Sur 1 908 utilisateurs américains, l'usage fréquent prédit-il le mieux la valorisation déclarée de l'IA générative ?

Oui, d’après l’étude : parmi ces seuls utilisateurs, la fréquence d’usage est le plus fort prédicteur de la valorisation déclarée. Les utilisateurs réguliers ont une valorisation mensuelle médiane supérieure de 36,9 dollars à celle des utilisateurs peu fréquents. Les hommes et les répondants « Asian » ont aussi des valorisations plus hautes (+9,4 et +19,4 dollars), à autres facteurs contrôlés. Le document écrit « predictor » et « associated with », jamais « causal », même si sa section 3.2 s’intitule « What Drives Consumer Surplus? ». Sa mesure est une acceptation déclarée d’une offre hypothétique.

1. Une acceptation déclarée d’une offre hypothétique. Chaque répondant reçoit une seule offre, tirée au hasard parmi sept montants de 1 à 500 dollars, pour renoncer un mois à tous les outils d’IA générative, et répond oui ou non.

2. Des utilisateurs américains seulement, sur une seule vague estimée. Les non-utilisateurs sont écartés dès l’entrée du questionnaire, et les déterminants ne sont estimés que sur la vague de mars 2026.

3. Des associations, non des causes. Le document écrit « predictor » et « associated with ». Le mot « causal » n’y figure pas et aucune interaction entre variables n’est estimée.

Un document daté d’avril 2026, qui ne se qualifie pas lui-même

Le document est daté du 13 avril 2026 et signé de cinq auteurs, « listed alphabetically » (p. 1). Il ne mentionne ni revue, ni numéro de série, ni relecture par les pairs, et ne se qualifie lui-même ni de « working paper » ni d’aucun autre genre. Le mot « peer » n’y figure pas, et l’expression « working paper » n’apparaît que dans des références bibliographiques (p. 11 et p. 12).

Une seule offre par répondant : ce qui est mesuré est une acceptation déclarée

L’étude mesure la disposition à accepter une compensation (« willingness to accept », WTA) pour renoncer à ces outils pendant un mois (p. 1). La question posée est : « Would you give up access to all AI tools like ChatGPT, Gemini, Claude, or Copilot for one month starting tomorrow morning in exchange for [USD]? » Le montant est tiré au hasard parmi sept valeurs, 1, 10, 20, 50, 100, 200 et 500 dollars, et chaque répondant reçoit un seul montant (p. 4).

Ce n’est donc ni une valeur mesurée, ni une dépense, ni un prix payé, ni un bénéfice constaté : c’est l’acceptation déclarée d’une offre hypothétique.

Le surplus médian de l’utilisateur moyen est « close to $11 per month » (p. 8). Ce repère est celui du paragraphe où le document donne les écarts entre sous-groupes.

Des adultes américains, tous utilisateurs, avec des quotas sur trois variables seulement

Les répondants sont des adultes américains recrutés sur Prolific, avec des quotas calés sur le recensement pour l’âge, le genre et l’origine ethnique (p. 4, p. 13). L’éducation, le revenu et le lieu de résidence sont des contrôles, non des quotas. Le mot « weight » n’apparaît pas dans le document.

Ceux qui n’ont jamais entendu parler de l’IA générative ou ne l’ont jamais utilisée sont écartés à l’entrée du questionnaire, avant la mesure (p. 15). L’échantillon ne compte donc que des utilisateurs : « qui valorise le plus » se lit parmi eux.

L’étude compte deux vagues. Celle de juillet 2025 compte 1 491 observations après nettoyage. Celle de mars 2026 compte 2 000 réponses, 1 908 après nettoyage. L’analyse principale s’appuie sur la vague de mars 2026 (p. 13), et la figure 3 comme le tableau 4 portent sur 1 908 observations (p. 22).

Le document ne publie qu’une estimation des déterminants. Aucune figure ni aucun tableau ne les donne pour juillet 2025.

Mon calcul. 2 000 moins 1 908 fait 92 répondants, soit 4,6 %. Le document décrit une exclusion automatique des répondants « exceptionally fast » et le retrait de ceux qui échouent au contrôle d’attention explicite, sans donner les nombres correspondants (p. 4, p. 13).

Dans la vague de mars 2026, on compte 935 hommes (49,0 %) et 973 femmes (51,0 %) (tableau 3, p. 14). Côté origine, 1 186 répondants se déclarent « White » (62,2 %), 256 « Black » (13,4 %), 153 « Asian » (8,0 %) et 247 « Hispanic, Latino, or Spanish Origin » (12,9 %) (tableau 3, p. 14). Pour la fréquence d’usage, 293 répondants sont « Rarely » (15,4 %), 776 « Occasionally » (40,7 %) et 839 « Frequently » (44,0 %) (tableau 1, p. 5).

La fréquence d’usage est le plus fort prédicteur, mais le comparateur n’est pas défini

Le résumé écrit que la fréquence d’usage est le plus fort prédicteur de la valorisation, suivie de l’usage au travail et de l’abonnement payant, avec « additional differences by gender, age, and ethnicity » (p. 1). L’introduction insère le nombre de produits utilisés entre l’usage au travail et l’abonnement (p. 3).

À la p. 8, le texte écrit que les utilisateurs réguliers ont une valorisation mensuelle médiane supérieure de 36,9 dollars à celle des utilisateurs peu fréquents. Le même paragraphe écrit que l’usage de plusieurs outils (« multi-homing ») est « also insignificant ». Le tableau 4 donne 0.000 en colonne 3 et −0.011* en colonne 2.

Le document ne dit ni comment la fréquence d’usage est codée dans la régression, ni ce que recouvre « infrequent ». Le tableau 4 n’a qu’une seule ligne « Usage frequency ». La question d’usage n’offre pas de modalité « quotidienne » (p. 15) et les répondants sont rangés en « Rarely », « Occasionally » et « Frequently » (p. 5). Le mot « daily » n’apparaît qu’une fois pour une statistique citée (p. 4) et une fois dans une question de contrôle d’attention (p. 17).

Ce que le document publie. La figure 3 porte, en « Additional monthly surplus », dix barres.

Tableau A. Valeurs imprimées de la figure 3, par montant décroissant. Source : p. 8, figure relue sur un rendu de la page.

Le document dit que la figure ne montre que les effets statistiquement significatifs, à autres facteurs du modèle complet contrôlés, calculés par effets marginaux moyens (p. 8). La figure n’imprime ni barre d’erreur, ni effectif, ni note, et le mot « confidence » n’apparaît nulle part dans le document. La conversion d’un effet en probabilité en un montant en dollars n’est décrite ni p. 6, ni p. 8, ni p. 21. La barre « Age + 1SD » porte sur un écart-type dont le document ne publie pas la valeur (« standard deviation » : une occurrence, p. 8).

Mon rapprochement. La figure se dit limitée aux effets significatifs. Le tableau 4 donne pourtant « Multiracial » à −0.072 (colonne 2) et −0.079 (colonne 3), au seuil de 5 %, et la figure n’a aucune barre « Multiracial ». Elle inclut « Self-expression », significatif au seuil de 10 % seulement (−0.043 en colonne 3). La p. 8 énumère les facteurs non rapportés (diplôme, résidence rurale, écriture, multimédia, multi-homing) sans « Multiracial ».

Mon rapprochement. Entre deux usages, l’ordre des dollars de la figure 3 ne suit pas celui des effets marginaux du tableau 4 : « Seeking information » est à −0.074 pour 8,3 dollars, « Technical help » à −0.064 pour 9,7 dollars, et l’effet marginal le plus grand en valeur absolue a le montant le plus faible. Ce rapprochement n’établit pas que la figure est fausse : la conversion en dollars n’est pas décrite.

Les hommes et les répondants « Asian » valorisent plus haut, sans mécanisme avancé

Le texte écrit que « Asian and male users also have higher valuations (+$19.4 and +$9.4 respectively) » (p. 8). Les passages qui traitent des écarts de genre et d’origine (p. 8, p. 9) n’avancent aucun mécanisme. Le document ne publie pas de tableau croisant la fréquence d’usage avec le genre ou l’origine.

Le tableau 4 (p. 22) donne les effets marginaux moyens d’un logit dont la variable dépendante est « Accept compensation offer ». Un coefficient négatif y va vers une valorisation plus haute.

Tableau B. Extrait du tableau 4 : effets marginaux moyens, variable dépendante « Accept compensation offer », N = 1 908. Seuils : *** p < 0.01, ** p < 0.05, * p < 0.10. Source : p. 22 ; composition des colonnes, p. 21.

Deux passages du document lisent le signe à l’inverse l’un de l’autre. La p. 21 écrit : « Negative coefficients indicate a lower probability of rejecting the compensation offer ». La note du tableau 4 (p. 22) écrit que la variable dépendante vaut 1 si le répondant accepte la compensation, et que les coefficients négatifs indiquent une moindre probabilité d’accepter l’offre, « consistent with higher valuations ». La note du tableau et la variable dépendante tranchent : un coefficient négatif va vers une valorisation plus haute.

Le coefficient « Female » est positif dans les trois colonnes : à autres facteurs contrôlés, les femmes de l’échantillon ont une probabilité plus haute d’accepter l’offre, donc une valorisation déclarée plus basse. Le tableau ne comporte pas de ligne pour les hommes.

Mon calcul. Le coefficient « Female » baisse sans s’annuler quand on ajoute les variables d’usage : 0,065 en colonne 3 vaut environ 59 % de 0,110 en colonne 1, soit une baisse d’environ 41 %, et il reste significatif au seuil de 1 %. Le document ne commente pas cette baisse.

Le coefficient « Asian » reste stable et étoilé dans les trois colonnes. « Black » (−0.079 puis −0.038 et −0.039), « Income » (−0.035 puis −0.017 et −0.016) et « Non-urban » (0.063 puis 0.027 et 0.028) ne sont significatifs qu’en colonne 1. Le document ne commente pas ces variations.

Les répondants « Asian » sont 153 sur 1 908 (8,0 %), et les hommes 935 (49,0 %) (tableau 3, p. 14).

Le « gender » du document est une question sur le sexe à deux modalités, « Male » ou « Female » (p. 18). L’âge est demandé en années. Le document n’emploie ni « women » ni « woman ».

Une origine codée en cinq lignes, dans un tableau qui range chacun dans une seule catégorie

Dans le tableau 4, l’origine est codée en cinq lignes : « Black », « Asian », « Hispanic », « Other » et « Multiracial », la catégorie omise étant « White ». Il n’y a pas de ligne pour « American Indian or Alaska Native » ni pour « Native Hawaiian or Other Pacific Islander », et le document ne dit pas où ces répondants sont rangés.

Mon rapprochement. Le tableau 3 range chaque répondant dans une seule origine : ses sept effectifs, 1 186, 256, 37, 153, 7, 247 et 22, somment 1 908. La question du questionnaire, elle, permet d’en choisir plusieurs (« You may choose more than one », p. 19), et le tableau 4 porte une ligne « Multiracial ». Le document ne donne ni l’effectif ni la construction de cette catégorie.

Ce que l’étude ne trouve pas

Le document écrit que d’autres facteurs, comme un diplôme universitaire ou la résidence rurale, ne sont pas statistiquement significatifs dans son modèle, ce qui vaut aussi pour les usages écriture et multimédia. Il ne trouve pas non plus de différence significative entre les outils utilisés, par exemple ChatGPT, Gemini ou Claude (p. 8, p. 9).

Il écrit que le revenu n’est que faiblement associé à la valorisation, et qu’il ne trouve aucune relation systématique avec le diplôme ni avec la résidence urbaine (p. 9). « College » n’est significatif dans aucune colonne du tableau 4.

Des gains inégaux : une prudence du document, non un constat d’inégalités d’accès

Le document écrit que la répartition des gains est inégale entre utilisateurs (p. 9). Il conclut que l’hétérogénéité documentée « points to possible disparities in access, use, and realized benefits » (p. 10).

La phrase est au mode du possible, et l’échantillon ne compte que des utilisateurs : il ne mesure pas l’accès.

Les réserves que le document énonce lui-même

Le document écrit que, comme dans toute étude de préférences déclarées, le biais hypothétique reste une préoccupation, et que ses résultats reposent sur des comportements autodéclarés dans un échantillon en ligne. Il écrit que les répondants qui s’inscrivent à des enquêtes en ligne peuvent être plus engagés dans le numérique que la population et donc plus susceptibles d’utiliser l’IA, préoccupation atténuée selon lui par le fait de se concentrer sur les utilisateurs. Il écrit enfin que son étude n’est pas une analyse complète du bien-être (p. 9).

La note 2 annonce des « robustness checks » en appendice A (p. 4). L’appendice A (p. 13 et p. 14) traite du recrutement, de la qualité des réponses, des figures 4 et 5 et du tableau 3, sans test portant sur les déterminants. La phrase sur le probit (« probit estimates yield nearly identical results », p. 6) suit l’équation (1), la spécification de base.

Ce qu’un lecteur qui doit décider peut en faire

Écrire « parmi les utilisateurs américains » et « associé à », jamais « cause », « fait augmenter » ou « explique » : le titre de la section 3.2, « What Drives Consumer Surplus? », n’est pas un résultat causal.

Écrire « les hommes, +9,4 dollars selon la figure 3 », sans nommer de comparateur : seul le tableau 4 donne « White » comme catégorie omise ; ni le texte ni la figure ne nomment de comparateur pour les barres démographiques.

Ne pas additionner les barres de la figure 3 pour un profil, ne pas donner de marge d’erreur en dollars, ne pas traduire « Age + 1SD » en années.

Nommer le groupe de comparaison des 36,9 dollars « peu fréquents », sans plus, et ne pas écrire « utilisateurs quotidiens ».

Ne pas écrire que les hommes ou les répondants « Asian » utilisent davantage l’IA : aucun croisement n’est publié.

Ne pas écrire « aucun effet du revenu » : le document écrit qu’il n’est que faiblement associé à la valorisation. Ne pas écrire « 2 000 répondants » pour les régressions : elles portent sur 1 908 observations.

Ne pas présenter le document comme une étude publiée ou revue par les pairs.

Mes réserves

• Une acceptation déclarée, non une valeur mesurée. Le document se dit exposé au biais hypothétique et fondé sur des comportements autodéclarés.
• Des utilisateurs seulement. La pièce ne dit rien des non-utilisateurs, de la population générale ni des pays autres que les États-Unis.
• Trois quotas, non davantage. La représentativité du document porte sur l’âge, le genre et l’origine, non sur la fréquence d’usage, le revenu, l’éducation ni le lieu de vie.
• Une seule estimation des déterminants. Elle porte sur la vague de mars 2026 : la pièce ne dit rien de l’évolution des écarts depuis 2025.
• Une figure sans marge d’erreur. Les dollars de la figure 3 n’ont ni barre d’erreur, ni effectif, ni description de la conversion depuis les effets marginaux.
• Un comparateur non défini. Le document ne dit pas ce que recouvre « infrequent », ni comment la fréquence d’usage est codée dans la régression.