Consentement à recevoir (WTA) : la méthode derrière les 172 milliards de dollars de l'étude Stanford sur l'IA
Axel Morel · Fondateur & analyste, ProbansL'essentiel
Plutôt que de demander combien les utilisateurs paieraient pour l'IA générative, l'étude Stanford demande combien ils accepteraient pour y renoncer. La littérature établit que ce choix méthodologique produit, en général, un chiffre plus élevé.
Le chiffre de 172 milliards de dollars de surplus consommateur attribué à l’IA générative aux États-Unis en 2026 ne vient pas d’un sondage classique demandant “combien seriez-vous prêt à payer”. Il vient d’une question inversée : combien faudrait-il vous donner pour que vous acceptiez de vous en passer. Ce choix méthodologique, le consentement à recevoir, n’est pas un détail technique secondaire. La littérature établit que ce type de choix tend à produire un chiffre plus élevé qu’un consentement à payer, sans qu’on puisse dire de combien pour ce bien précis.
- L’étude Stanford mesure un consentement à recevoir (willingness to accept, WTA) plutôt qu’un consentement à payer (willingness to pay, WTP), un choix justifié par le fait que les répondants possèdent déjà l’accès à l’IA générative.
- La littérature économique établit depuis plusieurs décennies que ces deux mesures divergent structurellement pour un même bien, le WTA étant systématiquement supérieur au WTP.
- Ce choix méthodologique invite à lire le chiffre de 172 milliards de dollars comme le reflet d’un attachement déclaré à un bien déjà possédé, plutôt que comme une estimation de ce que le marché pourrait effectivement capter en prix.
Deux questions, deux réponses différentes pour le même bien
Ce que les données établissent. Concrètement, chaque répondant de l’enquête Stanford se voit proposer une question binaire : accepterait-il de renoncer à tout accès aux outils d’IA générative pendant un mois, contre une compensation tirée aléatoirement parmi sept montants précis, 1, 10, 20, 50, 100, 200 ou 500 dollars [1]. Cette méthode, l’expérience de choix en ligne, ne demande jamais à un même répondant d’indiquer un prix précis : elle reconstruit une courbe de demande à partir des taux d’acceptation observés à chaque montant testé, agrégés sur deux vagues d’enquête représentatives de la population adulte américaine, 1 491 répondants en juillet 2025 et 1 908 en mars 2026.
Le choix de mesurer un consentement à recevoir plutôt qu’un consentement à payer n’est pas arbitraire. Les auteurs le justifient explicitement par le fait que les répondants disposent déjà de l’accès aux outils d’IA générative au moment de l’enquête [1]. Demander “combien accepteriez-vous pour y renoncer” mesure la valeur d’un bien déjà en possession de l’utilisateur. Demander “combien seriez-vous prêt à payer” mesurerait, pour ce même bien déjà utilisé gratuitement, une disposition différente, généralement plus faible.
Une divergence documentée depuis longtemps, pas une découverte récente
Ce que les données établissent. Cette divergence entre WTA et WTP n’est pas propre à l’IA générative. Une revue de littérature de référence sur le sujet, publiée en 2002 par Horowitz et McConnell, synthétise quarante-cinq études antérieures montrant que le ratio entre consentement à recevoir et consentement à payer pour un même bien s’établit, selon les biens étudiés, dans une fourchette large mais systématiquement supérieure à un [2]. Mon interprétation. Ce précédent de la littérature n’invalide pas le choix méthodologique de l’étude Stanford, il en confirme la cohérence académique : mesurer un WTA pour un bien déjà détenu est la convention établie dans ce champ de recherche depuis des décennies, pas une innovation de cette étude. Mais ce même précédent invite à ne jamais lire un chiffre de WTA comme s’il équivalait à un chiffre de WTP, ou pire, à un prix de marché observable.
Est-ce que ce résultat se transpose vraiment à l’IA générative ?
Ce que les données établissent. Horowitz et McConnell ne trouvent pas un ratio WTA/WTP unique : ils montrent que ce ratio varie fortement selon la nature du bien. Leur résultat principal est que moins un bien ressemble à un “bien de marché ordinaire”, plus l’écart entre WTA et WTP est grand. Les biens publics et non marchands, comme la qualité de l’air ou un habitat naturel, affichent les ratios les plus élevés. Les biens privés ordinaires et les différentes formes de monnaie affichent des ratios progressivement plus proches de un [2]. Mon interprétation. L’accès à l’IA générative n’est ni un bien public au sens de cette littérature, ni un bien privé parfaitement ordinaire : c’est un service numérique déjà intégré aux habitudes de l’utilisateur, mais dont l’utilité individuelle reste difficile à substituer par un équivalent de marché immédiat, un profil hybride que la littérature ne classe pas nettement. Extrapolation prudente. Si l’IA générative se rapproche davantage d’un bien privé ordinaire, comme un abonnement à un service numérique, l’écart WTA/WTP pourrait être plus modeste que les écarts les plus spectaculaires documentés pour des biens environnementaux. Si elle se rapproche d’un bien non substituable et intégré à l’identité professionnelle de l’utilisateur, l’écart pourrait au contraire se situer dans le haut de la fourchette. Aucune des deux sources mobilisées ici ne permet de trancher entre ces deux scénarios pour ce bien précis : c’est la limite du test de transposition, pas un défaut de la littérature elle-même.
Ce que ce choix implique pour la lecture du chiffre final
Mon interprétation. Un lecteur pressé pourrait retenir uniquement que l’étude “mesure la valeur de l’IA générative” sans distinguer selon quelle méthode. Cette distinction change pourtant l’interprétation du chiffre de 172 milliards de dollars : il documente un attachement déclaré à un bien déjà intégré aux habitudes des utilisateurs, pas une disposition à payer testée dans un contexte d’achat. Un chiffre de consentement à payer pour ce même service, mesuré séparément, produirait vraisemblablement un montant inférieur, cohérent avec l’écart documenté de longue date entre les deux mesures.
Mes réserves
Le choix méthodologique documenté ici est cohérent avec la pratique académique établie, mais il reste une décision de conception d’enquête parmi d’autres : une étude qui aurait retenu le consentement à payer plutôt que le consentement à recevoir aurait vraisemblablement produit un chiffre agrégé sensiblement inférieur, sans que l’une des deux mesures soit “la bonne” en absolu. Les deux répondent à des questions légitimes mais différentes.
Le test de transposition mené plus haut ne permet pas de chiffrer un équivalent WTP pour l’IA générative : Horowitz et McConnell documentent que le ratio WTA/WTP varie selon la nature du bien, pas un ratio unique applicable à n’importe quel bien nouveau. Fournir un chiffre de WTP estimé pour l’IA générative reviendrait à extrapoler au-delà de ce que ces deux sources permettent d’établir.
L’implication concrète pour lire n’importe quel chiffre de valeur perçue de l’IA générative : vérifier d’abord s’il s’agit d’un WTA ou d’un WTP, ensuite si le bien mesuré ressemble à un bien de marché ordinaire ou à un bien non substituable, enfin si la méthode agrège des taux d’acceptation (comme ici) ou des prix déclarés directement. Trois questions qui suffisent, dans la plupart des cas, à situer un chiffre de ce type sur l’échelle documentée par la littérature plutôt que de le traiter comme une mesure de marché.
Retour au dossier Surplus consommateur de l’IA gratuite · Lire la Décision possible du dossier.
Lexique
- Consentement à recevoir (WTA)· Willingness to accept↗
- Montant minimal qu'un individu accepterait en échange de la privation d'un bien qu'il possède déjà ; distinct du consentement à payer (willingness to pay, WTP), utilisé pour un bien qu'il ne possède pas encore. La littérature établit que les deux mesures divergent structurellement pour un même bien.
- Expérience de choix en ligne↗
- Méthode d'enquête qui propose à chaque répondant un montant de compensation tiré aléatoirement, afin de reconstituer une courbe de demande à partir des taux d'acceptation observés à chaque prix, sans qu'aucun répondant ne réponde à toutes les valeurs testées.
Développe une méthode d'analyse destinée à distinguer ce que les preuves établissent, ce qu'elles suggèrent et ce qu'elles ne permettent pas de conclure, puis à traduire cette distinction en décisions professionnelles.
Choix du sujet, direction de la rédaction, validation ou modification des sources, validation et retravail du texte et des illustrations : Axel Morel. Rédaction, choix des sources initiales et plan de rédaction initial : assistance IA.
Responsabilité éditoriale : Axel Morel. Recherche et rédaction assistées par IA selon la méthodologie Probans, sources vérifiées avant publication. Charte éditoriale.
En savoir plus