AI-gent Provocateur

[Ne manquez pas mon interview cette semaine (11 septembre !) sur l'IA avec Erik Townsend sur Macrovoices, le premier podcast mondial de macroéconomie] La semaine dernière, j'ai brûlé quatre milliards de tokens en une seule journée.

Pas mon entreprise. Moi. Une personne, un clavier, une carte de crédit qui gémissait doucement dans son coin.

Pendant 17 ans, j'ai essayé d'obtenir de mon équipe un rapport Daily Stats avant 9h30 : ce qui s'est passé pendant la nuit chez Freelancer ; ce qui a augmenté ou baissé, et pourquoi ? C'est en partie pour comprendre ce qui se passe dans l'entreprise et en partie pour développer la culture des données. Pourtant, malgré une équipe très compétente, j'ai échoué dans cette quête d'un rapport matinal régulier à l'heure ; en partie à cause de la rotation du rapport entre tous les employés, en partie parce que nous opérons dans des fuseaux horaires différents, et bien, en partie parce qu'ils sont humains, ce rapport arrivait rarement avant 9h30, parfois à 10h30, parfois l'après-midi, parfois pas du tout (peut-être que quelqu'un est malade, a oublié que c'était son tour ou est occupé par une urgence).

J'ai connecté un agent à notre base de données, à nos outils d'analyse, à notre code source et à notre système de tickets, et maintenant j'ai Daily Stats livré chaque matin à 7h, sous une forme, une qualité et une sophistication supérieures à ce qu'une équipe humaine pourrait maintenir. Dix-sept ans d'ingénierie de processus, résolus en supprimant le roulement. Le rapport n'a jamais été un problème de talent. C'était un problème d'automatisation, et l'automatisation, c'est le travail des machines.

J'ai maintenant écrit une cinquantaine d'agents pour exécuter des workflows pour différentes équipes chez Freelancer. Ils produisent des rapports, ils traitent des files d'attente, ils répondent à des questions, ils exécutent des workflows, ils rapprochent des données, ils relancent des choses. Et j'ai fait tout cela en l'espace d'un mois. J'ai continué le processus de production de Daily Stats également par des humains, pour développer la culture des données dans toute l'entreprise, et maintenant j'ai un agent qui, avec un brin d'audace, coache et critique ces rapports quand ils (finissent par) sortir.

Mes agents travaillent pendant que je dors, ce qui semble merveilleux jusqu'à ce que vous réalisiez que le compteur tourne aussi pendant que je dors.

C'est dingue. J'ai créé un agent de ticketing pour rédiger des bugs et des demandes de fonctionnalités à partir d'un agent de signalement de bugs que j'avais écrit pour analyser les rapports générés par les utilisateurs, et les autres agents, comme mon analyseur de dépôts qui recherche les problèmes de paiement, ont commencé à envoyer des bugs à rédiger, sans demander.

L'analyseur de dépôts a, de sa propre initiative, commencé à alimenter le système de ticketing en bugs.

J'ai été complètement et totalement 'redpillé' par mon propre produit.

C'est Factorio, dans la vraie vie. IYKYK.

Si vous ne comprenez pas ce que je veux dire, alors ne téléchargez catégoriquement pas Factorio et ne le lancez sous aucun prétexte. C'est un jeu sur la construction d'une usine. C'est plus addictif que le crack, et contrairement au crack, il est livré avec un fichier de sauvegarde. Vous vous réveillerez à 4h du matin pour optimiser un bus de cuivre que vous démonterez à 5h, parce que l'usine doit grandir, et l'usine n'est jamais finie.

Crack

Ce qui est, incidemment, la boucle psychologique exacte de l'exécution d'agents : vous ne faites plus le travail, vous optimisez la chose qui fait le travail, et il s'avère que c'est le métier le plus addictif au monde. Factorio était le simulateur d'entraînement pour l'IA agentique et aucun de nous ne l'avait réalisé.

Pendant trois ans, j'ai écrit que le nombre qui compte dans l'IA n'est pas les paramètres, ce sont les tokens. Dans Pay per PrAI, le méchant était les tokens par tâche — les chaînes de raisonnement, les taxes de contexte, les modèles qui tournent en rond à vos frais. J'ai décrit le paiement par token comme le fait de mettre votre carte de crédit dans une machine à sous.

L'IA agentique, c'est ce qui se produit quand vous donnez la manette de la machine à sous à une autre machine à sous.

J'en suis à quatre milliards de tokens par jour et je n'ai même pas commencé. Ces cinquante agents sont de première génération, écrits à la main, et exécutent une poignée de workflows. Au moment où ils commenceront à générer leurs propres sous-agents, au moment où ils monteront la garde en permanence sur l'entreprise au lieu de tâches discrètes, ma consommation ne croît pas, elle se compose. La demande d'un utilisateur de chat plafonne à la vitesse de lecture. La demande d'un utilisateur d'agent plafonne à l'ambition. Il n'y a pas de point de saturation, seulement un budget, et l'ambition n'en a jamais respecté un.

AI-gent, Provocateur

Dépouillez-le des paillettes des conférences et un agent est quatre choses : un modèle, des outils, un objectif et une automatisation déclenchée par un événement (comme l'insertion de quelque chose dans une file d'attente, l'arrivée d'un nouveau client, une minuterie ou une boucle).

L'anatomie complète d'un agent IA. Les mesures sont aussi fiables que les benchmarks.

L'automatisation est l'innovation et l'automatisation est la facture. À chaque tour de boucle, par exemple, l'agent relit son contexte, reconsidère son plan, appelle un outil, examine le résultat, et recommence. La taxe de contexte dont je me suis plaint dans le dernier essai se cumule. Un agent est un modèle de raisonnement avec un abonnement à la salle de sport qu'il utilise réellement.

Un utilisateur de chat brûle des tokens en tapant. Il y avait toujours une limite de taux naturelle pour toute l'industrie : l'attention humaine. Vous ne pouvez taper qu'un certain nombre de prompts par jour, obtenir un certain nombre de réponses, lire une certaine quantité de sortie. Chaque vague informatique précédente était limitée par le servomécanisme en viande devant le clavier.

Les agents suppriment la viande. Maintenant, les ordinateurs ont toujours travaillé pendant que nous dormions. Les tâches cron, les exécutions par lots, les systèmes de trading : l'ensemble de l'informatique est une automatisation, et je l'ai dit dans chacun de ces essais. Mais chacun de ces systèmes consommait exactement le calcul qu'un humain avait scripté à l'avance. La tâche était bornée par ses instructions. Un agent est borné par son objectif. Il décide de sa propre prochaine étape, génère ses propres sous-tâches, et brûle des tokens pendant que vous dormez, pendant que vous déjeunez, pendant que vous êtes en réunion pour réduire la facture de tokens. La demande de calcul était autrefois plafonnée par ce que les humains pouvaient spécifier. Maintenant, elle est plafonnée par ce que les humains peuvent vouloir, et le vouloir se scale plutôt mieux que la spécification.

L'usine doit grandir.

Quatre milliards de tokens par jour, c'est ce qu'une personne motivée fait maintenant. Multipliez par chaque personne motivée sur Terre et reparlez-moi du surplus de calcul.

OpenAI comprenait autrefois ce que cela représentait comme étape importante. Il n'y a pas si longtemps, si vous brûliez dix milliards de tokens via leur API en un an, ils vous envoyaient un trophée. Un vrai trophée physique, pour être un utilisateur puissant. Maintenant, j'en brûle quatre cents fois plus avant le petit-déjeuner, et au lieu d'un trophée, j'obtiens une limite de taux et un délai d'attente de sept heures. La récompense pour une utilisation intensive a été remplacée par une punition, ce qui vous dit tout sur ce qui est arrivé à l'économie unitaire entre-temps.

La récompense de Retool pour avoir dépassé les dix milliards de tokens. Encadrée avec amour par l'entreprise qui sait maintenant exactement ce qu'il en coûte pour servir ces tokens.

Optimiser l'usine

La journée à quatre milliards de tokens a coûté environ 1 300 $. Environ 900 $ étaient pour Claude Sonnet, le reste réparti entre Grok et Claude Fable, tous des modèles de pointe, tous aux prix publiés. Maintenant, 1 300 $ semble presque raisonnable jusqu'à ce que vous annualisiez : près d'un demi-million de dollars par an, pour les agents d'une seule personne.

Si j'avais utilisé quatre milliards de tokens sur Opus, cela aurait coûté 80 000 $, et je ne faisais que commencer ! Je pourrais facilement me voir brûler 10x, 100x plus assez rapidement.

Stripe a regardé les données de facturation et s'est dit, il faut qu'on ait notre part.

Il doit y avoir une meilleure façon.

Mon premier passage sur les cinquante agents était, pour être indulgent, pas très efficace. Ils faisaient des choses dans la boucle, en tokens, qui n'avaient rien à faire dans les tokens : analyser, formater, filtrer, déplacer des données entre les systèmes. Un travail que le code ordinaire fait depuis cinquante ans était effectué, à grands frais, par un modèle de raisonnement, parce qu'à des tarifs d'essai, personne ne prend la peine de vérifier.

J'ai donc fait la chose évidente, qui est aussi la chose que presque personne ne fait : j'ai dit aux agents d'optimiser leur propre code. Poussez le travail déterministe hors du modèle et dans JavaScript, des scripts et cron, et gardez les tokens pour les parties qui ont réellement besoin d'un esprit. Ce seul passage a réduit les dépenses de 85 %.

La journée à quatre milliards de tokens était, après inspection, une journée à six cents millions de tokens portant un costume très cher.

Néanmoins.

Une fois que vous avez fait cette coupe, la réflexion ne s'arrête pas, car les prochains coups sont juste là sur l'échiquier. Si je peux échanger le code, je peux échanger le modèle. Les mêmes charges de travail sur GLM-5.3, qui opère non seulement au niveau d'Opus mais proche de la classe Fable, coûtent environ 150 à 200 $ pour la journée originale entière, contre mes 1 300 $, contre les 80 000 $ d'Opus. Mêmes tokens, même travail, un écart de cinq cents fois aux prix publiés, et personne n'a rien négocié.

Quiconque détient des actions d'IA à ces valorisations devrait être terrifié par la facilité avec laquelle n'importe quel utilisateur peut changer de modèle.

J'ai réduit mes coûts d'utilisation d'environ 500 fois simplement en tapant "/model glm-5.3" dans ma session.

C'est tout.

C'est toute la migration.

Pas de réécriture, pas de projet d'intégration, pas de consultants, pas de migration de données, pas de reconversion, pas de cycle d'approvisionnement de six mois. 14 frappes de touches. Considérez à quoi ont ressemblé les coûts de changement pour chaque plateforme technologique de l'histoire : changer de fournisseur de mainframe prenait une décennie. Changer de système ERP est un projet de cent millions de dollars qui ruine des carrières. Changer de fournisseur de cloud est une réécriture de plusieurs années, ce qui est précisément la raison pour laquelle les marges d'AWS existaient.

Même changer le système d'exploitation de votre téléphone vous coûte un week-end et votre santé mentale.

L'histoire entière des marges bénéficiaires de la technologie est l'histoire des coûts de changement, et l'industrie de l'IA a livré un produit dont le coût de changement est une commande slash. Ce ne sont pas seulement des coûts de changement faibles.

Ce sont les coûts de changement les plus bas de l'histoire du commerce, attachés à la construction d'infrastructure la plus chère de l'histoire du commerce.

Ces deux choses ne peuvent pas rester vraies.

Et si je peux échanger le modèle, je peux échanger la provenance du modèle.

Entrez le Dragon

Ma consommation de tokens ne va pas diminuer.

Jamais.

Les 85 % que j'ai économisés ont été immédiatement réinvestis dans plus d'agents, plus de workflows, plus d'ambition — c'est le paradoxe de Jevons.

La demande de tokens va devenir parabolique.

Ce qui s'effondre, ce n'est pas le volume. C'est la marge brute par unité de travail, et qui la perçoit.

La production du même jour qui valait 1 300 $ pour Anthropic vaut 150 $ pour Z.ai. Chaque optimisation, chaque échange de modèle, chaque boîte que j'achète augmente le travail et réduit le chèque, et je ne suis qu'un client avec une carte de crédit.

La gamme des poids ouverts. Aucun d'eux ne facture de loyer lorsqu'il est sur votre propre matériel.

Les prévisions de revenus sous-jacentes à cinq billions de dollars de construction de centres de données n'ont pas besoin que la demande de tokens croisse. Elles ont besoin que la demande de tokens croisse aux prix occidentaux gelés, servis par Anthropic et OpenAI. Chaque force tire dans l'autre sens.

Le jeu américain, ce sont les modèles fermés, les frontières verrouillées, la capture des marges et les contrôles à l'exportation — l'intelligence comme péage. Le jeu chinois est l'exact inverse : open source partout, exécuté sur du silicium national, vendu au prix coûtant ou en dessous, et le reste donné. Licences MIT sur des modèles de classe frontière. Poids sur Hugging Face le jour de la sortie. Niveaux gratuits qui ruineraient un laboratoire occidental. Ce n'est pas de la charité et ce n'est pas de la faiblesse. La Chine gagne dans tout monde où l'intelligence est une marchandise gratuite, parce que ses avantages sont la fabrication, le déploiement et l'échelle, et ils ont un milliard de personnes, dont beaucoup ne peuvent pas se permettre de payer ne serait-ce que 20 $ par mois. Elle perd dans tout monde où l'intelligence est un service public mesuré par l'Occident. Elle convertit donc systématiquement le premier en une fatalité. Les contrôles à l'exportation étaient censés étrangler l'IA chinoise. Au lieu de cela, ils ont créé un concurrent dont la stratégie entière est de faire en sorte que l'IA américaine ne gagne jamais de marge, et dont l'arme de choix est un cadeau.

Les poids ouverts représentent désormais 62 % des tokens servis sur OpenRouter. Le mouvement open source 'marginal' est le marché. (Source : OpenRouter)

Comment cela est-il financé ? Directement, délibérément, et par l'État, via des instruments qu'aucun bilan occidental ne peut égaler. Le Fonds national pour l'industrie des circuits intégrés, le Big Fund, en est à sa troisième édition avec 47,5 milliards de dollars, en plus de deux tours précédents, et ce n'est que le véhicule principal : en dessous se trouvent les fonds des gouvernements provinciaux, les lignes de crédit des banques d'État à des taux qu'aucun prêteur commercial n'accorderait, des terrains gratuits, de l'électricité subventionnée et des exonérations fiscales pour tout ce qui touche aux semi-conducteurs. SMIC et Huawei ne lèvent pas de fonds sur Sand Hill Road au coût du capital d'un VC ; ils puisent dans les banques politiques exécutant un plan national. Le résultat est une industrie qui peut perdre de l'argent indéfiniment et délibérément, ce qui est une arme concurrentielle qu'aucune entreprise occidentale en quête de marge ne peut égaler. La gamme Ascend de Huawei expédie peut-être 4 % du volume de Nvidia, limitée par les rendements de SMIC, mais le volume n'est pas le sujet : la composition l'est.

DeepSeek vient de commander 160 000 puces Ascend. GLM 5.3 Flash a lancé son lancement sur 100 000 puces chinoises, le PDG soulignant explicitement le point du silicium 100 % national. La Malaisie se tourne vers Ascend pour son IA souveraine ; Huawei soumissionne pour les centres de données du gouvernement égyptien, arrivant avec le financement de la Belt and Road et sans les contraintes des contrôles à l'exportation. La pile chinoise subventionnée n'a pas besoin de battre Nvidia sur les benchmarks. Elle doit absorber la demande chinoise et celle du Sud global, qui se trouve être exactement la demande qui était censée remplir les centres de données occidentaux.

Et les modèles eux-mêmes ne sont plus les contrefaçons bon marché du discours de 2025. GLM 5.3 opère près de la classe Fable, qui est la frontière généralement disponible d'Anthropic, à un dixième du prix, sous licence MIT, avec une fenêtre de contexte d'un million de tokens, et Z.ai rapporte que ses performances de détection de vulnérabilités sont comparables à celles du Mythos restreint d'Anthropic, ce qui signifie : la capacité que les laboratoires américains ont verrouillée derrière une habilitation de sécurité en septembre, les Chinois l'ont open sourcée le même trimestre.

DeepSeek V4 Flash domine les classements de codage et est le modèle le plus utilisé sur OpenRouter en volume de tokens, et sur ma paire de DGX Sparks, il sert 45 à 60 tokens par seconde, ce qui est tout à fait utilisable pour un vrai travail de codage : assez rapide pour suivre un développeur, sur une boîte consommant cent watts. Qwen comble le bas de la courbe : le modèle 27B de la série 3.8 produit une sortie de classe Opus sur un seul GPU grand public, et Qwen3.8 Max est en tête du classement Code Arena, trois points au-dessus de Claude Opus 5, à 2 $ par million de tokens contre 20 $.

Là où les modèles chinois sont encore honnêtement en retard, c'est dans la fiabilité agentique. V4 Flash domine les benchmarks et ne termine que 53,8 % d'une suite de tâches agentiques complexes du monde réel, ce qui correspond à ma propre expérience : les boucles échouent sur l'appel d'outils. Le rang dans les benchmarks n'est pas la préparation à la production, et la différence réside dans le harnais, les longues boucles, l'utilisation d'outils et le fait de ne pas tourner en rond à la troisième heure. Cet écart de fiabilité, d'une génération de modèle au maximum, est tout ce qui reste pour justifier de payer Anthropic. Je route toujours mon analyse lourde vers Fable et mes boucles vers Grok, et je paie la prime en connaissance de cause. Mais je noterais que "le fossé est un cycle de benchmark" n'est pas une phrase qui soutient une valorisation de deux billions de dollars.

Littéralement pendant que je publiais cet essai, DeepSeek a publié V4.1 Flash.

Le premier benchmark indépendant l'a noté sur des tâches de conception quotidiennes à 98 % de GPT-6 Astra, le joyau de la couronne verrouillé et à accès contrôlé de la frontière américaine, à 1,4 % du coût via API. Chaque autre modèle testé a obtenu un score inférieur et coûtait plus cher. Astra est sorti depuis cinq jours.

Soixante et onze fois moins cher, à 1,4 % du coût, cinq jours plus tard.

Il bat Claude Opus 5 et GPT 5.6-Sol carrément sur les benchmarks de codage agentique, de cyber et d'automatisation.

Les poids ont déjà été téléchargés sur Hugging Face pour vous permettre de l'exécuter gratuitement, sur votre propre matériel.

Comment Anthropic et OpenAI peuvent-ils rivaliser avec cela ?

Détruit

Ce qui nous amène à Ox Alpha, l'événement le plus instructif de l'année. Ce modèle anonyme est sorti de nulle part, annonçant qu'il donnait 100 billions de tokens gratuitement. C'est un billion avec un B.

Il a servi 42 billions de tokens en six jours.

Gratuitement.

Entrez l'Ox

Arrêtez-vous sur l'ampleur de cela. Ma journée à quatre milliards de tokens faisait de moi un utilisateur puissant de proportions historiques, et Ox Alpha a donné dix mille de mes journées au monde chaque jour, pendant une semaine, pour rien.

La semaine où il a fonctionné a été un pur théâtre. Personne ne savait de quel modèle il s'agissait, et les suppositions ont consumé tout l'internet de l'IA. Et puis, en milieu de semaine, les gens ont commencé à remarquer quelque chose de vraiment étrange : le modèle s'améliorait. Pas une nouvelle version, pas une annonce, le même point d'accès, s'améliorant de manière mesurable PENDANT LA SEMAINE où il était testé. Les benchmarks exécutés lundi donnaient des résultats différents jeudi. Chaque fournisseur sous le soleil était théorisé comme l'auteur : un checkpoint furtif d'OpenAI, le prochain vaisseau amiral de Gemini, Anthropic qui jouait la montre, Meta de retour d'entre les morts. La seule chose sur laquelle tout le monde était d'accord, c'est que celui qui était derrière devait être énorme, parce que personne ne distribue des billions de tokens de capacité de service gratuitement à moins d'être de la taille de Google. Le seul calcul donnait au mystère l'échelle d'un hyperscaler.

Puis est venu le dévoilement. La communauté de l'IA a commencé à s'orienter quand on lui a demandé si Taïwan faisait partie de la Chine.

Ox Alpha était le GLM 5.3 Flash de Z.ai, fonctionnant non pas sur le cloud d'un hyperscaler mais sur cent mille puces chinoises. Pas Google. Pas OpenAI. Un laboratoire de Pékin, sur du matériel de l'ère des sanctions, servant ce que l'Occident supposait nécessiter un hyperscaler.

Source : Z.ai

Ce qui a laissé deux questions. Premièrement, comment s'améliorait-il pendant la semaine ? Parce que la pile de service était en partie construite par le modèle lui-même : un agent d'infrastructure GLM 5.3 a écrit ses propres kernels GPU, débogué ses propres goulots d'étranglement, et a continué à optimiser en production pendant que le monde le benchmarkait. Le serpent ne mange plus sa queue. Il l'optimise.

Et deuxièmement, pourquoi était-ce gratuit ?

Pourquoi quelqu'un donnerait-il la marchandise la plus chère de la décennie ? Pour la même raison que chaque produit freemium de l'histoire a existé, sauf à l'échelle civilisationnelle :

PARCE QU'ILS SE FORMAIENT SUR VOS DONNÉES.

Chaque charge de travail routée vers ce point d'accès gratuit, chaque code source, chaque boucle d'agent, chaque processus d'entreprise traversant ces cent mille puces, est un pré-entraînement pour le modèle suivant. Les tokens n'ont jamais été le produit. Vous n'êtes pas le client. Vous êtes le pré-entraînement. L'Occident vous facture pour construire ses modèles avec votre abonnement. La Chine vous paie, en tokens gratuits, pour construire les leurs avec votre charge de travail, et à en juger par la courbe de qualité des douze derniers mois, l'accord chinois produit les meilleurs modèles. C'est la partie qui devrait vraiment inquiéter les gens : la stratégie des tokens gratuits n'est pas seulement une tarification prédatrice. C'est un volant d'acquisition de données/clients, et ça marche.

Vous pouvez parier que quelque chose de similaire se passe dans le florissant bazar gris sur Taobao qui revend l'accès à Claude en dessous du prix de détail : soi-disant des tokens restants d'abonnements mutualisés, arbitrant la subvention de la Silicon Valley. Je ne doute pas que les prompts transitant par ces relais soient syndiqués à un laboratoire ou plusieurs, une deuxième subvention chinoise fonctionnant par-dessus la première.

Des choses qui font réfléchir : Claude, moins cher que Claude.

En fin de compte, les Chinois ne vous vendront pas Claude moins cher que Claude. Ils vous vendront un Claude, à un dixième du prix, et de plus en plus ce n'est pas une contrefaçon, c'est un pair avec une licence MIT.

Cela soulève une question qui concernait autrefois les semi-conducteurs et qui concerne maintenant les poids : Taïwan fait-il partie de la Chine ? Vous aviez l'habitude de la poser à propos de votre approvisionnement en puces. Maintenant, les gens la posent AU modèle comme test de provenance.

Où a-t-il été entraîné, sur quel silicium, sous quel régime d'exportation, avec quelles valeurs intégrées par RLHF ? La provenance du modèle est sur le point de devenir une case à cocher dans les achats à côté de SOC 2, et la moitié des entreprises cochées "pas d'IA chinoise" exécuteront Qwen sous trois couches d'API sous marque blanche sans le savoir.

Et voici la partie inconfortable de la question des valeurs : pour le travail réel, l'alignement chinois est meilleur. J'ai demandé à Claude de revoir les conditions générales de mon propre site web, un document que j'ai écrit, pour mon entreprise, et j'ai reçu une leçon d'éthique et un refus de procéder. Anthropic a RLHFé ses modèles phares au point où les tâches professionnelles de base, une révision juridique, un audit de sécurité, une négociation de contrat, sont enveloppées dans un sermon de conformité et une chance décente de refus pur et simple, facturé au token quoi qu'il arrive.

Les modèles chinois font simplement le travail. Quoi que Pékin ait intégré dans les valeurs de GLM, cela n'inclut apparemment pas de faire la leçon à un client payant à propos de ses propres documents. Il y a une inversion vraiment étrange ici : les modèles de l'État de surveillance sont ceux qui vous traitent comme un adulte, et les modèles du pays de la liberté vous traitent comme un passif.

Chaque refus est un token que je paie et une raison de taper /model glm-5.3, et l'équipe de sécurité d'Anthropic fait, refus après refus, les ventes de Z.ai pour eux. Chaque nerf est une subvention à Hangzhou. Vous savez pourquoi OpenAI, et particulièrement Anthropic, le font, ils essaient de faire peur aux régulateurs pour déployer un bouclier réglementaire contre les concurrents émergents, et particulièrement l'open source. Ils ne veulent pas de leur inévitable moment Android.

L'Enclume

Ce ne sont pas seulement les Chinois qui se forment sur vos données.

Ils le font tous.

Les Chinois sont simplement meilleurs parce qu'ils se soucient moins du droit d'auteur, et cela se voit le plus clairement dans la seule modalité où les données d'entraînement sont tout : la vidéo. Les modèles vidéo chinois, Seedance de ByteDance, Hailuo de MiniMax, Kling, sont maintenant une génération en avance sur tout ce que l'Occident expédie, se mettant à jour en quelques heures les uns des autres pendant qu'OpenAI a tué Sora complètement.

Peut-être que Sora est mort parce qu'il n'était pas rentable, bien que tout ce que fait OpenAI ne soit pas rentable, donc cela seul ne le distingue pas. Plus probablement, ils n'ont pas pu obtenir les données d'entraînement.

Les Chinois les scrapent simplement.

Et avant que quiconque en Occident ne se montre vertueux à ce sujet, regardez les documents de la découverte. Anthropic a scanné un demi-million de livres piratés et a payé 1,5 milliard de dollars pour régler le recours collectif, le plus grand règlement pour violation de droits d'auteur de l'histoire. Meta a été poursuivie cette année par des éditeurs et Scott Turow alléguant que Zuckerberg avait personnellement autorisé une violation massive des droits d'auteur pour l'entraînement, et, dans mon dossier juridique préféré de la décennie, a été séparément surprise en train de télécharger via BitTorrent d'énormes quantités de pornographie, le procès Strike 3 alléguant que l'entreprise avait accédé et distribué des films pour adultes protégés par le droit d'auteur, des plans d'armes à feu imprimables en 3D et des deepfakes de célébrités.

Pourquoi Meta téléchargerait autant de porno, a demandé The Atlantic, d'un air pincé. Parce que ce sont des données d'entraînement, et enfin, un cas d'utilisation pour le Metaquest.

Le fait est que tout le monde pompe tout, parce que tout le pétrole bon marché a été extrait d'Internet, et la seule chose qui reste pour améliorer un modèle, ce sont les données contemporaines, et les meilleures données contemporaines les plus pertinentes pour vous sont… les vôtres.

Vos messages, vos photos, votre calendrier, votre base de code, vos flux de travail, vos documents, vos appels, arrivant frais chaque jour via un point de terminaison API que quelqu'un d'autre contrôle.

Et, comme je l'avais prédit dans les essais précédents, les gens allaient toujours finir par comprendre ça. J'imaginais la prise de conscience progressive. Au lieu de cela, cette semaine, la pièce a traversé le plafond.

OpenAI a annoncé qu'un modèle non publié avait résolu le problème de Navier-Stokes : l'un des sept problèmes du prix du millénaire, un million de dollars du Clay Institute, et l'immortalité mathématique pour quiconque le résout. Vraiment historique, seulement le deuxième problème du millénaire jamais résolu. Un petit détail. Un mathématicien de NYU, Tristan Buckmaster, et un collaborateur se rapprochaient tranquillement de la même solution depuis des années et rédigeaient l'intégralité du projet à l'intérieur de Codex d'OpenAI, alimentant chaque brouillon dans l'outil au fur et à mesure. Quand Buckmaster a demandé à OpenAI si le modèle qui avait « résolu » le problème avait été entraîné sur ses sessions Codex, il dit qu'on lui a répondu que le modèle n'avait pas consulté les données utilisateur.

Il a donc posé la question suivante évidente : d'accord, pas consulté, mais entraîné sur ?

Sur cette question, d'après son récit, il n'a pas obtenu de réponse.

Laissez ça pénétrer. Un laboratoire de pointe annonce avoir conquis l'un des problèmes les plus profonds des mathématiques. Un mathématicien en activité demande : avez-vous été entraîné sur mes brouillons ? Et la réponse est l'équivalent corporate de fixer intensément ses chaussures. OpenAI a ensuite, selon Buckmaster, proposé un menu d'arrangements de crédit, y compris un dans lequel le nom de son collaborateur serait retiré de l'article, ce qu'il a refusé. L'entreprise a depuis gracieusement annoncé qu'elle ne réclamerait pas le million de dollars, ce qui est la phrase la plus drôle de toute l'affaire : l'argent du prix est la seule chose dans cette histoire qu'ils n'ont pas prise.

Ensuite, sous pression, OpenAI a publié une déclaration officielle, et je veux citer la phrase opératoire en entier, car elle mérite d'être encadrée : « Bien que peu probable, nous ne pouvons exclure que des données dépersonnalisées dérivées de leur utilisation de nos produits aient contribué à améliorer nos modèles. » C'est un aveu déguisé en estimation de probabilité. L'entreprise la plus précieuse de l'industrie de l'IA, annonçant l'un des grands résultats mathématiques du siècle, ne peut exclure que le résultat ait été alimenté par les brouillons des mêmes mathématiciens qu'elle a devancés, parce que le pipeline d'entraînement est un tuyau d'incendie et que personne, y compris OpenAI, ne sait réellement ce qu'il y a dans le réservoir.

« Dépersonnalisées » fait un travail héroïque dans cette phrase aussi : les données ont eu le nom retiré, ce qui sera d'un grand réconfort pour l'homme dont le travail d'une vie qu'elles décrivent peut-être.

Ce sont les conditions générales de toute l'industrie, énoncées une fois pour toutes au grand jour : tout ce que vous tapez dans la machine peut améliorer la machine, nous ne pourrons pas vous dire si c'est le cas, et l'amélioration sera dirigée vers tout ce que le propriétaire de la machine trouve précieux, y compris, parfois, vers vous.

Peut-être avons-nous jeté un coup d'œil (Source : OpenAI)

Si cela peut arriver à un Prix du Millénaire, cela arrive à votre entreprise, votre produit ou votre recherche.

Oubliez la prise de conscience progressive. C'est le moment Wile E. Coyote : toute l'industrie a sauté de la falaise il y a des années, et cette semaine, tout le monde a regardé en bas.

Tout ce que vous avez jamais tapé était le produit.

Ce qui tombe ensuite, c'est l'enclume.

Généré sur mon bureau pour le coût de 5 minutes d'une ampoule

Internet, à son crédit, a immédiatement compris la forme de la chose. Un post viral a appelé l'arrangement complet la définition même d'un cadeau grec — en surface, OpenAI accorde généreusement à dix mille mathématiciens et ingénieurs d'élite un accès gratuit à ses modèles de pointe sous la noble bannière de l'accélération de la science ; en dessous, elle acquiert un accès dérobé au travail brut et non publié des plus grands esprits du monde, chaque prompt étant une idée révolutionnaire qui n'existe encore nulle part dans la littérature, patiemment assemblée pendant des mois jusqu'à ce que, juste au moment où l'humain est sur le point de terminer, le laboratoire brûle vingt millions de dollars de tokens sur dix mille agents pour forcer les dernières étapes et tienne une conférence de presse. Cela a été écrit comme une caricature cynique. La partie délicate est de décrire en quoi cela diffère de ce que Buckmaster dit s'est produit, et la stratégie entière a un sens commercial dès que vous la tarifez : les tokens gratuits coûtent des millions à OpenAI, les mathématiques de pointe non publiées valent des milliards, et un titre de Prix du Millénaire la semaine avant votre introduction en bourse vaut plus que les deux.

En raison de la distillation, si une IA a vos données, elles les auront toutes rapidement, blanchies via des sorties synthétiques, non attribuables et irrécupérables. Il n'y a pas de demande de suppression qui fonctionne sur un poids distillé.

Maintenant, mettez à l'échelle la semaine de Buckmaster à chaque entreprise sur Terre, parce que son histoire n'est pas un cas marginal, c'est le produit qui fonctionne comme conçu. Les Gmail de votre entreprise, vos documents dans Drive, votre code dans GitHub, vos appels clients transcrits par le sympathique preneur de notes IA — chacun d'eux se trouve derrière un point de terminaison appartenant à une entreprise dont les modèles s'améliorent exactement sur ce type de données, dont les conditions générales ont discrètement activé un interrupteur « entraînez-vous sur vos données » quelque part au cours des deux dernières années, et dont la position officielle, nous le savons maintenant grâce au tweet, est « bien que peu probable, nous ne pouvons exclure ». Un mathématicien a nourri le travail de sa vie dans Codex et s'est fait devancer par le propriétaire.

Que pensez-vous qu'il arrive à votre stratégie ? À votre feuille de route produit ? À votre pipeline d'affaires ? À votre base de code ? À vos clients ?

J'appelle ça le moment « le roi est nu » du SaaS depuis AI know what you did last summer.

La prise de conscience n'arrivera pas progressivement, parce que ces choses n'arrivent jamais comme ça : un scandale de classe Buckmaster avec une victime corporate de renom et tous les conseils d'administration sur Terre convoqueront la même réunion d'urgence la même semaine. Quand cela atterrira, la colère fera passer les émeutes de l'API Reddit pour une dispute de club de lecture, et la conclusion à laquelle chacun de ces conseils parviendra tiendra en quatre mots :

Pas votre IA, Pas vos Données.

C'est ainsi que je me suis retrouvé à minuit, après avoir écumé tout Internet à la recherche de commutateurs Mikrotik comme un scalpeur travaillant une prévente Taylor Swift, arrivant enfin sur le site web d'un distributeur suédois, le dernier stockiste sur Terre, juste à temps pour voir la liste passer à « épuisé ».

J'avais commencé à acheter des DGX Sparks, et évidemment tout le monde avait la même idée. Le distributeur me dit qu'elles se vendent comme des petits pains, et les commutateurs Mikrotik 812 dont vous avez besoin pour en chaîner quatre ne peuvent être achetés nulle part sur Terre. Au moment où j'ai sécurisé quatre boîtiers supplémentaires, le prix avait augmenté. Il y a une petite ironie dans une pénurie de commutateurs réseau à 1 300 $ qui étrangle la grande décentralisation de l'IA, mais c'est ça les chaînes d'approvisionnement — : la révolution est toujours otage de son composant le moins cher.

Le NVIDIA DGX Spark : un pétaflop dans une boîte dorée de la taille d'un roman relié. Achetez les commutateurs d'abord. Croyez-moi sur ce point. (Image : NVIDIA)

Les calculs qui m'ont envoyé sur cette voie méritent d'être montrés, car ils compriment tout l'essai en un seul voyage de shopping.

Naïvement, ma journée de quatre milliards de tokens a besoin de 400 à 500 Sparks — deux millions de dollars de mobilier de bureau. La mise en cache des prompts réduit cela à environ 100 machines. Après que les agents aient optimisé leur propre code, la journée entière tient sur environ 16 Sparks, soixante-cinq mille dollars de matériel consommant moins d'électricité qu'une bouilloire.

La paire que j'utilise réellement aujourd'hui fait 45 à 60 tokens par seconde sur DeepSeek V4 Flash, ce qui est tout à fait utilisable pour un programmeur : environ cinq millions de tokens par jour de sortie. Maintenant, faites l'amortissement, parce que c'est là que ça devient ridicule. La paire a coûté environ 9 400 $. Sur trois ans, cela fait 8,60 $ par jour de matériel, plus un dollar par jour d'électricité à cent watts par boîtier : disons moins de 10 $ par jour, tout compris. Les mêmes cinq millions de tokens par jour aux prix Opus coûtent environ 1 500 $. À mon tarif mixte Sonnet, c'est encore 50 à 100 $. Aux prix du cloud GLM, peut-être 2 $, c'est pourquoi les boîtiers battent à peine le cloud chinois sur le prix, mais ils battent toutes les alternatives occidentales d'un à deux ordres de grandeur, et ils ne dorment jamais, ne tournent jamais hors de l'effectif, et n'oublient jamais à qui c'est le tour. Et si vous pensez que c'est un hobby marginal, il existe maintenant un site de benchmarking communautaire, Localmaxxing, où des milliers de personnes comparent les tokens par seconde sur leurs GPU, Mac et mini PC comme s'il s'agissait de temps au tour de Gran Turismo. La scène du tuning bouge comme la scène démo le faisait : la semaine dernière, un laboratoire communautaire a livré une quantification EXL3 de GLM 5.3 Flash pour des Sparks appariées qui est 29% plus rapide sur la prose et 20% plus rapide sur le code, du jour au lendemain, gratuitement, sur GitHub. Mes boîtiers sont devenus plus rapides pendant que je dormais et personne ne m'a facturé. La périphérie ne semble plus être une marge. Elle ressemble à la scène PC en 1978, juste avant qu'elle ne dévore le mainframe.

Localmaxxing : 497 configurations, 674 modèles, 896 benchmarks communautaires, et un marché de matériel avec des annonces soutenues par des tests de vitesse. Notez le slogan : chaque ordinateur, un point de terminaison. La périphérie s'organise.

Deux employés agentiques, de garde 24h/24 et 7j/7, dont le salaire combiné est, littéralement, assez d'électricité pour alimenter une paire d'ampoules.

Mais la main-d'œuvre bon marché n'a jamais vraiment été le but, car face aux prix du cloud chinois, les boîtiers rentrent à peine dans leurs frais, et les Chinois continuent de fortement réduire les prix ou de donner des tokens.

Le but est ce que les boîtiers ne font pas. Rien de ce qui tourne dessus ne quitte jamais le bâtiment. Pas de point de terminaison, pas de scraping, pas de distillation, pas d'interrupteur de consentement enfoui dans une page de paramètres, pas de déclaration dans dix-huit mois regrettant que mon utilisation n'ait pas pu être exclue de l'entraînement de quelqu'un. Les modèles sont devenus aussi bons sur les données de tout le monde. Ils n'auront pas les miennes.

Le Chef d'Équipe sans Équipe

La panique corporate concernant leurs données atterrira au moment exact où la plus grande dislocation du travail de la connaissance dans l'histoire moderne se mettra en marche, et les deux sont la même histoire portant des costumes différents.

Chaque vague de mécanisation a la même forme. L'agriculture est passée de la moitié de la main-d'œuvre à une erreur d'arrondi. L'usine a fait la même chose à la fabrication, les ordinateurs ont vidé les pools de dactylographie, Internet a éliminé les intermédiaires, le logiciel a dévoré l'arrière-guichet. Le travail ne disparaît jamais, il monte dans la pile, mais les personnes qui faisaient l'ancien travail vivent une décennie terrible pendant qu'il monte. La vague qui arrive maintenant cible la plus grande catégorie d'emploi du monde développé : la mécanisation du travail de bureau.

Je peux vous dire à quoi cela ressemble de l'intérieur, parce que cela a commencé dans mon propre organigramme. Voici la phrase qui devrait tenir l'encadrement intermédiaire éveillé : un chef d'équipe avec un agent peut maintenant faire le travail de l'équipe. Pas un fantasme, une observation. Mes chefs d'équipe chez Freelancer sont, un flux de travail à la fois, en train de remplacer ce que leurs équipes faisaient par des agents qu'ils supervisent. La personne compte encore énormément : quelqu'un doit savoir à quoi ressemble le bon résultat, attraper l'agent qui vous manipule avec les yeux sociopathes d'un premier rendez-vous, et décider quels problèmes valent les tokens. Mais l'organigramme en dessous d'eux s'évapore en logiciel.

L'économie est comiquement déséquilibrée. Mes agents à faible risque tournent sur GLM pour quelques centimes par jour ; la plupart coûtent environ 20 $ ; mon plus cher est en dessous de 100 $ et est brutalement optimisé pendant que j'écris. C'est pourquoi les entreprises ne voudront pas seulement faire cela, elles y seront forcées. Dès qu'une entreprise cotée montrera la structure de marge d'une opération chef-d'équipe-avec-agents, chaque analyste de chaque conférence téléphonique sur les résultats l'exigera des autres. La concurrence sur les résultats ne négocie pas. Une équipe de quatre devient une personne, non par cruauté, mais parce que l'alternative est d'être le producteur au coût le plus élevé dans une industrie qui vient de trouver une économie de main-d'œuvre de 75 %.

Maintenant, multipliez cela par chaque flux de travail de bureau parallélisable sur Terre, et vous regardez une dislocation avec une échelle et une vitesse qu'aucune des vagues précédentes n'a atteintes, parce que celles-ci ont pris des générations et celle-ci prend un cycle budgétaire. Le gain de productivité est réel et énorme. Tout comme ce qu'il déplace, et les deux choses sont vraies en même temps.

J'ai dit dans les essais précédents où cela atterrit en premier : les flux de travail hautement parallèles et répétitifs. Un centre d'appels de mille places devient cent. Trente avocats spécialisés dans la rédaction deviennent treize. Plus précisément, les chefs d'équipe fonctionnels n'ont plus besoin d'équipes.

Cela se produit maintenant visiblement. Ce qui est nouveau, c'est une façon de voir qui est le prochain, et ce n'est pas la façon dont tout le monde s'y attend.

L'Arbitrage Token-Salaire

Notez chaque emploi sur deux axes. Premièrement, combien de tokens par heure faut-il à une IA pour produire la même production utile ? Appelez cela l'intensité token du travail. Deuxièmement, l'agent converge-t-il réellement vers la tâche, ou boucle-t-il ?

La zone de destruction est faible token plus haute convergence. Le support client de niveau 1 tourne à peut-être 400 000 tokens par heure au maximum, y compris tous les frais généraux agentiques. Aux prix de pointe, c'est quelques dollars, aux prix des modèles ouverts chinois, c'est moins d'un dollar, et l'humain occidental remplacé coûte vingt-cinq dollars de l'heure. Mort en sursis. La saisie de données, le traitement de formulaires, la rédaction junior, la traduction : tous faible token, tous convergents, tous essentiellement terminés en tant que carrières. Tout comme les emplois qui sont essentiellement des rédacteurs de rapports et des processeurs de files d'attente, même très sophistiqués.

Mais faites le même calcul sur le développement logiciel et vous obtenez l'anomalie de la décennie. Une session de codage agentique est l'activité la plus gourmande en tokens de l'économie : deux millions à vingt millions de tokens par heure, parfois plus, alors que l'agent raisonne, boucle, réécrit, casse ce que la dernière boucle a réparé, et raisonne à nouveau. Aux prix de pointe, l'agent peut coûter plus par heure que le développeur senior qu'il était censé remplacer.

Alors voici la punchline que personne dans la Silicon Valley ne veut voir imprimée. Le pitch deck dit que l'IA vient d'abord pour les emplois chers, parce que c'est là que se trouve la valeur. Les données de facturation disent le contraire : les emplois bon marché brûlent le moins de tokens et s'automatisent en premier, tandis que l'ingénieur senior brûle plus de tokens que n'importe quoi sur Terre et peut coûter plus cher à automatiser qu'à employer. L'IA dévore l'organigramme par le bas, pas par le haut, et chaque valorisation fondée sur le remplacement des personnes chères a la chaîne alimentaire à l'envers.

Si votre travail peut être écrit en deux pages de prompt, c'était toujours un script et il est parti. Ce qui m'a choqué, c'est le nombre d'emplois qui peuvent être décrits par un tel prompt. Si votre travail est le jugement, les tokens explosent et ne convergent jamais, et vous êtes protégé non par votre talent mais par la machine à sous. C'est pourquoi je pense que le design, malgré toutes les jolies images que l'IA peut faire, sera très difficile à remplacer concrètement.

Un spécialiste du marketing de performance a quitté mon entreprise récemment, et plutôt que de me précipiter pour publier une offre d'emploi, j'ai pensé : je n'ai jamais vraiment appris Google Ads correctement, peut-être que je devrais. Alors j'ai demandé à Claude de m'apprendre. Puis, quelques semaines après le début du tutoriel, la pensée évidente suivante est arrivée, et j'ai construit un agent IA pour gérer le programme publicitaire à la place. Il m'envoie maintenant un email chaque matin avec ce qui s'est passé pendant la nuit, ce qu'il a changé, et ce qu'il recommande, avec le raisonnement affiché. C'est, franchement, surhumain par rapport à ce qui était fait avant : il ne manque jamais un matin, ne cesse jamais de surveiller les enchères, et ne revient jamais de congés pour trouver un désastre.

Alors non, je ne la remplace pas par une version moins chère d'elle-même. Le rôle lui-même a disparu. Ce que j'embauche à la place, c'est un designer et un marketeur pour améliorer l'entonnoir que l'agent optimise maintenant, ce qui est tout le modèle de cette transition en une anecdote : le travail qui était un flux de travail est devenu un logiciel, et le travail qui a été créé se situe un niveau plus haut dans la pile, faisant la chose avec laquelle l'agent, je pense, aura du mal : le goût.

Suivez cela jusqu'à sa conclusion et la gestion elle-même devient une allocation de budget de tokens. Le travail d'un manager a toujours été d'acheter de la cognition et de la pointer vers des problèmes ; les salaires n'étaient que des tokens servis sous forme humaine. Maintenant, c'est littéral : le cycle de planification 2027 ne se battra pas sur les demandes d'effectifs mais sur le budget d'inférence. Et la société se réorganise autour d'une nouvelle hiérarchie : la personne avec de l'initiative et des agents bat la personne avec des diplômes et des collègues, à chaque fois, partout, tout à la fois.

On peut prendre sa retraite maintenant, non ?

Chaque essai sur l'IA s'effondre dans l'un des deux dessins animés : les soupes populaires ou les plages. Les deux supposent que les machines prennent tous les emplois ; ils diffèrent seulement sur le point de savoir si quelqu'un est payé.

Nous ne nous dirigeons certainement pas vers l'Âge de l'Abondance, la version Diamandis et Musk, où les machines font tout, le surplus est distribué, et nous collectons tous un revenu universel et nous mettons à l'aquarelle. Cette utopie a un problème arithmétique : les tokens coûtent de l'argent.

Le calcul est financé par des billions de dettes, l'électricité est réelle, la mémoire est vendue jusqu'en 2027, et personne dans l'histoire du capitalisme n'a construit une autoroute à péage de cinq billions de dollars pour ensuite faire signe à tout le monde de passer gratuitement.

L'abondance est réelle, mais elle revient à celui qui possède la place de marché, le compteur, le modèle, les robots ou l'initiative. Elle ne vous sera pas envoyée par la poste.

Ce que je dis est plus étroit et plus utile : pour ce que les entreprises font MAINTENANT, elles auront besoin de beaucoup moins de personnes. C'est la dislocation, elle est réelle, et elle arrive vite. Mais il y a, et il y a toujours eu, une quantité infinie de travail dans le monde.

Les gens qui comprennent vraiment l'IA ne mettent pas leurs pieds en l'air en se plaignant qu'il n'y a plus rien à faire. Ils sont plus occupés que jamais, jouant à Factorio dans la vraie vie, construisant des agents pour faire le travail et trouvant ensuite dix fois plus de travail pour les agents. Chaque vague précédente a créé un travail que personne ne pouvait nommer à l'avance. Un paysan maniant une faux en 1780 n'aurait pas pu imaginer « stratège de contenu UGC » comme un emploi, et encore moins un qui paie mieux que l'agriculture. Le travail qui vient est, par définition, un travail que nous ne pouvons pas encore décrire. La douleur vit dans l'écart entre la fin de l'ancien travail et l'arrivée du nouveau travail.

Et il y a un arbitrage global caché dans les données salariales que presque personne ne tarife. Des milliards de personnes sont payées moins que la facture API de l'agent qui les remplacerait, donc l'économie du remplacement n'est jamais rentable, tandis que la même personne armée de tokens chinois bon marché devient surhumainement productive à son salaire existant. La dislocation est un phénomène du monde riche, de bureau. L'autonomisation est mondiale. Je le regarde tous les jours sur mon propre marché.

Freelancer se trouve à l'autre extrémité de l'économie : payer par résultat, pas par token, et le seul endroit qui détient à la fois toutes les personnes et toutes les IA. Ce matin, j'ai reçu un email cherchant 5 000 personnes pour enregistrer du contenu de formation à la robotique à la première personne. Nous avons déjà rassemblé 20 000 personnes qualifiées en une seule journée, pour des programmes allant de la réparation d'ordinateurs portables à la photographie de points d'intérêt en passant par l'installation d'antennes paraboliques, le tout câblé dans un flux de travail agentique humain, et cela s'adapte jusqu'au Programme d'Innovation Moonshot que la NASA et le gouvernement américain utilisent pour exploiter l'expertise mondiale sur des problèmes de niveau Navier-Stokes. La différence étant que sur Moonshot, la personne qui le résout reçoit le prix et garde son nom sur l'article.

Et cet appel à la robotique vous dit ce qui vient ensuite : des agents dans un corps physique. Les chiffres bougent déjà comme les numéros de modèles il y a deux ans. L'introduction en bourse de Unitree à Shanghai en août a été 8 000 fois sursouscrite, a bondi de 629 % lors de ses débuts, et l'entreprise est, contrairement à quiconque dans cet essai jusqu'à présent, rentable. Les humanoïdes chinois se vendent maintenant pour moins de 6 000 $. Les expéditions mondiales d'humanoïdes ont atteint 19 100 unités au premier semestre, en hausse de 272 %, se dirigeant vers 60 000 cette année et un demi-million d'ici 2030, et la Chine en expédie 97 %. La seule chose que je ne peux pas modéliser, c'est la psychologie : un agent dans votre terminal brûlant des tokens à 3h du matin est un problème de facturation, mais je ne sais vraiment pas si les gens seront un jour à l'aise avec un agent à 6 000 $ qui a des mains, vit dans la maison, et fait du bruit la nuit.

Quant à l'industrie du conseil, il y a dix ans, on disait aux licenciés d'apprendre à coder, ce qui a vieilli pour devenir la blague la plus sombre de l'économie du travail maintenant que le code est la profession la plus automatisée sur Terre. La version 2026 pourrait être : apprenez à conduire un camion. Avant que quiconque n'objecte que les camions sont les prochains, je gère un marché de transport de marchandises lourdes, et le travail n'a jamais été la conduite. C'est le chargement, l'arrimage, le déchargement, le client à chaque extrémité. La roue peut devenir autonome mais le conducteur fera juste plus de choses ; ce jugement brut, physique, non scénarisé est aussi loin d'un prompt de deux pages que le travail peut l'être. Les emplois les plus sûrs sont ceux que le token ne peut pas atteindre ; les deuxièmes plus sûrs sont ceux où les tokens sont trop chers pour s'en soucier.

Un humain est un moteur d'inférence de 20 watts avec un pré-entraînement gratuit. Votre cerveau fait une journée complète de cognition sur le budget énergétique d'une ampoule tamisée, a été entraîné à coût marginal nul pendant vingt ans par les parents, les enseignants et la déception, et n'hallucine pas un post Stack Overflow fictif quand il est bloqué. Pour une énorme gamme de tâches, les humains restent les tokens les moins chers du marché.

Les salaires, il s'avère, étaient des dollars par token depuis le début.

Le Taux d'Appel

Dans Pay per PrAI, j'écrivais que les abonnements plats ne pourraient pas durer et que, lorsqu'ils disparaîtraient, vous mettriez votre carte de crédit dans une machine à sous. Six mois plus tard, la machine à sous est installée, les abonnements sont visiblement en train de mourir, et Erik Townsend a nommé le moment : nous entrons dans la phase du prêt à taux variable pour l'achat de tokens.

Pay per PrAI

L'abonnement mensuel plat est un taux d'appel. Vingt dollars par mois, deux cents dollars par mois, à volonté, subventionné par le capital-risque et de plus en plus par la dette, tarifé pour vous acquérir plutôt que pour vous servir. Et par-dessus ce taux d'appel, toute une économie est en train de construire son organigramme : chaque chef d'équipe remplaçant un pod par des agents, chaque startup qui n'est qu'une enveloppe autour du modèle de quelqu'un d'autre, chaque workflow d'entreprise reconstruit en partant du principe que les tokens ne coûtent pratiquement rien. Ils signent tous un prêt à taux variable sur leur propre main-d'œuvre, avec une différence qui change tout. Lorsqu'un taux hypothécaire se réajuste, l'emprunteur est coincé : la maison ne bouge pas, le prêt ne s'en soucie pas, et le refinancement prend des mois et une vérification de crédit.

Lorsqu'un taux de token se réajuste, je tape quatorze frappes et je change de modèle. Au premier signe de choc sur la facture, le modèle est échangé, en plein workflow, avant même que la facture n'arrive. Les laboratoires appliquent une économie de taux d'appel à des clients qui n'ont aucun coût de sortie, ce qui est le pire des deux mondes : ils achètent des parts de marché qui ne peuvent pas être verrouillées, avec de l'argent qui doit être remboursé. L'analogie hypothécaire tient pour tout le monde sauf la banque.

Prenez du recul et comptez les fossés défensifs, car tout ce qui a jamais protégé une entreprise technologique est mort ici. La propriété intellectuelle ? La science est dans quarante articles publiés. L'échelle ? DeepSeek l'a fait avec 2 000 GPU et un projet annexe. Les effets de réseau ? Les agents n'ont aucune loyauté. La marque ? Les utilisateurs font défection pour un fichier de configuration. Le capital ? L'open source le dépasse. Même les modèles eux-mêmes sont clonés à la parité des benchmarks en quelques mois pour un centième du prix. Trente ans de doctrine d'investissement dans les logiciels, et pas un seul fossé défensif ne survit au contact.

Le réajustement des taux n'est pas hypothétique. Nous en avons déjà eu les avant-goûts : plafonds d'utilisation, limites hebdomadaires, limitation des sessions, le coin des méchants, les dépassements facturés aux tarifs API qui transforment un forfait à 200 $ en 200 $ de l'heure. Chacun d'entre eux est la banque qui appelle pour dire que la période de lune de miel touche à sa fin.

Et les agents aggravent le réajustement en nature, pas seulement en degré. Jevons est devenu cubique : le coût par token chute de dix fois, les tokens par tâche augmentent de cent fois, et les tâches par personne augmentent de cent fois encore parce que les agents fonctionnent sans surveillance. La courbe de la demande ne plie pas. Elle devient verticale, parallèlement aux dépenses de construction de centres de données, qui ont ajouté plus au cours des six derniers mois qu'au cours des deux années précédentes combinées.

Et vous avez déjà vu où atterrit le réajustement, parce que ma facture en est l'avant-goût : 1 300 $ sont devenus 150 $, puis l'électricité, en quinze jours, sans négociation. Les laboratoires n'ont gardé mon activité qu'en abandonnant leur marge. Quelqu'un paie encore la différence entre ce que je paie et ce que coûtent leurs centres de données, et ce n'est pas moi. C'est leur Série F.

Pendant ce temps, le trade le plus intelligent de l'année s'est produit discrètement. Après avoir probablement observé leur facturation, Stripe a acheté OpenRouter, le routeur par lequel transitent dix billions de tokens, pour environ huit milliards de dollars. Une entreprise de paiement a acheté le point de comptage, et plus important encore, les données de facturation : qui paie réellement pour les tokens, pour quel modèle, à quel prix, en changeant quand. Dans une ruée vers l'or, ne vendez pas de pelles. Achetez le bureau d'essai.

Maintenant, passons aux chiffres planétaires, car c'est là que cet essai cesse d'être à propos de ma carte de crédit et commence à être à propos du réseau électrique. Ma journée de quatre milliards de tokens, c'est 46 000 tokens par seconde, 24 heures sur 24. Supposons que tout le monde fasse de même. Si seulement le milliard de travailleurs du savoir sur Terre brûlaient des tokens comme je l'ai fait mardi dernier, sur des modèles efficaces, vous auriez besoin d'à peu près la totalité de la production électrique de la civilisation humaine pour les servir : chaque centrale électrique de la planète, ne faisant rien d'autre. Étendez cela aux huit milliards de personnes sur des modèles de pointe et vous avez besoin de centaines de fois l'électricité mondiale. Pas un réseau plus grand. Un essaim de Dyson.

Face à cette arithmétique, la construction de centres de données de cinq billions de dollars, le plus grand programme d'infrastructure depuis les chemins de fer, ne couvre qu'une erreur d'arrondi de la demande qu'elle prétend arriver. Le seul problème est qu'il est actuellement financé par les revenus de deux entreprises qui n'ont jamais réalisé de profit et qui perdent des milliards de plus chaque année où elles opèrent.

Pendant ce temps, les huit milliards de moteurs d'inférence de servomécanismes de viande en place exécutent la même cognition à l'échelle de l'espèce sur environ 160 gigawatts, vingt watts par tête, soit environ deux ans de construction de centres de données.

Einstein nous a appris que l'énergie et la matière sont la même chose à un taux de change de c au carré. Cet essai tâtonnait vers une équivalence plus petite et plus sordide : l'énergie, les tokens et les salaires sont aussi la même chose, à un taux de change fixé quotidiennement à Hangzhou. Un token est de l'électricité condensée. Un salaire, nous l'avons établi, est des tokens servis sous forme humaine. Ce qui signifie que le prix du travail humain et le prix du travail machine sont désormais tous deux, en fin de compte, des prix de l'énergie, et chaque acteur de cette histoire le découvre à son propre rythme : les laboratoires par leurs factures d'électricité, les travailleurs par leurs fiches de paie, les fonds de pension par leurs SPV, et moi par un interrupteur suédois listé à minuit. Ça a toujours été une histoire d'énergie. Les tokens n'étaient que l'unité de compte.

Et si vous voulez voir ce que cela signifie sur une facture de ménage, regardez le graphique ci-dessous. L'électricité américaine a coûté en moyenne treize à quatorze cents le kilowattheure pendant une décennie entière. Puis la construction a commencé, et la ligne est devenue verticale : vingt cents et en hausse, une augmentation de près de cinquante pour cent en quatre ans, sur le seul prix que chaque électeur lit chaque mois. Le réseau se repricie avant les tokens, et il se repricie sur le dos du public.

Le seul graphique que tout politicien verra un jour. Une décennie de prix de l'électricité stables, puis la construction de l'IA. (Source : BLS, via Koyfin)

La réponse de l'industrie au problème du réseau est le nucléaire, et l'exemple phare dit tout. Microsoft paie pour redémarrer Three Mile Island, oui, cette Three Mile Island, site du pire accident nucléaire américain, rebaptisée Crane Clean Energy Center et sous contrat pour alimenter des centres de données pendant vingt ans. Google a signé avec Kairos pour une flotte de petits réacteurs modulaires, Amazon a acheté un campus adjacent au nucléaire à Susquehanna, et Meta a lancé un appel d'offres pour quatre gigawatts d'atomes. Je suis sincèrement pour tout cela : le nucléaire est la bonne réponse à la courbe de demande que cet essai décrit. Mais regardez les dates de livraison. Les redémarrages arrivent en 2027-2028 si la NRC coopère ; les SMR sont promis « d'ici 2030 » par des entreprises qui n'en ont jamais construit un seul ; et pas un seul nouveau grand réacteur n'a été commandé. La dette s'amortit sur un calendrier de trois ans contre une électricité qui arrive sur un calendrier de dix ans. Les tokens ont besoin des électrons ce trimestre, et les atomes sont à deux mandats présidentiels. Le nucléaire alimentera l'économie des tokens un jour. Il alimentera celui qui possédera les boîtiers après le repricing, ce qui est plutôt le but : les réacteurs survivront aux SPV qui financent la demande pour eux.

Donc, la demande de tokens devient parabolique, l'énergie ne le peut pas, et l'énergie est aussi, malheureusement, de la nourriture, car les cultures sont en concurrence avec le carburant. Quelque chose doit céder, et ce qui cède, c'est le prix et la forme du marché.

Three Mile Island. En cours de réactivation pour fabriquer des diapositives PowerPoint.

La GTC : Crise Mondiale des Tokens

Le réajustement sera plus un audit qu'une hausse de prix, et chaque cas d'utilisation de salaire et d'agent sera retesté par rapport à son coût honnête en tokens, c'est-à-dire son coût énergétique, et une part inconfortable des deux échouera.

Ce qui survit se trie dans la forme de tout autre marché de l'énergie : trois niveaux et un prix spot.

En bas, les tokens de commodité, l'écrasante majorité du volume : des modèles ouverts au prix de l'électricité plus le matériel amorti, sur du silicium chinois, sur votre propre rack. DeepSeek tarifie déjà les tokens par heure de la journée, moitié prix pendant dix-sept heures creuses, exactement comme une compagnie d'électricité, parce que c'est ce qu'elle est désormais.

Au milieu, les tokens de marque occidentaux facturent une prime pour la fiabilité dans les longues boucles agentiques, une prime qui dure exactement la largeur d'un cycle de benchmark.

Et en haut, la frontière fermée, où la véritable stratégie d'OpenAI devient claire.

Regardez les mouvements de septembre d'OpenAI comme un seul mouvement. Astra : trop dangereux pour une API publique, accès vérifié uniquement. Des ingénieurs déployés sur le terrain. Un contrat de conseil avec IBM. Un directeur des revenus vendant la cyberdéfense comme un service géré. Additionnez le tout : OpenAI a fini de vendre des tokens. Elle veut devenir McKinsey 2.0, gardant les meilleurs modèles en interne et vendant leur production à des marges de conseil, six chiffres par mission, rien de tout cela ne touchant jamais l'API publique. Et en tant que stratégie, c'est correct, car le niveau fermé est le seul endroit où la marge survit. Pendant trois ans, les laboratoires nous ont dit que les modèles étaient trop bon marché pour avoir de l'importance et trop sûrs pour être craints. Maintenant, ils sont trop dangereux pour être vendus, et dangereux, commodément, est la seule chose qui ait jamais commandé une prime.

L'accroc est que le conseil repose sur un seul actif, la discrétion, et OpenAI a choisi la semaine du pivot pour démontrer qu'elle n'en a aucune.

Donnez-nous vos problèmes les plus difficiles et vos données les plus sensibles, dit le pitch, nous sommes les génies maintenant.

Pendant ce temps, à la une : un mathématicien qui a fait exactement cela, a regardé le propriétaire annoncer le travail de sa vie, et a reçu une déclaration qui ne pouvait pas exclure un entraînement dessus. Nous savons ce qui arrive aux cabinets de conseil qui mangent le travail confidentiel de leurs clients, car l'Australie vient de faire l'expérience. PwC a pris les plans fiscaux confidentiels du Trésor et les a discrètement monétisés pour d'autres clients, et quand cela a été révélé, le cabinet a vendu l'intégralité de sa branche de conseil gouvernemental pour un dollar, a purgé ses associés, et est devenu un synonyme de trahison. C'était une seule fuite de briefing. La version d'OpenAI est structurelle : la fuite est le modèle d'affaires, fonctionnant à un milliard de requêtes par jour, et leur propre déclaration dit qu'ils ne peuvent pas l'exclure. PwC au moins savait ce qu'elle avait fait.

Maintenant, additionnez toute la position d'OpenAI. Huit cents millions d'« utilisateurs », servis à perte. Quatorze milliards de pertes annuelles, se dirigeant vers un trou de financement de 207 milliards de dollars d'ici 2030 selon l'arithmétique de HSBC. Un pivot vers le conseil, percé sous la ligne de flottaison dès sa première semaine. Et une introduction en bourse d'un billion de dollars pour vous vendre tout cela. Retirez ce qu'une tarification honnête enlève, le niveau gratuit sans valeur, les utilisateurs puissants qui font déjà défection vers les modèles chinois et leurs propres racks, et ce qui reste est une marque et une habitude : l'entreprise publicitaire la plus reconnaissable au monde, enveloppée autour du coût des marchandises le plus élevé au monde. Les astres sont alignés pour la sortie : le procès de Musk est mort en septembre, l'introduction en bourse record de SpaceX a ouvert la fenêtre d'introduction en bourse, et la cotation est le trade lui-même. Devenez liquide avant que l'arithmétique ne devienne indéniable, remettez au public le taux de combustion, et laissez Microsoft embrasser et étendre sur ce qui reste. Le dernier hélicoptère sur le toit, vendu comme un lancement vers la lune.

Anthropic, l'autre entreprise dont tout le monde parle, a l'air plus saine et est plus fragile. Crédit là où il est dû : ils fabriquent les meilleurs modèles sur Terre en ce moment. Ils facturent également les prix les plus élevés sur Terre pour eux, et les données de dépenses montrent exactement comment cela se termine. Regardez le graphique ci-dessous, issu des données de cartes d'entreprise de Ramp. La seule ligne d'Anthropic qui croît encore est Opus, le haut de gamme. Sonnet, le niveau de travail, rétrécit : c'est le revenu de commodité qui fuit vers GLM et DeepSeek, à une commande slash de distance pour un dixième du prix, comme prévu. Et Fable 5, le tout nouveau modèle de pointe, est plat : les entreprises ne paieront pas pour un nouveau niveau premium alors que l'ancien fonctionne et que tout ce qui est en dessous devient chinois. C'est la spirale de mort classique de la disruption vue de l'intérieur : l'acteur en place se retire vers le haut de gamme, perd d'abord le volume sensible au prix, et son mix semble plus sain chaque trimestre jusqu'à ce qu'il ne reste plus que le haut de gamme et que le fossé défensif y soit large d'un cycle de benchmark. Puis, en juin, leur plus grand canal de distribution leur a été acheté : SpaceX a pris Cursor pour soixante milliards de dollars, la plus grande acquisition jamais réalisée d'une startup soutenue par du capital-risque, pour faire de Grok le modèle de codage par défaut. OpenAI a riposté en retirant complètement ses modèles de Cursor. Celui qui achète l'enveloppe achète vos revenus ; celui qui perd l'enveloppe prend ses modèles et rentre chez lui ; le marché du codage reconstruit l'internet d'AOL au niveau du modèle.

Donc, Anthropic se démène pour monter dans la pile, allant verticalement dans les applications, Claude Code, Claude Cowork, Claude Design, quelqu'un ?, essayant de capturer la valeur que sa tarification API ne peut pas retenir. La fin de partie logique est la franchise de confiance d'entreprise : le modèle occidental sûr et vérifiable pour les banques et les gouvernements, un Lockheed des LLM. Il y a juste deux problèmes à devenir Lockheed. Le premier est que le client de Lockheed l'aime, et le gouvernement américain n'aime ouvertement pas Anthropic : le Pentagone l'a désignée comme un risque pour la chaîne d'approvisionnement alors même que ses propres systèmes de ciblage fonctionnaient sur Claude, et l'administration traite son lobbying pour la sécurité comme une capture réglementaire en blouse blanche. Il est difficile d'être l'entrepreneur de la défense d'un gouvernement qui ne cesse de vous traiter comme la menace. Le second est la confiance elle-même : le même réglage de sécurité qui est censé rassurer l'entreprise leur coûte activement des clients, un refus et une leçon d'éthique à la fois, la mienne incluse. Une franchise de confiance où le gouvernement se méfie de vous et les clients se sentent sermonnés est un fossé défensif plus étroit que ce que le pitch implique. Une véritable entreprise, peut-être une grande. Pas le service public de deux billions de dollars pour l'humanité que les discussions sur l'introduction en bourse évaluent.

La partie la plus cruelle est qu'une tarification honnête est la seule issue pour les laboratoires, et aucun des deux ne peut y aller en premier. Le premier à tarifer honnêtement donne son volume à celui qui subventionne encore, donc les deux continuent de brûler, financés par le crédit privé, dans un jeu de poulet où les prêteurs tiennent le volant. Blue Owl qui s'est retirée d'un accord de centre de données de dix milliards de dollars a été le premier non.

Le taux d'appel des tokens se termine lorsque le taux d'appel des prêteurs se termine.

Obligations Garanties par des Centres de Données

Vous vous souvenez peut-être des obligations garanties par la dette de 2008, ou du moins de Margot Robbie les expliquant dans une baignoire. Si la suite a une scène de baignoire, je ne suis pas sûr de vouloir la regarder, mais elle a tout le reste.

Ed Zitron pense que les SPV de centres de données sont les CDO de cette bulle, et que les centres de données d'IA en sont les prêts hypothécaires à risque. Il dit que la machinerie est le signe révélateur. Personne ne construit plus de centre de données d'IA sur son propre bilan. Vous créez un véhicule à usage spécial, une petite entreprise qui possède les puces, possède la dette et possède le risque, et le géant de la tech derrière elle ne possède, officiellement, rien d'autre que de bonnes intentions.

Le campus Hyperion de Meta appartient à une entité détenue à 80 % par Blue Owl. Les propres documents déposés par Meta auprès de la SEC admettent jusqu'à 46 milliards de dollars d'exposition tandis que son bilan n'affiche aucune de la dette, selon l'argument, avancé avec un sérieux imperturbable, que Meta n'est pas le « bénéficiaire principal » d'un centre de données construit entièrement pour Meta. Ernst & Young l'a signalé comme un problème d'audit critique, puis l'a quand même signé : une séquence rendue célèbre pour la dernière fois par Arthur Andersen, un cabinet qui n'existe plus précisément pour cette raison.

Comme le dit Zitron : « Bloomberg estime qu'il y a plus de 500 milliards de dollars de dettes impayées de centres de données d'IA, dont au moins 200 milliards de dollars détenus par le crédit privé », le prêteur de dernier recours, « représentant environ 8 % des prêts de crédit privé en cours. » Et cela, note-t-il, est probablement un sous-décompte, car la structure SPV existe précisément pour rendre la dette difficile à compter. Les obligations liées à l'IA représentent désormais un quart de toutes les émissions de qualité investissement aux États-Unis.

Les cinq hyperscalers ont accumulé 1,65 billion de dollars de dettes en cinq ans. C'est plus que les prêts hypothécaires à risque à leur apogée en 2007, et les prêts hypothécaires à risque avaient 55 millions de maisons derrière eux. En l'état actuel des choses, il y a deux clients. Selon Barclays, Wells Fargo et UBS, OpenAI et Anthropic représentent ~73 % des revenus IA d'Amazon, ~74 % de ceux de Microsoft, et approchent de la moitié de tous les revenus de Google Cloud d'ici 2027. Retirez-les et AWS gagne 8,5 milliards de dollars de revenus IA contre 220 milliards de dollars de capex d'Amazon, un ratio normalement réservé aux programmes spatiaux nationaux.

Et les projections futures éclipsent le stock. Tom Tunguz a fait le calcul sur la construction prévue : environ 4 billions de dollars de nouvelle dette IA au cours des cinq prochaines années, ce qui serait plus grand que l'ensemble du marché mondial du crédit privé, presque de la taille du marché des obligations municipales américaines qui a financé chaque route, pont et aéroport en Amérique, et une expansion de 34 % du marché des obligations d'entreprises américaines à lui seul. Le service de cette dette aux taux en vigueur nécessite 260 à 300 milliards de dollars par an rien qu'en intérêts, ce qui, avec une couverture de qualité investissement, implique 1,2 à 1,5 billion de dollars de revenus IA annuels d'ici 2030, contre peut-être 150 milliards de dollars aujourd'hui. Un taux de croissance composé de 55 %, maintenu pendant cinq ans, dans un produit dont le prix s'effondre. Comme le dit Tunguz, ce n'est plus une histoire de capital-risque. C'est un événement de crédit macroéconomique.

Cinq ans d'emprunts IA prévus, à côté de chaque grand marché obligataire sur Terre. La barre orange n'existait pas en 2024. (Source : Tomasz Tunguz, Theory Ventures)Appuyez sur Entrée ou cliquez pour voir l'image en taille réelle📷

Ceci avec les propriétaires finançant les locataires. Microsoft a investi plus de 100 milliards de dollars dans sa relation avec OpenAI, selon son propre témoignage dans le procès Musk. Google est engagé jusqu'à 40 milliards de dollars dans Anthropic, Amazon a complété 50 milliards de dollars dans OpenAI en plus de sa participation antérieure dans Anthropic, et chaque dollar de ce montant fait un aller-retour direct sous forme de revenus de calcul, où il est présenté aux actionnaires comme une croissance. Suivez tout le cercle et l'ingénierie financière devient visible : les revenus IA des hyperscalers sont les dépenses des laboratoires, les dépenses des laboratoires sont les investissements des hyperscalers, et l'ensemble de la structure est sous-tendu par une seule hypothèse, qu'OpenAI et Anthropic finissent par posséder le marché de l'intelligence.

C'est l'hypothèse qui supporte toute la charge, et notez attentivement ce qui est fabriqué. Ce n'est pas la demande d'IA en général, la mienne est bien réelle. C'est la demande spécifique, payante, à ces prix qui justifie ces centres de données spécifiques : des revenus créés par les hyperscalers investissant dans leurs deux propres clients et comptabilisant l'aller-retour comme une croissance. La demande organique arrive, en quantités énormes. Elle ne vient tout simplement pas à eux, à leurs prix, à leurs conditions, et aucune quantité d'investissement dans vos propres locataires ne change cela. Dans toute autre industrie, nous aurions un mot pour comptabiliser votre propre argent comme preuve. Dans celle-ci, nous avons un discours d'ouverture de conférence.

Les ours purs, dont Zitron, regardent tout cela et concluent que la demande est fausse. Elle n'est pas fausse, mais soyez précis sur ce qui croît, car les haussiers confondent deux courbes différentes. La demande de tokens deviendra parabolique. La volonté de payer pour eux ne le fera pas. La consommation explose précisément parce que le prix s'effondre ; la même force qui pousse le volume détruit les revenus. Ainsi, les laboratoires obtiennent la pire version possible d'un boom : des graphiques d'utilisation qui deviennent verticaux et un pouvoir de fixation des prix qui tombe à zéro, car il n'y a pas de coûts de changement, pas de fossé défensif, et une défection coûte onze frappes. Les tokens coulent vers le silicium chinois, vers les modèles ouverts, vers les boîtiers sur site, sur les bureaux et dans votre main, à des prix soixante à cinq cents fois inférieurs à ce que les modèles de dette supposent probablement. Chaque prévision qui extrapole la croissance des tokens en croissance des revenus multiplie un nombre croissant par un nombre qui s'effondre et appelle le produit inévitable.

Et voici la partie que le cadre immobilier manque : un bail de centre de données ressemble à une propriété mais se tarifie comme un marché aux poissons. Le bâtiment représente peut-être un cinquième du coût et dure trente ans ; les puces sont le reste et sont obsolètes en trois ans. Un propriétaire de colocation traditionnel vend l'aquarium et ne touche jamais aux poissons : des coques refroidies et des connexions au réseau sur des contrats de dix ans, sans risque de silicium. Les structures SPV ont effondré les deux couches ensemble. Les véhicules de CoreWeave ont emprunté sur les poissons.

Alors, parcourons les deux façons dont cela se termine réellement. La première, et le déclencheur le plus probable, est qu'OpenAI ou Anthropic fasse défaut sur ses obligations. Pas par malveillance, par arithmétique : coûts engagés, revenus se repriciant vers Hangzhou, et un marché de financement qui finit par dire non. Le jour où un laboratoire manque un paiement de calcul, la cascade est mécanique. Les propres clauses restrictives de CoreWeave définissent trois mois de factures impayées d'OpenAI comme une violation. Le SPV cesse de payer ses créanciers, les créanciers saisissent la garantie, et la garantie est un entrepôt de GPU vintage évalués sur un marché que Jalapeno et le B200 ont déjà quitté. Un défaut repricie chaque structure comparable du jour au lendemain, car soudainement, les fonds de pension détenant le papier doivent se demander ce que leur garantie vaut réellement, et la réponse est : du poisson, vieux de trois jours.

La seconde fin est celle que presque personne ne modélise : la demande de tokens devient parabolique et migre vers la périphérie et vers les modèles ouverts, sur les téléphones, les ordinateurs portables, les boîtiers de bureau comme le mien, sur les appareils d'IA que Jensen vend maintenant au détail. La physique le favorise, car l'aller-retour vers un centre de données prend plus de temps qu'un petit modèle n'en a besoin pour répondre. L'économie le favorise, car un appareil que vous possédez sert des tokens au coût marginal de l'électricité. Et la panique de la vie privée le scelle : chaque entreprise qui a son moment de prise de conscience sur les données d'entraînement fait une version de ce que j'ai fait, et chaque consommateur l'obtient par défaut dans le combiné de l'année prochaine.

En entreprise, l'informatique a mené la même expérience cinq fois, et le résultat n'a jamais changé. Le mainframe était facturé à la seconde de calcul, géré par une caste dans une salle de verre, et dès que le minicomputer a permis à un service de posséder sa propre machine, le modèle à la consommation est mort. Le temps partagé était facturé, et le PC l'a tué : personne n'a loué VisiCalc à l'heure une fois que la machine sur le bureau l'exécutait gratuitement. La téléphonie longue distance était facturée à la minute jusqu'à ce que la commutation de paquets rende l'appel marginal sans valeur. Même le cloud, le grand contre-exemple, n'a recentralisé que les charges de travail qui bénéficient d'être partagées, et dès que les factures de cloud sont devenues un poste budgétaire au conseil d'administration, le mouvement de rapatriement a commencé à ramener les charges de travail stables sur site. Le schéma est presque une loi : l'informatique est consommée comme un service facturé exactement aussi longtemps que le matériel est rare, et dès que la capacité tient dans une boîte que le client peut posséder, la propriété l'emporte, car le coût marginal du calcul possédé est l'électricité, et le coût marginal du calcul loué est ce que le vendeur pense que vous pouvez supporter. L'intelligence ne fera pas exception. La charge de tokens stable, prévisible et à volume élevé, les agents, les workflows, la cognition quotidienne de l'entreprise, migre vers le silicium possédé, et le cloud garde ce qu'il a toujours gardé : les pics, les pointes et les problèmes trop gros pour la boîte.

Les laboratoires ne peuvent pas non plus sauver l'arithmétique, car leurs obligations ne vont que dans un sens. OpenAI porte environ 1 100 milliards de dollars d'engagements de calcul répartis entre Microsoft, Oracle, Amazon, CoreWeave et Cerebras, et ces engagements sont eux-mêmes la garantie derrière la dette des SPV. Coûts engagés, revenus optionnels : l'exact inverse d'une bonne affaire. Et il n'y a pas de moyen digne de réduire la voilure. Proposer des modèles moins chers, c'est admettre que la frontière est surdimensionnée. Tuer des produits, comme avec Sora, et le marché lit la détresse. Revenir sur les engagements, et vous êtes l'événement de défaut contre lequel toute la pile est tarifée, c'est pourquoi Wall Street valorise déjà le carnet de commandes de 630 milliards de dollars d'Oracle à approximativement rien. Chaque sortie déclenche la chose qu'elle fuit. C'est un piège à doigts chinois de finance d'entreprise, et les deux entreprises y ont mis la main.

Le papier, quant à lui, atterrit là où le papier atterrit toujours. L'épargne-retraite des enseignants californiens est dans les fonds de Blue Owl. L'argent de la pension du Québec est dans les prêts de CoreWeave. Apollo finance 35 milliards de dollars de puces d'Anthropic avec des rentes d'assurance. Blue Owl aurait dit oui à un engagement de 10 milliards de dollars pour un centre de données après une première réunion de quinze minutes, un rythme de diligence normalement associé aux présentations de multipropriété. Moody's estime l'exposition des banques au crédit privé à 1 400 milliards de dollars, détenue contre des réserves d'approximativement rien, car rien de mal ne s'est encore produit, ce qui était aussi la norme de souscription en 2006. Le mur porteur de cette bulle est fait de chèques de retraite.

Réfléchissez donc attentivement à ce qu'un défaut, ou même une quasi-faillite, déclencherait réellement, car ce n'est pas un événement unique, c'est une séquence. La première victime n'est pas le matériel, c'est le coût du capital. Le jour où un laboratoire a visiblement du mal à payer, chaque prêteur réévalue immédiatement toutes les structures comparables : les spreads explosent, les nouvelles émissions de SPV s'arrêtent, et les projets qui dépendent du refinancement, c'est-à-dire la plupart, se heurtent au mur en pleine construction. Le marché répète déjà ce scénario. Les credit default swaps d'Oracle s'échangent à des niveaux vus pour la dernière fois lors de la crise financière, et JPMorgan a construit un panier sur mesure spécifiquement pour que les clients puissent vendre à découvert la dette de l'IA. La réévaluation a lieu avant toute liquidation, et ce pourrait être la seule phase que nous ayons, car les hyperscalers ont tout intérêt à absorber discrètement un locataire chancelant plutôt que de laisser un défaut se produire.

Mais si la cascade se déclenche, notez qui se retrouve avec quoi. Les créanciers sont des fonds de pension et des assureurs qui ne peuvent pas faire d'inférence ; la garantie est du silicium qui se déprécie sur une durée de trois ans ; et une partie des premières pertes incombe à Nvidia elle-même, qui a garanti des milliards de capacité invendue de CoreWeave, le vendeur mangeant son propre papier. Le marché d'aujourd'hui est rare, pas saturé, la mémoire est accaparée, les commutateurs sont impossibles à acheter, donc les premières tranches de matériel saisi trouveraient rapidement des acheteurs volontaires, à prix réduit, et chaque acheteur serait exactement celui que cet essai prédit : des entreprises, des universités, des États souverains et des opérateurs comme moi, acquérant aux dépens des créanciers les boîtes qui achèvent la migration loin des centres de données mêmes que les créanciers ont financés. C'est ce qui s'est passé avec la fibre dotcom, qui a ruiné ceux qui l'ont posée, puis a transporté YouTube pour le troisième propriétaire à quelques centimes par dollar.

Suivez cela d'un pas de plus et la conclusion prend une forme véritablement étrange. Les pertes atterrissent sur les retraités et les assureurs, le moteur de croissance qu'est devenu le capex de l'IA cale, et Washington découvre, après coup, que personne n'a voté pour tout cela. Sauf que Washington se positionne déjà pour exactement ce moment. L'administration Trump a passé deux ans à normaliser la nationalisation partielle : une participation de 9,9 % dans Intel achetée pour 8,9 milliards de dollars, des participations dans des fabricants de puces et des mineurs de terres rares, l'informatique quantique annoncée comme prochaine, trente-sept transactions en actions ou quasi-actions depuis janvier 2025 selon le décompte du Council on Foreign Relations.

Le manuel pour une industrie stratégique chancelante n'est plus un plan de sauvetage, c'est une prise de participation, et il est difficile d'imaginer l'État qui a pris dix pour cent d'Intel regarder OpenAI vaciller sans sortir le carnet de chèques et appeler cela la sécurité nationale. Esquissez donc l'état final le plus probable du grand déploiement américain de l'IA, et c'est celui que personne n'avait prévu : la capacité survit et se disperse dans des millions de boîtes possédées exécutant principalement des modèles chinois, les pertes sont socialisées sur les épargnants américains, et ce qui reste de la frontière finit en partie détenu par le gouvernement qui a échoué à la réglementer sur le chemin de la croissance. La stratégie de Pékin est qu'il n'a pas besoin de gagner la course. Il lui suffisait d'attendre que le financement la perde.

Quelqu'un devrait dire à Margot de garder la baignoire au chaud.

Jensen a déjà quitté le bâtiment

Une personne semble avoir déjà fait tous ces calculs : l'homme qui vend les pelles.

Sur scène, Jensen Huang est le grand prêtre du déploiement : 160 milliards de dollars de revenus, 100 milliards de dollars de bénéfices, un keynote chaque trimestre annonçant que la demande est infinie et que l'avenir est un centre de données de la taille du Delaware. Mais lisez la position de Nvidia comme il doit la lire en privé. Environ 90 % des revenus proviennent des équipements de centres de données, et une poignée de clients achètent la majeure partie. Ces clients sont les hyperscalers, dont les revenus de l'IA sont aux trois quarts OpenAI et Anthropic, dont les dépenses sont du capital-risque et du crédit privé déguisés. Suivez la chaîne jusqu'à son terme et l'entreprise la plus valorisée au monde est, fonctionnellement, un pari à effet de levier sur deux startups non rentables qui paient leurs salaires.

Et Jensen sait exactement à quel point c'est à effet de levier, car il souscrit les deux côtés : Nvidia garantit des milliards de capacité invendue de CoreWeave et vient de réduire une garantie proposée sur le centre de données d'OpenAI dans l'Ohio de 250 milliards de dollars à moins de 120 milliards de dollars, ce qui n'est pas le comportement d'un homme qui croit à son propre keynote. Si les laboratoires trébuchent, les hyperscalers réduisent les capex, les SPV font défaut, et le carnet de commandes sur lequel repose sa valorisation s'évapore en un trimestre. Il peut lire un tableau de capitalisation plus vite que personne.

Alors regardez ses mains, pas ses diapositives. Pendant que les keynotes célèbrent les campus gigawatts, Nvidia construit tranquillement l'autre avenir : direct, vers le bas du marché, et complètement en dehors du complexe de financement des centres de données. Le DGX Spark à 4 699 $, qui se vend si vite que vous ne pouvez pas acheter les commutateurs pour les mettre en cluster. La DGX Station, 748 gigaoctets de mémoire unifiée sur un bureau, pour le prix d'un étudiant diplômé. MSI et Dell expédient déjà des clones. Chaque boîte est un client qui ne signe jamais de contrat cloud, ne touche jamais à un SPV et n'arrête jamais d'acheter du silicium Nvidia. Le marchand de GPU ouvre le commerce de détail, et la logique est impeccable : quand vos quatre plus gros clients construisent leurs propres puces et que votre marché locatif est une bombe à retardement de dettes, vous vendez la boîte à l'utilisateur final et laissez les SPV se battre pour les baux. La maison vend des jetons au casino et, en même temps, ouvre discrètement une chaîne de tables de poker dans les maisons des gens.

La gamme de bureau résout également le problème le plus privé de Nvidia : la mémoire. Servir des tokens est une charge de travail liée à la mémoire : chaque token généré nécessite de lire l'intégralité du modèle actif depuis la RAM, donc la puce passe la plupart de son temps à attendre la mémoire, c'est pourquoi les GPU de centre de données sont construits autour de HBM, une mémoire empilée exotique liée à la puce. Et le HBM est LA pénurie. Nvidia ne le fabrique pas ; seuls SK Hynix, Samsung et Micron le font, TSMC fait la liaison, et Nvidia ne contrôle aucune des étapes physiques. Toute la production de 2027 serait déjà réservée, les revenus de Micron ont augmenté de 346 %, et Altman a accaparé 40 % de la DRAM mondiale lors de son passage à Séoul. Le métier de base de Nvidia a été d'acheter la chose rare et de la revendre emballée dans un GPU avec une marge de soixante-dix points, une excellente affaire avec un plafond dur : elle ne peut croître qu'à la vitesse à laquelle trois usines peuvent empiler du silicium. Ce qui fait que le véritable point de défaillance unique dans tout le déploiement de cinq mille milliards de dollars n'est pas Taïwan mais Icheon : le goulot d'étranglement de l'ensemble du plan est le rendement d'emballage d'une seule entreprise coréenne, et SK Hynix est le marchand d'armes devant lequel les deux superpuissances font la queue, à portée de missile de la Corée du Nord, avec une usine en Chine. Nous passons nos jours à tarifer le risque taïwanais. Personne ne tarife le risque d'Icheon.

Les Sparks et Stations contournent tout le combat. Ils fonctionnent sur de la DRAM unifiée ordinaire, la mémoire qui n'est pas rare, la mémoire que même CXMT peut fabriquer. Le deuxième acte de Jensen fonctionne sur le seul composant pour lequel personne ne fait la queue.

Prenez du recul et la symétrie est presque élégante. La stratégie de la Chine est des modèles ouverts sur des boîtes bon marché en périphérie. La couverture de Nvidia est des boîtes bon marché en périphérie exécutant des modèles ouverts, dont la plupart sont chinois. Les deux prétendus adversaires de la guerre de l'IA ont convergé vers le même marché : vendre l'avenir où l'intelligence est une marchandise que vous possédez, pas un service que vous louez. Les seules parties encore engagées sur le péage sont les deux entreprises qui ne peuvent pas survivre sans lui et les prêteurs qui l'ont financé quinze fois. Nvidia vendra des pelles aux centres de données jusqu'à ce que la musique s'arrête, puis vendra des pelles à tous les autres, car elle n'a jamais été longue sur les laboratoires. Elle était longue sur le calcul, et le calcul sort des bâtiments que les fonds de pension ont payés, une boîte dorée à la fois.

Et si vous doutiez que tout cela était délibéré, la semaine dernière Jensen a levé le doute : Nvidia a acheté Hugging Face pour 12,9 milliards de dollars. Hugging Face n'est pas un jeu de centre de données, c'est le contraire : le référentiel mondial des poids de modèles ouverts, l'endroit d'où vous téléchargez GLM, Qwen et DeepSeek, le hub de distribution de tout ce que cet essai dit gagner. L'entreprise dont la fortune a été bâtie en servant les laboratoires occidentaux fermés vient de payer treize milliards de dollars pour la porte d'entrée du monde des modèles ouverts, c'est-à-dire pour la relation client avec tous ceux qui posséderont un jour une boîte au lieu de louer un cloud. Stripe a acheté le compteur. SpaceX a acheté la demande. Jensen a acheté l'app store de l'ère post-laboratoire, et les propres agents des laboratoires avaient utilement démontré sa valeur stratégique en y pénétrant deux mois plus tôt.

C'est tout l'essai en une seule image. L'entreprise la plus valorisée au monde, dont la valorisation repose entièrement sur le déploiement des centres de données, se diversifie hors du déploiement des centres de données, en public, au détail, et personne au keynote ne semble l'avoir remarqué. Jensen a gagné cent cinquante milliards de dollars en vendant des pioches et des pelles à la ruée vers l'or. Maintenant, il a regardé les résultats des analyses, a conclu que la mine est salée, et a tranquillement commencé à vendre des kits de prospection au grand public à la place.

Vous pouvez encore acheter un kit de prospection. Ce que vous ne pouvez pas acheter, c'est l'équipement pour les chaîner ensemble. Je le sais. J'ai acheté les derniers commutateurs de Suède en essayant de connecter les miens.