← Accueil actu | Salle du marché
2026-11-11 · Source:虎嗅·中继

Les frais d'abonnement ne sont que la première facture : les connaissances propriétaires des entreprises sont en train de devenir la seconde ressource moissonnée de l'ère de l'IA.
Une brève apparemment anecdotique venue de l'économie des petits boulots devient la clé pour comprendre le pouvoir de fixation des prix des entreprises à l'ère de l'IA. Amanda Brown, professeure adjointe de biologie à l'université d'État Tarleton, au Texas, voulait, pendant les vacances d'été sans enseignement, gagner un complément de revenu en travaux d'annotation de données ; certaines tâches payaient jusqu'à 60 dollars de l'heure. La réalité fut d'autres réunions en ligne obligatoires sans fin, des nuits passées jusqu'à deux heures du matin pour tenir les échéances, et un superviseur qui critiquait toujours vaguement son travail comme « pas assez bon ». Elle a décrit cette expérience comme « destructrice d'âme », a quitté après quelques mois et a retrouvé un poste d'enseignante cet été. Si cette histoire importe, c'est qu'elle révèle un fait en train de se produire à grande échelle : les sociétés d'IA n'achètent pas les résultats de l'annotation, mais le jugement professionnel qui se trouve dans la tête des annotateurs.
Des histoires semblables se jouent désormais à grande échelle. La jeune entreprise d'IA Mercor paie chaque jour plus de 4 millions de dollars à jusqu'à 30 000 prestataires externes, non pas pour étiqueter les voitures dans les images, mais pour le savoir professionnel lui-même. Autrement dit, le taux horaire sur la grille de rémunération n'est que le coût explicite ; l'objet réel de la transaction, ce sont les connaissances tacites des experts humains — une fois structurées, vérifiées et distillées, ces connaissances se sédimentent en une partie des capacités du modèle. Pour les entreprises utilisatrices, cela constitue un miroir savoureux : les experts sous-traitants vendent leur savoir aux sociétés d'IA, et les clients entreprises, en utilisant les produits d'IA, font la même chose sous une autre forme.
La racine théorique remonte à plus d'un demi-siècle. En 1962, le prix Nobel d'économie Kenneth Arrow a formulé le « paradoxe informationnel » : le vendeur doit d'abord montrer l'information pour la vendre, et dès que l'acheteur l'a vue, il la possède de fait gratuitement. Ce paradoxe trouble depuis longtemps la fixation du prix de la propriété intellectuelle — l'information ne peut être « retournée après essai ». Le PDG de Microsoft, Satya Nadella, a écrit que l'IA fait naître un « paradoxe informationnel inversé » : l'acheteur, pour utiliser le produit qu'il a payé, s'expose au risque de divulguer ses connaissances propriétaires ; plus on veut que le modèle se comporte comme un expert de pointe du secteur, plus il faut lui donner en pâture la logique métier centrale, le savoir-faire caché et les données précieuses. La direction est totalement inversée : à l'époque d'Arrow, c'était l'acheteur qui profitait du vendeur ; à l'ère de l'IA, c'est le vendeur qui absorbe l'actif de savoir de l'acheteur.
D'où la fameuse « double moisson » : première couche, les frais d'abonnement et les frais d'appels API ; deuxième couche, les connaissances propriétaires, plus précieuses que l'argent. Chaque prompt tapé par l'utilisateur, chaque API interne appelé par l'agent intelligent, et même chaque correction faite avec une patience humaine après une divagation du modèle, deviennent ce que Nadella appelle les « gaz d'échappement numériques » — le grand modèle les aspire et les raffine en savoir-faire de niveau institutionnel ; chaque trace d'interaction et chaque tour d'évaluation du modèle (eval) subit une fuite. Pour les DSI et les responsables d'achats, cela signifie que la méthode d'estimation du coût total de possession (TCO) doit être réécrite : le prix réel d'un contrat IA d'entreprise est égal à la facture d'abonnement plus la valeur d'option de la fuite de données — celle-ci, difficile à quantifier, peut dépasser de loin la valeur actualisée de la première.
Nadella cite aussi le point de vue du PDG de Palantir, Alex Karp : les clients de la technologie veulent le contrôle de leur propre puissance de calcul et de leur surperformance (alpha), et espèrent posséder les moyens de production plutôt que de les voir transférés. Cette déclaration a une portée opérationnelle directe dans les négociations d'achat de calcul et de modèles. Les acheteurs d'entreprise commencent à exiger des clauses de gouvernance des données plus explicites : les prompts et les journaux d'interaction sont-ils utilisés pour l'entraînement ; peut-on exiger une sortie ; comment se tarife la différence de reflux de savoir entre déploiement privé et API hébergée ; comment délimiter les droits sur le savoir-faire que l'entreprise a « donné en pâture » après les itérations du modèle. Comme le disait McLuhan, l'homme crée l'outil et l'outil façonne l'homme à son tour — en consommant l'intelligence vous produisez aussi de l'intelligence, seulement la valeur produite ne vous appartient pas.
Il est remarquable que Nadella, à la tête de l'une des plus grandes sociétés de logiciels du monde, avertisse publiquement du modèle d'affaires dans lequel se trouve sa propre maison : cela montre en soi que la « deuxième facture » est devenue une vraie douleur côté client et une question de confiance à laquelle les fournisseurs doivent répondre. Pour les acheteurs de puissance de calcul IA, les considérations d'achat devraient couvrir au moins quatre points. Premièrement, évaluer en priorité les voies de déploiement privatisé ou à instances dédiées, pour garder les données d'interaction dans sa propre frontière de sécurité. Deuxièmement, clarifier dans les contrats, article par article, le mécanisme d'opt-out pour l'entraînement et le droit d'audit. Troisièmement, stratifier le savoir-faire central et les tâches génériques, et porter la logique sensible par la génération augmentée par recherche, des petits modèles locaux ou des moteurs de règles, pour éviter de tout confier au modèle public. Quatrièmement, intégrer le « risque de fuite de données » dans le système de notation des fournisseurs, évalué à égalité avec le prix, la performance et la stabilité.
Il convient de préciser que, sur le marché public actuel, aucun prix de vente affiché n'est disponible pour les actifs modèles précis directement liés au sujet de cet article — ce qui reflète, de manière indirecte, que la transaction de puissance de calcul IA d'entreprise et d'actifs de savoir en est encore à un stade précoce où le mécanisme de fixation des prix n'est pas mûr ; les règles du jeu entre acheteurs et vendeurs sont en train de se former pas à pas dans cette discussion publique entre les Nadella et les Karp.
Q : Qu'est-ce que le « paradoxe informationnel inversé » évoqué par Nadella ?
R : C'est l'inversion du « paradoxe informationnel » d'Arrow de 1962 : l'acheteur, pour utiliser le produit qu'il a payé, s'expose au risque de divulguer ses connaissances propriétaires ; plus on veut que le modèle se comporte comme un expert de pointe du secteur, plus il faut lui donner en pâture la logique métier centrale, le savoir-faire caché et les données précieuses.
Q : Que désignent respectivement les deux couches de la « double moisson », et comment les entreprises doivent-elles y répondre ?
R : La première couche est constituée des frais d'abonnement et des frais d'appels API ; la deuxième, des connaissances propriétaires plus précieuses que l'argent, y compris les prompts, les appels d'API internes et les corrections humaines, ces « gaz d'échappement numériques » ; les entreprises devraient clarifier dans les contrats l'opt-out pour l'entraînement et le droit d'audit, privilégier le déploiement privatisé, et stratifier le savoir-faire sensible pour maîtriser la fuite.
Q : Qu'est-ce que le « paradoxe informationnel inversé » évoqué par Nadella ?
R : C'est l'inversion du « paradoxe informationnel » d'Arrow de 1962 : l'acheteur, pour utiliser le produit qu'il a payé, s'expose au risque de divulguer ses connaissances propriétaires ; plus on veut que le modèle se comporte comme un expert de pointe du secteur, plus il faut lui donner en pâture la logique métier centrale, le savoir-faire caché et les données précieuses.
Q : Que désignent respectivement les deux couches de la « double moisson », et comment les entreprises doivent-elles y répondre ?
R : La première couche est constituée des frais d'abonnement et des frais d'appels API ; la deuxième, des connaissances propriétaires plus précieuses que l'argent, y compris les prompts, les appels d'API internes et les corrections humaines, ces « gaz d'échappement numériques » ; les entreprises devraient clarifier dans les contrats l'opt-out pour l'entraînement et le droit d'audit, privilégier le déploiement privatisé, et stratifier le savoir-faire sensible pour maîtriser la fuite.
Mots-clés: Satya Nadella · Alex Karp · Kenneth Arrow · Amanda Brown · Mercor · AI Training Data
萬安算交所 AIXX · AIXX · Bourse compute vérifiée · Accéder à la salle