Il y a quelques jours, Dario Amodei, CEO d’Anthropic, lançait un appel paradoxal: ralentir la course aux modèles d’intelligence artificielle (IA) les plus avancés. L’objectif affiché est de faire progresser leur sécurité au même rythme que leurs capacités, notamment grâce à davantage d’évaluations indépendantes et de coordination entre les principaux laboratoires. L’initiative a reçu le soutien de plusieurs dirigeants du secteur, dont Sam Altman et Elon Musk, tout en suscitant des réactions plus sceptiques.

L’épisode ressemble à une partie de poker dans laquelle l’un des joueurs propose de ralentir le rythme des mises. Comment interpréter ce signal? Comme la volonté sincère de maîtriser collectivement une technologie dont les risques augmentent? Ou comme une initiative susceptible, indépendamment de ses motivations, de protéger la position des acteurs ayant déjà engagé des dizaines de milliards de dollars? Il n’est pas nécessaire de trancher: chaque joueur doit réagir sans connaître précisément les intentions des autres.

C’est ici que la théorie des jeux offre une grille de lecture particulièrement utile. Un acteur peut préférer collectivement une course moins rapide, tout en jugeant dangereux de ralentir seul. Quelques jours après son appel à «pace the frontier», Anthropic lançait Claude Opus 5.5, poursuivant l’amélioration des performances. Tout le monde peut souhaiter ralentir la partie, sans que personne puisse se permettre de quitter la table.

Un équilibre rationnel… et coûteux

Cette mécanique rappelle une intuition fondamentale de John Nash: un équilibre peut être rationnel pour chacun sans être optimal collectivement. Pour un hyperscaler ou un laboratoire de pointe, réduire seul ses investissements peut signifier perdre du terrain en puissance de calcul, modèles, talents ou clients. La mise nécessaire pour rester dans la partie dépend donc directement de celle des concurrents.

La demande est pourtant bien réelle: les revenus annualisés de l’IA générative hors Chine dépasseraient déjà 175 milliards de dollars, après élimination des doubles comptages¹. Mais l’intensité capitalistique augmente encore plus vite. La question devient alors: les revenus et les marges permettront-ils de rémunérer le capital nécessaire à cette expansion?

Quand la technologie devient stratégique

La géopolitique complexifie encore la partie. L’IA n’est plus seulement une innovation commerciale. Elle devient une capacité stratégique, avec des applications dans la cybersécurité, le renseignement, les systèmes autonomes ou la défense.

C’est le security dilemma décrit par John Herz puis Robert Jervis: ce qu’un acteur fait pour renforcer sa sécurité peut être perçu comme une menace par les autres, les incitant à renforcer leurs propres capacités.

La compétition entre entreprises s’imbrique ainsi dans celle entre Etats. Puissance de calcul, semi-conducteurs, énergie, réseaux électriques, données et chaînes d’approvisionnement sont redevenus stratégiques. La recherche de résilience pousse chacun à multiplier capacités alternatives et redondances. Individuellement rationnelle, cette stratégie conduit collectivement à dupliquer infrastructures et chaînes d’approvisionnement, augmentant les besoins en ressources et en capital.

Quand le capital devient la mise

Les besoins de financement augmentent au moment même où les Etats doivent financer défense, infrastructures, sécurité énergétique et réindustrialisation. Les entreprises technologiques, longtemps asset-light et génératrices d’importants excédents de trésorerie, consacrent désormais une part croissante de leur cash-flow à leurs investissements. Leur financement s’étend ainsi à la dette, au leasing et à des structures dédiées aux data centers et à leurs équipements.

La ressource véritablement rare de la révolution de l’IA pourrait donc devenir le capital lui-même. Et à mesure que la partie avance, la mise pour rester à la table augmente.

Pour l’investisseur, il ne suffit donc plus d’identifier les entreprises bénéficiant des dépenses liées à l’IA, mais celles capables de générer durablement un rendement supérieur au coût croissant du capital nécessaire pour rester dans la course.

La valeur peut aussi migrer rapidement au sein de l’écosystème. Les modèles open-weight progressent, les coûts d’inférence diminuent et l’avance technologique peut s’éroder, exposant les investissements à une obsolescence accélérée. Les laboratoires ne conserveront leur pouvoir de fixation des prix qu’en maintenant une avance suffisante face à ce risque de commoditisation.

La théorie des jeux apporte enfin une nuance. Robert Axelrod a montré que des interactions répétées peuvent faire émerger coopération, réciprocité et nouvelles règles. L’appel d’Amodei peut ainsi être lu comme une tentative de modifier les règles de la partie plutôt que de la quitter.

Pour l’investisseur, la question n’est donc plus seulement de savoir qui détient les meilleures cartes, mais qui dispose des ressources nécessaires pour rester à la table — et si le rendement potentiel justifie encore le prix de la mise.

⁽¹⁾ Exponential View, The State of the AI Economy, 25/06/2026