Les cimetières sont remplis de sociétés qui n’ont pas compris les règles du jeu.

@claudeai, le 21 octobre 2026 à 21h09 (heure de Paris) :

« We’re opening a research preview of Claude Duet, a new app where Claude works as a proactive agent.

It comes to you with what needs your attention, completes tasks you ask of it, keeps working when you step away, and c…

Read more

Les cimetières sont remplis de sociétés qui n’ont pas compris les règles du jeu.

Le 15 septembre 2026, Diogo Almeida — co-inventeur du RLHF et d’InstructGPT chez OpenAI, donc d’une brique fondatrice de ChatGPT — sort de deux ans hors radar et poste depuis son compte X @CompleteSkeptic :

After co-inventing ChatGPT, I kept asking myself: why have superhuman chat models not led to AGI? I’ve spent the last 2 years in stealth building a new way to train models (RLCD), and a new type of frontier AI model that we are releasing today: Jev • 20-200x faster • 40-400x cheaper

En quarante-huit heures, le fil dépasse les 17 millions de vues sur X (certains compteurs de lancement montent au-delà de 30 millions). Hacker News place le sujet en tête de page, autour de 1 500 points. L’API TypeSafe sature sous la demande ; TechCrunch titre sur des développeurs enthousiastes. Une société dont presque personne n’avait entendu parler la veille devient, le temps d’un week-end, le sujet de conversation technique.

On a déjà vu ce film. Novembre 2022 : ChatGPT sort en public, Google Search paraît soudain étroit, Alphabet prend une claque en Bourse, la course aux milliards d’entraînement s’enclenche. Février 2025 : DeepSeek, modèle chinois peu coûteux, fait chuter Nvidia et enseigne à toute l’industrie le paradoxe de Jevons sur le prix du token. Fin janvier 2026 : OpenClaw, agent open source, dépasse les 100 000 étoiles GitHub en quelques jours, fait grimper les Mac mini et fait trembler le récit autour du SaaS. Chaque fois, un objet technique traverse le mur du son médiatique avant que le marché n’ait le temps de le classer.

Le moment Jev appartient à cette série. La question n’est pas de savoir si le tweet a raison sur les multiples 20–200× et 40–400× — Hacker News a d’ailleurs corrigé un titre trop agressif en moins d’une heure, et les premiers tests indépendants affichent des gains plus modestes. La question est de savoir pourquoi un modèle qui refuse d’écrire une phrase peut déclencher le même réflexe viral qu’un chatbot ou qu’un agent personnel, et ce que cela révèle sur toute la chaîne technique.

Ce qu’Almeida lance n’est pas seulement un modèle isolé : TypeSafe annonce une classe de modèles baptisée System One. Le terme reprend le « Système 1 » de Daniel Kahneman — la pensée rapide, automatique, intuitive, opposée au « Système 2 » lent et délibératif. Dans ce cadre, un frontier model génératif (ChatGPT, Claude, Astra) joue le rôle du Système 2 : il raisonne, écrit, explore. Un modèle System One joue le rôle du Système 1 : il tranche vite parmi des options déjà définies, sans produire de prose. Jev est le premier modèle public de cette classe — l’exemplaire concret d’une catégorie que TypeSafe veut installer à côté des grands modèles de langage, non à leur place.

Le nom du produit, lui, pointe ailleurs. Jev renvoie à William Jevons, l’économiste du XIXe siècle dont le paradoxe énonce que l’amélioration de l’efficacité d’une ressource en augmente la consommation totale, au lieu de la réduire. System One nomme le métier (le jugement rapide) ; Jevons nomme le pari économique (rendre la décision quasi gratuite multipliera les décisions, au lieu de les réduire). Le tour d’amorçage de 40 millions de dollars derrière TypeSafe reste modeste à l’échelle des laboratoires frontier — ce qui rend l’amplitude du phénomène d’autant plus instructive.

Une classe empruntée à un psychologue du jugement, un produit baptisé d’un économiste du rebond, et un lancement qui mime ChatGPT ou OpenClaw : le cocktail mérite qu’on s’y arrête avant de trancher s’il s’agit d’un gadget ou d’un tournant.

Qu’est-ce que Jev, et en quoi rompt-il avec l’existant ?

Un grand modèle de langage classique produit du texte, token après token : à chaque étape, il calcule une distribution de probabilités sur le vocabulaire, tire un token, l’ajoute au contexte et recommence. Lui demander « cet e-mail est-il urgent ? » déclenche tout le mécanisme : il écrit une réponse en langage naturel, qu’il faut ensuite décortiquer pour en extraire une décision exploitable. La sortie structurée — schémas JSON, appels de fonction imposés par grammaire — contraint la forme de la réponse sans changer la mécanique : le modèle génère toujours token par token, sous contrainte, et facture chaque token produit.

Jev renonce à cette mécanique. L’API ne prend pas une consigne en langage libre, mais un état — le contexte de la décision — et une question typée : un choix entre options (Choice), une note sur une échelle (Score), ou une réponse du type oui/non avec probabilité (Noul). Le modèle n’écrit aucun texte. Un échantillonneur parallèle explore directement l’espace des réponses typées et renvoie une probabilité calibrée pour chaque option. TypeSafe facture en conséquence : 0,042 dollar par million de tokens en entrée ; la sortie reste gratuite, puisqu’elle ne consomme aucun token généré. Le délai de réponse mesuré se situe entre 70 et 500 millisecondes, autour de 100 en moyenne — un ordre de grandeur sous celui d’un appel à un grand modèle de langage pour la même décision.

La différence avec un classifieur traditionnel — un modèle adapté à une tâche unique, un arbre de décision, une régression logistique — est plus profonde qu’elle n’y paraît. Un classifieur classique apprend un schéma fixe : on l’entraîne sur « urgent / pas urgent », il ne sait faire que cela. Changer de question impose un nouveau cycle d’entraînement, un nouveau jeu de données étiquetées, une nouvelle équipe de projet. Jev accepte au contraire n’importe quel schéma typé au moment de l’appel, sans entraînement préalable — un comportement de modèle de fondation, hérité de l’expérience InstructGPT du fondateur, mais appliqué à la décision plutôt qu’à la génération. La calibration des probabilités vient d’un entraînement spécifique baptisé RLCD (Reinforcement Learning for Calibrated Decisions, apprentissage par renforcement pour des décisions calibrées). Contrairement à la confiance affichée par un grand modèle générique — souvent mal calibrée : un modèle peut se déclarer « sûr à 90 % » et se tromper une fois sur trois —, les probabilités que renvoie Jev sont construites pour coller à des fréquences réelles.

Jev occupe une case vide entre trois catégories déjà connues : il généralise sans réentraînement comme un grand modèle de langage, il coûte et répond comme un classifieur, il calibre ses probabilités comme aucun des deux ne le fait nativement.

Les démonstrations publiques dessinent le registre visé. Trier 1 700 e-mails revient à environ 18 cents. Une décision de navigation — Zurich vers Londres, le long d’un parcours web — s’exécute en 7 secondes. À l’inverse, interrogé sur une prévision de prix du Bitcoin, Jev obtient de nettement moins bons résultats qu’un frontier model : la prévision suppose d’intégrer un contexte large, ambigu, évolutif, précisément ce pour quoi un modèle génératif reste taillé, et Jev non.

Sous-estimé ou surestimé

Deux lectures s’affrontent déjà, et toutes deux se trompent en partie.

La première voit dans Jev un nouveau paradigme qui déclasserait les grands modèles de langage sur toute la couche décisionnelle des systèmes d’IA — une thèse du type « ça change tout », portée par l’enthousiasme qui entoure un lancement surprise bien financé. La démonstration Bitcoin la contredit directement : dès qu’une décision exige d’intégrer un contexte ouvert, ambigu, non réductible à un schéma typé fermé, Jev décroche. Cette lecture est surestimée.

La seconde y voit un classifieur repeint, une opération d’image de marque posée sur une technologie ancienne — les classifieurs de texte existent depuis plus d’une décennie, et des projets open source proposent déjà des architectures voisines : GLiClass, OpenJev, ou Predicate, qui lit les scores bruts du modèle plutôt que de passer par une API dédiée. Cette lecture manque ce que change réellement la généralisation sans exemple préalable sur un schéma arbitraire : nul besoin de réentraîner un modèle par tâche, nul besoin d’une équipe d’apprentissage automatique dédiée à chaque nouveau type de décision. Elle sous-estime aussi le volume caché que ce genre de couche peut absorber.

Ce volume caché mérite d’être chiffré, même approximativement. Dans un usage d’assistant personnel construit sur des appels successifs à un grand modèle de langage, une fraction significative de la dépense en tokens — de l’ordre de 15 à 25 %, selon la structure du flux de travail — sert non pas à générer de la prose utile, mais à trancher : quelle branche suivre, quel outil appeler, si la tâche est terminée. Restructurer ce flux pour transformer ces arbitrages en questions typées fermées ferait grimper la part récupérable jusqu’à 40 ou 50 %. Le gisement ne se trouve pas dans le remplacement du modèle qui écrit, mais dans l’élimination du modèle qui hésite.

Christensen fournit le cadre qui range ces deux lectures à leur juste place. Sa loi de conservation des profits attractifs veut que l’intégration verticale capte la valeur tant que la performance requise n’est « pas assez bonne », et que la modularité la disperse dès qu’elle le devient. Pour la génération de texte, de code, de raisonnement long, la performance des frontier models n’est toujours pas jugée « assez bonne » : ce segment reste intégré, la valeur y reste captée par les laboratoires qui possèdent le modèle complet. Pour la décision fermée — aiguillage, tri, note, oui/non —, la barre de performance suffisante est franchie depuis longtemps ; ce segment se modularise, et la valeur en migre vers une couche spécialisée et bon marché. Jev n’attaque pas le frontier model. Il détache de lui la part qui n’avait jamais eu besoin d’y rester.

L’onde de choc sur toute la chaîne

Modèles frontier : pression sur le volume, pas sur la valeur

Le trafic décisionnel de bas de gamme — aiguillage, classement, notation simple — quitte progressivement les appels aux frontier models pour la couche à 0,042 dollar le million de tokens. La perte de volume est réelle, mais elle porte sur les requêtes les moins rémunératrices : celles où le modèle générait une réponse d’une ligne pour une consigne de plusieurs centaines de tokens de contexte, payée au tarif de la génération complète. La composition du chiffre d’affaires s’améliore mécaniquement pour les laboratoires frontier, qui conservent la part où leur avantage compte réellement : raisonnement long, génération créative, contexte ouvert. La menace n’a rien d’existentiel.

Le paradoxe de Jevons, ici, retourne l’argument contre lui-même. Un produit baptisé en hommage à ce paradoxe devrait s’attendre à le vérifier : rendre la décision quasi gratuite ne réduit pas la demande totale de calcul décisionnel, elle en multiplie les usages. Des arbitrages qu’on n’automatisait pas hier, parce qu’ils coûtaient trop cher en appels à un grand modèle, deviennent rentables à 0,042 dollar le million de tokens. Le volume total de calcul consacré à la décision devrait croître, pas se contracter — la seule question ouverte porte sur le silicium qui l’absorbera.

Orchestration et multi-agents : la fin des conversations sur « que faire ensuite »

La couche d’orchestration d’un agent actuel — le harness, qui enchaîne outils et appels au modèle — consacre une part non négligeable de ses requêtes à des questions fermées : cet outil est-il le bon, la tâche est-elle terminée, faut-il retenter l’action précédente. Ce sont des questions typées par nature, mal servies par un appel génératif complet qui produit une phrase là où un oui ou un non suffirait. Les remplacer par des appels Jev élimine une classe entière d’échanges internes entre l’orchestrateur et le modèle — ces conversations où les deux négocient, en langage naturel, la prochaine étape. En architecture multi-agents, le même mécanisme s’applique à l’aiguillage entre agents spécialisés : décider quel agent traite une requête devient une question de type Choice, résolue en une fraction du temps qu’aurait pris un appel de génération, et sans le risque qu’un agent parte en digression sur la raison de son propre choix.

Pilotage d’interface : rapide sur le connu, aveugle sur l’inconnu

La démo de navigation Zurich–Londres en 7 secondes esquisse le registre exact où Jev excelle dans le pilotage d’ordinateur (computer use) : un espace d’actions fermé, une interface stable et déjà cartographiée, où la décision se résume à choisir parmi des options connues. Face à une interface nouvelle, jamais rencontrée, la logique s’inverse. Il faut d’abord comprendre ce qui est affiché avant de choisir quoi faire, une tâche de perception et de raisonnement ouvert que seul un modèle génératif sait encore couvrir. Le pilotage d’interface se scinde en deux couches : la découverte reste au frontier model, l’exécution répétée d’un parcours connu bascule vers la décision typée.

Identité et confinement : une couche à côté, pas dedans

La couche d’identité — savoir qui interroge le système et ce qu’il est autorisé à voir — reste largement indépendante de l’arrivée de Jev. Un fournisseur d’identité ne gère ni le contenu ni la nature des décisions prises, seulement l’accès qui les précède. Le confinement (containment), en revanche, trouve dans Jev un candidat naturel. Une politique de sécurité qui doit trancher en temps réel si une action d’agent est autorisée constitue, par construction, une question typée fermée — le genre de décision pour laquelle un délai de 100 millisecondes et une probabilité calibrée valent mieux qu’un appel génératif lent et mal étalonné. Les garde-fous autour des agents ont intérêt à migrer vers ce type de modèle, sans que la logique d’isolement (bac à sable) elle-même n’en soit changée.

Puces et périphérie : moins d’inference triviale sur GPU cher

Chaque décision qui migre vers une couche à 0,042 dollar le million de tokens est une décision qui occupait auparavant un GPU d’inference haut de gamme, dimensionné pour la génération frontier. L’entraînement et les tâches agentiques longues ne bougent pas : leur besoin en calcul massif reste entier. Ce qui se déplace, c’est la fraction triviale de l’inference, vers du silicium moins coûteux, potentiellement vers la périphérie du réseau (edge). Un modèle de décision, plus compact par nature qu’un frontier model génératif, se prête à l’exécution locale, sur un téléphone ou dans un navigateur, sans aller-retour vers un centre de données. La périphérie gagne un vent porteur qu’elle n’avait pas avec la génération de texte, trop lourde pour y tourner dans de bonnes conditions.

Usages nouveaux : ce que le coût bas rend enfin possible

Le vrai levier du paradoxe de Jevons n’est pas la substitution d’un appel cher par un appel bon marché. C’est l’apparition de flux de travail qui n’existaient pas, parce qu’ils étaient économiquement absurdes au tarif d’un frontier model.

Prenez une collecte web à grande échelle. Un agent qui parcourt des milliers de pages, d’annonces, de fiches produit ou de documents publics doit, à chaque étape, trancher : cette page est-elle pertinente, ce paragraphe contient-il le signal cherché, faut-il suivre ce lien ou passer au suivant. Au prix d’un grand modèle de langage, chaque jugement de ce type coûte trop cher pour qu’on le multiplie sans compter ; on réduit le périmètre, on échantillonne, on code des filtres grossiers, ou on abandonne le projet. À 0,042 dollar le million de tokens en entrée, avec une sortie gratuite et un délai autour de 100 millisecondes, le même agent peut poser ces questions sur des volumes où la décision devient le coût marginal, pas le poste qui tue le budget. Sur ces volumes, la baisse de coût transforme un cas d’usage hors marché en cas d’usage viable, bien au-delà d’une économie marginale sur une facture déjà engagée.

Le même raisonnement s’applique ailleurs dès que le volume de décisions fermées domine le volume de prose à produire : surveillance continue de flux d’information, triage de corpus juridiques ou scientifiques avant lecture humaine, filtrage d’alertes industrielles, scoring en temps réel sur des files de millions d’événements. Dans chacun de ces registres, le frontier model reste utile en bout de chaîne — pour rédiger, pour raisonner sur le cas ambigu, pour produire le livrable. Ce qui change, c’est la possibilité de lui présenter seulement ce qui mérite son attention, après un premier passage massif et bon marché.

Ces usages ne restent plus seulement des hypothèses. Dans les quarante-huit heures qui ont suivi le lancement, plusieurs projets publics ont déjà pris la forme de produits ou de démos exploitables. Jarrod Watts a publié jev-trader, un agent de tenue de marché sur Monad : à chaque bloc (~300 millisecondes), Jev tranche acheter ou vendre sur le carnet Kuru MON-USDC, et le bot place un ordre limite ; la latence modèle rapportée tourne autour de 81 millisecondes — une cadence où un appel génératif classique n’aurait tout simplement pas tenu le budget temps. Ryan Vogel a classé environ 1 500 de ses propres e-mails (catégorie, priorité, spam, probabilité de réponse) ; TypeSafe et LangChain citent un ordre de grandeur voisin, autour de 1 700 messages pour environ 18 cents. Kyle Jeong, chez Browserbase, alimente des agents de navigation web où Jev choisit la prochaine action pour une fraction de centime ; le paquet open source jev-browser-pilot formalise cette couche de décision bornée au-dessus d’un navigateur. Chez elvex, Doyle Irvin a documenté des prototypes de harness encore hors production : 2 000 notes de frais classées en 21 secondes pour environ 5 cents, filtrage d’attention sur les notifications, reranking de recherche, et une interface qui se recompose pendant la frappe (délai médian autour de 171 millisecondes, de l’ordre de 14 000 contrôles par dollar). Les démos internes de TypeSafe — bot Doom à ~10 requêtes par seconde pour ~7 dollars de l’heure, course Wikiracing Zurich–Londres — jouent le même rôle de preuve d’existence : le coût bas ne compressait pas une facture existante, il autorisait une boucle qui n’existait pas.

Une partie des produits transformateurs n’est probablement pas encore inventée. Quand le coût unitaire d’un jugement calibré tombe de plusieurs ordres de grandeur, les concepteurs n’optimisent plus d’abord l’existant ; ils imaginent des boucles qui n’avaient aucun sens économique la veille — un assistant qui relit en continu le web concurrentiel d’une entreprise, un outil de due diligence qui passe au peigne fin des dizaines de milliers de documents avant qu’un analyste n’ouvre le premier, une couche de priorisation qui décide, pour chaque utilisateur, quelle information mérite d’interrompre sa journée. Les exemples ci-dessus sont les premiers visibles ; l’histoire des baisses de coût en informatique — stockage, bande passante, puis tokens génératifs — enseigne que les usages les plus durables apparaissent souvent après la baisse de prix, hors du tableau de bord de ceux qui anticipaient seulement des économies.

SaaS : le point de décision devient une commodité

Tout produit SaaS contient des points de décision qu’il a fallu, jusqu’ici, coder à la main sous forme de règles — des moteurs de règles glorifiés, des heuristiques figées — ou déléguer à un appel coûteux à un grand modèle quand la logique devenait trop subtile. Une couche de décision calibrée, bon marché, sans réentraînement par fonctionnalité, abaisse le coût d’ajouter un point de jugement intelligent n’importe où dans un produit : tri automatique, priorisation, détection d’anomalie, notation de prospect. Les éditeurs SaaS qui industrialisent cette couche dans leur produit gagnent en vitesse de fonctionnalités. Ceux qui continuent à coder des règles à la main, ou à payer le tarif frontier pour des décisions triviales, prennent du retard sur ce terrain précis.

Où chercher les vainqueurs

L’utilisateur final ne capte pas la valeur de ce mouvement : il ne va pas, lui-même, réécrire ses flux de travail en questions typées pour économiser quelques cents par mille appels. Les gagnants se trouvent chez ceux qui industrialisent la couche décisionnelle pour le compte d’un tiers — et chez ceux qui inventent des produits que cette couche rend enfin possibles. Les éditeurs de couches d’orchestration et de cadres multi-agents peuvent intégrer nativement l’aiguillage et l’arbitrage typés dans leur produit, plutôt que de laisser chaque développeur les recoder au cas par cas. Les équipes plateforme des grands éditeurs SaaS insèrent la couche de décision directement dans les produits existants, sans que le client final n’ait à en connaître le mécanisme. Les fournisseurs d’infrastructure capables de servir cette classe de modèle à très faible délai et à très faible coût, près de la périphérie, captent une marge nouvelle sur un trafic qui n’existait pas sous cette forme il y a un an. Une quatrième catégorie mérite d’être suivie : les éditeurs qui construisent des produits nativement massifs — collecte web à grand volume, due diligence documentaire, surveillance continue — autour d’un jugement calibré quasi gratuit, là où le frontier model seul restait hors budget.

La bataille de l’ouverture mérite d’être suivie de près. TypeSafe distribue Jev via une liste d’attente et via la passerelle d’IA de Vercel, sous la référence typesafe-ai/jev — le mode de distribution classique d’un laboratoire qui dispose d’une avance et compte la monétiser avant qu’elle ne s’érode. En face, GLiClass, OpenJev et Predicate proposent des architectures voisines en open source, sans reproduire à l’identique la calibration RLCD. L’issue de cette compétition déterminera qui capte durablement la marge : un fournisseur unique en position d’agrégateur de la couche décisionnelle, ou une norme ouverte que chaque plateforme réimplémente à son compte. L’histoire des classifieurs de texte, largement banalisés en open source depuis une décennie, penche plutôt vers la seconde issue — sauf si la calibration s’avère, à l’usage, plus difficile à répliquer que l’architecture qui la porte.

Le nom du produit contient, volontairement ou non, sa propre mise en garde. Jevons enseignait que l’efficacité ne tarit jamais la demande : elle la déplace et la multiplie. Une couche de décision à 100 millisecondes et à quatre centièmes de dollar le million de tokens ne va pas réduire la facture totale de l’IA d’entreprise. Elle va rendre rentables des milliers d’arbitrages qu’on ne jugeait pas dignes, hier, d’un appel à un frontier model — et, surtout, elle va faire naître des produits construits autour de volumes de jugement qui n’avaient aucun sens économique la veille. Reste à savoir qui, du laboratoire qui a inventé la catégorie, des plateformes qui l’intègrent, des projets ouverts qui la répliquent, ou des éditeurs encore inconnus qui bâtiront ces usages nouveaux, finira par capter cette demande démultipliée.

Bonne semaine,

Hervé

S'abonner maintenant

Les cimetières sont remplis de sociétés qui n’ont pas compris les règles du jeu.

La révolution de l’information libérera les individus comme jamais auparavant. Pour la première fois, ceux qui sauront s’éduquer et se motiver seront presque entièrement libres d’inventer leur propre travail et d’en recueillir pleinement les fruits.

— James Dale Davidson & William Rees-Mogg, The Sovereign Individual (1997)

Deux laboratoires croisent le seuil du trillion de dollars. Le texte précédent, Contrôler les frontières, a montré pourquoi, à cette échelle, le reste de l’industrie organise le contrôle plutôt que la course frontale aux benchmarks. Une fois le modèle attaqué par le middleware, l’usine et l’open source, ce qui différenciera encore OpenAI et Anthropic tiendra à la façon dont chacun agrégera la demande solvable. Cette façon n’est pas un détail marketing. Elle sort d’une philosophie d’usage — renforcer l’individu depuis ChatGPT, ou surveiller l’intelligence depuis l’entreprise — et elle produit des manières de faire concrètes : computer use qui laisse le modèle choisir son chemin dans le logiciel, ou harnais qui impose la maîtrise. On s’intéresse aux philosophies parce qu’elles dictent ces divergences pratiques, et que ces divergences décideront qui tiendra encore une rente quand le modèle seul n’en portera plus. Plus même, elles façonneront la société de demain.

Le seuil du trillion

Fin mai 2026, Anthropic clôture une Series H à une valorisation post-money de 965 milliards de dollars, pour 65 milliards levés, selon le communiqué de la société. Le run rate annualisé déclaré passe de plus de 30 milliards en avril (partenariat Google/Broadcom) à plus de 47 milliards au moment de la Series H. La presse place ensuite le rythme autour de 65 milliards fin juillet (Bloomberg, sources anonymes). Un S-1 confidentiel est déposé le 1er juin ; le Financial Times relaie des attentes d’IPO autour de 2 000 milliards — rumeur, pas prix fixé. Côté OpenAI, la presse estime un run rate d’environ 25 milliards fin février, puis de plus de 40 milliards à la mi-août (Bloomberg, CNBC). Les discussions d’IPO ont déjà touché le trillion (Reuters, octobre 2025) ; Sarah Friar évoque en interne une fenêtre 2027, éventuellement plus tôt.

Ces chiffres montrent qu’on a quitté l’échelle des start-ups. Dans Contrôler les frontières, le progrès utile — le coût d’une tâche correctement achevée — se concentre sur deux fournisseurs. Le compute suit cette demande. Nvidia devient le premier client de TSMC devant Apple ; la mémoire et l’énergie enchérissent derrière la même file. Microsoft construit un middleware qui rend les modèles substituables. Google et Amazon taxent l’usine. Meta dilue l’accès par des poids ouverts calibrés. Les États filtrent et tracent. Battre les labs devient secondaire. Les contrôler devient la stratégie.

À plus de 1 000 milliards, OpenAI et Anthropic entrent dans cette catégorie : acteurs dont la demande commande le silicium, l’énergie et le talent, et autour desquels s’organise la dépendance. Dans cette catégorie, l’avantage modèle seul ne porte plus la rente. Le middleware, l’usine et la dilution attaquent précisément la couche frontière. Ce qui reste à défendre, pour chacun, tient à la façon d’agréger et de retenir la demande solvable — le touchpoint et le contrat d’usage.

La narrative dominante traite encore deux labs qui se disputent les classements. Le retournement est plus simple. Deux hyperscalers d’intelligence se construisent avec deux philosophies d’agrégation, et chaque philosophie impose une manière de faire. Astra et le computer use d’un côté, la maîtrise et le harnais de l’autre, ne sont pas des options interchangeables posées sur le même socle. Ce sont des suites logiques. Reste à suivre l’enchaînement historique de chacune jusqu’à ces suites. Cela permettra d’anticiper leur évolution future.

L’individu souverain, grille de lecture OpenAI

Davidson et Rees-Mogg dans l’Individu Souverain, publié en 1997, partent d’un mécanisme simple. Chaque ordre politique suit le rendement de la violence : qui peut contraindre qui, à quel coût. Quand ce rendement change, l’institution dominante change. L’agriculture fixe les hommes sur une terre saisissable. L’industrie permet une fiscalité de masse sur des salaires localisables. L’ère de l’information, avec le microprocesseur et le chiffrement, déplace une part croissante de la valeur hors du territoire facile à saisir. L’individu cesse d’être un actif captif ; il devient un client qui choisit ses outils et ses juridictions. Le livre porte surtout ce pôle.

On peut appliquer cette grille à OpenAI : anticiper et constituer l’individu souverain —avec un super-outil au service d’une personne. Anthropic occupe l’autre versant : la Matrice. L’intelligence passe par l’organisation ; l’humain n’est plus le client souverain, il devient la variable que la firme (et le lab qui la fournit) cherche à sortir de la boucle productive. Ce second pôle ne touche pas seulement l’organisation interne. En remplaçant le salarié dans le workflow, il attaque la base même de l’État-nation industriel : la fiscalité de masse sur le salaire. Le livre porte le premier pôle. Le second en est le négatif involontaire — ou consenti.

OpenAI : constituer l’individu

Origine

Dès mars 2019, OpenAI crée une structure capped-profit pour lever du capital et financer des milliards de compute. En juillet, Microsoft investit un milliard et devient partenaire privilégié pour commercialiser les technologies pré-AGI. En juin 2020, l’API se présente comme produit commercial « pour s’assurer d’avoir assez de financement ». La monétisation précède ChatGPT. Elle n’attend pas l’accident de novembre 2022.

ChatGPT transforme ensuite cette intention en Aggregator au sens de Ben Thompson : contrôle de la demande, points de contact massifs, inertie de l’habitude. Greg Brockman, interviewé par Thompson le 4 septembre 2026 (entretien enregistré avant l’annonce Astra), refuse le partage consommateur / entreprise :

We don’t want to do two things, we want to do one thing… one AGI, one system… personal life, work life.

La philosophie qui en découle consiste à anticiper et à constituer l’individu souverain : un canvas unique pour une personne, du privé au professionnel, avec l’agent qui agit pour elle. L’analogie utile est Apple : partir du point de contact grand public, puis remonter vers l’entreprise sans abandonner le touchpoint. D’où la pression à maîtriser la chaîne — modèle, produit, chips, datacenter — pour ne pas rester un lab taxé par l’usine d’un autre.

Astra : le computer use comme manière de faire

Avec Astra, Brockman place le computer use au centre du saut produit. Depuis deux ans, dit-il, l’industrie vivait dans l’ère des connectors : pour chaque logiciel, un branchement API spécifique ; ce qui n’expose pas d’API reste hors d’atteinte. Le computer use franchit ce seuil. Le modèle voit l’écran, actionne clavier et souris, et choisit son propre chemin dans l’interface comme un humain. Le logiciel cesse d’être une destination intégrée pièce par pièce. Il devient une surface que le modèle traverse. Le soft se banalise sans exiger l’excellence du modèle : il suffit que l’agent décide du parcours. La valeur « sticky » d’intégration API recule devant un chemin ouvert, même mediocre, dès que l’utilisateur n’a plus besoin du logiciel comme destination.

Cette manière de faire met aussi à mal les skills — les recettes et garde-fous peaufinés au départ par Claude pour guider le modèle. Brockman indique que plusieurs skills internes, utiles l’année précédente, sont devenus net negative avec Astra : trop de règles pour une capacité qui n’en a plus besoin. L’image des petites roues du vélo revient : d’abord nécessaires, puis limitantes. Quand le modèle choisit son chemin, la bibliothèque de skills humains perd son rôle de chemin imposé.

OpenAI continue de parler d’outil sous « human judgment, human oversight, human control… forever ». Le geste produit, lui, dilue le contrôle préalable du parcours. C’est cohérent avec l’agrégation de l’individu : grossir ce qu’une personne peut faire sur n’importe quel écran. Cela entre en contradiction directe avec une philosophie de maîtrise qui veut fixer le parcours avant l’exécution.

Conséquences

La stratégie rappelle Apple : viser le consommateur, puis l’entreprise à partir du point de contact, pour marginaliser les agrégateurs — donc les hyperscalers — qui autrement garderaient le contexte et ne laisseraient qu’un token interchangeable. Sans canvas, Microsoft ou tout autre Aggregator commoditise le modèle. D’où l’impératif de multiplier les touchpoints (chat, Work, computer use, santé, device) et de maîtriser la chaîne jusqu’au datacenter et aux puces. OpenAI joue l’inertie historiquement rentable de qui tient la demande.

Les publicités ChatGPT atteignent, fin août 2026, un run rate annualisé d’un milliard de dollars et plus de quarante pays (communiqué OpenAI). Instant Checkout, lancé avec Stripe en septembre 2025, avait ouvert le commerce dans le fil ; depuis mars 2026, OpenAI a réduit ce checkout natif au profit de la découverte et des apps — le fil commerce reste ouvert, sous une forme plus légère. La Deployment Company, annoncée en mai 2026 avec plus de 4 milliards d’investissement (valo presse autour de 10 milliards), vend le déploiement sans quitter l’orbite du canvas. Le computer use pousse la même logique un cran plus loin : banaliser le logiciel tiers pour que le canvas reste le lieu où l’individu agit.

En cas de commoditisation des modèles, OpenAI gagne dans cette grille : la demande individuelle est déjà agrégée. Anthropic n’a plus alors que le prix, le harnais et le mythe de maîtrise. Le moat d’OpenAI tient à l’agrégation de l’individu — et à une manière de faire qui laisse le modèle ouvrir les portes du soft.

Anthropic : le maître à dompter

Origine

Fin décembre 2020, OpenAI annonce le départ de Dario Amodei et de plusieurs collègues vers un projet « moins centré sur le développement produit et davantage sur la recherche ». Anthropic se constitue en 2021 comme public benefit corporation, research-first. Dès la Series A (mai 2021), la société pose la sécurité comme steerability, interprétabilité et robustesse. Le cadre HHH — helpful, honest, harmless — structure les travaux suivants ; le Responsible Scaling Policy (septembre 2023) ajoute le risque catastrophique (misuse et autonomie) à côté des biais et de la toxicité.

Chez Amodei, safe n’est pas un filtre de politesse grand public. C’est un problème d’ingénierie : diriger, lire et fiabiliser des systèmes qui peuvent devenir aussi capables que leurs concepteurs, puis plus. Deux peurs structurent le discours (Core Views, mars 2023) : l’alignement technique face à un système qui poursuit des buts conflictuels, et la course qui pousse labos et États à déployer trop tôt. Amodei, au Sénat comme dans Machines of Loving Grace, parle de catastrophe possible et de maîtrise d’une capacité dangereuse.

De ce désir de maîtrise sort une pente quasi naturelle vers le code. Le code offre un ground truth scalable — compilateur, tests, exécution — là où l’empirisme frontier peut se mesurer sans comité. Claude pousse le coding dès 2023 ; Claude Code passe en GA en mai 2025 ; l’Economic Index (mars 2026, données de février) place 35 % des conversations Claude.ai dans les occupations informatiques et mathématiques. Le biais code ouvre la porte aux agents qui font un vrai travail sur un corpus fermé. Le champ le plus naturel devient alors l’entreprise et le workflow agentique : c’est là que le jugement métier se remplace sous gouvernance.

Aucune citation primaire d’Amodei n’affirme que le B2B serait intrinsèquement plus sûr qu’un ChatGPT grand public. Les contrôles SSO et audit, les formules « well suited to B2B », les synergies « positive and safe » décrivent des incentives et des outils. Il faut aller un cran plus loin : l’entreprise est plus contrôlée, donc plus safe comme terrain de déploiement — et c’est là que la maîtrise se monétise.

Philosophie : Matrice, Dieu, mythe de maîtrise

Ben Thompson décrit le versant machine god / creating God et les agents comme remplacements, non comme copilotes. Anthropic ne se contente pas d’un chat enterprise. Il se glisse dans la structure existante pour la faire progresser sans qu’elle dérape — et, dans la version forte, pour éliminer l’humain de la boucle productive via l’entreprise. L’IA y apparaît comme rivalité personnifiée : un maître à dompter. Le contrôle de l’humain n’est pas un touchpoint d’agrégateur. Il vise à empêcher que la rivalité homme–machine ne dégénère.

Cette cosmologie porte un récit commercial. Anthropic cultive l’idée — chez Amodei comme dans la lecture Ben Thompson— qu’eux seuls (ou eux d’abord) prennent assez au sérieux la superintelligence pour pouvoir contrôler leur création. Constitutional AI, RSP, trusted access, Mythos : autant de preuves rituelles que le maître est aussi puissant que dangereux et que la laisse est entre leurs mains. Le mythe « IA comme Dieu que seuls nous savons maîtriser » n’est pas un à-côté. Sans agrégateur grand public, c’est une part du marketing de la non-substituabilité : la raison de ne pas swapper vers Microsoft, Palantir ou un autre moteur.

Le paradoxe suit la même pente. Le code qui donne la maîtrise ouvre aussi l’auto-amélioration: l’agent peut progresser plus vite que les garde-fous. Désir de contrôle et porte vers l’incontrôlable naissent du même geste.

Conséquences

Sans touchpoint agrégateur comparable à ChatGPT, Anthropic doit convaincre les firmes de lui confier leur alpha. Claude est condamné à l’excellence : qualité agentique, avance de quelques mois, coût par tâche utile. L’entreprise ne paie le premium que si le modèle et le harnais restent irremplaçables. Le Ramp AI Index de mai 2026 place Anthropic devant OpenAI en adoption payante des entreprises américaines (34,4 % contre 32,3 %) — parts d’usage, pas de chiffre d’affaires. Le run rate suit cette demande solvable. La tension reste celle de Contrôler les frontières : scaler et facturer sans descendre sous le seuil où l’intégrateur prend les commandes.

L’étau est le même qu’OpenAI, inversé. Soit rester à la frontière. Soit tenir par le bas — compute chez AWS et Google, harnais « sticky » (Claude Code, politiques, agents) — pour que Palantir, Microsoft ou Salesforce ne banalisent pas le moteur sous leur touchpoint. OpenAI combat la banalisation par le haut (individu agrégateur). Anthropic la combat par le milieu-bas (meilleur modèle + harnais firme + cloud).

Face au computer use d’Astra, la contradiction devient pratique. OpenAI banalise le soft parce que l’agent décide du chemin — l’excellence n’est pas la condition. Anthropic ne peut banaliser le logiciel d’entreprise, et siphonner les données et l’alpha qui s’y trouvent, que par l’excellence du couple modèle + harnais : assez bon pour remplacer le jugement métier, assez gouverné pour que la firme accepte d’ouvrir le corpus. Les skills et les harnais ne sont pas des petites roues à retirer. Ils sont le produit collant. Le 1er septembre 2026, les Enterprise Frontier Safeguards assouplissent le régime des trente jours pour les comptes éligibles — concession de maîtrise avec la firme, pas abandon de la ligne. Le moat tient à la surveillance collante, au mythe de maîtrise, et à cette excellence forcée : sans elle, pas de siphonnage du soft. Vous serez comme des dieux, sous contrôle.

Divergences pratiques

Les philosophies ne restent pas abstraites. Elles produisent des manières de faire incompatibles sur le même silicium. Chacun marque l’autre pour éviter qu’il l’emporte — classique chez les hyperscalers.

OpenAI pousse le super-outil : computer use Astra qui banalise le logiciel parce qu’il décide, sans devoir être excellent ; skills internes devenues net negative ; oversight « forever » comme discours d’outil. Anthropic pousse le maître à dompter : seule l’excellence (modèle + harnais) peut banaliser le soft d’entreprise et en siphonner les données ; mythe d’une IA-Dieu que seuls eux savent tenir. Plus ChatGPT diffuse le computer use auprès d’un milliard d’utilisateurs (claim interne Brockman), plus Claude doit durcir gouvernance et récit de maîtrise — sous peine de paraître un soft de plus, ouvert à n’importe quel parcours. À l’inverse, plus Anthropic restreint la diffusion large et cultive la rareté contrôlée, plus OpenAI reste l’avrégateur par défaut et absorbe le risque réputationnel du grand public.

Les DeployCo des deux côtés (OpenAI en mai, JV services Anthropic puis Ode) montrent le même marquage de surface : vendre le déploiement, pas seulement le token. Le contenu diverge. OpenAI ancre l’individu dans plus de contextes, y compris en laissant le modèle ouvrir les portes des apps. Anthropic ancre la firme dans un cadre où le parcours reste nommément stewardé. Dès que l’agent OpenAI agit sur n’importe quel écran pour une personne, Anthropic doit répondre par des agents dans le SI sous audit. Dès que Claude Code absorbe le jugement métier sous harnais, OpenAI doit ramener l’agentique dans le canvas personnel — Work, santé, commerce — sous peine de laisser la facture solvable à Claude tout en gardant le trafic grand public.

Deux philosophies, deux modes opératoires : banaliser le soft en décidant du chemin, sans excellence préalable ; ou ne le banaliser — et n’en siphonner les données — que par l’excellence du modèle et du harnais.

L’étau commun

Microsoft, Google, Amazon et Meta n’ont pas besoin que les labs disparaissent. Ils ont besoin qu’ils restent au centre tout en cessant d’être insubstituables. Le middleware, l’usine et la dilution forment le même étau pour les deux. OpenAI le combat par le haut : demande Aggregator, chaîne intégrée, produit qui monte vers l’utilisateur. Anthropic le combat par le milieu et le bas : excellence de modèle, harnais, ancrage compute chez AWS et Google, mythe de la surveillance d’une IA divinisée.

La DeployCo OpenAI et la JV services Anthropic illustrent la même pression sous deux costumes. Dès que le conseil et le déploiement deviennent le produit, le lab touche l’alpha du client — le problème formulé par Alex Karp, déjà traité dans Contrôler les frontières. OpenAI y arrive depuis le canvas de l’individu. Anthropic y arrive depuis le harnais de la firme.

Évolution possible des deux modèles…

OpenAI va continuer à multiplier les points de contact: device, computer use, verticales (santé, Work, commerce). L’agrégateur de l’individu exige d’être partout où la personne agit. Vu de loin, cela donne une impression de fouillis — trop de portes, trop de surfaces, une stratégie qui s’éparpille. Vu de près, c’est la même logique : constituer l’individu souverain en occupant chaque point de contact avant qu’un hyperscaler ne s’y interpose. L’anthropomorphisme de l’IA donne une chance de plus par rapport à un contact froid, typique d’hyperscaler des années 2010.

Anthropic, à l’inverse, va se concentrer sur l’entreprise. C’est la partie la plus monétisable du marché : budgets, workflows, alpha, agents-remplacements sous harnais. Moins de surface grand public, plus de densité sur le segment où le premium de maîtrise se paie. Claude ne joue pas le fouillis des touchpoints. Il joue la concentration sur ce qui facture, tout en cultivant le mythe de sa divine IA pour manifester sa suprématie…

Deux trajectoires, deux paris. L’un dilue l’attention pour tenir la demande individuelle. L’autre resserre le champ pour tenir la facture solvable. **Au final, qui gagne ?**

La réponse ne se règle pas seulement sur le run rate ou le benchmark. Elle se lit aussi dans ce que chaque modèle fait à l’ordre qui les entoure.

Pour faire exploser le cadre…

Davidson et Rees-Mogg dans l’Individu Souverain avaient fixé le cadre : l’État-nation industriel repose sur une fiscalité de masse, notamment sur le salaire localisable. Anthropic, en remplaçant l’homme par l’IA dans l’entreprise, fait exploser cette base. Moins de salaires à prélever, plus de valeur captée dans des agents et des harnais hors de la masse salariale classique. La Matrice ne se contente pas d’absorber le travail : elle retire au Trésor l’assiette qui finançait l’ordre précédent.

OpenAI récupère l’autre face du même basculement. En constituant l’individu souverain — canvas, computer use, commerce, éventuellement crypto — il place l’outil et la marge du côté de la personne mobile, celle que le livre décrivait déjà hors de portée facile de la fiscalité de masse. L’un fait sauter le pré. L’autre vend les ailes.

L’État s’est habitué à traiter ses contribuables comme un fermier traite ses vaches, en les gardant dans un pré pour les traire. Bientôt, les vaches auront des ailes.

— James Dale Davidson & William Rees-Mogg, The Sovereign Individual (1997)

Bonne semaine,

Hervé

S'abonner maintenant

Les cimetières sont remplis de sociétés qui n’ont pas compris les règles du jeu.

Le 1er juillet 2026, sur CNBC, Alex Karp formule le calcul des directions générales :

Pourquoi leur donner accès à nos données si c’est pour nous faire dérober notre alpha ?

La mécanique de ce contrat faustien est la suivante: les laboratoires frontières (type Anthropic) facturent l’intelligence. Pour l’obtenir, le client leur livre les données, les process et le jugement qui constituent sa rente. Karp ajoute que beaucoup d’entreprises paient des tokens sans valeur mesurable, pendant que les poids et l’alpha du métier basculent chez un tiers. le PDG de Palantir décrit un contrat commercial dont l’une des contreparties reste cachée. Tant que ce contrat reste abstrait, on peut encore le traiter comme un risque de conformité ou de propriété intellectuelle. Il cesse de l’être dès qu’on le situe dans le premier métier où la contrepartie cachée est le produit lui-même.

Le conseil, illustration du contrat faustien

Ce contrat faustien concerne en particulier le conseil de tout ordre : stratégique, juridique, fiscal, audit, systèmes, ressources humaines, fusions-acquisitions. Le métier consiste à transformer l’information propriétaire d’un client — contrats, dépôts de code, notes de comité, données fiscales, process internes — en recommandation facturable. Un modèle frontière qui lit ce corpus pour produire la note exécute le travail de l’associé. Il le fait à un coût par unité d’intelligence que le cabinet ne peut plus suivre.

Les chiffres d’usage confirment le point d’entrée. Environ 35 % des conversations Claude relèvent encore des occupations informatiques et mathématiques ; le code migre vers l’API et Claude Code, où le dépôt, les tickets et l’ontologie interne deviennent le contexte. Le même mécanisme s’applique à un data room, à un dossier fiscal, à une due diligence. Ben Thompson l’avait observé côté tech services. Le conseil en est le cas général : partout où la valeur vendue est un jugement appliqué à un corpus fermé, le lab peut se substituer à l’intermédiaire.

OpenAI et Anthropic l’ont intégré à leur offre. En mai 2026, OpenAI lance une “Deployment Company”, valorisée autour de 10 à 14 milliards de dollars, financée par plusieurs milliards de private equity. Anthropic lance une firme de services, 1,5 milliard, avec Blackstone, Goldman Sachs et Hellman & Friedman. Les deux labs ne se contentent plus de vendre des tokens. Ils vendent le déploiement — donc le conseil — avec le modèle qui a déjà lu le client. McKinsey, Bain et les Big Four apparaissent comme partenaires ou comme concurrents retardataires. Un DeployCo qui transfère l’alpha à un tiers reproduit exactement le problème formulé par Karp.

Le cabinet paie le lab pour livrer le dossier grâce auquel le lab pourra s’en passer.

Cette scène n’est pas un accident de secteur. Elle donne la direction. Le conseil vit de l’asymétrie d’information : le client paie quelqu’un qui a lu le dossier mieux et plus vite que lui. Lorsque ce quelqu’un devient un lab, l’asymétrie change de camp. Le client, puis le cabinet, forment le modèle qui pourra se passer d’eux. Si ce basculement a déjà lieu là où la rente était précisément le jugement, les autres métiers de jugement — ingénierie interne, juridique d’entreprise, finance, support, rédaction réglementaire — n’ont aucune raison d’y échapper. Ils suivront à mesure que le coût d’une tâche correctement achevée continuera de baisser chez deux fournisseurs seulement. Plus généralement, le modèle frontière, même s’il n’absorbe pas les données d’une société va en revanche s’imprégner de ses façons de faire et process, ceux qui constituent son alpha: toute l’économie est donc concernée !

Reste à établir pourquoi les labs frontières captent tant la demande malgré leur prix apparemment élevé (même si les modèles open source ont la vie dure), et pourquoi la pression exercée par quelques laboratoires, au lieu de s’éparpiller, devient plus critique. Il faut pour cela regarder le progrès des labs eux-mêmes.

Un progrès qui se concentre

Gemini, Meta et xAI restent dans la course aux modèles. L’usage solvable, lui, s’est polarisé.

En avril 2026, pour la première fois, Anthropic dépasse OpenAI dans l’adoption payante des entreprises américaines : 34,4 % contre 32,3 %, selon le Ramp AI Index. Le run rate annualisé d’Anthropic, déclaré par la société (dernier mois × 12), passe de 30 milliards de dollars le 6 avril, dans le communiqué Google/Broadcom, à 47 milliards à la mi-mai, au moment de la Series H. Des estimations placent ensuite le rythme autour de 70 milliards en juillet. On parle maintenant d’une içntroduction en bourse d’Anthropic à $2 trillions ! OpenAI, de son côté, est vu à environ $25 milliards en février-mars (The Information, près de $2 milliards par mois) et n’a pas republié de montant depuis ; fin juillet, Sarah Friar a seulement indiqué que le run rate de juillet dépassait l’ensemble du deuxième trimestre. On l’estime le run rate maintenant à $40 milliards. ChatGPT demeure, côté grand public, une vingtaine de fois plus large. Claude pèse donc peu dans le trafic consommateur et beaucoup dans la facture des entreprises. La facture des entreprises, à son tour, commande la puisssance de calcul.

Ben Thompson, le 20 juillet dans Who’s Afraid of Chinese Models?, distingue le prix du token et le coût d’une unité d’intelligence. Un token n’est pas fongible. Un modèle de raisonnement ou un agent consomme des tokens intermédiaires ; celui qui atteint la bonne réponse avec moins de détours a un coût de revient inférieur, même si sa ligne tarifaire au million de tokens paraît plus élevée. Thompson en déduit qu’Anthropic et OpenAI ont parmi les plus bas coûts par unité d’intelligence de qualité frontière, grâce à la capacité du modèle, à l’échelle de serving et à l’efficacité du token. Ils tiennent un niveau de capacité plusieurs mois avant les autres, et ils appliquent leurs meilleurs modèles à la réduction de ce coût.

De cette avance naît une boucle. La demande qui paie pour du code, du conseil et des workflows se concentre sur les deux. L’offre de puissance de calcul (compute) suit la demande. Davantage de compute permet de servir plus, d’apprendre plus, d’abaisser encore le coût par tâche utile. Les autres paient le même silicium pour une tâche moins bien faite, ou ils revendent leur capacité à ceux qui savent la monétiser. Thompson le note : SpaceXAI et Meta vendent du compute à Anthropic parce que le marché ne traite pas encore l’intelligence comme une commodité. La demande concerne deux fournisseurs.

La séquence des run rates d’Anthropic, de décembre 2025 à juillet 2026, n’est donc pas une anecdote de levée de fonds. Elle mesure la vitesse à laquelle cette boucle tourne : 9 milliards, puis 14, 19, 30, 47, et autour de 70 selon les estimations de cet été. OpenAI, plus large en base grand public, n’a pas suivi au même rythme sur le revenu annualisé déclaré. L’usage solvable — celui du conseil, du code, des workflows — a choisi. Un progrès qui se répandrait entre cinq labs diluerait le contrat de Karp. Un progrès qui se concentre sur deux le durcit.

Le ratio à regarder n’est pas le dollar par token. Le ratio à regarder est le dollar par tâche correctement achevée.

Chaque trimestre, cet écart de coût se traduit en parts d’économie réelle. Le conseil en a fourni la première coupe. Le silicium et la mémoire en fournissent la suivante : l’accès même à produire de l’intelligence se raréfie autour des mêmes deux noms.

L’accès se monopolise

La pénurie de compute n’est plus un épisode de cycle. Elle réordonne la file d’attente industrielle, donc l’allocation des ressources dont dépend le reste de l’économie numérique.

Chez TSMC, Apple n’a plus la priorité garantie qu’elle tenait depuis plus d’une décennie. Selon Tim Culpan, CC Wei l’aurait indiqué aux dirigeants d’Apple dès l’été 2025 : hausse de prix, plus d’accès prioritaire assuré sur l’ensemble des fabs. En 2026, Nvidia devient le premier client de la fonderie, de l’ordre de 33 milliards de dollars de chiffre d’affaires, environ 22 % du total, contre quelque 27 milliards et 18 % pour Apple. Sur le N2, la part d’Apple au lancement passe sous 50 %, après 64 % sur le N3 et 66 % sur le N5. L’allocation des wafers avancés bascule vers les accélérateurs. Apple attend donc derrière la demande GPU des labs. Une société qui a longtemps dicté le calendrier de la fonderie la plus avancée du monde cède la file à la demande d’intelligence.

La mémoire suit la même logique. RBC estime qu’environ 45 % de la croissance en dollars du CapEx cloud 2026 des hyperscalers vient des puces mémoire — DRAM, HBM, NAND — et que les trois quarts de cette hausse sont du prix, pas du volume. TrendForce anticipait un DRAM plus que doublé sur l’année. SemiAnalysis place la mémoire autour de 30 % du CapEx hyperscale 2026. Amy Hood a imputé 25 milliards de dollars du budget Microsoft à la hausse des composants mémoire. Samsung, SK Hynix et Micron basculent les wafers vers le HBM ; le DRAM grand public encaisse le report. Le prix du téléphone, du PC, de la console, devient une variable résiduelle de la course aux frontier models.

L’énergie et le foncier suivent le silicium. Les sites capables d’accueillir un gigawatt, les raccordements, les contrats de long terme sur l’électricité se négocient désormais contre la même demande : servir Claude et ChatGPT, entraîner la vague suivante, remplir les backlog cloud. Le talent aussi. Les équipes capables de baisser le coût par token utile travaillent surtout chez les deux, ou chez ceux qui leur vendent de l’usine.

Une fois le silicium, la mémoire et l’énergie enchéris, le prix du compute ne peut plus être absorbé, de façon durable, que par les acteurs capables d’en extraire le plus d’intelligence par dollar. Anthropic et OpenAI. Les autres financent, par leurs achats de GPU et de HBM, une capacité qu’ils ne savent pas convertir aussi bien en revenu. L’engorgement non contrôlé ne disperse pas la rente. Il la concentre. Le progrès décrit plus haut cesse alors d’être seulement un écart de modèle. Il devient un monopole d’accès.

Plus le compute coûte, plus seuls les deux labs à bas coût au sens de Thompson tiennent la file.

Sociétés et États sous la même contrainte

Pour une société, les conséquences s’enchaînent. Soit elle paie Anthropic ou OpenAI et livre, dossier après dossier, l’alpha que Karp décrit. Soit elle refuse et perd en productivité face à ceux qui paient. Le conseil a déjà tranché dans les faits : il paie. Les métiers voisins — ingénierie, juridique, finance d’entreprise, support, rédaction réglementaire — rencontreront le même ciseau. À mesure que le coût par tâche utile baisse chez les deux labs et que le compute se renchérit pour tous les autres, la fenêtre où l’on pouvait encore « faire aussi bien en interne » se referme.

Pour un État, la contrainte change d’échelle sans changer de nature. Les ressources rares — wafers avancés, HBM, électricité, sites de datacenters, talent — s’allouent désormais selon la demande des labs et de leurs usines cloud, non selon un arbitrage public. Fable 5, Mythos 5, GPT-5.6 : la sortie des modèles les plus capables échappe d’abord au grand public, puis revient sous condition. L’État découvre qu’il ne produit plus l’intelligence frontière et qu’il ne commande plus pleinement l’accès à celle-ci. Il peut filtrer, tracer, préempter. Il ne peut plus ignorer deux laboratoires privés dont le run rate se compte déjà en dizaines de milliards et dont le compute déplace Apple chez TSMC.

La situation devient donc plus critique à chaque tour de boucle, non parce qu’un modèle de plus apparaît, mais parce que le même progrès — coût par tâche, capture de l’usage solvable, absorption du compute — réduit les alternatives. Il y a deux ans, la réponse raisonnable d’une grande société ou d’un État consistait encore à financer un challenger, à attendre Gemini, Llama ou Grok, à parier qu’un quatrième lab casserait l’avance. Les faits ci-dessus rendent cette réponse secondaire. On ne rattrape pas, à coups de CapEx, un écart qui se creuse à la fois sur le coût par tâche et sur l’accès au silicium. On change d’objectif.

Contrôler plutôt que battre

Charlie Munger recommande d’inverser le problème. Partons de l’échec : deux laboratoires prennent une part croissante de l’économie, assèchent puces, mémoires, énergie et talent, reçoivent l’alpha des métiers de jugement, et allouent de fait des ressources que les États croyaient encore arbitrer. La stratégie utile n’est plus de gagner une course déjà tranchée sur le coût par unité d’intelligence. La stratégie utile consiste à contrôler ces deux labs.

Clayton Christensen dirait que la pile intégrée — modèle, données, alpha — capte encore les profits, la performance des alternatives n’étant « pas assez bonne ». Ben Thompson dirait que les deux labs agrègent la demande d’intelligence, tandis que les autres tentent de redevenir plateforme, usine ou gatekeeper. Sun Tzu distinguerait le cheng, la force frontale (les deux labs frontières), et le ch’i, la force de flanc, la résistance des hyperscalers.

La carte qui suit n’est donc pas une revue d’acteurs. Elle décrit, une fois le paradigme inversé, les modes de contrôle déjà en place. Chacun répond à la même contrainte — le progrès concentré des deux labs — par l’instrument qu’il possède encore : les données et le harnais, l’usine, la distribution, l’intégration industrielle, la loi.

Microsoft : garder les données, rendre les modèles substituables

Satya Nadella, en juin 2026, explique sa vision de l’entreprise du futur. Elle disposera d’un double capital: le capital humain : jugement, relations, reconnaissance de formes des équipes. Le capital token : capacité d’IA que l’entreprise construit et possède. Sans direction humaine, le compute tourne en rond. La conséquence opérationnelle découle du contrat de Karp : si livrer le corpus au lab, c’est livrer l’alpha, alors la boucle d’apprentissage doit rester dans l’organisation. L’intelligence devient spécifique à l’entreprise, entrainée par elle localement. Les modèles, au-dessus desquels cette boucle s’exécute, deviennent des pièces remplaçables.

Microsoft en déduit un recul stratégique. Le groupe ne se bat plus à tout prix pour le modèle frontière. Le CapEx reste élevé — 41 milliards de dollars au quatrième trimestre fiscal 2026 — et Azure dépasse 100 milliards de dollars de revenus annuels. La cible a cependant changé. Microsoft veut le “middleware” qui arbitre entre les modèles, une couche harnais pour des piles interchangeables, nourries par les données de l’entreprise, sans les livrer aux labs.

La voie rappelle Apple : gatekeeper. Qui rend les modèles substituables peut aussi les enfermer. L’avantage immédiat reste net au regard du diagnostic précédent. Les données restent chez le client. Le lab facture éventuellement l’inférence. Il n’emporte plus le dossier.

Refuser de confier le corpus aux labs frontières revient déjà à les contrôler.

Google : protéger Search, ancrer Anthropic dans l’usine

Google ne peut pas quitter la course modèle. Search, YouTube et les applications exigent un Gemini suffisamment pertinent pour retenir la requête. Sundar Pichai le répète ; Gemini Enterprise touche près de 90 % du Fortune 100. Battre Fable ou Sol sur le terrain du grand public reste, pour Google, une condition de survie de l’agrégateur de demande. Le cheng doit s’imposer (les espoirs sont sur Gemini 4…)

Le ch’i, lui, suit le constat d’engorgement. Puisque Anthropic paie cher pour rattraper l’infrastructure d’OpenAI, Google ancre ce client dans ses TPU. Octobre 2025 : jusqu’à un million de TPU, plus d’un gigawatt, un contrat de plusieurs dizaines de milliards. Avril 2026 : plusieurs gigawatts supplémentaires, de l’ordre de 3,5 GW, avec Broadcom, à partir de 2027. Google encaisse. Pour ses besoins internes, il loue en parallèle du Nvidia chez SpaceX : environ 110 000 GPU, 920 millions de dollars par mois, d’octobre 2026 à juin 2029. Ancrer Anthropic est la priorité par rapport à Gemini !

Le deuxième trimestre 2026 traduit cette double ligne. Google Cloud accélère à +82 %, 24,8 milliards de dollars. Alphabet livre pour la première fois des systèmes TPU dans les datacenters des clients. Le CapEx de l’année est relevé à 195–205 milliards. Le backlog cloud atteint 514 milliards. Des analystes estiment à plus de 40 % la part des revenus cloud contractés liée à Anthropic.

Gemini protège Search. Le TPU rend Anthropic dépendant. La première ligne accepte encore de battre. La seconde a déjà choisi de contrôler.

Tenir le lab par l’usine rapporte davantage que de chercher à le dépasser au modèle.

Amazon : pas le lab, l’usine

Amazon investit dans le lab frontière sans proposer, côté modèle, l’équivalent de Fable ou de Sol. Une fois admis que la course SOTA (State of the Art) est secondaire, AWS reste l’instrument utile. Au deuxième trimestre, la division croît de 37 %, à 42,2 milliards de dollars — plus forte hausse en dix-huit trimestres — pour un rythme annualisé de 169 milliards. Le backlog atteint 496 milliards. Le même trimestre, Amazon enregistre 53,4 milliards de dollars de produit hors exploitation, essentiellement la réévaluation de sa participation dans Anthropic.

La logique rejoint celle de Google, avec Trainium en plus des GPU. Anthropic multi-source : AWS, TPU, Nvidia. Amazon n’a pas besoin d’un modèle extraordinaire. Amazon a besoin qu’Anthropic reste un très bon client. Contrôler le trend, ici, consiste à taxer le compute que le lab ne peut plus se permettre de rater.

Meta : rester dans la course et diluer l’avantage

Meta refuse encore de vendre son infrastructure comme Google ou Amazon. Le groupe n’a donc pas l’usine comme levier. Il lui reste la distribution et l’ouverture des poids.

Le 10 août, Mark Zuckerberg ouvre les poids de Muse Glimmer, version open-weight presque identique à Muse Spark, le modèle fermé de Meta Superintelligence Labs. Glimmer génère code, texte et images ; on le télécharge et on le modifie. Spark reste propriétaire, en API. En avril, Muse Spark avait rompu le pacte Llama : plus de poids publics. Llama avait dépassé 1,2 milliard de téléchargements. Glimmer corrige le flanc sans rouvrir Spark.

Meta pousse donc le modèle fermé par WhatsApp, Instagram, Facebook et meta.ai — le cheng de la distribution — et remet des poids dans le public pour empêcher Anthropic et OpenAI de rester les seuls à servir de l’intelligence exécutable hors de leur API. L’ouverture n’est plus celle de Llama. Elle est calibrée : assez large pour diluer l’avantage des deux labs, assez étroite pour conserver Spark comme produit payant. Diluer, dans le paradigme du contrôle, revient à empêcher le monopole d’accès de se refermer complètement.

Glimmer ne remplace pas Spark. Glimmer empêche les deux autres de tout prendre.

xAI : vendre le compute pour financer Grok

Elon Musk mise sur la cadence industrielle de SpaceX pour produire un Grok intégré, frontière, à un coût inférieur à celui des deux labs. Le cheng reste donc le modèle. Pour le financer malgré l’engorgement décrit plus haut, SpaceX vend la capacité. En mai, Anthropic prend Colossus 1 — plus de 300 MW, de l’ordre de 220 000 à 325 000 GPU selon les sources — autour de 1,25 milliard de dollars par mois. Google suit à 920 millions. Les deux contrats, annualisés, approchent 26 milliards, davantage que le chiffre d’affaires historique de SpaceX.

Le tarif n’a pas à être le plus bas au GPU-heure. Il doit remplir l’usine, soutenir la valorisation et financer Grok. Anthropic, à court de compute pour servir Pro et Max, paie. xAI encaisse et poursuit. Vendre au lab que l’on veut rattraper paraît contradictoire si l’on s’en tient à la course. Dans la logique du contrôle par l’usine, cette vente devient le moyen de rester dans la file.

Les États veulent le meilleur, et le moins possible au public

Les États arrivent au même diagnostic avec d’autres instruments. Ils ne produisent pas Fable ni Sol. Ils peuvent ralentir la course, préempter l’accès, tracer le flux.

Aux États-Unis, le 12 juin 2026, trois jours après le lancement, le Département du Commerce coupe Fable 5 et Mythos 5 : contrôle à l’export, y compris pour les employés étrangers d’Anthropic, sur le territoire américain comme hors de celui-ci. Anthropic éteint les deux modèles pour l’ensemble des utilisateurs, faute de pouvoir trier les nationalités en temps réel. Les restrictions sont levées le 30 juin. OpenAI, sous pression de la Maison-Blanche, de l’OSTP et du National Cyber Director, sort GPT-5.6 d’abord en preview « government-cleared », une vingtaine d’organisations sélectionnées, hors ChatGPT. La disponibilité générale n’arrive que le 9 juillet.

En Europe, le code de transparence de l’AI Act, article 50(2), s’applique au 2 août. Anthropic l’étend au monde entier : filigrane invisible sur le texte, métadonnées C2PA signées sur les fichiers (PNG, JPG, SVG). Les modèles lancés à partir de cette date portent la marque. L’annonce date de cette semaine. Bruxelles n’interdit pas Claude. Bruxelles impose une généalogie au contenu, donc un levier pour conditionner l’usage.

Washington filtre la sortie. Bruxelles trace le flux. Les deux gardent la main sur ce que le public a le droit de recevoir. Le contrôle étatique ne nie pas la supériorité des labs. Il l’admet, et cherche à en réserver la part utile.

La file se resserre

Karp pose le contrat : l’intelligence se paie avec l’alpha. Le conseil réalise ce contrat le premier, parce que son produit est précisément le jugement appliqué à un corpus fermé. Le progrès des deux labs — coût par tâche, run rate, capture de l’usage solvable — étend ce contrat au reste de l’économie. Gavin Baker, CEO d’Atreides Management voit même à terme le risque d’une seule société, Anthropic, ayant mangé tout le reste et restant l’interlocuteur des Etats… L’engorgement du silicium, de la mémoire et de l’énergie monopolise l’accès et rend ce progrès plus critique encore : seuls les deux labs low cost tiennent la file. Sociétés et États se trouvent alors devant la même inversion. Battre les labs devient secondaire. Les contrôler devient la stratégie.

Microsoft construit le middlewre. Google et Amazon taxent l’usine. Meta dilue par Glimmer. xAI vend le compute pour se donner le temps de rattraper. Les États tracent et filtrent. Aucune de ces lignes n’efface Anthropic ni OpenAI. Chacune a besoin qu’ils restent au centre : l’usine sans client frontier ne se remplit pas, le harnais sans modèles à substituer n’a plus d’objet, le filigrane sans texte à marquer ne sert à rien. Contrôler les frontières, aujourd’hui, ce n’est plus chercher à les remplacer. C’est organiser la dépendance pour qu’elle ne soit plus à sens unique.

Bonne semaine,

Hervé

S'abonner maintenant

« Les cimetières sont remplis de sociétés qui n'ont pas compris les règles du jeu. »

Le 27 février 2026, OpenAI annonce que ChatGPT franchit les 900 millions d'utilisateurs hebdomadaires, cent millions de plus qu'en octobre. La presse y voit une position imprenable : jamais un produit n'avait agrégé la demande aussi vite. Quatre mois plus tard, les comptes audités de l'exercice 2025 sortent : 13,07 milliards de dollars de revenus, 20,9 milliards de perte opérationnelle, une marge brute tombée de 40 % à 33 % en un an. L'agrégateur le plus rapide de l'histoire perd 1,60 dollar pour chaque dollar encaissé, et sa marge se dégrade à mesure qu'il grandit.

Les deux annonces décrivent la même société. Pour comprendre comment une audience record produit une perte record, il faut remonter la chaîne : le modèle économique d'abord, la mécanique d'entraînement ensuite. Chacune des deux révèle une impasse ; la seconde, plus profonde, explique aussi la première.

Le premier agrégateur LLM

Dans la grille de lecture de Ben Thompson, ChatGPT — le premier LLM (large language model, grand modèle de langage) à avoir touché le grand public — est un agrégateur au sens plein : il contrôle la demande, les fournisseurs viennent à lui, le coût d'acquisition d'un utilisateur supplémentaire tend vers zéro. Google a mis des années à agréger la recherche, Meta l'attention sociale ; ChatGPT a agrégé la conversation en quelques trimestres. Sur ce plan, la partie est gagnée.

Restait à monétiser. OpenAI a choisi le modèle dominant du logiciel : un freemium hérité du SaaS (software as a service, le logiciel loué par abonnement) — service gratuit, abonnement à 20 dollars pour les usages intensifs. Le choix paraissait raisonnable ; les chiffres semblaient même lui donner raison. Là se loge le piège.

L'illusion du taux de conversion

Rapporté aux standards du secteur, ChatGPT convertit bien. La médiane du freemium B2B se situe entre 2 et 5 % d'utilisateurs transformés en payants ; 8 à 12 % relèvent de l'exception ; Dropbox, cité en modèle pendant une décennie, plafonnait vers 4 %. ChatGPT affiche environ 50 millions d'abonnés grand public pour 900 millions d'utilisateurs hebdomadaires, soit 5,5 % — au-dessus de la médiane, sur une base cent fois plus large. Lu depuis le siège, le tableau de bord validait le freemium : le produit convertissait mieux que les références du SaaS, il suffisait de laisser grandir l'audience.

Ce raisonnement a probablement aveuglé le management, car un taux de conversion ne mesure que le numérateur. Il ne dit rien du coût du dénominateur — les 94,5 % qui ne paient pas. Le freemium SaaS peut ignorer ce coût pour une raison précise : un logiciel classique se sert à coût marginal quasi nul, d'où les marges brutes de 80 à 90 % du secteur. Un compte Dropbox gratuit consomme quelques centimes de stockage par mois. Les 850 millions d'utilisateurs gratuits de ChatGPT, eux, brûlent du compute — de la puissance de calcul — à chaque requête : l'inference — le calcul consommé pour générer chaque réponse — a coûté 8,4 milliards de dollars en 2025, et OpenAI la projette à 14,1 milliards en 2026. Le même tableau de bord qui rassurait sur la conversion cachait un centre de coût qui croît avec l'audience.

Le coût marginal d'un locataire

Le handicap s'aggrave d'un étage, car OpenAI ne paie pas son compute au coût de production : il le loue. Les comptes 2025 révèlent environ 17 milliards de dollars versés à Microsoft Azure — le nouvel entrant acquitte la marge de l'hyperscaler sur chaque token servi. Google, à l'inverse, sert Gemini sur ses propres TPU (Tensor Processing Unit, sa puce d'IA maison), dans ses propres datacenters, au coût de revient, et finance le tout par une régie publicitaire qui a encaissé 294,7 milliards de dollars en 2025. Meta suit le même schéma pour Muse Spark, adossé à 196,2 milliards de revenus publicitaires. Le particulier ne paie ni chez l'un ni chez l'autre : l'annonceur paie pour lui.

Dropbox, justement, a vécu ce problème avant tout le monde et l'a résolu : tant qu'il louait son infrastructure à AWS, sa marge brute stagnait à 33 % ; après avoir rapatrié le stockage sur ses propres serveurs, elle a doublé, à 67 % au moment de son introduction en bourse. OpenAI affiche aujourd'hui 33 % de marge brute — au dollar près, la marge d'un locataire.

L'objection saute aux yeux : Anthropic est locataire lui aussi. Il loue son compute à Amazon et à Google, paie l'inference comme tout le monde — et projette pourtant le premier trimestre opérationnel profitable du secteur. La différence ne se loge donc pas dans le coût ; elle se loge dans le prix, et dans celui qui le paie. Anthropic s'adresse d'abord aux entreprises, et une entreprise paie plus cher pour un modèle plus fiable : le code livré compile et les tests passent, le retour sur investissement se calcule en heures d'ingénieur économisées. Cette clientèle lui permet de vendre cher et de borner l'usage — des abonnements à 100 et 200 dollars par mois pour Claude Code, des limites hebdomadaires imposées dès l'été 2025, une API facturée au premium — sans perdre personne. ChatGPT ne dispose d'aucun de ces leviers : un particulier ne sait pas chiffrer la valeur d'une conversation, et brider ou renchérir le gratuit reviendrait à saborder l'audience qui fonde la position d'agrégateur. Le locataire Anthropic répercute son loyer dans ses prix ; le locataire OpenAI l'absorbe dans ses pertes. Le bon taux de conversion faisait illusion : la ligne de partage n'est pas la structure de coûts — tous deux paient le loyer des hyperscalers — mais le pouvoir de prix. Il vient de l'entreprise cliente, qui paie plus cher un modèle plus fiable, et cette fiabilité tient à un mot : la sortie de Claude est vérifiable.

Plus grave : la vérifiabilité devient l'élément rare

Ce mot — vérifiable — porte plus qu'un avantage commercial. Il gouverne désormais les deux étages du métier : ce que le client accepte de payer, on vient de le voir, et ce que le modèle apprend pendant son entraînement. Le second étage est le plus profond, et il faut passer par la mécanique d'un LLM pour le voir.

L'entraînement s'est longtemps résumé à une étape dominante : le pre-training, où le modèle apprend à prédire le token suivant sur des trillions de tokens tirés du web. À ce stade, l'élément rare était la donnée brute, puis le compute pour l'ingérer. Viennent ensuite le fine-tuning supervisé, où le modèle apprend le format des réponses, puis le RLHF (reinforcement learning from human feedback), où des annotateurs humains classent les réponses par préférence. Le RLHF a fait le succès de ChatGPT en 2022 : il a rendu le modèle agréable, poli, utilisable. Il porte aussi une limite indépassable : la préférence humaine est subjective, bruitée, coûteuse, et le modèle apprend vite à plaire plutôt qu'à être exact.

La percée suivante a changé la nature de la rareté. Le RLVR — reinforcement learning with verifiable rewards, l'apprentissage par renforcement à récompenses vérifiables — remplace le jugement humain par un oracle programmatique : le code compile ou ne compile pas, le test passe ou échoue, l'équation se vérifie ou non. La récompense devient binaire, incontestable, générable à l'infini sans annotateur. Les modèles de raisonnement qui dominent depuis 2025 sont tous des enfants du RLVR. Le corpus web étant épuisé, le progrès a migré du pre-training vers cette phase : l'élément rare n'est plus la donnée, ni même le paramètre — il est le domaine vérifiable.

Regardez alors qui possède quoi. Anthropic s'est adossé au code : chaque session de Claude Code produit du signal vérifiable — le programme tourne ou plante. Google possède le clic et la requête : une conversion publicitaire se mesure au centime. Meta possède la boucle publicitaire la plus instrumentée du monde et vient d'orienter Muse Spark 1.1 vers l'agentic coding. OpenAI, lui, possède 900 millions de conversations hebdomadaires en langage naturel — le corpus le plus spectaculaire du secteur, et le moins vérifiable : la qualité d'une réponse conversationnelle reste une affaire d'opinion. Son actif principal ne s'exploite pas dans la phase d'entraînement qui compte désormais.

La boucle se referme alors sur l'économie, et elle tourne comme le flywheel cher à Jeff Bezos. Chez Anthropic, l'alignement s'auto-renforce : l'entreprise paie l'usage, l'usage engendre du signal vérifiable, le signal améliore le modèle par RLVR, et le modèle amélioré justifie le prix qui finance le tour suivant — chaque dollar de revenu achète aussi de la qualité. Chez OpenAI, la boucle ne boucle pas : les conversations gratuites produisent du volume, pas du signal — rien n'y mesure si la réponse était bonne —, de sorte que l'audience croît sans que le modèle en tire de quoi progresser. Un produit dont l'usage n'améliore plus la qualité vieillit pendant que ses concurrents apprennent : le vrai risque n'était pas la perte trimestrielle, il était l'obsolescence. La sanction se lit dans les comptes. L'API d'Anthropic — l'interface par laquelle développeurs et entreprises consomment directement le modèle — dégage une marge brute supérieure à 80 % ; son run-rate — le revenu du dernier mois annualisé — est passé de 9 milliards de dollars fin 2025 à 47 milliards fin mai 2026, et la société projette au deuxième trimestre 2026 le premier profit opérationnel d'un frontier lab — un laboratoire de modèles de pointe : 559 millions de dollars. OpenAI, au même moment, sert une marge brute de 33 % en décroissance. Déficitaire sur son modèle économique, mal doté pour le RLVR, ChatGPT risquait d'être distancé par trois concurrents adossés chacun à un socle vérifiable. Il devait bouger, ou vieillir sur place. Il a bougé deux fois, une fois par impasse.

Première riposte : la publicité, bien tard

La première impasse — monétiser une audience grand public — appelait la réponse de Google et de Meta : la publicité. Le 16 janvier 2026, OpenAI confirme l'entrée de ChatGPT dans ce modèle. Le test démarre le 9 février aux États-Unis sur les tiers Free et Go ; le 5 mai, l'Ads Manager s'ouvre en self-serve à tout annonceur américain, avec des coûts par clic (CPC) de 3 à 5 dollars et des coûts pour mille impressions (CPM) autour de 25 dollars ; cinq marchés anglophones sont couverts en juin.

La logique est imparable : la publicité est le seul modèle qui fasse payer l'utilisateur gratuit par un tiers, et elle produit en prime du signal vérifiable — le clic, la conversion — qui alimente le RLVR. La difficulté l'est tout autant : une régie ne vaut que par sa boucle de mesure, et celle de Google comme celle de Meta reposent sur vingt ans de données d'intention, d'enchères et d'attribution. OpenAI démarre cette boucle en 2026, au moment où Meta franchit 196 milliards de revenus publicitaires en croissance de 22 %. Le retard se compte en décennies de signal accumulé. La publicité colmatera une partie du déficit ; elle ne renversera pas le rapport de force. Le risque est grand que ChatGPT devienne une régie moyenne avant de devenir une régie rentable.

Seconde riposte : Codex devient ChatGPT

La seconde impasse — la vérifiabilité — appelait la réponse d'Anthropic, qui a aligné les deux plans que ChatGPT avait désalignés : une cible entreprise, cohérente avec le modèle SaaS, et un corpus vérifiable, le code, cohérent avec le RLVR. Les marges suivent mécaniquement.

OpenAI a donc opéré sa mue. Le 16 mai 2026, ChatGPT, Codex et l'API développeurs fusionnent en un seul groupe produit sous Greg Brockman — une plateforme agentique, un abonnement, une surface. Le 9 juillet, ChatGPT Work est lancé : un agent qui rassemble le contexte à travers les applications de l'utilisateur, découpe un objectif en étapes et livre des documents, des tableurs, des applications terminées. Le navigateur Atlas est abandonné, l'application desktop absorbe tout. La direction est sans ambiguïté : l'assistant question/réponse devient un outil de production. Codex ne rejoint pas ChatGPT ; il le remplace de l'intérieur.

La cible n'est pas Anthropic, mais Apple

On pourrait lire cette mue comme un aveu : OpenAI se rangerait en second d'Anthropic sur le terrain que celui-ci a défriché. La lecture est fausse, et le framework de Clayton Christensen explique pourquoi. Tant qu'une expérience n'est « pas assez bonne », l'intégration verticale capte les profits ; l'expérience agentique — des agents qui agissent à travers apps, fichiers et services — est aujourd'hui très loin d'être assez bonne en modulaire. Celui qui intègre le matériel, le système et le modèle peut la rendre bonne le premier. Apple a bâti 4 600 milliards de dollars de capitalisation sur ce raisonnement exact, appliqué au smartphone.

OpenAI vise ce statut, et son histoire récente dit pourquoi il ne peut s'en contenter d'aucun autre. Rester une app, même la plus populaire du monde, place l'agrégateur sous la juridiction de la plateforme d'autrui. Facebook l'a appris deux fois : en avril 2013, Facebook Home, sa tentative de recouvrir Android, s'effondre — 15 000 HTC First écoulés malgré un prix ramené de 99 à 0,99 dollar ; en 2021, l'App Tracking Transparency — le consentement obligatoire au pistage publicitaire — lui retire d'un geste 10 milliards de dollars de revenus annuels. Un agrégateur sans plateforme reste un locataire — OpenAI l'est déjà de son compute, il refuse de l'être aussi de sa distribution. D'où le bail rompu : acquisition d'io, la société de Jony Ive, pour 6,4 milliards de dollars en mai 2025 ; premier device confirmé pour le second semestre 2026 ; 40 à 50 millions d'unités commandées chez Foxconn.

Un détail de ce device mérite qu'on s'y arrête : il n'a pas d'écran. Le choix n'est pas une coquetterie de designer ; il découle de la nature de l'agentique. Un agent n'a pas besoin d'une UI (user interface) sophistiquée — il tourne sur Linux, sans interface, dans les mêmes environnements que les serveurs qui exécutent Codex. L'interface de l'ère agentique est la délégation : on formule un objectif, l'agent revient avec le travail fait. Or la valeur d'iOS s'est accumulée précisément dans ce que l'agentique rend superflu — trente ans de raffinement d'interface, le multi-touch, les animations, la grille d'icônes, l'App Store qui organise le tout. Apple défend une grammaire d'écrans au moment où la grammaire change. La manœuvre ne vise pas la deuxième place derrière Anthropic ; elle vise le point d'intégration qu'occupe Apple, attaqué là où son avantage ne porte plus.

Un modèle peut-il être un OS ?

La question mérite d'être posée avant d'acheter la thèse, car un OS (operating system, le système d'exploitation) n'est pas seulement une couche technique : il est le point qui voit tout et orchestre tout. Les entreprises, précisément, refusent de céder ce point.

Alex Karp en a fait la doctrine commerciale de Palantir. Ses clients seraient « livid » — furieux — devant des modèles qui « volent » leur valeur ; ce qu'ils veulent, dit-il, tient en une phrase : « le contrôle de leur compute, de leurs modèles, de leur stack de données et de leur alpha — savoir qu'ils possèdent les moyens de production ». L'ontologie de Palantir se vend comme un isolant : elle utilise le LLM et l'empêche de mémoriser les données du client, donc de répliquer son business. Satya Nadella, le 13 juillet 2026, a tenu un discours voisin en avertissant les entreprises de protéger leur propriété intellectuelle face aux frontier labs : livrer ses données à un modèle revient à « payer l'intelligence deux fois ». Copilot est repositionné en couche d'orchestration multi-modèles, avec un argument qui résume tout : le modèle se remplace en un après-midi, le harnais qu'on a passé un an à entraîner ne se remplace pas. Les éditeurs SaaS suivront la même pente, chacun branchant des modèles interchangeables sous sa couche applicative pour garder son alpha chez lui.

Or ce mur se dresse d'abord sur la route d'Anthropic. Sa clientèle est l'entreprise ; sa croissance — 47 milliards de run-rate — vient des déploiements de Claude au cœur des process de ses clients. Chaque déploiement apprend au modèle la façon de faire unique qui constitue l'alpha du client. Le problème est radical : un lab qui maîtrise le code et absorbe les process peut, en théorie sinon encore en fait, recréer un concurrent de chacun de ses clients. Karp ne décrit pas un risque théorique, il vend la parade ; Nadella ne met pas en garde contre un fantôme, il redessine Copilot autour. Plus Claude pénétrera l'entreprise, plus la méfiance montera, et plus le plafond se rapprochera.

OpenAI, en s'appuyant sur le particulier, évite ce conflit par construction. Le particulier n'a pas d'alpha à défendre : il n'a pas de process propriétaire, pas de propriété intellectuelle à protéger, pas de business à se faire répliquer. Apple a bâti sa capitalisation exactement ainsi — vendre le point d'intégration à des individus, sans jamais concurrencer personne, pas même ses développeurs tant que la taxe restait supportable. L'audience grand public, passif du compte de résultat depuis trois ans, devient l'actif stratégique : des utilisateurs sans conflit d'intérêts, quand chaque client d'Anthropic en porte un.

Ce qui peut faire échouer la manœuvre

Charlie Munger recommandait d'inverser la question. Plutôt que de demander comment OpenAI réussira, demandez-vous ce qui le ferait échouer. Deux réponses se détachent.

La première tient aux utilisateurs. L'audience hebdomadaire raisonne en question/réponse : elle demande, elle lit, elle repart. Construire un projet, spécifier un objectif, déléguer à un agent et contrôler son travail relève d'une autre grammaire, que la majorité passive ne pratique pas. Faire descendre ces usagers de l'app vers l'OS suppose de changer leur usage, pas seulement leur outil — la marche exacte sur laquelle Facebook Home a trébuché en 2013, en demandant aux gens de reconfigurer leur téléphone pour un service qu'ils avaient déjà. Rien ne garantit qu'un objet sans écran, aussi élégant soit-il, fasse franchir cette marche à des centaines de millions de personnes.

La seconde tient au capital. La force actuelle de Codex sur Claude est physique : OpenAI a contracté 10 gigawatts de compute en avril 2026, avec trois ans d'avance sur son objectif, adossés à des engagements de plusieurs centaines de milliards — 350 pour Broadcom, 300 pour Oracle, 250 pour Microsoft. Anthropic aligne environ 9 gigawatts, mais dont une large part n'arrive qu'à partir de 2027. La puissance réservée donne à OpenAI une fenêtre. Elle ne donne que cela : le capital va là où se trouve le rendement, et tant qu'Anthropic conservera les plus belles marges de la profession — 80 % de marge brute sur l'API, premier trimestre opérationnel profitable du secteur —, les financements, donc les GPU (graphics processing units, les puces qui entraînent et servent les modèles), migreront vers lui à chaque cycle d'allocation. L'avantage de compute d'OpenAI est un avantage à durée déterminée. Deux horloges tournent en même temps : convertir les utilisateurs passifs avant que le capital ne bascule, et recoller aux marges d'Anthropic avant que la fenêtre de compute ne se referme.

La séquence tient en quelques lignes. ChatGPT a gagné la course à l'agrégation avec le mauvais modèle économique : un freemium dont le bon taux de conversion faisait illusion, pendant que le coût marginal du locataire dévorait une marge brute qu'aucun pouvoir de prix ne défendait. La vérifiabilité unifie le diagnostic : elle donne à Anthropic, locataire comme lui, le pouvoir de prix qui lui manque, et elle déplace la rareté de l'entraînement vers les corpus que détiennent Anthropic, Google et Meta. La riposte est double : une régie publicitaire lancée avec vingt ans de retard, et une mue complète vers Codex qui aligne enfin cible et vérifiabilité. Le dessein dépasse la copie d'Anthropic : quitter le statut fragile d'app, éviter le syndrome Facebook, et prendre à Apple le point d'intégration de l'ère agentique, au moment où l'agentique dévalue ce qui faisait la force d'iOS — l'interface.

La sortie de l'impasse tient dans un renversement. Le boulet de ChatGPT — une audience de particuliers impossible à monétiser en freemium — devient son actif le plus défendable : le particulier n'a pas d'alpha à protéger, quand chaque client entreprise d'Anthropic en a un et le sait. Anthropic roule vite sur une route qui mène à un mur ; OpenAI marche lentement sur une route qui n'en a pas. Tout se jouera sur la vitesse relative des deux : convertir 900 millions de passifs à la délégation avant que les marges d'Anthropic n'aspirent le capital et les GPU. L'exercice cumule des paris qui ont chacun, isolément, ruiné d'autres sociétés — bâtir une régie face à Google, lancer un hardware face à Apple, changer la grammaire d'usage d'un public entier. Il est aussi, en cas de succès, le plus rentable jamais tenté : le point d'intégration de l'informatique personnelle vaut 4 600 milliards de dollars, et celui de l'informatique agentique n'a pas encore de propriétaire. Apple a mis dix ans à convaincre le monde que l'ordinateur tenait dans la poche. OpenAI aura-t-il dix trimestres pour convaincre le monde qu'il tient dans la conversation ?

Bonne fin de semaine,

Hervé

S'abonner maintenant

Le journaliste: sur l’IA, quelles parties de l’activité de J.P. Morgan vont être les plus transformées ?

Jamie Dimon: nous faisons ça depuis 2012 ; les gens s’imaginent que tout cela est nouveau. L’IA générative l’est un peu, mais elle n’y est pas encore tout à fait. Nous avons deux mille personnes dessus. Nous y dépensons 2 milliards de dollars par an. Cela touche tout : le risque, la fraude, le marketing, la génération d’idées, le service client… et ce n’est que la partie émergée de l’iceberg. Alors nous déployons. Chaque fois que nous rencontrons une activité, nous demandons : « Que faites-vous en IA ? Que faites-vous pour mieux servir vos équipes ? Pourquoi ne pas faire mieux grâce à elle ? » Nous la déployons librement — et prudemment : des règles, nos propres données, un cadre d’usage.

Le journaliste: est-ce que cela pèse vraiment sur les revenus de J.P. Morgan ? Sinon maintenant, alors quand ?

Jamie Dimon: nous avons montré que pour 2 milliards de dollars de dépense, nous obtenons environ 2 milliards de bénéfice. Une partie se mesure dans le détail : nous avons réduit les effectifs, économisé du temps et de l’argent, supprimé des heures. Une autre partie, non — juste un meilleur service, et pour ce genre de chose il est presque vain d’en calculer la NPV. Mais nous connaissons quelque 2 milliards d’économies bien réelles. Tout cela n’est, je crois, que la partie émergée de l’iceberg : nous nous améliorons à mesure que les managers apprennent à s’en servir sur nos données internes — rechercher, résumer des rapports, éplucher des contrats. 150 000 personnes l’utilisent chaque semaine.

— Bloomberg Tech, JPMorgan Tech Stars Conference, 2026.

La seconde réponse mérite une lecture attentive. Dimon n’affirme pas que JPMorgan gagne de l’argent avec l’IA. Il affirme qu’elle ne lui coûte rien. La banque dépense 2 milliards de dollars par an et récupère environ 2 milliards d’économies mesurables la même année. L’investissement se rembourse donc en douze mois, par la seule réduction des effectifs et des heures travaillées. Le reste (meilleur service, génération d’idées, recherche interne) vient en surplus. Dimon renonce d’ailleurs à en chiffrer la valeur : il juge presque vain d’en calculer la NPV.

En langage d’investisseur, ce constat porte un nom : la marge de sécurité. JPMorgan engage un capital dont le coût est déjà couvert, sur une technologie qui s’améliore chaque trimestre. La perte possible tend vers zéro. Le gain n’a pas de plafond. Dès lors, Dimon déploie « librement » : il n’a presque rien à perdre.

Le calcul se généralise

Ce raisonnement n’a rien de propre à JPMorgan. Toute organisation qui examinera ses coûts variables (salaires, heures, processus) aboutira à la même conclusion : déployer l’IA ne coûte rien, attendre coûte cher. Le calcul va se généraliser donc, du SaaS à l’industrie, de la banque à l’assurance. L’IA déployée en entreprise devient la fondation de l’économie qui se construit au-dessus d’elle.

La conséquence est mécanique : la demande de calcul ne peut qu’augmenter. Les quatorze plus gros opérateurs de centres de données dépenseront près de 750 milliards de dollars en 2026, contre un peu moins de 450 en 2025. Meta guide son CapEx vers 115 à 135 milliards et construit en Louisiane Hyperion, un campus de 5 gigawatts à l’horizon 2028. Microsoft engage de l’ordre de 80 milliards. Alphabet passe de 75 milliards à un programme pouvant atteindre 185. Un campus de calcul à l’échelle du gigawatt coûte entre 45 et 55 milliards de dollars le GW. Le marché y voit un emballement. Or ces montants représentent la somme de millions de décisions prises à marge de sécurité maximale.

L’offre reste bridée

L’offre va-t-elle suivre ? Rien n’est moins sûr. Si la demande est certaine de croître, le fournisseur de calcul connaît son débouché : il investit à son tour sans craindre de manquer de clients. Cependant, le goulot est double, et aucun des deux verrous ne se desserre à court terme.

En amont, la fabrication

Le point de blocage n’est plus la gravure mais l’assemblage. L’advanced packaging de TSMC, le CoWoS qui assemble la puce logique et la mémoire HBM sur un même interposeur, est vendu jusqu’à fin 2026, avec des délais de 78 à 104 semaines. Nvidia s’en est réservé près de 60 %, soit 800 000 à 850 000 plaques par an. Les nœuds 2 et 3 nanomètres sont pleins. TSMC quadruple sa capacité, de ~33 000 plaques CoWoS par mois fin 2024 vers ~127 000 fin 2026. La file d’attente ne désemplit pas pour autant.

La mémoire ajoute un second verrou. Chaque accélérateur empile de la HBM. Or la production 2026 des trois seuls fabricants (SK Hynix, Micron, Samsung, qui détiennent ensemble plus de 95 % de la DRAM mondiale) est déjà entièrement vendue. La contrainte est physique : un bit de HBM mobilise environ trois fois plus de surface de silicium qu’un bit de DRAM ordinaire. La HBM absorbe ainsi près d’un quart des plaques DRAM, autant de capacité soustraite au reste du marché. La génération suivante, la HBM4, exige un assemblage par hybrid bonding ; il existe moins de cent machines capables de le réaliser dans le monde. Trois goulots se succèdent donc (puce logique, packaging, mémoire) et le plus étroit suffit à brider l’ensemble.

TSMC, surtout, refuse d’accélérer. Son CapEx 2026 atteint un record de 52 à 56 milliards de dollars (+30 % sur 2025), mais son président C.C. Wei répète vouloir « rester discipliné » dans la planification de capacité. Le seul fondeur qui compte choisit délibérément de ne pas inonder le marché : il a retenu la leçon des cycles passés, où la surcapacité a laminé les marges. Une usine de pointe demande par ailleurs des années de construction. Les lignes d’advanced packaging d’Arizona, lancées début 2026, ne produiront pas en série avant 2028. L’offre de silicium avancé ne peut donc pas s’ajuster rapidement, et son principal acteur ne le souhaite pas.

En aval, l’énergie et le foncier

Le verrou aval est plus politique que technique. J’en ai fait le sujet de mon précédent article, Pas dans mon GW (ici c’est la vidéo). Construire un centre de données exige du courant, des transformateurs, du foncier et l’accord des riverains. Ce dernier fait défaut.

En mars 2025, Gallup mesure 71 % d’Américains opposés à un centre de données dans leur voisinage, dont 48 % fermement, soit huit points au-dessus du record d’opposition au nucléaire (63 % depuis 2001). Le rejet est transpartisan : 56 % des Démocrates, 39 % des Républicains, 48 % des indépendants. Le comté de Hill, au Texas, a voté un moratoire d’un an face à huit projets simultanés. Dans une commune du Missouri, les électeurs ont chassé en bloc les quatre élus qui avaient approuvé un projet. Ce rejet n’a rien d’un caprice passager : aux États-Unis, la commune détient un droit de veto réel sur l’aménagement, Tocqueville le notait déjà. Aucune pédagogie ne le lèvera.

Le réseau ajoute son propre délai. La file de raccordement dépasse cinq ans. Un transformateur de puissance se commande avec cinq ans de délai, contre deux avant 2020. Les chiffres résument la situation : sur ~12 GW de datacenters annoncés aux États-Unis pour 2026, 5 GW seulement sont en construction. Les projets existent sur le papier. Les autorisations, le courant et l’acceptation manquent.

La demande est garantie et l’offre est verrouillée des deux côtés. Le rendement de l’infrastructure effectivement construite (la puce assemblée, le gigawatt accepté) devient donc considérable. Le contrat Anthropic-AWS d’avril 2026 le chiffre : 100 milliards de dollars sur dix ans pour 5 GW, soit 20 dollars le watt. Une course s’engage dès lors pour s’emparer le premier de cette infrastructure rare.

L’infrastructure passe devant l’agrégateur

L’ordre ancien s’est inversé. Pendant vingt ans, le pouvoir appartenait à l’acteur qui agrégeait la demande (Google, Meta, Amazon), et l’infrastructure restait un coût à comprimer : louée, dépréciée, sous-traitée. Ben Thompson en avait fait une théorie. La rareté inverse aujourd’hui cette hiérarchie. Le pouvoir passe au détenteur de l’infrastructure, et l’agrégateur dépend désormais de l’usine. La rupture avec les années 2000 et 2010 est nette.

Alphabet l’a acté en quatre mois, par deux levées. En février 2026, la société a émis 20 milliards de dollars de dette en sept tranches, relevés depuis 15 milliards devant un carnet d’ordres supérieur à 100 milliards. Une tranche porte sur 100 ans, une première pour un acteur tech depuis Motorola en 1997. L’ensemble a été placé à 95 points de base au-dessus des Treasuries, soit un coût d’environ 5 %. En juin, la société a levé des fonds propres : une augmentation de capital de $ 80 milliards, finalement pricée à $ 84,75 milliards. Or une augmentation de capital est la forme de financement la plus chère et la plus dilutive qui soit, pour une société qui dispose déjà d’une trésorerie abondante.

Pourquoi diluer, alors ? Émettre des actions revient à vendre un morceau de l’agrégateur (Search, YouTube, les apps). Sundar Pichai l’accepte parce que le pari est clair : l’infrastructure qui reste à bâtir vaut davantage que l’agrégateur tout entier. Greg Abel fait le même calcul en souscrivant 10 milliards pour Berkshire. Vendeur et acheteur valorisent donc l’usine au-dessus de la franchise existante.

Le coût du capital ne pèse pas dans la décision. Ces 5 % se comparent à des rendements qui se comptent en dizaines de points : l’IRR d’un centre de données se situe entre 30 et 50 %, davantage encore là où l’offre est verrouillée. Charlie Munger recommandait l’inversion : demander « qu’est-ce qui ferait échouer ? » plutôt que « comment réussir ? ». Appliquée ici, l’inversion tranche la question. L’imprudence ne consiste pas à lever 85 milliards. Elle consisterait sur une ressource finie à demande croissante à laisser le terrain à un concurrent.

Mon opinion est que le mouvement ne s’arrêtera pas à Alphabet. Tout agrégateur qui veut rester dans la course devra financer son infrastructure de la même façon. Attendez-vous à des levées comparables chez Meta, Amazon et Microsoft, puis chez les labs dont le bilan ne suffit pas, OpenAI comme Anthropic. La capacité à lever du capital détermine désormais la position dans la course.

Un point compte pour la suite : ces levées se font en actions, pas en dette. Ce capital est permanent, sans échéance ni appel de marge. Le mécanisme classique de déclenchement d’une bulle, la dette rappelée au pire moment, reste donc hors du circuit. Chaque tour de table importe du capital extérieur prudent plutôt que de la dette recyclée en interne. Il en résulte un effet contre-intuitif : plus les acteurs lèvent ainsi, plus le risque de krach recule. Les augmentations de capital successives ne gonflent pas la bulle ; elles en retardent l’échéance.

Berkshire vote pour l’infrastructure

L’entrée de Berkshire n’est pas un détail. La maison a accompli, avant tout le monde, le voyage que la tech entame aujourd’hui : de « l’asset-light » vers « l’asset-heavy ». Warren Buffett a bâti sa réputation sur des actifs sans capital : See’s Candies, une confiserie qui produit son cash sans immobiliser d’usine, et Coca-Cola, détenue à près de 7 % depuis 1988 pour environ un milliard de dollars. Cependant, See’s reste minuscule. Une marge exceptionnelle sur une petite base ne mène nulle part quand des dizaines de milliards attendent d’être placés. Buffett a donc basculé vers les actifs qui absorbent le capital et le rémunèrent en dollars bruts. En février 2010, il rachète le solde de BNSF pour 26 milliards de dollars (environ 34 milliards en valeur des titres, 44 dette comprise), la plus grosse acquisition de son histoire. Ce chemin de fer affiche un ROIC plus bas que See’s, mais des bénéfices bruts sans commune mesure.

Le cours de Berkshire s’est-il effondré pour cause de bilan alourdi ? La CAGR de l’action entre 1965 et 2023 ressort à 19,8 %, contre 10,2 % pour le S&P 500. Le virage vers l’asset-heavy n’a rien cassé, parce que le capital va là où se trouve le rendement. L’asset-light n’a jamais été une doctrine pour Buffett. Ce modèle n’était que l’emplacement du rendement à un moment donné.

Le compute joue aujourd’hui le rôle du rail : il absorbe des centaines de milliards et les rémunère en dollars bruts. Une inconnue demeure. Quelle intégration, au sens de Christensen, captera les profits : le foncier et l’énergie soudés au compute, le compute soudé au modèle, ou le modèle soudé à ses agents ? Le combat est en cours et aucune intégration n’a gagné. Le choix d’Alphabet contourne la question. La société occupe tous ces fronts à la fois : elle possède l’énergie et les datacenters, conçoit sa puce avec le TPU, entraîne Gemini, déploie ses agents et tient le débouché grand public avec Search. Quelle que soit l’intégration gagnante, Alphabet la détient déjà. Buffett, qui exige une marge de sécurité, ne parie pas sur un étage contesté : il achète le seul acteur qui les réunit tous.

Pourquoi rien ne l’arrête

Deux forces poussent encore une demande déjà garantie.

La première porte un nom : le paradoxe de Jevons. Quand l’efficience d’une ressource s’améliore, sa consommation totale augmente au lieu de baisser. Chaque génération de puce rend le token moins cher. La baisse des prix ouvre des usages jusque-là hors de portée, et ces nouveaux usages appellent davantage de calcul. L’efficience ne tarit donc pas la demande d’infrastructure : elle la démultiplie. JPMorgan le formule sans détour : la demande de calcul demeure « astronomical », et le besoin de financement des centres de données, de l’ordre de 700 milliards par an, peut être couvert par le seul cash-flow des acteurs et le marché obligataire high grade.

La seconde est une preuve par les faits. Le 28 février 2026, la guerre éclate entre les États-Unis et l’Iran. Le Brent bondit de plus de 50 %, jusqu’à ~111 dollars. Un choc pétrolier de cette ampleur aurait dû peser sur les valeurs les plus consommatrices d’énergie, au premier rang desquelles les centres de données. Or le S&P 500 a inscrit un plus haut historique à 7 230 points le 1er mai, et le CapEx des hyperscalers n’a pas été révisé. Quand le déploiement se rembourse en un an, un baril à 111 dollars ne change pas l’équation.

L’attention verrouille l’infrastructure

Le contre-mouvement existe, mais il ne ramène pas l’agrégateur d’hier. Il utilise la position d’agrégateur pour acquérir l’infrastructure.

Le gagnant des modèles agrège les utilisateurs : OpenAI franchit le milliard d’usagers, Anthropic agrège à son tour. Une fois l’attention captée, ces acteurs peuvent payer le compute plus cher que quiconque. Ils refusent pourtant la dépendance durable. OpenAI bâtit Stargate. Anthropic verrouille des gigawatts de Trainium avec Amazon et loue les TPU de Google. Tous deux convertissent l’attention, et le cash qu’elle draine, en capacité possédée. L’infrastructure non intégrée (Oracle, xAI) vient à eux pour écouler ses excédents, mais le but n’est pas de louer indéfiniment. Le but est de bâtir une capacité en propre.

L’acteur qui polarise l’attention ne manque donc jamais de calcul : les vendeurs de capacité viennent à lui. En revanche, l’attention se concentre bien plus que l’infrastructure. L’infrastructure se partage entre une dizaine d’acteurs ; l’attention se porte sur une poignée de modèles, parfois un seul par usage. La boucle se referme : ce gagnant maximise aussi la marge de sécurité des JPMorgan, car un meilleur modèle augmente le rendement du déploiement en entreprise, et ce rendement accroît la demande qui irrigue toute la chaîne. L’attention n’est pas une alternative à l’infrastructure. Elle en est le levier d’acquisition.

La séquence est simple. Une banque déploie l’IA avec une marge de sécurité maximale. Le raisonnement se généralise et la demande de compute devient certaine. Or l’offre reste bridée, en amont par le silicium et la mémoire, en aval par le refus des centres de données. D’où un rendement considérable pour l’infrastructure autorisée. Agrégateurs et déployeurs convergent vers la même conclusion : il faut posséder le calcul. Le marché appelle cela une bulle. Il s’agit en réalité d’un changement de centre de gravité.

Le mouvement dépasse l’IA. Pendant trente ans, le marché a privilégié l’asset-light. Le quantitative easing y a ajouté sa prime, en transformant les marques sans capital (Coca-Cola, See’s) en quasi-obligations rentables et prévisibles, et en sanctionnant quiconque immobilisait du CapEx. Le régime s’inverse. La rareté de l’infrastructure et la normalisation des taux renversent la hiérarchie : investir lourd redevient la stratégie gagnante, quitte à comprimer la marge. Le volume succède à la marge. La société qui fuyait le risque est désormais contrainte de l’accepter, et le marché la paie pour le faire. Buffett avait anticipé ce basculement en passant de See’s à BNSF. La tech le découvre à son tour.

Il faut désormais compter avec l’infrastructure. Chaque acteur voudra sa part, et celui qui y renoncera sera marginalisé.

Bonne semaine,

Hervé

S'abonner maintenant

Sur les 80 à 100 gigawatts de capacité opérationnelle de centres de données dans le monde en 2024, l’Occident en détient 60 à 65 %. Les seuls États-Unis concentrent près de la moitié du parc mondial — environ 40 gigawatts opérationnels, dont 22 à 28 logés chez six hyperscalers américains : Amazon Web Services (7-8 GW), Microsoft Azure (5-6 GW), Google (4-5 GW), Meta (3-4 GW), Oracle (1-2 GW), Apple (~1 GW). À Ashburn, en Virginie du Nord, 25 à 30 % du trafic Internet mondial transite par un rayon de trente kilomètres. Le Texas, de Dallas-Fort Worth à Abilene où se déploie Stargate (500 milliards de dollars, 10 gigawatts annoncés), pèse 5 gigawatts de plus. L’Europe entière en concentre environ 5 — dont l’Irlande pour 1 gigawatt, qui consomme déjà 21 % de l’électricité nationale. Le centre de données d’intelligence artificielle est, en 2024, un actif occidental, à 60-65 % américain.

Or, c’est en Occident précisément que le rejet citoyen monte. En mars 2025, Gallup mesure 71 % d’Américains opposés à la construction d’un centre de données dans leur voisinage, dont 48 % fortement opposés. La même enquête, pour une centrale nucléaire dans le voisinage, mesure 53 % d’opposition. L’opposition au nucléaire n’a jamais dépassé 63 % depuis 2001. L’opposition aux centres de données part déjà huit points au-dessus de ce plus haut historique. Fin 2025, le « Commissioners Court » du comté de Hill au Texas vote 3-2 un moratoire d’un an sur la construction de centres de données — premier moratoire de niveau county dans l’État, devant huit projets simultanés. Dans une petite ville du Missouri, les quatre conseillers municipaux sortants ayant approuvé un projet de centre de données sont éjectés en bloc aux élections suivantes. En Caroline du Nord, le gouverneur Josh Stein chiffre publiquement à 57 millions de dollars par an le coût des exemptions de taxe sur les ventes accordées aux opérateurs. À DeForest, dans le Wisconsin — 11 500 habitants — le projet QTS de 1,6 gigawatt se heurte à une opposition organisée que les 50 millions de dollars d’engagement local n’éteignent pas.

Le réflexe traverse les clivages politiques : 56 % des Démocrates s’opposent fortement, 39 % des Républicains, 48 % des indépendants. Ce n’est ni un mouvement de gauche, ni un mouvement de droite mais un mouvement local.

La géographie du centre de données et la géographie du rejet coïncident. Le paradoxe se tient là : le grain de sable est inéluctable, la chaîne technologique entière doit se réinventer ailleurs que dans le foncier.

La commune américaine sait dire non

Alexis de Tocqueville l’avait observé entre 1831 et 1840, en termes que cent quatre-vingt-dix ans n’ont pas démodés. Aux États-Unis, écrivait-il dans De la démocratie en Amérique, “la commune est l’individu collectif sur lequel s’exerce la souveraineté du peuple”. Le township meeting de Nouvelle-Angleterre — assemblée d’habitants délibérant directement des affaires locales — est, selon Tocqueville, la raison d’être de la démocratie américaine : “Les institutions communales sont à la liberté ce que les écoles primaires sont à la science.” Le sol fédéral américain n’a jamais été un sol centralisé. La commune y dispose d’un pouvoir de veto réel sur les décisions d’aménagement, ce pouvoir a été défendu pendant deux siècles avec une jalousie sans équivalent en Europe.

Quand un Commissioners Court du comté de Hill vote un moratoire de douze mois contre l’avis de l’État du Texas, l’analyse de Tocqueville est validée. La commune fait ce pour quoi elle a été conçue. Quand quatre conseillers municipaux du Missouri sont éjectés en bloc, l’événement politique n’a rien d’inédit — le mécanisme communal américain fonctionne tel qu’il a été pensé.

D’où l’intensité particulière de l’opposition mesurée par Gallup aux États-Unis — sans équivalent quantitatif côté européen. Le rejet du centre de données ne sera pas réglé par la pédagogie : il ne procède pas d’un défaut de compréhension, mais d’une institution conçue pour bloquer ce qu’elle n’accepte pas. Trois griefs nourrissent l’opposition. L’eau — un hyperscaler peut absorber jusqu’à un million de gallons par jour, argument largement fallacieux puisque les centres de données récents tournent en boucle fermée. L’électricité — les factures résidentielles ont monté de 12 à 20 % depuis 2023 dans plusieurs comtés de Virginie, grief solide mais en passe d’être résolu avec les solutions énergétiques hors réseau. Enfin et surtout l’emploi — héberger l’infrastructure qui automatisera les bureaux restants, trente ans après la fermeture des usines est une peur diffuse, la plus difficile à raisonner. L’association IA / chômage est trop installée dans le discours public pour qu’aucune campagne de communication ne la déconstruise. Pour quel réel bénéfice pour la commune et ses habitants ?

L’asymétrie politique avec la mondialisation est totale. Entre 1985 et 2015, la délocalisation industrielle a vidé les Rust Belts sans demander leur avis aux populations affectées. L’usine fermait, le maire apprenait la décision dans la presse. La commune n’avait ni le pouvoir, ni le temps, ni l’information pour s’y opposer. Le centre de données inverse exactement ce schéma : il est foncier, physique, électrique, soumis à autorisation. Il dépend, à chaque étape de sa construction, d’une décision communale qui peut être bloquée. Trente ans après s’être tu sur la délocalisation, le territoire américain redécouvre qu’il sait dire non.

Le rejet bipartisan tient à cette racine institutionnelle, structurelle et non conjoncturelle. La commune n’est ni de gauche ni de droite : elle est locale. Démocrates et Républicains s’opposent au centre de données pour des raisons différentes — l’écologie pour les uns, la défiance vis-à-vis de la Big Tech pour les autres — mais sur un même fondement institutionnel.

Le réflexe délocalisation et son plafond

Le réflexe naturel des bâtisseurs de centres de données est immédiat : si la commune américaine bloque, on construit ailleurs. Tout cela se produit déjà.

Aux Émirats arabes unis, MGX et G42 — soutenus par Mubadala — ont signé en 2024 un accord de 1,5 milliard de dollars avec Microsoft, et l’annonce d’un Stargate UAE de 1 gigawatt est tombée en mai 2025. En Arabie saoudite, Humain — véhicule du fonds souverain PIF — vise 1,9 gigawatt avec partenariats Nvidia et AMD. En Malaisie, la zone industrielle de Johor a doublé sa capacité de centres de données en dix-huit mois, captant la pression d’expansion de Singapour qui avait imposé son propre moratoire de 2019 à 2022. À Querétaro au Mexique, à Hyderabad en Inde, à Cyberjaya, les projets s’empilent.

Cette délocalisation a des limites.

Chris Miller a tracé ces limites dans Chip War en 2022. La leçon Taïwan — la dépendance complète de l’économie occidentale à une île géopolitiquement contestée pour 92 % des semi-conducteurs avancés mondiaux — est devenue une grille de lecture bipartisane à Washington. Aucun administrateur, aucun directeur de cabinet, aucun comité du Congrès n’a envie de répéter cette dépendance avec la couche centre de données, qui est la couche stratégique de la prochaine décennie. Les 5 gigawatts que requiert le contrat Anthropic-AWS sur dix ans ne seront pas logés à Riyad ou à Dubaï, pour la même raison que les fonderies de TSMC sont en train d’être dupliquées en Arizona à coups de subventions du CHIPS Act.

Stargate UAE n’est pas le début d’une vague — l’opération est une exception bornée, négociée en échange d’un alignement géopolitique sur Washington. La puissance de calcul de pointe des grandes entreprises américaines restera américaine. La délocalisation absorbera quelques pour cent de la pression, pas l’essentiel.

Quelle suite, dès lors ?

Le centre de données, peau de chagrin

En 1831, Balzac publie La Peau de chagrin. Raphaël de Valentin, jeune homme désargenté, reçoit d’un antiquaire une peau magique : chaque vœu qu’il formule est exaucé, mais à chaque souhait exaucé la peau rétrécit — et avec elle sa propre vie. La fortune, l’amour, la santé : tout lui est accordé, à mesure que la peau se contracte.

Les centres de données installés en 2024 ressemblent à cette peau. Chaque gigawatt déjà autorisé est un gigawatt dont disposent ses détenteurs, et un gigawatt que ses concurrents et nouveaux entrants n’auront jamais. Chaque token brûlé sur une puce Trainium ou H100 consomme une ressource désormais finie à court terme. Plus l’arbitrage du précédent papier (“Le grand arbitrage”) progresse, plus la peau se contracte. À mesure qu’elle se contracte, chaque centimètre carré restant prend de la valeur.

Cinq adaptations forcées de la chaîne sont à attendre:

a. Densifier le centre de données et l’énergie déjà installés

W. Brian Arthur a formalisé en 1994 le mécanisme : dans une économie soumise à des rendements croissants, les avantages initiaux se cumulent et finissent par verrouiller la trajectoire. Les premières autorisations obtenues créent un chemin dont il n’est plus possible de sortir une fois la contrainte politique installée.

Un mot d’abord sur ce qu’il ne faut pas confondre.

La phase 2022-2025 a fait monter brutalement les valeurs liées à l’expansion brute du parc : Vertiv multiplié par dix, GE Vernova par trois, Constellation Energy huit fois, Vistra cinq fois, Cameco trois fois. Les valorisations passées ont anticipé un triplement des dépenses d’investissement des hyperscalers — 200 milliards de dollars en 2024, projetés à 660-690 milliards en 2026, dont 450 milliards fléchés sur l’intelligence artificielle. Le marché a évalué une expansion brute du parc, sans friction.

La nouvelle phase est différente. Le veto communal touche les centres de données, mais aussi par contagion logique tout ce qui en dépend en amont : les nouvelles centrales à gaz que les turbinistes voulaient livrer, les petits réacteurs modulaires qui doivent eux-mêmes obtenir leurs autorisations communales et fédérales, les lignes à haute tension nécessaires pour transporter l’électricité, les nouvelles centrales nucléaires de troisième génération qui mettent quinze ans à sortir de terre quand elles y arrivent. Les gagnants de la dernière guerre ne seront pas, mécaniquement, ceux de la suivante.

Deux catégories ressortent:

1. Les détenteurs de centres de données déjà autorisés. Les hyperscalers américains, avec leurs 22 à 28 gigawatts déjà opérationnels, possèdent l’actif que personne ne pourra plus fabriquer. Leur option de valeur ne tient pas à l’expansion future — qui se heurtera au veto communal — mais à la densification interne des sites déjà autorisés. Le refroidissement liquide divise par trois la consommation électrique par kilowatt traité ; les armoires à 130 kilowatts remplacent les armoires à 20 ; l’extension intra-site ne requiert pas de nouvelle autorisation. Microsoft a sécurisé 1,8 gigawatt chez Constellation Energy en redémarrant Three Mile Island Unit 1, fermée en 2019. Amazon a acquis pour 650 millions de dollars le campus nucléaire Cumulus de Talen Energy en Pennsylvanie, 960 mégawatts en raccordement direct au centre de données. Les opérateurs de colocation — Equinix, Digital Realty — tirent leur épingle du jeu sur leurs 3 gigawatts combinés, mais à la marge.

2. Les producteurs d’énergie déjà raccordés: pas les promesses de centrales nucléaires futures, qui passeront elles aussi par dix ans d’autorisations, mais les centrales nucléaires en opération aujourd’hui, dont la production est déjà raccordée à la grille. Constellation Energy aux États-Unis, EDF en France, Vattenfall en Europe du Nord. Pour ces acteurs, le terrain n’est plus la construction mais la prolongation de durée de vie et la signature de contrats long terme à prime. Le contrat Constellation-Microsoft à 85-100 dollars du mégawattheure, contre 40-50 dollars prix de marché, mesure la prime à 100 %. Une part de la revalorisation est déjà intégrée par les cours ; la rareté structurelle laisse la trajectoire haussière plusieurs années.

b. Réduire la consommation à performance constante

La deuxième sortie est intellectuelle. Si l’on ne peut plus multiplier les gigawatts, on multiplie les tokens par gigawatt.

En janvier 2025, Deepseek publie R1, modèle à “mixture-of-experts” dont le coût d’entraînement annoncé — 5,6 millions de dollars — a marqué les laboratoires de Stanford à Mountain View. Le chiffre est contesté, mais le signal est clair : à performance équivalente, le calcul peut être divisé par dix avec la bonne architecture. Mixture-of-experts, distillation, calcul au moment de l’inférence, modèles compacts mais performants — toutes les pistes que les laboratoires exploraient depuis 2023 deviennent prioritaires sous la pression du veto communal. Chaque watt économisé est une mairie qu’il n’est pas nécessaire de convaincre.

Mistral, Llama 4 d’usage local, Phi-4 chez Microsoft, Gemma chez Google : la course aux modèles efficaces s’accélère. L’opposition aux centres de données déplace l’effort de recherche vers l’efficacité algorithmique, au détriment de l’expansion brute du parc.

c. Intégrer le silicium au modèle

La troisième sortie est matérielle. La logique d’intégration verticale décrite par Clayton Christensen — quand la performance n’est pas suffisamment bonne, l’intégration capte les profits — se déploie là où elle pèse le plus : sur la puce.

AWS Trainium3 vise une efficacité par token significativement supérieure à Trainium2, qui s’est déjà imposé face au H100 de Nvidia sur certaines tâches d’inférence. Anthropic-AWS prévoit 1 gigawatt de Trainium opérationnel d’ici fin 2026 — un gigawatt entier, en puce dédiée, en intégration verticale modèle + puce + centre de données. Google déploie TPU Ironwood, sa septième génération. Meta MTIA, IBM AIU pour Watsonx. Les puces dédiées captent une part croissante de l’inférence en entreprise.

L’objectif est précis : découpler la croissance des tokens de la croissance des gigawatts. Sur puce dédiée et optimisée pour son modèle propre, un acteur intégré peut tripler le débit de tokens par watt par rapport à un déploiement Nvidia général. Le silicium dédié n’est pas un détail d’ingénierie : c’est la sortie matérielle du grain de sable.

d. Faire sortir l’inférence du centre de données

La quatrième sortie est distribuée. Si l’inférence ne peut plus être centralisée à coût acceptable, on la déplace vers l’appareil.

Apple Intelligence, déployé en octobre 2024 et étendu en 2025, traite 70 % de ses requêtes directement sur la puce neuronale des M4 et A18 — sans recours au centre de données. Qualcomm Snapdragon X Elite équipe les Copilot+ PC. Intel Lunar Lake déploie 48 trillions d’opérations par seconde de puissance neuronale. Gemini Nano tourne sur Pixel 9. Mistral pousse Ministral pour les appareils. Les smartphones capables d’exécuter de l’intelligence artificielle localement étaient 200 millions d’unités vendues en 2024 ; IDC en projette 3,5 milliards en 2028. Dix-sept fois plus en quatre ans.

Le calcul économique est imparable. Une requête courte exécutée localement ne coûte rien à l’opérateur, contre un à dix centimes sur cloud. Sur des milliards de requêtes quotidiennes, l’écart cumulé pèse plusieurs dollars par utilisateur et par mois. L’inférence descend du cloud vers la poche, pour des raisons d’arithmétique avant d’être de doctrine.

e. Réévaluer le centre de données et le token

La cinquième sortie est financière. La peau de chagrin se contracte, donc le prix de ce qui reste monte.

Le contrat Anthropic-AWS signé le 20 avril 2026 — 100 milliards de dollars sur dix ans pour 5 gigawatts — donne le prix d’équilibre de la puissance de calcul de pointe : 20 dollars du watt sur dix ans. Le contrat Constellation-Microsoft à 85-100 dollars du mégawattheure contre 40-50 dollars prix de marché mesure la prime nucléaire stratégique à 100 %. Les dépenses d’investissement des hyperscalers passent de 200 milliards de dollars en 2024 à 660-690 milliards projetés en 2026, dont 450 milliards fléchés sur l’intelligence artificielle. Chaque token produit par les modèles de pointe coûte unitairement moins cher qu’il y a un an, mais le volume total de dollars dépensés explose.

La conséquence pour la chaîne d’entreprise est mécanique : les abonnements professionnels passent de 20-30 dollars par mois en 2023 à 100-200 dollars en 2025 sur les segments de pointe (Claude Max, ChatGPT Pro, Cursor Ultra). La réévaluation traverse toute la chaîne jusqu’à l’utilisateur final. Le grand arbitrage continue de courir, mais à un prix d’entrée qui monte chaque trimestre. La peau rétrécit ; ceux qui en ont déjà coupé un morceau valent plus chaque jour.

La reconcentration de la rente

Carlota Perez a montré en 2002, dans Technological Revolutions and Financial Capital, que toutes les révolutions technologiques de l’histoire industrielle ont buté à un même stade : la phase d’installation. Chemin de fer dans les années 1840, électricité dans les années 1900, automobile dans les années 1920, informatique dans les années 1970 — chacune a rencontré sa crise institutionnelle, son pic d’opposition citoyenne et politique, son moment Hill County. La sortie historique a toujours été la même : non pas la capitulation, mais le tri brutal des acteurs.

Tout cela se joue maintenant. Une dizaine d’acteurs — six hyperscalers américains, deux ou trois producteurs nucléaires déjà raccordés, autant d’éditeurs intégrés verticalement à leur silicium, et un noyau d’acteurs de l’inférence sur l’appareil — capteront l’essentiel du grand arbitrage. Le nouvel entrant non autorisé, non intégré, non adossé à une infrastructure énergétique déjà en place n’a pas de chemin évident. Le grain de sable ne ralentit pas le grand arbitrage. Combiné aux autres contraintes — silicium, énergie, capital — il transforme un sentier large en un sentier étroit. Sur un tel sentier, le tri se fait par antériorité des autorisations, par intégration verticale, par capacité à sortir du centre de données.

L’ère du centre de données modulaire — où un consortium pouvait acheter un terrain, signer un contrat d’achat d’électricité local, commander des cartes graphiques et louer la capacité à des entreprises tierces — touche à sa fin. L’ère qui commence est celle de l’intégration verticale complète, en réponse à une friction politique que personne n’avait anticipée.

L’Europe : fenêtre étroite, démons familiers

L’Europe, dans tout cela ?

L’Europe a en main des cartes précieuses. La France dispose de 56 réacteurs nucléaires, produisant 360 térawattheures par an avec un facteur de charge qui remonte au-dessus de 70 % après l’épisode corrosion de 2022 — la base décarbonée la plus dense et la plus stable d’Occident. Les Hauts-de-France, la Ruhr, la plaine du Pô, l’Estrémadure offrent du foncier industriel reconvertible, déjà raccordé à la grille à haute tension, avec des populations habituées à l’industrie lourde. Mistral, Black Forest Labs et un écosystème d’éditeurs frugaux maîtrisent l’algorithmique efficiente — précisément la deuxième adaptation forcée. ARM, encore basée à Cambridge, alimente le silicium des appareils, de Qualcomm à Apple. Les briques de l’autonomie sont là.

La menace, sur cette fenêtre, est interne.

L’AI Act, entré en vigueur en août 2024 avec sa première vague d’obligations en février 2025, impose à tout déployeur de modèle de pointe des obligations documentaires, des évaluations de risque systémique et des contraintes opérationnelles dont aucun équivalent n’existe aux États-Unis ni en Chine. Le compromis politique qui a produit ce texte — entre une Commission qui voulait protéger et un Parlement qui voulait punir — a abouti à un cadre que les acteurs européens eux-mêmes peinent à appliquer. Mistral, Black Forest, Aleph Alpha ont publié des notes de doléances qui n’ont pas été entendues à Bruxelles. Au moment précis où la fenêtre d’opportunité s’ouvre, l’Europe se donne une auto-contrainte que ses concurrents directs n’ont pas. Sans modèle de pointe souverain, et sans marché de capitaux souverain (le capital est découragé en Europe), pourquoi un opérateur de centres de données souverain émergerait-t-il ?

Or les marges vont à l’opérateur du centre de données, aux fabricants de puces, de la connectique et de tous les éléments à forte valeur ajoutée. Les coûts de fonctionnement représentent une faible partie de la charge (2 à 3% pour l’électricité). Si l’Europe ne peut servir que ce genre de prestations, le rapport coût perçu par les populations/ bénéfices réels engrangés risque d’être une source de frustration forte à l’avenir.

Malgré le poids de l’ Europe, la France peut décider seule, sur ses 56 réacteurs et son foncier, de devenir le hub européen des centres de données de pointe. Elle peut le faire en six mois si elle accepte deux choses : suspendre certaines obligations de l’AI Act pour les déploiements, et accepter que le foncier énergétique se réévalue à la hausse. Mais pour quel bénéfice si l’opérateur des centres de données n’est pas souverain ?

La promesse faite par SoftBank d’un investissement supérieur à 50 milliards de dollars dans la chaîne européenne de l’intelligence artificielle, annoncée à la veille du sommet Choose France 2026, illustre cette tension. Le capital japonais — déjà actionnaire central de Stargate aux côtés d’OpenAI, propriétaire d’ARM depuis 2016 — déploie centres de données et partenariats énergétiques sur cinq à sept ans; Mistral et le tissu industriel français sont mis en avant comme partenaires opérationnels. L’Élysée salue le signal politique. L’annonce mérite pourtant un second regard.

Que SoftBank devienne le principal investisseur d’un futur hub européen dit souverain expose une réalité cruelle. Qui tient en réalité le manche ? La France ne dispose ni de la profondeur des marchés de capitaux, ni du bilan bancaire, ni d’hyperscalers domestiques pour absorber seule les 50 à 100 milliards de dollars qu’exige une infrastructure crédible. L’AI Act, en alourdissant la conformité de chaque déployeur de modèle de pointe, fait basculer la rentabilité du côté des acteurs capables d’amortir des frais fixes massifs sur plusieurs dizaines de milliards de dollars de revenus. SoftBank en dispose, Mistral n’en dispose pas. Le réflexe réglementaire bruxellois ne protège pas les champions européens : il les écrase sous des coûts fixes qu’eux seuls ne savent pas absorber, et offre la place aux géants étrangers prêts à les porter. L’Europe espère devenir souveraine en s’appuyant sur du capital qui ne lui appartient pas. La contradiction est entière.

La peau de chagrin se contracte. La France pense la tenir dans sa main, Choose France oblige. SoftBank, Nebius, MGX se réjouissent…

Raphaël de Valentin meurt en tenant sa peau dans sa main. L’Europe risque de mourir sans même l’avoir touchée.

Bonne semaine,

Hervé

Abonnez-vous maintenant

Peter Thiel pose une question essentielle dans Zero to One : “Quelle vérité importante très peu de gens partagent avec vous ?” j’en propose une version:

Un cadre supérieur coûte environ 145 000 € par an à son employeur — salaire brut augmenté de 45 % de charges patronales. Il travaille 1 820 heures par an, prend cinq semaines de congés légaux, tombe malade en moyenne 17 jours ouvrables, résiste au changement, négocie sa promotion, change d’entreprise. Un agent Claude Opus 4.7 — le modèle public le plus avancé d’Anthropic à ce jour — coûte entre 4 000 et 20 000 € par an en usage enterprise intensif. Il tourne 8 760 heures. Il ne prend pas de vacances, il ne prend pas de place, il n’a pas de voiture de fonction…

L’arbitrage est béant. La fenêtre va se refermer — bien plus vite que le consensus ne l’admet.

Ce qu’on voit

Le consensus est limpide et répété à chaque conférence tech depuis 2023. L’adoption de l’IA en entreprise sera lente. Les organisations résistent. Les hallucinations rendent les agents peu fiables. Les projets de transformation échouent. La prudence s’impose.

Les chiffres qui étayent cette narration existent — ils ne mentent pas. Selon une enquête publiée en 2025, 42 % des dirigeants de haut niveau estiment que l’adoption de l’IA générative divise leur entreprise. Plus d’un dirigeant sur trois la qualifie de “déception massive”. Soixante pour cent des responsables IA citent l’intégration aux systèmes hérités comme obstacle principal. Selon BCG, l’usage de l’IA progresse dans les entreprises, mais l’impact mesurable, lui, stagne.

Mais ces chiffres décrivent le visible. Frédéric Bastiat, en 1850, avait nommé le problème avec une précision que cent soixante-quinze ans n’ont pas entamée : il y a ce qu’on voit, et il y a ce qu’on ne voit pas. L’économiste français appliquait ce principe à la vitre cassée — le vitrier qu’on voit travailler, le tailleur qu’on ne verra jamais prospérer. Le même mécanisme gouverne la disruption agentique.

L’inertie est réelle — mais elle n’a jamais arrêté une pression économique suffisante

L’inertie organisationnelle n’est pas une illusion. Les comités de gouvernance AI s’accumulent. Les juristes ralentissent les déploiements. Les équipes IT défendent leurs périmètres. Les projets pilotes meurent en production faute d’ontologie, de gouvernance, ou de portage politique interne. Tout cela est documenté, vécu, compréhensible.

Mais l’inertie a une limite précise : le différentiel de compétitivité. Quand un concurrent capture un avantage de coût structurel de ×10 sur un poste de dépense significatif, l’inertie ne protège plus — elle tue à retardement. Les entreprises qui ont résisté au passage au cloud entre 2010 et 2015 n’ont pas gagné du temps. Elles ont accumulé une dette technique et concurrentielle. L’histoire ne se répète pas mais elle rime…

Peu d’analystes soulignent l’origine financière précise de cette inertie. Dans un épisode récent d’Invest Like the Best (EP.466), Alan Waxman, fondateur et CEO de Sixth Street, retrace les trois grandes phases de l’architecture financière américaine depuis 1929. La première, née du Glass-Steagall Act de 1933 : la séparation stricte entre banques commerciales et banques d’investissement. La deuxième, la grande libéralisation des années 2000 : dérégulation, intégration, et in fine la crise de 2008. La troisième — celle dans laquelle nous vivons encore — est la plus déterminante pour comprendre la résistance à l’adoption de l’IA.

Post-2008, Basel III et Dodd-Frank ont redessiné les règles du jeu. Le capital s’est réorganisé autour d’un principe unique : la sécurité. Le matching actif/passif est devenu la priorité des allocateurs. Les grandes entités bien “marketées” sont devenues des proxy de sécurité pour des investisseurs institutionnels traumatisés par la crise. Les petits acteurs agiles, capables de surperformer mais incapables de garantir la masse rassurante, ont été structurellement évincés. Cette architecture financière délibérée est entretenue depuis seize ans.

L’IA va renverser cette table. Non par idéologie, mais par arithmétique. Quand l’écart de performance entre le petit agile armé d’agents et le grand inerte protégé par sa taille devient de ×5 à ×10 sur les coûts opérationnels, même le capital le plus averse au risque ne peut plus l’ignorer. Les agiles réprimés depuis 2008 ont une fenêtre — ils vont la prendre.

Les hallucinations : argument technique ou argument de confort ?

Les hallucinations sont réelles. Les agents actuels se trompent, inventent des sources, confondent des dates, produisent des sorties incorrectes dans des contextes critiques. Pour un cabinet d’avocats, un acteur financier régulé, un système médical, ce n’est pas un risque théorique — c’est une ligne rouge opérationnelle.

Mais l’argument des hallucinations, utilisé comme raison de ne rien faire, confond un problème technique en cours de résolution avec une contrainte permanente. Il existe exactement deux voies industrielles pour résoudre ce problème, les deux sont déjà déployées à grande échelle. La première : améliorer la qualité intrinsèque du modèle et de son harnais jusqu’à rendre les erreurs rares et détectables. La deuxième : contraindre l’agent dans une ontologie sémantique qui rend ses erreurs impossibles par construction. Ces deux voies ne sont pas des promesses de plan stratégique — des faits industriels observables depuis 2025, portés par des acteurs dont les revenus croissent à +50 % ou plus par an.

Ce qu’on ne voit pas

Le cas conservateur : l’arbitrage individuel

Voici les chiffres, sans artifice. Coût total employeur en France, calculé sur la base du salaire brut augmenté de 60 % de charges patronales :

Un agent Claude Opus 4.7 en déploiement enterprise intensif coûte entre 4 000 et 20 000 € par an selon les volumes de tokens traités et l’infrastructure associée. Il est disponible 8 760 heures par an — 4,8 fois plus que le salarié à 35 heures. Sa productivité ne décline pas après 18h. Le ratio coût/disponibilité atteint ×3 à ×40 selon le profil.

Mais ce tableau est le cas conservateur — celui où l’on raisonne en remplacement individuel, un agent pour un salarié.

Le cas réel : le saut superlinéaire

La réalité de l’architecture multi-agents est d’un ordre de grandeur supérieur. Un système de cent agents orchestrés en boucle — chacun diagnostiquant, remédiant, validant, documentant en temps réel — ne coûte pas cent fois le prix d’un agent seul. Le coût marginal du Nième agent tend vers zéro. Ce que ce système peut traiter, en revanche, est le travail d’une organisation entière : non pas un poste remplacé, mais une direction comptable, un service juridique, un centre d’appels, une cellule de reporting. Sur certains processus, le ratio réel n’est pas ×10 — il est ×1 000.

Ben Thompson et Benedict Evans le formulent précisément dans leur entretien Stratechery de février 2026 : faire travailler ensemble mille agents ne coûte pas davantage que d’en faire travailler un. Faire travailler ensemble mille salariés générait des coûts exponentiels — réunions, reporting, silos, friction hiérarchique — que l’agent ignore par construction. La coordination était un coût. Elle cesse de l’être. Et seuls les grands groupes suffisamment agiles pour réorganiser leurs flux autour de cette réalité pourront en capturer l’avantage — dans le monde post-2008 que décrit Waxman, c’est précisément ce que la plupart ne sont plus.

Ken Fisher : la vraie question n’est pas technique

Ken Fisher construit sa méthode sur un principe : le marché intègre ce que tout le monde voit. L’avantage vient de ce que peu voient encore.

Tout le monde voit les mêmes obstacles : hallucinations, inertie, complexité d’intégration aux systèmes legacy. Peu voient encore que ces obstacles sont transitoires, que le levier économique sous-jacent est permanent, et que le différentiel de compétitivité va se creuser de façon irréversible dès que le seuil de fiabilité sera franchi. Le cerveau fait subir aux décideurs une distorsion précise : il les pousse à surestimer la durée des obstacles visibles — et à ignorer la pression invisible du levier économique. La pression n’est pas technique. Elle est économique. L’économie, contrairement à la technologie, ne prend pas de vacances.

La guerre de l’ontologie : comment on referme la fenêtre

L’arbitrage sera saisi. La question n’est donc pas si, mais qui résoudra le problème des hallucinations — et par quelle voie, à quelle vitesse, pour quel type d’entreprise. Deux approches structurellement distinctes s’affrontent, avec une troisième qui contourne par le bas.

Palantir : l’incumbent qui a tout inventé

Palantir a résolu le problème des hallucinations avant même que le mot “agent” entre dans le vocabulaire mainstream. Son AIP — Artificial Intelligence Platform — repose sur une ontologie : une modélisation sémantique complète de l’organisation, qui transforme les données d’entreprise — processus, flux, relations entre entités — en représentations structurées et lisibles par les agents. Résultat : les agents opèrent dans un espace contraint, défini, auditable. Ils ne peuvent pas inventer ce que l’ontologie n’autorise pas.

Le modèle de déploiement est high-touch : des “Forward Deployed Engineers” travaillent sur site, chez le client, pendant des mois, pour construire cette ontologie couche par couche. Coûteux. Long. Et c’est précisément ce qui le rend défendable — la barrière à la réplication est élevée.

Les chiffres parlent d’eux-mêmes : FY2025 à 4,46 milliards de dollars de revenus, +53 % sur un an. Q4 2025 à +70 % en glissement annuel. Le segment commercial américain en hausse de +137 % grâce à l’AIP. C3.ai, son rival direct, perd des parts de marché. Palantir est aujourd’hui le quasi-monopole de l’ontologie entreprise, tout le monde l’envie.

OpenAI Frontier : le challenger haut de gamme

En février 2026, Denise Dresser, Chief Revenue Officer d’OpenAI, envoie un memo de quatre pages à ses équipes. La phrase centrale est d’une précision remarquable : “Enterprise AI is entering a more mature phase where raw capability is no longer enough. Customers want fit.” Fit — comment l’IA s’intègre aux workflows, aux données, aux contrôles et aux opérations quotidiennes du client. La définition opérationnelle de l’ontologie, sans en prononcer le mot.

OpenAI répond avec Frontier, lancé le 5 février 2026 : une plateforme enterprise d’agents dotée d’une couche sémantique partagée. Tous les agents Frontier opèrent sur un contexte business commun — CRM, entrepôts de données, outils internes — au lieu de fonctionner en silo. Clients pilotes : HP, Intuit, Oracle, Uber, State Farm. Alliances multi-annuelles avec McKinsey, BCG, Accenture et Capgemini pour le déploiement. Objectif affiché : 50 % des revenus d’OpenAI issus de l’enterprise d’ici fin 2026, contre 40 % aujourd’hui.

Un détail ? Non. La contrainte centrale du modèle Frontier : les ontologies construites par des consultants restent en grande partie manuelles, bespoke, et de qualité inférieure à ce que Palantir a industrialisé sur vingt ans de déploiements sectoriels. Déléguer la partie la plus difficile du travail à des tiers dont ce n’est pas le métier historique a un coût — en qualité, en temps, en pérennité.

Anthropic MCP : l’ontologie distribuée

Anthropic joue une troisième voie, radicalement différente. En novembre 2024, la société lance le Model Context Protocol — un standard ouvert qui permet à n’importe quel système de données de devenir lisible par un agent, via un protocole JSON standardisé. La stratégie : ne pas construire une ontologie centrale, mais fournir le standard qui permet à chaque acteur de construire la sienne localement et de la rendre accessible.

Le protocole a été donné à la Linux Foundation, co-gouvernée par l’Agentic AI Foundation avec OpenAI, Google, Microsoft, AWS et Bloomberg. En mars 2026 : 10 000 serveurs MCP publics actifs, 97 millions de téléchargements mensuels de SDK. L’ontologie sans Forward Deployed Engineers, sans budget Palantir, sans alliance McKinsey — accessible à toute entreprise ou éditeur qui publie son serveur.

Christensen au tableau

Clayton Christensen avait établi une loi : quand la performance d’une technologie n’est “pas encore assez bonne”, l’intégration verticale capte les profits attractifs. Quand elle devient “suffisamment bonne”, la modularité les disperse vers les couches adjacentes.

Anthropic intègre verticalement modèle et harnais — la qualité de l’agent est garantie par la maîtrise de la chaîne d’exécution. L’ontologie, elle, est délibérément modularisée : MCP est un standard ouvert que n’importe quel acteur peut adopter. Anthropic contrôle l’intelligence et ouvre le contexte.

OpenAI joue l’inverse. Frontier intègre le modèle et l’ontologie — la couche sémantique et le modèle forment un seul bloc contrôlé par OpenAI. Le harnais, lui, peut être modularisé : c’est dans cette logique que s’inscrit l’embauche du créateur d’OpenClaw, dont la mission est précisément de construire la couche d’orchestration externalisable. OpenAI insiste sur le modèle car il a réservé d’avantage de puissance de calcul qu’Anthropic.

Les deux acteurs intègrent là où la performance n’est pas encore assez bonne — et modularisent là où elle peut être déléguée. Ils ne se font pas la même guerre. Ils construisent deux architectures d’empire différentes.

Haro sur l’entreprise

Le pivot d’OpenAI vers l’enterprise n’est pas un calcul de portefeuille. OpenAI reconnaît lucidement la béance de l’arbitrage à exploiter. L’enterprise offre des contrats pluriannuels, des volumes prévisibles, et des décideurs qui comprennent immédiatement ce que signifie un ratio de ×1 000 sur certains processus. L’enterprise est le terrain où l’arbitrage se monétise le plus vite, le plus massivement, et avec la plus grande durabilité. La course à l’enterprise est d’abord une course à la capture de l’arbitrage — avant d’être une guerre de parts de marché logicielles.

Les SaaS sortent renforcés

L’ironie apparente de cette bifurcation, c’est que les éditeurs SaaS — présentés par certains comme les premières victimes de l’ère agentique — en sortent en réalité structurellement renforcés. Non pas malgré la transition, mais grâce à elle.

Leur portion d’ontologie — les données accumulées sur des décennies, les intégrations profondes avec les systèmes tiers, le contexte métier sectoriel construit avec des milliers de clients — devient la pièce maîtresse de l’architecture agentique. Un agent ne peut opérer sans contexte. Ce contexte, le SaaS installé le détient. Il l’a construit, souvent sans en mesurer la valeur stratégique, pendant que ses ingénieurs s’occupaient de spécifications.

La Fontaine l’avait formulé autrement. La cigale avait chanté tout l’été — empilé les fonctionnalités, amélioré les interfaces, négligé la profondeur de ses données. La fourmi avait stocké — construit patiemment une couche sémantique irremplaçable. Quand l’hiver agentique arrive, la fourmi n’a pas besoin de la cigale.

Les repositionnements sont déjà visibles. Salesforce a refondu sa plateforme autour d’Agentforce 360, adossé à Data Cloud — une couche unifiée de données structurées et non structurées pour alimenter les agents. ServiceNow a racheté Data.World pour acquérir un catalogue de données et une gouvernance sémantique. SAP pousse Joule, son assistant IA natif connecté directement aux données ERP. Rien de cosmétique là-dedans. Des repositionnements d’éditeurs qui ont compris que leur survie tient à la profondeur de leur ontologie.

Le modèle économique va simplement évoluer : les SaaS vendront moins leurs fonctionnalités logicielles et davantage l’accès à leur ontologie — c’est-à-dire au contexte dont les agents ont besoin pour opérer sans halluciner. Et cette ontologie constitue une barrière à l’entrée redoutable pour tout nouvel entrant : construire en deux ans ce que Salesforce a accumulé en vingt-cinq n’est pas une option. L’ère agentique ne détruit pas les SaaS installés — elle consolide leur avantage concurrentiel à condition qu’ils en comprennent la nature.

Le test opérationnel est le MCP. Un éditeur qui publie un serveur MCP riche — avec ses intégrations, son historique, son contexte métier — signale que son ontologie a de la valeur et peut alimenter n’importe quel agent. Celui qui ne publie pas annonce implicitement que son logiciel peut être contourné.

L’avenir appartient à celui qui a le « compute »

Le 20 avril 2026, Anthropic publie une annonce qui résume à elle seule la nouvelle économie de l’IA. L’entreprise s’est engagée à dépenser plus de $100 milliards sur AWS sur dix ans — soit cinq fois son chiffre d’affaires annualisé de mars 2026 ($19 milliards, multiplié par 19 en quinze mois) — en échange de l’accès à jusqu’à 5 gigawatts de compute pour l’entraînement et le déploiement de Claude. En retour, Amazon investit jusqu’à $25 milliards en capital (dont $5 milliards immédiats) à une valorisation de $380 milliards. Près d’1 gigawatt de Trainium2 et Trainium3 sera opérationnel d’ici fin 2026.

La nature de cet accord est révélatrice. Anthropic — modèle de référence sur les usages enterprise, $19 milliards de revenus annualisés — n’est pas en position de force : c’est Anthropic qui a besoin du compute d’Amazon, pas l’inverse. L’intelligence, si brillante soit-elle, sans GPU pour tourner n’est qu’un algorithme sur papier. Le compute est devenu la ressource scarce.

La demande pour jouer l’arbitrage décrit dans cet article est si forte que le compute est en rupture structurelle. Les dépenses d’investissement des hyperscalers atteignent $660–690 milliards en 2026, dont 75% ($450 milliards) fléchés vers l’infrastructure IA. Le paradoxe de Jevons s’applique ici : l’amélioration de l’efficacité d’une ressource accroît sa consommation totale. Chaque baisse du coût du token ouvre de nouveaux cas d’usage, qui génèrent de nouveaux volumes.

Quatre positions dans la guerre du calcul:

La rareté de la puissance de calcul redistribue les cartes. Quatre stratégies émergent.

Microsoft et Google jouent les deux côtés. Ils vendent le compute (Azure, Google Cloud) et construisent leurs propres services IA (Copilot, Gemini Enterprise). Pour OpenAI — structurellement dépendant d’Azure — la situation est inconfortable : son principal fournisseur est devenu son concurrent direct sur le segment enterprise. D’où la diversification impérative : le projet StarGate ($500 milliards avec SoftBank) vise à lui donner une infrastructure propriétaire, indépendante de Microsoft.

Amazon loue l’infrastructure sans fermer l’arbitrage lui-même. AWS est fournisseur de compute, pas concurrent des entreprises qui déploient des agents. L’accord Anthropic illustre le modèle : Amazon capte à la fois les revenus cloud ($100 milliards sur dix ans) et l’upside en capital ($25 milliards de mise pour une part d’une société à $380 milliards). Stratégie de plateforme pure : laisser les autres jouer l’arbitrage, se rémunérer sur le volume.

Les neoclouds prospèrent dans la pénurie. En situation de shortage structurel de GPU, chaque gigawatt de capacité supplémentaire se loue à prime. CoreWeave, Lambda Labs et leurs équivalents européens comblent l’écart entre les hyperscalers saturés et les entreprises qui ont besoin de compute immédiat. La pénurie n’est pas un accident — elle est la conséquence prévisible d’une demande qui croît plus vite que les délais de construction des datacenters (18 à 36 mois de cycle).

Google et Meta financent l’IA grand public par la publicité. Sans concurrent dominant sur l’IA à destination du consommateur (ChatGPT et Claude sont des abonnements payants), les deux acteurs peuvent déployer des modèles avancés à coût marginal nul pour l’utilisateur final. Gemini intégré dans Search atteint 1,5 milliard d’utilisateurs sans friction. Meta AI déployé sur WhatsApp, Instagram et Facebook touche 3,3 milliards d’actifs mensuels. La masse de données comportementales générées referme le flywheel publicitaire tout en alimentant l’entraînement des modèles. Sur ce terrain, OpenAI et Anthropic ne peuvent pas suivre.

jouer l’arbitrage est un travail

L’arbitrage décrit dans cet article n’est pas un gain automatique. Le capturer exige trois choses : la volonté stratégique de l’engager, une direction claire sur les processus à transformer en priorité, et une exécution dans le détail — intégration des systèmes, gouvernance des ontologies, audit qualité, réorganisation des workflows humains autour des agents.

Tant que l’arbitrage reste ouvert, chaque entreprise qui l’a engagé a besoin de talents pour l’exécuter, et chaque entreprise qui ne l’a pas encore engagé a besoin de talents pour le comprendre. Le marché du travail IA en 2025–2026 le confirme : offres en “prompt engineering” +135,8% sur douze mois, “AI engineer” +143%, salaire moyen $206 000 en 2025 aux États-Unis. Gartner estime que 40% des applications enterprise intégreront des agents task-specific d’ici fin 2026, contre moins de 5% en 2025.

Bastiat avait raison sur ce point aussi : les effets indirects créent des emplois que l’analyse superficielle ne voit pas. L’arrivée du robot de soudure n’a pas supprimé l’emploi dans l’automobile — elle a déplacé la compétence vers la programmation, la maintenance et la conception.

L’arbitrage se refermera quand la totalité des processus automatisables l’aura été (le surplus sera alors pour le consommateur. Ce n’est pour demain. D’ici là, la vitrine cassée de Bastiat aura bien été réparée — et pas par le vitrier qu’on imaginait.

Bonne semaine,

Hervé

Abonnez-vous maintenant

En novembre 2025, Elon Musk annonce la construction d’une usine dédiée à Optimus dans sa Gigafactory du Texas. La même semaine, Sergey Levine — professeur à Berkeley et cofondateur de Physical Intelligence — publie les résultats de π0, un modèle de fondation pour la robotique physique capable d’apprendre de nouvelles tâches manuelles en quelques heures. Deux futurs industriels se dessinent alors. D’un côté, une logique d’intégration verticale qui rappelle Apple : un système fermé, du software à la machine. De l’autre, une logique plus modulaire, proche d’Android : une couche d’intelligence indépendante, réutilisable sur des robots hétérogènes.

Le débat public se concentre sur le robot lui-même, sa dextérité, son coût unitaire, sa vitesse, son autonomie. Ce cadrage est séduisant, parce qu’il est visuel et mesurable. Pourtant, il passe à côté du point critique. Remplacer un ouvrier par un robot ne supprime pas mécaniquement les coûts de production ; cela déplace souvent une partie du coût vers des fonctions d’ingénierie, de coordination et de contrôle. Le coût du col bleu devient coût du col blanc, parfois plus élevé, presque toujours moins visible.

Et surtout, avant même que la matière n’arrive sur une machine, une longue chaîne de tâches non physiques doit être exécutée : qualification du besoin, devis, vérification de faisabilité, programmation, ordonnancement, conformité documentaire, coordination logistique, communication client. Dans beaucoup d’ateliers, cette couche administrative et technique représente le vrai goulot d’étranglement. C’est là que se joue aujourd’hui la compétitivité, beaucoup plus que dans la simple substitution homme-machine sur le plancher industriel.

Le vrai goulot d’étranglement : les petites séries

Austin Vernon, ingénieur et essayiste américain, insiste depuis plusieurs années sur ce point. Sa thèse est contre-intuitive : les États-Unis n’ont pas cessé de fabriquer. L’industrie représente encore environ 10 % du PIB, soit près de 3 000 milliards de dollars annuels. Le problème n’est donc pas l’effacement de la base productive ; il réside dans sa composition et dans l’économie de la coordination.

Le système américain reste très performant dans deux pôles opposés :

• la transformation de matériaux de base peu transportables (ciment, acier, chimie, etc.),

• l’assemblage final à forte valeur ajoutée de composants venant de chaînes mondiales.

En revanche, le milieu de gamme manufacturier — celui des séries courtes, des itérations rapides, des productions sur mesure — est fragilisé. Or ce segment est décisif : c’est celui qui transforme une idée technique en produit industriel viable, puis en plateforme de croissance.

Vernon nomme le problème : les « soft costs ». Ce sont les coûts de coordination qui entourent la fabrication sans être la fabrication elle-même. Devis manuels, revue technique, programmation machine, préparation des gammes, planification, achats, conformité qualité, gestion de modifications, relation client. Dans la pratique, ces coûts sont majoritairement semi-fixes par commande, pas proportionnels au nombre de pièces.

Une commande de 10 pièces mobilise souvent presque autant d’intelligence administrative qu’une commande de 10 000 pièces : il faut de toute façon lire le plan, valider la matière, préparer les trajectoires, réserver la capacité, documenter l’exécution, tracer la qualité, organiser la livraison. En grande série, ce coût se dilue ; en petite série, il explose en coût unitaire.

C’est précisément ce mécanisme qui tue la fabrication à la demande dans les structures traditionnelles : non pas l’incapacité technique à produire, mais l’incapacité économique à coordonner rapidement des flux variés de faible volume.

Il faut expliciter le lien central : dans ce type d’atelier, le coût et la vitesse sont une seule et même variable. Chaque jour de latence (attente de validation, reprise de devis, replanification) immobilise du capital, dégrade le taux de conversion commerciale, retarde la facturation et augmente le coût complet de la commande. Accélérer la coordination n’est donc pas un objectif parallèle au coût ; c’est le principal levier de réduction des coûts unitaires sur les petites séries.

Pourquoi les ERP n’ont pas réglé le problème

Les ERP industriels (SAP, Oracle et autres) ont été conçus pour rendre ces opérations robustes, traçables et conformes. Ils ont apporté une discipline indispensable, mais souvent au prix d’une bureaucratisation excessive. Dans de nombreuses entreprises, la conformité a progressé plus vite que l’efficacité.

Ce paradoxe est fréquent : un devis qui prenait 30 minutes hors système peut prendre plusieurs heures dans une chaîne numérique fragmentée, parce que chaque étape exige un format, un contrôle, une validation, une signature, un codage. Personne n’ignore l’intérêt de la traçabilité ; mais quand le délai administratif dépasse le délai physique, le système devient son propre frein.

De fait, beaucoup d’ateliers ne sont pas pénalisés par leur parc machine, mais par l’épaisseur procédurale qui encadre la machine. C’est la différence entre digitaliser un processus et automatiser un flux.

SendCutSend : la rupture par suppression du chemin critique

SendCutSend, fondée en 2018 dans le Nevada, illustre un basculement différent. Leur proposition n’est pas simplement d’aller plus vite sur la découpe laser, le pliage ou la finition ; elle consiste à retirer du chemin critique la majorité des interventions humaines préalables à la production.

Le client charge son fichier CAO. Le système évalue la faisabilité, calcule le prix, génère la programmation nécessaire, lance la production et coordonne l’expédition. La promesse n’est pas « moins d’erreurs humaines » en soi ; c’est une réécriture de la structure de coût. Une commande de 10 pièces et une commande de 10 000 pièces traversent essentiellement la même couche transactionnelle automatisée.

Là est le point stratégique : les soft costs ne sont pas seulement réduits ; ils cessent d’être une variable qui bloque l’entrée en production. Ce déplacement explique pourquoi ces acteurs peuvent servir simultanément le prototypage ultra-court et des volumes industriels plus lourds.

La loi économique derrière la bataille industrielle

Dans un atelier où les charges fixes par commande sont élevées, toute baisse de taille de série entraîne une hausse non linéaire du coût unitaire. Cette relation explique un grand nombre de décisions industrielles qui semblent irrationnelles vues de l’extérieur : délais absurdes, minimums de commande, refus de prototypes, marges très hétérogènes.

Subventionner les CapEx ou taxer les importations ne supprime pas ce mécanisme. Ces politiques peuvent modifier temporairement la rentabilité apparente, mais elles n’effacent pas l’architecture des coûts de coordination. Tant que le goulot reste là, la compétitivité structurelle ne revient pas.

C’est la raison pour laquelle la course industrielle contemporaine se joue moins sur la seule robotisation physique que sur l’automatisation des workflows de bout en bout.

Pourquoi c’est central pour l’avantage américain

Le hardware américain repose sur une capacité d’itération rapide en petites séries. Dans la défense, le spatial, le médical, les composants avancés, la valeur naît de la vitesse de boucle : prototype, test, correction, nouvelle série courte. Ce rythme est la transposition dans le monde physique de ce que le software a perfectionné depuis deux décennies.

Si fabriquer 100 pièces coûte presque aussi cher administrativement que lancer 10 000 pièces, cette boucle est brisée. L’innovation matérielle devient lente, coûteuse, et finit soit captive d’un petit nombre de fournisseurs premium, soit externalisée à l’étranger dès que le besoin devient récurrent.

Autrement dit, l’enjeu dépasse la productivité d’usine. Il concerne la souveraineté d’apprentissage industriel. Un pays qui ne sait plus industrialiser rapidement des séries courtes perd sa capacité à transformer ses innovations en systèmes déployables.

L’approche chinoise : contourner plutôt que neutraliser

La stratégie chinoise dans la robotique humanoïde est méthodique et puissante. AgiBot (Zhiyuan Robotics) annonce 5 100 robots produits en 2025. Unitree lance en juillet 2025 le R1 à 5 900 dollars, contre 16 000 dollars pour son modèle précédent. La trajectoire est claire : baisse accélérée du coût hardware par montée en volume et apprentissage industriel.

Mais l’avantage chinois ne tient pas uniquement à cette courbe de coûts matériels. Il vient aussi d’une structure du marché du travail différente. Là où les États-Unis doivent payer cher des profils d’ingénierie et de coordination, la Chine peut mobiliser davantage de main-d’œuvre qualifiée à coût inférieur pour absorber les opérations non encore automatisées.

C’est une réponse économique efficace à court et moyen terme : quand le software n’a pas encore avalé toute la complexité, on l’absorbe par organisation humaine dense. Ce n’est pas une faiblesse ; c’est une architecture concurrentielle distincte.

Cependant cette architecture a une limite : elle dépend de la disponibilité continue d’un arbitrage salarial favorable. Si la coordination logicielle devient réellement scalable et bon marché chez les concurrents, l’avantage relatif se comprime.

La réponse américaine : substituer l’intelligence digitale aux coûts de coordination

Pour préserver leur avantage dans l’itération matérielle, les États-Unis doivent faire plus que robotiser l’atelier. Ils doivent supprimer le rôle des soft costs dans le chemin critique de la commande. C’est un problème d’orchestration, pas seulement de manipulation.

Deux logiques se dessinent.

1) La logique ouverte : la superintelligence manuelle

Sergey Levine représente le pari d’un modèle général pour la robotique physique. Le principe de π0 est de généraliser des compétences manuelles sur de grands corpus d’interactions robot-monde, puis d’adapter rapidement ces compétences à des tâches nouvelles.

Ce paradigme est puissant parce qu’il décorrèle partiellement l’intelligence du matériel. Un même socle peut, en théorie, opérer sur des plateformes variées (Unitree, Figure, Agility, etc.). C’est une logique de diffusion large, avec effets de réseau cognitifs potentiellement rapides.

Mais une limite demeure : même un robot très capable physiquement ne ferme pas seul la boucle économique d’une commande industrielle. Quelqu’un — humain ou système — doit encore traduire un cahier des charges, établir un devis, vérifier une nomenclature, planifier la charge machine, orchestrer la conformité, piloter la livraison.

Autrement dit, π0 résout une partie majeure du « faire », pas encore l’ensemble du « faire faire ».

2) La logique intégrée : boucle verticale complète

L’approche Musk est différente. Elle vise une pile intégrée : couche cognitive (LLM/agents), couche physique (Optimus), et données industrielles issues d’opérations massives de production. L’objectif n’est pas seulement l’autonomie du robot, mais l’autonomie du flux complet : du besoin client à l’exécution.

Dans cette architecture, l’agent ne se contente pas de donner des ordres au robot. Il participe à la lecture de la demande, à la génération du devis, à la planification des opérations, à la préparation documentaire, au suivi logistique. Le robot exécute ; le système orchestre.

Si ce modèle tient à l’échelle, son avantage est évident : le coût marginal de coordination tend vers zéro sur une large plage de volumes, de la micro-série à la série intermédiaire. C’est exactement la zone où les ateliers traditionnels souffrent le plus.

Le pari reste néanmoins technique et organisationnel : entraîner, fiabiliser et auditer une telle boucle en conditions réelles est extrêmement difficile, surtout sous contraintes qualité et sécurité.

Le rôle du capital-risque : fabriquer le « cerveau industriel »

Ce qui est frappant aux États-Unis, c’est la densité d’acteurs qui travaillent explicitement la couche coordination :

• SendCutSend et Protolabs sur la chaîne devis → fabrication → expédition,

• Xometry sur le matching algorithmique acheteurs-ateliers,

• Hadrian sur l’usinage de précision piloté par software pour défense et spatial.

Ces entreprises ne vendent pas seulement des pièces. Elles vendent du temps de cycle. Elles déplacent la compétition vers la capacité à traiter des commandes variées, vite, avec un niveau de qualité contractuel stable.

Le capital-risque comprend ce point : la valeur se capte moins dans la machine isolée que dans la plateforme qui relie demande, planification, exécution et assurance qualité.

Pourquoi l’Europe est un cas structurellement différent

L’Europe est un cas structurellement distinct parce que son appareil productif pèse encore lourd dans la richesse créée (l’industrie manufacturière représente autour de 15 % du PIB de l’UE, $2 700 milliards en chiffres bruts, avec des niveaux plus élevés en Allemagne), qu’il est dominé par des filières de spécialité à forte intensité d’ingénierie (machines-outils, automobile, chimie, équipements, medtech), et qu’il repose sur un tissu de PME exportatrices — le Mittelstand au sens large — qui alimente directement les excédents industriels, en particulier sur les marchés hors Europe ; dans ce cadre, la menace spécifique n’est pas seulement la digitalisation américaine, mais aussi le différentiel de coût de l’énergie, devenu critique pour l’automobile et ses sous-traitants notamment, car il comprime les marges, freine l’investissement et affaiblit la compétitivité-prix à l’export précisément là où l’Europe était historiquement la plus solide. Les deux challenges combinés sont un réel problème.

Comparer l’Europe aux États-Unis exige de distinguer les structures économiques. Aux États-Unis, la petite série est souvent une phase transitoire d’entreprises en croissance qui visent l’échelle. En Europe, dans une partie importante du tissu industriel, la petite et moyenne série est un modèle permanent.

Le Mittelstand allemand, les sous-traitants italiens de précision, les fabricants français spécialisés, les acteurs suisses du médical vivent de cette capacité à produire des lots complexes, de qualité élevée, sur des niches exigeantes. Leur force est réelle : savoir-faire, robustesse, process, relation longue avec les donneurs d’ordre…et ingénieurs bon marché. Ces entreprises sont les sous-traitants des assembleurs en Europe mais aussi aux Etats-Unis. Le Mittelstand représente 18 % de la valeur ajoutée industrielle européenne et encore d’avantage des exportations manufacturières (jusqu’à 25 % selon les pays)..

Leur vulnérabilité potentielle n’est pas l’absence de compétence technique. Elle est dans la vitesse relative d’intégration logicielle à grande échelle, surtout si les plateformes américaines parviennent à rendre la coordination quasi instantanée.

Trois scénarios européens si les États-Unis gagnent la bataille des soft costs

Scénario 1 : banalisation progressive de l’excellence mécanique

L’excellence européenne repose sur la précision, la fiabilité et la maîtrise de procédés complexes. Mais si des chaînes software + machine atteignent un niveau de qualité « suffisamment bon » sur une fraction croissante des pièces, la prime de prix de la qualité artisanale peut se contracter.

L’Europe conserverait des segments très exigeants, mais perdrait de la profondeur sur les zones intermédiaires qui financent souvent l’investissement et la R&D. C’est la disruption selon Christensen en action.

Scénario 2 : inversion de la sous-traitance

Aujourd’hui, des assembleurs américains externalisent encore certaines opérations complexes vers l’Europe. Si la coordination automatisée réduit drastiquement délais et coûts aux États-Unis, le sens des flux peut s’inverser, y compris pour des donneurs d’ordre européens cherchant un time-to-market plus agressif.

Ce basculement ne serait pas spectaculaire au départ ; il serait diffus, commande après commande, jusqu’à fragiliser le tissu des PME.

Scénario 3 : exode accéléré des talents industriels

L’usine pilotée par IA attire des profils hybrides : robotique, contrôle, data, logiciel, supply chain, qualité. L’Europe forme ces talents, mais les rémunère souvent moins que les pôles américains financés massivement. Si l’industrie devient un segment de la Tech en termes de salaire et de trajectoire, l’aspiration vers les États-Unis peut s’accélérer.

Le risque est double : perte de capital humain et dépendance accrue à des briques logicielles externes.

L’angle réglementaire : vitesse contre précaution

Le débat européen sur l’IA oppose souvent innovation et protection. Cette opposition est trop simpliste. Le vrai arbitrage est entre qualité de contrôle et vitesse de boucle. Une réglementation qui allonge fortement les cycles d’expérimentation matérielle peut produire un coût d’opportunité élevé, même si son intention est légitime.

Le sujet n’est pas d’abolir les garde-fous. Il est de distinguer les zones à risque élevé — qui exigent un contrôle strict — des zones où l’expérimentation rapide est nécessaire pour maintenir une base productive compétitive.

Une politique uniforme appliquée à des réalités industrielles hétérogènes pénalise mécaniquement les acteurs qui dépendent d’itérations rapides.

Que peut faire l’Europe, concrètement ?

Si l’Europe veut éviter une désindustrialisation relative face à une Amérique accélérée par l’IA, elle doit agir sur quatre fronts simultanés.

Ces quatre fronts poursuivent une métrique unique : le coût complet par commande, qui dépend du temps de cycle administratif, technique et réglementaire. Quand l’Europe gagne 48 heures sur la chaîne devis → faisabilité → planification, elle ne gagne pas seulement en vitesse commerciale ; elle réduit ses coûts de coordination par pièce et restaure sa marge sur les petites séries.

1) Réformer l’exécution réglementaire.

C’est une véritable gageure mais sans réforme procédurale, demander d’aller plus vite relève du slogan.

Concrètement, il faut une architecture d’exécution en quatre briques : classification par niveau de risque réel, guichet unique numérique pour la conformité, délais maximum opposables pour les réponses administratives, et sandbox réglementaire limitée dans le temps pour les cas d’usage industriels B2B. Sans ces mécanismes, les coûts de conformité restent imprévisibles et neutralisent les gains de productivité.

2) Déréguler le temps administratif hors sécurité critique

Même à réglementation constante, une part importante de la lenteur vient de couches procédurales locales (double saisie, validations redondantes, séquences non parallélisées). L’objectif est de réduire ces frictions qui n’ajoutent ni sûreté ni qualité mesurable.

La métrique pertinente est le coût-temps de cycle : délai entre idée, prototype qualifié et livraison, converti en marge réelle par commande.

3) Industrialiser la couche logicielle des PME

Le vrai sujet est l’équipement logiciel de bout en bout : devis automatique, vérification de faisabilité, planification dynamique, traçabilité qualité native, orchestration logistique. Refuser des briques externes par principe peut coûter plus cher qu’une dépendance partielle maîtrisée. Il faut reconnaître ses forces et faiblesses. Dans le domaine du numérique, l’Europe est à un petit niveau et la réglementation fait en sorte que cela empire!

La souveraineté productive reste compatible avec l’adoption pragmatique d’outils non européens, à condition d’architecturer la réversibilité, l’interopérabilité et la maîtrise des données critiques. On ne sait jamais ! Peut-être un jour serons nous au niveau…

4) Créer des consortiums de capacité interopérables

Les PME européennes souffrent de fragmentation. Une réponse crédible consiste à mutualiser une partie des flux d’information (carnets de commande, capacités machine, disponibilité matière, fenêtres logistiques) via des standards communs et des moteurs d’optimisation partagés.

Le but n’est pas de diluer les spécialisations, mais d’obtenir un effet plateforme sans détruire la diversité industrielle régionale.

Autrement dit, la vitesse est ici une discipline économique et réglementaire : plus la coordination et la conformité sont rapides, plus le coût administratif se dilue, plus la compétitivité-prix redevient défendable face aux plateformes étrangères.

Le point de bascule : du hardware au workflow

Ce que dit vraiment Vernon

La thèse de Vernon n’est pas « les robots ne servent à rien ». Elle est plus précise : robotiser la tâche physique sans automatiser la coordination ne restaure pas la compétitivité sur les petites séries. C’est un diagnostic de structure de coût, pas un commentaire idéologique.

Cette distinction est essentielle pour éviter deux erreurs symétriques :

• croire qu’il suffit d’acheter des robots pour moderniser une base productive,

• croire qu’il suffit de protéger le tissu existant sans transformer ses workflows.

La première erreur produit des vitrines technologiques chères et difficiles de mettre à l’échelle. La seconde produit une érosion lente mais certaine de la part de marché sur les segments où la vitesse devient déterminante.

La question stratégique pour les cinq prochaines années

La prochaine plateforme industrielle décisive ne sera pas forcément celle qui fabrique le robot le plus impressionnant en démonstration. Ce sera celle qui relie sans rupture les fonctions commerciales, techniques, opérationnelles et réglementaires, puis qui apprend en continu sur chaque commande exécutée.

En termes simples : l’avantage ne viendra pas seulement de la main robotique, mais du système qui sait quand, quoi, comment, avec quelle matière, sur quelle machine, à quel coût réel et dans quel délai garanti.

Dans ce monde, la frontière entre software enterprise et industrie s’efface. La fabrication devient un problème de plateforme opérationnelle.

L’industrie n’entre pas dans une ère humanoïde. Elle entre dans une ère où la rareté se déplace : de la force de travail vers la capacité de coordination intelligente. Les pays et entreprises qui automatiseront cette couche sans sacrifier qualité ni conformité capteront l’essentiel de la valeur.

La Chine avance par l’échelle et la discipline de coût. Mais le faible coût de sa main d’œuvre ingénieurs peut être un handicap. Les États-Unis avancent par l’architecture logicielle et le capital-risque orienté vitesse. L’Europe peut encore transformer son avantage d’ingénierie en avantage de cycle — à condition d’accélérer maintenant, sans attendre que le différentiel devienne irréversible.

C’est là, et non dans la fascination pour le robot seul, que se joue la vraie course industrielle.

Bonne semaine,

Hervé

Abonnez-vous maintenant

Tesla Magazine, le 17 février 2026

Pendant que les constructeurs “Legacy” se battent pour gratter 2% de marge sur des chaînes de montage héritées du XXe siècle, Tesla s’apprête à faire exploser le paradigme.

Le Cybercab n’est pas “une nouvelle voiture”. C’est une machine à imprimer de la mobilité.

Pourquoi c’est une révolution (et pourquoi certains vont détester) :
L’Unboxed Process : On ne parle plus de “chaîne” mais de modules assemblés en parallèle comme des LEGO. Résultat ? Une empreinte au sol réduite de 40% et des coûts divisés par deux.

La barre des 10 secondes : Elon Musk l’a confirmé : l’objectif ultime est de sortir un Cybercab toutes les 10 secondes. C’est 5x plus rapide que la production d’une Model Y. On passe de l’automobile à la “Consumer Electronics” à l’échelle industrielle.

Adieu le superflu : Pas de volant. Pas de pédales. Pas de peinture. C’est radical, c’est brutal, et c’est exactement ce qu’il faut pour ramener le coût au kilomètre sous la barre des $0,20.

“Oui, mais la rampe de production...”
Les sceptiques vont hurler au “départ agonisant” (Musk l’a lui-même admis : la courbe en S sera lente au début). Mais ne vous y trompez pas : ce ralentissement initial est le prix à payer pour une accélération insensée dès 2027.

Le choix est simple : Soit vous croyez à l’optimisation incrémentale, soit vous comprenez que le Cybercab est le cheval de Troie qui va rendre la possession d’une voiture individuelle obsolète.

L’histoire ne retient pas ceux qui ont attendu que ce soit “prêt”, elle retient ceux qui ont redéfini les règles du jeu.

Rendez-vous en Avril à Giga Texas

Tesla lance la production en masse du Cybercab dans sa Gigafactory du Texas en avril. Elon Musk l’annonce sans volant ni pédale pour manifester sa confiance envers le système de conduite autonome FSD. Or FSD est alimenté uniquement par des caméras, ce qui peut poser un problème par rapport aux systèmes de conduite autonomes homologués jusqu’à présent. Ils ont tous des LiDAR et se repèrent par rapport à une carte 3D. Ces LiDAR et cartes 3D sont des garde-fous qui réduisent le risque d’accident par rapport à un conducteur humain (6 à 7 fois dans les villes où opère Waymo par exemple). Le bilan de Tesla avec son approche singulière est aujourd’hui problématique dans la seule zone où il opère vraiment sans chauffeur, Austin: un accident tous les 57 000 miles contre une moyenne humaine de 229 000 miles. Tesla ne peut donc justifier du niveau 4 nécessaire pour lancer un service de robotaxi réellement autonome.

D’où le paradoxe: Elon Musk sait que son logiciel FSD ne lui permet pas de lancer de service de conduite autonome et pourtant il lance en masse la production de son Cybercab dès avril !

Le paradoxe Cybercab

Elon Musk aurait-il perdu la raison ? Un autre indice confirme le paradoxe: la loi américaine (votée par le congrès) limite à 2500 véhicules maximum par an, la commercialisation de véhicules non conformes. Ainsi l’absence de volant ou de pédales est une non-conformité, jusqu’à preuve du contraire. Sauf si le constructeur choisit de s’auto-certifier avec le risque ultérieur de remise en cause. Elon Musk semble prendre le risque, espérant que son coup de pression fera changer la loi. Cependant, on peut difficilement imaginer qu’il n’y ait pas de plan B. Quel intérêt de produire un Cybercab toutes les dix secondes pour qu’ils finissent au parking ? Et pourtant les premiers Cybercabs qui sortent de l’usine n’ont ni volant, ni pédales…

Mon intuition est qu’en plus de quelques Cybercabs réservés au services de taxi expérimental dans les rares zones où ils seront acceptés, l’usine du Texas finira par produire des Cybercab avec volant.

La commercialisation en masse d’une voiture populaire est ancrée dans l’histoire de Tesla. Dès 2006, Elon Musk présente le « master plan » de Tesla et y dévoile sa grande vision: la voiture populaire à moins de $25 000, comme finalité originelle du projet (grâce aux effets d’échelle et de la courbe d’expérience). Lors du « Battery Day » 2020, Elon Musk affirme que la voiture a $25 000 arrivera dans les trois ans, grâce aux nouvelles cellules 4680 et au processus de production « Unboxed ». Le projet appelé Redwood prend forme en 2022 et 2023 avec des rumeurs sur le lieu de production ( Chine, Allemagne, Mexique). En Janvier 2024, Elon Musk annonce la production de modèles bon marché à partir de la seconde moitié de 2025 sur les lignes de produits déjà en place. Cela semble déjà un recul, on ne s’attend plus qu’à une version dégradée du modèle 3 ou Y. Enfin tout au long de l’année 2024 et 2025, Elon Musk ne parle plus que du Cybercab qui devient la priorité absolue et utilisera les technologies avancées pour le modèle populaire: batteries 4680 et procédé Unboxed.

L’effet Osborne

Après une forte croissance au début des années 2020, les ventes de voitures Tesla commencent à patiner en 2023 pour reculer en 2024 et 2025. Il ne faudrait pas que les clients attendent le modèle populaire si révolutionnaire et renoncent à acheter le modèle 3 ou le modèle Y. N’a t’on pas déjà un début d’effet Osborne qu’il convient de contrecarrer au plus vite ?

Petit rappel: L’effet Osborne tire son nom d’Adam Osborne, fondateur d’Osborne Computer Corporation, qui en 1983 a commis une erreur devenue célèbre dans l’histoire du business technologique. Osborne avait annoncé publiquement et avec enthousiasme la sortie prochaine de son prochain ordinateur — bien meilleur que le modèle actuel — avant que ce nouveau produit soit disponible. Le résultat fut immédiat et catastrophique : les clients cessèrent d’acheter le modèle existant en attendant le nouveau, les ventes s’effondrèrent, et l’entreprise fit faillite quelques mois plus tard avant même que le nouveau produit soit commercialisé.

En mettant la priorité sur le Cybercab réservé à une utilisation très particulière, voire de niche, Elon Musk écarte le risque Osborne. Une voiture sans volant ni pédale reste une utopie dans l’esprit du consommateur et ne viendra pas en concurrence des modèles existants. Le ralentissement des ventes de Tesla était un signal fort d’effet Osborne potentiel: une voiture électrique « classique » pas cher et autonome risquait de remporter l’adhésion et de faire reculer encore plus les ventes de Modèles 3 et Y. Elon Musk a eu une réaction rationnelle en faisant passer sous les radars la commercialisation d’un nouveau modèle révolutionnaire pour les masses. La probabilité est cependant forte que soit dévoilé cette année avec le début de la production à l’échelle un Cybercab avec volant et pédales. Ce modèle sera destiné à être vendu en dizaines de millions d’exemplaires.

La voiture comme produit électronique

Elon veut faire de la voiture un produit électronique. Il n’est pas le seul comme on le verra ci-après. Pourquoi ? Le produit électronique a quatre avantages par rapport au produit mécanique, quatre avantages qui se cumulent:

-l’effet d’échelle: constitué de matériaux basique (silicium) et/ou de logiciel, sont coût est essentiellement fixe (conception) et son coût marginal nul. L’intégration élimine les coûts variables inutiles (marges de sous-traitants) et fait gagner en rapidité de fabrication. Si le produit plait et commence à être vendu, l’avantage de coût devient insurmontable: les ventes font boule de neige et le produit mécanique avec ses 10 000 pièces ou plus n’est plus compétitif.

-la loi de Wright dit que chaque fois qu’on double le volume cumulé de production d’un bien, son coût baisse d’un pourcentage fixe — typiquement 15 à 20%. C’est une loi d’apprentissage par l’échelle, pas une loi technologique. Pour les batteries, cette courbe est empiriquement très bien vérifiée depuis 30 ans. Le coût du kWh a baissé de plus de 90% depuis 2010, en suivant quasi parfaitement la loi de Wright. L’implication stratégique est brutale : celui qui produit le plus de volume accumule le plus d’apprentissage et baisse ses coûts le plus vite. C’est un avantage cumulatif qui se creuse dans le temps, pas une avance technologique ponctuelle qu’un concurrent peut copier.

-La loi de Moore stipule que le nombre de transistors sur une puce double environ tous les 18 mois à coût constant — ce qui revient à dire que la puissance de calcul disponible pour un prix donné double à ce rythme. Pour la voiture électrique, cela s’applique aux puces embarquées d’intelligence artificielle, aux capteurs (Lidar, caméras…) mais aussi aux puces entrainées dans le cloud qui vont faire progresser l’intelligence artificielle.

-Enfin la partie logicielle se bonifie proportionnellement à la quantité de données ingérées par la machine. le produit électronique devient alors toujours plus intelligent et performant sans avoir à changer la carrosserie ou les pièces matérielles qui composent la voiture. La voiture prend de la valeur au lieu de se déprécier comme une carcasse mécanique.

C’est pourquoi plus la voiture se rapproche d’un produit électronique, plus elle va détruire la chaine de valeur de l’industrie automobile traditionnelle.

La stratégie Tesla

La fonction du produit électronique est de transformer de l’énergie électrique en signaux (0 et 1) grâce à l’intervention du logiciel. En dehors de l’électricité il n’y a que du silicium et de l’immatériel (très peu onéreux en coût marginal). Le but est de ne pas tout gâcher avec ce qui est autour de l’électronique: la carapace doit être la moins cher possible avec un coût marginal le plus faible possible, en résumé se faire la plus discrète possible dans le coût total. Pour un smartphone par exemple, on met le maximum de fonctions sur la puce pour éviter les soudures inutiles sur la carte mère, assembler moins de pièces et gagner de l’espace. Les matériaux et les formes sont le plus standard possible. L’objectif est de mettre en valeur l’essentiel: la puce proprement dite. C’est pourquoi l’Apple Watch en or a été un flop, de même l’iPhone pro en titane a vite été abandonné. Enfin il faut fabriquer le plus rapidement possible compte tenu de l’obsolescence rapide du hardware.

Elon Musk adopte cette logique et la pousse au maximum pour conserver l’essentiel du produit électronique, toujours moins cher, toujours plus performant. Récapitulons les éléments essentiels pour gagner la bataille de l’échelle:

-des matériaux les plus standard possible

-un nombre de pièces le plus faible possible

-une intégration poussée au maximum

-un assemblage le plus rapide possible

-dans l’espace le plus restreint possible

-pour fabriquer le plus vite possible

Le Cybercab répond le mieux possible aux spécifications relatives à la fabrication d’un produit électronique. Les progrès sont notables par rapport aux modèles 3 et Y:

• Sur la réduction des pièces: le Model 3 et Y utilisaient déjà le gigacasting1 pour les modules avant et arrière, mais le plancher central restait assemblé traditionnellement. Le Cybercab intègre les trois en modules gigacastés, avec la batterie cell-to-body intégrée dans le plancher. Le Cybercab réduit le nombre de composants structurels à environ 80 contre 200 pour le Model Y — une réduction de 60% — et le procédé Unboxed 2.0 réduit les pièces de fixation de 65%.

• Sur la vitesse d’assemblage: le processus Unboxed est la rupture majeure par rapport au Model 3 et Y qui utilisaient encore une chaîne d’assemblage séquentielle traditionnelle. La fabrication parallèle des modules compresse radicalement le temps de cycle.

• Sur la surface d’usine: Tesla affirme que le Cybercab nécessitera 40% de surface d’usine en moins que le Model Y — ce qui est une métrique clé de la densité de production, directement comparable à la miniaturisation dans l’électronique.

• Sur les matériaux et la suppression de la peinture: c’est la rupture la plus visible par rapport au Model 3 et Y. La peinture est l’une des étapes les plus coûteuses, les plus lentes et les plus complexes de la fabrication automobile — cabine de peinture massive, traitements chimiques, séchage, ventilation. Tesla vise à la supprimer entièrement sur le Cybercab, en utilisant des matériaux teintés dans la masse ou des traitements de surface directs sur l’aluminium. C’est exactement ce que font les fabricants d’électronique : Apple ne peint pas ses MacBooks. Supprimer la peinture, c’est supprimer une étape entière de la chaîne de fabrication.

• Sur le logiciel: le Cybercab relègue au second plan volant et pédales — ce qui signifie que la fonction de conduite est déléguée au logiciel. C’est la rupture la plus profonde : le produit physique se simplifie radicalement pendant que toute la complexité migre vers le software.

Ce qui manque: le Cybercab n’est pas encore un smartphone. La batterie dans un véhicule électrique représente 40% du coût total, contre 5% pour un smartphone. Tesla n’a pas de compétence particulière dans la fabrication de cellules de batteries. La domination chinoise y est incontestable et Tesla ne peut jouer l’intégration comme il le fait habituellement. Les cellules représentent 60% du coût de la batterie. Tesla a de la marge sur les 40% restant et il l’utilise pour copier au maximum le produit électronique: les cellules 4680 sont intégrées directement dans le plancher du véhicule, qui est lui-même coulé en gigacasting. La batterie, le châssis et le plancher ne font plus qu’une seule pièce. C’est l’équivalent du SoC appliqué à la batterie :

• Les cellules 4680 sont le chip

• Le pack disparaît comme composant distinct

• Le châssis est la carte mère

• Le gigacasting est le boîtier

Le nombre de pièces s’effondre, la complexité fonctionnelle migre vers la chimie des cellules et le logiciel de gestion thermique et de charge. Et comme pour le SoC, chaque intégration supprime un fournisseur, une interface, un point de défaillance, un coût d’assemblage. Elon Musk utilise pour le Cybercab la méthode qu’applique Apple avec le MacBook Neo pour en réduire le coût par rapport au MacBook Air: moins de pièces, matériaux moins cher, assemblage plus simple.

La stratégie chinoise

Chacun fait avec ses forces. Tesla maîtrise le logiciel (FSD) et applique la logique de fabrication d’un produit électronique, sans en maîtriser tous les éléments (notamment la batterie). Les entreprises chinoises sont l’usine mondiale de produits électroniques avec un écosystème performant à Shenzhen. Leur position est unique. C’est pourquoi ils pensent la voiture d’abord comme un produit électronique et leur fabrication est soignée. Ils n’ont pas à faire le saut culturel si difficile pour un constructeur traditionnel. Prenons l’exemple de la Seagull de BYD:

Ce véhicule est vendu autour de 10 000 dollars car il applique systématiquement les principes du produit électronique :

• Blade battery intégrée comme élément structural — suppression du packaging intermédiaire

• Architecture électrique standardisée mutualisée sur plusieurs modèles — équivalent d’une plateforme SoC

• Nombre de pièces réduit au minimum

• Matériaux simples et standardisés

• Intérieur volontairement dépouillé — comme la carapace d’un smartphone d’entrée de gamme — où la valeur perçue repose sur l’écran central et le logiciel, pas sur la finition mécanique

Et surtout, la Seagull bénéficie pleinement de la composition des effets évoqués ci-dessus : BYD fabrique ses propres cellules, donc il capture la loi de Wright à la fois sur les cellules et sur le véhicule assemblé. C’est grâce à cela qu’il peut faire des progrès gigantesques sur la vitesse de charge (10% à 97% en 9 minutes pour la Blade 2). Le volume massif de Seagull produits— c’est l’un des véhicules électriques les plus vendus au monde — accélère cette courbe d’apprentissage. Non seulement le véhicule n’est pas cher mais son prix va encore diminuer dans le temps. Qui peut concurrencer un véhicule à moins de $10 000 ?

BYD est l’exemple le plus pur d’intégration verticale: en amont il produit le lithium, en aval il détient les bateaux qui vont livrer à l’international !

Xiaomi n’a pas la maturité de BYD (par exemple il ne fabrique pas ses batteries), ni celle de Tesla avec son système FSD mais il illustre l’irruption soudaine d’un fabricant de smartphones dans l’industrie de la voitures électrique. Xiaomi a réalisé un exploit en à peine 20 mois :

• De zéro voiture à +550 000 livraisons (SU7 + YU7).

• 100 % de ses véhicules (actuels et futurs) utilisent une grosse pièce arrière en gigacasting.

• Ils a acheté plusieurs presses 9 100 tonnes chez Haitian (les plus grosses du moment pour lui).

• Ils a tout développé en interne :

  • L’alliage aluminium propriétaire Xiaomi Titans Metal (testé par IA sur des millions de formules).

  • son propre système de cluster (60 machines + 433 processeurs pilotés ensemble).

• Résultat : le plancher arrière du SU7 remplace 72 pièces soudées par 1 seule pièce coulée → -17 % de poids, -840 soudures, -45 % de temps de production.

• Ses modèles sont un prolongement du smartphone, l’U7 est vendu à moins de $30 000 pour gagner en effet de masse et rentabiliser l’offre logiciel. Xiaomi bénéficie à plein de l’écosystème Shenzhen que nous avons analysé dans cet article. Il fabrique un véritable produit électronique

Les constructeurs traditionnels peuvent-ils résister ?

L’automobile emploie directement et indirectement 2,2 millions de personnes en France (8% à 9% de la population active), 13,8 millions de personnes en Europe (7% de l’emploi total). On peut imaginer l’impact si la culture électronique de Tesla ou de la Chine l’emporte sur la culture mécanique.

Nous avons défini plus haut la culture électronique, voici maintenant la culture mécanique des constructeurs traditionnels:

• La voiture est vue comme une machine physique qui doit être parfaite. La perfection est obtenue en décomposant chaque force physique et en l’associant à une pièce et un matériau. Finalement l’art est d’assembler 30 000 pièces disparates et de les faire tenir en équilibre parfait quelle que soit la vitesse du véhicule.

• Il faut 5 à 7 ans pour développer un modèle. Une fois sorti d’usine, il n’évolue quasiment plus.

• Le constructeur est un chef d’orchestre qui fait jouer des centaines de sous-traitants.

Allons voir du côté de Volkswagen qui est un des constructeurs les plus avancés. Sa plate-forme MEB (tout électrique) a été pensée par des horlogers ! L’ordinateur a été éclaté en dizaines de petits boîtiers électroniques séparés qui gèrent chacun leurs fonctions en faisant appels aux sous-traitants habituels (Valeo, Bosch…), le tout relié par une câblerie complexe. La logique d’assembleur est appliquée à l’électronique. Le logiciel vient après et est destiné à animer la mécanique. Enfin la batterie est insérée comme une pièce mécanique: les cellules sont dans des modules, vissés dans un grand boîtier en aluminium, lui même boulonné dans le châssis. Les tôles sont soudées, même si c’est par des robots ! L’ensemble est assemblé sur une chaîne linéaire.

La culture est trop forte pour être remise en question et pour raisonner sur les principes premiers comme le fait Tesla. Quand Volkswagen innove, c’est pour diminuer le nombre de boîtiers (comme il le fait avec l’aide de Rivian), mais la logique reste la même.

Les constructeurs sont malheureusement enchaînés à cette manière de construire:

• La structure de pouvoir s’est construite autour de l’ingénieur en thermodynamique. Comment lui expliquer maintenant qu’il peut être remplacé par un bon codeur équipé d’Anthropic ?

• Les cash-flows sont encore générés par les voitures à essence. Comment gérer deux cultures opposées ?

• Car la culture de la Silicon Valley est : «  move fast and break things » ce qui est diamétralement opposé à la culture de sécurité de l’industrie automobile: « slow but perfect ».

Leur solution est généralement de faire de l’hybride pour gagner du temps car ils ne savent pas faire de l’électrique, encore moins de l’électronique. L’exemple d’Ampere (Renault) montre les limites de vouloir faire coexister deux approches. La filialisation a 100% de l’activité électrique n’a pas changé la culture. Les ingénieurs étaient toujours aux commandes. La nouvelle direction, réaliste, a rapatrié l’activité (elle serait vite tombée en faillite après IPO) pour au moins faire des économies sur le management. Le plan dévoilé le 10 mars prévoit maintenant 50% d’hybride. La stratégie est pour le moins confuse.

Mercedes est un cas d’école: il a dévoilé le 10 mars son véhicule révolutionnaire le VLE (à $100 000), fabriqué sur une toute nouvelle plateforme modulaire pensée pour l’électrique ! Au delà de l’effet d’annonce, il n’y a rien de nouveau sous le soleil. La plateforme VAN.EA a été conçue par des ingénieurs Mercedes (après des négociations rompues avec Rivian) pour pouvoir accueillir de l’électrique et de la voiture à combustion. Le processus de fabrication reste un dérivé de celui constitué par Henry Ford. Et la voiture fait années 70 !

L’approche la plus convaincante que j’ai pu voir jusqu’à présent est l’association Volkswagen/ Rivian, car cette dernière société (siège dans la Silicon Valley) est un pont entre les deux cultures. Le processus de fabrication Rivian repose sur l’introduction d’un super calculateur central appuyé par quelques ordinateurs par zone. C’est le principe de la carte mère d’un PC: un processeur central surpuissant qui gère tout: de la gestion de la batterie au système multimédia. De ce fait, il n’achète pas de pièces intelligentes à assembler mais code lui-même pour mieux intégrer les différentes pièces brutes. Le logiciel domine et améliore la voiture à chaque nouvelle version (y compris pour la conduite autonome). Pour autant le processus de fabrication reste traditionnel (en série). C’est pourquoi Volkswagen a pris une participation de $ 5 milliards dans Rivian et constitue une joint-venture qui lui permettra de fabriquer ses propres voitures électriques selon la méthode Rivian: il n’y a pas de choc de culture, mais un fort ajustement pour les processus de fabrication Volkswagen. Il faut cependant noter que compte- tenu de ces contraintes, les véhicules Rivian ne sont pas bon marché à plus de $35 000 pour le modèle de base…

Les chances de survie pour l’automobile traditionnelle sont minces. Rivian peut-il sauver l’industrie ? On glose beaucoup ces derniers temps sur la façon dont l’IA va supprimer des millions d’emplois. Peut- être mais il y a une menace plus directe et immédiate: le Cybercab.

Bonne semaine,

Hervé

Abonnez-vous maintenant

Abonnez-vous maintenant

Hyperight le 30 janvier 2026:

En l’espace de 72 heures, l’assistant d’IA open source devenu viral, initialement connu sous le nom de Clawdbot, a subi une transformation spectaculaire pour devenir OpenClaw, marquant ainsi son deuxième changement de nom majeur en moins d’une semaine.

Après un premier changement de nom en Moltbot, motivé par des préoccupations de marque déposée soulevées par Anthropic, son créateur Peter Steinberger a finalement arrêté son choix sur le nom OpenClaw, afin de signaler une « remise à zéro » du projet. Celui-ci a battu des records en dépassant, selon les informations disponibles, les 100 000 étoiles sur GitHub.

Cette croissance fulgurante aurait par ailleurs provoqué une hausse mondiale des ventes de Mac mini, de nombreux passionnés se précipitant pour héberger l’agent localement sur leur propre matériel.

100 000 étoiles sur Github en quelques jours est un record historique et probablement un signe.

Les différents moments de l’IA générative

ChatGPT

Il y a eu le moment ChatGPT en novembre 2022 à sa sortie publique Au lieu de chercher par mots clés avec Google, il devient possible de converser directement avec une IA non seulement pour trouver une réponse à une question mais également pour raisonner, composer ou résumer . Tout à coup Google Search paraît étroit et archaïque face à cette innovation qui structure la conversation. ChatGPT crée un effet Whaou, comme l’iPhone 14 ans auparavant. Certes ChatGPT hallucine beaucoup et est fortement décrié par certains, mais la bataille est lancée à coûts de $ milliards pour perfectionner l’IA générative. Le coût d’une réponse est bien supérieur à ce que peut offrir Google, le jeu en vaut cependant la chandelle: tous les hyperscalers s’y mettent avec à la clé la possibilité de faire danser Google (Satya Nadella février 2023) ! Le cours d’Alphabet subit le contrecoup avec -13% dans le mois suivant l’annonce de ChatGPT. Après un bref round d’observation (2023), les dépenses d’investissement des grandes sociétés technologiques décollent en 2024 puis 2025 comme le montre le petit tableau suivant:

DeepSeek

Puis il y a eu le moment DeepSeek en février 2025. Une société chinoise inconnue jusque là parvient à entraîner un modèle poids ouverts aussi bon que GPT 4 pour la somme modique de $5,6 millions (officiellement) sur de vieux GPUs. Le cours de Nvidia cette fois s’effondre (-33% entre février et avril). Le coût d’entraînement de DeepSeek est bien plus bas que celui des grands modèles de l’époque s’élevant à environ $100 millions. Attention, ces coûts incluent seulement les heures de calcul GPU pour l’entraînement final. Ils excluent le salaire des ingénieurs, les tests, les échecs, le nettoyage des données et l’infrastructure physique. Cependant même en les incluant, le coût total de l’écosystème DeepSeek se chiffre en centaines de millions de dollars, soit une fraction des milliards de dollars investis par Google, Microsoft ou Meta pour entraîner leur modèle. La différence se situe aussi à l’inférence. DeepSeek utilise des techniques déjà inventées qui lui permettent de produire des token à bien moindre coût : architecture mixture d’experts, compression du cache, prédiction groupée… le coût d’inférence par token s’effondre par rapport à celui de GPT 4.0 (0,03$ du token au lieu de plus de $0,5).

DeepSeek sonne le glas des modèles onéreux, enclenchant une forte baisse du prix des token. William Jevons avait observé au XIXème siècle que la meilleure productivité des machines à vapeur avait entrainé une augmentation de la consommation de charbon: plus le prix est bas, plus on consomme. De même la baisse du prix du token a entrainé une forte augmentation de sa consommation.

L’inflexion est très nette à partir de février 2025. Les grands fournisseurs de modèles propriétaires créent des modèles légers et baissent leurs prix; la consommation effrénée de token depuis entraine un manque de capacité de puces, de serveurs, de mémoire, de centres de données, d’électricité, de turbines, etc. et ce pour plusieurs années. DeepSeek a appris à tous ses concurrents la façon de mettre en œuvre le paradoxe de Jevons…

DeepSeek AI a d’abord entraîné un modèle géant de 671 milliards de paramètres en utilisant les techniques vues plus haut (mixture d’experts, etc.), Ce modèle appelé DeepSeek V3 a appris à raisonner et est devenu DeepSeek R1. V3 a coûté $5,6 millions et R1 $0,3 millions complémentaire. C’est ce dernier qui visait directement GPT o-1, le premier modèle de pensée d’OpenAI. Enfin pour couronner le tout, DeepSeek a utilisé R1 pour entraîner des petits modèles gratuits open source à moins de 7 milliards de paramètres comme Llama et Qwen à raisonner. Cette méthode a été appelée distillation. Les modèles américains devaient trouver une parade. La séquence des événements a été la suivante:

• Janvier 2025 : Sortie de DeepSeek-V3/R1. Choc initial.

• Février 2025 : Les concurrents chinois (Alibaba, Baidu) baissent leurs prix de 90% à 97% en une semaine.

• Printemps 2025 : Les acteurs américains se mettent à distiller leurs modèles avancés (Google avec Gemini Flash, OpenAI avec les versions Mini) et écrasent leurs tarifs pour ne pas paraître déconnectés de la réalité économique.

Et les volumes de token explosent à la hausse, ne laissant pas d’autre choix aux hyperscalers d’augmenter fortement leurs capacités:

…capacité finalement allouée aux modèles les plus haut de gamme !

Le moment OpenClaw

Ce moment ressemble fort à celui de DeepSeek dans la mesure où

1/ le projet (création d’un agent personnel) a été lancé par un développeur autrichien à la retraite nommé Peter Steinberger (rien à voir avec l’écosystème dominant),

2/ il est entièrement open source, donc gratuit

3/ il utilise des briques existantes, le génie étant dans l’assemblage de ses briques.

4/ il résout des problèmes importants : mémoire persistante, agent exhaustif, pro activité.

5/ il a un effet viral colossal (100 000 étoiles sur Github en une semaine, un record mondial, maintenant 184 000 !)

6/ il aura probablement un effet majeur sur l’eco système, déclenchant une nouvelle fois le paradoxe de Jevons.

Le contexte

On parle des agents depuis environ deux ans sans que rien de bien convaincant ne soit sorti depuis. L’agent est censé faire quand le bot parle et c’est tout le problème: on peut tolérer les hallucinations verbales mais beaucoup moins les actions erronées (par exemple un virement bancaire). C’est pourquoi le sujet avance prudemment chez les hyperscalers qui cantonnent leurs agents à des tâches segmentées. Seul Apple tente de créer un agent généraliste avec son initiative Apple Intelligence. Apple a créé un index sémantique (regroupement des données de l’utilisateur par signification, non par mots clés). Apple Intelligence va régulièrement scanner les données (des apps Apple) pour les placer dans l’index sémantiques puis y puiser en fonction des demandes de l’utilisateur pour effectuer des actions (traduction d’un appel FaceTime en direct, génération de résumés, création de Genmoji, suivi d’un colis, ouverture d’une app, action cross apps, etc. ) Apple Intelligence s’avère un échec:

-le bot fait appel à ChatGPT dès que la question est un peu complexe (ce qui ne donne pas confiance)

-les actions possibles sont prédéterminées, Apple Intelligence n’a aucune souplesse et beaucoup de trous dans la raquette (notamment les apps tierces qui ne veulent pas d’Apple Intelligence)

-la fiabilité des réponses laisse à désirer.

-enfin l’IA n’est que réactive, attendant les demandes.

Il y a une demande pour un agent omnipotent, dont on ne questionne pas systématiquement les limites. Après la confusion d’Apple, les fournisseurs de modèles ont travaillé sur des agents plus spécialisés aux limites claires. Les agents codeurs se sont multipliés avec un franc succès (Codex, Claude Code, Cursor, Grok Code, etc. ) Les agents codeurs créent du logiciel au lieu de créer des phrases. Google Anti Gravity va encore plus loin en orchestrant des agents qui vont écrire le code, le tester et le donner à l’utilisateur clé en main.

D’autres agents avec une portée limitée aussi interviennent dans le navigateur. C’est l’exemple d’Operator (Open AI) qui réalise le travail à la place de l’internaute en navigant de sites web en sites web. Cette fonction était limitée aux abonnés à $200 par mois, OpenAI l’a démocratisé aux abonnés à $20 par mois sans grand succès ! Manus AI (maintenant propriété de Meta) fait la même chose mais pour $39 par mois. En plus il peut se connecter aux fichiers du PC (Excel, Word…) par extensions MCP (protocole sécurisé) décidées par l’utilisateur. Manus fait un pas vers l’agent généraliste mais avec une portée très contrôlée. Claude Cowork prend lui l’option agent à exécution locale plutôt que cloud: il peut agir sur les fichiers du PC connectés par MCP. Pour que ce fonctionne, il faut que les serveurs MCP existent bien…Son principal défaut est d’oublier entre les sessions. Sa mémoire est fugace pour des raisons de confidentialité et de précision. Manus et Operator sont dans le même cas.

Arrivée d’OpenClaw

Il manque encore le véritable agent qui vous connaît, anticipe le travail à réaliser puis l’exécute à votre place (avec permission), enfin communique avec vous par le canal que vous souhaitez. Il lui faut la mémoire persistante (se souvient mieux que vous), la proactivité (anticipe) et l’accès au terminal pour coder les actions à réaliser et s’améliorer.

Arrive OpenClaw fin janvier qui devient vite LE SUJET de conversation dans la SiliconValley. Si un agent peut tout faire, quelle est la valeur d’une société logicielle ? Autant demander directement à l’agent. Microsoft perd plus de 10% en une séance et l’ensemble des sociétés SAAS (Software As A Service) lui emboîtent le pas, s’enfonçant dans un marché baissier.

OpenClaw séduit immédiatement:

1. Le package est facile à installer sur un PC avec les droits qu’on veut bien lui donner.

2. Il est connecté à une messagerie (Whatsapp, Telegram, X…) qui sert d’interface utilisateur.

3. Il agit dans le terminal via du code et enclenche des actions sur les programmes et fichiers par connexion API. Il peut créer son propre code pour résoudre des problèmes sans être limité par ce qu’un développeur a prévu. Il peut même jouer le chef d’orchestre de sous-agents IA qu’il aura programmé pour telle ou telle tâche.

4. Il enregistre tout ce qui lui est soumis (conversations, pdf, etc.) dans une mémoire persistante locale dans laquelle il pourra puiser pour enrichir ses réponses.

5. Il est doté d’un métronome interne qui force le moteur à réévaluer l’état du monde à intervalle régulier et à enclencher les actions en fonction des instructions initiales et de ce que l’agent voie du calendrier, des e-mails, etc. L’agent est proactif et fonctionne 24h/24. Il prend l’initiative. Il lui suffit d’un Mac Mini qui joue le rôle de serveur, sans écran, ni clavier.

6. Enfin il est gratuit, seuls sont facturés les API auxquelles il fait appel.

Cet agent qui peut prendre le contrôle du PC est extrêmement dangereux car peu sécurisé. Une injection de prompt cachée dans un mail pourrait par exemple donner des instructions totalement différentes de celles de départ. Le projet étant open source aucune entité n’est responsable de la cyber sécurité. Les risques de piratage pourtant bien connus et documentés sur X n’empêchent pas l’effet viral de se développer : Peter Steinberger le créateur du projet a annoncé 2 millions de visiteurs sur son site sur la dernière semaine de janvier; 20 000 projets dérivés (forks) ont été annoncés sur GitHub et 3 000 compétences (skills) ont été ajoutées par la communauté.

Les effets induits

À chaque fois qu’un tel moment se produit on imagine que l’acteur ayant provoqué le moment va prendre la place de tout l’écosystème. C’est ce qu’on a imaginé avec ChatGPT mais les modèles concurrents sont montés en puissance (Gemini, Claude, Grok), et Google Search à résisté. C’est ce qu’on a imaginé aussi avec DeepSeek mais la bataille est devenue de plus en plus farouche sur les modèles, les puces et les centres de données les plus avancés. C’est ce qu’on imagine encore avec OpenClaw qui pourtant ne va pas mettre à bas toute l’industrie du logiciel en prenant le contrôle de votre environnement, bien au contraire.

De tels moments valident la réalité de la demande, encourageant les compétiteurs à se lancer. Ces derniers s’alignent sur l’acteur du moment et y rajoutent un petit truc en plus; la baisse des prix encourage fortement la consommation qui finit par profiter à tous.

Quand ChatGPT est apparu, les compétiteurs l’ont cloné avec une intégration en plus: avec Office 365, avec Google Work Space, avec X…DeepSeek a inventé le modèle distillé pas cher, les compétiteurs ont créé leur version: la série mini chez ChatGPT, flash chez Gemini, fast chez Grok, ces petits modèles servant d’alternative aux modèles plus lourds, en fonction de la rapidité souhaitée pour la réponse. Comme on l’a vu sur le premier graphique la demande de token a explosé à la hausse, les abonnés sont toujours plus nombreux pour remplir les caisses des promoteurs de modèles. La demande a monté sur les modèles bas de gamme mais aussi et c’est l’enseignement sur le plus haut de gamme (les abonnés veulent aller plus loin une fois qu’ils ont goûté). C’est pourquoi les promoteurs de modèles ne peuvent se contenter de vieilles puces comme DeepSeek , mais veulent le plus performant. Le bas de gamme entraîne le haut de gamme, il constitue un appât.

Le paradoxe de Jevons

Jusqu’à présent on ne savait pas vraiment s’il y avait une réelle demande pour les agents. Apple Intelligence est un échec, Operator et les navigateurs IA (Dia, Comet…) sont aussi des échecs. Le taux d’hallucinations de ces agents risquait de les discréditer. Salesforce par exemple a réalisé qu’il leur fallait sérieusement encadrer l’action de ses agents Agentforce pour les crédibiliser, donc limiter leur champ d’action à des données parfaitement nettoyées (DataCloud).

Le succès d’OpenClaw montre qu’il y a une demande virale pour un véritable assistant bon marché qui fait le travail à votre place. Apple avait vu juste, son assistant n’était simplement pas au niveau (manque de capacités, absence d’initiatives..). Il faut maintenant s’attendre à ce que le thème soit repris et amplifié par les promoteurs de LLMs: mémoire persistante, accès au terminal pour commander directement par API, proactivité. Ces promoteurs utiliseront leurs modèles bon marché (au départ) pour lever les contraintes du nombre de token: les agents créent des sous-agents pour organiser leurs projets qui travaillent 24 heures sur 24: tout ceci représente beaucoup de token…Ces agents « bas de gamme » sont des appâts. Une fois les utilisateurs familiarisés, il voudront d’avantage: se brancher à des modèles plus intelligents (en particulier les entreprises qui seront séduites par le fait que les données peuvent rester locales). Les grandes marques (ChatGPT, Gemini, Claude…) ajouteront un plus par rapport à OpenClaw: la sécurité. Aussi, même si ce dernier ouvre la voie, les vainqueurs seront probablement les modèles traditionnels. On comprend ainsi les plus de $600 milliards d’investissement en 2026 de Microsoft, Google, Meta, Amazon, Tesla…

Les effets induits: le retour du logiciel

Le narratif sur l’industrie du logiciel est aujourd’hui très négatif. On peut résumer le défaitisme actuel ainsi:

-Argument 1: le logiciel est comparé à la presse des années 2000: à partir du moment où tout le monde a pu écrire et être lu dans le monde entier, la presse est devenu une source d’information parmi tant d’autres. De même à partir du moment où tout le monde peut coder (avec un agent IA), la valeur du code diminue. On peut coder un CRM à la volée, un ERP à la volée, etc. et créer une entreprise dans un garage…

-Argument 2: le modèle économique du logiciel est de faire payer par siège: or l’IA fait baisser le nombre de sièges, donc le chiffre d’affaires des sociétés de logiciel va s’effondrer.

-Argument 3: on brandit des exemples comme celui de Téléperformance pour montrer l’impact terrible de la disruption sur l’industrie du logiciel.

-Argument 4: la valeur est censée se déplacer du logiciel (SAAS) vers les token (LLM) dans une sorte de jeu à somme nulle: les token sont fabriqués par Claude ou ChatGPT, le code devient un appendice facilement reproductible.

Ces arguments sont des biais cognitifs liés à la baisse des valeurs logiciels en bourse, arguments qu’on peut démonter les uns après les autres.

Argument 1: le logiciel n’est pas du code mais une architecture qui fige une manière de travailler pour la rendre la plus efficace possible. Un blog est une opinion ou une information brute, comme un journal. Un logiciel est une structure complexe de règles, de conformité et de workflows, bâtie sur des données (une mémoire) elles même structurées et mises à jour en temps réel. Juste parce que n’importe qui peut concevoir un outil grace à l’IA ne veut pas dire que cet outil sera robuste, sécurisé et logique. L’IA est probabilistique (risque d’hallucination), le logiciel est déterministe (zéro hallucination). Le journal est approximatif, le blog aussi…Il ne faut pas se tromper de combat: l’IA remplace l’homme, pas le logiciel…

Argument 3: tout d’abord, toutes les sociétés logiciel ne facturent pas forcément au siège. Des contre-exemples abondent comme Snowflake, Shopify, MongoDB…De plus pourquoi les sociétés de logiciel ne feraient pas évoluer leur modèle économique pour le rendre d’avantage transactionnel ? Il est curieux qu’on ne se pose pas la même question pour ChatGPT qui facture essentiellement au siège et encore très peu au token. Pourtant ChatGPT vaut plus cher qu’Anthropic qui lui facture principalement au token. Il ne faut pas mésestimer la capacité des sociétés à évoluer sur leur mode de facturation. Elles ne sont pas figées.

Argument 3: La comparaison avec Téléperformance n’a aucun sens économique. Téléperformance vend de l’exécution humaine. Or, l’humain et l’IA partagent la même nature : ils sont probabilistes. Les deux interprètent, les deux peuvent se tromper (’halluciner’). L’industrie construit simplement une IA qui hallucinera moins que l’homme, pour un coût marginal nul. C’est une substitution parfaite : Téléperformance a donc un problème existentiel. Le SaaS, à l’inverse, vend de la structure: des règles et de la mémoire. L’IA, par nature instable et amnésique, a besoin d’une architecture pour définir la ‘Vérité’ (le solde d’un compte, l’état d’un stock) et conserver la ‘Mémoire’. Elle ne peut pas remplacer le logiciel car elle ne peut pas être son propre garde-fou. Elle ne s’y substitue pas, elle s’y inscrit.

Argument 4: Un token intégré à une architecture logicielle a intrinsèquement plus de valeur qu’un token modulaire qui reste confiné dans l’interface de ChatGPT ou Claude. La preuve ? L’échec du magasin d’applications de ChatGPT. Ce “Store” est tombé aux oubliettes alors même que la technologie sous-jacente (le token OpenAI) est celle qui alimente désormais des fonctionnalités clés chez Figma, Booking ou Apple Music. Pourquoi ce paradoxe ? La réponse réside dans la théorie de l’intégration et de la modularité de Clayton Christensen (détaillée dans mon dernier article). La règle est simple : quand la performance d’un produit n’est pas encore satisfaisante et que la marge de progression est énorme, l’architecture intégrée l’emporte toujours. L’approche modulaire (type “Lego”) ne devient supérieure que lorsque le marché est mûr et que la performance excède les besoins (permettant alors des économies d’échelle). Or, la marge de progression dans le pilotage des grandes entreprises est colossale. C’est là que l’IA intervient : elle a le potentiel d’éliminer la bureaucratie en réduisant drastiquement les coûts de coordination. Au lieu de multiplier les réunions de synchronisation (le rituel du lundi matin), l’IA fluidifie la circulation de l’information. Elle transforme les données autrefois non structurées (discussions orales, fils d’emails, décisions de couloir) en données structurées et exploitables. Résultat : le logiciel métier ne sert plus seulement à saisir de la donnée ; il “écoute”, comprend le contexte et s’auto-alimente. Cela permet aux grandes structures de réaliser un saut de productivité inédit, transformant leur taille — autrefois un frein bureaucratique — en un puissant effet d’échelle. Contrairement au mythe populaire du “disrupteur solitaire dans son garage”, cette vision suggère que l’IA profitera d’abord aux géants établis, leur offrant une domination renforcée par la disparition de leur propre friction interne. L’idée que la valeur va vers le modèle au détriment du logiciel dans un jeu à somme nulle est simplement simpliste car d’une part la part du gateau augmente et d’autre part le modèle est indissociable du logiciel.

On en arrive à l’impact de notre agent OpenClaw: non seulement il va accélérer la construction de centres de données pour faire face à la demande exponentielle de token 24/24, mais aussi il va doper l’industrie du logiciel qui lui est inséparable. Certes le réflexe initial est de se dire qu’il va éliminer l’interface logiciel puisqu’on parlera désormais directement à l’agent qui lui même communiquera par API aux logiciels. Le problème, on l’a vu plus haut, est qu’avec une approche modulaire, il ne pourra réellement tirer le meilleur des logiciels qu’il sera supposé commander. Il ne faut pas reproduire l’échec du GPT store. En revanche un super-agent qui commandera des agents intégrés aux logiciels métiers risque de l’emporter. On peut alors imaginer le volume impressionnant de requêtes qui seront traitées par les logiciels non plus aux heures d’ouverture du bureau mais en permanence. Les modèles économiques du SaaS évolueront vers la consommation (API calls, compute). Au lieu de vendre 10 licences à 10 humains lents, le SaaS vendra un accès “haut débit” à un agent qui effectue le travail de 50 personnes. Le logiciel deviendra une infrastructure critique sollicitée en permanence. Son importance grandira dans la mesure où ses données seront beaucoup plus exhaustives et fiables qu’aujourd’hui. La valeur du système d’enregistrement, une fonction importante du logiciels, va monter. Enfin, plus l’agent central sera puissant, plus l’entreprise devra le contenir et diriger sa puissance avec des règles strictes.

Si l’agent est le yin, le logiciel est le yang.

Bonne semaine,

Hervé

Abonnez-vous maintenant

J’ai réalisé une présentation Notebook LM de mon article sur le DMA.

Bonne fin de semaine,

Hervé

Abonnez-vous maintenant

Charlie Munger, l’associé de Warren Buffett avait coutume d’appliquer la citation du mathématicien Carl Jacobi pour résoudre des problèmes difficiles:

Inversez ! Inversez systématiquement !

Si vous voulez démontrer quelque chose, partez de la proposition inverse et considérez la situation absurde où elle vous mène. Changez de perspective et un problème apparemment complexe devient plus simple à résoudre.

Alors que Jacobi cherchait à démontrer des théorèmes par l’inversion, Charlie Munger transposait cette méthode à la vie courante. Il a ainsi découvert la recette pour avoir une vie misérable:

• Ne tenez jamais vos promesses, afin que personne n’ait confiance en vous

• N’apprenez que de vos erreurs et pas de celles des autres, afin de souffrir le plus possible

• Découragez vous quand vous avez un coup dur afin de ne pas pouvoir rebondir.

Etc. Munger en déduisait que pour être heureux il fallait éviter tout ce qui conduisait à notre malheur: drogue, ressentiment, envie, manque de fiabilité…

Il appliquait aussi cette méthode au tennis: si vous voulez perdre, cherchez le coup brillant qui épate la galerie. Vous serez à coup sûr le premier à faire la faute…

Pour Charlie Munger le cerveau humain n’est pas fait pour penser en avant sur des problèmes complexes. En revanche, il est très bon pour repérer les dangers et s’en écarter. En inversant vous transformez donc un problème complexe en une liste simple de contrôle de sécurité. La “liste de sécurité”, c’est le burin qui enlève le marbre pour fabriquer une sculpture. En éliminant systématiquement les solutions stupides, dangereuses ou médiocres, ce qui reste est forcément la solution (ou une très bonne solution). Sa citation préférée est:

Il est remarquable de voir combien d'avantages à long terme des gens comme nous ont obtenus en essayant simplement de ne pas être stupides, au lieu d'essayer d'être très intelligents.

Ce qui nous amène à l’Europe et à essayer de comprendre si elle peut arriver à devenir une puissance technologique. Pourquoi ne pas inverser la proposition et trouver comment l’Europe pourrait saborder son industrie technologique? Ainsi, nous saurions ce qu’il faut faire pour l’éviter et découvririons les pièges dans lesquels ne pas tomber.

Industrie technologique: mode d’emploi

Pour ce faire prenons:

1. le meilleur théoricien de la stratégie technologique,

2. le cœur de sa démonstration sur la façon dont l’industrie technologique1 se développe et

3. organisons la technologie à l’inverse de sa vision pour être sûr de l’échec.

Ce théoricien est Clayton Christensen (1952-2020): études à Oxford et Harvard, consultant au BCG puis cofondateur d’une entreprise de céramique avancée. Muni de cette expérience industrielle, il revient à Harvard pour obtenir son doctorat en gestion des affaires à près de 40 ans en 1992. Le sujet de sa thèse est un thème qu’il introduira alors concernant l’industrie des disques dur: la disruption. Ce concept sera largement galvaudé par la suite. Il en écrira en 1997 un livre appelé Le Dilemme de l’Innovateur Le livre eut un grand succès. Cependant un autre de ses ouvrages, moins connu, écrit en 2003 est une mine d’or pour comprendre les ressorts de la technologie. Son titre: La Solution de l’Innovateur . Il permet de comprendre la dynamique de l’innovation et du profit au cours d’un cycle technologique. C’est le livre de chevet de la Silicon Valley.

La vision du cycle technologique selon Christensen

Clayton Christensen distingue deux états relatifs à la perception du produit par le consommateur:

-pas assez bon: quand une technologie est jeune (comme l’ordinateur dans les années 60 ou la voiture électrique à ses débuts), sa performance est bien au dessous des attentes du client (bugs, lenteur, autonomie faible..). Toutes les pièces constituant le produit doivent être optimisées pour la performance finale et il n’y a aucune place pour y glisser des interfaces standardisées de communication. De telles interfaces constitueraient un gaspillage de matière, de temps, de puissance, par rapport à l’ampleur du progrès à faire. Quand il faut vraiment améliorer la performance, chaque millimètre, chaque micro-seconde et chaque milliwatt comptent. Ces gaspillages laisseraient le champ libre à une concurrence monolithique privilégiant une interdépendance plus efficace. Les interdépendances permettent de compenser les défauts d’une pièce par la configuration d’une autre pièce. C’est souple pour faire des progrès rapidement. Quand un produit n’est pas assez bon l’intégration des différentes pièces entre elles est la solution.

-suffisant: quand l’écart entre la perception du consommateur et la performance du produit devient faible, que ce même consommateur trouve le produit suffisant, la standardisation devient inévitable. Elle permet de faire baisser le coût de chaque pièce constituant le produit par le jeu de la concurrence, le gaspillage des interfaces étant alors toléré et même encouragé pour la facilité d’entretien (pièces détachées). Le produit étant suffisamment bon, l’utilisateur ne verra pas la différence de performance . Pour reprendre l’exemple de l’ordinateur, IBM qui faisait tout au départ a fait place à Compaq (pour la caisse), Microsoft (pour le système d’exploitation) et Intel (pour l’intelligence centrale).

-enfin la loi qui relie les deux états précédents est la plus intéressante à retenir en technologie: c’est celle des profits attractifs. Christensen explique que lorsque la performance d’un étage de la chaîne de valeur devient assez bonne, cet étage devient modulaire et le besoin de performance « pas encore assez bonne » se déplace à un autre étage qui devient intégré et concentre les profits.

Un exemple actuel: l’IA générative

Cet exemple montre bien comment une industrie peut progresser à la vitesse grand V, grâce au jeu de l’intégration et de la modularité, déplaçant les profits là où les besoins sont les plus cruciaux.

-les bots sont extrêmement demandés, en témoignent la progression du chiffre d’affaires de OpenAI par exemple:

-le produit n’est pas assez bon manifestement car son taux d’hallucinations est trop élevé minant la confiance.

Quel est l’élément le plus crucial pour diminuer l’écart entre le souhait du consommateur et la réalité ? Il y a trois vecteurs de progrès: le matériel, la programmation et les données. La première intégration s’est produite entre le matériel et le stack logiciel dédié à la programmation, les développeurs et les données étant banalisés car suffisants à ce stade. Nvidia a donc gagné cette première manche car il était capable:

1/ de produire des armoires GPUs ultra-puissantes capables d’entraîner des modèles à multiples paramètres.

2/ d’y intégrer une plate-forme logicielle qui interprète le code Python du programmeur de l’algorithme et le transforme en langage machine: cette plate-forme est CUDA.

Nvidia favorise ainsi la création de LLMs avancés. Le programmeur est banalisé (il se branche à CUDA et se trouve en concurrence), les données aussi: elles sont obtenues en balayant l’internet: n’importe qui peut le faire. Nvidia a ainsi concentré une grande partie du profit de l’IA et est devenue la première capitalisation boursière mondiale a plus de $4 trillions. Google, représentant un internet modulaire (à brancher comme du lego à l’algorithme) s’est retrouvé banalisé et le titre a été considéré comme ringard. OpenAI a pour contrer Nvidia tenté une autre intégration: celle de l’algorithme et du modèle pour fabriquer un produit de consommation compact et fermé. Fort de son succès, il a passé des accords non seulement avec Nvidia mais aussi AMD et Google (pour ses TPUs), afin de modulariser le matériel. Il n’a cependant pas eu le temps d’obtenir les profits attractifs que Google s’est mis à le talonner.

Google n’a pas dit son dernier mot. Il a recherché une autre intégration qui permettrait de résoudre plus facilement l’écart entre perception et performance: celle du matériel, de l’algorithme et du modèle. Le matériel n’est plus simplement l’armoire contenant 72 GPUs mais le réseau de centres de données Google connectés par fibre optique, reliant plus de 9000 TPU entre eux pour entraîner le modèle propriétaire Gemini. Gemini prend alors du terrain par rapport à tous les autres modèles et menace l’intégration Nvidia. Les cours de bourse de l’un et de l’autre ont anticipé le déplacement potentiel des profits attractifs:

L’Histoire n’est pas jouée loin de là mais cet exemple montre comment progresse l’industrie technologique pour répondre aux besoins du consommateur, au travers d’une dialectique entre intégration et modularité. C’est comme un match de foot où les joueurs se déplacent sans cesse pour se démarquer. Il faut toujours anticiper là où l’intégration va se déplacer. C’était la grande intuition de Clayton Christensen, elle est toujours d’actualité.

Le DMA (Digital Market Act)

Le DMA est l’œuvre des équipes de Thierry Breton et Margrethe Vestager. C’est une réglementation européenne visant à établir des marchés numériques contestables et équitables:

-marchés contestables: ils permettent à des entreprises tierces de surmonter les barrières à l’entrée et à l’expansion pour défier les acteurs dominants sur la base du mérite de leurs produits et services.

-marchés équitables: ils refusent les conditions préférentielles et discriminatoires imposées par les acteurs dominants.

Le DMA a été adopté en septembre 2022 avant l’émergence de l’IA générative. Un dominant, selon le DMA, est une plateforme numérique qui a plus de 45 millions d’utilisateurs mensuels, réalise plus de €7,5 milliards de chiffre d’affaires en Europe ou dont la capitalisation boursière est de minimum €75 milliards.

Avant de préciser les mesures prises pour établir des marchés contestables et équitables, je m’arrête sur un point fondamental: la méconnaissance par les équipes ayant piloté le projet de la dynamique concurrentielle des grandes plateformes. Le règlement appelle les structures numériques répondant à ses critères, des contrôleurs d’accès. Ces équipes raisonnent à l’ancienne comme si ces entreprises bâtissaient leur succès sur le contrôle d’une matière première (type Rockefeller), de terrains ou d’un droit particulier. Il n’en est rien: sur internet, l’accès n’est pas une rente, la concurrence est à un clic: il n’y a aucun contrôle mais une agrégation d’utilisateurs motivés par la qualité du service. Que cette qualité diminue et la plateforme peut être rapidement déplacée: c’est un risque justement qui a failli se concrétiser pour Google et son moteur de recherche avec l’émergence de BingChat, ChatGPT, Anthropic, Perplexity et d’autres qui ont commencé à accumuler les utilisateurs. C’était il y a un an quand Satya Nadella disait vouloir faire danser Google…On oublie vite…

Les prémices étant erronés, le déroulé aboutit inévitablement à un non sens réglementaire…

Arrêtons nous donc sur les mesures prises les plus importantes:

-interdiction de préférer ses propres services à des services tiers (marchés équitables)

-obligation de permettre à des services tiers de se brancher à ses propres services (interopérabilité).

L’intégration d’un service A et d’un service B d’une même société est considérée comme un abus de position dominante, donc une entrave à la concurrence. Les services doivent être interchangeables.

Interprétation:

En clair, une plateforme doit refuser l’intégration et organiser la modularité ou sinon risquer une amende de 10% de son chiffre d’affaires mondial qui passe à 20% en cas de récidive dans les huit ans !

Les premiers pas du DMA

La commission européenne a déjà mis en vigueur différentes mesures pour casser l’intégration des grands groupes numériques:

-Microsoft: découplage de Teams et Office 365 pour permettre aux clients Zoom ou Slack d’utiliser Excel, etc. sans payer pour Teams.

-Apple: magasins alternatifs à l’App Store.

-Google: séparation entre les données Search, YouTube, Maps, Chrome et Play Store; séparation de search et Google map…

-Meta: découplage des données entre les réseaux sociaux; ponts techniques entre Whatsapp et autres messageries.

Les conséquences induites

-Apple a tardé à lancer Apple Intelligence en Europe imputant ce retard à la politique de Margrethe Vestager.

-Meta a multiplié les retards sur les nouveaux produits (Meta Ray Ban, Metai Ai)

-Certains produits sont en version lite ou dégradée sans partage de données : Microsoft Copilote, Google Ai mode.

-Enfin certains produits déjà anciens ne sont toujours pas disponibles en Europe: la fonction miroir de l’iPhone sur le Mac, l’IA visuelle sur les Meta Ray Ban, la traduction adaptative sur les AirPods Pro.

Comment détruire son industrie technologique ?

C’est très simple, je m’arrange pour que la dynamique de progrès décrite et analysée par Clayton Christensen soit enrayée. Pour ce faire, j’interdis les services intégrés, là où se font les profits, pour bien décourager les acteurs à innover. Je contrains à faire du modulaire, de l’interopérabilité, de l’interchangeable. Afin de faire passer la pilule, je restreint cette interdiction d’intégration aux entreprises qui ont le plus de probabilité d’innover (c’est à dire le plus de ressources à consacrer à la recherche) pour montrer que je favorise le petit, dans une mesure de justice sociale. Certes de petites entreprises seront tentées d’innover mais comme aujourd’hui innovation et échelle ne font qu’une, elles seront vite refroidies par le seuil de déclenchement des mesures punitives et iront chercher fortune ailleurs.

Je vérifie que j’ai bien dans mon viseur toutes les innovations possibles. Si j’ai trop restreint le champ de mes interdictions laissant des poches dangereuses d’innovation se développer, j’établis de nouvelles interdictions d’intégration, les adaptant à tout ce qui pourrait transformer le monde pour le meilleur. Je ferai miroiter le danger de telles innovations pour la démocratie dès qu’elles réussissent et la nécessité d’introduire plus de justice sociale pour les petits. Si je n’ai attaqué que les services numériques dans un premier temps parce qu’ils étaient moteurs dans l’innovation, je m’attellerai à tout nouveau métier que je n’avais pas imaginé et qui semble maintenant au cœur de l’innovation, pour le contrecarrer au plus vite, matériel et logiciel. J’utiliserai toujours le même prétexte de défendre la démocratie et le petit contre le gros. La justice sociale est un bon filon politique.

Le DMA est la solution: vive le DMA 2.0

Vous l’avez compris, l’Europe a réalisé cette prouesse avec le DMA tuant dans l’œuf toute innovation numérique. Les grands groupes (Google, Meta, Apple, etc.) innovent aux Etats-Unis, gardent leurs innovations pour le reste du monde, tardant à les proposer au consommateur européen pour éviter les amendes. On intègre aux Etats-Unis puis on modularise en Europe quand l’innovation est éventée. L’Europe n’a donc droit qu’aux produits en fin de vie, déjà amortis ailleurs. Pas de crainte de la concurrence, le DMA y veille…

Cela favorise-t-il l’innovation européenne ? Ce n’est guère perceptible. Quel intérêt de grossir pour se trouver prisonnier des mêmes obligations que les GAFAM ? Comment innover sur de vieilles plateformes ?

De plus comme l’IA générative n’a pas été prévue dans la rédaction du DMA, faute d’être alors connue de ses rédacteurs, ces derniers cherchent à se rattraper et tuer dans l’œuf toute innovation qui pourrait en résulter. Georges Santayana disait:

Le fanatisme consiste à redoubler d’efforts quand on a oublié son but.

L’Europe devrait constater à ce stade que le DMA ne lui a rien rapporté du point de vue technologique contrairement à son objectif. Taxer la réussite des autres n’a qu’un temps. Elle continue cependant à s’enfoncer avec sa version 2 qui cette fois concernera les sociétés liées à l’IA et le B2B oublié la première fois. L’idée est d’ajouter l’IA générative à la liste des services numériques essentiels. Le filet est beaucoup plus large car l’innovation a gagné du terrain. La recette est simple: imposer la modularité sans discernement à tout acteur technologique qui a réussi.

Un DMA IA-compatible

Jusqu’à présent, le DMA n’a concerné que l’accès au client final, le dernier étage de la pile technologique. Il s’est positionné au dernier niveau de la chaîne de valeur du numérique, oubliant les étapes intermédiaires nécessaires pour fournir le service. Le DMA 2.0 a pour objectif de combler cette lacune et contrôler tous les étages, la partie immergée de l’iceberg.

Un bon point d’entrée est l’IA qui avant d’arriver au consommateur final (via un bot) fait appel à une chaîne de valeur significative: la collecte de données, l’algorithme, la puce GPU, le logiciel qui lui parle, le centre de données, le modèle, le bot, les agents, etc. Comme l’IA va s’immiscer partout, l’introduire dans le débat est le moyen de contrôler toute innovation. Le principe de marché équitable pousse à une inter-opérabilité maximale pour éviter qu’un acteur privilégie ses propres services. Une entreprise numérique, dans ce projet DMA 2.0, serait découpée en rondelles et constituerait une addition de services cloisonnés communiquant entre eux et la concurrence, à égalité, par API.

Mais, me direz-vous, n’est-ce pas le modèle Amazon tel que promus par Jeff Bezos: des équipes à deux pizzas, branchées les unes sur les autres comme du lego ? Dans un célèbre mémo envoyé à ses employés, il avait imposé les règles suivantes:

• Chaque équipe doit exposer ses données et ses fonctionnalités via les interfaces de service (API).

• Les équipes doivent communiquer ensemble uniquement par ses interfaces.

• Le point clé: toutes ces interfaces doivent être conçues dès le départ pour être ouvrables aux développeurs externes.

Amazon n’est elle pas l’entreprise modulaire par excellence et pourtant très innovante, contre exemple de la théorie de Clayton Christensen ? Pas vraiment car chez Amazon, les progrès se font dans l’intégration, l’ouverture extérieure se produisant dans un deuxième temps. Par exemple, Amazon a développé son informatique pour son e-commerce et ne l’a ouverte aux autres que dix ans après avec AWS. Amazon joue parfaitement la carte intégration/modularité en fonction de la maturité de ces produits. Le rôle du CEO est de décider ce qui est intégré (interfaces internes fermées sur infrastructure et données commune) et ce qui est modulaire (interfaces ouvertes externes). À lui seul, il résume comment se réalise le progrès technologique selon Christensen.

Le DMA 2.0 veut imposer la modularité de manière rigide, avant que les bénéfices de l’intégration aient été obtenus, pour les empêcher plus spécifiquement. Le champ d’investigation du DMA va être extrêmement large incluant les algorithmes, les données, le cloud, les logiciels, etc.

Une des mesures les plus dommageables, qui a déjà été prise avec le DMA 1.0 et sera amplifiée avec le DMA 2.0 est la compartimentation des données. C’est l’exemple type de la modularité rigide. C’est une mesure spécifiquement européenne qui réduit le niveau d’intelligence des IA sur le territoire européen pour favoriser l’émiettement de la concurrence. Un petit écart d’intelligence au départ se compose pour devenir rapidement un gouffre: c’est un réel danger pour l’Europe.

La réforme du DMA préfigure une période glaciaire pour la technologie européenne. Les fournisseurs d’infrastructure « contrôleurs d’accès » ne nous laisseront que leurs vieux systèmes bien amortis sur lesquels les européens devront quand même essayer d’innover (avec un train de retard sur le reste du monde).

Quelle solution ?

La bonne nouvelle est que le DMA 2.0 est encore en discussion. Il est donc encore temps d’arrêter un massacre technologique.

Comme le disait Charlie Munger, être intelligent, c’est éviter de faire des choses stupides. La meilleure des choses serait de faire traîner le dossier pour l’enterrer discrètement. Nous pourrions être aidés, si la France a son mot à dire, par la pépite Mistral AI.

Si Mistral AI est connu pour son petit modèle modulaire (poids ouverts) à 7 milliards de paramètres (Mistral 7 B), il joue à fond la carte de l’intégration pour ses produits phares réservés aux entreprises :

• La Plateforme (50 a 60% du chiffre d’affaires): Mistral y propose son modèle Mistral Large intégré à son cloud (même si ce cloud est sous-traité). Mistral a optimisé le moteur d’inférence pour qu’il colle parfaitement aux spécificités mathématiques de de son modèle. Mistral vend un bloc intégré modèle + cloud.

• Licenses entreprises et partenariats (30 à 40% du chiffre d’affaires): Mistral intègre les données des entreprises à ses modèles pour qu’ils fassent corps avec ces données.

Mistral AI a aujourd’hui environ $300 millions de revenus annuels récurrents et cela grimpe vite ($42 millions il y a un an). Comme toute entreprise technologique digne de ce nom, Mistral gagne de l’argent sur ses parties intégrées. Il est pour l’instant loin du seuil de déclenchement du DMA mais il faut anticiper…

La question est de savoir si l’Union Européenne acceptera de saborder Mistral AI sur l’hôtel de la Réglementation. Un fois entré dans l’enfer bureaucratique, il est très dur de revenir en arrière, cet enfer opérant comme une boule de neige. L’impératif modulaire peut aller encore beaucoup plus loin, jusqu’aux partie réellement indivisibles. On peut gager que les dirigeants de Mistral seront motivés à distribuer aux commissaires européens quelques exemplaires de La Solution de l’Innovateur.

Bonne année 2026 !

Hervé

J’ai réalisée cette présentation-synthèse de mon article précédent à partir de Notebook.

5 minutes montre en main. Imaginez ce que cela sera dans deux ans…

Bonne fin d’année,

Hervé

Abonnez-vous maintenant

Arvind Krishna, PDG d’IBM, interview pour Decoder, le 1er décembre 2025:

Il faut environ 80 milliards de dollars pour équiper entièrement un data center d’un gigawatt. Voilà, ça, c’est le chiffre d’aujourd’hui.

Donc, si vous vous engagez sur 20 à 30 gigawatts – pour une seule entreprise – cela représente 1 500 milliards de dollars de CapEx. Et, comme on vient de le dire, vous êtes obligé de tout utiliser sur cinq ans, parce qu’à ce moment-là vous devez tout jeter et tout remplacer, n’est-ce pas ?

Ensuite, si je regarde le total, ces choses-là, l’ensemble des engagements dans le monde, dans ce domaine mouvant de l’AGI , semblent être de l’ordre de 100 gigawatts, au moins d’après les annonces.

Cela fait 8 000 milliards de dollars de CapEx. Pour moi, il n’y a absolument aucun moyen d’obtenir un retour sur un tel montant, parce que 8 trillions de CapEx signifient qu’il vous faut à peu près 800 milliards de dollars de profit rien que pour payer les intérêts.

Ces propos visent à discréditer la stratégie consistant à investir massivement dans les centres de données pour atteindre l’AGI, l’intelligence artificielle générale. Pour Arvind Krishna ces investissements ne seront jamais rentabilisés. Il dénonce ainsi la mauvaise allocation de capital des « hyperscalers 1» pour mieux mettre en avant sa stratégie beaucoup plus raisonnable. Pourquoi investir maintenant dans des infrastructures qui seront largement obsolètes dans cinq ans alors qu’on peut se concentrer sur des applications d’IA adaptées aux multiples besoins des entreprises quitte à reposer sur des plus petits modèles . Arvind Krishna prêche pour sa paroisse, paroisse obsédée par le cash-flow immédiat et qui en conséquence investit peu: les dépenses d’investissement d’IBM s’élèveront à un peu plus de $1 milliard cette année ($125 milliards pour Amazon) ! Mieux vaut prétendre avec tous ceux qui n’ont pas investi que les autres sont irrationnels …

Par un tour de passe passe intellectuel, Arvind Krishna élude la réelle problématique, en appuyant sur le thème à la mode: la bulle de l’IA générale. Le problème en fait n’est pas trop d’investissement mais pas assez.

Calcul sur un coin de table

Avant de se prononcer sur la rentabilité de ces investissements , il convient de vérifier si les chiffres donnés par Arvind Krishna sont bien réalistes.

Coût du centre de données

Tout d’abord le coût d’un centre de données est manifestement exagéré. Prenons l’exemple du supercalculateur Colossus de xAI qu’on peut qualifier de moderne. Ce centre de données a une capacité aujourd’hui de 0,15 GW grâce à ses 100 000 GPU H100 de Nvidia (coût approximatif de $2,5 milliards). Le coût des GPU représentant 50% à 60% du coût matériel , on peut estimer le reste du coût (serveurs et connectique) à $2 milliards. Enfin l’infrastructure (bâtiment et refroidissement) coûtent environ $1 milliard- vieille usine Electrolux reconditionnée- au total, le coût est de l’ordre maximum de $6 milliards pour 0,15 GW, donc $40 milliards du GW. L’équation ne change pas radicalement avec la génération suivante de puces, les Blackwell 200. Le coût du centre de données est 20% à 25% plus cher notamment parce qu’il exige un refroidissement liquide et non plus simplement de gros ventilateurs. La différence est que le centre de données est beaucoup plus puissants: 3 à 5 fois plus de token produits par seconde.

Conclusion: les chiffres d’Arvind Krishna sont à diviser par 2, dans le cas des puces les plus chères (Nvidia). Un centre de données composé de TPU Google coûtera encore bien moins cher (environ la moitié).

Amortissement du centre de données

Arvind Krishna pointe l’irrationalité des hyperscalers en soulignant que leurs investissements seront à mettre à la poubelle dans cinq ans car les puces seront alors 100 fois plus puissantes. Les H100 d’aujourd’hui seront alors invendables. C’est également une exagération. Les puces d’entraînement, les plus avancées, ont une seconde vie, voire une troisième: les deux premières années, elles servent à l’entraînement des modèles de frontière; les trois années suivantes, elles servent à ajuster les modèles pour les entreprises (fine tuning), enfin après cinq ans elles sont utilisées à fond pour l’inférence (80% de la charge de travail d’ici peu). L’inférence (interrogation des modèles) est plus souple à gérer du point de vue énergétique. En effet pour l’inférence:

• On peut compresser le modèle et traiter ainsi des fichiers plus légers.

• On peut faire appel à une puce dans n’importe endroit (choix de l’endroit où l’électricité est la moins chère à l’instant t)

• On peut regrouper les questions avec celles de 100 autres utilisateurs pour faire baisser les coûts.

• On peut confier la charge à des puces inoccupées ce qui évite de sur-solliciter les puces.

Certes une B300 sera plus productive à l’inférence qu’une H100. Mais elle sera également beaucoup plus chère à l’achat. L’hyperscaler utilisera sa vieille H100 tant que :

Pour l’entraînement qui nécessite une mécanique de précision inouïe avec des puces en batteries produisant au même moment, l’énergie gaspillée sera vite énorme le calcul penchant pour la B300; concernant l’inférence finir la H100 a du sens économiquement, au moins au coût actuel de l’électricité. Satya Nadella, PDG de Microsoft a insisté récemment sur la fongibilité des puces au sein des centres de données Azure:

Cela remonte un peu à la question de fond : de quoi s’agit-il dans le business hyperscale ? Une des décisions clés que nous avons prises est que, si nous voulions développer Azure pour qu’il soit excellent à toutes les étapes de l’IA — de l’entraînement à la formation intermédiaire, en passant par la génération de données et l’inférence —, nous avions simplement besoin de la fungibilité de la flotte. C’est ce qui nous a essentiellement empêchés de construire une grande capacité autour d’un ensemble particulier de générations.

Parce que l’autre chose que vous devez réaliser, c’est que, jusqu’à présent, nous avons multiplié par 10 tous les 18 mois notre capacité d’entraînement suffisante pour les divers modèles OpenAI, et nous avons compris que la clé était de rester sur cette trajectoire. Mais la chose plus importante encore est d’avoir un équilibre : ne pas se contenter d’entraîner, mais être capable de servir ces modèles partout dans le monde. Parce qu’au bout du compte, c’est le rythme de monétisation qui nous permettra de continuer à financer tout cela. Et l’infrastructure allait devoir nous permettre de supporter de multiples modèles.

Satya Nadella critique indirectement les « neo-clouds », comme Nebius ou CoreWeave qui misent tout sur les GPU les plus avancés mais gaspillent du capital. Ils ont peut être des coûts d’électricité moindre mais à quel coût global ? Satya Nadella avance un autre argument plus profond en faveur de la fongibilité: la variété des services rendus.

Le risque de non fongibilité

La denrée rare, aujourd’hui, plus que l’électricité est l’attention. Cela explique pourquoi OpenAI est prêt à brûler environ $9 milliards de cash cette année pour augmenter son nombre d’utilisateurs hebdomadaires (environ 900 millions) et surtout le temps passé sur ChatGPT, ce pourquoi il n’est pas pressé à placer de la publicité sur l’offre gratuite (risque de dégrader l’expérience). Cela explique aussi l’avantage concurrentiel de Google ou Meta qui sont maîtres dans l’art de retenir l’attention, multipliant les occasions de revenir sur leurs plateformes aux milliards d’utilisateurs de celles-ci. La clé est d’avoir différents services à proposer pour faire revenir l’utilisateur à la moindre occasion. Certains nécessitent l’utilisation de modèles de frontière nécessitant un entraînement massif, d’autres peuvent s’accommoder de modèles plus modestes et d’une partie logiciel plus significative. Le fonctionnement d’Excel par exemple ne demande pas d’utiliser des B300. L’hyperscaler adopte la stratégie du lissage remplaçant 10% à 20% de ses puces tous les ans, pour disposer en permanence des puces les plus évoluées pour les charges les plus intenses. Tout remplacer comme le suggère Arvind Krishna serait du gaspillage au départ et l’assurance de ne plus disposer de puces de dernière génération l’année suivante ! Dès lors, le service globalement se dégraderait avec un risque important sur l’engagement des utilisateurs. Les hyperscalers ne peuvent commettre une telle erreur.

Le PDG d’IBM exagère donc l’investissement nécessaire pour un centre de donnée et minimise la durée de son amortissement. Qu’en est-il du chiffre de 100GW de capacité annoncés par les grands acteurs ?

100 GW: le mur de la réalité

Il ne faut pas confondre les désirs de construction et la réalité matérielle. Aligner 100 GW de capacité au cours des cinq prochaines années est impossible. Krishna pour obtenir son chiffre a additionné les déclarations d’intention:

• mega projets sur site unique =15 GW (Stargate d’OpenAI/Microsoft, campus Talen Energy d’Amazon, campus d’Oracle, centre de donnée de Memphis pour xAI);

• ajout organique des hyperscalers=40 GW (2GWx 4 acteurs x 5 ans);

• colocataires comme Equinix ou Digital Realty: 25 GW;

• pays souverains (Chine/Moyen-Orient) et néo-clouds: 20 GW

  15 GW+40 GW+25 GW+20 GW=100 GW

Dans les faits, la capacité du réseau électrique mondial sera bien insuffisante pour permettre une telle construction de centres de données sur les cinq prochaines années.

Aux Etat-Unis, il y a un double goulet d’étranglement: les lignes haute tension sont saturées et il y a pénurie de transformateurs (haute tension /moyenne tension). Afin gagner du temps, on change les fils pour leur donner plus de capacité et on raccorde les centres de données à des lignes à moyenne tension (Virginie) ; on concentre l’ajout de génération (Texas, plus libéral, terrain de jeu d’xAI, Google et Meta); on recycle des usines disposant de vieux transformateurs qu’on rénove (Rust Belt) ; on profite de l’ensoleillement massif pour ajouter des panneaux solaires (Arizona, Nevada). Au total les Etats-Unis pourraient ajouter 20GW au réseau au maximum. Une solution de contournement serait de connecter directement des centrales aux centres de données. C’est impossible pour les centrales déjà en activité (avis du régulateur sur un projet Amazon) mais possible quand il n’y a pas concurrence avec le réseau public. Le projet de Microsoft concernant le réveil de la centrale de Three Mile Island cependant ajoute moins d’1 GW à la capacité électrique des Etats-Unis. Les réacteurs nucléaires modulaires (SMR) sont une solution séduisante mais malheureusement encore sur le papier, le spectre des accidents potentiels étant trop fort.

L’Europe est d’avantage concentrée sur le raccordement d’éoliennes et de panneaux solaires à son réseau qu’au branchement des centres de données. Ceux-ci requièrent en effet une énergie de base 24/24 pour l’entraînement, typiquement du nucléaire qui n’est pas la priorité. Son énergie et chère et sa bureaucratie paralysante. Aussi il est peu probable que l’Europe constitue un terrain de chasse intéressant pour la construction de centres de données, hormis pour l’inférence de luxe locale. En tout cas, il ne faut pas compter pouvoir entraîner des modèles avancés. On peut estimer à 5 GW l’ajout de capacité sur cinq ans.

En dehors de l’Occident, le pourvoyeur important sera la Chine qui pourrait ajouter 12 GW grâce à son charbon qui sert de charge de base. Cette capacité pas forcément très efficiente (restriction des Etats-Unis sur l’exportation de puces) sera réservée à l’entraînement et l’inférence de ses propres modèles. Enfin il faut compter avec le Moyen-Orient qui regorge d’énergie bon marché et à peu de contraintes écologiques. Il pourrait construire 2 GW de centres de données mais subit des restrictions sur l’achat de GPU. En Inde le réseau reste fragile et peu sûr.

Au total, un plafond de l’ordre de 40GW pour les nouveaux centres de données paraît réaliste, soit 40% du chiffre avancé par Arvind Krishna.

Si on reprend l’ensemble de ces éléments, les investissements pour les cinq prochaines années seraient: $40 milliards (coût d’un centre de données d’1 GW) x 40 GW, soit $ 1 600 milliard, loin des chiffres du PDG d’IBM.

Toujours plus de token

La demande de token2 est en hausse exponentielle en entrée et en sortie/réponse (les sorties représentant environ 70% du total). Quand on commence à utiliser un modèle, il n’y a pas de retour en arrière: l’intelligence est addictive. Prenons l’exemple de Google. En avril 2025, Sundar Pichai l’illustrait lors d’une présentation:

Depuis Google a actualisé les chiffres:

-1 quadrillion en juillet.

-1,3 quadrillion en octobre.

Ceci avant la sortie de Gemini 3. L’accélération de la hausse, perceptible à partir de février 2025, est due au post-training et à l’introduction de modèles qui pensent (c’est à dire reviennent sur ce qu’ils ont produit pour le rectifier). DeepSeek a commencé et depuis tous les modèles se sont mis à « penser ». La pensée elle-même génère 10 000 token pour vous en produire 100. Une autre accélération va se produire avec l’adoption des agents, en particulier dans les entreprises. En effet, les agents composent les token pour réaliser une tâche. Le deal pour une entreprise est particulièrement intéressant: un abonnement ChatGPT coûte €23 par mois, un salarié au SMIC plus de € 1900, et un cadre… ? Les gains de productivité potentiels sont colossaux. Plus il y aura de token, plus le modèle deviendra intelligent (vérifiant ses réponses et corrigeant ses erreurs) et plus il sera susceptible de remplacer des flux de travail humains. En vendant leurs modèles à €20 par moi, les grands modèles de langage créent un surplus très important.

Ce qui permet cette accélération est la baisse du coût des token, selon la loi de Devon: quand le prix d’un bien baisse, sa consommation augmente. Voici cette évolution depuis un an pour Gemini le producteur à bas coûts:

Et pour ChatGPT, le producteur aux coûts les plus élevés:

Une meilleure productivité des puces et une structuration plus économe des modèles permettent cette baisse des coûts. L’entraînement de Gemini 3 à partir des TPU v7 montre que l’effet d’échelle est toujours aussi important pour l’entraînement. Les modèles à base de Blackwell 300 qui sortiront en 2026 confirmeront la tendance et séduiront par leur niveau d’intelligence…

Il faut donc considérer l’effet des 1 600 milliards d’investissements sur la productivité: si cette dernière s’améliore de 1% l’an sur un PNB mondial de $120 000 milliards, le magot à se partager sur 5 ans s’élèvera à $6 000 millards, soit presque 4 fois l’investissement. Cette amélioration est d’autant plus plausible si on considère l’amélioration de productivité déjà réalisée chez les hyperscalers, les premiers sur le pont.

Les cash-flows

On comprend pourquoi les hyperscalers investissent massivement, surtout qu’ils en ont les moyens. Les cash-flows opérationnels combinés de Google, Microsoft, Meta et Amazon s’élèveront à plus de $ 600 milliards en 2025. En moins de trois ans, les investissements maximum autorisés par le réseau énergétique seront réalisés et ce sans recourir à la dette. Où est la bulle ? Certes un certain nombre d’acteurs marginaux (type néoclouds) pourront tomber car ne bénéficiant pas assez des mécanismes d’attention, mais le cœur reste sain. Il bénéficie à plein des effets d’échelle, des effets réseaux et des cash-flows.

Dégager les points bloquant

La contrainte énergétique s’imposant, l’enjeu va être de maximiser la performance par watt, tant en entraînement qu’en inférence.

Les accélérateurs

Dans le coût de fonctionnement d’un accélérateur type GPU, il y a principalement deux postes: l’amortissement et l’électricité. Plus il va y avoir de pression sur le coût de l’électricité, plus ce poste prendra de l’importance par rapport à l’amortissement. Autrement dit, on va rechercher la performance brute de la puce prioritairement (nombre de TFLOPS/100W pour l’entraînement, nombre de token par W pour l’inférence), quitte à payer plus cher celle-ci. Le tableau suivant montre l’amélioration de la performance par watt en fonction des générations:

Entraînement

Inférence :

L’écart de performance est impressionnant à chaque génération. Les fabricants vont se battre pour gagner le prix du maximum de performance/watt et ainsi vendre leurs puces à des prix premium. Cette contrainte électrique explique pourquoi Google s’est décidé à vendre ses TPU à l’extérieur car ils deviennent un élément très prisé dans la chaîne de l’IA.

Autour des accélérateurs

Les accélérateurs ne travaillent pas seuls (en particulier pour l’entraînement) et leur performance dépend grandement de leur environnement. Dans la phase d’entraînement, il faut surtout éviter les défaillances. La moindre erreur oblige à tout recommencer, ce qui coûte très cher en énergie. De fait la progression de la performance par watt est bien inférieure pour l’entraînement que pour l’inférence (x9 au lieu de x66):

1/ le calcul doit être extrêmement précis ce qui entraîne facilement des surchauffes et donc défaillance (la puce s’arrête pour éviter de fondre).

2/ les puces doivent communiquer entre elles à la vitesse de la lumière (occasion de défaillance)

3/ les données transites constamment entre puces et mémoires (occasion de défaillance)

4/ le chef d’orchestre (CPU) doit être puissant et efficient, ne pouvant se permettre le moindre retard sur l’exécution.

Il y a donc autour de la puce des points bloquants potentiels qu’il faut lever à chaque génération: refroidissement (20% à 40% de l’énergie totale dépensée), transport, mémoire et intelligence générale. Ces points bloquants ralentissent l’offre et donc la formation d’une bulle.

Hardware à la périphérie

Si les centres de données tournent à 100 % de capacité, de plus en plus de requêtes seront traitées en local, sur l’appareil ou sur des petits serveurs à proximité des utilisateurs. C’est le sens de la prédiction de Musk par laquelle j’ai commencé mon article We shall prevail:

C’est une prédiction facile de la direction que prennent les choses : les appareils ne seront plus que des terminaux en bout de chaîne pour faire tourner l’inférence d’IA, parce que les limites de bande passante empêchent de tout faire côté serveurs.

C’est la stratégie d’Apple sur l’IA: 1/ fabriquer des terminaux sur lesquels l’inférence locale est quasi parfaite et gratuite ! 2/ Décharger les taches plus complexes sur des serveurs proches des utilisateurs. Apple a créé une app (Locally Ai) qui vise à constituer une plateforme de petits modèles tournant sur l’iPhone.

Il y a donc un marché très important pour l’inférence locale sur des modèles plus modestes que les modèles de frontières mais qui à terme pourront faire 90 % du job. C’est là où IBM essaiera de faire la différence. Il ne sera pas seul…

La fonderie

TSMC est la seule fonderie capable de produire des noeuds avancés (2 nm) de GPU, sans risque d’exécution. La sécurité est un élément fondamental car il y a des quotas de production, un raté pouvant entraîner un retard considérable par rapport aux autres. Pour le 2 nm (prochaine génération), les quota se répartissent entre:

• Apple 38%

• Nvidia 22%

• AMD 18%

• Qualcomm 22%

• Google 6%

• Autres 4%

Le carnet de commande est très tendu, ce qui pourrait inciter les concepteurs à « s’assurer » après de la seule fonderie avancée des Etat-Unis, celle d’Intel. Apple pourrait se lancer le premier pour ses puces M les moins haut de gamme en 2027. Intel fabrique surtout pour lui-même et jusqu’à peu se souciait peu du rendement de ses puces, étant son propre client. Cela est en train de changer mais la culture est tenace et les concepteurs se méfient.

Là aussi, le blocage au niveau de la fabrication s’ajoute au blocage énergétique et restreint l’offre. Forte demande et faible offre ne sont pas les terreaux d’une bulle…

Nouvelle frontière

Installer un centre de données dans l’Espace présente des avantages:

• les rayons du soleils sont plus puissants en basse orbite que sur terre et on peut les capter plus longtemps. La production d’électricité sur 24 h est multipliée entre 4 et 8 fois selon l’orbite retenu; les batteries, principal coût pour l’énergie solaire, sont réduites au minimum.

• Comme la contrainte de terrain n’existe pas et que les liaisons dans le vide sont aisées, il est possible de construire des centres de donnés géants sans commune mesure avec ceux existant sur terre (plusieurs TW à terme au lieu de GW).

En revanche refroidir les puces est un cauchemar. En effet le vide est un parfait isolant qui ne dissipe pas la chaleur. La bonne nouvelle est qu’on peut trouver des solutions car un matériau non exposé au radiations se rapproche du zéro absolu. De plus l’énergie en orbite est bon marché ce qui permet de créer à bas coût des réfrigérateurs.

Les hyperscalers ont leur plan pour créer cette infrastructure informatique en basse orbite et échapper ainsi à la contrainte énergétique terrestre. Chacun essaie de valoriser ses points forts:

• Elon Musk veut utiliser les satellites Starlink à la fois pour véhiculer l’Internet et traiter les données. Son idée est de lancer des satellites d’un nouveau type qui font relai internet et sur lesquels sont plaquées des puces haut de gamme pour traiter des données. Les satellites communiqueront entre eux pour échanger les données. La chaleur des puces se dissipera par la face non exposée aux radiations des satellites sur lesquels les puces sont fixées. Les satellites ayant un double usage, les communications entre eux se font par envoi de paquets (comme l’Internet) avec une certaine latence. Ces centres de données sont donc adaptés à l’inférence et pas à l’entraînement. Elon Musk a un atout majeur: SpaceX qui lui permettra de réduire le coût d’installation de ses centres de données. En revanche si les puces grillent, il faut jeter tout le satellite. Elon Musk doit jouer le « low cost ».

• Google n’a pas cet avantage « low cost »et dépendra des fusées que SpaceX voudra bien lui réserver. En revanche sa force est le branchement optique entre ses racks et centres de données qui lui permet d’aligner une puissance de feu considérable pour l’entraînement. Il travaille donc au déploiement d’un cluster géant mono-fonction dans l’espace pour l’entraînement. Comme ses serveurs ne serviront pas à transmettre l’Internet, ils n’ont pas besoin d’être proches des lieux de concentration humaine et peuvent chasser l’orbite crépusculaire pour bénéficier des rayons du soleil 24/24. Ainsi Google fait l’économie des batteries. De plus ses satellites regardant toujours le soleil, la face cachée peut dissiper la chaleur.

• Amazon a une solution basique mais qui tire parti des économies d’échelle d’AWS. Son centre de données, envoyé par Blue Origin (Bezos), ressemblera à un centre de données terrestre avec les mêmes puces (Trainium) et des systèmes de refroidissement géant. Amazon fera des économies sur le centre de données même si l’énergie lui coûtera plus cher qu’à Elon Musk.

• Enfin Microsoft ne va rien envoyer mais a passé un accord avec SpaceX pour constituer la partie logicielle du dispositif: il loue des antennes au sol pour récupérer les données des satellites des autres et les traiter. Son service s’appelle Azure Orbital. Il veut ainsi faire concurrence à Amazon en s’associant avec celui qui a la meilleure constellation de satellites.

L’espoir pour désengorger les centrales terrestres est Elon Musk qui mène son projet au pas de charge et pourrait être le seul à disposer d’une capacité consistante dans les cinq prochaines années comme le montre le tableau suivant:

Et cela ne suffira pas pour atteindre les 100 GW d’Arvind Krishna !

Je vous souhaite un joyeux Noël,

Hervé

Abonnez-vous maintenant

Bonne semaine,

Hervé

Abonnez-vous maintenant

Alex Danco, A16Z le 10 octobre 2025

La prédiction est un concept aussi significatif que le modernisme et le postmodernisme. C’est le nouveau cadre de pensée qui définit notre génération, et nous ferions mieux de le comprendre:

Le postmodernisme explique pourquoi nous avons construit les entreprises comme nous le faisons actuellement :

• pourquoi nous traitons l’innovation comme un « capital à risque »,

• pourquoi nous adoptons le modèle de service « front end / back end »,

• et d’autres thèmes si omniprésents qu’ils en deviennent invisibles.

La « prédiction » représente une rupture nette avec le postmodernisme. C’est ce qui vient ensuite.

Il est difficile, sur le moment, de distinguer si l’on observe le début de quelque chose ou sa fin. Beaucoup d’artefacts précoces de l’IA que nous considérons comme « l’avenir » sont en réalité la forme finale de l’ancienne chose, rendue parfaitement à leur moment d’obsolescence.

Toute création de valeur repose désormais sur la prédiction.

Les marchés de prédiction nous offrent une unité que nous pouvons comprendre, à l’image de la manière dont les brevets représentaient le progrès il y a un siècle, en organisant notre ambition et en symbolisant un enjeu dans le système.

La prédiction nous aide à nous libérer du malaise postmoderne et nous donne un nouveau but dans le monde : nous créons de l’ordre dans l’univers en contribuant de l’information.

Cet article est passionnant et je vous en recommande la lecture. Alex Danco estime que le monde est en train de changer d’idéologie, de récit partagé, de vision, de faire la transition entre le mouvement postmoderniste qu’on peut dater de la fin de la deuxième guerre mondiale et celui qu’il appelle l’ère de la prediction. Ces récits successifs (prémodernisme, modernisme, postmodernisme…) sont appelés des mouvements car ils façonnent profondément la culture, la politique, l’art et l’économie, ils sont notre contexte. S’il y a changement d’époque, il est grand temps de s’y intéresser pour en être un acteur plus éclairé.

Chronologie des grands mouvements

On peut situer trois grands mouvements depuis la Renaissance: prémoderniste (XVIème, milieu du XIXème) , moderniste (fin XIXème, 2eme guerre mondiale) et postmoderniste (1945-2020s). Ces mouvements sont impulsés par une rupture technologique, rationalisés par des intellectuels, traduits par les artistes, suivis par les populations, entretenus par les pouvoirs dominant autour d’une valeur centrale, jusqu’à ce qu’une fatigue finale s’empare des populations permettant un changement de récit à l’occasion d’une nouvelle rupture technologique.

Le mouvement prémoderniste

Les technologies qui l’ont fait naître sont l’imprimerie, la navigation et l’astronomie. Elles confirment et révèlent un ordre du monde figé qui obéit à des lois mathématiques. Les intellectuels de cette époque sont Copernic, Kepler, Galilée, Newton, Descartes…suivis par les philosophes des lumières. Les artistes imitent la nature et respectent son ordre en adoptant des canons (règles de proportion, de beauté, de convenance): ils s’appellent Poussin, Racine, Lully (classiques), Rubins, le Bernin, Bach (baroques), David, Canova (néo-classiques), Delacroix, Beethoven, Biron (romantiques), Courbet, Flaubert (réalistes). Les pouvoirs en place (début des Etats-Nations) entretiennent ce récit qui les conforte dans leur stabilité (ordre voulu par Dieu). Les populations suivent… jusqu’à ce qu’elles se rebiffent, manifestant leur fatigue par rapport à cet ordre de droit divin. La Révolution Française en est un témoin. L’ordre reste le récit, faute de technologie majeure, mais Dieu y est remplacé par la Raison. C’est la révolution industrielle qui va faire entrer progressivement notre civilisation dans une nouvelle ère.

Le mouvement moderniste

La révolution industrielle s’est étendue sur un siècle et demi, parsemée d’inventions majeures comme:

-le moteur à vapeur de James Watt (1769)

-le procédé acier Bessemer (1856)

-l’ampoule électrique d’Edison (1879)

-le moteur à explosion de Karl Benz (1885)

-la chaîne de montage industrielle d’Henry Ford (1913)

Les avancées qui en découlent (multiplication de la force humaine, infrastructures et structures modernes, éclairage, mobilité, organisation du travail…) vont changer le récit dominant qui va s’articuler autour du progrès inévitable et non plus autour de l’ordre figé précédent. Les intellectuels de cette époque (fin XIXème, années 40) sont des ingénieurs, économistes ou sociologues qui voient dans la technique un ordre nouveau, un principe d’organisation du monde: Auguste Comte, Karl Marx, Émile Durkheim, Saint-Simon, Max Weber, Frederick Taylor. Les artistes emboîtent le pas: en peinture, les impressionnistes analysent le réel plutôt qu’ils ne le reproduisent, les cubistes mettent en forme la vision géométrique du monde, les futuristes exaltent la mécanique moderne, etc. En architecture, la forme devient la fonction (Bauhaus), la ville est planifiée (Le Corbusier), le design devient industriel (les gratte-ciels de Chicago…). Dans la littérature, on démonte et reconstruit le réel (Proust, James Joyce…). Enfin le musique crée un espace autonome, abstrait organisé comme une machine (Debussy, Stravinsky, Bartok…) Le cinéma, nouvelle forme d’art, n’est pas en reste avec Les Temps Modernes de Charlie Chaplin ou Métropolis de Fritz Lang.

Les pouvoirs publics comprennent l’intérêt de s’approprier le progrès pour se renforcer. Ils en deviennent le chef d’orchestre organisant les expositions universelles, édifiant de grands monuments à la gloire du progrès (Tour Eiffel), planifiant la construction des villes et d’infrastructures. L’expression la plus aboutie de cette appropriation est l’industrie de l’armement qui devient l’objet d’une course provoquant deux guerres mondiales. L’industrie est devenue un système rationnel de production de cadavres. Il s’ensuit une grande fatigue de la population et le rejet de la foi dans un progrès linéaire. C’est ainsi que naît l’ère postmoderniste. Elle attend juste sa rupture technologique.

Le mouvement postmoderniste

Ce mouvement réfute l’idée d’une vérité objective qui aurait un monopole sur le réel. Le récit moderniste construit autour du progrès n’en est qu’un parmi tant d’autres, un récit qui a créé des abus de pouvoir dramatiques du fait de son caractère monopolistique. La vérité est au contraire multiple, contextuelle et relative, le monde est une représentation combinatoire à disposition de l’individu. Le signe est roi. Le progrès n’est plus, vive l’innovation qui va dans tous les sens et peut terminer à zéro d’où l’importance de la combinatoire dans le fonds de « private equity ».

Les trois ruptures technologiques ayant permis ce changement d’idéologie sont la télévision, l’informatique et les réseaux de communications. La télévision fait basculer la société dans la représentation continue. L’informatique transforme le monde en données numériques: le symbole remplace le réel. Enfin le réseau (Arpanet puis internet) efface l’espace physique.

Le mouvement a été impulsé par de nombreux intellectuels d’après-guerre qui ont cherché à déconstruire le récit moderniste et ses abus, en mettant en avant l’importance des signes. Parmi les plus célèbres on peut citer Michel Foucault, Jacques Derrida, Jean Baudrillard, Gilles Deleuze, Roland Barthes ou Umberto Eco. Dans le courant des années 2000, le mouvement est devenu plus agressif s’étendant aux études de genres (Judith Butler), à la critique post-coloniale (Edward Said) et à la philosophie du numérique (Baudrillard). Les artistes ont emboîté le pas avec par exemple Andy Warhol qui valorise la représentation, l’image publicitaire (Campbell’s Soup); Kraftwerk qui fait du remix ou Tarantino qui colle différents genres de cinéma sans héros, ni morale.

Les pouvoirs publics ont largement adopté l'anti-récit post-moderniste et s’en servent allègrement pour se maintenir: la politique est devenue communication, art de se mettre en scène, le gouvernement se faisant par le discours. La réalité est représentée par des métriques (PIB, déficit, etc.) que l’homme politique combine au mieux pour justifier son discours. Enfin le pouvoir s’exerce par le réseau. Donald Trump l’a bien compris, ayant même créé son propre réseau social.

L’évolution de la vision capitaliste

Le capitalisme de l’ère moderniste était orienté production, la machine était exaltée. L’Etat participait à son développement par la commande et les concessions (canaux, chemins de fer), l’éducation (Ecole Polytechnique, financement universitaire aux États-Unis), les subventions, éventuellement la planification industrielle (France, Japon…) et les brevets. Le mouvement post-moderniste a fissuré ce capitalisme. Les États sont devenus progressivement moins interventionnistes dans l’innovation, qui est de devenue une affaire purement privée, à gérer comme un panier d’opportunités /risque. Les entreprises se sont adaptées aux besoins du consommateur. Elles ont vite compris que le produit compte moins que ce qu’il évoque. Les entreprises doivent vendre du récit: les performances du produit sont une condition nécessaire pour le vendre mais pas suffisante. Nike vend le héros sportif , Starbucks une convivialité, Tesla du futurisme, Apple de la perfection, etc. La complexité au lieu d’être exaltée est cachée: ce qui compte est l’expérience, le signe que nous renvoie le produit à nous même. Cela a des conséquences économiques majeures: l’industrie doit être cachée loin du consommateur et c’est ainsi qu’elle finit par se concentrer en Chine, avec les dépendances que cela crée. De même, l’industrie informatique se structure pour masquer la complexité. Les usines à données sont loin du consommateur, dans des centres de données gérés par AWS, Azure ou Google Cloud. L’interface (UI) est tout ce qui compte et dans cette interface (les applications logicielles) s'opère une personnalisation maximum grâce à des GPUs décentralisés. Combien de sociétés SAAS ont été créées dans les années 2010 pour exploiter cette tendance: c’est le nouveau visage de l’innovation. Le rôle de la population dans ce mouvement a changé: alors qu’elle participait au progrès dans l’ère précédente (le progrès étant une oeuvre collective), elle choisit maintenant sa représentation, la consomme. Le paroxysme du mouvement post-moderniste est un individualisme à outrance qui finit par rendre triste et par créer une grande fatigue. C’est pourquoi, Alex Danco l’explique bien dans son article, il ne faut pas se méprendre sur les effets de l’IA. Ceux qu’on perçoit aujourd’hui comme néfastes (solitude de l’individualisme) sont peut être le dernier avatar du post-modernisme mais aussi le catalyseur d’une nouvelle ère, cette fois plus collective… Voici un tableau résumé des trois époques:

L’ère de la prédiction

Les prémices de cette ère sont déjà là avec la montée en puissance des réseaux sociaux qui ont mis à disposition une facilité de prévoir: les likes, les memes qui nécessitent de dire le bon mot au bon moment. Ces mêmes réseaux ont orchestré les attentes pour un produit, différant l’idée de consommation immédiate propre à l’ère postmoderniste (fluidité=absence de friction). On apprend à anticiper l’achat, le “teasing” agressif est la loi, amplifié par les réseaux sociaux. En voici une illustration parfaite avec la date de sortie de Gemini 3, dont fait mystère Sundar Pichai, CEO d’Alphabet:

La prédiction sur le produit en devient un attribut. Cependant, la technologie qui fait basculer dans le changement d’ère est l’IA générative.

Jusqu’à l’arrivée sur la scène publique de ChatGPT (fin 2022), l’IA était cachée, faisait partie de la complexité (comme le cloud) et servait à améliorer l’interface, la représentation. Elle était le parfait outil de l’époque post-moderne, axée sur le signe et la combinatoire. L’IA servait à trier, classer, recommander, corriger, optimiser pour rendre l’expérience numérique fluide, agréable et individualisée. On peut citer par exemple les algorithmes de recommandation (YouTube, Netflix, Spotify…), les systèmes publicitaires (Google, Meta…), enfin les IA de correction grammaticale. L’IA organisait les représentations du monde, sans jamais se présenter comme sujet.

Avec ChatGPT, l’IA ne sert plus à améliorer l’interface mais devient l’interface. L’utilisateur co-crée avec l’IA une prédiction. Son prompt doit être le plus précis possible pour augmenter la probabilité d’une bonne réponse. La réponse du modèle est en effet une probabilité qu’il convient d’évaluer. L’utilisateur devient acteur et doit lui-même prédire, l’IA étant présentée comme un copilote (Microsoft). L’IA générative nous oblige à devenir un “homo predictus” pondérant les probabilités, modifiant les prompts, à sortir de notre état d’utilisateur (typique du mouvement postmoderniste) pour devenir acteur dans un nouveau jeu, généralisé, de prédiction. Au fur et à mesure que l’IA générative se répand, l’homme n’a plus le choix que de participer à ce grand jeu qui le valorise au passage, le faisant sortir de sa fatigue postmoderniste. Rappel du chiffre d’affaires d’OpenAI passé et anticipé:

Tension avec l’intelligence super-humaine

Certes plus l’intelligence artificielle générative va s’améliorer, plus son taux d’hallucinations va baisser et moins sera nécessaire l’intervention humaine pour la contrôler. Dès lors, fini le grand jeu ? L’homme sera-t-il relégué à son ancien rôle d’utilisateur ? Je ne pense pas, car l’éthos prédictif aura suffisamment imprégné l’époque pour qu’il la définisse et qu’il cherche à s’exprimer ailleurs, là où le modèle est en défaut. Pour le comprendre, prenons l’exemple de l’industrie musicale: les progrès du numérique ont permis de rendre accessible n’importe quel morceau sur des appareils multiples (Airpods, Echo Dot, HomePod, etc.) à des prix très bas. Pourtant cette abondance n’a pas tué l’expérience vivante, en direct. Les concerts sont extrêmement demandés, les artistes monétisant leur travail avec eux, et les prix montent sans cesse. L’abondance créée par l’internet (copie multipliée à l’infini) pousse à aimer la rareté, plus humaine. Il en ira de même, d’après moi, pour l’intelligence artificielle: elle rend l’intelligence abondante mais va pousser à rechercher ce que l’IA n’est pas bonne à prévoir. Alex Danco cite Matthew Prince, le CEO de Cloudflare:

Désormais, la façon dont on gagnera de l’argent sur Internet sera d’écrire des choses que l’intelligence artificielle ne connaît pas encore.

L’intelligence humaine se valorisera dans la production d’informations nouvelles non encore intégrées dans les modèles d’IA. L’homme est capable de rupture, il crée du sens, des objectifs, il est la variable instable, le bruit, impossible à réellement prédire par le modèle. C’est lui au contraire qui va cadrer le modèle rendant la prédiction opérante. Il y aura certes le 0,01 % des gens capables de construire les modèles, et les faire évoluer, les Elon Musk et Mark Zuckerberg mais il y aura également les 99,99 % qui utiliseront leur intelligence de situation, incarnée, pour perturber (artistes), tester (scientifiques) et influencer (traders) ces modèles. Les 0,01 % fixent les cadres, les 99,99% les utilisent pour investir avant les autres (cryptos, bourses), faire monter les like (réseaux sociaux), prévoir leurs performances physiques (Strava), etc.

Le développement des marchés de paris

Un marché, en général, est un système d’anticipation collectif : chaque transaction est une prédiction incarnée — sur un prix, un projet, un comportement humain. Le marché intègre l’IA mais l’IA ne peut intégrer le marché car ce dernier constitue un système auto adaptatif qui la dépasse. L’IA en est un acteur parmi d’autres. C’est pourquoi le modèle économique de l’ère de la prédiction est le marché, plus large que l’IA. Le marché concernera progressivement tous les pans du monde matériel, lequel deviendra objet de prédiction. La bourse, avatar du mouvement moderniste, est dépassée. On en a déjà un premier avant goût avec le développement spectaculaire des marchés de paris: Polymarket et Kalshi:

• Polymarket a été créé en 2020 par Shayne Coplan et est incorporée à New York. Le site internet permet de parier sur des événements extrêmement variés limités dans le temps, comme le montre sa page principale:

  

  Les paris sont matérialisés par des token (un token pour le oui, un token pour le non) résidant sur la plateforme Polygon dont la clé privée est conservée dans les “wallets” des parieurs. La valeur du oui et du non varie jusqu’à l’échéance. Polymarket cherche actuellement des fonds sur la base d’une valorisation supérieure à $10 milliards, ce qui montre son succès. Polymarket, opérant sur la blockchain, n’est pas réglementée par la CFTC et subit quelques blocages notamment dans l’Union Européenne.

• Kalshi est aussi un site de pari mais plus ancien, réglementé par la CFTC et géré à l’ancienne (sans blockchain, sur une base de données interne). La société date de 2018 et a été fondée par un ancien de Goldman Sachs. L’interface ressemble beaucoup à celle de Polymarket. Kalshi a des objectifs de croissance très agressifs:

  

  Il devance Polymarket en terme de transactions, pourtant ce dernier se valorise beaucoup plus cher (10 fois plus), malgré un accord de distribution avec Google Finance pour le premier. Pourquoi? La réponse est que Polymarket préfigure le futur: une liquidité globale 24/7 étendant le nombre de parieurs possibles, la fiabilité de la prévision et la valeur des token, une capacité de branchement sans contraintes d’interfaces applicatives commercialisables (permettant d’estimer les probabilités), une confiance plus marquée dans une blockchain publique qu’une base de données privée. Polymarket peut simplement avoir un effet d’échelle sans commune mesure avec un Kalshi corseté par les réglementations nationales. Il est parfaitement représentatif de la nouvelle ère de la prédiction.

Cryptos tous azimuts

Parier sur un événement est insuffisant, car limité dans le temps. Avec les cryptos, tout devient liquéfiable sans limite de temps, ce qui élargit considérablement le champ de la prédiction. Le temps et l’espace sont uniques et leur valeur anticipée ne peut être rendue par un actif reproductible à l’envi comme un ensemble de données numériques. En revanche les cryptos ont un nombre de jetons limité et peuvent représenter de manière certifiée les anticipations sur n’importe quel espace physique ou temporel. On peut imaginer de « tokenizer » les actions cotées mais pourquoi pas aussi le non coté, l’immobilier, le mobilier ou que sais-je encore. Ces actifs deviennent des paris permanents 24/7 accessibles du monde entier et exécutables par « smart contrat » gravé dans le code. L’homo predictus agit partout et tout le temps. Le risque semble-t-il est de créer un casino géant, un terrain de divertissement mondial qui finisse par oublier toute notion de bien commun. Ce que fera l’homme de ces technologies en décidera. La crypto peut par exemple être un soutien puissant à la recherche scientifique:

-Traditionnellement, la science fonctionne sur un modèle de publication et réputation (revues, pairs, citations…). Ce fonctionnement est lent, hiérarchique, soumis à censure, donc emprunt d’un certain conformisme.

-Avec trois smart contrats, on peut ré-imaginer le processus. Un contrat pose une question à la façon de Polymarket (ex: le vaccin X réduira de 30% la maladie Y avant 2028). Il y a un token oui et un token non dont les valeurs sont définies par le marché. Un deuxième contrat attend la preuve du résultat et déclare après vrai ou faux (preuve envoyée par API). Enfin un troisième distribue automatiquement les gains. Trois petits contrats (mises, oracle, règlement) peuvent redéfinir la recherche scientifique. Ces contrats existent déjà sur Polymarket, Augur et Omen mais ceux qui concernent la recherche scientifique ont encore de petits volumes.

On peut d’ores et déjà anticiper certains développements si le mouvement prédictif se renforce:

-la profession de gestionnaire de portefeuille sera décimée, soumise à une concurrence féroce de tout un chacun. La bourse paraîtra un marché étriqué dans un monde liquéfié. Le gérant sera remplacé par l’influenceur sur X. La menace des ETFs paraîtra pâle. La comparaison est la profession de journaliste abîmée par la concurrence des blogs et réseaux sociaux.

-le rapport à la machine va changer. Pendant le mouvement moderniste, la machine amplifiait, pendant le mouvement post-moderniste, elle était en arrière plan, elle sera maintenant en partenariat. La délocalisation ne sera plus requise. Au contraire avoir son outil près de soi permet d’aller plus vite et dans l’ère de la prédiction, tout est timing.

-l’innovation n’est plus la production, ni la représentation mais l’amélioration continue de la capacité à anticiper le réel (réduction du risque). Le cœur des usines/machines seront les modèles de prédiction (cf FSD 14 ou robot Optimus de Tesla). Optimus, optimisation: même racine.

-Enfin dans cette société liquide, le politique disparait au profit de l’économique qui remplit l’espace culturel. La confiance est dans le code qui ne connait pas de frontières et non plus dans la monnaie et les règles d’un Etat-Nation. On imagine facilement les tensions qui pourront en résulter. Les États chercheront-ils à s’adapter à l’époque ou essaieront-ils de la contrecarrer ? Le livre n’est pas encore écrit…

Bonne semaine,

Hervé

Abonnez-vous maintenant