J'ai parlé à 3 fondateurs de différentes entreprises qui jouent ce jeu au cours des 10 derniers jours. Leurs entreprises vendent des données d'entraînement aux laboratoires d'IA de pointe, et tous parlent comme on parle quand le sol se dérobe sous nos pieds. Ça ressemble à ceci.
Nous avons commencé en avril. Au premier trimestre, nous avons signé 30 millions de dollars de commandes. Il y a des bons de commande ouverts sur mon bureau pour 100 millions de dollars. D'ici décembre, nous devrions atterrir quelque part au nord de 150 millions de dollars.
. Rien n'est récurrent, mais tout augmente. Ce mois-ci pourrait finir à 20 millions de dollars pour nous. Nous sommes moins de 12 personnes, et peut-être quelques stagiaires.
Chaque conversation que j'ai dans ce marché ressemble à ça maintenant. Pendant un moment, j'ai pensé que c'était une fusée, pourquoi personne n'en parle-t-il plus ? Puis j'ai réalisé que les fondateurs eux-mêmes se posent une meilleure question. Ils savent que l'argent est réel. Ils savent que les contrats ne sont pas éternels. Que faire dans une telle situation ?
Ce qui est réellement vendu
Six choses.
Certaines entreprises vendent des heures : des humains qui étiquettent des images et notent des réponses de chatbots, le produit de l'ère de la chaîne de montage, déjà en voie de disparition. D'autres vendent du jugement : des médecins, des avocats et des physiciens qui écrivent comment ils raisonnent, à 100 à 500 dollars de l'heure, parce que les modèles ont épuisé ce que les amateurs pouvaient leur apprendre. D'autres vendent des mondes : des instances Salesforce simulées, de fausses banques, des hôpitaux répliques où des agents s'entraînent sur des millions de répétitions. L'unité ici est le jugement d'expert intégré dans une tâche, un monde dans lequel agir, une grille d'évaluation qui définit le bien, et un vérificateur qui le note. D'autres vendent des verdicts : des benchmarks, des évaluations, des équipes rouges, les arbitres de la course. D'autres vendent des corps : des capteurs, des gants tactiles et des harnais de caméra sur de vrais travailleurs, parce que les robots ont besoin de voir les mains. Et d'autres vendent des droits : des archives sous licence, les accords de type Reddit valant des dizaines de millions par an, des institutions qui convertissent des décennies de texte accumulé en une rente.
Maintenant, regardez comment l'argent arrive réellement. Presque tout est un bon de commande contre un livrable : un jeu de données accepté, un lot de tâches qui passe le contrôle qualité, un environnement livré. Rien ne se renouvelle par défaut. Les chiffres en tête que vous lisez sont annualisés, généralement le meilleur mois multiplié par 12, dans un métier où un laboratoire peut doubler ou réduire à zéro ses commandes en un trimestre. Et tout le monde sait que le brut n'est pas le net. Les places de marché reversent 60 à 70 % des facturations aux experts qui effectuent le travail. L'exception est structurelle : les entreprises qui gèrent leur livraison depuis des régions à bas coûts conservent 70 à 80 %+ de chaque dollar, ce qui explique pourquoi certains des noms les plus rentables de ce marché sont à peine suivis par les listes de valorisation. Les laboratoires ne se soucient pas de l'endroit où le jugement a été fabriqué, du moins pour l'instant. Le compte de résultat du fournisseur, lui, s'en soucie définitivement.
Les géants accidentels
Presque personne au sommet de ce marché n'a commencé avec l'intention de le construire.
Mercor a démarré comme une place de marché mettant en relation des ingénieurs freelances avec des entreprises, avec un entretien IA pour la sélection. Micro1 a commencé de la même manière, avec un recruteur IA nommé Zara. Turing a passé des années comme place de marché de développeurs à distance. Handshake a passé une décennie comme réseau de recrutement universitaire et a pivoté après avoir remarqué que les laboratoires débauchaient des doctorants annotateurs de sa propre base de membres. Il a cessé de louer son réseau et a commencé à vendre le travail lui-même, passant de 0 à environ 1 milliard de dollars de revenus annualisés bruts en environ 16 mois. Même Scale a commencé comme une API pour Mechanical Turk avant de trouver les voitures autonomes.
Le schéma vous dit ce qu'est vraiment le produit. Ces entreprises n'ont pas gagné parce qu'elles comprenaient les données. Elles ont gagné parce qu'elles avaient déjà construit des machines pour vérifier des inconnus à grande échelle : qui est vraiment médecin, quel ingénieur sait vraiment coder, à quel jugement on peut se fier sans les rencontrer. Quand les laboratoires ont soudainement eu besoin de milliers d'experts vérifiés, les entreprises de recrutement étaient les seules à détenir l'offre. Les données n'ont jamais été le produit. Le jugement vérifié l'était, et les leaders du jugement vérifié étaient les plateformes d'emploi.
Pourquoi les laboratoires continuent de payer
La raison pour laquelle les laboratoires signent des bons de commande à neuf chiffres est une guerre dont ils ne peuvent pas sortir. Pendant un moment, il semblait qu'Anthropic était en tête, mais les deux dernières semaines ont largement nivelé le terrain. Plus aucun laboratoire ne détient d'avantage capacitaire durable. Personne ne garde la couronne pour une saison entière, les modèles ouverts suivent la frontière avec quelques mois de retard, et tous les niveaux de prix s'effondrent. Ils sont sur un tapis roulant. Les fournisseurs de données vendent ce qui est nécessaire pour alimenter ce tapis roulant. Leurs revenus ne nécessitent pas de choisir un gagnant. C'est une taxe sur le fait que personne ne gagne.
Alex Karp a passé ce mois-ci à accuser la Silicon Valley de survendre l'IA, disant au public de ne pas croire ses yeux. Les bons de commande sont d'accord avec lui. Si les modèles étaient presque finis, les laboratoires ne paieraient pas autant pour le jugement humain. Chaque facture dans cette industrie est un aveu de ce que les modèles ne savent pas encore faire.
Mais le même tapis roulant exécute ses propres fournisseurs. En 2023, le produit était les travailleurs de la foule notant les réponses. Une fois que les modèles ont dépassé les noteurs, les notes sont devenues du bruit, et 2024 a appartenu aux experts certifiés. Ensuite, les modèles de raisonnement ont appris à s'évaluer eux-mêmes par rapport à des réponses vérifiables, et 2025 a déplacé l'argent vers les environnements et les grilles d'évaluation. Chaque génération de modèles dépasse les données qui l'ont entraînée. Les échelons en dessous de la frontière continuent de se dissoudre. La frontière continue de payer.
J'ai parlé à un ami dans un laboratoire de pointe ce week-end et j'ai demandé combien de fournisseurs de données il côtoyait directement. Sept, a-t-il dit. Les sept ont pour tâche de produire le même type de jeux de données. Il va sans dire que dans un an, certains d'entre eux verront ce bon de commande disparaître. C'est tout le marché en une anecdote : une demande énorme, une offre délibérément dupliquée, et un acheteur qui possède l'horloge.
L'horloge dans chaque contrat
Les chercheurs d'Epoch AI ont interrogé des fournisseurs et publié la grille tarifaire – une simple réplique de site web pour l'entraînement d'agents coûte environ 20 000 dollars, et un laboratoire en aurait acheté des centaines, une fois, comme on achète des cônes pour une auto-école. Un clone haute-fidélité d'un outil d'entreprise avec des tâches rédigées par des experts coûte . Les tâches individuelles se situent entre 200 et 2 000 dollars, et l'exclusivité multiplie tout par 4 à 5, car une tâche sur laquelle votre rival s'entraîne aussi ne vous apprend rien pour le battre.
Mais voici la torsion : une fois que les modèles réussissent une tâche environ 70 % du temps, la tâche est abandonnée. Le produit se déprécie en réussissant. Cela garantit des commandes répétées, ce qui explique pourquoi les courbes de revenus sont verticales, et cela garantit aussi que rien ne se transforme en rente tout seul. Tout doit être reconstruit plus dur, pour toujours. D'une certaine manière, les fournisseurs courent aussi sur un tapis roulant plus faible, juste à côté des laboratoires de pointe.
J'ai le sentiment que les fondateurs de ce secteur sont optimistes pour le marché des données pour au moins les 3 à 4 prochaines années, et peut-être ont-ils raison, mais les acheteurs ici, les laboratoires de pointe, choisissent de travailler des deux côtés du comptoir. Anthropic aurait discuté de dépenser plus d'un milliard de dollars en environnements en un an, tout en travaillant avec une douzaine de fournisseurs et en les faisant tous se conformer à ses cadres, une commoditisation par les achats. OpenAI aurait déposé une marque pour une plateforme de données interne visant à réduire la dépendance vis-à-vis des fournisseurs mêmes qu'elle enrichit, et aurait demandé aux sous-traitants de télécharger des artefacts de travaux réels passés, la façon la plus polie de dire "nous voulons la source, pas le revendeur". xAI a réduit d'un tiers son équipe d'annotation interne pour développer plutôt des tuteurs spécialisés. Karpathy, optimiste sur le concept d'environnements, est publiquement pessimiste sur la technique d'entraînement que toute la catégorie monétise.
Cela s'est déjà produit, dans cette même industrie. Entre 2016 et 2021, une génération d'entreprises de données s'est nourrie des programmes de voitures autonomes, puis les constructeurs survivants ont internalisé l'étiquetage et les fournisseurs les plus purs ont été absorbés ou ont fermé. Scale a survécu car elle a sauté sur la vague des LLM à temps. Prenons Appen. Une entreprise australienne, autrefois une valeur cotée à 4 milliards de dollars fournissant des données humaines aux géants de la tech, avec, à son apogée, 80 % de son chiffre d'affaires provenant de cinq clients. En janvier 2024, Google a résilié son contrat sans préavis. L'action a chuté de plus de 95 % par rapport à ce sommet. Un e-mail client, un changement de technique, et le leader de toute la catégorie est devenu une étude de cas. La pharma a fait l'inverse, n'a jamais repris les essais cliniques en interne, et 40 ans plus tard, l'industrie des essais externalisés continue de croître. Les deux issues sont possibles ici. Laquelle vous obtenez est déterminée par une loi.
Mais quelle est cette loi ? Tout ce qu'une machine peut vérifier, les machines finiront par l'apprendre sans vous. Tout ce qui nécessite encore un humain pour dire "c'est bon" continue de payer des humains. Le code peut être vérifié, donc il a été la première victime, et les laboratoires extraient maintenant leurs propres tâches d'entraînement des dépôts publics par dizaines de milliers. Le goût, l'ambiguïté, le jugement réglementé et le monde physique tombent en dernier, peut-être jamais. Il n'y a pas de test unitaire pour ce qu'un chirurgien senior voit, et on ne peut pas tester unitairement une chemise pliée. La vérification est la rareté. Vendez contre cela et l'horloge travaille pour vous au lieu de travailler contre vous.
Ce que l'argent devrait acheter
Rien de tout cela ne signifie que la vague des données est factice. L'argent est réel, la croissance est réelle, et la physique du tapis roulant garantit une demande de devoirs plus difficiles pendant des années. Cela signifie que la vague récompense une forme très spécifique d'entreprise, et punit les clones, dans un créneau où une entreprise entièrement autofinancée peut expédier un produit et une équipe de livraison offshore peut sous-coter n'importe quel prix que vous proposez. Quand le client numéro un d'un marché construit votre remplaçant tout en payant vos factures, votre produit n'est pas la douve. Votre position l'est.
Alors voici la vraie question, celle que les fondateurs qui impriment cet argent posent autour du dîner. Personne qui dirige une entreprise générant entre 100 et 500 millions de dollars de bons de commande à ces marges ne va s'arrêter. Et ils n'ont pas à le faire. Acceptez chaque commande. Faites tourner la machine à plein régime. La seule erreur possible à ce stade est de traiter l'aubaine comme l'activité elle-même plutôt que comme le financement de l'activité. Les revenus des bons de commande sont un excellent carburant, mais ce qui suit est le menu de ce qu'ils peuvent acheter, et une lecture honnête de chaque option.
Aller plus loin dans les données, pas plus large. Le mouvement paresseux est horizontal : plus de domaines, plus d'offre généraliste, en concurrence avec 4 géants qui possèdent la confiance. Le mouvement qui cumule est vertical : choisissez un domaine où la vérification reste difficile, embauchez les 200 meilleurs experts de ce domaine comme vos propres employés, et devenez le seul interlocuteur que les laboratoires appellent pour cela. Une jeune entreprise possède l'audio. Une autre possède la conception de puces. Une autre possède les mathématiques avancées. De nouveaux échelons continueront d'apparaître à mesure que les modèles progressent, et le fait que les laboratoires génèrent leurs propres données ne met pas fin à cette demande, il la déplace vers le haut de la courbe de difficulté, vers celui qui possède le sommet d'un domaine. Cela fonctionne quand vous possédez vraiment des experts rares. Cela échoue quand vos experts sont interchangeables avec le tableur d'un rival.
Aller dans le physique, et posséder toute la boucle. L'erreur dans les données physiques est de penser que les gants sont l'activité. La capture matérielle est la partie bon marché. Les entreprises qui compteront gèrent l'opération de collecte de bout en bout – elles emploient les travailleurs, construisent les équipements, embauchent des experts industriels internes qui savent à quoi ressemble une soudure, une suture ou une procédure de verrouillage correcte, encodent la façon dont une industrie fonctionne réellement, et vendent le flux de données annoté avec des clauses d'exclusivité. Les cases les plus vides de la carte que j'ai pu créer dans ma tête sont les installations industrielles, les raffineries, les usines, les mines, des endroits où aucun jeu de données n'existe à aucun prix, alors que tout le monde se précipite sur les démos de la vente au détail, de la finance et de la santé. Cependant, cela fonctionne quand vous contrôlez la capture, la qualité et les droits, et échoue quand vous êtes un intermédiaire pour les caméras des autres.
Continuer à construire des environnements, mais les vendre plus haut dans la pile. Le niveau de réplique de site web à 20 000 dollars est déjà en train de se commoditiser en hubs open source. Le niveau durable est haute-fidélité, noté par des experts, exclusif, et il vise 2 acheteurs, pas 1. Les laboratoires aujourd'hui. Les entreprises demain, et ce deuxième acheteur change tout. Satya Nadella dit à chaque entreprise qu'elles paient pour l'intelligence deux fois, une fois en argent et une fois dans le jugement propriétaire qui fuit à travers chaque prompt, elles doivent donc construire leurs propres évaluations et leurs propres environnements d'apprentissage à l'intérieur de leurs propres murs. Lisez cela comme un cahier des charges. La compétence exacte que vous avez construite pour le travail en laboratoire – transformer un flux de travail désordonné en un monde avec des grilles d'évaluation et des vérificateurs – devient des salles de sport privées derrière le pare-feu d'un client : leur processus de réclamation, leur desk de trading, leur hôpital, simulés pour que leurs agents puissent apprendre sans que leur jugement ne quitte jamais le bâtiment. Cela multiplie le nombre de vos acheteurs de 5 à 5 000. Cela fonctionne car cela utilise le même muscle. Cela échoue seulement si vous attendez que les bons de commande des laboratoires ralentissent pour le construire.
Entrer dans les workflows d'entreprise avec les yeux ouverts. Déployer des agents dans les entreprises est un travail de déploiement avancé : cartographier comment les factures bougent vraiment, découvrir que la procédure opératoire standard est une fiction, s'asseoir avec l'équipe jusqu'à ce que les exceptions cessent (j'ai récemment écrit un article complet à ce sujet). C'est une destination réelle, et certaines entreprises de données y construiront de vraies activités. Mais connaissez la physique avant d'engager de l'argent là-dedans. Les revenus de données arrivent sous forme de bons de commande de 25 millions de dollars signés en semaines, les revenus d'entreprise arrivent sous forme de pilotes de 500 000 à 2 millions de dollars signés en trimestres, et environ 95 % des pilotes d'IA en entreprise aujourd'hui ne montrent aucun retour mesurable. L'initiative fonctionne comme une unité séparée avec des attentes séparées et sa propre direction. Elle échoue comme un projet annexe géré par ceux que l'activité de données peut épargner, car le muscle est différent et nécessite de la patience, de l'intégration et du code de colle plutôt que du débit.
Acheter de la puissance de calcul seulement si elle alimente votre produit. Plus d'un fondateur dans ce marché se demande si l'argent ne devrait pas devenir des GPU et une plateforme de RL hébergée. La réponse honnête est que louer de la puissance de calcul brute est une commodité écrasée entre les hyperscalers et les neoclouds, et un trésor rempli de silicium qui se déprécie n'est pas une douve. La version qui fonctionne est plus étroite : héberger les boucles d'entraînement qui tournent dans vos propres environnements, où l'utilisation est garantie par vous et où le client achète le monde plus la salle de sport plus le calcul comme un seul produit. Prime Intellect joue déjà ce jeu en open source. Il a donné un hub de plus de 2 500 environnements communautaires et vend le calcul et l'entraînement hébergé qui tournent dessus. Les environnements sont la vitrine. Les GPU sont la caisse. C'est un pari de venture, pas une décision de parking de trésorerie. Si j'étais un fondateur faisant cela, je prendrais la décision délibérément ou pas du tout.
Acquérir le prochain échelon au lieu de le construire en retard. L'allocation de capital la plus instructive dans ce marché jusqu'à présent est qu'un géant a utilisé son aubaine de bons de commande pour acheter 2 startups d'environnements en 5 mois, achetant ainsi son chemin vers le nouvel échelon pendant que les concurrents étaient encore en train d'embaucher pour cela. Dans environ 18 mois, le modèle positionnera probablement des entreprises avec de vrais ingénieurs d'environnements qui aimeraient être acqui-hired. La vitesse est le seul avantage ici. Vous êtes assis sur des piles de cash – donc un trésor de guerre plus une carte claire de l'échelon suivant bat la vitesse organique dans un marché qui se rejoue tous les 18 mois.
Vendre aux gouvernements. Une nouvelle classe de clients arrive. Les gouvernements qui achètent des programmes d'IA souverains auront besoin de pipelines de données nationaux, de corpus en langue maternelle, d'évaluations locales, et de données physiques de leurs propres usines et champs, pour les mêmes raisons qu'ils achètent leurs propres réseaux électriques.
Et convertir ce que vous pouvez en revenus qui se renouvellent. Les bons de commande sont comme la météo. Une partie peut être transformée en climat : des abonnements à des évaluations au lieu de ventes ponctuelles de benchmarks, des contrats de maintenance d'environnements au lieu de constructions uniques, des contrats de mise à jour de données, des programmes de certification facturés annuellement. Rien de tout cela n'aura l'air aussi spectaculaire qu'un bon de commande de 50 millions de dollars, et c'est là la partie délicate : se couvrir avec des pièces moins brillantes. Parce que tout cela survit au trimestre où le bon de commande n'arrive pas.
Et j'ai échoué en tant que fondateur à savoir cela – il y a deux erreurs à éviter. L'entrée dans la voie généraliste des géants, où la prime de confiance ne peut être reproduite à partir de zéro. Et une levée de fonds modérée à une valorisation immodérée, qui achète des obligations évaluées comme du logiciel sur des économies qui sont tout sauf cela, tout en fermant les deux seules sorties qui existent réellement ici : rester privé et riche, ou devenir une infrastructure que quelqu'un doit posséder.
La confiance est l'actif qui cumule
Chaque option dans ce menu ci-dessus passe par la même porte. Les entreprises ne vous confieront pas leur processus de réclamation, les laboratoires ne vous confieront pas leurs priorités d'entraînement de pointe, et les gouvernements ne vous confieront pas leurs corpus nationaux à moins que la confiance n'ait été construite délibérément, et la confiance dans ce marché n'est pas une ambiance, c'est un ensemble d'engagements vérifiables.
Les entreprises qui comprennent cela le construisent comme un produit. D'abord, convaincre l'entreprise à laquelle vous prenez les données que vous ne prenez rien de sensible, et qu'elles ne font aucune erreur d'un point de vue légal qui pourrait les mettre en difficulté. Les certifications de sécurité et de résidence avant que le client ne les demande sont la norme. Les benchmarks publics sont une autre forme de machine de confiance ici. De l'autre côté, les laboratoires qui achètent ces données veulent aussi des pistes de provenance : des sessions vérifiées par caméra, une attestation de compétences, la preuve qu'un humain spécifique a fait la réflexion, car le secret de la chaîne d'approvisionnement est que les annotateurs collent des sorties de modèle comme travail humain.
Il est utile d'avoir des clauses de neutralité – par exemple, aucun laboratoire au capital, aucun acheteur unique au-dessus d'une part définie des revenus – appris à la dure par tous ceux qui ont vu les clients d'un rival fuir le jour où un laboratoire en a acheté la moitié – même si pour l'équipe de Scale AI, c'était peut-être un résultat brillant. Les programmes de certification d'experts aident si vous pouvez construire une marque, de sorte que "noté par votre réseau" commence à signifier quelque chose qu'une industrie reconnaît. Chacun de ces éléments est un actif qui cumule tandis que les formats de tâches meurent ou changent. Quand le format change, et il changera, environ tous les 2 ans, la confiance est ce qui se transfère au produit suivant.
La 50e entreprise
Scale et Mercor sont arrivées les premières et sont devenues énormes, alors que doit faire la 50e entreprise ?
Commencez par ce que l'essor de Mercor enseigne réellement, car tout le monde copie la mauvaise partie. La partie visible est la vitesse. Scale a mis environ 4 ans pour atteindre son premier . La cohorte suivante a mis 2 ans. Mercor a mis moins de 20 mois, Micro1 et AfterQuery environ un an, et une startup d'environnements est passée de 1 million à 63 millions de dollars en 6 mois. Les fondateurs lisent cela comme un marché qui devient plus clément. C'est le contraire. Chaque échelon est plus raide et plus court, et la même accélération qui propulse un nouveau venu à 100 millions de dollars en un an retire l'échelon sous leurs pieds tout aussi rapidement. La vitesse est une propriété de la vague, pas du bateau – réfléchissez à cela et vous aurez des secondes pensées à l'idée de monter dans ce bateau, car ce jeu n'est pas pour tout le monde.
La partie qui mérite d'être copiée est plus discrète. Mercor a construit son moteur de vérification avant que la demande n'existe, pour un tout autre métier, de sorte que quand la vague est arrivée, elle a intégré des experts de confiance plus rapidement que quiconque. Elle n'a jamais eu besoin d'intégrer des ingénieurs chez les clients ou de gérer des équipes de services, la place de marché est restée la machine, et quand le prochain échelon est apparu, elle s'y est achetée au lieu de construire en retard. Et le leader autofinancé de ce marché enseigne la leçon inverse avec la même morale : en restant rentable et en ne vendant jamais de capital, il a gardé l'option que tous les autres ont vendue, l'option de dire non, à tout client, toute structure de contrat, tout trimestre. Dans un marché où vos clients sont vos futurs concurrents, l'optionnalité n'est pas un luxe. C'est ce que vos marges achètent.
Ainsi, la 50e entreprise entre là où l'échelle est encore en construction : un domaine difficile possédé complètement, des grilles d'évaluation, des vérificateurs et des environnements vendus au lieu d'heures, des benchmarks publiés dès le premier jour, la deuxième classe d'acheteurs construite avant d'être nécessaire, l'histoire du capital décidée dès le premier jour : autofinancement et garder l'option, ou lever gros et acheter des échelons, jamais le milieu. Et si vous n'en fondez pas une mais décidez d'en rejoindre une, posez-vous les mêmes questions de l'intérieur : lequel des 6 produits cette entreprise vend-elle réellement, à la confiance de qui tient-elle, à quelle horloge son format actuel est-il soumis, où va le cash des bons de commande, et qui est le deuxième client après les laboratoires. Une entreprise avec de bonnes réponses à ces questions mérite d'être rejointe, car sur les fusées, on apprend souvent des choses sur un calendrier compressé.
Dans 5 ans
À quoi bon écrire tout cela si je n'ai pas terriblement raison ou horriblement tort sur certains de ces points. Voici donc ma vision à 5 ans.
Le marché brut croît pendant des années. Le mécanisme de demande ne s'arrête pas tant que la course des laboratoires reste non résolue, et il y a un test de stress programmé au calendrier : les premières introductions en bourse des laboratoires (très proches aujourd'hui, en juillet 2026), quand les dépenses de données deviennent une ligne de compte que les analystes publics questionnent chaque trimestre. Mon intuition est que la composition tourne violemment sous la croissance. Les heures meurent en premier, et sont déjà presque mortes. Les environnements génériques se commoditisent en hubs ouverts. La valeur se concentre dans le jugement de pointe, la vérification et la provenance, les arbitres, la capture physique, et les salles de sport privées pour les entreprises, et si je devais les classer, vérification et salles de sport d'entreprise en premier car les deux deviennent plus fortes à mesure que les laboratoires deviennent plus forts, physique en second car c'est le seul segment où l'offre plutôt que la demande est le goulot d'étranglement. Parmi les plus de 100 entreprises qui vendent aujourd'hui aux laboratoires (j'ai créé une liste et abandonné à mi-chemin quand j'ai réalisé que la tentative était vaine car elle devient obsolète la minute suivante), je m'attends à ce que moins de 10 soient encore indépendantes et à l'échelle en 2031. La plupart cesseront leurs activités avec des fondateurs riches. Les autres seront absorbées, par les géants qui achètent des échelons, ou par les laboratoires eux-mêmes, discrètement, pour les personnes.
Les gagnants sont lisibles si vous regardez ce qu'ils font déjà. Le leader autofinancé de la qualité devient le standard, le nom dont l'acceptation est elle-même une certification. Le géant acquisitif devient une bourse où le travail d'expert est évalué, vérifié et vendu, quel que soit l'acheteur, et si les laboratoires sont jamais déplacés en tant que clients, les employeurs se tiennent prêts. Les constructeurs d'environnements qui survivent se réveillent en tant qu'industrie de simulation pour entreprises. Les arbitres, s'ils restent non possédés, finissent la décennie en ressemblant à des agences de notation, inscrits dans les règles d'achat et peut-être dans la loi. Et quelque part dans le monde physique, une entreprise collectant des données industrielles fusionnées par capteurs cumule vers le fait d'être le Scale de l'ère incarnée, 5 ans plus tôt sur cette courbe que tous ceux qui se pressent sur la courbe numérique.
Un fondateur dans ce marché a soutenu que les données humaines deviennent une affaire de mille milliards de dollars par an, et il a raison sur le point le plus profond : les modèles apprennent des humains à chaque étape, pour toujours. Ce que le millier de milliards oublie, c'est qu'il valorise le temps humain, pas l'intermédiaire. La part de l'intermédiaire est décidée par le fait qu'il possède quelque chose de plus rare qu'un tableur de sous-traitants. La bonne nouvelle pour tous ceux qui construisent ici est que les choses rares sont maintenant connues, et chacune d'elles est constructible avec exactement le cash que ce marché génère : des réseaux d'experts possédés, des pistes de provenance, des franchises d'arbitres, des boucles fermées dans le monde physique.
Toute ruée vers l'or se termine de deux manières : soit l'or s'épuise, soit les mineurs s'industrialisent. Celle-ci se termine d'une troisième manière. L'or apprend à s'extraire lui-même. Lorsque cela arrivera, les fournisseurs qui resteront en lice seront ceux qui auront vendu à la mine la seule chose qu'elle ne pourra jamais creuser : la réponse à la question que chaque modèle se pose et qu'aucun ne peut résoudre : à quoi ressemble le bien ? Détenez cette réponse dans un domaine restreint, et vous avez une entreprise. Détenez-la avec suffisamment de crédibilité, assez longtemps, et vous cessez d'être un fournisseur dans la course de quelqu'un d'autre. Vous devenez une partie de la façon dont la course est notée.
