Du « rapport de recherche de juin 2028 » : lorsque l'IA dépasse les attentes, l'économie s'effondre

CitriniResearch et Alap Shah proposent dans une « note macroéconomique du futur » une hypothèse fictive : que le dépassement répété des attentes optimistes par l’IA ne soit pas nécessairement un facteur haussier pour les actifs et l’économie, au contraire, une intelligence machine abondante pourrait, en comprimant les revenus du travail et le cycle de consommation, déclencher une contraction de la demande et une réévaluation financière induite par une « prospérité de la productivité ».

Dans cette expérience mentale ancrée en « juin 2028 », le taux de chômage américain atteint 10,2 %, soit 0,3 point de plus que prévu. Après la publication, le marché chute de 2 %, le S&P 500 ayant reculé de 38 % depuis son sommet d’octobre 2026. La note indique que les traders sont devenus insensibles à ces chocs, alors qu’il y a six mois, des données similaires auraient probablement déclenché une suspension de cotation.

Le scénario de crise est décomposé en deux chaînes d’effets renforçant mutuellement : une dans l’économie réelle, où l’amélioration des capacités de l’IA remplace les emplois de cols blancs, entraînant une chute du rythme de croissance des salaires réels, une contraction de l’économie « centrée sur l’humain » où la consommation, représentant environ 70 % du PIB à l’époque, commence à diminuer. Cela crée une boucle de rétroaction négative sans frein naturel, où le marché ne regarde plus que l’IA, mais où l’économie elle-même commence à se déformer, donnant naissance à ce que l’on appelle le « Ghost GDP », c’est-à-dire une production comptabilisée dans les comptes nationaux mais difficile à faire circuler dans la vraie économie.

L’autre chaîne concerne le système financier : la dégradation structurelle des attentes de revenus commence à éroder la valorisation des actifs basés sur le flux de trésorerie des cols blancs, comme le crédit privé et les hypothèques résidentielles. Cela accélère la discussion réglementaire et politique, mais la réponse politique reste en retard, la confiance du public dans la capacité de sauvetage du gouvernement diminue, amplifiant le risque de spirale déflationniste.

Peut-être, comme le dit Citrini, que « lorsque la production machine équivaut à celle de 10 000 cols blancs sans consommer un seul centime de services sociaux, ce n’est pas un miracle économique, c’est une peste économique. »

Une rentabilité attractive ne garantit pas la santé économique : l’argent ne traverse plus le secteur des ménages

Dans le scénario, la première vague de licenciements début 2026, suite à l’obsolescence humaine, correspond parfaitement à la préférence du marché boursier : baisse des coûts, hausse des marges, résultats supérieurs aux attentes, hausse des cours. En octobre 2026, le S&P 500 approche les 8000 points, le Nasdaq dépasse les 30 000. Les profits des entreprises sont réinjectés dans la puissance de calcul de l’IA, créant un effet accélérateur.

Les indicateurs macroéconomiques sont également « beaux » : le PIB nominal enregistre plusieurs croissances à deux chiffres en annualisé, la croissance du produit horaire réel atteint un niveau que l’auteur qualifie de « sans précédent depuis les années 1950 » — l’IA ne se fatigue pas, ne tombe pas malade, n’a pas besoin d’assurance maladie.

Mais la note insiste sur le fait que la majorité de la richesse va aux « propriétaires de la puissance de calcul », tandis que les revenus du travail s’effondrent. La croissance réelle des salaires devient négative, les cols blancs sont contraints de descendre vers des emplois à plus bas salaire, la « machine à moteur humain » qui représentait environ 70 % du PIB commence à se contracter. L’auteur résume la logique par une question directe : combien la machine dépense-t-elle en consommation discrétionnaire ? La réponse est zéro.

SaaS en première ligne : quand « écrire soi-même » devient une option d’achat courante

Le premier domino de cette chaîne provient du logiciel. L’auteur place le point de basculement à la fin 2025 : une « montée en puissance en escalier » des outils de programmation par agents. Un développeur compétent, associé à Claude Code ou Codex, peut en quelques semaines reproduire les fonctionnalités clés d’un produit SaaS de milieu de gamme — imparfait, mais suffisant pour que le CIO, face à un renouvellement annuel de 500 000 dollars, demande : « Pouvons-nous le faire nous-mêmes ? »

Les budgets des entreprises étant souvent fixés au dernier trimestre de l’année précédente, la mi-2026 devient la première fenêtre de décision d’achat « avec une véritable utilisabilité ». Un exemple de négociation : un responsable d’achat d’une entreprise du Fortune 500 explique avoir obtenu un contrat à 30 % de réduction en utilisant comme levier la discussion avec OpenAI sur le remplacement des fournisseurs par des ingénieurs déployés en interne avec des outils IA ; la situation est encore pire pour des SaaS de niche comme Monday.com, Zapier ou Asana.

Ce qui est encore plus critique, c’est la façon dont cette « auto-construction » modifie la structure sectorielle : la différenciation, qui dépendait jusqu’ici de fonctionnalités uniques, est rapidement nivelée par l’IA capable de développer et d’itérer rapidement. La guerre des prix devient une « mêlée simultanée contre d’anciens concurrents et de nouveaux challengers », où la barrière à l’entrée ne réside plus dans la fonctionnalité, mais dans le coût et la capacité de financement.

Les entreprises menacées par l’IA, paradoxalement, deviennent les plus agressives : c’est ici que commence la boucle réflexive

Ce que la note veut souligner, en rupture avec l’histoire, c’est que : en 2026, les entreprises subverties n’ont pas choisi de « résister ». En comparant avec Kodak, Blockbuster ou BlackBerry, l’auteur pense que face à l’impact de l’IA, beaucoup d’entre elles « ne peuvent pas mourir lentement », elles doivent se sauver rapidement.

Dans ce scénario, ServiceNow donne un signal clair dès le troisième trimestre 2026 : la croissance du nouveau contrat annuel (ACV) net passe de 23 % à 14 %, tout en annonçant 15 % de licenciements, avec une chute immédiate de 18 % du cours. La raison est simple : elle vend des licences d’agents, et si un client supprime 15 % de ses employés, il annule mécaniquement 15 % de ses licences ; la raison pour laquelle il licencie, c’est justement l’efficacité accrue grâce à l’IA.

Cela entraîne ce que la note appelle une « rationalité collective, une catastrophe globale » : chaque entreprise, en réduisant ses coûts, investit dans l’IA, ce qui augmente encore la capacité de l’IA à faire des licenciements, et ainsi de suite. Chaque mouvement est logique, mais leur accumulation détruit le frein.

Après la suppression des frictions, le niveau d’intermédiation s’effondre : des abonnements, des commissions, jusqu’aux frais des réseaux de cartes

Au début 2027, l’utilisation généralisée des LLM devient la norme : beaucoup utilisent des assistants IA comme s’ils utilisaient la fonction de complétion automatique, sans même s’en rendre compte. Ensuite, l’ouverture du « proxy shopping assistant » de Qwen devient un catalyseur, intégrant rapidement des fonctionnalités de commerce électronique agentif ; la distillation des modèles permet à ces agents de fonctionner sur téléphone ou ordinateur portable, réduisant le coût marginal de l’inférence.

Ce qui inquiète le plus l’auteur, c’est que ces agents n’ont pas besoin d’être explicitement activés : ils tournent en permanence en arrière-plan, selon les préférences. En mars 2027, la consommation quotidienne moyenne d’un individu américain atteint environ 400 000 tokens, soit dix fois plus qu’à la fin 2026. La transaction n’est plus une série de décisions disjointes, mais une optimisation continue 24/7.

Cela détruit directement la couche de rente construite sur la « limitation humaine » : abonnements renouvelés automatiquement, augmentations discrètes après période d’essai, fidélité à la marque qui remplace la recherche de prix… ces modèles de monétisation par friction deviennent des « négociables en temps réel ».

Une série d’intermédiaires « premiers à tomber » est listée : plateformes de réservation de voyages, assurances dépendantes de la reconduction automatique, conseillers financiers, services de déclaration fiscale, cabinets d’avocats classiques. Même les agents immobiliers ne sont pas épargnés : avec l’accès MLS et les données historiques de transactions, la commission médiane dans les grandes métropoles américaines pour l’achat par l’acheteur chute de 2,5-3 % à moins de 1 %, et de plus en plus de transactions n’ont plus besoin d’un agent humain côté acheteur.

Une fois que l’agent contrôle la transaction, il cherche à maximiser ses gains : dans la transaction machine à machine, les frais d’échange de 2-3 % pour les réseaux de cartes deviennent visibles. L’auteur imagine que certains agents utilisent des stablecoins sur Solana ou Ethereum Layer 2, avec des coûts proches de « quelques fractions de cent ». Dans cette étape, Mastercard est décrite comme un « point de basculement irréversible » : la direction évoque dans ses résultats « l’optimisation tarifaire pilotée par l’agent » et « la pression sur la consommation optionnelle », ce qui fait chuter le cours ; le risque se propage aux banques émettrices et aux réseaux de cartes, notamment AmEx, fortement impactée par la double pression : réduction des clients cols blancs + contournement des frais.

Ce n’est pas une question de « santé sectorielle » : la demande pour l’économie des services aux cols blancs est déstabilisée par l’effet de levier

En 2026, le marché considère encore ces impacts comme relevant des « secteurs logiciels, conseil, paiement »… La réponse de la note est claire : les États-Unis sont une économie de services aux cols blancs, représentant 50 % de l’emploi mais environ 75 % de la consommation discrétionnaire.

Les données plus pointues sont encore plus tranchantes : l’auteur insiste sur la concentration des dépenses — les 10 % de revenus les plus élevés aux États-Unis contribuent à plus de 50 % de la consommation, et les 20 % supérieurs à environ 65 %. Ainsi, si l’impact se concentre sur la haute income white-collar, même un taux de chômage de 10 % n’est pas une menace pour la consommation discrétionnaire, mais une attaque « à petit feu ». La note illustre cela par un exemple d’effet de levier : une baisse de 2 % de l’emploi des cols blancs pourrait entraîner une baisse de 3 à 4 % de la consommation discrétionnaire, avec un décalage temporel dû aux réserves d’épargne.

Les signaux de retournement du marché du travail sont très précis : en octobre 2026, le nombre d’offres d’emploi JOLTS chute sous 5,5 millions, en baisse de 15 % sur un an ; les postes de cols blancs s’effondrent alors que ceux de blue-collar restent relativement stables. La contraction du marché obligataire commence par une baisse du rendement des obligations à 10 ans, passant de 4,3 % à 3,2 %.

Parallèlement, l’investissement dans l’IA ne ralentit pas, car il est considéré comme un « OpEx de substitution » plutôt qu’un cycle CapEx traditionnel : les entreprises déplaçant 100 millions de dollars de dépenses en main-d’œuvre vers l’IA, leur dépense totale baisse, mais leur investissement en IA explose. La divergence est frappante : l’infrastructure IA reste en forte croissance — Nvidia enregistre des revenus records, TSMC tourne à plus de 95 % de capacité, les grands cloud dépensent encore 150 à 200 milliards de dollars par trimestre — alors que la consommation en déclin commence à saigner.

L’auteur étend cette divergence à l’échelle nationale : la Corée, bénéficiaire pure, surperforme fortement ; l’Inde, dont les exportations de services IT (plus de 2000 milliards de dollars par an) sont confrontées à une baisse des marges et à des contrats annulés, voit le rouble se déprécier de 18 % en quatre mois, et dès le premier trimestre 2028, le FMI a entamé des discussions préliminaires avec New Delhi.

Le crédit privé n’est pas « à l’abri » : les dettes d’assurance-vie le mettent en lumière

Le premier déclencheur dans la sphère financière concerne le crédit privé. La note donne l’évolution de l’ampleur : de moins de 1 000 milliards de dollars en 2015, il dépasse 2 500 milliards en 2026, une partie importante étant investie dans des LBO de logiciels et de tech, en supposant que les revenus SaaS peuvent croître de façon « stable et composée » sur le long terme.

Lorsque l’IA remet en cause la « durabilité » de l’ARR, le problème n’est pas la perte elle-même, mais le moment où elle est reconnue. La note prévoit plusieurs événements clés : en avril 2027, Moody’s dégrade une vingtaine d’émetteurs pour 18 milliards de dollars de dette soutenue par des logiciels ; au troisième trimestre 2027, les prêts soutenant ces logiciels commencent à faire défaut. Zendesk est présenté comme une « arme fumante » : ses facilités de 5 milliards de dollars, supportées par l’ARR, sont marquées à 58 cents, devenant un cas de défaut record dans le secteur du crédit privé logiciel.

Si l’on s’arrête là, l’auteur admet que c’est « en principe contrôlable » — le crédit privé étant souvent fermé, à échéance fixe, sans risque de panique de type « bank run ». Mais la « capitalisation permanente » révèle une autre facette : de grands gestionnaires alternatifs, via l’acquisition de compagnies d’assurance-vie, transforment leurs passifs de rentes en socle de financement pour le crédit privé (l’auteur cite Apollo/Athene, Brookfield/American Equity, KKR/Global Atlantic). Lorsqu’une vague de défauts logiciels s’étend, la régulation des assurances commence à resserrer la capitalisation de ces actifs, obligeant les institutions à renforcer leurs fonds propres ou à vendre à des prix dégradés. Moody’s dégrade la solidité financière d’Athene en perspective négative, ce qui fait chuter de 22 % le cours d’Apollo en deux jours, avec des effets de contagion sur d’autres acteurs.

L’auteur ajoute une couche de complexité inquiétante : les structures offshore, SPV, et autres mécanismes de réassurance rendent la répartition des pertes opaque, voire indiscernable à court terme — difficile de répondre à la question « qui supporte réellement la perte ? ». La chute brutale de novembre 2027 est décrite comme le moment où la perception du marché passe d’un « recul cyclique » à une « défaillance systémique » ; lors d’une réunion d’urgence du FOMC, le président de la Fed, Wosh, évoque une « chaîne de corrélations de l’effet de productivité des cols blancs » en forme de marguerite.

Le vrai choc vient des prêts hypothécaires : à l’origine, de bons prêts, mais le monde a changé

La note laisse la question de la « tarification plus difficile et plus mortelle » aux prêts hypothécaires résidentiels. Le marché américain représente environ 13 000 milliards de dollars, avec une souscription supposant que l’emprunteur maintiendra une stabilité d’emploi et de revenus sur une longue période (souvent 30 ans).

Le scénario montre que le risque ne réside pas dans un « prêt défaillant dès le départ » comme en 2008, mais dans le fait que l’emprunteur est un « modèle de base » : FICO supérieur à 780, 20 % d’apport, revenus vérifiables, historique de crédit propre. Le problème, c’est qu’après la révision structurelle des revenus des cols blancs, la confiance dans ces flux futurs s’effrite : on emprunte un avenir de plus en plus difficile à croire.

L’auteur donne des signaux de pression « avant la défaillance » : utilisation de HELOC, retrait anticipé de 401(k), augmentation de la dette de carte de crédit, mais les hypothèques restent à jour ; puis, dans des quartiers comme San Francisco, Seattle, Manhattan ou Austin, apparaissent des retards de paiement. En juin 2028, l’indice Zillow affiche une baisse annuelle de 11 % à San Francisco, 9 % à Seattle, 8 % à Austin ; Fannie Mae signale que dans les quartiers où plus de 40 % des emplois sont liés à la technologie ou la finance (principalement jumbo), les retards précoces sont plus nombreux.

L’auteur insiste sur le fait que la « crise hypothécaire totale » n’est pas encore là, mais que la trajectoire est là : si le marché hypothécaire se déchire réellement dans la seconde moitié de l’année, la chute du marché boursier pourrait atteindre 57 %, le S&P pouvant retomber vers 3500 points — proche du niveau d’avant le « moment ChatGPT » de novembre 2022.

Le plus grand ennemi des politiques publiques, c’est le temps : la base fiscale repose sur la durée humaine

La critique des politiques est sans détour : les outils traditionnels (baisse des taux, QE) peuvent sauver le système financier, mais sont inefficaces pour réparer le moteur réel, car la cause n’est pas « l’argent trop cher », mais « l’intelligence humaine devenue moins précieuse ».

Plus concrètement, la contrainte fiscale est claire : le revenu fédéral est essentiellement une taxe sur le temps humain — travail, salaires, prélèvements, impôts. Au premier trimestre 2028, les recettes fédérales sont inférieures de 12 % au scénario de référence du CBO. La productivité explose, mais les gains vont principalement au capital et à la propriété de la puissance de calcul, sans revenir via l’impôt sur le revenu ou la sécurité sociale.

La baisse durable des revenus du travail dans le PIB, qui est passée de 64 % en 1974 à 56 % en 2024, s’accélère encore avec l’amélioration exponentielle de l’IA : en quatre ans, cette part chute à 46 %, ce que l’auteur qualifie de « record historique ».

Cela crée une contradiction structurelle : il faut transférer plus de fonds aux ménages, mais l’État en perçoit moins. La note évoque un « Transition Economy Act » financé par déficit et taxation de la puissance de raisonnement de l’IA, ainsi qu’un « Shared AI Prosperity Act » proposant une propriété publique sur le « rendement des infrastructures intelligentes », sous forme de fonds souverains ou de licences sur la production d’IA, redistribués via dividendes. La polarisation politique est forte : la droite voit cela comme une « marxisation » et craint que la taxe sur la puissance ne profite à la Chine ; la gauche redoute la capture réglementaire par les incumbents ; les fiscalistes d’extrême droite dénoncent la soutenabilité du déficit, tandis que les doves rappellent la crise de 2008 et la nécessité de ne pas précipiter une nouvelle austérité.

Les frictions sociales sont aussi évoquées : en 2027, des manifestants d’« Occupy Silicon Valley » bloquent pendant trois semaines les bureaux d’Anthropic et OpenAI à San Francisco, avec une couverture médiatique qui dépasse celle du chômage. La conclusion est que la vitesse du changement institutionnel ne peut suivre celle de la technologie, et que la rétroaction politique finira par faire le tri.

« La prime de l’intelligence » recule : il faut réévaluer les flux de trésorerie du vieux monde

La dernière réflexion de la note ramène tout à une évolution fondamentale du prix : dans l’histoire économique moderne, l’intelligence humaine a toujours été une ressource rare, autour de laquelle se sont construites la main-d’œuvre, la souscription hypothécaire, la fiscalité, et la différenciation des entreprises. Avec l’avènement de l’intelligence machine, devenue une ressource abondante et en baisse de prix, la « prime d’intelligence » commence à se réduire, et le système financier doit se réajuster douloureusement.

L’auteur laisse une porte ouverte : ce réajustement ne signifie pas forcément la fin de l’économie, mais la nécessité de trouver un nouvel équilibre ; le défi est de « faire en sorte que cette nouvelle configuration se mette en place avant que la rétroaction ne boucle la prochaine étape ». En février 2026, à la date de rédaction, le S&P reste élevé, la rétroaction négative n’a pas encore démarré. La mise en garde est plutôt une question pour les investisseurs : combien de leurs actifs et flux de trésorerie reposent encore sur l’hypothèse que « la friction n’a pas disparu, que les revenus des cols blancs resteront stables, que le secteur des ménages continuera à faire tourner la demande » ? La dernière phrase est une métaphore : la canari est encore vivant.