Aller au contenu
Intelligence Ownership
ArticlesTraduction IA· Intelligence Ownership · Teil 1· 12 août 2026

L'Intelligence Ownership devient un business case

Mes données, mon IA : la suite

par 7 min de lecture

Albert Einstein by Yayoi Kusama (not really 🙂)

En mars, j'ai défendu ici une thèse : à l'ère de l'IA, l'avantage concurrentiel durable ne se trouve pas dans les algorithmes, mais dans ses propres données. « It knows the internet. It doesn't know your enterprise » : voilà pour la version courte.

Pour être honnête : à l'époque, c'était un pari stratégique, réfléchi certes, mais un pari. Il y avait de bons arguments, mais encore trop peu de chiffres solides. Aujourd'hui, ils sont sur la table. Et ils sont plus nets que je ne l'aurais moi-même imaginé.

L'analyse : le plateau des modèles frontier

Deux publications de ces dernières semaines méritent qu'on s'y arrête.

Cas n° 1 : Bridgewater Associates. L'un des plus grands hedge funds du monde voulait automatiser une tâche en apparence banale : filtrer les actualités financières selon leur pertinence. Un jeu d'enfant pour des investisseurs chevronnés. Visiblement pas pour les modèles frontier : avec des prompts simples, GPT, Claude et Gemini plafonnaient autour de 50 % de précision. Autrement dit, un pile ou face. Après un prompt engineering intensif : à peine 78 %. Impossible d'aller plus loin, quel que soit le degré d'optimisation ou la fraîcheur du modèle.

Bridgewater a alors entraîné un modèle open source avec les labels de ses propres experts. Résultat : 84,7 % de précision, environ 30 % d'erreurs en moins que le meilleur modèle frontier, pour un quatorzième du coût d'inférence.

Cas n° 2 : la gestion de catalogue e-commerce chez Shopify. Une équipe a construit un jumeau numérique d'un workflow de marketplace (catégorisation des produits, vérification des marques, décisions de policy) et y a fait s'exercer par reinforcement learning un petit modèle de 9 milliards de paramètres. Coût d'entraînement : environ 500 dollars de temps GPU, trois jours et demi. Le résultat a battu chaque configuration frontier testée de dix bons points, pour un coût de 0,50 dollar les 1 000 décisions au lieu de 34 dollars. À l'échelle d'un volume à la Shopify, c'est la différence entre 7 millions et 500 millions de dollars par an.

Mais le détail le plus intéressant se cache ailleurs : les cinq modèles frontier testés, malgré des prompts optimisés, se tenaient tous à un dixième de point les uns des autres. Il existe manifestement un plateau qu'aucun modèle généraliste, aussi cher soit-il, ne parvient à percer. Les données laissent penser que ce plateau n'est pas un problème d'intelligence, mais un problème de contexte : le modèle connaît Internet, il ne connaît pas votre organisation.

Le paradoxe : la taxe sur le prompt

Pourquoi les modèles les plus intelligents du monde échouent-ils sur des tâches qui relèvent de la routine pour n'importe quel gestionnaire de dossiers ?

Parce qu'un modèle frontier repart de zéro à chaque épisode. Il ne connaît ni la taxonomie de la boutique, ni les conventions de l'équipe d'investissement, ni ces arbitrages silencieux que j'appelais en mars les « quiet judgment calls ». Tout ce qu'il est censé savoir sur l'entreprise doit être enfourné dans le prompt à chaque appel. Comme si le gestionnaire devait réapprendre son métier à chaque dossier qu'il ouvre. Ce qu'il ne fait évidemment pas : son contexte et son savoir sont immédiatement disponibles.

Un terme est en train de s'imposer pour cela : la Prompt-Tax, la taxe sur le prompt. Qui injecte son savoir d'entreprise par le prompt le reloue : token après token, appel après appel, pour toujours. Dans le cas e-commerce, les instructions optimisées renchérissaient chaque appel API de 28 à 55 %. Et le plus pervers : cette taxe n'achète que le savoir qu'on peut mettre explicitement par écrit. Les cas limites qui font la différence, aucun prompt au monde ne saurait les énumérer.

L'inverse de la taxe sur le prompt, c'est l'Intelligence Ownership, la propriété de son intelligence : le savoir de l'entreprise ne vit pas dans le prompt, mais dans ses propres weights. On ne le reloue pas à chaque appel, on le possède. Comme un bien immobilier plutôt qu'un appartement en location.

L'intelligence louée se paie à chaque appel. L'intelligence possédée se paie une fois, et elle habite ensuite dans les weights.

C'est exactement la création de valeur asymétrique contre laquelle je mettais en garde au printemps. Sauf qu'elle a désormais une facture.

La conséquence qui dérange

Pour les fournisseurs de la Big Tech, la taxe sur le prompt n'est pas un bug, c'est le modèle économique. Chaque organisation qui fait transiter durablement son savoir institutionnel par des API tierces finance le passage à l'échelle de ceux dont elle dépend. Uber montre ce que cela peut coûter : l'entreprise aurait épuisé en quatre mois son budget engineering annuel consacré aux API d'IA. Passé à la tokeniseuse, pourrait-on dire.

Pour les entreprises européennes, il en découle quelque chose de remarquable : la voie souveraine n'est plus seulement la plus compliant (voir l'EU AI Act, la Data Governance by Design), elle est aussi, preuves à l'appui, la meilleure et la moins chère. La souveraineté numérique a longtemps été un argument de valeurs. C'est désormais un business case.

Qu'est-ce que cela signifie pour nous ? Trois voies, pas de recette miracle

Il faut rester intellectuellement honnête : le fine-tuning n'est pas un outil universel. Les réussites ont deux points communs : une fréquence élevée et des résultats vérifiables. Une tâche exécutée des milliers de fois par jour, dont le résultat peut être contrôlé objectivement, est candidate. Une décision rare, qui ne peut que se discuter, ne l'est pas.

Il en ressort trois chemins réalistes :

Option 1 : louer du frontier, consciemment et pour un temps limité. Pour les prototypes et les tâches rares et créatives, le modèle frontier reste le bon outil. L'astuce : considérer chaque appel comme une collecte de données. Logger les inputs, les décisions, les corrections : ce sera plus tard le matériau d'entraînement de votre propre spécialiste. Le risque : qui s'arrête là paie la taxe sur le prompt sans date de fin.

Option 2 : la voie managée, façon Mistral Forge. Pour les organisations sans équipes ML internes, la boucle se referme ici avec mon article de mars : fine-tuning dans un environnement contrôlé, weights en propriété, compatibilité EU AI Act. Le trade-off : moins de courbe d'apprentissage en interne, mais une entrée en matière plus rapide.

Option 3 : le fait maison, avec de l'open source et du RL. La voie Bridgewater/Shopify. Exigeante, car il faut des labels d'experts propres ou un environnement de « Digital Twin » avec scoring. Mais la barrière à l'entrée s'est effondrée : 500 dollars de temps GPU, ce n'est plus une discussion avec le CFO, c'est une note de frais. Le vrai goulet d'étranglement n'est pas le compute, c'est le temps des experts consacré à la qualité des données. L'enseignement majeur de Bridgewater n'était pas la recette d'entraînement, mais le constat que des labels bon marché produits par des non-experts ne valaient rien.

En pratique, ce sera de toute façon hybride : le modèle frontier orchestre et votre propre spécialiste décide, selon l'endroit où l'Intelligence Ownership offre le plus fort levier. Ou bien un LLM routeur maison se charge de la répartition. Pas de l'un ou l'autre, mais une division du travail, parce que "It's the process, stupid!" (oui, je suis obligé de le répéter à chaque fois 😉)

Mais : It's also the data, stupid!

Le fil rouge des deux études est le même qu'en mars, en plus tranchant : les modèles sont devenus interchangeables. Qwen aujourd'hui, un meilleur modèle de base demain ; la recette se transfère. Ce qui ne se transfère pas, ce que personne ne peut acheter ni prompter, ce sont les jugements labellisés de vos experts, vos taxonomies, vos pondérations et vos mécanismes de reinforcement learning. C'est la mémoire institutionnelle, c'est l'Intelligence Ownership, et elle est en train de passer du statut de talon d'Achille à celui de premier capital.

Une conséquence possible si la tendance se confirme : dans cinq ans, plus personne ne demandera « Quel modèle utilisez-vous ? », mais « À qui appartient votre intelligence ? »

Ce qui nous amène à la vraie question stratégique :

Quelles décisions de votre entreprise valent la peine d'être louées, et sur lesquelles payez-vous en ce moment une taxe sur le prompt à durée indéterminée, prélevée sur votre propre savoir ?

Live long and prosper 😉✋

▶Écouter