. Un signe que cette réorganisation était bénéfique et significative a été la hausse rapide de la production par unité d'intrant hors du secteur informatique au début des années 2000 — une croissance qui reflétait des gains de ce que les économistes appellent la productivité globale des facteurs (PGF), et non pas uniquement davantage de capital.

Jefferson a noté que les graines du boom de productivité des années 1990 avaient été plantées bien avant l'observation de Solow en 1987. La recherche fondamentale qui a jeté les bases de l'informatique moderne comprend l'invention du transistor en 1947 et du compilateur Fortran en 1954, suivie de décennies de recherche appliquée par les entreprises, qui a produit des applications pratiques et amélioré sans relâche les technologies de l'information.

Cette histoire suggère un modèle simple de croissance de la productivité. La recherche fondamentale, menée sans application déterminée à l'esprit, élargit notre connaissance du monde. La recherche appliquée développe des applications industrielles pratiques, qui accroissent la productivité et réduisent le coût de production. Lorsque les coûts baissent, les prix ont tendance à baisser également, surtout en présence de concurrence. Avec le temps, les entreprises intensifient leur utilisation de biens d'équipement moins chers produits par une productivité plus élevée — un processus connu sous le nom d'« approfondissement du capital » — et les entreprises utilisant ce capital repensent leur approche de la production, accroissant davantage la PGF et relançant peut-être le cycle d'investissement. Comme l'illustre l'exemple de l'informatique, a dit Jefferson, ce processus prend du temps avant que son plein effet ne se fasse sentir et ne soit mesuré, en particulier pour les technologies qui exigent une réorganisation des entreprises.

Appliquer le modèle à l'IA

Jefferson a soutenu que ce même modèle s'applique raisonnablement bien au développement de l'IA. Les modèles génératifs d'aujourd'hui remontent à des recherches fondamentales commencées peu après l'invention du transistor. Les applications pratiques sont apparues de nombreuses années plus tard — par exemple, le service postal américain a commencé à utiliser l'IA pour lire les enveloppes adressées à la main dans les années 1990. L'utilisation a décollé, notamment dans les secteurs de l'information et de la finance, une dizaine d'années plus tard avec l'émergence des modèles d'apprentissage automatique. Enfin, après des améliorations spectaculaires et un entraînement sur des ensembles de données massifs — tout le texte du web mondial, selon certains — les grands modèles de langage sont aujourd'hui suffisamment performants pour alimenter les chatbots, assistants de programmation et appareils intelligents actuels, ainsi qu'une multitude d'applications moins visibles comme la recherche scientifique.

« Le monde d'aujourd'hui est le miroir de celui qu'observait Bob Solow », a déclaré Jefferson. L'IA générative domine les manchettes, s'installe sur nos téléphones et apparaît dans nos logiciels et nos appels au service client, et elle peut avoir des implications considérables pour les travailleurs, les entreprises et les agences gouvernementales, y compris les banques centrales. Mais les vieilles questions persistent : dans quelle mesure les entreprises et les travailleurs l'utilisent-ils réellement, et cette utilisation affecte-t-elle les statistiques de productivité ?

Adoption : en hausse mais inégale

Des enquêtes récentes révèlent qu'une part appréciable et croissante des entreprises et des travailleurs américains utilisent l'IA générative. Des enquêtes auprès des travailleurs ont montré que 40 à 50 pour cent des adultes actifs utilisent cette technologie dans leur emploi, comme le montre la ligne bleue de la figure 2 du discours. Parmi les travailleurs qui utilisent l'IA au travail, cependant, seule une fraction modeste l'utilise chaque jour.

L'adoption varie également considérablement selon les secteurs. Bien que les indicateurs d'adoption par les entreprises diffèrent selon la méthodologie, l'enquête du Census Bureau auprès d'un échantillon représentatif à l'échelle nationale d'entreprises américaines illustre ces différences intersectorielles. Comme le montre la figure 3, l'enquête indique qu'en octobre 2026, environ 25 pour cent de toutes les entreprises américaines utilisaient cette technologie dans au moins une fonction commerciale au milieu de cette année. Cette part était proche de 40 pour cent dans les secteurs à forte intensité de connaissances, tels que les services professionnels et l'information, tandis qu'à l'autre extrémité du spectre, elle était d'environ 10 pour cent dans les secteurs minier ainsi que des loisirs et de l'hôtellerie-restauration.

Par rapport à des technologies plus matures comme l'ordinateur personnel, l'IA n'est pas véritablement partout, a dit Jefferson — au sens d'une intégration complète dans les flux de travail de la plupart des entreprises et des travailleurs de l'économie. L'économie semble plutôt se trouver à un stade antérieur qui constitue une étape naturelle du long cycle d'innovation et de déploiement : la nouvelle technologie a démontré ses capacités, et les entreprises et les travailleurs l'utilisent activement et en explorent les possibilités, certains secteurs, entreprises et métiers étant bien plus avancés que d'autres.

Les statistiques de productivité : trop tôt pour le dire

L'adoption observée jusqu'ici se reflète-t-elle dans les statistiques de productivité agrégée ? La croissance de la productivité a effectivement progressé ces dernières années, mais Jefferson a dit qu'il était trop tôt pour déterminer le rôle joué par l'IA dans cette évolution. Les mesures de productivité étant si volatiles, les économistes regardent souvent au-delà des variations trimestrielles, voire annuelles, en examinant de longues moyennes glissantes. La croissance de la productivité du travail a été en moyenne de 2,2 pour cent entre 2020 et 2025 — une progression bienvenue par rapport au modeste taux moyen de 1,5 pour cent du cycle économique précédent. Toutefois, cette hausse a commencé avant le lancement des chatbots IA populaires en 2022 et reflète probablement divers facteurs, dont une reprise de la création de nouvelles entreprises. « Démêler la contribution de l'IA à la croissance récente de la productivité n'est pas simple », a dit Jefferson. « Il faudra voir davantage de données. » Il a noté que la recherche a rétrospectivement lié le boom de productivité des années 1990 aux technologies de l'information, mais qu'on ne le savait pas avec certitude en temps réel.

Sur le plan microéconomique, un nombre croissant de données montre que la nouvelle technologie accroît directement et substantiellement l'efficacité pour certaines tâches spécifiques, notamment là où elle peut le plus facilement se substituer aux humains. Une étude académique influente, par exemple, a montré que les outils d'IA générative ont significativement amélioré la capacité de certains employés du service client à résoudre des problèmes.

En même temps, les données sur la façon dont les gains d'efficacité au niveau des tâches affectent la productivité plus large paraissent mitigées. Des études récentes ont trouvé des associations positives entre la croissance de la productivité et l'adoption ou l'exposition à l'IA au niveau des entreprises. En revanche, certaines enquêtes qui tentent de mesurer plus directement la causalité n'ont trouvé jusqu'ici que des effets modestes. Une étude récente, fondée sur une enquête auprès de cadres supérieurs, a estimé que l'IA n'a augmenté les ventes par employé que de 1/2 pour cent au cours des trois dernières années.

Jefferson a offert deux explications possibles à cette déconnexion apparente entre les gains au niveau des tâches et ceux au niveau des entreprises. Premièrement, même parmi les entreprises qui utilisent l'IA, le périmètre reste limité car elles en sont encore à l'expérimentation et à l'apprentissage : une étude récente a montré que, parmi les entreprises adoptantes, la plupart utilisent l'IA dans tout au plus quelques fonctions commerciales, le plus souvent la vente et le marketing, la stratégie et le développement commercial, et les technologies de l'information. Deuxièmement, même pour les cas d'usage les plus naturels, les gains d'efficacité dans un domaine s'accompagnent de coûts compensatoires, de nouvelles demandes ou de goulets d'étranglement ailleurs — par exemple, certaines entreprises signalent que le code généré par l'IA contient plus d'erreurs, ce qui nécessite davantage de travail de débogage.

Cela dit, Jefferson a estimé que des améliorations plus larges pourraient bien se concrétiser avec le temps. Les entreprises et les travailleurs élargiront et intensifieront probablement leur utilisation de l'IA et réorganiseront production et flux de travail, et les entreprises qui réussissent pourraient acquérir un avantage concurrentiel, leur permettant de se développer et d'attirer travail et capital loin de leurs concurrentes.

Implications macroéconomiques

La vision de référence de Jefferson est que l'adoption de la nouvelle technologie finira par accroître substantiellement, mais progressivement, la capacité productive de l'économie. Les attentes de ces gains à plus long terme du côté de l'offre augmentent déjà significativement la demande agrégée. Une part substantielle de la hausse des cours des actions ces dernières années peut être attribuée à l'enthousiasme autour de la nouvelle technologie, et cette richesse accrue semble stimuler les dépenses des ménages. Les entreprises construisent et équipent de nouveaux centres de données à très grande échelle pour soutenir l'entraînement et l'inférence des modèles, ce qui tire une croissance rapide de l'investissement des entreprises au total.

Ces dépenses exercent une pression à la hausse sur l'utilisation des ressources et le niveau général des prix. En outre, comme la demande d'investissement est concentrée dans certains secteurs où l'offre peine à suivre — comme les puces mémoire et les processeurs logiques — elle a également contribué à de fortes hausses des prix de certains biens. À moyen terme, a dit Jefferson, l'offre de ces biens devrait rattraper la demande, et le soutien plus large de la productivité agrégée lié à l'adoption devrait se concrétiser ; ces deux évolutions devraient atténuer la pression à la hausse sur les prix observée aujourd'hui.

Bien que la nouvelle technologie devrait finalement générer une production et un revenu agrégés plus élevés, Jefferson a reconnu que cette transition pourrait être douloureuse pour certains travailleurs et entreprises. Les entreprises en retard dans l'adoption pourraient être désavantagées sur le plan concurrentiel, et leur viabilité à long terme pourrait être menacée. Même dans les entreprises qui adoptent avec succès la technologie, les travailleurs spécialisés dans des tâches que l'IA peut accomplir plus efficacement — comme certains aspects du développement logiciel — pourraient être déplacés de leur emploi.

« L'un des risques pesant sur ma vision de référence est que la nouvelle technologie pourrait déplacer les travailleurs bien plus vite qu'ils ne peuvent s'adapter et se former, ce qui pourrait entraîner une hausse du chômage », a déclaré Jefferson. Dans ce scénario, une question clé pour la politique monétaire serait de savoir quelle part de cette hausse est structurelle — reflétant un décalage persistant entre les compétences des travailleurs et les besoins des entreprises — et donc susceptible de perdurer même lorsque l'économie fonctionne proche de son plein potentiel. La politique monétaire peut influer sur les conditions conjoncturelles, comme un repli temporaire de l'emploi et des dépenses, mais elle ne peut pas traiter les facteurs structurels qui déterminent les taux d'emploi de long terme.

Jefferson a également signalé les effets potentiels sur le taux d'intérêt neutre de long terme, souvent appelé r*. Si le taux neutre augmente, alors pour tout niveau donné du taux des fonds fédéraux, la politique devient effectivement plus accommodante ; inversement, si le taux neutre baisse, la politique devient effectivement plus restrictive. Si la nouvelle technologie conduit à des niveaux de croissance de la productivité durablement plus élevés, elle peut accroître le désir d'investir des entreprises et donc leur demande de financement, faisant monter les taux d'intérêt. Une croissance plus élevée de la productivité peut aussi décourager l'épargne des ménages et accroître la consommation en augmentant le revenu futur attendu — des conditions dans lesquelles, pour concilier l'augmentation de l'investissement avec une épargne réduite, le taux neutre devrait probablement monter. Prévoir les variations du taux neutre reste toutefois difficile, étant donné la relation historiquement bruitée entre croissance de la productivité et taux d'intérêt réels. Les décideurs, a-t-il dit, doivent rester attentifs aux évolutions en temps réel et aux évolutions futures potentielles pour s'assurer que l'orientation de la politique monétaire reste correctement calibrée.

Les signaux à surveiller, selon Jefferson lui-même, sont l'élargissement de l'utilisation de l'IA par les entreprises au-delà des quelques fonctions commerciales où elle est concentrée aujourd'hui, le rattrapage de l'offre dans les segments contraints comme les puces mémoire et les processeurs logiques par rapport à la demande des centres de données, et l'accumulation d'assez de données pour isoler la contribution de l'IA à la productivité agrégée.

Perspectives économiques et orientation de la politique

S'agissant de l'économie dans son ensemble, Jefferson a dit qu'elle a gagné en dynamisme cette année, croissant à un rythme à peu près conforme à son potentiel — fait notable compte tenu d'une cascade de chocs, dont un choc énergétique et des changements significatifs de politique commerciale, en plus de la construction d'infrastructures technologiques. Le PIB a progressé à un rythme de 3,4 pour cent au troisième trimestre, comme le montre la figure 4 du discours. L'investissement des entreprises a été très solide, et les dépenses de consommation sont restées résilientes. Jefferson a dit s'attendre à ce que l'expansion se poursuive l'année prochaine à un rythme à peu près conforme à la production potentielle.

Un large éventail de données récentes du marché du travail montre que les conditions se sont stabilisées. Le taux de chômage est resté pour l'essentiel stable cette année, s'établissant à 4,1 pour cent en octobre, comme le montre la figure 5. Les licenciements restent faibles et les offres d'emploi ont légèrement progressé. Bien que la création d'emplois ait été volatile, les gains d'emploi se sont élargis à de nombreux secteurs ces derniers mois — ce que Jefferson trouve encourageant. Il s'attend à ce que le taux de chômage reste à proximité de son niveau actuel à court terme — un niveau qu'il considère comme compatible avec le plein emploi. Les risques pesant sur ses prévisions de production et d'emploi sont à peu près équilibrés : une hausse de l'incertitude liée aux tensions au Moyen-Orient peut peser sur l'activité et l'embauche, tandis qu'une nouvelle flambée des dépenses d'investissement pourrait soutenir une croissance plus forte.

Sur le volet stabilité des prix du double mandat de la Fed, l'inflation reste nettement au-dessus de la cible de 2 pour cent du FOMC. La variation sur 12 mois de l'indice des prix des dépenses de consommation personnelle, montré par la ligne bleue de la figure 6, était de 3,6 pour cent en septembre. Le coût plus élevé de l'énergie est l'un des moteurs de l'inflation élevée : les prix du pétrole ont été très volatils, et les approvisionnements énergétiques mondiaux sont soumis à de nouvelles tensions dans un contexte de tensions géopolitiques accrues. Jefferson a dit rester préoccupé par le risque que des prix de l'énergie plus élevés entraînent une hausse persistante de l'inflation plus largement.

La variation sur 12 mois de l'inflation PCE sous-jacente, qui exclut les prix volatils de l'alimentation et de l'énergie, était de 3,1 pour cent en septembre. Indirectement, le coût plus élevé de l'énergie se répercute dans certains domaines, notamment les tarifs aériens et les transports, et la demande en forte hausse pour les nouvelles technologies tire des hausses de coûts exceptionnellement fortes pour les biens et services de consommation dépendant des mêmes intrants, comme la mémoire. Les données reçues à ce jour pour octobre restent compatibles avec une inflation nettement supérieure à la cible.

Jefferson porte également une attention étroite aux anticipations d'inflation. Les mesures à court terme fondées sur des enquêtes sont élevées, reflétant principalement la hausse des prix de l'énergie, tandis que la plupart des mesures des anticipations d'inflation à plus long terme sont restées stables à des niveaux compatibles avec une inflation de 2 pour cent.

Lors de la réunion de politique monétaire du FOMC le mois dernier, Jefferson a rejoint la majorité de ses collègues en votant pour maintenir le taux des fonds fédéraux inchangé, comme le montre la figure 7. Les données reçues depuis cette réunion sont compatibles avec une activité économique et des conditions du marché du travail globalement solides, tandis que les lectures d'inflation montrent des pressions persistantes sur les prix. En conséquence, Jefferson a dit considérer la trajectoire de l'inflation comme le signal le plus important pour déterminer l'orientation appropriée de la politique monétaire. À l'avenir, il estime que tout nouvel ajustement de politique devrait être déterminé par un examen attentif des tendances des données, des perspectives en évolution et du bilan des risques.

Conclusion

En conclusion, Jefferson est revenu à son thème central : les nouvelles technologies nous conduisent à revisiter des questions anciennes mais très importantes. Les chemins allant de l'innovation à l'adoption, à l'adaptation et à des gains de productivité durables peuvent être inégaux et imprévisibles — déroutants, même. Les nouvelles technologies captent notre attention bien avant d'affecter la productivité mesurée, et elles nous obligent à repenser notre compréhension du fonctionnement de l'économie, rendant l'exercice de la politique monétaire passionnant et exigeant. « Heureusement, à travers tout cela, notre mission à la Fed est claire », a-t-il déclaré : remplir le double mandat confié à la Fed par le Congrès — plein emploi et stabilité des prix. « Telles sont les finalités de chacune de nos actions. »

Notes et références du discours

1. Les vues exprimées dans le discours sont celles de Jefferson et ne reflètent pas nécessairement celles de ses collègues du Conseil des gouverneurs de la Réserve fédérale ou du Comité fédéral de l'open market.
2. Les avancées technologiques récentes évoquées dans le discours sont parfois désignées comme super intelligence, ou SI.
3. Robert Solow (1987), "We'd Better Watch Out," New York Times, July 12.
4. Le microprocesseur Intel 386, une option haut de gamme pour PC à l'époque, réalisait environ 200 000 opérations en virgule flottante par seconde (FLOPS). Voir Richard Grehan, Tom Thompson, Curtis Franklin Jr., et George A. Stewart (1988), "Introducing the New BYTE Benchmarks," BYTE, juin. La puce Apple A19, utilisée dans l'iPhone 17, réalise 2,07 trillions de FLOPS. Voir Nanoreview.net (2026), "Apple iPhone 17: Specifications and Benchmarks,"
5. La faible part des ordinateurs dans le stock de capital avait été notée à l'époque comme une résolution du paradoxe. Voir Stephen D. Oliner, Daniel E. Sichel, Jack E. Triplett, et Robert J. Gordon (1994), "Computers and Output Growth Revisited: How Big is the Puzzle?" Brookings Papers on Economic Activity, no 2, pp. 273–334.
6. Alan Greenspan (1998), "The Implications of Technological Changes," discours prononcé à la Charlotte Chamber of Commerce, Charlotte, N.C., 10 juillet. Pour des preuves du lien entre la hausse de la productivité et les technologies de l'information, voir Stephen D. Oliner et Daniel E. Sichel (2000), "The Resurgence of Growth in the Late 1990s: Is Information Technology the Story?" Journal of Economic Perspectives, vol. 14 (4), pp. 3–22.
7. Daniel E. Sichel, Stephen Oliner, et Kevin J. Stiroh (2007), "Explaining a Productive Decade," Brookings Papers on Economic Activity, printemps, pp. 81–152.
8. Timothy F. Bresnahan, Erik Brynjolfsson, et Lorin M. Hitt (2002), "Information Technology, Workplace Organization, and the Demand for Skilled Labor: Firm-Level Evidence," The Quarterly Journal of Economics, vol. 117 (1), pp. 339–76.
9. Sichel, Oliner et Stiroh, "Explaining a Productive Decade" (voir note 7).
10. James Moor (2006), "The Dartmouth College Artificial Intelligence Conference: The Next Fifty Years," AI Magazine, 15 décembre, pp. 87–91.
11. Brian Tanton (2007), "Becoming More Clear," Mailing Systems Technology, 29 janvier.
12. Alexander Bick, Adam Blandin, David J. Deming, et Tyler R. Schumacher (2026), "What Work Does Generative AI Do?" NBER Working Paper Series 35677 (Cambridge, Mass. : National Bureau of Economic Research, août).
13. Comme les grandes entreprises représentent une part disproportionnée de l'emploi total, les taux d'adoption pondérés par l'emploi sont encore plus élevés que les chiffres du Census Bureau évoqués. Voir Ivan Yotzov, Jose Maria Barrero, Nicholas Bloom, Philip Bunn, Chanya Chawla, Steven J. Davis, Kevin M. Foster, Aaron Jalca, Brent H. Meyer, Paul Mizen, Michael A. Navarrete, Samil Oh, Katia Garcia Loredo, Monique Reid, Pawel Smietanka, Gregory Thwaites, et Ben Zhe Wang (2026), "Firm Data on AI," NBER Working Paper Series 34836 (Cambridge, Mass. : National Bureau of Economic Research, février ; révisé octobre 2026). Ce document estime que le taux d'adoption pondéré par l'emploi parmi les entreprises américaines est de 95 pour cent.
14. Erik Brynjolfsson, Danielle Li, et Lindsey Raymond (2025), "Generative AI at Work," The Quarterly Journal of Economics, vol. 140 (2), pp. 889–942.
15. Tania Babina, Alex X. He, et Renhao Jiang (2026), "Canaries in the Gold Mine: Early Productivity Gains from Artificial Intelligence Creating Organization Capital," NBER Working Paper Series 35684 (Cambridge, Mass. : National Bureau of Economic Research, août).
16. Yotzov et al. (2026), "Firm Data on AI" (voir note 13). Cette estimation est une moyenne pondérée par l'emploi sur les répondants à l'enquête.
17. Kathryn Bonney, Cory Breaux, Emin Dinlersoz, Lucia Foster, John Haltiwanger, et Aditya Pande (2026), "The Microstructure of AI Diffusion: Evidence from Firms, Business Functions, and Worker Tasks," Center for Economic Studies Working Paper No. CES-26-25 (Washington : U.S. Census Bureau, avril).
18. Une part substantielle de cette demande d'investissement, notamment pour les équipements informatiques, est satisfaite par des importations, ce qui réduit l'effet direct sur le PIB. Cela dit, l'approfondissement du capital accroît la productivité du travail, que le capital ait été importé ou non.
19. En particulier, les fabricants de puces mémoire ont annoncé une augmentation massive de leur capacité de production, ce qui allégera la pression sur les prix des produits utilisant de la DRAM dans les années à venir.

Source : Federal Reserve Board, discours du vice-président Philip N. Jefferson, "New Technology, Old Questions: Productivity Puzzles and the Macroeconomy", 13 novembre 2026, https://www.federalreserve.gov/newsevents/speech/jefferson20261113a.htm