Note de la rédaction : Alors que l'IA commence à écrire du code, traiter les tickets client et examiner des documents juridiques, une question plus fondamentale émerge : ce que les entreprises achètent réellement, est-ce des tokens, des heures GPU, ou le travail accompli ?

Cet article propose un cadre à surveiller : la commercialisation de l'IA ne doit pas être comprise uniquement comme un « marché de la puissance de calcul » ou un « marché d'appels de modèles », mais évolue vers un nouveau « marché du travail machine ». Dans ce marché, les jetons ne sont que des unités de mesure, les GPU sont des intrants, les modèles sont des outils de production, et ce qui est véritablement valorisé et échangé, c'est le travail économique accompli directement par les logiciels.

Le jugement central de l'article est que le mécanisme de tarification par IA évoluera depuis les jetons bruts, en passant par des modèles standardisés et des forces de travail sectorielles, jusqu'à des marchés de résultats programmables. Autrement dit, à l'avenir, les entreprises ne s'intéresseront plus à savoir quel modèle ou quel GPU a accompli une tâche, mais à savoir si des résultats conformes aux normes ont été livrés dans les délais, avec la précision, la fiabilité et le coût prévus.

Cela signifie également que l'impact de l'IA sur le marché du travail humain ne se limite pas à une simple substitution. Alors que les machines assument davantage de tâches standardisables et vérifiables, le rôle humain pourrait évoluer vers la révision, la prise de responsabilité, la gestion du contexte et le jugement final. Dans certains cas, les 1 % de jugement humain final deviendront même plus précieux, car ils permettent de libérer les 99 % d'automatisation à grande échelle.

De ce point de vue, la prochaine étape de la concurrence sur le marché de l'IA ne sera peut-être plus seulement une bataille de capacités de modèles, ni une simple guerre des prix en matière de puissance de calcul, mais plutôt une course à qui saura en premier standardiser, vérifier et valoriser le « travail », afin que la main-d'œuvre machine devienne un nouveau facteur de production pouvant être acheté, régi et échangé.

The following is the original text:

Les vagues de productivité ont toujours émergé de l'élaboration d'outils et de logiciels pour les humains, visant à optimiser la manière dont le travail est accompli. Les tableurs ont aidé les comptables et les analystes, les convoyeurs ont augmenté le débit, et les marteaux ont amplifié la puissance humaine. Mais le véritable travail est toujours venu des humains.

Maintenant, l'IA produit directement des résultats de travail de bout en bout, en exécutant elle-même le travail. Elle peut écrire du code, traiter des tickets de support client, examiner des documents juridiques. La fin de la pile technologique est en train de se comprimer : l'ancienne pile technologique soutenait le travail, tandis que la nouvelle pile commence à produire le travail.

Si vous avez récemment entendu parler de la financiarisation de l'IA, vous avez probablement entendu des personnes comme Jensen affirmer que les tokens LLM et/ou les heures GPU deviennent de nouvelles matières premières. Cette intuition est compréhensible, car les tokens sont mesurables, facturables et faciles à représenter graphiquement ; derrière les heures GPU se cachent des milliards de dollars d'investissements. Mais les tokens ne sont que des compteurs, et les heures GPU ne sont que des intrants : personne ne les achète pour les posséder en soi. Ce que les gens veulent vraiment, c'est accomplir leur travail. L'IA est en train de transformer la pile technologique elle-même en source de main-d'œuvre.

Main-d'œuvre machine : travail exécuté par un logiciel, ayant une utilité économique, et vendu dans le processus de production.

Le marché se déplace déjà dans cette direction. Sarah Tavel de Benchmark privilégie la compréhension de cette opportunité via le marché du travail externalisé, plutôt que par le biais des catégories logicielles. Si une tâche répétitive est normalement effectuée par une équipe offshore spécialisée ou une société de services professionnels, elle est souvent également adaptée à être réalisée par l'IA. Alex Rampell de a16z appelle cela « la logiciellisation du travail » : la prochaine scène du logiciel est d'accomplir les tâches directement. Julien Bek de Sequoia décrit ce même changement sous un autre angle : les services deviennent des logiciels ; les copilotes vendent des outils, tandis que les autopilotes vendent des travaux.

Le marché manquant derrière la fixation des prix

Les tarifs d'occupation sont facturés en fonction des droits d'accès, les tarifs token sont facturés en fonction de l'utilisation. Les tarifs basés sur les résultats sont facturés une fois le travail terminé. Les tarifs basés sur les résultats représentent un pas en avant, mais ils ne répondent toujours pas à une question : qui fixe le prix ?

Si la main-d'œuvre machine pouvait être achetée directement, les prix devraient découler de la concurrence entre les fournisseurs. Ces fournisseurs doivent être en mesure de répondre aux mêmes normes pour des tâches ou des travaux similaires, ce qui nécessite la mise en place de normes au sein de différents secteurs et types de tâches.

La pratique actuelle consiste à utiliser des tokens LLM, mais le token original n’est qu’une unité de base. Un baril de pétrole n’est qu’une unité de mesure ; ce qui est véritablement échangé, c’est un baril de pétrole d’un grade spécifique, avec des qualités, des conditions de livraison et un prix de marché bien définis. Un baril de pétrole Brent et un baril de pétrole lourd et soufré ne sont pas le même bien. Il en va de même pour les tokens LLM : le token n’est qu’une unité de mesure ; ce qui compte vraiment, c’est l’intelligence qui se trouve derrière : la qualité du modèle, les seuils de benchmark, la latence, la fenêtre de contexte, la fiabilité et les garanties de livraison. Un million de tokens provenant d’un modèle de code de pointe n’est pas le même bien qu’un million de tokens provenant d’un modèle généraliste bon marché. Le marché a besoin de grades d’inférence standardisés, tout comme le marché énergétique a besoin de grades de pétrole standardisés.

Anjali Shriva a directement souligné cela : un token n'est pas une unité de coût fixe. Son économie varie en fonction de la longueur du contexte, de la structure de la tâche, du rapport entrée/sortie, du nombre de tentatives, des appels d'outils et du flux de travail de l'Agent. Un token dans une courte invite n'est pas le même objet économique qu'un token enfoui dans une longue boucle d'Agent.

Nous faisons déjà cela sur le marché du travail humain. Personne n'embauche un radiologue comme un « heure humaine » généralisée. Les gens examinent la formation, les certifications, la spécialisation, l'expérience, la disponibilité, la réputation, la responsabilité, etc. Différents contrats humains correspondent à des normes minimales et des attentes de niveau différents.

Le marché du travail humain fonctionne déjà selon ces spécifications, bien que celles-ci soient souvent imprécises, qualitatives et remplis de divers indicateurs proxies. Le travail machine rendra ces spécifications plus explicites et plus quantifiables.

Pour les LLM ou les agents, des indicateurs tels que les compétences, l'expérience, la vitesse et la fiabilité peuvent être directement intégrés dans un contrat : scores de benchmark, latence, débit, fenêtre de contexte, longueur maximale de sortie, précision d'utilisation des outils, temps de fonctionnement, taux d'erreurs. Nous pouvons acheter du travail selon des attentes et des résultats quantifiables.

Les spécifications contractuelles de TheGrid.ai sont essentiellement un filtre d'éligibilité, accompagné d'une concurrence sur les prix pour les sorties des LLM. Les fournisseurs qui répondent aux spécifications peuvent participer à la compétition :

Benchmark intelligent ≥ seuil minimal

Délai ≤ limite

Débit ≥ seuil minimal

Uptime ≥ seuil minimal

Taux d'erreur ≤ limite

Une fois que tous les fournisseurs ont atteint le même seuil minimal, ils commencent à concurrencer sur les prix. L'acheteur se demande : quel fournisseur peut livrer le travail requis au meilleur prix ?

Le recrutement de radiologues devient, dans le contexte des LLM, un problème mesurable : quels LLM peuvent lire les radiographies avec un haut niveau de compétence et accomplir la tâche dans des délais, une fenêtre de contexte et d'autres spécifications contractuelles basées sur les résultats définis.

Le résultat est la manière dont les acheteurs mesurent le succès ; le travail est l'activité économique fournie ; le token est le carburant consommé par la machine pendant l'exécution de la tâche.

The Grid est le marché du travail automatisé.

Du token au marché du travail automatisé

Le marché peut valoriser les investissements dans la pile technologique, mais pour valoriser les résultats, il faut un marché du travail machine. Les acheteurs ne se soucient pas des heures GPU. Les points de terminaison des modèles ne sont pas non plus stables : ils sont renommés, abandonnés, emballés ou directement retirés.

Les utilisateurs et la liquidité détestent les changements fréquents. Les GPU et les modèles évoluent continuellement, mais l'unité stable est le travail lui-même.

Je pense que le marché évoluera selon le chemin suivant. À chaque niveau supérieur, ce qui est acheté devient plus abstrait, plus précieux, mais aussi plus difficile à vérifier. The Grid devrait progresser progressivement le long de cette échelle :

Token original → Marché des capacités LLM commercialisées → Marché du travail commercialisé → Marché des résultats programmables

Claude 4.7, GPT 5.5, Kimi 2.6, DeepSeek V4, GLM 5, etc.

Aujourd'hui, les acheteurs achètent les sorties de modèles bruts auprès de fournisseurs d'inférence. Ils envoient leurs propres invites, reçoivent les résultats d'inférence et paient en fonction de leur utilisation. Cela est facile à vérifier, mais il s'agit toujours uniquement de matières premières. Ce que les acheteurs veulent vraiment, ce n'est pas les jetons, mais un accès intelligent utile au meilleur prix.

Par exemple text/usd, code/usd, agent/usd, etc.

L'acheteur ne choisit plus un modèle spécifique, mais une catégorie d'intelligence adaptée à ses besoins. L'acheteur conserve toujours le contrôle sur le flux de travail, les invites, les données et la logique d'application. The Grid se contente de router chaque demande vers le modèle qualifié qui répond aux spécifications du contrat et propose le prix le plus bas.

Remarque : il s'agit du premier niveau d'abstraction réel au-dessus du token original, et c'est l'emplacement actuel de TheGrid.ai.

Par exemple accounting/usd, support_agent/usd, legal/usd, healthcare/usd, radiology/usd, etc.

À mesure que les modèles deviennent plus spécialisés, le marché des capacités peut évoluer vers des marchés spécifiques à chaque secteur. Cela ressemble à la spécialisation professionnelle des humains sur différents marchés du travail.

À ce niveau, nous vendons des capacités d'inférence adaptées aux flux de travail des secteurs professionnels spécifiques. À mesure que les modèles sectoriels deviennent de plus en plus courants, ce marché s'étendra rapidement. Des exemples pertinents incluent Composer de Cursor, Harvey dédié au domaine juridique, et EvidenceOpen pour la santé.

Par exemple support_ticket_resolved/usd, pr_merged/usd, claim_processed/usd, etc.

La dernière couche est l'endroit où The Grid passe du marché de l'inférence au marché du travail machine.

Cette couche nécessite des mécanismes tels que les RFQ (demandes de devis), des comptes de dépôt, un règlement différé, la confirmation de l'acheteur, la réputation du fournisseur, un mécanisme de retenue et un processus de résolution des litiges. Elle commencera probablement par les RFQ plutôt que par l'adoption directe d'un carnet d'ordres. L'acheteur définit le périmètre du travail, les contraintes, les critères d'acceptation et les conditions de règlement, tandis que les agents soumissionnent pour accomplir la tâche. The Grid aide à acheminer, fixer les prix, vérifier et régler ces travaux.

C'est la couche la plus précieuse, mais aussi la plus difficile à vérifier, car les résultats peuvent être retardés, subjectifs et facilement manipulables. Un ticket client peut être rouvert ; une PR peut avoir passé les tests, mais entraîner malgré tout une architecture défectueuse.

Coût total = Coût du travail accompli + Coût de la prise de risque

Un flux de travail ne devient pas automatiquement un marché simplement parce que l’intelligence devient commerciale ou moins coûteuse. Certains travaux dépendent fortement de contextes privés, comme l’historique des clients ou les politiques internes. Plus un travail dépend du contexte, moins il est susceptible d’être clairement liquidé sur un marché ouvert. [@hypersoren https://hypersoren.xyz/posts/cybernetic-arbitrage/]

Le marché doit révéler quelles catégories d'emplois vont s'élargir et lesquelles vont se réduire.

« Main-d'œuvre machine vs main-d'œuvre humaine » ou « Main-d'œuvre machine & main-d'œuvre humaine »

Anjali Shriva note dans son brouillon de conception mécaniste que les récits sur l'IA sont trop souvent décrits comme une substitution. En réalité, il s'agit davantage d'un problème de coordination : lorsque les humains et les machines participent tous deux à la production, comment le travail, l'attribution, les incitations et la valeur sont-ils réorganisés ?

Aujourd'hui, de nombreuses utilisations de l'IA au sein des entreprises restent bloquées, car les employés utilisent l'IA en privé, les flux de travail restent figés au niveau individuel, et les entreprises ne peuvent pas facturer ces gains de productivité ni les rendre évolutifs.

La plupart des tâches automatisables seront transférées aux machines. Une partie du travail deviendra la révision humaine, la prise de responsabilité, la formation et la gestion du contexte. Dans certains cas, les 1 % derniers jugements humains deviendront plus précieux, car ils permettront de débloquer à grande échelle les 99 % de travail automatisé.

Rachel Su Park, dans son ouvrage « Brave New World of AI Markets », souligne que le TAM de l'IA ne doit pas être modélisé simplement comme un remplacement des dépenses humaines actuelles, car il modifie à la fois les prix et les quantités. À mesure que les coûts du travail diminuent, le prix unitaire peut baisser, mais la quantité consommée peut augmenter, car les travaux existants seront consommés plus fréquemment et de nouveaux travaux auparavant non économiquement viables deviendront possibles. L'article le résume ainsi :

P × Q : Taille du marché = Prix unitaire du travail × Quantité de travail consommée

Si l'IA rend les interactions avec le service client moins coûteuses, les entreprises pourront offrir un service disponible 24/7. Ce marché ne sera pas simplement une version moins chère du marché traditionnel du service client, mais pourrait devenir un marché plus vaste d'interactions avec les clients.

L'IA est un marché expansionniste, car lorsque le coût du travail diminue, la demande ne reste pas constante.

Couche de main-d'œuvre

Le marché du travail machine devrait commencer par les tâches dont les spécifications peuvent être clairement définies. Les heures GPU contiennent trop d'informations sur les entrées et ne vous indiquent que ce qui soutient la tâche ; tandis que tarifer le résultat complet est trop complexe et trop dépendant du contexte. Au fur et à mesure que la vérification, la réputation et la tarification des risques/assurances seront progressivement prises en charge par les machines, le marché évoluera vers une couche purement axée sur les résultats.

La main-d'œuvre machine peut devenir négociable, car les acheteurs s'intéresseront de moins en moins à quel modèle ou à quelle GPU a produit le travail, et de plus en plus à savoir si le travail lui-même répond aux normes et niveaux minimaux stipulés dans le contrat au bon prix. Les agents seront encore moins préoccupés par ces sources sous-jacentes.

Les machines peuvent désormais exécuter directement des travaux ayant une utilité économique, et ces travaux peuvent être définis, mesurés, tarifés, achetés et enfin échangés. L'électricité, la puissance de calcul, les modèles et les tokens restent bien sûr importants, mais ils se situent tous en amont.

C'est en aval que le travail est véritablement accompli, et le marché tend vers un objet plus simple : la main-d'œuvre machine.