Ralentir l'IA : l'argument financier caché des frontier labs
Un essai chiffré montre que la « pause » réclamée au nom de la sécurité protège aussi, et massivement, les marges des laboratoires qui la réclament.
En bref
L'essai de Cogito Ergo Sum soutient que les frontier labs ont un intérêt financier colossal à faire ralentir la course à l'IA par la voie réglementaire : chaque nouveau modèle détruit la prime de prix du précédent, et repousser la sortie suivante allonge la période de récolte tout en différant des milliards de dépenses. Données à l'appui — prix de l'intelligence divisé par deux tous les 46 jours, R&D d'OpenAI couverte à 29 % par sa marge brute — les auteurs concluent que les arguments de sécurité des labos méritent un examen indépendant, sans pour autant les juger insincères.
🍺 Version comptoir
Le pitch : les labos d'IA demandent qu'on ralentisse la course pour éviter la catastrophe, et il se trouve que ralentir leur rapporte aussi des milliards. Le prix d'un niveau d'intelligence donné est divisé par deux tous les 46 jours, donc chaque nouveau modèle assassine la prime de prix du précédent — décaler la sortie suivante de six mois à quinze, c'est passer de 79 milliards de dépenses non couvertes à 2,5. C'est un peu comme un boulanger qui plaide pour la fermeture dominicale : l'argument peut être sincère et arranger ses affaires en même temps, les deux ne s'excluent pas. Ça compte parce que ce réflexe de vigilance, on l'a spontanément face à une banque ou un pétrolier, et étrangement beaucoup moins face à quelqu'un qui parle de risque existentiel avec une voix grave.
À retenir
- 1
Le plan public de Dario Amodei réclame une coordination « sans sacrifier l'avantage commercial » : checkpoints de capacités, réviseurs indépendants intégrés, et restrictions sur l'accès chinois au compute, la distillation non autorisée et le vol de poids de modèles.
- 2
Sur les données Artificial Analysis retraitées par les auteurs, le prix d'un niveau de capacité donné est divisé par deux environ tous les 46 jours (demi-vie ajustée de 45,82 jours sur cinq releases).
- 3
Exemple cité : à effort élevé, GPT-6 Astra score 51,05 pour 1,72 $ par tâche, contre 49,70 pour 8,75 $ chez Fable 5 avec fallback — la prime de qualité s'évapore dès qu'un substitut moins cher atteint le même seuil.
- 4
Comptabilité brutale : en 2025, OpenAI dégage 5,57 Md$ de marge brute pour 19,18 Md$ de R&D, soit 29 % de la facture couverte, malgré une marge brute passée d'environ 28 % à 43 %.
- 5
La simulation interactive des auteurs chiffre le pic de dépenses non couvertes à 79,2 Md$ avec une sortie tous les 6 mois, contre 15,9 Md$ à 10,5 mois et 2,5 Md$ à 15 mois d'intervalle.
- 6
La demande est bimodale : sur OpenRouter, les deux plus grosses bandes de score valorisées aux prix catalogue sont 40–45 (60,1 M$) et 50–55 (55,9 M$) — il existe donc un marché sous la frontière qui continue de payer pendant qu'on ralentit.
- 7
Même un labo rentable garde l'incitation : Anthropic a annoncé un run rate de 47 Md$ en mai et un second trimestre d'exploitation ajusté positif selon des informations non vérifiées par Reuters.
La thèse : la régulation comme outil de coordination rentable
Le point de départ est un constat de théorie des jeux. Un laboratoire qui ralentit seul laisse ses concurrents avancer et risque d'abandonner la frontière pour de bon. Ralentir n'est donc économiquement praticable que si des règles contraignent aussi les rivaux.
C'est précisément ce que propose le plan publié par Dario Amodei, notent les auteurs : une coordination soutenue par l'État, des checkpoints de capacités, des réviseurs indépendants dotés d'un accès interne et d'un droit de publication. Le texte plaide explicitement pour un rythme coordonné « sans sacrifier l'avantage commercial ».
S'y ajoutent des restrictions sur l'accès chinois au compute, sur la distillation non autorisée et sur le vol de poids de modèles — Amodei décrivant la distillation comme le moyen pour les retardataires de rattraper la frontière à une fraction du coût.
L'essai ne conteste pas la sincérité des chercheurs convaincus du risque existentiel. Il conteste l'idée que leurs employeurs soient des conseillers désintéressés sur les règles de leur propre industrie.
Le prix de l'intelligence s'effondre, et avec lui la prime
Le cœur empirique de l'essai est une courbe : en suivant, après chaque lancement de modèle phare, la manière la moins chère d'acheter à peu près la même capacité mesurée, les auteurs trouvent une décroissance exponentielle dont la demi-vie est d'environ 46 jours.
La comparaison ponctuelle est encore plus parlante. Sur le snapshot du 13 septembre, GPT-6 Astra à effort élevé obtient un meilleur score que Fable 5 avec fallback — 51,05 contre 49,70 — pour 1,72 $ par tâche au lieu de 8,75 $. En haut de gamme, Fable 5.1 coûte 2,3 fois plus cher qu'Astra max pour 0,56 point d'index de plus.
La conséquence économique est mécanique : dès qu'un modèle moins cher franchit le même seuil de qualité, le modèle plus cher doit justifier sa prime autrement. À coûts de service inchangés, chaque baisse de prix réduit la part de chaque tâche disponible pour rembourser la facture de développement.
Les coûts de changement étant faibles, les clients migrent parfois plusieurs fois dans la même semaine. Retarder l'arrivée de substituts capables, c'est donc prolonger directement la durée de vie de la prime.
Deux marchés, deux économies
L'essai distingue nettement les clients sensibles au coût et ceux sensibles à la qualité. Les premiers comparent le coût par tâche réussie ; les servir est un pur jeu d'optimisation d'ingénierie, où les gains sont durables. Exemple cité : DeepSeek-V2 revendiquait 93,3 % de mémoire de cache d'attention en moins et jusqu'à 5,76 fois le débit de génération de DeepSeek 67B.
Les seconds paient pour ce que les modèles moins chers ne savent pas faire. C'est le terrain d'OpenAI et d'Anthropic, où la marge dépend de la valeur économique extraite par unité d'intelligence marginale — « dollars par point de QI numérique », selon l'analogie des auteurs. Plus l'écart entre le meilleur modèle et l'alternative suivante est grand, plus la prime est élevée.
Cette prime est donc structurellement fragile : elle ne survit qu'à la condition que personne ne comble l'écart. Or les fournisseurs chinois visent précisément le segment coût, et OpenAI lui-même s'en rapproche via sa puce Jalapeño et la baisse de prix de Luna.
Les données d'usage public d'OpenRouter, valorisées aux prix catalogue sur un mois (283,0 M$ au total), montrent une demande bimodale : deux pics dans les bandes 40–45 (60,1 M$) et 50–55 (55,9 M$). Il existe donc un socle de revenus sous la frontière pendant qu'on suspend le développement.
La spirale : investir, se faire rattraper, réinvestir
Les auteurs décrivent un cycle en trois temps : investir pour acheter une avance ; voir la prime s'éroder à mesure que les rivaux rattrapent et que les prix baissent plus vite que les coûts de service ; réinvestir pour restaurer l'avantage. Chaque tour coûte plus cher et dure moins longtemps.
Le cycle devient une spirale mortifère lorsque l'écart entre la facture de développement et les revenus disponibles pour la payer se creuse à chaque itération. Ce qui est rationnel pour un labo piège l'industrie entière dans une course de plus en plus chère.
Les chiffres comptables donnent la mesure du problème. Pour 2025, OpenAI affiche 13,07 Md$ de revenus, 5,57 Md$ de marge brute et 19,18 Md$ de R&D : 29 % de couverture. MiniMax est à 7 % au premier semestre 2026, Z.ai/Zhipu à 11,8 %, le segment IA de SpaceX à 66,8 % — avec toutes les réserves de périmètre que les auteurs signalent.
Une meilleure marge ne change pas la conclusion : l'essentiel de la facture de développement doit être financé ailleurs. Repousser la facture suivante donne aux modèles existants plus de temps pour payer la précédente.
Ce que dit la simulation : 79 Md$ contre 2,5 Md$
L'essai propose un modèle de financement sur 36 mois, calibré sur des ordres de grandeur rapportés : run rate annualisé de 40 Md$, marge de contribution initiale de 40 %, premier budget de développement de 10 Md$, chaque budget suivant majoré de 25 %.
Avec une sortie tous les 6 mois, le pic de dépenses non couvertes atteint 79,2 Md$ et la marge de contribution tombe de 40 % à 10 %. En espaçant les sorties de 75 % (10,5 mois), le pic descend à 15,9 Md$ ; à 15 mois, il tombe à 2,5 Md$ et l'horizon se termine sur un excédent de 2,3 Md$.
Les auteurs sont explicites sur les limites : ce sont des stress tests illustratifs, pas des estimations de la valeur d'une proposition réglementaire précise, ni des prédictions de faillite. Ils écartent d'ailleurs le ratio séduisant « 8 dollars sur 10 récupérés » qui circulait, faute de divulgation publique le soutenant.
Ils précisent aussi la condition : le ralentissement améliore le bilan uniquement quand les paiements différés dépassent la contribution client perdue. C'est là, et seulement là, que naît l'incitation financière à chercher la coordination.
La conclusion : « damned if you do, damned if you don't »
Sans intervention publique, aucun labo ne peut ralentir seul sans perdre la prime qui finance son prochain entraînement. Mais ne pas ralentir, c'est voir les coûts initiaux ronger les marges tandis que les fast-followers chinois ou autres comblent l'écart de performance.
D'où la double contrainte : ces entreprises ne peuvent pas se permettre d'être deuxièmes, et doivent dépenser à plein régime juste pour rester premières. La règle contraignante est la seule sortie économiquement praticable.
Les auteurs relèvent au passage un détail révélateur : un exemple de cadre proposé par AI Futures fixe au moins 70 % du compute au service des clients et 25 % à la recherche de sécurité transparente, ne laissant que 5 % maximum aux capacités. La contrainte coûte des ressources, mais elle maintient les modèles existants en production tout en bridant leurs remplaçants.
Même la rentabilité ne neutralise pas l'incitation : Anthropic, avec son run rate annoncé de 47 Md$, gagnerait toujours à prolonger une prime et à éviter des dépenses défensives. La rentabilité change la valeur de l'attente, elle ne supprime pas l'intérêt à obtenir des règles favorables.
“Frontier labs will tell you that they want to slow down progress; they won't tell you that they financially need to slow down progress.”
“Profitability changes the value of waiting; it does not remove the incentive to seek favorable rules.”
“What makes sense for one lab traps the industry in an increasingly expensive race.”
Pourquoi ça compte
L'essai fait quelque chose de rare dans le débat sur la régulation de l'IA : il prend au sérieux l'argument de sécurité sans l'accepter comme seule explication, et il chiffre l'alternative. Le résultat est un test d'incitation utile — non pas « les labos mentent », mais « leur intérêt financier et leur recommandation publique pointent dans la même direction, donc l'expertise indépendante n'est pas optionnelle ». C'est exactement le genre de vigilance qu'on applique par réflexe à la banque ou au pétrole, et beaucoup moins à des dirigeants qui parlent de risque existentiel. La faiblesse est symétrique : la démonstration repose sur des reconstructions de prix partielles, des benchmarks publics qui ne mesurent ni les prix réellement facturés ni les marges, et une simulation dont chaque paramètre — croissance du volume, érosion des prix, taille des budgets — est une hypothèse assumée. Les auteurs le disent eux-mêmes avec une honnêteté méthodologique remarquable. Reste que le mécanisme central, lui, ne dépend pas de la précision des chiffres : quand un substitut moins cher atteint le même seuil de qualité, la prime disparaît, et tout ce qui retarde ce moment vaut des milliards.