La startup d'intelligence artificielle de la Silicon Valley évolue alors que les modèles de dépense et de gestion de jetons évoluent

L'ingénieur en IA de la Silicon Valley, Ma Peiyuan, basé sur plus de quatre ans d'observation du secteur, identifie dix changements significatifs actuels : le recrutement passe des spécialistes aux profils polyvalents ; la capacité à utiliser les outils IA dépasse les années d'expérience ; les structures organisationnelles deviennent plus plates, et les gestionnaires doivent posséder des compétences techniques, tandis que le rôle de people manager disparaît ; l'utilisation des tokens passe d'une quête aveugle de quantité à une attention portée à l'efficacité, les grandes entreprises reprenant leurs calculs ; le culte des modèles est remis en question, et la Silicon Valley privilégie désormais l'orchestration de plusieurs modèles bon marché et de pointe ; une nouvelle infrastructure pour l'IA émerge, et les agents IA verticaux conservent une valeur d'investissement car ils résolvent des problèmes réels « non entraînables ». Ma Peiyuan souligne que dans le domaine de l'IA, une année constitue une période très longue, et que la plupart des jugements peuvent être contredits en un mois.

Auteur et source de l'article : 36kr

Tous les consensus expirent rapidement

Tout le monde tente d'établir des jugements sur l'IA, mais tous les consensus deviennent rapidement obsolètes.

Entrevue | Ba Rui, Brise de mer

Article | Hai Feng, Liu Sijie

Édité par Liu Sijie

Source de l’image de couverture | Photo prise par l’interviewé

La phase de croissance sauvage est révolue.

C'est la sensation la plus profonde de Ma Peiyuan, qui se trouve en première ligne des startups d'IA à Silicon Valley.

En décembre 2021, après avoir obtenu son diplôme de licence, il a rejoint Quora, surnommée « la version américaine de Zhihu », puis a migré vers Poe, une plateforme d'agrégation de chatbots IA, en tant qu'ingénieur IA senior. Il a rejoint il y a deux mois Cognition, la start-up d'agents IA la plus en vue de la Silicon Valley.

En mai 2026, cette entreprise, créée il y a moins de trois ans, a annoncé avoir levé plus de 1 milliard de dollars, portant sa valorisation à 26 milliards de dollars. Huit mois plus tôt, sa valorisation s'élevait à 10,2 milliards de dollars.

En plus d’être ingénieur, Ma Peiyuan a un autre rôle : chasseur de talents en investissement (Venture Scout). Il recherche pour des fonds d’investissement des projets de start-up AI prometteurs, avec un budget annuel de 500 000 dollars américains.

Au cours des quatre années suivant son diplôme, il a semblé agir toujours plus tôt que le consensus de l’industrie de l’IA : avant que le terme « agent » ne soit clairement défini par quiconque, son équipe avait déjà secrètement lancé un projet. Lorsqu’Anthropic n’était encore qu’une inconnue, ils sont devenus les premiers utilisateurs approfondis de Claude. Il était le premier ingénieur certifié en IA de l’équipe, puis le premier ingénieur en agents IA, avant de transformer toute l’équipe d’ingénierie en une équipe AI Native utilisant l’IA pour programmer.

La preuve la plus intéressante de cette avance cognitive et actionnelle s'est produite il y a deux semaines, lorsqu'il a mentionné au cours d'une discussion avec « Future Human Lab » que les « people managers » étaient en voie de disparition, peu de temps avant que Tencent et ByteDance n'annoncent l'élimination des postes intermédiaires.

Les changements se produisent trop rapidement ; à Silicon Valley, il faut constamment vivre avec le changement.

Entre les deux entretiens de cet article, Ma Peiyuan s'est rendu compte que la logique qu'il avait exposée lors de son précédent entretien — selon laquelle la Silicon Valley poursuivait les modèles les plus chers et les plus avancés — commençait à s'effondrer. La pratique actuelle en vogue à la Silicon Valley consiste à combiner et à orchestrer plusieurs modèles abordables avec des modèles de pointe.

J'ai discuté pendant près de cinq heures avec Ma Peiyuan, et nous avons constaté qu'il se contredisait presque constamment par rapport à ce qu'il avait dit hier — la Silicon Valley fait de même. « Je ne peux pas tout dire, mais vous pourriez dire que plus de 60 %, un mois plus tard, pourrait être exactement l'inverse. »

Au cours des dernières années, l'IA a presque réécrit toutes les règles par défaut de la Silicon Valley : quelles personnes ont plus de chances de se démarquer, quelles organisations sont plus compétitives et où il vaut mieux investir son argent.

Bien sûr, ces jugements sur les soi-disant « bonnes réponses » deviennent également rapidement obsolètes. Dans le domaine de l'IA, une année représente déjà une période très longue, et de nombreux jugements peuvent être contredits en un seul mois.

Voici les 10 observations sur l'IA à Silicon Valley que Ma Peiyuan considère comme particulièrement actuelles :

Ma Peiyuan

Le profil professionnel de Ma Peiyuan correspond parfaitement au type de candidat que les entreprises de l'IA de la Silicon Valley recherchent le plus. Il ne possède pas un parcours traditionnel en informatique, n'a pas remporté de médailles d'or à des compétitions, n'a pas le prestige d'une université de premier plan, et a même été un jour totalement indifférent à l'informatique. Pourtant, au cours des quatre dernières années, il est passé de l'équipe publicité de Quora à ingénieur IA chez Cognition, et son parcours correspond à chaque mot-clé du profil de candidat le plus recherché actuellement par les entreprises d'IA de la Silicon Valley. Son expérience est à la fois une histoire personnelle de croissance et un exemple des évolutions des critères de recrutement dans le secteur.

Observation 1 : Le généraliste domine le spécialiste

Le profil de candidat le plus recherché à Silicon Valley n'est pas l'expert le plus spécialisé dans un domaine, mais celui qui « excelle dans tous les domaines sans faiblesse évidente » — on appelle cela dans l'industrie un polyglot talent, ou plus familièrement, un « guerrier hexagonal ».

En 2024, un projet appelé « agent », dont la définition n’était encore claire pour personne, a été lancé en interne chez Poe. On m’a choisi, ce nouveau venu, pour une raison très directe : « j’ai déjà travaillé sur l’IA, ainsi que sur le développement full-stack et iOS ». Les autres membres de l’équipe étaient principalement issus de milieux traditionnels du machine learning, de la recherche, de la publicité et de la recommandation ; ils ne comprenaient pas le code frontend, alors que l’agent nécessitait justement quelqu’un capable d’écrire une interface frontend. Après le départ de la personne chargée auparavant de l’ingénierie des prompts IA, personne dans l’équipe ne pouvait combler ce vide. C’était donc parfait : comme j’apprenais vite, j’ai pris en charge à la fois l’ingénierie des prompts pour cet agent et son développement frontend.

Ce package de compétences « un peu de tout » est devenu plus tard mon atout le plus précieux lors de ma recherche d’emploi. Donnez-moi n’importe quel nouveau domaine, et je peux l’apprendre à peu près en deux semaines. Et c’est exactement le type de personne que recherchent les startups au début.

Observation 2 : Les compétences natives en IA peuvent écraser en peu de temps l'ancienneté de l'expérience.

La capacité à utiliser des outils d'IA peut directement écraser les qualifications accumulées par le simple passage du temps.

Lorsque je suis passé du groupe publicité Quora au groupe iOS, j'ai justifié mon choix par le fait que je voulais sortir de ma zone de confort, mais à ce moment-là, je ne connaissais absolument rien à l'iOS : j'étais un total « zéro année d'expérience ». Au lieu de suivre une formation progressive, j'ai fait de GPT-4 mon partenaire. Entouré de développeurs iOS très expérimentés qui ne croyaient peut-être pas en l'IA, je ne savais ni écrire d'iOS ni du code Swift, alors j'ai intensément utilisé l'IA pour m'aider à écrire le code.

En conséquence, en tant que nouveau venu avec seulement trois à quatre mois d’expérience, j’ai atteint et même dépassé la productivité des ingénieurs chevronnés qui travaillent à mes côtés depuis des années, et j’ai atteint un poste senior en seulement deux ans. Ce rythme est presque impossible dans les systèmes de promotion traditionnels. Avant cela, chez Facebook, il fallait au moins quatre à six ans pour devenir ingénieur senior. Certains chez Google n’atteindront jamais ce niveau au cours de leur carrière.

J'ai déjà rencontré un recruteur de 19 ans chez Cognition. Au début, j'étais un peu déçu : un homme de 26 ans being interrogé par quelqu'un de 19 ans, et je ne pouvais pas répondre à beaucoup de questions. Plus tard, j'ai réalisé que c'était précisément un signe que l'entreprise véritablement valorise les talents sans se fier aux conventions, et que l'âge n'est plus une norme à Silicon Valley pour évaluer les compétences.

Observation 3 : Les critères de recrutement ont été entièrement réécrits ; les entreprises d'IA n'utilisent pas le même modèle pour les entretiens.

Avant de quitter Quora, j’ai sérieusement entrevu près de 20 entreprises, et environ 30 à 40 si l’on inclut les appels téléphoniques. Au plus fort, j’ai été contacté par plus de 30 recruteurs en une seule semaine.

Après avoir passé des entretiens dans tant d'entreprises, j'ai remarqué que les entreprises d'IA n'ont pas de modèle d'entretien uniforme.

Mais quelques changements sont évidents : l'importance des problèmes d'algorithmes au style LeetCode diminue, et les meilleures réponses sur la conception de systèmes d'IA changent chaque mois.

La structure des entretiens évolue également. Les tests en ligne combinés à un work trial sont devenus une nouvelle approche. Le work trial est une « période d'essai » très courte lors d'un entretien. Certains durent 3 heures, d'autres 5 heures, et au maximum une ou deux journées. Lors d'un entretien que j'ai eu, on m'a directement fourni un dépôt de code et on m'a demandé de résoudre un problème réel en utilisant n'importe quel outil, y compris l'IA. Une fois terminé, je devais présenter ma démarche et mes résultats. L'ensemble du processus était déjà très proche du travail réel.

Plus intéressant encore, l'évaluation de l'utilisation de l'IA elle-même est divisée en deux modes. Certaines sessions exigent l'utilisation obligatoire de l'IA, pour voir comment vous « par code » ; mais d'autres sessions interdisent explicitement l'utilisation de l'IA, comme lors des débogages, où il s'agit de tester si vous pouvez identifier les erreurs sans aide de l'IA, ce qui revient fondamentalement à évaluer votre niveau réel et votre goût en ingénierie logicielle.

Les entretiens eux-mêmes sont très variés. Par exemple, certaines entreprises me demandent de réaliser une analyse commerciale pour déterminer quel secteur elles devraient acquérir.

L'entretien comportemental a également changé. Il ne s'agit plus de questions traditionnelles comme « Votre plus grand défaut et votre plus grande force » ou « Comment gérez-vous un conflit avec un collègue », mais plutôt d'une exploration sur une période plus longue, en suivant votre trajectoire de croissance, du lycée à l'université, puis des stages à votre emploi, pour examiner votre « pente de vie » et évaluer si vous êtes une personne capable d'une croissance exponentielle.

Un avantage inattendu de l'absence de réponse standardisée est que personne ne peut obtenir une offre en apprenant par cœur des questions. Même mon référent chez Cognition m'a directement dit : « Ne te prépare pas, je ne vois rien à préparer. »

À Silicon Valley, les meilleures personnes n'appartiennent jamais à une entreprise en particulier, mais uniquement à « l'entreprise la plus exceptionnelle de leur époque ». Il y a vingt ans, c'était Google ; il y a dix ans, Uber et Robinhood ; il y a cinq ans, Coinbase ; aujourd'hui, ce sont les entreprises d'IA. Silicon Valley est « un plateau qui change de main, mais des soldats immuables ». Ces talents filtrés par de nouveaux critères restent davantage par un sens du devoir que par des avantages matériels. Ces organisations qui rassemblent les meilleurs esprits connaissent également des transformations majeures sous la révolution de l'IA.

Observation 4 : Trop d'avidité pour les « natifs de l'IA »

La soif des entreprises de la Silicon Valley pour les solutions native à l’IA dépasse largement mes attentes. Les entreprises que j’ai interviewées sont principalement en série A ou B, certaines en seed. Une question très fréquente est : « Quels outils d’IA utilisez-vous ? » Je leur envoie généralement directement mon blog, et ils sont presque toujours « bouche bée ».

Ils ont dit qu’ils ne voulaient pas seulement que je développe des applications IA, mais aussi que je pousse la transformation IA au sein de l’entreprise pour rendre l’équipe véritablement native à l’IA. Beaucoup d’entreprises développent déjà des produits IA, mais leurs employés n’ont pas encore établi leurs propres flux de travail IA. De plus, ils ont grand besoin de quelqu’un qui passe beaucoup de temps sur Twitter chaque jour, partageant en temps réel de nouvelles découvertes IA ou des astuces pour améliorer l’efficacité.

Cela m’a semblé un peu contre-intuitif. Certains de mes anciens « passe-temps », comme expérimenter quotidiennement de nouveaux outils tels que Claude Code ou partager des utilisations de l’IA sur Slack (un logiciel de bureau), sont devenus un nouveau rôle organisationnel.

Lorsque j'étais sur Quora, j'ai réussi à faire adopter Claude Code par toute l'équipe ingénierie. À chaque fois que je croisais un ingénieur au bureau, je lui demandais : « Utilises-tu l'IA pour programmer ? » Je me souviens d'un ingénieur spécialisé en cybersécurité qui résistait au départ, estimant que coder avec l'IA présentait un risque trop élevé. Je lui ai ensuite suggéré de changer de perspective : ne plus écrire de code, mais utiliser l'IA pour lire, comprendre la base de code et effectuer des analyses de données. Par la suite, il a effectivement commencé à l'utiliser.

Observation 5 : « Utiliser mieux l'IA » est en réalité une question de transformation organisationnelle

En travaillant sur l'IA chez Cognition, j'ai de plus en plus constaté un fait : mieux utiliser l'IA n'est plus seulement une question d'ingénierie, mais une question de transformation organisationnelle.

Par exemple, dans une entreprise Internet à structure organisationnelle traditionnelle, la correction d’un bogue passe souvent par plusieurs étapes : évaluation des besoins, planification technique, développement, tests et déploiement. Avec l’IA pour écrire le code, la correction elle-même ne prendrait que deux ou trois heures, mais l’ensemble du processus peut souvent durer un mois.

Auparavant, ce processus était raisonnable. Pour corriger un bogue, un ingénieur pouvait prendre trois à cinq jours ; la valeur du processus résidait dans la coordination entre les différentes équipes et l’allocation des ressources. Mais l’IA a réduit considérablement ce délai.

Aujourd'hui, avec des outils d'ingénieurs logiciels IA comme Devin, lancé par Cognition, nous pouvons accomplir en deux ou trois heures ce qui prenait plusieurs jours auparavant. Chez Cognition, nous utilisons même Devin pour identifier la personne responsable de ce bogue, puis l'aidons à le corriger, en éliminant de nombreux processus de coordination et de transfert inutiles. En réalité, l'IA pousse toute l'organisation à se transformer.

Observation 6 : Les managers de personnes disparaissent ; les gestionnaires doivent savoir coder eux-mêmes.

Ce qu'on appelle « people manager » correspond à un ingénieur manager (engineering manager). Aux États-Unis, une idée répandue ces dernières années est que, en tant que manager, il faut se concentrer sur la gestion : assurer la coordination d'équipe, faciliter la communication organisationnelle, prendre en compte les émotions des employés et offrir un soutien à leur développement, sans nécessairement posséder de solides compétences techniques.

Mais en entrant chez Cognition, j'ai découvert que la structure organisationnelle était extrêmement plate. Par exemple, mon supérieur direct était même le CPO, l'un des cofondateurs. Il ne s'occupait pas des détails de votre développement personnel ; son rôle ressemblait davantage à celui de définir la direction globale. On pourrait même dire que, parmi les 60 ingénieurs actuels chez Cognition, il n'y a qu'un seul véritable manager d'équipe, tandis que les autres, y compris le CPO, sont tous « à la fois managers et développeurs ». C'est totalement différent de mon expérience précédente chez Quora, où un manager pouvait encadrer cinq à six ingénieurs.

L'équipe Cognition porte collectivement des vêtements rouges pour célébrer l'anniversaire d'un collègue qui aime porter du rouge au quotidien.

Je pense que cela pourrait être un changement organisationnel apporté par l'IA. J'ai remarqué que toute start-up d'IA dynamique fonctionne ainsi : il y a presque aucun manager dédié uniquement à la gestion des personnes — s'il gère des gens, il est également très compétent techniquement.

Ce jugement ne se produit pas seulement à la Silicon Valley ; entre deux entretiens espacés de deux semaines, les grandes entreprises nationales Tencent et ByteDance ont également annoncé successivement la suppression des postes de milieu de direction.

Les changements observés par Ma Peiyuan ne se limitent pas au niveau organisationnel. Une appréciation plus globale de l'industrie : « Dans les entreprises de l'IA de la Silicon Valley, quel type de dépense en token est raisonnable, et quel modèle constitue un bon modèle ? » est également en train d'être remis en cause à une vitesse visible à l'œil nu. Cette fois-ci, même les jugements qu'il avait formulés lors de sa première interview n'ont pas résisté deux semaines.

L'industrie de l'IA à Silicon Valley se réinvente elle-même chaque mois, voire chaque jour, et aucune judgment ne reste valable longtemps.

Observation 7 : Token Maxxing a connu une divergence, les grandes entreprises reprennent intérêt pour l'efficacité

Au début de cette année, « Token-Maxxing » a été à la mode à Silicon Valley. Des entreprises comme Meta ont même établi des classements d'utilisation des tokens. Celui qui en utilisait le plus était considéré comme le représentant de l'« AI-native ». Je pense que c'est d'abord une chose très stupide — le volume d'utilisation des tokens AI ne peut pas être équivalente à l'efficacité des ingénieurs.

Mes contacts chez Google et Meta m'ont dit qu'ils étaient tous en pleine « révolution IA ». Les entreprises organisaient des « Semaines IA » pendant lesquelles tout le monde devait arrêter son travail habituel pour rédiger des compétences IA et présenter ses compétences de manière éblouissante.

Au départ, presque toutes les entreprises ont adopté cette approche : encourager les gens à utiliser l'IA autant que possible, pour voir jusqu'où elle peut être appliquée.

Mais une fois que cela devient un classement public, le comportement des gens est déformé. Les ingénieurs utilisent les outils uniquement pour « les utiliser beaucoup », voire dans des situations absurdes, comme faire exécuter à l'IA des tâches aléatoires et inutiles chaque soir uniquement pour augmenter le volume d'utilisation. Cela revient à évaluer les compétences des étudiants uniquement par leur moyenne pondérée : un seul indicateur est facilement déformé.

Par la suite, de nombreux cadres supérieurs ont également commencé à prendre conscience de ce problème. Plus précisément, ils ont été choqués par les factures. Par exemple, pour Uber, le budget dédié à l'IA pour l'année 2026 a été presque entièrement dépensé au cours des quatre premiers mois. De nombreuses grandes entreprises ont commencé à réimposer des limites sur l'utilisation des tokens. Les conseils d'administration et les PDG commencent à se demander : cette utilisation de tokens en vaut-elle vraiment la peine ? Peut-elle vraiment nous permettre d'améliorer notre efficacité à ce point ? Une dépense d'un milliard de dollars génère-t-elle vraiment un milliard de revenus ?

Cette anxiété a rapidement été transformée par Cognition en une réponse commerciale clairement valorisée. Le 4 juin, Cognition a lancé la « Garantie de productivité IA » : si un client entreprise n’atteint pas le niveau de productivité promis après utilisation de Devin (le produit d’ingénieur logiciel IA de Cognition), une indemnité maximale de 10 millions de dollars américains sera versée. L’étude a été menée par un de mes collègues, triple médaillé d’or aux Olympiades internationales d’informatique, qui a analysé 233 cas clients réels, sélectionné aléatoirement des conversations entre clients et Devin, et demandé aux clients : « Combien de temps faudrait-il pour accomplir ce travail entièrement à la main sans Devin ? » Ces données ont ensuite été utilisées pour entraîner un système de prédiction transformant chaque interaction avec Devin en « heures équivalentes d’ingénieur », puis en estimant les économies réalisées grâce au salaire horaire d’un ingénieur.

Mais de nombreuses entreprises de YC pourraient continuer le modèle du « token maxxing », car elles bénéficient de nombreux quotas de tokens gratuits favorisés par les politiques, et étant de petite taille — peut-être seulement trois personnes — elles n’ont pas de problèmes de gouvernance par l’IA ; les gestionnaires peuvent directement voir si chacun utilise ou non l’IA pour tricher.

Observation 8 : Le culte du modèle est lui-même en train d'être renversé

Entre les deux entretiens de cet article, j'ai réalisé que les raisonnements que j'avais exposés la dernière fois commençaient à ne plus être tout à fait justes.

Il y a deux semaines, je discutais encore du modèle le plus avancé actuel. Maintenant, Cognition vient de lancer en interne une fonction encore sans traduction chinoise, appelée en code « fusion mode » — qui combine et planifie l'utilisation de plusieurs modèles abordables avec les modèles de pointe, au lieu d'appeler systématiquement le plus cher. Vous n'utilisez pas votre Porsche pour faire vos courses, n'est-ce pas ? Vous prenez plutôt votre Honda ou une voiture moins chère. La vitesse d'itération des modèles ces deux dernières semaines a également dépassé mes attentes ; je n'ose même plus affirmer avec certitude qui est le « numéro un ».

Je ne peux pas tout dire, mais vous pourriez dire plus de 60 % ; beaucoup pourraient être à l'inverse un mois plus tard.

Ainsi va la loi de l'évolution de toute vague technologique : la chute de l'ancien consensus est souvent le début d'un nouveau paradigme.

Lorsque le marché a cessé d'adorer aveuglément les modèles uniques et la consommation énergétique de calcul, la demande a explosé autour de questions telles que « comment rendre l'IA stable et contrôlable » et « comment résoudre les problèmes difficiles que les grands modèles ne parviennent pas à surmonter ». Observant cette tendance du point de vue à la fois d'ingénieur et de chasseur de têtes investisseur, Ma Peiyuan a remarqué qu'une nouvelle génération d'entreprises, ne s'appuyant pas sur le mythe des grands modèles et se concentrant sur la résolution de problèmes complexes du monde réel, émergeait discrètement dans le non-consensus de la Silicon Valley.

Observation 9 : Une nouvelle infrastructure IA émerge

Autour du « Token-Maxxing », un certain nombre de nouvelles startups ont déjà émergé. Elles surveillent et analysent l’utilisation de l’IA par les équipes pour identifier les gaspillages de tokens.

Le problème plus profond derrière cela est que les agents IA sont intrinsèquement fragiles. Une légère modification d’un prompt peut entraîner une dégradation des performances de l’agent. De nouvelles infrastructures IA commencent donc à émerger, comme les sandbox (environnements isolés), destinées à isoler l’exécution des agents afin d’éviter qu’ils n’interagissent directement avec des systèmes sensibles, tels que des comptes bancaires ou des données d’environnement de production.

En parallèle, « l'observation » elle-même est devenue plus complexe. Les systèmes traditionnels peuvent être surveillés dès qu'une erreur est signalée, mais les agents ne « signalent pas d'erreurs ». Ils peuvent fonctionner normalement tout en présentant des problèmes graves au niveau de la sortie, comme des biais, de la discrimination ou une expérience utilisateur nettement négative. Cela nécessite un nouveau type de logiciel pour détecter quand l'agent « a un problème mental ».

Observation 10 : Ce qui est « non entraînable » devient un nouveau métier

Dans le monde des investissements, une opinion de plus en plus répandue est que les agents verticaux (vertical agents) n’ont plus de valeur investissement. Mais je ne suis pas entièrement d’accord.

L'investisseuse de la Silicon Valley Sarah Guo a proposé un concept appelé « the untrainable », soit « l'irréductible ». L'idée centrale est que, dans de nombreux secteurs verticaux, les modèles linguistiques ne pourront jamais entièrement automatiser les processus, car ces secteurs regorgent de processus complexes qui ne peuvent pas être abstraits et nécessitent souvent une intervention humaine pour les résoudre un par un.

Par exemple, pour la déclaration d'impôts aux États-Unis, il y a 50 États avec 50 systèmes fiscaux différents, qu'il faut intégrer un par un ; il en va de même dans le domaine juridique : le droit de l'immigration, le droit civil, le droit commercial, chacun ayant un système complexe propre, l'agent IA ne peut pas y parvenir en une seule étape.

La valeur des entreprises d'agents AI verticaux réside dans la découverte continue de véritables points de douleur à travers les interactions avec les clients et les FDE (ingénieurs de déploiement de pointe). Ces éléments seront intégrés dans les produits de l'entreprise, ce qui constitue exactement ce que les grandes entreprises ne peuvent pas entraîner et que les modèles généraux ne peuvent pas absorber.

Je pense donc que les agents verticaux conservent toujours une valeur d’investissement. Toutefois, les rendements qu’ils génèrent ne seront probablement pas de 1000 fois, mais plutôt de 20, 50 ou même 100 fois — des rendements plus stables et plus modérés.