Up the Stack : Comment l'IA s'échappe du piège de la marchandise risque de verrouiller l'entreprise

Par Arvind Narayanan et Akash Kapur

Notre objectif dans cet essai est d'aller au-delà du débat sur la question de savoir si l'IA est une bulle. Nous le faisons de deux manières : en séparant clairement les données financières actuelles de la question de savoir qui capte la valeur à long terme, et en reconnaissant que les laboratoires ne se limitent pas à être des fournisseurs de modèles. Ils peuvent migrer vers le haut de la pile et le font déjà de manière agressive. Cela leur permettra probablement d'échapper au piège des matières premières, mais soulève de nouvelles préoccupations : l'enfermement des clients et une concurrence réduite.

Akash Kapur est chercheur invité à Princeton et chercheur principal à New America. Il n'a aucun lien de parenté avec Sayash Kapoor.

Alors que les principales sociétés d’IA continuent d’investir massivement dans leurs capacités et se précipitent vers des introductions en bourse à succès, de sérieuses questions subsistent quant à leurs modèles économiques. Comment ces entreprises, ainsi que le vaste écosystème de fabricants de puces, d'hyperscalers et de partenaires d'infrastructure qui en dépendent, vont-ils récupérer les 4 à 8 000 milliards de dollars estimés qui devraient être investis dans l'infrastructure d'IA d'ici le début des années 2030 ?

La conversation actuelle se divise entre critiques et partisans. Les critiques soulignent l’augmentation des pertes, l’écart entre les dépenses d’investissement et les revenus, et les rapports sur la consommation massive de liquidités des principaux laboratoires. Les promoteurs citent l'accélération de la croissance rapide des revenus, l'adoption par les entreprises et des étapes importantes telles que le Claude Fable 5premier trimestre rentable. Chaque camp a un point valable. Mais tous deux regardent au mauvais endroit : les mêmes déclarations trimestrielles, la même vision à court terme d'une industrie qui reste en évolution.

Ces derniers mois, nous avons réfléchi à la nature et à la durabilité du secteur de l'IA, et nous sommes arrivés à un point différent de celui de la plupart des commentaires existants. Les entreprises d’IA gagnent aujourd’hui une grande partie de leurs revenus en facturant l’inférence, mais les conditions de l’inférence frontière en font une activité particulièrement difficile à maintenir. Les modèles sont largement indifférenciés, les principaux laboratoires fonctionnent avec des structures de capital similaires, les coûts de changement sont faibles et les prix peuvent être ajustés librement. Tout cela semble créer les conditions d'un piège à matières premières qui poserait de réels défis à la tâche de création d'entreprises à marge élevée, voire rentables.

Dans le même temps, nous pensons que l'industrie reste dans une phase de transition et que sa structure sera très différente lorsqu'elle arrivera à maturité. En nous appuyant à la fois sur des preuves historiques et sur la théorie économique, nous soutenons que la concurrence dans cet équilibre est susceptible de pousser le prix de l’inférence du modèle vers le coût marginal de production des jetons, laissant peu de place aux profits durables au niveau du modèle. Cela ne signifie toutefois pas que l’activité de l’IA soit intrinsèquement non viable. La même analyse suggère une voie à suivre pour les laboratoires d'IA et mène à l'argument central de notre article :

Le chemin le plus probable des laboratoires vers une rentabilité durable ne passe pas par les couches de base (puces, centres de données, modèles) qui ont jusqu'à présent représenté la majeure partie des investissements, mais par un mélange d'intégration verticale, de déploiements d'entreprise intégrés et de construction délibérée de coûts de commutation et d'autres « fossés ».

Les stratégies des laboratoires visant à capter de la valeur en gravissant les échelons, dont beaucoup sont empruntées au manuel des logiciels d'entreprise, ont déjà commencé. Au-delà de la durabilité de l’écosystème actuel de l’IA, elles soulèvent des questions d’une portée sociétale plus large – concernant la concurrence, l’innovation et la répartition globale du pouvoir économique et politique. Jusqu’à présent, le débat public sur l’IA a été marqué par une dichotomie quelque peu paradoxale : l’anxiété face à une concentration monopolistique et à un pouvoir de marché galopant, mais une réalité de faibles coûts de changement et de modèles relativement interchangeables qui semble démentir ces craintes. Mais si nous avons raison de dire que les laboratoires vont de plus en plus gravir les échelons, alors les préoccupations concernant la concentration et la concurrence méritent d’être prises au sérieux maintenant, plutôt qu’après que les effets du verrouillage commencent à se matérialiser. Nous reviendrons sur ces questions plus larges dans la conclusion et dans un prochain article qui approfondira de nombreux sujets abordés dans cet article.

Analyse historique : la couche infrastructure ne parvient pas à capturer la valeur qu'elle crée

Le cadre AI as Normal Technology s'engage à tirer les leçons, le cas échéant, des technologies de transformation passées. Nous pensons que l’IA est soumise à bon nombre des mêmes dynamiques liées à l’investissement, à la concurrence et à la capture de valeur qui ont façonné les vagues précédentes d’innovation technologique. Dans le cadre de nos recherches, nous avons donc examiné le casse-tête de la capture de la valeur de l’IA et la réponse probable des laboratoires à cette problématique, à travers une lentille historique plus large.

Nous avons examiné six exemples historiques d'industries d'infrastructure à forte intensité de capital (chemins de fer, électricité, télécommunications et fibre optique, cloud computing, fabrication de semi-conducteurs et aviation commerciale). Nous pensons que l’IA présente aujourd’hui de nombreuses caractéristiques similaires à celles des infrastructures : des besoins massifs en capitaux ; faible coût marginal ; un produit de base quelque peu découplé des applications qui créent finalement de la valeur. Cela fait des infrastructures un secteur notoirement difficile à gérer.

Mais en même temps, l’IA est un logiciel, et le secteur des logiciels a toujours été lucratif, avec des marges exceptionnellement élevées. L’industrie a des ambitions en matière de marge logicielle. Ainsi, nous avons également étudié les stratégies de valeur ajoutée et de verrouillage du logiciel en tant que service, et analysé si l’IA pouvait les reproduire. Notre thèse est que la durabilité et la capture de valeur des entreprises d'IA dépendent en grande partie de la réussite avec laquelle elles peuvent migrer du premier ensemble de propriétés infrastructurelles vers le second logiciel d'entreprise.

De manière générale, nous avons identifié trois leçons instructives pour l’IA à partir de notre analyse historique. Premièrement, les fournisseurs d’infrastructures captent rarement la valeur qu’ils créent. Dans les secteurs des chemins de fer, de l’électricité, des télécommunications et des compagnies aériennes, les entreprises qui ont renforcé leurs capacités ont finalement été mises en concurrence, réglementées ou marchandisées avec de minces marges. Dans de nombreux cas, ils ont été complètement détruits. Lors du développement des télécommunications et de la fibre optique à la fin des années 1990, la capacité a explosé 186 000 fois en sept ans, les prix se sont effondrés et environ 2 000 milliards de dollars de capitalisation boursière ont été effacés. La valeur générée par l’infrastructure revenait principalement aux industries et aux applications construites sur celle-ci. L'aviation commerciale a détruit le capital des investisseurs pendant huit décennies, car les marges nettes typiques sont de 2 à 4 %, souvent inférieures au coût du capital – alors même que les entreprises de tous bords ont bénéficié d'une économie mondialisée.

Nous pensons que l’IA, du moins sous sa forme hyperscaler actuelle, risque de tomber dans le même piège marchand qui a tourmenté tant de constructeurs d’infrastructures précédents. Carlota Perez a théorisé le phénomène paradoxal selon lequel les constructeurs qui créent des infrastructures pendant la « période d'installation » survivent rarement pour capter la valeur qu'elles créent.

Deuxièmement, les logiciels d'entreprise ne sont pas soumis à ce modèle et échappent au piège grâce à un ensemble de mécanismes spécifiques et reproductibles. Là où les entreprises d'infrastructure ont connu des difficultés, les logiciels d'entreprise ont maintenu des marges brutes de 75 % ou plus pendant des décennies. Pour ce faire, il combine trois propriétés qui manquent aux entreprises d'infrastructure : un coût marginal de reproduction nul, des coûts de commutation importants et une valeur non éphémère qui permet d'amortir les coûts de construction fixes sur des décennies. Les stratégies de verrouillage des laboratoires d'IA sont mieux comprises comme des tentatives d'importer ces propriétés structurelles des logiciels dans l'IA.

Enfin, deux exceptions partielles révèlent ce qu'il faudra peut-être à l'IA pour battre les probabilités historiques. Deux entreprises d’infrastructure – le cloud computing et la fabrication de puces – ont réussi à échapper au piège des matières premières. Le cloud a acquis des propriétés de type logiciel (verrouillage des services gérés, frais de sortie, accords de dépenses engagées) et TSMC a atteint une position de quasi-monopole dans la fabrication de pointe. Ces cas sont importants car ils montrent ce qu’il faut réellement pour sortir du piège des marchandises. Les industries à forte intensité de capital peuvent maintenir des marges durables, mais seulement en devenant fonctionnellement des logiciels ou en parvenant à une concentration du marché.

Pourquoi nous pensons que facturer l'inférence de modèle ne permettra pas de récupérer les investissements dans les infrastructures

Comme indiqué, les critiques du développement de l’IA soulignent les pertes actuelles des laboratoires et l’augmentation des premiers bénéfices, mais tous deux commettent la même erreur : confondre la période de transition avec l’équilibre. Nous n’en sommes qu’aux premières années de la transformation de l’économie par l’IA, et les extrapolations naïves sont erronées. À l'équilibre, l'offre et la demande seront très différentes de ce qu'elles sont aujourd'hui.

Quelques exemples de la fortune fluctuante des laboratoires d'IA jusqu'à présent : une construction massive et spéculative d'infrastructures qui était sans doute en avance sur la demande ; le moment Deepseek au cours duquel les modèles à poids ouvert ont presque rattrapé la frontière ; une augmentation de la demande à mesure que les entreprises ont adopté les agents d'IA, souvent accompagnée de pratiques irrationnelles et inutiles telles que les classements de jetons, conduisant à une soi-disant ère de rareté des jetons ; et, plus récemment, un nouvel élan en faveur d'un écosystème open source compétitif alors que les entreprises reconsidèrent leurs dépenses en modèles pionniers.

Ces hauts et ces bas ont de nombreux parallèles dans les études de cas historiques mentionnées ci-dessus. Les chemins de fer ont d’abord connu une frénésie spéculative (la folie ferroviaire des années 1840 en Grande-Bretagne). En Amérique, au fil du temps, la demande a dépassé la capacité, ce qui a entraîné des rendements directs et indirects estimés à 15 % par an sur le capital ferroviaire jusqu'en 1860 – un énorme pour l'époque. Mais à mesure que le réseau s'est développé, la capacité a rattrapé la demande, la concurrence a réduit les marges et de nombreuses compagnies ferroviaires ont fait faillite.

Pour mieux prévoir les perspectives à long terme des laboratoires, il faut prendre du recul par rapport aux fluctuations annuelles et trimestrielles des résultats financiers et des récits, puis ancrer l’analyse dans la théorie économique. Un concept clé est le paradoxe de Bertrand : lorsque des entreprises vendent un produit homogène — ici, l’inférence de modèles de pointe — la concurrence par les prix les pousse à vendre chaque unité, ou token, à son coût marginal de production.

L’analyse théorique est importante car la question de savoir dans quelle mesure les données historiques prédisent le sort de l’industrie de l’IA est contestée. Par exemple, notre collègue Mihir Kshirsagar identifie la réglementation comme la principale raison pour laquelle les entreprises ferroviaires, électriques et de télécommunications n'ont pas pu extraire le surplus généré par leurs infrastructures, plutôt que de le considérer comme une conséquence inhérente de leur économie. Ainsi, la théorie nous donne une raison supplémentaire de s’attendre à un ciseaument des marges. Bien qu'il soit facile d'échapper au paradoxe théorique en pratique, nous pensons que l'inférence de modèle contient une version inhabituellement pure des conditions qui produisent le paradoxe :

• Les modèles sont largement indifférenciés. Au moins trois entreprises, OpenAI, Anthropic et Google, ont réussi à rester à la frontière et à produire des modèles qui se comportent et fonctionnent de manière similaire. En outre, pour une fraction croissante de cas d'utilisation, les performances de pointe ne sont pas nécessaires et les modèles ouverts sont assez bons. De plus, la quasi-équivalence des modèles est facilement observée ou perçue par les clients, car il existe des centaines de références sur lesquelles les modèles sont régulièrement évalués et les modèles frontières ont tous tendance à se regrouper près du sommet.

  Comme un contraste révélateur avec un autre secteur, Apple maintient des marges élevées en échappant à cet aspect de la concurrence de Bertrand. Il résiste à la concurrence sur des dimensions de performance objectivement observables (gigahertz, mégapixels), mais plutôt sur des résultats publicitaires et des qualités ineffables (« ça marche ») et crée une forte différenciation de marque.

• Les fournisseurs ont tous des coûts d'investissement similaires. Les connaissances en IA se diffusent rapidement ; les principaux paradigmes du développement de modèles – mise à l’échelle du modèle, mise à l’échelle de l’inférence, apprentissage par renforcement, etc. – ont tous progressé presque de manière synchronisée. Ainsi, pour produire un jeton avec une qualité de sortie donnée, les laboratoires dépensent tous des sommes similaires en formation. Dans un avenir hypothétique où la frontière n'évolue pas aussi rapidement, les coûts seront dominés par l'inférence, et le coût de l'inférence a tendance à être encore plus similaire au coût de la formation.

• Manque de différenciation géographique. Dans le cas des chemins de fer, une mosaïque de monopoles locaux et de capacités captives ont fourni une certaine défense contre la compression des marges. Le secteur de l’inférence de l’IA ne dispose pas de cette différenciation, et les entreprises peuvent servir efficacement l’ensemble du marché. Même s'il existe aujourd'hui une contrainte de capacité symbolique, nous nous attendons à ce qu'elle soit temporaire.

• Les prix peuvent être modifiés librement, sans collusion. Les chemins de fer et les services publics ont pu s’entendre tacitement ou explicitement pour maintenir des prix élevés à certains moments de leur histoire. Mais cela est très peu probable avec les modèles d’IA, car il existe une concurrence féroce de la part des modèles subfrontaliers.

• Les coûts de changement sont minimes. Même les frictions liées à la migration des API sont largement éliminées par une couche de routage outils.1

Une réponse potentielle à tout cela est d’affirmer que l’ampleur de la compression des marges n’a pas d’importance, car les entreprises d’IA se contenteront de compenser en volume. Mais les chiffres ne fonctionnent pas. Si nous supposons une marge nette de 5 % – bien supérieure à celle des compagnies aériennes – et la nécessité de récupérer les 4 à 8 000 milliards de dollars susmentionnés d’investissement sur un horizon de 5 ans, nous nous retrouvons avec un besoin de 16 à 32 000 milliards de dollars de revenus annuels, dont l’extrémité supérieure représente un quart du PIB mondial actuel.

Adopter cette perspective à plus long terme, fondée sur l'histoire et la théorie économique, nous permet d'ignorer plusieurs facteurs sur lesquels d'autres analystes ont tendance à se pencher de manière critique. Pour l’instant, nous sommes dans une période où des formations massives et à forte intensité de capital continuent de produire de meilleurs modèles. Cela oblige les laboratoires à rester sur un tapis roulant de mise à niveau dans lequel ils réinvestissent leurs revenus dans la formation (et plus encore) en effectuant des investissements toujours plus élevés. Lorsque ce tapis roulant ralentira2, l’entreprise atteindra une nouvelle étape d’équilibre qui sera probablement très différente de celle d’aujourd’hui. Dans cet état, trois facteurs qui dominent actuellement le débat auront beaucoup moins d’importance qu’il n’y paraît aujourd’hui.

Le premier est la baisse des prix symboliques entraînée par les améliorations de l’efficacité, que les critiques citent comme la preuve d’un nivellement par le bas qui réduira la taille du gâteau. À notre avis, s’il est vrai que les prix des jetons ont chuté rapidement (et que cette tendance va probablement se poursuivre), cela ne constitue pas nécessairement un problème pour les laboratoires. Selon la forme de la courbe de demande, libérer la demande pourrait plus que compenser la baisse des prix — ce qu'on appelle le paradoxe de Jevons, dans lequel les gains d'efficacité conduisent à une consommation plus importante (et non moindre) d'une ressource.

La seconde est la rareté des jetons, que les promoteurs citent comme preuve du pouvoir de fixation des prix des laboratoires. Toutefois, toute pénurie est probablement un phénomène temporaire qui sera atténué ou éliminé par une combinaison d’investissements dans les infrastructures et d’améliorations algorithmiques. Il est donc peu probable que la rareté des jetons permette aux laboratoires d'augmenter leurs marges.

Le troisième facteur qui domine le discours actuel est la volonté de payer. Les critiques prédisent parfois que la demande s’évaporera lorsque les laboratoires mettront fin à leurs abonnements subventionnés et inférieurs aux coûts. Mais cela considère la volonté de payer comme une quantité fixe, quelque chose qui peut être extrapolé à partir d’aujourd’hui. À long terme, nous pensons que l’IA jouera un rôle essentiel dans la plupart des travaux liés au savoir et que la technologie sera aussi transformatrice que la révolution industrielle. Dans une transition de cette ampleur, la volonté de payer est potentiellement énorme.

En d’autres termes, il faut faire la distinction entre la création de valeur et la capture de valeur. Nous nous attendons à ce que la valeur créée soit insondable. La question centrale – peut-être même existentielle – pour les laboratoires est de savoir s’ils seront capables de capturer ne serait-ce qu’un petit pourcentage de cette valeur. Quelle fraction de la valeur créée par l’IA pour une entreprise cette entreprise sera-t-elle prête à payer les fournisseurs d’IA ? Il ne s’agit pas d’un nombre flottant et déterminé de manière exogène. Cela dépend en grande partie de la mesure dans laquelle les laboratoires d’IA sont capables d’échapper au piège des marchandises.

Comme nous l’expliquons ci-dessous, le moyen le plus fiable d’échapper au piège des matières premières est de descendre en aval de la chaîne de valeur économique (dans le cas de l’IA, cela signifie monter « dans la hiérarchie »). La transition de la vente d'infrastructures physiques ou de produits à des offres groupées comprenant des services est parfois appelée « servitisation ». Par exemple, à mesure que le matériel devenait banalisé, IBM a réussi sa transition vers une société de services, pour finalement vendre sa division PC à Lenovo. Les sociétés de télécommunications ont également déployé des efforts soutenus et acharnés pour éviter de devenir des « idiots », mais sans succès. La valeur a plutôt été captée par les applications qui utilisaient l’infrastructure, conduisant à l’essor des Big Tech. Nous pensons que les laboratoires sont désormais confrontés à la même fourchette : capturer de la valeur dans les couches situées au-dessus des modèles, ou regarder d'autres créer des entreprises lucratives en plus de l'infrastructure qu'ils ont construite et payée.

Comment les laboratoires réagissent

Pour résumer notre argument jusqu'à présent, notre analyse historique ainsi que notre théorie économique suggèrent qu'il n'existe que deux voies plausibles pour sortir du piège des matières premières : établir un contrôle de type monopolistique sur le marché, ou capturer de la valeur aux niveaux supérieurs de la pile, souvent accompagné d'une augmentation des coûts de changement.

Nous pensons que la première route est peu probable et que la frontière restera compétitive. Les partisans de l’exceptionnalisme en matière d’IA pourraient ne pas être d’accord et prévoir un développement sans précédent historique : une discontinuité des capacités si dramatique qu’elle remodèle entièrement le paysage concurrentiel. Dans ce scénario de « décollage brutal », un ou plusieurs laboratoires parviennent à s’auto-améliorer de manière récursive, rendant les paramètres économiques actuels largement hors de propos.

Dans notre article complet, nous expliquons pourquoi ce scénario est hautement invraisemblable. Pour l’instant, nous soulignons que de nombreux décideurs politiques, investisseurs et autres parties prenantes ne sont pas à l’aise parier sur une telle possibilité et doivent plutôt planifier un scénario dans lequel cela ne se produira pas.

Cela laisse la progression dans la pile comme la voie à suivre la plus probable. Nous pensons que les entreprises d’IA sont bien conscientes du piège des matières premières ; ils sont en pleine transition au-delà du statut de purs fournisseurs d'inférences (c'est-à-dire vendant des jetons indifférenciés via des API de modèle) et cherchent à poursuivre la capture de valeur aux couches supérieures de la pile. Nous n’en sommes qu’aux premiers balbutiements de ces efforts et de nombreuses stratégies nouvelles et plus systématiques sont susceptibles d’émerger (nous en examinerons quelques-unes dans la section suivante). Mais déjà, certains efforts sont visibles.

• Les produits tels que ChatGPT ou Claude Code se trouvent à un niveau supérieur aux modèles. Les produits ne sont pas interchangeables comme le sont les modèles, pour une multitude de raisons techniques, contractuelles et comportementales, comme nous l'expliquons dans la section suivante. Dans le cas de OpenAI, c'est ChatGPT, et non l'API OpenAI, qui représente depuis longtemps la majorité de ses revenus. Début 2026, les revenus de Anthropic étaient encore dominés par son API, mais avec la croissance explosive de Claude Code, cela pourrait ne plus durer très longtemps.

• La couche suivante de la pile est le SaaS natif d'IA ou « intelligence en tant que service », et les laboratoires ont fait des premiers pas dans cette direction : la fonctionnalité connaissance de l'entreprise de ChatGPT et la vision de Anthropic des agents à l'intérieur du système d'enregistrement. Cependant, il s'agit du niveau dans lequel les laboratoires sont les plus vulnérables aux opérateurs SaaS existants, notamment Microsoft.

• Les entreprises d'IA recherchent également des déploiements sur mesure et une refonte des flux de travail, par le biais d'ingénieurs déployés à l'avance et de partenariats avec des sociétés de conseil. Cela ne rentre pas proprement dans la pile. La pile suppose un équilibre dans lequel les lieux de travail ont été transformés grâce à l'IA, alors que cette catégorie consiste à tenter de monétiser la transformation elle-même.

• La voie la plus spéculative, et potentiellement la plus lucrative, pour capturer de la valeur est la couche supérieure de la pile : l'idée des agents d'IA en tant que "travailleurs numériques". De nombreuses entreprises vantaient cette idée. La première version d'une grande entreprise d'IA qui a été conçue pour fonctionner de manière analogue à un travailleur numérique plutôt qu'à un outil est peut-être Claude Tag, lancée en juin 2026. Un travailleur numérique intégré à chaque équipe d'une entreprise devient rapidement une réserve de connaissances tacites pour l'ensemble de l'organisation et devient essentiel aux flux de travail et aux processus métier des différentes équipes. À moins que la portabilité ne soit explicitement intégrée, il devient un employé numérique qui ne peut effectivement pas être licencié, créant un niveau de verrouillage qui dépasse celui des logiciels d'entreprise dans leur pire état. Lorsque les entreprises vendent des travailleurs numériques, le marché total adressable correspond à la totalité des dépenses de main-d’œuvre de l’économie, bien plus importantes que les budgets informatiques des entreprises. Mais c’est précisément pour ces raisons que cette vision rencontrera probablement le plus de résistance de la part des entreprises.

L'illustration de couverture redessinée résume certains de ces efforts en cours. Notez que la pile décrit ce que le client paie, et non l'unité de facturation. La tarification des jetons peut être utilisée à n’importe quelle couche de la pile, et d’autres unités (abonnements, résultats) peuvent être utilisées en combinaison ou en remplacement aux couches supérieures. C’est le type de valeur à chaque couche de la pile qui détermine si le piège des matières premières s’applique, et non le modèle de tarification. Nous discutons des stratégies de tarification plus en détail dans la section suivante.

Un élément clé de cet essai est que les entreprises qui opèrent à un niveau plus élevé dans cette pile peuvent capter une plus grande part de la valeur qu'elles créent. Ils peuvent mieux différencier leurs offres et créer une variété de fossés (comme nous l'expliquons ci-dessous), dont beaucoup sont sans doute nouveaux et plus puissants que les logiciels d'entreprise dont bénéficient.

Une mise en garde importante : pour que les laboratoires d'IA, en particulier OpenAI et Anthropic, puissent progresser dans la hiérarchie, ils doivent rivaliser avec des opérateurs historiques plus importants qui bénéficient de nombreux avantages, notamment les canaux de distribution existants et les relations approfondies avec les clients de l'entreprise. Google bénéficie d'une intégration verticale facile dans sa gamme de produits grand public existante. Les opérateurs SaaS, notamment Microsoft, parient qu’ils pourront déchiffrer le modèle de « l’intelligence en tant que service » plus rapidement que les laboratoires d’IA. Cette inégalité remodèle la dynamique concurrentielle de l'écosystème de l'IA et met en évidence des différences importantes entre les principaux acteurs qui tentent de gravir les échelons de la valeur.

Monter dans la pile ouvre un ensemble de douves variées et puissantes

Comment gravir les échelons permet-il aux entreprises d'échapper au piège des matières premières ? La réponse n’est pas simplement que les couches supérieures créent davantage de valeur économique. C’est qu’ils rendent la valeur capturable et durable : opérer plus haut dans la pile permet aux laboratoires de distinguer leurs offres et de construire des coûts de verrouillage et de changement d’un type inaccessible aux vendeurs d’inférence brute, c’est-à-dire les fournisseurs d’API. Ils permettent effectivement aux entreprises d’IA d’échapper au manque de différenciation qui est au cœur du paradoxe de Bertrand. Les progressions dans la pile ne sont pas seulement des stratégies de nouveaux produits ; ce sont des stratégies de construction de douves. Dans cette section, nous examinons plusieurs types de douves : certaines que les laboratoires sont déjà en train de construire, et d'autres qu'ils pourraient construire à l'avenir.

Pour identifier les obstacles qui s'ouvrent à mesure que les entreprises d'IA quittent la couche modèle, nous avons examiné comment les éditeurs de logiciels d'entreprise génèrent un pouvoir de tarification et captent de la valeur, puis analysé lesquelles de ces stratégies sont susceptibles d'être applicables aux entreprises d'IA et quelles nouvelles deviennent disponibles.

Nous notons deux nuances importantes avant de plonger dans le vif du sujet. Premièrement, même si les fossés sont des moyens de défendre les parts de marché contre les concurrents, notre intérêt est d'analyser la capacité des entreprises d'IA à capter la valeur qu'elles créent pour les clients. Néanmoins, les stratégies impliquées sont en grande partie les mêmes, car toutes deux nécessitent d'éviter une course aux prix vers le bas.

Deuxièmement, notre analyse se concentre sur le marché des entreprises, car nous pensons qu'il représentera l'essentiel des revenus. OpenAI a récemment pivoté dans cette direction, tandis que Anthropic s'est constamment concentré sur l'entreprise. S'il est possible que les produits de consommation générés par la publicité constituent une source de revenus importante à l'avenir, jouant ainsi un rôle pour échapper au piège des matières premières, cela ne remet pas en cause notre thèse sur les fossés des entreprises.

1. Intégration de fossés : les modèles d'IA sont quelque chose que les clients invoquent dans leurs flux de travail. Mais une autre vision de l’IA est celle d’un système dans lequel le client habite. Cette dernière est plus propice à la construction de douves.

Même si le modèle sous-jacent reste interchangeable, l'état qui l'entoure pour un client donné peut ne pas l'être. Au fil du temps, cet état s'accumule : mémoire persistante et historique des conversations, corpus de documents téléchargés et index de récupération, compétences personnalisées ou suites d'évaluation, flux de travail et processus métier, et diverses formes de réglage ou de personnalisation. Cette « gravité des données » est en grande partie ce qui donne aux logiciels d'entreprise leur rigidité, et pourquoi leur remplacement a été décrit comme une « chirurgie à cœur ouvert ».

Tous deux OpenAI (Company Knowledge) et Anthropic (Claude Cowork, le partenariat PwC) poursuivent déjà ces voies. La durabilité de ces stratégies reste une question ouverte. L’une des complications est que les données qui pourraient aider à créer des fossés se trouvent généralement sur les serveurs des entreprises dans des systèmes établis comme Salesforce, Workday et SAP, largement inaccessibles aux laboratoires d’IA. Pour surmonter ce problème, les sociétés d’IA pourraient créer des fossés en contrôlant les couches d’orchestration occupées par les agents, fournissant ainsi efficacement le tissu conjonctif qui relie les flux de travail d’une organisation. Cependant, si les normes ouvertes maintiennent la couche d'orchestration fine et échangeable, la valeur pourrait finalement revenir aux intégrateurs agents et aux entreprises plutôt qu'aux laboratoires eux-mêmes.

2. Fossés de l'écosystème : les logiciels d'entreprise tels que Windows, GitHub et SAP ont tous bénéficié du fait qu'à mesure qu'ils gagnaient plus de clients ou de développeurs s'appuyant sur la plate-forme, la valeur de celle-ci augmentait. Le marché de l’IA ne ne présente pas encore de fortes douves au niveau de l’écosystème. Les laboratoires ont fait des efforts pour créer des marchés bifaces au-dessus de l'IA en tant que plate-forme, mais jusqu'à présent, ces efforts ont échoué (boutique GPT) ou sont trop limités pour créer des coûts de changement significatifs (plugins Claude).

Un type d'effet de réseau très discuté mais pas encore réalisé est le « volant » de formation de modèles ou de systèmes d'IA utilisant l'adresse IP des clients, qu'il s'agisse de données, d'environnements dans lesquels les agents s'exécutent, de traces d'exécution de ces agents ou de suites d'évaluation privées. Jusqu’à présent, les entreprises ont hésité à permettre aux développeurs d’IA d’utiliser leur propriété intellectuelle de cette manière, mais cela pourrait changer à l’avenir. Après tout, il suffit qu'un seul client (convenablement incité) dans chaque secteur fasse défection pour mettre un volant d'inertie en mouvement.

3. Fossés commerciaux : cette catégorie couvre une gamme de stratégies familières, largement empruntées aux logiciels d'entreprise et au cloud computing. Les contrats commerciaux peuvent inclure divers mécanismes (accords pluriannuels, niveaux de dépenses engagées, crédits prépayés) qui rendent non rentable la défection vers des concurrents. Les laboratoires déploient déjà certains de ces mécanismes dans leurs accords d’entreprise, mais la pérennité de ce fossé est également discutable. Les équipes d'achats sophistiquées des entreprises exigeront la portabilité avant de signer, et le verrouillage contractuel est très lisible pour les régulateurs antitrust.

L'intégration verticale offre une version plus puissante de la même logique commerciale. Lorsqu'un assistant d'IA est intégré à un logiciel qu'une entreprise paie déjà (Copilot dans Microsoft 365, Gemini dans Google Workspace), le coût marginal de l'IA semble être nul, ce qui rend difficile la concurrence sur les prix pour les concurrents autonomes. Les acteurs intégrés peuvent également exploiter les relations de vente et d’approvisionnement existantes : au lieu de gagner une nouvelle ligne budgétaire, ils intègrent simplement l’IA dans une conversation de renouvellement de logiciels pour lesquels le client s’est déjà engagé. Bien entendu, cette stratégie n’est disponible que pour les opérateurs historiques intégrés comme Google et Microsoft. Comme indiqué ci-dessus, cela signifie que les laboratoires autonomes comme OpenAI ou Anthropic doivent rivaliser sur des règles du jeu structurellement inégales, louant souvent l'infrastructure aux entreprises mêmes auxquelles ils sont confrontés.

4. Fossés comportementaux : Alors que les fossés évoqués ci-dessus fonctionnent via des mécanismes techniques ou commerciaux, les fossés comportementaux fonctionnent via les humains qui utilisent les systèmes d'IA. Tout comme les vagues précédentes de logiciels d'entreprise (Microsoft Excel, systèmes CRM), l'utilisation d'outils d'IA peut conduire à une érosion des compétences pour effectuer des tâches sans aide, tout en développant des compétences spécifiques au fournisseur dans la conduite de produits agentiques, créant ainsi une dépendance. Il s'agit d'un domaine où les enjeux sociétaux peuvent être aigus, au-delà de ses implications en matière de capture de valeur : l'érosion des compétences pourrait avoir de profondes implications sur la résilience de la main-d'œuvre, la sécurité et la répartition du pouvoir entre les personnes et les systèmes d'IA.

Mais les fossés comportementaux incluent également des formes nouvelles et mal comprises de verrouillage de l'IA qui n'ont pas d'analogue clair dans les logiciels antérieurs. Une manifestation notable est l’attachement relationnel au ton ou à la « personnalité » d’un modèle, comme l’a clairement démontré le retour de bâton de #Keep4o, lorsque OpenAI a été contraint de rétablir GPT-4o en réponse aux demandes des utilisateurs. De manière plus spéculative, pour le travail collaboratif de connaissances tel que l’écriture ou le travail exigeant du jugement (par opposition à l’automatisation), la qualité de la contribution de l’IA est difficile à vérifier pour l’acheteur même après coup, car il n’existe pas de normes objectives. Cela fait de ce travail ce qu'on appelle un bon de crédibilité, semblable à celui des avocats et des consultants. Incapables de comparer la qualité, les acheteurs de produits de confiance ont tendance à se fier à la réputation et à la confiance. Cela atténue la concurrence sur les prix et ralentit le changement, même lorsque le coût technique du changement est proche de zéro.

5. Stratégies de tarification : Cette voie est complémentaire ou additive à celles évoquées ci-dessus et décrit une manière dont les laboratoires pourraient être en mesure de capturer plus de valeur une fois qu'ils ont atteint le verrouillage et sont en mesure d'exercer un pouvoir de tarification. L’idée est que les laboratoires pourraient être en mesure de surmonter le piège des marchandises en facturant les résultats (un pourcentage des coûts économisés, des frais par ticket d’assistance résolu) plutôt que des jetons. C'est la thèse explicite derrière la déclaration de OpenAI Sarah Friar, directrice financière, selon laquelle les revenus devraient « évoluer avec la valeur de l'intelligence ».

Cependant, cela est peu probable à court terme. La tarification par résultat nécessite de résoudre un problème de mesure complexe. Les laboratoires n’ont pas construit l’infrastructure nécessaire pour mesurer et comprendre les processus métier des clients, ni pour suivre – et encore moins évaluer – les différents résultats. Sans cette visibilité, les mesures de résultats invitent les deux parties à jouer : des frais par ticket résolu incitent les clients à regrouper plusieurs problèmes dans un seul ticket et les fournisseurs à clôturer les tickets sans nécessairement les résoudre. En outre, les résultats varient selon les secteurs verticaux et selon les entreprises, et les laboratoires d’IA ne disposent pas des équipes clients intégrées que les fournisseurs SaaS ont passé des décennies à mettre en place afin d’obtenir ce type de visibilité en aval. Pourtant, certaines entreprises d’IA tentent d’innover sur ce front. Si les laboratoires d'IA parviennent à migrer vers des systèmes d'enregistrement, les défis pourront être résolus avec suffisamment d'investissements.

Implications plus larges de ce changement

Les questions soulevées par notre analyse ont une incidence significative sur l’avenir de l’économie de l’IA, mais elles s’étendent bien au-delà des perspectives de n’importe quelle entreprise d’IA individuelle. Ils touchent à la structure des marchés numériques, à la répartition du pouvoir économique et au type d'écosystème d'innovation que l'IA est susceptible de produire.

Si les laboratoires ne parviennent pas à échapper au piège des matières premières, les conséquences sont avant tout financières : une crise potentielle de confiance dans l’une des plus grandes acquisitions de capitaux de l’histoire économique, avec des répercussions sur le secteur technologique au sens large et sur les marchés en général. Mais s’ils réussissent – ​​en particulier s’ils parviennent à augmenter les coûts de changement et à établir une dépendance client – ​​les conséquences semblent différentes et, à certains égards, plus préoccupantes. Cela augmenterait les coûts pour chaque entreprise qui dépend de l'IA et placerait un petit nombre d'acteurs dans une position d'avantage structurel qui sera difficile à contester plus tard.

Quelques questions en particulier méritent d'être prises au sérieux maintenant, avant que les fossés concernés ne se soient durcis :

• Les laboratoires peuvent-ils créer des entreprises durables sans exclure la concurrence et sans répéter les anciens schémas de concentration nuisibles ?

• Les stratégies efficaces pour les investisseurs et les entreprises d'IA peuvent-elles également générer une valeur sociale plus large, ou la capture de valeur dans l'IA se fait-elle au détriment de l'écosystème environnant ?

• Les gains de l'IA seront-ils diffus (revenant principalement aux entreprises qui la déploient et à l'économie dans son ensemble) ou concentrés (en grande partie captés par les hyperscalers, les laboratoires d'IA pionniers, les opérateurs SaaS historiques et les investisseurs) ?

Il reste beaucoup d'incertitude sur ces questions, mais l'histoire suggère que le moment est venu d'établir des normes d'interopérabilité, des exigences de portabilité et une transparence des coûts de changement, avant que les composés de verrouillage et les interventions ne deviennent structurellement plus difficiles. Heureusement, les autorités de la concurrence telles que la FTC américaine et la CMA britannique surveillent cet espace, mais jusqu'à présent, elles semblent avoir concentré leur analyse sur les couches inférieures de la pile. Notre analyse montre qu'ils doivent élargir leur vision.

Nous remercions Sayash Kapoor pour ses commentaires sur une ébauche.

Lectures complémentaires

Bien que de nombreux aspects de notre argument soient au moins quelque peu nouveaux, l’argument de « l’absence de douves » en lui-même n’est pas nouveau. Sa première articulation importante (à notre connaissance) remonte à plus de trois ans, dans un document Google divulgué. De nombreux commentateurs tels que Gary Marcus, Ed Zitron et Cory Doctorow ont insisté sans relâche sur ce point ou sur des variantes de celui-ci.

Ce qui est peut-être nouveau dans notre analyse, c'est de s'appuyer sur des parallèles historiques et de montrer que l'inférence de modèle correspond encore mieux que ces précédents aux conditions préalables à une concurrence ruineuse. Là où nous différons définitivement de ceux qui prédisent une bulle, c'est en reconnaissant que (1) la pile d'IA est assez épaisse et que le piège des matières premières ne s'applique qu'au niveau de la couche modèle (2) les laboratoires sont parfaitement conscients du problème et (3) ont migré furieusement pour s'en sortir.

Beaucoup d'autres sont pessimistes sur les laboratoires, notamment Benedikt Evans et Luis Garicano et Jesús Saa-Requejo. Ces derniers soutiennent que la capture de valeur aura lieu à la fois au sommet de la chaîne de valeur, chez les fournisseurs de matériel et de matériel physique, [en raison du goulot d'étranglement informatique], et dans la couche de mise en œuvre, où les modèles sont mis en œuvre et où la contrainte contraignante est organisationnelle et non technique. Nous sommes largement d'accord. Mais ils concluent que les laboratoires ne seront pas en mesure de capter beaucoup de valeur. L'hypothèse implicite semble être que les laboratoires se limitent à être des fournisseurs de modèles, ce qui, à notre avis, est une notion de plus en plus dépassée.

Semianalysis affirme que les laboratoires seront en mesure de maintenir des marges brutes élevées en raison de la rareté des ressources informatiques. Nous pensons qu'il s'agit d'une situation temporaire.

Le plus proche de notre réflexion est notre collègue du CITP de Princeton, Mihir Kshirsagar, qui a écrit une série de quatre articles sur ce sujet. Bien que nous ayons bénéficié des conversations avec Kshirsagar, notre réflexion s’est développée en grande partie de manière indépendante, avec de nombreux points d’accord et quelques points de désaccord. Comme Kshirsagar, nous pensons que le développement rapide de l’IA n’aurait aucun sens économique sans la promesse de verrouillage. Son analyse identifie les coalitions entre les hyperscalers et les laboratoires d'IA (tels que Microsoft-OpenAI et Amazon-Anthropic) comme le principal véhicule de verrouillage, ce qui est légèrement différent de notre diagnostic.

Nathan Lambert propose une vision de la façon dont tout cela pourrait se dérouler : une économie de l'IA à deux vitesses dans laquelle les clients qui sont eux-mêmes à la frontière du travail de la connaissance paient des primes élevées pour des produits et services « haut de gamme » basés sur des modèles d'avant-garde issus des principaux laboratoires, tandis que tous les autres se contentent de l'écosystème de modèles ouverts. L'une de ses prédictions est plus précise que la nôtre : les laboratoires pionniers laisseront leurs activités API se dégrader afin de protéger leurs offres à marge plus élevée.

1

Le modèle théorique derrière le paradoxe de Bertrand est un jeu ponctuel et les coûts de changement n'entrent pas dans l'équation, mais bien sûr, dans la pratique, nous devons les prendre en compte.

2

Cela ne veut pas dire que l'IA cessera de s'améliorer : d'autres voies telles que la mise à l'échelle de l'inférence et de meilleurs outils resteront.