《2028 Mondial de la Crise de l’Intelligence》 Analyse Approfondie

Sous-titre : Lorsque “l’intelligence” n’est plus rare, quelle sera la première ligne de faille du système financier ?

Cet article est basé sur la simulation scénaristique « THE 2028 GLOBAL INTELLIGENCE CRISIS » publiée par Citrini Research le 22 février 2026. Le texte insiste clairement : « Il s’agit d’un scénario, pas d’une prédiction. » Sa valeur ne réside pas dans la prévision précise de l’avenir, mais dans la mise en lumière d’un risque de queue gauche sous-estimé, en utilisant une chaîne fermée pour expliquer : si l’IA devient trop performante, elle pourrait non seulement « augmenter la productivité », mais aussi faire s’effondrer l’hypothèse de rareté de l’intelligence humaine, entraînant une réinitialisation des prix et des structures de crédit du système financier.

1. Que cherche à faire cet article : un « mémo macroéconomique depuis 2028 »

L’article adopte un style « mémoire historique de la finance » : il suppose la date au 30 juin 2028, et utilise un ton « mémo macroéconomique trimestriel » pour retracer comment la crise, partie d’un « choc sectoriel » en 2026, a évolué vers une crise financière systémique : taux de chômage à 10,2 %, le S&P ayant reculé de 38 % depuis son sommet d’octobre 2026 (avec des risques de retracements plus profonds) — c’est une écriture scénaristique très typique : en racontant « comme si cela s’était déjà produit », cela réduit la charge cognitive pour le lecteur face à une chaîne causale complexe, permettant de se concentrer sur « le mécanisme » plutôt que sur « la prévision numérique ».

Les avantages de cette approche sont :

• Décrire « le processus intermédiaire » : une crise financière ne se forme pas en un jour, elle passe par « une explication partielle → un refinancement masquant le risque → une exposition conjointe du bilan → une revalorisation déclenchée par la régulation ou la liquidité → une systémicité ».
• Amplifier « le point faible » : même si vous n’êtes pas d’accord avec la conclusion, vous pouvez mieux voir : quand une hypothèse fondamentale est brisée, quels marchés se déforment ou se cassent en premier.

Ses inconvénients sont aussi évidents :

• La narration fluide ≠ une probabilité élevée. La simulation scénaristique suppose souvent « une accélération hypothétique » à des moments clés, créant des boucles de rétroaction dramatiques.
• Elle peut faire croire que « l’intensité narrative » équivaut à « la certitude ».

La bonne attitude pour lire cet article est donc : le considérer comme un « script de test de résistance », puis se poser la question :

Dans cette chaîne, quels maillons sont les plus susceptibles de céder ? Lesquels sont les moins probables ? Si cela ne se produit qu’à 30 %, comment le marché va-t-il le valoriser ?

2. Trois concepts clés : Prime d’Intelligence, PIB Fantôme, Friction→0

La partie la plus inspirante de l’article est sa mise en perspective de l’impact de l’IA, qui passe du simple « outil d’efficacité » à celui d’« actif rare ».

2.1 « Prime d’Intelligence » (Intelligence Premium) : l’intelligence humaine était une ressource rare

L’article avance : dans l’économie moderne, un fait fondamental longtemps admis est que l’intelligence humaine est la ressource la plus rare. Par conséquent, dans la fixation des salaires, la valorisation des actifs et la conception des institutions, il y a implicitement une prime stable pour « les intelligents / les cadres / le travail de connaissance ». Il va jusqu’à dire : du marché du travail à l’hypothèque, en passant par la fiscalité, tout est conçu en fonction de cette prémisse de « rareté de l’intelligence ».

Si l’IA rend « analyser, décider, créer, persuader, coordonner » facilement reproductible et scalable, cette prime sera « comprimée », et se traduira dans le système financier par une revalorisation douloureuse :

• Autrefois, « FICO élevé, revenu élevé, emploi stable » constituaient la « pierre angulaire » du risque ;
• Mais si la structure des revenus des emplois à revenu élevé est interrompue, l’hypothèse sous-jacente des modèles de risque s’effondre.

2.2 « PIB Fantôme » (Ghost GDP) : la productivité augmente, mais l’argent ne circule pas

L’article introduit un terme très évocateur : Ghost GDP — « une production qui apparaît dans les comptes nationaux mais ne circule pas dans l’économie réelle ». Il décrit une structure apparemment contradictoire, mais pas inconnue dans l’histoire financière :

• Les profits des entreprises s’améliorent à court terme grâce aux licenciements et à l’automatisation, les gains du capital (notamment des « propriétaires de puissance de calcul ») explosent ;
• Mais la croissance des salaires s’effondre, le pouvoir d’achat diminue, la demande se dégrade ;
• Résultat : « les données macro semblent très fortes (productivité, profits) », mais la perception et la consommation des ménages sont mauvaises.

On peut la comprendre comme : efficacité accrue de l’offre + déséquilibre dans la répartition → demande effective insuffisante. Ce qui diffère d’une récession classique causée par des taux d’intérêt élevés qui freinent la demande : ici, la faiblesse de la demande provient de la dévalorisation du travail humain.

2.3 « Friction à zéro » (When Friction Went to Zero) : la barrière des intermédiaires est en réalité une friction

L’article insiste beaucoup sur l’effondrement de la « couche d’intermédiation » : au cours des 50 dernières années, l’économie américaine s’est construite sur une « couche de rente » basée sur « les limites humaines » — coûts temporels, impatience, asymétries d’information, notoriété de marque, paresse à comparer… tout cela pouvait être monétisé par plateformes et intermédiaires.
Lorsque des agents IA remplacent la recherche, la comparaison, la décision et l’exécution, la friction qui permettait d’économiser quelques clics disparaît, et de nombreux modèles d’affaires voient leur avantage concurrentiel réduit à « un mur de friction ».

Ce raisonnement explique notamment beaucoup de cas dans le secteur internet / paiement / plateforme : ce n’est pas que le produit devient soudain mauvais, c’est que le coût décisionnel des utilisateurs chute brutalement.

3. Revue de la chaîne scénaristique : de « choc sectoriel » à « crise systémique »

En suivant la narration de l’article, on décompose la chaîne en 5 phases, en indiquant à chaque étape la hypothèse clé sur laquelle elle repose.

Phase A (2026) : Les licenciements améliorent d’abord la rentabilité, le marché interprète à tort comme un signal positif

Le point de départ est très tranché : la première vague de licenciements dans le secteur des cadres, causée par l’IA, débute début 2026, mais elle « semble positive » en termes comptables :

• Coût du travail en baisse → marge en expansion ;
• Résultats supérieurs aux attentes → hausse du cours ;
• Les entreprises réinvestissent leurs profits dans la puissance de calcul IA → capacités accrues.

C’est une boucle de « rétroaction positive » : l’amélioration à court terme des résultats masque les problèmes de demande à long terme.
Hypothèse clé : l’impact négatif des licenciements ne se manifeste pas immédiatement sur le chiffre d’affaires, et le marché est prêt à valoriser en utilisant la narration de « productivité ».

Phase B (2027) : La diffusion des agents IA fait vaciller la couche d’intermédiation

L’article décrit que dès 2027, l’usage des agents IA devient la norme : comme on utilise la complétion automatique sans se soucier de ses fondements, cela entraîne une série de chocs en cascade :

• La concurrence entre SaaS (notamment pour la gestion de processus, la collaboration, l’intégration) devient féroce, avec des outils internes substituables ;
• Les frais d’échange des réseaux de paiement et des cartes (2-3%) sont contournés par des agents via d’autres voies ;
• Les plateformes dépendantes de la « réticence des utilisateurs à faire trop d’efforts » sont contraintes de baisser leurs prix.

Hypothèse clé : les agents peuvent réellement réaliser des tâches « de bout en bout » à travers plusieurs applications et plateformes, sans que la régulation, la conformité ou la sécurité ne deviennent des freins majeurs.
En réalité, cela peut ne pas se produire si vite, mais cela oblige à réexaminer si beaucoup de « barrières » sont en fait construites sur la paresse ou la complexité inutile.

Phase C (2027 T3) : Le « software LBO » des crédits privés commence à faire des ravages

C’est la partie la plus « financière » et la plus sérieuse : elle donne un chiffre clair : la taille du crédit privé est passée de moins de 1 000 milliards de dollars en 2015 à plus de 2 500 milliards en 2026, avec une majorité de fonds investis dans des opérations de rachat par effet de levier, notamment basées sur des flux de trésorerie récurrents (ARR).

Elle cite Zendesk comme « coup de feu » : lorsque les agents IA remplacent directement la génération de tickets, la récurrence annuelle de Zendesk n’est plus « récurrente » mais devient une « recette non encore perdue ».

L’article souligne intelligemment que, initialement, le marché pensait que c’était « contrôlable » : le crédit privé étant à échéance, considéré comme « capital permanent » (permanent capital), il ne devrait pas y avoir de panique.
Mais il révèle une inversion critique :

• Les gestionnaires alternatifs importants utilisent des fonds de pension (notamment pour des obligations à long terme) pour financer ces crédits ;
• Quand ces actifs ne sont plus « solvables », la régulation augmente la provision de capital, obligeant les assureurs à renforcer leur capital ou à vendre des actifs ;
• La structure supposée « sans risque de retrait » devient en réalité vulnérable à la contrainte réglementaire et à la dégradation de la qualité des actifs.

Hypothèse clé : la dégradation du crédit dans les services informatiques et logiciels est suffisamment importante pour faire résonner la régulation et les fonds d’assurance.
Ce mécanisme n’est pas une pure spéculation : il s’appuie sur l’expérience historique où des défaillances dans des échéances apparemment stables ont provoqué des ruptures.

Phase D (2028) : Du « perte » à la « reconnaissance de perte » — le point critique de la crise

L’article cite une phrase très célèbre dans l’histoire financière :

Ce n’est pas la perte elle-même qui cause la crise, mais le fait de commencer à la reconnaître.

Il se tourne ensuite vers un marché plus vaste : celui des prêts hypothécaires résidentiels américains, évalué à 13 000 milliards de dollars.
La question clé est appelée « The Mortgage Question » : lorsque les revenus des cadres sont structurellement affaiblis, les « emprunteurs de qualité » (FICO 780, 20 % d’apport, bon historique de crédit) restent-ils « solvables » ?
L’article insiste sur le fait que cela diffère de 2008 :

• En 2008, les prêts étaient « mauvais dès le départ » ;
• En 2028, ils étaient « bons à l’origine », mais le contexte a changé, et les emprunteurs ne croient plus pouvoir supporter la charge future.

Cela crée un second accélérateur : lorsque les prix immobiliers chutent, les nouveaux acheteurs sont aussi affectés par la baisse de revenus, ce qui dégrade la découverte des prix et réduit la richesse, renforçant la baisse de consommation.
Selon l’article, cette chaîne pourrait faire reculer le marché boursier jusqu’à un niveau comparable à celui de la crise financière mondiale, avec une chute de 57 % du sommet au creux.

Hypothèse clé : la baisse des revenus des cadres est « généralisée » et « durable », affectant la capacité à rembourser, et la pression sur les prix immobiliers et les prêts est concentrée dans les zones à forte emploi technologique, pouvant se propager en risque systémique.

Phase E (politique et société) : L’échec des outils traditionnels, le « fondement fiscal = temps humain » en crise

L’article évoque une contrainte « dure » en politique : la fiscalité repose principalement sur « le temps humain » (salaires, emploi).
Lorsque l’IA augmente la productivité mais réduit l’emploi et les salaires, les recettes fiscales chutent en dessous du niveau attendu, alors que la société a besoin de plus de transferts.
Cela crée une impasse : « il faut distribuer de l’argent, mais on ne peut pas en collecter ».
Il évoque même une fracture sociale (Occupy Silicon Valley), illustrant la concentration de richesse et la rupture psychologique.

4. Mes trois points forts dans cette simulation

4.1 Elle capte que « l’impact de l’IA est d’abord une question de redistribution, avant d’être une question de productivité »

Beaucoup de discours sur l’IA se concentrent sur « l’augmentation de l’efficacité », mais oublient « qui profite de cette efficacité ». La notion de Ghost GDP saisit précisément ce risque : si les gains se concentrent dans le capital / la puissance de calcul plutôt que dans le travail, alors les données macro et la perception microéconomique divergeront, menant à une structure « haute productivité, faible demande » instable.

4.2 Elle décrit très bien la chaîne « crédit privé — fonds d’assurance — régulation » qui ressemble à la réalité

Les crises financières naissent souvent là où l’on ne s’y attend pas. Le crédit privé, réputé pour ses échéances longues et ses actifs non standard, était considéré comme peu susceptible de faire faillite en masse.
Mais lorsqu’il est lié aux fonds de pension, à la réassurance offshore, et à la régulation du capital, il peut être soumis à des « déversements » sous l’effet de la régulation ou des notations.
Ce lien est très concret.

4.3 Elle rappelle que le cœur du marché hypothécaire n’est pas « la capacité de rembourser maintenant », mais « la stabilité future des revenus »

Ce qui est le plus dangereux, ce n’est pas la défaillance immédiate, mais la remise en question structurelle des hypothèses de revenus des emprunteurs « de qualité ». Même si, à court terme, ils maintiennent leur paiement via épargne, HELOC ou retraits de 401(k), la consommation va d’abord s’effondrer (car ils doivent réduire leurs dépenses discrétionnaires).
Ce phénomène rejoint la logique de nombreuses récessions où la consommation précède la dégradation macroéconomique.

5. Mes trois points faibles ou à relativiser dans cette simulation

5.1 La « friction à zéro » est décrite trop rapidement : dans la réalité, ces frictions ne viennent pas uniquement de la technologie, mais aussi des institutions

Les frictions réelles proviennent souvent de la régulation, de la conformité, du KYC, des silos de données, de la responsabilité, de la fraude, de la logistique offline… Même avec des agents très intelligents, il faut des autorisations et des interfaces inter-organisationnelles.
Donc, si la « réduction de la friction » est probable, la disparition totale en un an est probablement exagérée.

5.2 La substitution totale des cadres par l’IA est douteuse : il est plus probable que « les postes d’entrée se dégradent, tandis que la prime pour l’expérience augmente »

Une étude de la Fed de Dallas (J. Scott Davis, 24 février 2026) offre une perspective plus « data-driven » : l’IA pourrait à la fois remplacer et assister le travail — plus facilement pour les tâches codables, mais renforcer le travail basé sur la connaissance tacite.
Les secteurs fortement exposés à l’IA voient une baisse d’emploi surtout chez les moins de 25 ans.
Cela suggère que l’impact immédiat sera plutôt une réduction de l’accès des jeunes diplômés, avec une rupture dans la progression de carrière, plutôt qu’un chômage massif de tous les cadres en 24 mois.

5.3 L’idée que « l’agent choisira de régler en crypto » est plus un embellissement narratif qu’une nécessité

L’article évoque que les agents pourraient contourner les réseaux de paiement traditionnels pour payer moins cher. Mais ce n’est pas une condition essentielle du scénario. La vraie question est la compression de la couche d’intermédiation et la réévaluation des marges.
Il n’est donc pas nécessaire de supposer que tout le paiement migrera vers la crypto pour valider la plausibilité du scénario.

6. Transformer la simulation en « tableau de bord opérationnel » : que surveiller ?

L’intérêt de la simulation est qu’elle peut être décomposée en indicateurs. Voici une liste de surveillance concrète (sans prédiction, uniquement observation) :

Objets de surveillance

Exemples d’indicateurs

Pourquoi c’est clé

Partie du scénario déclencheur

Structure de l’emploi des cadres

Taux d’emploi / salaire dans les secteurs exposés, part des moins de 25 ans, délai de gel des recrutements

Vérifier si « l’entrée se dégrade / revenus structurellement affectés » se produit

Phase A / D

Consommation et crédit

Solde des cartes de crédit dans les grandes villes, retraits HELOC, retraits anticipés 401(k), dépenses discrétionnaires

Vérifier si « les remboursements hypothécaires continuent, mais la consommation s’effondre »

Phase D

Conjoncture software / conseil

Taux de renouvellement des abonnements, ARR sous pression, marges et commandes des sociétés de services

Vérifier si « choc sectoriel → problème de crédit »

Phases B / C

Pression sur le crédit privé

Prix secondaires des prêts directs, taux de défaut, nombre de restructurations, pression de rachat par LP

Vérifier si « le LBO logiciel explose et se propage »

Phase C

Régulation / capital des assurances

Changements dans la provision de capital pour les actifs de private rating, perspectives des agences d’assurance

Vérifier si « le capital permanent » est en train de se désendetter passivement

Phase C

Pression sur les prêts hypothécaires (zones)

Taux d’impayés précoces dans les villes à forte emploi dans la tech/finance, évolution des prix immobiliers

Vérifier si « les prêts de qualité sont revalorisés »

Phase D

Déviation macroéconomique

Écart entre productivité/profits et salaires/consommation réels

Vérifier la formation du Ghost GDP

Phases A / E

L’idée centrale de ce tableau de bord :

Ne pas chercher à deviner si l’IA atteindra « AGI soudain », mais observer si des signes précoces de « redistribution et crédit » décrits dans l’article apparaissent.

7. Quelles nouvelles perspectives pour individus, entreprises et investisseurs : trois « nouveaux cadres »

7.1 Pour les individus : se positionner dans « la zone de haute connaissance tacite, forte prime d’expérience »

Si la conclusion de la Fed de Dallas est proche de la réalité, le vrai danger est la « rupture de la progression de carrière » : la substitution des postes d’entrée par l’IA empêche les jeunes d’accumuler de l’expérience.
La stratégie individuelle consiste alors à :

• Choisir des domaines où l’accumulation de connaissances tacites et de jugement est essentielle (besoin de présence, de responsabilité, de coordination) ;
• Utiliser l’IA comme amplificateur : accélérer le traitement de l’information, consacrer plus de temps à la qualité des décisions, à la collaboration interpersonnelle, à la compréhension de systèmes complexes.

7.2 Pour les entreprises : transformer la « barrière » en « confiance, données, exécution, écosystème »

Lorsque l’agent IA réduit les coûts de comparaison et de recherche, la barrière basée sur « la différenciation par le canal, le flux ou l’information » s’amenuise.
Les entreprises doivent déplacer leurs avantages vers :

• La qualité vérifiable et la capacité d’exécution (supply chain, service, offline) ;
• La conformité et la responsabilité (capacité à prendre des risques, à être tenu responsable) ;
• Les données exclusives et la synergie écosystémique (pas seulement l’information, mais un processus en boucle fermée).

7.3 Pour les investisseurs : se méfier des actifs « basés sur des hypothèses de stabilité future »

L’article souligne que la crise ne commence pas par « les plus faibles », mais par « ceux en qui on a le plus confiance » (hypothèques de qualité, ARR, capital permanent).
Les enseignements pour l’investissement sont :

• En période d’incertitude élevée, privilégier la sécurité des actifs à long terme, à fort levier ou à croissance « perpétuelle » ;
• Vérifier la capacité des bilans et des flux de trésorerie à résister à la baisse de la demande ;
• Ne pas croire à l’« absence de risque de retrait » : la régulation et le capital peuvent créer des « faux retraits ».

8. Conclusion : ce n’est pas une « prophétie de fin du monde », mais un « script de test de résistance »

Ce qui rend « THE 2028 GIC » précieux, c’est qu’il vous oblige à reconnaître :

Si l’IA rend « l’intelligence humaine non plus rare », alors beaucoup de nos institutions et de nos modèles de valorisation financière ne seront plus adaptés.

Mais il faut aussi accepter que les rétroactions du réel ne se dérouleront pas forcément selon le scénario, que les frictions, la régulation, l’adaptation sociale et la création de nouveaux emplois modifieront la trajectoire.
La lecture la plus mature consiste donc à :

• Conserver ses mécanismes d’analyse (distribution, crédit, vulnérabilités institutionnelles) ;
• Diminuer la certitude temporelle (ne pas miser sur une réalisation complète en 24 mois) ;
• Suivre des indicateurs pour voir si la « partie locale » du scénario se réalise.

Quand une simulation peut être décomposée en tableau de bord, elle devient un « outil » plutôt qu’un simple « récit ».

Références

Citrini Research & Alap Shah : « THE 2028 GLOBAL INTELLIGENCE CRISIS » (22 février 2026)
Federal Reserve Bank of Dallas : J. Scott Davis, « AI is simultaneously aiding and replacing workers, wage data suggest » (24 février 2026)