Le problème de la capture de valeur par l'IA

L'IA pourrait être l'une des technologies de création de valeur les plus puissantes de l'histoire, tout en ayant un problème de capture de valeur.

Alex Karp affirme que les entreprises qui achètent de l'IA risquent de fuiter leur propriété intellectuelle vers Anthropic et OpenAI. Satya Nadella qualifie la réponse de souveraineté : une entreprise garde le contrôle de sa propre intelligence au lieu de la louer requête par requête. Ils disent des choses similaires, mais les communiquent un peu différemment : l'actif rare n'est plus seulement le modèle, c'est aussi le contexte et le savoir-faire que le modèle apprend à partir des schémas agrégés de votre entreprise et de ses concurrents.

Prenons l'assurance. Imaginez State Farm, Progressive, Allstate, Travelers, Chubb, AIG, Liberty Mutual, et plus de 100 assureurs plus petits, tous traitant les sinistres via le même modèle. Chaque assureur alimente le même flux de contexte : la description de l'accident, les photos, l'estimation de réparation, la note de l'expert, l'approbation limite, le signalement de fraude, le dépassement, le paiement, l'appel, le résultat de recouvrement.

Au début, c'est évidemment utile. Le modèle traite les sinistres plus rapidement, signale les cas suspects, apprend quelles estimations de réparation sont gonflées, quels schémas médicaux semblent étranges, et quels dépassements deviendront plus tard des pertes.

Mais si le même modèle apprend de chaque assureur, votre jugement en matière de sinistres est-il toujours votre avantage ? L'exception de souscription qui protégeait votre ratio de sinistres devient une référence. Le schéma de fraude que votre équipe a détecté tôt devient une fonctionnalité revendue au marché.

Remarquez ce que vous conservez et ce que vous perdez. L'assureur possède toujours le risque, la relation client, le régulateur et le ratio de sinistres. Le modèle partagé possède de plus en plus la courbe d'apprentissage. Vos erreurs, vos dépassements et votre intuition durement acquise en matière de sinistres deviennent un signal d'entraînement.

Cette intuition fait partie de votre véritable propriété intellectuelle. Pas celle enregistrée (les brevets et la marque), mais celle opérationnelle : comment vos collaborateurs évaluent le risque, détectent la fraude, interprètent l'ambiguïté et utilisent tout ce que l'entreprise sait. Le modèle peut dissiper l'un de vos fossés défensifs en rendant ce jugement rare reproductible.

C'est pourquoi les entreprises qui se concentrent uniquement sur la protection des données pensent trop étroitement. L'actif plus profond est le contexte et le savoir-faire institutionnels : le jugement dans la tête des gens sur le travail professionnel difficile.

Les laboratoires comprennent cela. OpenAI et Anthropic augmenteraient leurs données de 10 fois par an et dépenseraient des milliards pour mobiliser des experts métier afin de créer les tâches qui entraînent les agents. Une tâche, c'est un travail d'expert emballé dans quelque chose qu'un modèle peut apprendre : prompt, environnement, action, grille d'évaluation, vérificateur, score.

Prenons maintenant les sciences de la vie. Anthropic a clarifié sa direction : des outils pour les chercheurs aujourd'hui, une découverte plus autonome au fil du temps. Claude for Life Sciences et Claude Science mettent la littérature, les agents, les artefacts scientifiques, la reproductibilité et le calcul dans un seul « workbench ». Si des milliers de biotechs utilisent ce système autour des cibles, des tests, de la sécurité, des critères d'évaluation et des décisions de continuer ou d'arrêter, le cauchemar n'est pas qu'Anthropic voie la découverte spécifique d'une biotech ; c'est qu'Anthropic apprenne à quoi ressemblent les questions sérieuses et le jugement en matière de découverte de médicaments dans des milliers d'entreprises, tout en entrant également dans cet espace.

Les produits propriétaires sont la façon de capturer cet « apprentissage » à grande échelle. En assurance, le modèle dissout votre avantage dans la moyenne du secteur. En pharmacie, il peut faire cela, puis vous concurrencer en utilisant ce que beaucoup lui ont appris. Cela expose également vos véritables fossés défensifs (plus d'informations là-dessus plus tard).

Je pense que personne ne contesterait que l'IA crée de la valeur en rendant le savoir-faire privé utilisable à grande échelle. Mais elle rend aussi le « savoir-faire » moins rare. Si chaque assureur, banque ou biotech peut accéder à la même capacité via le même modèle, ce qui était votre avantage devient la moyenne du secteur. La valeur ne disparaît pas ; elle est divisée : les clients obtiennent des prix plus bas ou un meilleur service, le fournisseur du modèle obtient l'apprentissage, et vous obtenez un gain de productivité initial que la concurrence érode.

Voici pourquoi si peu de la valeur durable reste avec vous.

1. Si tout le monde obtient le même avantage, les clients le gardent. Imaginez un constructeur automobile utilisant un modèle pour négocier les semi-conducteurs, la résine, le fret, la capacité de fabrication en sous-traitance et les pièces de substitution. L'avantage est d'acheter mieux que le constructeur suivant : savoir quelle pénurie de fournisseur est réelle, quel devis intègre une marge excessive, et quand préserver l'approvisionnement est plus important que de serrer les prix. Si chaque constructeur gère ses achats via le même modèle, le modèle ne fait pas que baisser les coûts. Il rend les achats plus « similaires ». Le meilleur acheteur perd l'écart entre son processus et celui de tous les autres. Les fournisseurs s'adaptent aussi : une fois que chaque acheteur arrive avec la même analyse des coûts, la même carte des sources alternatives et le même script de négociation, le manuel devient intégré dans les prix.
2. Le modèle capture également ce qui se cumule. Imaginez 1 000 biotechs aux ressources limitées utilisant Claude for Life Sciences parce qu'elles n'ont pas la plateforme interne d'une grande société pharmaceutique. Chaque entreprise possède son composé, son coût de laboratoire, son programme échoué et son historique réglementaire. Mais le workbench peut voir le schéma à travers toutes : quel signal de toxicité a tué le programme, quel test a donné une fausse confiance, quel critère d'évaluation était faible, et quel sous-groupe de patients n'était pas le bon. S'il est présent dans suffisamment de biotechs et de pharmas, il peut voir des schémas d'échec qu'aucune entreprise seule ne peut voir. Alors que l'avantage des données réside dans l'exclusivité, un workbench partagé brise l'exclusivité par l'agrégation. Et parce qu'Anthropic a l'intention de développer ses propres médicaments, l'outil que vous adoptez pour l'efficacité est construit par l'entité dont l'objectif final pourrait être de faire ce que vous faites, en utilisant ce qu'elle a appris en observant le domaine le faire.
3. Vous apportez l'unique et recevez la moyenne. Vous apportez un jugement, des données, un contexte et des décisions différenciés : le schéma de fraude que votre équipe seule a détecté, le bluff du fournisseur que votre acheteur a ignoré, la transaction que votre chef de produit a tuée avant que le marché ne la voie. Vous récupérez le mélange de tout le monde. Citadel ne voudrait jamais que chaque pod du monde soit entraîné sur les critères d'arrêt de son meilleur chef de produit. Pour la meilleure entreprise, c'est la transaction perdante : vous donnez un jugement supérieur à la moyenne et recevez la moyenne.
4. Les droits sur les données ne sont pas les droits sur l'apprentissage. Les entreprises savent négocier la conservation, la confidentialité, la sécurité, les contrôles d'accès et les options de désinscription à l'entraînement. Mais la question la plus importante est de savoir à qui appartient le jugement dérivé : tâches, boucles de rétroaction, évaluations, traces de flux de travail, corrections, modes d'échec, schémas de décision, compétences des agents et informations produit. Une fois que la société de modèles connaît le problème difficile, elle peut acquérir la logique du travail d'une autre manière. Elle peut trouver des experts pour créer des cas qui testent les mêmes décisions : le modèle doit-il augmenter les taux, resserrer la souscription, signaler la fraude, exclure un segment ou accepter un ratio de sinistres plus mauvais pour conserver un client rentable ? Le raisonnement devient entraînable.
5. Le gain est initial ; la dépendance se cumule. La première adoption crée un véritable bond de productivité. Mais une fois que les concurrents utilisent le même modèle, ce bond devient la référence, et ce qui reste n'est pas votre avantage, c'est votre dépendance à la prochaine mise à niveau. Tout le monde captera la première hausse, mais le fournisseur capturera la courbe d'apprentissage récurrente. Année un, le modèle d'usine réduit les temps d'arrêt, puis chaque concurrent a le même flux de maintenance prédictive et le fournisseur possède l'intuition du processus dont vous dépendez désormais.

Cela ne signifie pas une capture nulle. Le premier entrant engrange un profit réel dans la fenêtre avant que les rivaux n'adoptent. Le seul problème est que la valeur durable va à celui qui possède l'apprentissage, et par défaut, ce n'est pas vous. Ce qui transforme le tout en décisions prises flux de travail par flux de travail, tâche par tâche. Là où votre travail est générique, mutualisez-le et prenez le gain, car là vous protégez la médiocrité. Là où le jugement de vos collaborateurs est le produit, gardez-le hors du modèle partagé.

Voici la manière la plus simple de le voir. Pensez à TikTok, YouTube et Google : vous pensez être le client, mais vous êtes la matière première. Chaque vidéo que vous terminez enseigne à l'algorithme ce qui fonctionne, et cet apprentissage est le véritable produit, vendu au prochain annonceur et utilisé pour accrocher le prochain utilisateur.

C'est ainsi que les PDG devraient penser à Anthropic et OpenAI : TikTok pour les données d'entreprise, sauf que le flux est votre travail et le signal d'engagement est votre jugement. Les fournisseurs de modèles sont cette machine pointée sur le savoir-faire le plus coûteux de votre entreprise. Vos experts se présentent pour obtenir de l'aide avec les sinistres, les transactions, les clauses, les fournisseurs, les essais, les décisions de risque et les problèmes de production. Chaque hésitation, dépassement, escalade, approbation, rejet et seconde vérification apprend au modèle comment votre entreprise pense.

Sur TikTok, le créateur est au moins payé. Ici, vous fournissez les données, le contexte et l'apprentissage (le « savoir-faire ») à partir des données, et la plateforme peut revendre le produit fini à l'ensemble de votre secteur, ou éventuellement choisir de vous concurrencer dans le cas de la pharmacie.

La question pour les dirigeants est donc simple : voulez-vous votre propre TikTok d'entreprise, ou voulez-vous utiliser celui partagé ? Vous devez probablement passer par les deux.

Avant de mettre un flux de travail à haute valeur dans Anthropic, OpenAI ou un autre modèle partagé, posez-vous une question : si tous les concurrents apprenaient comment nous traitons cette décision, serions-nous toujours meilleurs qu'eux ?