La concentration est un empilement, pas une seule part de marché
Le pouvoir de l’IA se répartit entre la conception de semi-conducteurs, la fabrication de puces, le conditionnement avancé, les centres de données, les plateformes cloud, l’énergie, les données, les modèles fondationnels, la distribution d’applications, et le travail qualifié. Une entreprise peut faire face à la concurrence à un niveau tout en dépendant d’un goulot d’étranglement à un autre. Compter les marques de chatbots ne répond donc pas à la question de savoir si le système sous-jacent est concentré.
Les preuves actuelles concernent l’IA générative de pointe et sa chaîne d’approvisionnement. L’affirmation qu’un laboratoire contrôlera l’AGI est un scénario, non un résultat observé. Elle mérite néanmoins une analyse, car le contrôle de systèmes inhabituellement généraux et économiquement précieux pourrait amplifier des avantages déjà existants.
Pourquoi le développement de pointe favorise l’échelle
Entraîner et servir des modèles de pointe peut exiger d’importants engagements de capital, des puces rares, de l’énergie, des réseaux, et des équipes spécialisées. Les fournisseurs de cloud peuvent répartir ces coûts entre clients et offrir aux développeurs une infrastructure immédiate. Les développeurs de modèles bénéficient de la distribution, des retours d’utilisateurs, et de revenus capables de financer la génération suivante. Ces effets peuvent créer des barrières à l’entrée même lorsque les algorithmes sont publiés.
Le schéma n’est pas inévitable. L’efficacité algorithmique peut réduire les coûts ; les petits modèles peuvent rivaliser sur des tâches spécialisées ; les poids ouverts peuvent permettre un déploiement local ; et les clients peuvent changer d’API si les interfaces restent portables. La concentration devrait donc être mesurée plutôt que présumée. Les indicateurs utiles comprennent la part de marché du cloud, l’offre d’accélérateurs, l’accès au calcul d’entraînement, les écarts de performance entre modèles, les coûts de changement de fournisseur, les contrats exclusifs, l’interopérabilité, la mobilité des talents, et la part des produits en aval dépendant de quelques fournisseurs.
L’Index IA 2026 de Stanford rapporte que l’investissement mondial des entreprises dans l’IA a plus que doublé en 2025, et que l’usage s’est répandu largement à travers les organisations (Stanford HAI, 2026). Les totaux d’investissement montrent une échelle et un élan, pas en eux-mêmes un pouvoir monopolistique. Les enquêtes financées par l’industrie peuvent aussi surreprésenter les grands adoptants, si bien que les statistiques nationales et les données de marchés publics restent importantes.
Le pouvoir des entreprises dépasse les prix
Un fournisseur de modèle à usage général peut façonner quelles langues, points de vue, et activités ses systèmes gèrent bien ; quels utilisateurs reçoivent l’accès ; quelles données sont conservées ; et quels développeurs en aval assument la responsabilité. Ces choix peuvent affecter simultanément l’éducation, les médias, l’emploi, la santé, et les marchés publics.
Les préjudices traditionnels à la concurrence comptent toujours : lier l’accès aux modèles à un cloud, le traitement préférentiel d’applications affiliées, les accords de capacité exclusifs, l’acquisition de rivaux potentiels, des conditions d’API discriminatoires, et des coûts élevés de sortie ou de changement. Mais le prix seul peut passer à côté du pouvoir de gouvernance lorsqu’un service subventionné devient une infrastructure.
La concentration peut parfois améliorer la sécurité. Un fournisseur qui exploite une API contrôlée peut surveiller les abus, corriger les garde-fous, révoquer l’accès, et financer des évaluations. La fragmentation peut rendre la reddition de comptes difficile. Le risque inverse est qu’un petit groupe écrive ses propres règles, retienne l’information, ou devienne trop important pour que les gouvernements puissent le discipliner. Le problème de politique publique est de préserver la reddition de comptes et la redondance sans présumer que la centralisation ou l’ouverture sont automatiquement sûres.
Le cloud, les puces et l’énergie créent des goulots d’étranglement distincts
Les accélérateurs de pointe dépendent d’une chaîne d’approvisionnement mondiale à la fabrication et au conditionnement géographiquement concentrés. Les contrôles à l’exportation démontrent que les gouvernements considèrent l’accès à ces intrants comme stratégique. Les centres de données dépendent aussi de réseaux électriques locaux, d’eau, de terrain, de permis, et d’équipements à long délai de livraison. Les communautés peuvent supporter les coûts d’infrastructure et environnementaux tandis que les bénéfices s’écoulent ailleurs.
La gouvernance du calcul peut tirer parti de la traçabilité physique, mais elle peut aussi enraciner les acteurs en place si les coûts de conformité pèsent davantage sur les petites entreprises. La politique publique devrait demander qui peut obtenir du calcul licite, si les universités et les start-ups y ont accès, et si les seuils de déclaration sont pertinents pour la capacité plutôt qu’un fossé fixe.
Le pouvoir étatique et l’interdépendance entre entreprises et États
Les États autorisent les exportations, financent la recherche, achètent des services cloud, contrôlent les règles de l’énergie et des télécommunications, et mènent des opérations de renseignement. Les entreprises possèdent une expertise technique et une infrastructure que les gouvernements peuvent ne pas avoir. Cela crée une dépendance mutuelle plutôt qu’un simple récit d’entreprises remplaçant les États.
Les partenariats de sécurité nationale peuvent améliorer la résilience et la supervision, mais le secret peut affaiblir la reddition de comptes démocratique. Les gouvernements peuvent utiliser l’IA pour la surveillance, le ciblage, le contrôle des frontières, le maintien de l’ordre, ou les opérations d’information. Concentrer la capacité dans des États démocratiques ne garantit pas en soi un usage démocratique ; le droit des marchés publics, le contrôle judiciaire, les protections des droits civiques, les inspecteurs généraux, et la supervision législative demeurent nécessaires.
Les contrôles à l’exportation peuvent freiner les concurrents, mais ils peuvent aussi accélérer des chaînes d’approvisionnement autochtones, fragmenter les normes, et intensifier les récits de course. Ce sont des effets de second ordre possibles, non des résultats certains. Les preuves devraient distinguer les objectifs de politique déclarés des résultats mesurés.
Les données et le travail sont aussi des sources de pouvoir
Les modèles dépendent du travail créatif, de l’information publique, des bases de données sous licence, des interactions des utilisateurs, et de la rétroaction humaine. Les différends sur le consentement, le droit d’auteur, la compensation, et la vie privée concernent qui capte la valeur de ces intrants. Un marché de modèles concurrentiel peut tout de même reposer sur une négociation inégale entre développeurs et créateurs ou travailleurs.
La concentration affecte aussi le travail à l’intérieur de l’industrie. Un petit ensemble d’employeurs peut rendre plus difficile pour les chercheurs en sécurité de partir après un désaccord sans sacrifier des carrières spécialisées ou des participations. Des protections exécutoires pour les lanceurs d’alerte, des limites aux clauses de confidentialité punitives, et des qualifications transférables augmentent l’indépendance des initiés.
Les poids ouverts compliquent le tableau
« Open source » ne devrait pas être employé à la légère lorsque seuls les poids du modèle sont disponibles. Les données d’entraînement, le code, la documentation, et les droits de licence peuvent rester fermés. Des poids largement disponibles peuvent réduire la dépendance envers des API hébergées, permettre une recherche indépendante, soutenir un usage local préservant la vie privée, et élargir l’innovation. Ils peuvent aussi permettre de modifier les garde-fous et laisser des systèmes capables se propager au-delà de toute possibilité de rappel.
L’examen de 2024 de la NTIA américaine a trouvé, à ce moment-là, des preuves insuffisantes pour justifier de restreindre catégoriquement les poids de modèles largement disponibles, tout en recommandant une surveillance continue et la capacité de réagir à mesure que les capacités changeraient (NTIA, juillet 2024). Ce constat est daté et explicitement conditionnel, non un verdict permanent.
Options de gouvernance et arbitrages
Aucune intervention unique ne traite tous les niveaux. L’application du droit de la concurrence peut examiner les comportements d’exclusion et les fusions. L’interopérabilité et la portabilité des données peuvent réduire les coûts de changement. Le calcul public ou partagé peut élargir l’accès à la recherche. Les marchés publics peuvent exiger des droits d’audit, un signalement des incidents, la sécurité, et des plans de sortie. Le financement de la recherche d’intérêt public peut réduire la dépendance envers les priorités des laboratoires. Les règles de gouvernance d’entreprise et l’évaluation externe peuvent limiter l’autorégulation.
La séparation structurelle peut être appropriée dans certains contextes, mais elle peut sacrifier des gains d’efficacité liés à l’intégration et ne résout pas la concentration mondiale des puces. Le régime de licences peut imposer des obligations de sécurité, mais un régime mal conçu peut protéger les acteurs en place. La propriété publique peut aligner l’infrastructure sur des objectifs sociaux, mais elle exige tout de même une administration compétente et respectueuse des droits.
Les conflits d’intérêts devraient être visibles. Les entreprises de pointe ont intérêt à favoriser des règles qu’elles peuvent s’offrir et qui pèsent sur des concurrents plus petits. Les entreprises de modèles ouverts bénéficient des arguments en faveur de l’ouverture. Les entreprises de cloud et de puces bénéficient de l’expansion de la demande de calcul. Les organisations de sécurité, les groupes de travailleurs, les créateurs, les défenseurs des droits civiques, et les agences de sécurité nationale portent aussi des mandats distincts. La divulgation ne tranche pas l’argument ; elle aide les lecteurs à l’évaluer.
Ce que l’AGI pourrait changer
Si un système pouvait automatiser une grande part de la recherche, de la gestion, de la persuasion, et de la production logicielle, son propriétaire pourrait accumuler des avantages plus vite que la concurrence ordinaire ou les processus gouvernementaux ne peuvent y répondre. C’est un mécanisme théorique, pas la preuve qu’une domination récursive se produira. Des goulots d’étranglement, des fuites, la réglementation, la coordination, et des rendements décroissants pourraient le limiter.
L’objectif prudent est une capacité contestable et responsable : aucune défaillance unique ne devrait désactiver des services essentiels ; aucun fournisseur ne devrait échapper à une supervision légale ; les chercheurs et les utilisateurs devraient avoir des alternatives significatives ; et le public devrait partager les gains construits sur des intrants collectifs. La concentration du pouvoir est un risque en raison des incitations et de la dépendance, non parce que chaque grande organisation serait malveillante. Mesurer l’empilement et gouverner chaque goulot d’étranglement est plus crédible que de faire confiance uniquement à la concurrence de marché ou à la bonne volonté institutionnelle.