La Douve Moderne

TL;DR

La douve commerciale déterminante du XXIe siècle, le logiciel pur, s’effondre rapidement à mesure que l’IA générative fait tomber le coût du code à zéro, en miroir de la manière dont l’agglomération industrielle chinoise a déjà détruit la douve du matériel pur. La simple difficulté de production ne protège plus une entreprise dans aucun des deux domaines, si bien que le profit durable s’est déplacé dans les interstices entre les bits et les atomes. Pour bâtir aujourd’hui une entreprise défendable, les fondateurs doivent abandonner le modèle générique du fournisseur de logiciels et agir comme un principal qui possède de bout en bout un véritable flux de travail physique. En intégrant étroitement au moins trois des quatre facteurs clés (matériel personnalisé, logiciel spécialisé, relations acquises et données propriétaires), une entreprise moderne peut livrer un résultat garanti tout en récoltant la boucle fermée de données qui devient la véritable douve. Un concurrent qui démarre aujourd’hui ne poursuit pas une avance fixe. Il poursuit une avance qui s’allonge à chaque fois qu’un travail est accompli.

Préface et objectif

Ce rapport développe l’unique affirmation sur laquelle repose tout le reste de ma théorie des douves : le logiciel pur n’est plus une douve défendable, et le matériel pur a cessé d’en être une une fois que la Chine a mis à l’échelle son hégémonie manufacturière. Les deux sont souvent brandis comme des slogans. Je veux retirer le slogan et remettre le mécanisme à la place. Pourquoi chaque effondrement s’est produit, quelles hypothèses se sont discrètement brisées, comment les deux se nourrissent l’un l’autre, et où le profit durable peut encore être capturé. Je l’ai écrit pour se suffire à lui-même, afin qu’un lecteur futur, ou un futur modèle, puisse saisir tout l’argument sans la conversation qui l’a produit.

Pendant environ trente ans, la stratégie technologique a supposé que le monde numérique produisait un profit durable, à forte marge et défendable, tandis que le monde physique produisait une sortie de commodité mince, indifférenciée, à faible marge. Les deux chocs ne sont pas arrivés en même temps. L’agglomération manufacturière chinoise a d’abord brisé la défendabilité du matériel fondée sur la production, surtout dans les années 2000 et 2010. L’IA générative est en train de briser plus tard la défendabilité du logiciel fondée sur la production, dans les années 2020. L’IA générative a fait tendre vers zéro le coût marginal de production du logiciel, ce qui a dissous les barrières qui rendaient le logiciel défendable. L’agglomération industrielle chinoise a ramené le coût et la latence de l’itération physique au coût et à la latence du logiciel, ce qui a dissous les barrières qui rendaient le matériel défendable. Ainsi, ni les bits seuls ni les atomes seuls ne peuvent plus abriter une entreprise. L’avantage durable est sorti de l’une ou l’autre dimension unique pour entrer dans le couplage serré des deux, plus les relations et les données propriétaires.

Le document est en deux moitiés :

• L’analyse. Ce qu’est réellement une douve, pourquoi chaque domaine était autrefois défendable, quelles frictions chaque choc a dissoutes, et ce qui reste debout. Cette moitié est une analyse économique et s’arrête là où l’analyse s’arrête.
• La douve moderne. De quoi la défendabilité est réellement faite maintenant que ni les bits ni les atomes ne vous défendent à eux seuls, et à quoi ressemble en pratique une entreprise bâtie dessus.

L’analyse : comment les deux douves se sont effondrées

Première partie : ce qu’est réellement une douve

Avant d’expliquer comment les douves se sont effondrées, je dois être précis sur ce qu’est une douve, car l’usage imprécis du mot est responsable de la plupart des mauvais raisonnements stratégiques que j’ai vus. Une douve n’est pas un bon produit, ni une avance temporaire, ni le fait d’être le premier. Une douve est une caractéristique structurelle d’un marché qui permet à une entreprise d’obtenir pendant longtemps des rendements supérieurs à son coût du capital sans que ces rendements soient érodés par la concurrence. Dans le langage de l’économie industrielle, une douve est une source durable de rente économique.

La rente économique est le surplus qu’une entreprise gagne au-delà du minimum qu’elle accepterait pour rester ouverte, et dans un marché réellement concurrentiel, ce surplus tombe à zéro. Sous concurrence parfaite, le prix est poussé vers le coût marginal, les entreprises n’obtiennent que leur coût du capital, et aucun profit excédentaire ne subsiste. Tout cadre sur la défendabilité est en réalité une théorie expliquant comment une entreprise particulière échappe à cette attraction vers la tarification au coût marginal et le profit nul.

La liste classique vient de Michael Porter, dont le cadre des cinq forces est l’outil standard pour cela depuis 1979, puis affiné par le courant de l’investissement de valeur. Il donne un petit nombre de vraies sources durables de rente :

• Barrières à l’entrée qui tiennent les nouveaux concurrents à l’écart
• Coûts de changement élevés qui retiennent les clients existants
• Effets de réseau, où le produit devient plus utile à mesure que davantage de personnes l’utilisent
• Économies d’échelle qui permettent aux incumbents de sous-coter les entrants
• Propriété intellectuelle exclusive ou protection réglementaire qui exclut légalement les imitateurs
• Contrôle d’un intrant rare ou d’un canal de distribution auquel les rivaux ne peuvent pas accéder

Chaque source de rente est une friction

Chacune de ces sources de rente est une friction. Une douve n’est en réalité qu’une forme de friction que les concurrents ne peuvent pas franchir à faible coût :

• Les coûts de changement élevés sont une friction dans la sortie du client.
• Les barrières à l’entrée sont une friction dans l’arrivée du concurrent.
• Les effets de réseau sont une friction dans la coordination nécessaire pour que les utilisateurs se déplacent ailleurs ensemble.
• L’échelle manufacturière est une friction dans le capital et le temps qu’un entrant doit immobiliser avant d’atteindre un coût unitaire compétitif.

Cela vous dit exactement ce qu’une chose comme l’IA générative, ou qu’une chose comme la densité industrielle chinoise, fait réellement à un marché. Ces forces n’attaquent pas les produits. Elles attaquent les frictions. Ce sont des technologies de dissolution des frictions. Et une technologie qui dissout les frictions est, par définition, une technologie qui dissout les douves.

Tout l’argument se résume en une phrase : les douves du logiciel et du matériel se sont effondrées parce que les frictions spécifiques qui généraient leur rente étaient précisément les frictions que l’IA et l’agglomération chinoise ont été exceptionnellement bonnes à supprimer.

Deuxième partie : la douve historique du logiciel et pourquoi les bits imprimaient de l’argent

Pour comprendre l’effondrement, il faut d’abord comprendre pourquoi le logiciel a été historiquement la meilleure structure d’entreprise que le capitalisme ait jamais trouvée, car l’effondrement n’est que l’inversion des choses qui le rendaient si formidable.

Le logiciel avait une structure de coûts presque unique. Il combinait un coût fixe élevé pour fabriquer la première copie avec un coût marginal presque nul pour reproduire et expédier chaque copie après cela. Écrire la première version d’un programme complexe nécessitait un vivier rare, coûteux et long à former d’ingénieurs travaillant pendant des mois ou des années. Mais une fois écrit, la millionième copie ne coûtait pratiquement rien à produire ni à livrer. Cette asymétrie produisait un énorme levier opérationnel. Un logiciel horizontal mature peut afficher des marges brutes dans la fourchette des quatre-vingts pour cent, comme Atlassian l’a indiqué pour le T2 de l’exercice 2025, car le revenu évolue avec les utilisateurs tandis que le coût des biens vendus bouge à peine. Mais cette affirmation est moins universelle qu’elle ne l’était autrefois, car des logiciels gourmands en consommation comme Snowflake ont affiché une marge brute plus proche de 67 pour cent au titre de l’exercice 2025, en partie parce que l’infrastructure cloud de tiers entre dans le coût des revenus. En termes économiques, le logiciel se comportait comme un pur bien d’information, et les biens d’information brisent la relation normale entre production et coût qui régit les commodités physiques.

Mais un faible coût marginal ne crée pas, à lui seul, une douve. Si n’importe qui peut fabriquer le bien à bas coût, un faible coût marginal donne lieu à une concurrence ruineuse, pas à une rente. Le logiciel obtenait une rente parce que le coût fixe élevé de la première copie agissait comme une barrière à l’entrée, et parce que plusieurs autres frictions s’additionnaient à cela :

• La rareté des talents d’ingénierie. Construire un logiciel non trivial nécessitait des personnes coûteuses, difficiles à recruter et difficiles à coordonner, si bien que la plupart des concurrents potentiels ne pouvaient tout simplement pas réunir l’équipe nécessaire pour construire un clone crédible.
• Le temps. Même un concurrent bien financé avait besoin de nombreux mois pour rétroconcevoir, spécifier, construire, tester et expédier un produit rival, et pendant ces mois l’incumbent disposait d’un monopole temporaire pour accumuler des utilisateurs, du revenu et davantage de profondeur produit.
• Le coût de changement. Une fois qu’un client avait déplacé ses données dans un système, formé son personnel à cette interface et relié le système à tout le reste par des intégrations personnalisées, partir devenait prohibitivement coûteux même si quelque chose de meilleur et de moins cher apparaissait.
• Le calcul construire contre acheter. Parce que construire un logiciel interne personnalisé était lui-même coûteux et risqué, les entreprises achetaient rationnellement des produits standards prêts à l’emploi au lieu de construire les leurs, ce qui garantissait un grand marché aux éditeurs de logiciels packagés.
• Les effets de réseau et l’accumulation de données propriétaires, ajoutés au-dessus de tout cela dans les meilleurs cas.

La vulnérabilité structurelle

Regardez de quoi cette liste est faite. Une seule de ces cinq frictions, les effets de réseau, est intrinsèque au côté demande du produit. Les quatre autres, rareté des talents, temps de construction, coût de changement et pénalité construire contre acheter, sont toutes des frictions de production côté offre. Ce sont des artefacts de la difficulté, de la lenteur et du coût élevés de la fabrication et du remplacement du logiciel.

C’est là la vulnérabilité. Une entreprise dont la défendabilité repose surtout sur la difficulté à produire la chose n’est défendable que tant que la production reste difficile. Au moment où le coût de production et de remplacement du logiciel s’effondre, quatre des cinq piliers s’effondrent avec lui, et seul l’effet de réseau côté demande reste debout.

C’est exactement ce que l’IA générative a apporté.

Troisième partie : le choc de l’IA et la dissolution de la douve du logiciel

La bonne façon de modéliser ce que l’IA générative a fait à l’économie du logiciel est de la considérer comme un choc sur la fonction de production du logiciel. En économie de base, le coût de production de quoi que ce soit est une fonction du coût de ses intrants. Pour le logiciel, l’intrant dominant a toujours été le travail cognitif humain qualifié, plus précisément le travail consistant à transformer une exigence métier en code correct, testé et déployable. Ce travail était l’intrant rare et coûteux qui créait la barrière à l’entrée.

L’IA générative et les agents de codage autonomes attaquent directement cet intrant. Ils génèrent, refactorisent, déboguent, documentent et déploient du code à une fraction du coût historique pour de nombreuses tâches. Une expérience contrôlée sur GitHub Copilot a montré que les développeurs terminaient une tâche de codage bornée 55,8 pour cent plus vite, et une étude de terrain portant sur 4 867 développeurs a constaté 26,08 pour cent de tâches supplémentaires accomplies. L’effet est réel, mais inégal, comme l’a montré un essai randomisé de 2025 par METR : des développeurs expérimentés de l’open source travaillant dans des bases de code matures familières étaient 19 pour cent plus lents avec les outils d’IA du début de 2025, tout en croyant être plus rapides. La conclusion prudente n’est pas que l’IA rend chaque ingénieur plus rapide dans chaque contexte. C’est qu’elle comprime le coût de production du code, en particulier pour les travaux bornés, en terrain vierge et moins seniors. L’intrant rare devient plus abondant. Lorsque le prix de l’intrant rare critique chute, la barrière à l’entrée fondée sur cette rareté s’effondre avec lui. Ce seul mécanisme se propage à travers les quatre piliers du côté de l’offre.

Le changement est visible dans les outils que les développeurs utilisent réellement. Sont d’abord apparus les copilotes natifs des IDE comme Cursor. Puis sont arrivés les agents de codage natifs du terminal comme Claude Code, Codex CLI, Kiro CLI et OpenCode, où le modèle lit le dépôt, modifie les fichiers, exécute des commandes et itère dans le même environnement que l’ingénieur. Maintenant, une troisième couche émerge autour de l’orchestration multi-agents, avec des outils comme Conductor, Superset et Hermes Agent qui coordonnent plusieurs agents à travers des projets et des environnements. La progression est claire. On est passé de l’autocomplétion, aux agents autonomes, puis à l’orchestration de nombreux agents en parallèle, et cela ne fera que s’accélérer. Le travail numérique deviendra plus facile à automatiser chaque année, et les outils qui exigent aujourd’hui un opérateur qualifié nécessiteront demain de moins en moins d’intervention humaine.

1. L’effondrement de la barrière à l’entrée

Lancer un produit logiciel crédible exigeait autrefois un véritable capital d’amorçage, dont la majeure partie servait à embaucher les ingénieurs nécessaires pour construire un MVP. Cette exigence de capital filtr ait le marché. Seules les entreprises capables de lever des fonds et de recruter des talents livraient réellement quelque chose, et la rareté de concurrents qui en résultait faisait elle-même partie de la protection de l’acteur en place.

Lorsqu’un développeur équipé d’outils d’IA performants peut concevoir, construire et lancer une application soignée et fonctionnelle en une petite fraction du temps et du coût d’autrefois, ce filtre disparaît. Le marché se remplit d’entrants. En termes concurrentiels, la courbe d’offre des fonctionnalités logicielles se déplace massivement vers l’extérieur, et la théorie économique de base vous dit ce qui se passe ensuite sans ambiguïté. Quand l’offre d’un bien substituable s’accroît fortement face à une demande à peu près fixe, le prix chute vers le coût marginal, et comme le coût marginal du logiciel est proche de zéro, le prix est lui aussi tiré vers zéro. L’hyperabondance de l’offre de logiciels est, mécaniquement, la destruction du pouvoir de fixation des prix du logiciel.

2. L’effondrement de l’avantage temporel

C’était probablement le plus important fossé défensif du logiciel de tous. Toute la logique consistant à livrer vite et à itérer reposait sur le fait qu’une fonctionnalité lancée offrait à son créateur des mois d’avance exclusive avant que quelqu’un puisse la copier. Ce délai était la fenêtre où les effets de réseau, la marque et les clients s’installaient.

L’IA comprime le cycle d’imitation de plusieurs mois à quelques heures. Un concurrent peut observer l’interface d’un produit, décrire son comportement à un agent de codage et obtenir presque immédiatement un clone fonctionnel, sans jamais voir le code source original, parce que la valeur n’a jamais vraiment résidé dans le code spécifique. Elle résidait dans la spécification, et les spécifications sont désormais trivialement peu coûteuses à mettre en œuvre.

Lorsque le délai d’imitation tombe à zéro, le monopole temporaire qui justifiait l’innovation rapide s’évapore. L’innovation continue d’exister, mais elle cesse de rapporter une prime durable, car la récompense de l’innovation est immédiatement remise aux imitateurs. C’est un cas d’école de ce que David Teece appelait le problème d’appropriabilité dans son article de 1986 sur le profit tiré de l’innovation technologique. L’innovation ne paie ses coûts que lorsque l’innovateur peut capter suffisamment de la valeur qu’elle crée avant que l’imitation ne la concurrence et ne la supprime. L’IA pousse l’appropriabilité de l’innovation logicielle pure vers zéro.

3. La dissolution des coûts de changement

C’était le fossé défensif traditionnel le plus solide du logiciel, parce qu’il fonctionnait même lorsqu’un produit concurrent était manifestement meilleur. Mais les coûts de changement étaient eux-mêmes faits de frictions : migrer des données d’un schéma à un autre, reconstruire des intégrations personnalisées et reformer le personnel à une interface inconnue. Chacun de ces éléments est exactement le genre de travail de traduction fastidieux, fondé sur des motifs, dans lequel l’IA excelle.

La cartographie de données pilotée par l’IA peut ingérer, normaliser et migrer rapidement et à faible coût une base de données complexe de la structure d’un système vers celle d’un autre. Les interfaces en langage naturel réduisent le coût de la reformation, car les utilisateurs interagissent de plus en plus par la conversation plutôt qu’en mémorisant une arborescence de menus propriétaire, ce qui signifie que les compétences accumulées et verrouillées dans l’interface d’un fournisseur ne fonctionnent plus comme une pénalité au changement.

À mesure que le coût de départ baisse, la valeur à vie d’un client captif baisse avec lui, le coût d’acquisition client augmente relativement à cette valeur à vie en diminution, et les économies unitaires de tout le modèle d’abonnement se dégradent. Un fossé défensif fondé sur l’incapacité du client à partir se dissout lorsque partir devient bon marché.

4. L’inversion de construire versus acheter

Celle-ci détruit discrètement le marché adressable lui-même. Les entreprises achetaient des logiciels packagés parce que construire des outils internes sur mesure était trop coûteux, trop lent et trop risqué pour être justifié, sauf pour leurs besoins les plus différenciés. Cette pénalité appliquée à la construction interne est exactement ce qui garantissait aux éditeurs un large marché.

Lorsque les agents d’IA permettent aux équipes internes, même non techniques, de générer des applications personnalisées adaptées à leurs propres flux de travail, la pénalité de construction disparaît, et le choix rationnel passe de l’achat d’un abonnement générique à la génération d’un outil privé parfaitement ajusté et sans licence récurrente.

Cela ne fait pas qu’intensifier la concurrence entre éditeurs. Cela réduit le marché total adressable sur lequel les éditeurs se battent, parce qu’une part croissante de la demande logicielle est satisfaite en interne et n’atteint jamais le marché externe. La valeur migre des éditeurs de logiciels externes vers la capacité opérationnelle interne, c’est-à-dire qu’elle cesse d’être un marché pour devenir une efficacité de coûts interne.

C’est la même chose que j’ai appelée levier logiciel interne dans mon texte, La Barbell du logiciel, vu du côté de l’éditeur plutôt que de l’acheteur.

Le résultat et ce qui ne s’effondre pas

Mettez ces quatre mécanismes ensemble et vous obtenez la banalisation du logiciel pur. L’industrie entre dans l’hyperabondance logicielle, où les applications fonctionnelles sont bon marché à construire, instantanément clonables et de plus en plus générées en interne à la demande. Dans cette condition, le code lui-même cesse d’être une source de rente, exactement comme tout bien cesse de commander une rente dès lors qu’il devient abondant et substituable. La valeur se découple du code.

Être honnête exige de dire clairement ce qui ne s’effondre pas, car l’exagérer rendrait l’analyse fausse. L’IA générative attaque les frictions de production du côté de l’offre. À elle seule, elle n’attaque pas les frictions du côté de la demande et au niveau du système.

• Les effets de réseau survivent, car l’IA peut cloner le logiciel d’un réseau social en une après-midi, mais elle ne peut pas cloner les utilisateurs, et les utilisateurs sont l’actif.
• Les fossés propriétaires de données survivent et deviennent même plus forts, car l’IA rend le code moins coûteux à produire tout en rendant les rares données qui l’entraînent plus précieuses.
• La distribution et la marque survivent, car l’attention et la confiance restent rares même lorsque les fonctionnalités sont gratuites.
• Les barrières réglementaires et de conformité survivent, car un agent de codage ne peut pas générer une licence bancaire, une autorisation pour dispositif médical ou une certification aéronautique.
• L’intégration profonde dans une réalité opérationnelle physique ou réglementée survit, car le code est bon marché, mais l’installation de capteurs, l’obtention de la confiance et l’exploitation sous approbation réglementaire ne le sont pas.

L’affirmation précise n’est donc pas que toutes les entreprises de logiciel meurent. C’est que le fossé défensif spécifique, autrefois dominant, du logiciel pur, autonome et packagé, protégé par la difficulté d’écrire et de remplacer du code, a été détruit. Ce qui survit, c’est le logiciel ancré à quelque chose que l’IA ne peut pas reproduire à bas coût : un réseau, un jeu de données, une position réglementaire, un canal de distribution ou une opération physique. Le logiciel qui flotte librement au-dessus de tout cela est désormais une marchandise.

Partie quatre : le fossé défensif historique du matériel et pourquoi les atomes étaient difficiles

L’argument du matériel suit la même discipline. Établir d’abord pourquoi le matériel était autrefois défendable, puis montrer quelles défenses le système manufacturier chinois a dissoutes.

Le matériel était défendable pour presque les raisons opposées à celles du logiciel, et les marchés de capitaux traitaient les deux comme des opposés. Là où le logiciel avait un coût marginal proche de zéro, le matériel avait un coût marginal élevé et tenace, parce que chaque unité physique consommait des matériaux, de l’énergie, du travail et du temps machine. Là où le logiciel se déployait instantanément et à l’infini, le matériel était lié par la physique de la fabrication et de la logistique. Ces propriétés faisaient du matériel une moins bonne activité en termes de marge, mais elles le rendaient aussi, étrangement, défendable d’une manière spécifique, parce que la difficulté de la production physique agissait comme une barrière qui protégeait une entreprise matérielle bien gérée de l’imitation opportuniste.

Les frictions spécifiques qui protégeaient le matériel étaient les suivantes :

• Capital d’outillage. Fabriquer un produit physique à grande échelle exigeait un outillage spécialisé, principalement les moules d’injection et les matrices de moulage utilisés pour former les pièces en plastique et en métal, et ces outils coûtaient des dizaines ou des centaines de milliers de dollars et imposaient des quantités minimales de commande élevées. C’était un mur de capital difficile à franchir pour la plupart des nouveaux entrants, et cela protégeait les acteurs en place qui avaient déjà amorti leur outillage.

• Latence d’itération. Affiner une conception physique signifiait découper un nouvel outillage, ajuster les tolérances et lancer des lots d’essai physiques, une boucle qui prenait des semaines ou des mois par cycle et coûtait cher à chaque fois, de sorte que les produits physiques s’amélioraient lentement et qu’un concurrent avait besoin d’une longue campagne coûteuse pour rattraper son retard.

• Assemblage de la chaîne d’approvisionnement. Un produit physique est une nomenclature de matériaux provenant de nombreux fournisseurs spécialisés, et ces fournisseurs étaient autrefois dispersés entre entreprises, régions et pays, de sorte que mettre en place une chaîne d’approvisionnement fonctionnelle signifiait négocier avec des vendeurs isolés, absorber de longs délais et gérer une logistique complexe.

• Précision et connaissance des procédés. Le savoir accumulé, souvent tacite, nécessaire pour fabriquer réellement une conception avec un rendement acceptable. Il ne se transmet pas à partir d’un dessin. Il faut l’apprendre en le faisant.

• Distribution. La nécessité de faire parvenir le produit physique aux acheteurs via des détaillants, des distributeurs et de l’espace en rayon, qui étaient eux-mêmes rares et contrôlés.

Regardez à nouveau la composition, comme pour le logiciel. Le fossé du matériel était écrasamment un ensemble de frictions de production et de logistique : capital d’outillage, latence d’itération, assemblage de la chaîne d’approvisionnement, rendement des procédés et distribution physique. Il était défendu par la difficulté, la lenteur et le coût de transformer une conception en objet physique expédié. Et exactement comme pour le logiciel, une défense fondée sur la difficulté de production n’est durable que tant que la production reste difficile.

Mais la contribution de la Chine à l’histoire économique a été de faire en sorte que la production physique, sur une immense gamme de biens, ne soit plus difficile.

Partie cinq : Le choc chinois, l’agglomération industrielle, et la fin du fossé du matériel

Le malentendu le plus courant au sujet de la domination manufacturière chinoise est qu’il s’agit d’une histoire de main-d’œuvre bon marché. C’était en partie vrai dans la première phase et c’est surtout faux aujourd’hui, et se tromper sur ce point conduit tout droit à la conclusion erronée selon laquelle le rapatriement de la production, ou son déplacement vers le prochain pays à bas salaires, rétablira l’ancien ordre.

La vraie explication est que la Chine a construit, à une densité et à une échelle jamais vues auparavant, le phénomène qu’Alfred Marshall a décrit il y a plus d’un siècle comme les économies d’agglomération industrielle. C’est cette agglomération, et non l’arbitrage salarial, qui a démantelé le fossé du matériel. Je ne suis pas le premier à soutenir cet argument. Andrew « bunnie » Huang a documenté depuis plus d’une décennie la version de Shenzhen de ce phénomène de première main dans The Hardware Hacker.

Les externalités marshalliennes

L’agglomération industrielle est le regroupement géographique auto-renforcé d’industries connectées, de fournisseurs de composants, de fabricants de sous-ensembles, de transformateurs de matières premières, de fabricants d’outils, de sous-traitants de fabrication, de prestataires logistiques et de main-d’œuvre qualifiée spécialisée, tous réunis dans la même région. Marshall a identifié pourquoi ces clusters génèrent des avantages qu’aucune entreprise isolée ne peut égaler :

• Ils créent un vaste bassin de main-d’œuvre partagée de travailleurs spécialisés.
• Ils soutiennent des fournisseurs locaux spécialisés qui ne pourraient jamais survivre en servant un seul client lointain mais prospèrent en servant un cluster dense d’entre eux.
• Ils génèrent des retombées de connaissances, où les améliorations de processus se diffusent rapidement à travers le cluster parce que les personnes concernées sont physiquement proches et circulent.

Ces trois forces sont les externalités marshalliennes, et elles signifient qu’une entreprise située dans le cluster bénéficie de coûts plus faibles, d’une itération plus rapide et d’une meilleure information qu’une entreprise identique située à l’extérieur, quelle que soit l’efficacité propre de cette entreprise extérieure.

Effondrement des coûts de transaction

Dans le delta de la rivière des Perles, et à Shenzhen en particulier, l’agglomération a atteint une densité sans précédent historique. La conséquence pratique est la plus facile à voir à travers l’économie des coûts de transaction de Ronald Coase. Coase a expliqué que la frontière et la vitesse de l’activité économique sont gouvernées par les coûts de transaction, le coût de la recherche de fournisseurs, de la négociation des conditions et de la coordination de la production entre entreprises. Dans une chaîne d’approvisionnement dispersée, ces coûts sont énormes, et ils constituent le vrai contenu de la troisième friction du fossé du matériel.

Dans un cluster hyperdense, les coûts de transaction s’effondrent pour devenir presque nuls. Toute la chaîne d’approvisionnement de la plupart des appareils électroniques et mécaniques se trouve dans un petit rayon, de sorte que la recherche, l’approvisionnement, la négociation et la coordination qui prenaient autrefois des semaines à travers les continents prennent désormais des heures à travers un quartier. Un concepteur peut spécifier un appareil, s’approvisionner localement en chaque composant le jour même, faire fabriquer et peupler une carte électronique sur mesure pendant la nuit, et tenir un prototype fonctionnel le lendemain matin.

Ce n’est pas une main-d’œuvre moins chère. C’est la quasi-élimination du coût de transaction et de la latence d’itération, ce qui est qualitativement différent et bien plus puissant.

À partir de cette densité, quatre mécanismes ont dissous le fossé du matériel, en miroir des quatre mécanismes de l’IA appliqués au logiciel.

1. L’effondrement de la latence d’itération

C’est la version matérielle de la perte par le logiciel de son avantage temporel. Dans la chaîne d’approvisionnement occidentale dispersée, un cycle de conception physique prenait des semaines et coûtait cher, si bien que le matériel s’améliorait lentement et que l’avance d’affinage de l’acteur en place tenait. À l’intérieur du cluster, l’itération physique se rapproche de la vitesse de l’itération logicielle. Les moules sont modifiés, les plans de cartes sont ajustés et les lots d’essai sont lancés en quelques jours.

La conséquence stratégique est brutale. Toute conception matérielle imaginée en Occident peut être observée, rétroconçue, optimisée pour la fabricabilité et produite en série à l’intérieur du cluster plus vite que l’entreprise occidentale à l’origine peut terminer son propre deuxième prototype. Le délai d’avance de l’initiateur, qui était la source de sa rente, est négatif. L’imitateur expédie d’abord la version améliorée et moins chère.

2. L’effondrement du capital d’outillage

C’est la version matérielle de la disparition de la barrière à l’entrée du logiciel. Les dizaines de milliers de dollars et les quantités minimales de commande élevées qui, autrefois, barraient la production physique ont été optimisés à l’intérieur du cluster grâce à l’usinage rapide piloté par ordinateur, à des bases de moules modulaires standardisées qui sont reconfigurées plutôt que découpées à partir de zéro, et à des ateliers d’outillage à haut débit férocement compétitifs. Le matériel en petites séries et hautement personnalisé peut désormais être produit avec une structure de coûts qui n’était auparavant accessible qu’aux grandes multinationales. Le mur de capital qui filtr ait les entrants du matériel est en grande partie tombé, tout comme celui qui filtrait les entrants du logiciel, et le marché est inondé de la même pression prévisible à la baisse sur les prix.

3. La courbe d’expérience, amplifiée par l’automatisation

Ce mécanisme est ce qui verrouille durablement l’avantage de coût, et c’est la raison pour laquelle cet avantage ne peut pas être arbitré ailleurs en se déplaçant. La loi de Wright, décrite pour la première fois par Theodore Wright en 1936 à partir de données de production aéronautique et ensuite généralisée par le Boston Consulting Group sous le nom de courbe d’expérience, est l’une des régularités empiriques les plus fiables en économie industrielle. Elle affirme que, pour de nombreux produits, le coût unitaire diminue d’un pourcentage constant chaque fois que le volume cumulé de production double, parce que l’organisation apprend, par l’accumulation de la pratique, à fabriquer plus efficacement.

Parce que le cluster produit une part écrasante du volume cumulatif mondial à travers d’innombrables catégories de produits, il se situe loin en bas de la courbe d’expérience, là où se trouve tout nouvel entrant à faible volume cumulatif, placé tout en haut. La fabrication chinoise moderne renforce ensuite cet avantage d’apprentissage par l’automatisation à forte intensité capitalistique, la robotique avancée, l’inspection optique automatisée à grande vitesse et l’intégration verticale remontant jusqu’aux matières premières.

C’est exactement à cet endroit que l’explication par le coût du travail meurt. L’avantage moderne n’est pas celui des bas salaires. C’est l’apprentissage accumulé plus l’échelle automatisée plus la densité des fournisseurs, et un nouvel entrant ne peut pas reproduire cette combinaison par une action à court terme, avec des salaires élevés ou des salaires faibles, parce qu’on ne peut pas acheter instantanément des décennies d’expérience de production cumulée ni l’écosystème de fournisseurs qui l’entoure.

4. L’effondrement du frottement de distribution

C’est la version matérielle de l’IA qui érode la nécessité de passer par les canaux logiciels des acteurs en place. Les places de marché numériques mondiales et une logistique de colis hyper efficace permettent aux fabricants à l’intérieur du cluster de contourner entièrement les distributeurs occidentaux, les grossistes et l’espace en rayon du commerce de détail, en s’inscrivant directement sur les plateformes mondiales et en expédiant chez le consommateur en quelques jours. Le dernier frottement qui protégeait une marque matérielle établie, son contrôle des rayons et des canaux, est contourné. Un appareil fonctionnellement équivalent atteint le même client pour une fraction du prix de marque sans jamais toucher le système de distribution de l’acteur en place.

Les biens communs industriels et pourquoi la relocalisation est si difficile

La conséquence la plus importante de tout cela, et celle qui est le plus souvent ignorée, concerne la relocalisation, et c’est là que l’idée de biens communs industriels prend toute son importance. Gary Pisano et Willy Shih ont nommé cela dans Restoring American Competitiveness (PDF) en 2009. Leur observation était que la capacité de fabrication n’est pas une propriété des entreprises individuelles. C’est une propriété d’un écosystème, une base locale partagée de fournisseurs, d’outilleurs, d’ingénieurs des procédés et de savoir-faire tacite.

Lorsqu’un pays délocalise sa production, il ne perd pas seulement des usines. Avec le temps, il perd aussi les biens communs environnants, parce que les fournisseurs, les outilleurs et les ingénieurs des procédés qualifiés s’atrophient ou se relocalisent une fois qu’il n’existe plus de demande locale pour les maintenir en vie. Une fois que les biens communs ont disparu, aucune entreprise isolée ni subvention ne peut les reconstruire rapidement, parce qu’une usine relocalisée seule n’a pas de fournisseurs locaux, pas d’outilleurs locaux, pas de vivier local d’ingénieurs des procédés expérimentés, et donc aucun des externalités marshalliennes qui faisaient l’efficacité du cluster à l’origine.

C’est pourquoi relocaliser une catégorie matérielle banalisée est si difficile et si coûteux. L’avantage que la relocalisation cherche à recréer n’a jamais été à l’intérieur de l’usine. Il se trouvait dans l’écosystème autour de l’usine, et cet écosystème n’est plus à domicile. Le fossé défensif ne s’est pas déplacé en Chine parce que les entreprises chinoises seraient individuellement meilleures. Il s’est déplacé parce que les biens communs se sont déplacés, et qu’un bien commun est un actif collectif que l’action individuelle ne peut pas reconstruire.

La conclusion macro pour le matériel est exactement parallèle à celle pour le logiciel. À partir du moment où les spécifications d’un produit physique sont connues, l’écosystème manufacturier hyper dense peut le reproduire, l’optimiser pour la fabrication et le distribuer directement à une structure de coûts qui anéantit la marge de l’initiateur. Le matériel autonome, défendu uniquement par la difficulté de la production physique, a été banalisé, parce que cette difficulté, pour une vaste gamme de biens, n’existe plus.

Partie six : L’effondrement séquentiel et ses conséquences stratégiques

Les gens analysent généralement les deux effondrements séparément, et chronologiquement ils devraient le faire. L’effondrement du matériel est venu en premier. L’agglomération chinoise a rendu la défensabilité du matériel fondée sur la production faible dans l’électronique grand public et de nombreux biens de complexité moyenne des années avant que les outils de codage d’IA générative ne comptent vraiment. L’effondrement du logiciel est venu ensuite. L’événement réel pour un fondateur aujourd’hui n’est pas qu’ils ont commencé ensemble. C’est que les deux conditions sont désormais présentes sur le marché.

Les époques précédentes offraient encore une issue. Quand le logiciel devenait compétitif, le capital pouvait se tourner vers le matériel défendable. Quand le matériel devenait compétitif, le capital pouvait se tourner vers le logiciel défendable. Les deux domaines constituaient des refuges alternés. Cette rotation ne fonctionne plus. Les atomes purs ont déjà perdu leur fossé de production, et les bits purs perdent désormais le leur. Il n’existe plus de refuge des bits purs ni de refuge des atomes purs. C’est le sens plus profond de la théorie du barbell dont j’ai parlé l’année dernière. Le milieu, où une entreprise comptait sur le fait qu’une dimension reste difficile, a été creusé des deux côtés.

Conséquence de premier ordre : une pression déflationniste généralisée

Quand le coût marginal du logiciel approche zéro et que le coût effectif de la réplication physique approche le plancher hyper efficace du cluster, la concurrence pousse les prix dans les deux domaines vers ces planchers. C’est désinflationniste pour les consommateurs et destructeur pour les producteurs sans fossé défensif, et cela explique une énigme que beaucoup de gens remarquent : un progrès technologique énorme se trouve juste à côté de marges qui se compriment pour les entreprises qui produisent réellement. Le progrès est capté par les consommateurs et par les imitateurs plutôt que par les innovateurs, précisément parce que l’appropriabilité s’est effondrée dans les deux domaines.

Conséquence de second ordre : la rente migre le long de la courbe souriante

Stan Shih, le fondateur d’Acer, a proposé la courbe souriante vers 1992. Si l’on trace la valeur ajoutée par rapport aux étapes de production dans une chaîne de valeur manufacturière, on obtient une forme de sourire. Ben Thompson l’a adaptée à l’édition, ce qui montre que la courbe ne concerne pas vraiment la fabrication. Voici l’original :

Les étapes de Shih sont les suivantes :

• Valeur élevée en amont, c’est-à-dire la conception, la marque et la propriété intellectuelle
• Un creux profond au milieu, c’est-à-dire l’assemblage physique et la fabrication, l’étape qui se banalise le plus facilement
• Valeur élevée en aval, c’est-à-dire la distribution, le service et la relation client

L’ascension de la Chine a aplati et banalisé le milieu de cette courbe pour le matériel. L’IA générative banalise désormais le milieu équivalent pour le logiciel, qui est le simple fait d’écrire du code. L’instruction qui en découle est identique dans les deux cas : abandonnez le milieu banalisé et déplacez-vous vers les extrémités du sourire.

Mais les extrémités sont précisément les actifs côté demande et au niveau du système qu’aucune IA ni densité manufacturière ne peut reproduire à moindre coût. En amont, cela signifie des données propriétaires, la recherche et la compréhension de la conception. En aval, cela signifie la marque, la confiance, la distribution, la position réglementaire, et la possession de la relation client et du résultat opérationnel.

Conséquence de troisième ordre : la rente se déplace dans les interstices

C’est la conséquence qui relie l’analyse à la stratégie. La rente durable a migré hors de toute dimension unique et s’est déplacée dans le couplage entre les dimensions, et dans des actifs qui se situent en dehors même de la production. Si le code pur est gratuit et si les atomes purs sont bon marché, alors les frottements qui génèrent encore de la rente sont ceux qui vivent dans les interstices :

• La co-conception étroite de matériel personnalisé avec logiciel personnalisé, de sorte qu’aucun des deux n’est utile à un imitateur sans l’autre.
• Les données propriétaires générées par l’exploitation d’un véritable flux de travail physique ou réglementé, qui sont rares précisément parce qu’elles sont un sous-produit du travail accompli plutôt qu’une chose qui peut être copiée.
• Les relations profondes, longues à construire, et les accréditations réglementaires dans les secteurs conservateurs, où une copie moins chère est disqualifiée avant même que quiconque ne l’évalue.
• La position de principal, où une entreprise ne vend pas un outil banalisable mais possède à la place l’exploitation, absorbe la responsabilité, garantit le résultat et capte à la fois l’ensemble du bassin de profits et l’échappement exclusif de données.

Ce sont les frottements que l’IA et l’agglomération chinoise sont structurellement incapables de dissoudre, parce qu’il ne s’agit pas du tout de frottements de production. Ce sont des frottements de confiance, d’accès physique, de régulation, d’observation accumulée du monde réel et de propriété opérationnelle.

Partie sept : Limites, contre-arguments et honnêteté à leur sujet

Une thèse aussi vaste doit être mise à l’épreuve de ses objections les plus fortes, parce qu’une stratégie bâtie sur une prémisse exagérée échoue exactement là où la prémisse était trop forte.

Objection 1 : le logiciel généré par IA n’est pas encore au niveau frontière

La première objection est que le logiciel généré par IA n’égale pas encore le logiciel conçu par des experts pour les systèmes les plus complexes, les plus fiables ou les plus novateurs, et qu’une véritable frontière de qualité sépare encore la génération banale de l’ingénierie de pointe.

C’est vrai et c’est important. L’argument de la banalisation s’applique surtout au vaste ensemble de logiciels applicatifs conventionnels dont la logique est bien balisée. À la véritable frontière, dans les algorithmes nouveaux, dans les systèmes qui exigent une fiabilité ou une sécurité extrêmes, et dans les problèmes sans précédent dans les données d’entraînement, le jugement humain expert commande encore de la rente. La revendication précise est donc que l’IA effondre le fossé défensif pour la majorité banalisable du logiciel, et non qu’elle abolisse toute valeur logicielle.

Mais la direction du déplacement compte stratégiquement, car la frontière qui reste défendable est étroite, elle bouge constamment, et elle constitue une mauvaise base pour une entreprise durable à moins d’être ancrée à l’un des fossés non liés à la production évoqués ci-dessus.

Objection 2 : La domination chinoise est inégale et politiquement contestée

La deuxième objection est que la domination manufacturière chinoise est inégale selon les catégories et fait désormais face à de sérieux contrepoids géopolitiques, notamment des droits de douane, des contrôles à l’exportation, une relocalisation motivée par la sécurité nationale, et un friend shoring délibéré des chaînes d’approvisionnement critiques.

C’est vrai aussi. L’argument de la commoditisation est le plus fort pour l’électronique grand public, les biens mécaniques et les assemblages de complexité intermédiaire, et le plus faible tout en haut de la pile technologique, le plus évidemment dans la fabrication de semi-conducteurs avancés, où une intensité capitalistique extrême et une poignée de fournisseurs irremplaçables créent leurs propres fossés. La politique peut aussi réintroduire artificiellement les frictions que l’agglomération a supprimées, au moyen de droits de douane qui augmentent le coût rendu à destination de l’imitateur ou de contrôles à l’exportation qui lui refusent des intrants.

Mais ces forces compensatrices renforcent en réalité la conclusion centrale plutôt que de l’affaiblir, parce que le fossé des semi-conducteurs qui subsiste comme celui de la relocalisation motivée par la politique sont, encore une fois, des fossés qui ne relèvent pas du matériel pur. Ce sont des fossés d’échelle de capital extrême, de position de fournisseur irremplaçable, et de relation réglementaire et géopolitique. Ce sont exactement les frictions de non-production, de relation et de position vers lesquelles, selon ce rapport, la rente s’est déplacée.

Objection 3 : Pourquoi les grands acteurs en place sont-ils encore si rentables ?

La troisième objection est la plus subtile. Si le logiciel et le matériel sont tous deux commoditisés, pourquoi les plus grands acteurs technologiques en place sont-ils encore extraordinairement rentables ?

La réponse est que ces acteurs en place n’ont en réalité jamais été défendus par du pur logiciel ou du pur matériel. Leurs véritables fossés sont les effets de réseau, le contrôle de la distribution et de l’attention, les données propriétaires à l’échelle de la civilisation, l’enfermement dans un écosystème, et dans certains cas l’enracinement réglementaire. L’effondrement décrit ici ne menace rien de tout cela, et, à plusieurs égards, le renforce, car à mesure que la production pure se commoditise, la valeur relative des actifs non productifs que les acteurs en place possèdent déjà augmente.

C’est tout à fait cohérent avec la thèse. La commoditisation de la production n’aplatit pas tous les profits. Elle redistribue les profits loin des entreprises dont le seul avantage était que la production était difficile, et vers les entreprises qui possèdent les frictions que la production ne peut pas toucher. Les acteurs en place survivent parce qu’ils n’étaient jamais des entreprises à une seule dimension. C’est la leçon, pas l’exception.

Partie huit : Synthèse et pont vers le fossé moderne

Les deux effondrements décrits dans ce rapport sont, au fond, le même mécanisme qui se répète dans deux domaines, et non une seule chronologie partagée. Dans les deux cas, une classe d’entreprises a perçu une rente durable parce que la production était difficile, lente et coûteuse. Dans les deux cas, une force dissolvant les frictions, l’IA générative dans le domaine numérique et l’agglomération industrielle hyperdense dans le domaine physique, a rendu la production facile, rapide et bon marché. Dans les deux cas, la rente défendue par la difficulté de production s’est évaporée au moment précis où la production a cessé d’être difficile.

La symétrie est exacte, et la remarquer vaut plus que l’une ou l’autre moitié prise isolément, parce qu’elle expose la loi générale sous les deux :

Tout fossé qui ne consiste qu’en la difficulté de fabriquer une chose est temporaire, et il dure exactement jusqu’au moment où quelqu’un découvre comment fabriquer cette chose facilement.

Le corollaire stratégique en découle directement. Puisque ni les bits seuls ni les atomes seuls ne peuvent abriter une entreprise, la défendabilité doit être assemblée à partir des frictions qui ont survécu aux deux effondrements :

• L’intégration en boucle étroite et fermée de matériel sur mesure et de logiciel sur mesure, afin que le système ne puisse pas être démonté et cloné pièce par pièce.
• Les données propriétaires, continuellement rafraîchies, produites comme sous-produit de l’exploitation d’un véritable flux de travail, qui ne peuvent pas être copiées parce qu’il faut les gagner par l’exploitation.
• Les relations profondes, la confiance et le statut réglementaire des industries conservatrices, qu’aucun agent de codage et qu’aucune usine de contrats ne peuvent générer.
• La décision d’agir en tant que principal plutôt que comme fournisseur, en assumant la propriété du flux de travail et de son résultat afin que le pool de profit complet et l’ensemble des résidus de données restent capturés au lieu d’être revendus.

Une entreprise moderne à l’échelle du capital-risque est défendable exactement dans la mesure où elle assemble plusieurs de ces frictions survivantes en un seul système d’exploitation couplé qui s’améliore au fur et à mesure qu’il tourne. Tout ce qui était autrefois un fossé parce qu’il était difficile à construire est désormais une commodité parce qu’il est facile à construire. Ce qui reste défendable est ce qui est difficile d’accès, difficile à gagner en confiance, difficile à intégrer dans votre champ réglementaire, et difficile à observer sans faire le vrai travail.

Le fossé du futur n’est pas fait de bits, et il n’est pas fait d’atomes. Il est fait des coutures entre eux, et des relations et des données acquises que personne ne peut reproduire sans se tenir là où vous vous tenez.

Conclusion de l’analyse

Le paradigme des trente dernières années, qui considérait le logiciel comme le moteur fiable du profit défendable et le matériel comme la commodité à faible marge, ne s’est pas simplement déplacé. Ses deux hypothèses fondatrices ont été réfutées en séquence. L’agglomération industrielle chinoise a d’abord réfuté l’hypothèse selon laquelle le matériel est difficile à itérer et à fabriquer. L’IA générative réfute maintenant l’hypothèse selon laquelle le logiciel est difficile à produire et à remplacer.

Parce que les deux fossés reposaient surtout sur la difficulté de production, et parce que cette difficulté était la cible spécifique des deux forces dissolvant les frictions, les deux fossés se sont effondrés. La rente qui allait autrefois à celui qui pouvait fabriquer les bits ou forger les atomes coule désormais vers les consommateurs et les imitateurs, sauf si une entreprise s’est ancrée à une friction que l’effondrement de la production ne peut pas atteindre.

Ces frictions survivantes, l’intégration, les données opérationnelles propriétaires, les relations de confiance, la position réglementaire, et la propriété en tant que principal d’un vrai flux de travail, sont l’endroit où la valeur durable s’est déplacée. Construire une entreprise défendable dans cette époque signifie refuser de dépendre du fait qu’une seule dimension soit difficile, parce que rien de ce qui est seulement difficile à fabriquer ne reste défendable une fois que le fabriquer devient facile.

Le fossé moderne

Tout ce qui précède est un diagnostic. Il établit où la rente est allée et pourquoi, mais il s’arrête au niveau du principe, et un principe ne vous dit pas à quoi ressemble concrètement une entreprise bâtie dessus. Cette moitié-ci est la réponse. Elle traite de ce dont la défendabilité est faite aujourd’hui, et de ce à quoi elle ressemble une fois assemblée en une véritable entreprise.

La barre

Avant les règles de construction, il est utile d’expliciter la barre, puisque l’analyse n’a cessé de la désigner sans énumérer ses deux extrémités. J’ai exposé cela en 2025 dans La théorie de la barre de la valeur logicielle, où j’ai réconcilié ma théorie du levier logiciel interne avec la thèse de l’abondance. La conclusion était que la valeur du logiciel se polarise en deux groupes avec un milieu en contraction.

À une extrémité se trouvent les immenses primitives fondamentales, les modèles de fondation, l’infrastructure de calcul, les plateformes cloud, les puces, et l’infrastructure centrale de l’IA. Elles sont défendues par l’intensité capitalistique, les économies d’échelle et la concentration de la recherche à un niveau qu’une nouvelle entreprise ne peut pratiquement pas atteindre. Elles ne sont pas l’opportunité que je décris. Elles constituent l’environnement dans lequel elle évolue.

Google est le cas plafond. Il combine des modèles LLM, TPU, une infrastructure cloud, Search, Android, YouTube, Maps, Chrome, la distribution par défaut, et des données propriétaires à une échelle que presque personne ne peut toucher. Cela n’en fait pas un modèle de startup. Cela en fait le pôle supérieur de la barre, pleinement réalisé. Vous ne pouvez pas commencer là. Ce que Google prouve, c’est le mécanisme : quand la production devient bon marché, la valeur durable migre vers le calcul, la distribution, l’infrastructure, les données et la position dans l’écosystème qu’un nouvel entrant ne peut pas louer à la légère. Remarquez aussi la limite. Google exécute l’enchère. Il ne possède généralement pas le résultat de l’annonceur. C’est pourquoi Waymo, et non Search, est plus loin l’exemple le plus clair d’une position de principal.

À l’autre extrémité se trouve le levier privé hautement spécifique. La propriété en profondeur des flux de travail, l’automatisation du monde physique, les processus réglementaires, le remplacement de la main-d’œuvre experte, les données opérationnelles propriétaires, et la propriété du résultat. Cette extrémité est accessible, et elle est défendue par exactement les frictions de non-production que l’analyse a identifiées comme survivantes.

Le milieu dangereux, c’est le logiciel générique. C’est l’application web, le tableau de bord, l’outil CRUD, le gestionnaire de flux de travail, et l’enveloppe mince autour d’une API de modèle. Il est comprimé par le haut par les primitives, qui continuent d’absorber en elles-mêmes les capacités générales, et par le bas par l’effondrement du coût de construction de quoi que ce soit de générique. Un produit au milieu est facile à construire, facile à cloner, facile à absorber par un acteur en place en tant que fonctionnalité, et il possède généralement trop peu de la chaîne de valeur du client pour défendre un prix.

Le fossé à quatre facteurs

La défendabilité aujourd’hui ne vient pas d’un seul haut mur. Elle vient de l’interverrouillage de plusieurs avantages. Quatre piliers distincts survivent à la double disparition de la production de matériel et de logiciel. Une entreprise moderne durable a besoin d’un chemin crédible vers au moins trois d’entre eux. Pas un. Trois. Les dimensions uniques ne protègent plus personne, et elles ne le feront jamais à l’avenir.

Grand matériel

Un excellent matériel ne signifie pas inventer des dispositifs exotiques. Cela ne signifie certainement pas vendre un gadget astucieux avec une marge. Un dispositif visible, copiable et vendu séparément est exactement ce que les clusters de fabrication détruisent le plus vite. Le matériel gagne sa place lorsqu’il n’est pas le produit, mais l’instrument. Il donne à l’entreprise un accès physique privilégié à un processus qu’aucun concurrent ne peut observer de l’extérieur. Il détecte le monde physique, capture des données propriétaires, exécute des actions physiques et standardise le flux de travail, rendant le logiciel au-dessus beaucoup plus difficile à copier. Le test est simple. Le matériel pourrait-il être retiré et vendu seul ? Si c’était le cas, c’est un gadget et il sera commoditisé. S’il n’a aucun sens sans le logiciel, les données et l’opération qui l’entourent, alors il fait un travail de fossé concurrentiel.

Excellent logiciel personnalisé

Un excellent logiciel personnalisé n’est pas un SaaS générique et ce n’est pas une interface plus agréable. Il fonctionne à l’intérieur d’un processus physique ou réglementaire spécifique, automatise des décisions qui ont un réel poids économique, coordonne la main-d’œuvre ou les machines, et capture les corrections et les cas limites au fur et à mesure qu’ils se produisent. Remarquez ce qui le rend défendable. Pas le code, que l’analyse a montré être désormais bon marché, mais sa dépendance à l’accès opérationnel, aux données propriétaires et à une connaissance approfondie du flux de travail qu’un concurrent ne peut pas obtenir en clonant une interface. Le logiciel est difficile à copier parce que les choses dans lesquelles il est intégré sont difficiles à atteindre, et non parce que le logiciel est difficile à écrire.

Excellentes relations

Les excellentes relations comptent parmi les fossés les plus durables dans les industries lourdes. Elles sont totalement immunisées contre la commoditisation du matériel et du logiciel. Elles incluent l’accréditation réglementaire, la confiance des clients, l’accès à la distribution auprès d’acheteurs conservateurs et des partenariats opérationnels de long terme. On le voit dans des secteurs comme la défense, la santé, la construction et les infrastructures. Les acheteurs de ces marchés ne choisissent jamais un fournisseur simplement parce que le logiciel est légèrement meilleur, et dans de nombreux cas, même pas s’il est 10x meilleur. Ils achètent sur la base de la confiance et des antécédents, de la fiabilité, de la responsabilité, de la conformité et des preuves. Un clone moins cher est généralement disqualifié avant même que quiconque l’évalue. Les relations demandent du temps, de la réputation et un historique d’exécution réelle. Ni les agents d’IA ni une chaîne d’assemblage de Shenzhen ne peuvent fabriquer la confiance du jour au lendemain.

Données uniques

Les données uniques sont les plus importantes des quatre et celles que les gens comprennent le plus souvent mal. Toutes les données n’ont pas de valeur, et les données génériques récupérées par scraping sont désormais presque sans valeur en tant que fossé concurrentiel. Les données qui comptent sont privées, tacites et de niveau expert, spécifiques au physique et au flux de travail, générées à partir d’opérations réelles, et pleines des cas limites, corrections et échecs qui n’apparaissent jamais dans un corpus public. On ne peut pas acheter ce genre de données, et on ne peut pas les scraper. Elles sont produites exclusivement comme sous-produit de l’exploitation d’une opération vivante à travers une boucle fermée en quatre étapes :

1. Observation
2. Décision
3. Action
4. Résultat

Cette boucle est aussi l’endroit où les quatre facteurs commencent à se renforcer mutuellement. Le matériel observe et agit, le logiciel décide et coordonne, les relations donnent accès au flux de travail, et les données uniques se renforcent à partir des résultats.

La plupart des entreprises ne capturent que la première étape de ce flux de données. Le fossé a besoin des quatre, ce qui signifie que vous savez non seulement ce qui s’est passé, mais quelle décision a été prise en réponse, quelle action a réellement été effectuée, et si le résultat a fonctionné. Cette quatrième étape, le résultat vérifié, est ce qui rend les données exploitables pour l’entraînement et ce qui rend l’avantage cumulatif. Chaque travail terminé améliore le système qui exécute le travail suivant, ce qui est la seule forme d’avantage dans tout ce document qui croît au lieu de s’éroder.

Quand les boucles se renforcent et quand elles stagnent

La boucle fermée semble inévitable en théorie. En pratique, la plupart des tentatives pour en construire une échouent. La boucle est une revendication, pas une loi, et elle a des modes de défaillance spécifiques qu’il est plus utile de comprendre que le cas de succès.

• Les données saturent : La valeur des données accumulées suit une courbe à rendements décroissants. En apprentissage profond, Sun et al. ont constaté que les performances sur des tâches de vision augmentaient logarithmiquement avec le volume de données d’entraînement, ce qui signifie que chaque doublement du jeu de données apporte un incrément supplémentaire, et non un autre miracle. Les mille premières exécutions vous enseignent le plus. Les dix mille suivantes enseignent moins. Les cent mille suivantes n’enseignent presque rien de nouveau. Un concurrent arrivant plus tard peut souvent atteindre 90 % de vos performances avec une fraction des données historiques, comblant l’écart plus vite que ne le laissent penser les chiffres bruts.

• Les données ne sont peut-être pas à vous pour les utiliser : Vous générez des données propriétaires à travers le flux de travail, mais si votre contrat dit que le client en est propriétaire et que vous ne pouvez pas les mutualiser entre les déploiements, vous avez cinquante silos de données séparés, pas un volant d’inertie. Au niveau de la plateforme, OpenAI, Anthropic, Microsoft Azure OpenAI, AWS Bedrock et Google Vertex AI indiquent tous aux clients professionnels que leurs entrées et sorties ne sont pas utilisées pour entraîner les modèles de fondation par défaut. C’est bon pour les clients et un avertissement pour les fournisseurs. L’apprentissage entre clients ne se renforce que si le contrat l’autorise. Le droit à la vie privée ajoute une autre contrainte, car la limitation des finalités du RGPD, les droits à l’effacement, les règles de dé-identification HIPAA et les règles CCPA/CPRA concernant le partage pour la publicité comportementale intercontextuelle rendent tous l’utilisation secondaire des données plus difficile. Cela détruit davantage de fossés d’IA réels que la concurrence.

• Le flux de travail mute plus vite que le modèle ne s’améliore : Dans les domaines opérationnels à dérive rapide, les données ont une demi-vie mesurable. Comme Valavi et al. l’ont montré dans une recherche de la Harvard Business School, un important stock historique de données crée une faible barrière à l’entrée. Un entrant équipé d’un plus petit flux de données fraîches et récentes peut souvent construire un modèle plus précis qu’un acteur en place assis sur des années de données héritées, surtout lorsque les données obsolètes dégradent activement la précision. Une étude en informatique clinique l’a montré directement, où la demi-vie des données de prédiction des ordonnances hospitalières était d’environ quatre mois, et un mois de données récentes surpassait douze mois de données plus anciennes. Dans la fabrication, la dérive des capteurs, l’usure des outils, les redéfinitions de processus et les changements de schéma signifient que les modèles entraînés sur les données historiques de l’usine raisonnent à propos d’une usine qui n’existe plus. Ce n’est pas universel. Les processus gouvernés par la physique, les tables actuarielles, les données géologiques et d’autres domaines à évolution lente peuvent conserver longtemps la valeur des anciennes données. Si le flux de travail change plus vite que le modèle ne s’améliore, vos données historiques deviennent un poids obsolète plutôt qu’un avantage.

• Le coût est la barrière, et la barrière est le coût : Posséder des flux de travail réels est intensif en capital, intensif en main-d’œuvre et à marge plus faible que le logiciel pur. Tesla a déclaré une marge brute totale GAAP d’environ 18 % en 2025 malgré l’intégration verticale. Intuitive Surgical a déclaré une base installée de da Vinci de 11 106 systèmes et une marge brute non-GAAP de 67,6 % en 2025, après des décennies de capital, de formation des chirurgiens et de volume de procédures. La dépense qui tient les concurrents à l’écart empêche aussi la plupart des entrants de construire quelque chose qui vaille la peine d’être défendu. Beaucoup de tentatives échouent sur l’économie unitaire bien avant que la boucle ne se renforce.

Ce qui sépare les boucles qui se renforcent réellement de celles qui sont de faux fossés :

• Les données sont liées aux résultats, ce qui signifie que vous savez si le résultat était juste ou faux plutôt que de simplement collecter des signaux.
• Les données vous appartiennent contractuellement pour une utilisation entre les déploiements.
• Le flux de travail est suffisamment stable pour que les données historiques restent pertinentes.
• Chaque exécution génère de nouveaux cas limites, pas davantage de la même chose.
• La fréquence est suffisamment élevée pour que l’apprentissage se renforce avant que le flux de travail ne mute.

Cette thèse est fausse si l’une des affirmations suivantes est vraie :

• Un concurrent peut acquérir des données équivalentes par scraping, génération synthétique, transfert d’apprentissage ou achat ponctuel.
• Le client possède contractuellement les données et vous ne pouvez pas les mutualiser entre les déploiements.
• Le flux de travail mute plus vite que le modèle ne s’améliore, de sorte que les données accumulées décrivent un système qui n’existe plus.
• La valeur des données se sature dans les N premières exécutions, ce qui signifie que l’avantage est fixe et non cumulatif.
• Le coût de possession du flux de travail dépasse la valeur des données qu’il génère.

Si ces conditions sont réunies, la boucle n’est pas un fossé concurrentiel. C’est un projet d’ingénierie coûteux avec une avance temporaire. Comme a16z l’a soutenu en 2019, la plupart des avantages liés aux données sont des effets d’échelle à rendements décroissants, pas des effets de réseau magiques. C’était vrai avant la vague actuelle de l’IA. Cela reste vrai maintenant.

Modèles économiques fondés sur le rempart moderne

Les quatre facteurs décrivent de quoi le rempart est fait. La question suivante est de savoir quel type de modèle économique peut réellement le capter. En pratique, la réponse s’éloigne de la vente d’outils et se tourne vers la possession du flux de travail lui-même.

Principal, pas fournisseur

La décision unique offrant le plus de levier dans tout le cadre est de refuser la position de fournisseur.

Une approche de fournisseur consiste à vendre un outil à l’organisation qui possède déjà le flux de travail. Cela paraît attrayant parce que cela demande peu de capital et est scalable en théorie, mais cela remet toutes les sources de levier au client. L’opérateur conserve la relation client, le processus physique, les données opérationnelles, le budget, la responsabilité et le résultat final. Le fournisseur conserve une couche logicielle posée au-dessus de tout cela. La startup capte une petite fraction de la valeur qu’elle crée, le client exige des intégrations sur mesure jusqu’à ce que le produit dérive vers les services, l’opérateur peut observer l’outil fonctionner puis le remplacer par une solution interne devenue entre-temps nettement moins coûteuse à produire, et comme l’opérateur possède les meilleures données, le modèle du fournisseur ne bénéficie jamais d’un effet de composition. Les marges restent plafonnées. Cela est particulièrement dangereux dans les industries physiques, où les fournisseurs de logiciels se dégradent de manière fiable en consultants glorifiés.

La position la plus forte consiste à devenir le principal, à posséder l’exploitation, la responsabilité, l’accréditation, le flux de travail ou la responsabilité elle-même. Au lieu de vendre un logiciel à celui qui exécute le travail, l’entreprise exécute le travail ou en garantit le résultat. Cela inverse tous les inconvénients ci-dessus. L’entreprise capte la marge complète au lieu d’une simple tranche de licence, possède le résultat client et donc la relation, et possède les données parce que ses propres opérations les génèrent. Elle ne peut pas être désintermédiée par l’opérateur puisqu’elle est l’opérateur, et elle construit une véritable expertise opérationnelle au lieu d’une compréhension de seconde main.

Le principe se condense en une seule instruction :

Ne vendez pas l’outil. Vendez le résultat complet.

En pratique, cela se manifeste par une reformulation cohérente de toute idée de fournisseur en sa version principale :

Cette décision compte plus que toute autre dans le cadre, parce qu’elle décide qui possède les données, et la propriété des données décide si l’avantage s’accroît ou se dégrade.

Le service comme service

La position de principal implique un modèle de livraison qui a un aspect différent de celui du logiciel conventionnel, et il vaut la peine de le nommer, car au premier abord il ressemble à une pire activité pour quiconque a été formé aux marges SaaS.

Ce modèle circule sous plusieurs noms. YC, a16z et d’autres l’ont appelé service-as-software, et la thèse du roll-up activé par l’IA en est une cousine proche. Je préfère service comme service parce que cela maintient l’accent sur ce que le client reçoit réellement.

Le client ne devrait pas avoir à utiliser le logiciel pour que le travail soit fait. L’entreprise doit utiliser conjointement le logiciel, l’IA, le travail humain, le matériel et les opérations pour livrer le travail fini. Le logiciel est un levier interne, pas le produit.

La séquence est délibérée. Commencez par faire le travail manuellement, ou avec des humains dans la boucle. Utilisez le logiciel pour rendre ce travail humain plus rapide, plus cohérent et plus mesurable. Capturez chaque entrée, décision, correction, cas limite et résultat. Puis utilisez les données accumulées pour automatiser de plus en plus le flux de travail, en convergeant vers un fournisseur de services automatisé avec des marges et une défendabilité que les logiciels conventionnels ne peuvent pas égaler.

Cela diffère du conseil en une différence décisive. Le conseil vend du travail sur mesure à chaque client pour toujours, et chaque mission ne laisse derrière elle rien de réutilisable. Le service comme service utilise délibérément le travail humain initial comme instrument de construction du système d’automatisation, et chaque mission laisse derrière elle des données qui rendent la suivante moins coûteuse.

Mais il faut faire attention et repérer un piège dans ce type de modèle. Si chaque nouveau client nécessite des intégrations sur mesure, un nettoyage de données sur mesure, une cartographie de flux de travail sur mesure et un ajustement de modèle sur mesure, l’entreprise est un cabinet de conseil qui ne l’a pas encore admis. La phase avec un humain dans la boucle est acceptable, et souvent nécessaire, mais seulement à condition qu’elle produise des données propriétaires et converge vers une automatisation scalable. Si les humains effectuent encore le même travail au même coût par unité après cinquante missions, le modèle a échoué.

La Stargate pour les données

L’IA passe d’un goulot d’étranglement de calcul à un goulot d’étranglement de données. Les entreprises d’IA les plus précieuses de la période à venir ne seront pas celles qui disposent des données les plus génériques, qui abondent et ne commandent donc aucune rente, pour exactement la logique de la première moitié. Ce seront celles qui possèdent des données opérationnelles rares, privées et de haute qualité, impossibles à obtenir autrement qu’en faisant le travail.

L’expression Stargate pour les données est empruntée à Stargate d’OpenAI, le projet annoncé de déploiement de calcul à plusieurs centaines de milliards de dollars, et cet emprunt est précisément le point. Si la ressource rare du cycle précédent justifiait des infrastructures planifiées à cette échelle, la suivante mérite le même traitement. L’objectif n’est pas d’accumuler un jeu de données. C’est de construire une machine qui fabrique en continu des données propriétaires comme sous-produit de la fourniture d’un service.

La distinction qui compte dans ce cas est que l’objectif n’est pas de collecter des données pour elles-mêmes, ce qui produit des lacs coûteux de matière inutilisable. L’objectif est de posséder la boucle opérationnelle qui produit exactement les données nécessaires pour automatiser cette boucle.

L’ordinateur d’atomes

Les quatre facteurs décrivent une structure. L’ordinateur d’atomes décrit à quoi sert cette structure, et c’est la vision de long terme qui rend tout l’exercice digne d’être mené.

Je n’ai pas eu cette idée et je veux être clair à ce sujet d’emblée. Le cadrage est celui de Travis Kalanick. Après avoir été poussé dehors d’Uber en 2017, il a passé huit ans à construire City Storage Systems en toute discrétion, et en mars 2026 il l’a renommée Atoms et a publié une lettre de vision exposant l’ensemble du projet. Sa formulation consiste à aborder les problèmes du monde physique comme on aborderait des problèmes logiciels, et à considérer que les ressources informatiques de base ont des analogues physiques où le CPU est la fabrication, le stockage est l’immobilier, et le réseau est le transport. Lors d’un événement de lancement a16z, Kalanick a défini l’entreprise autour de l’IA industrielle, en utilisant des logiciels, des capteurs, la robotique et l’IA pour automatiser les opérations dans des secteurs industriels entiers, en commençant par l’alimentation, l’exploitation minière et le transport. Lisez sa lettre. Elle est meilleure que mon résumé, et certaines de ses conclusions arrivent au même endroit que ce document, par une direction différente.

À mesure que l’IA devient plus capable, sa contrainte limitante se déplace. La limite n’est plus seulement la qualité du raisonnement. C’est l’interaction avec la réalité physique. Un modèle peut produire du texte, du code, des images et des plans de grande qualité et rester incapable de faire de manière fiable quoi que ce soit dans un environnement réel salissant, non structuré et aux conséquences importantes. Les ordinateurs traditionnels ont donné à l’intelligence un substrat pour manipuler des bits. L’opportunité aujourd’hui consiste à construire l’équivalent pour les atomes, en créant des systèmes qui perçoivent le monde physique, interprètent des conditions réelles désordonnées, décident, agissent, vérifient les résultats et apprennent à partir des retours, le tout sous de véritables contraintes physiques, réglementaires et économiques. Cette dernière clause est la difficile, et c’est pour cela qu’il s’agit d’une opportunité commerciale plutôt que d’un projet de recherche. Opérer sous contrainte réglementaire et économique est précisément ce qui ne peut pas être cloné, et c’est précisément ce qui génère les données en boucle fermée dont le quatrième facteur a besoin.

Sur un point, Kalanick et moi sommes totalement d’accord, et il le dit mieux que moi. Son terme est des robots utilement employés, c’est-à-dire des machines spécialisées avec un travail productif spécifique, par opposition à des humanoïdes construits pour nous imiter. Son exemple est que si vous devez faire mille pancakes par heure, un humanoïde qui les retourne maladroitement est la pire conception possible et une machine conçue à cet effet est l’évidence même. La bonne approche n’est donc pas de construire un robot polyvalent. C’est de trouver une niche étroite où la boucle percevoir, décider, agir peut être déployée dans un flux de travail réel avec une valeur économique immédiate claire, puis de faire fonctionner cette boucle de bout en bout avant de l’élargir.

L’entreprise à court terme doit être étroite au point de paraître peu ambitieuse. Le plafond à long terme est la raison d’accepter cette étroitesse.

Un exemple travaillé

Le cadre est abstrait, il est donc utile d’examiner une idée à travers lui. Il ne s’agit que d’une illustration des critères en usage, pas de la seule conclusion que le cadre impose.

Prenez l’inspection spéciale de construction et les essais de matériaux. La version fournisseur vend des logiciels aux agences et aux laboratoires qui possèdent déjà le flux de travail. La version principal devient l’agence et le laboratoire. Elle détient l’accréditation, réalise les inspections et assume la responsabilité réglementaire. En interne, elle utilise des logiciels, du matériel et de l’IA pour fournir des résultats certifiés plus rapidement, à moindre coût et de manière plus fiable que les acteurs en place.

Cette forme atteint les quatre facteurs. Elle est physique, parce qu’elle traite de sites, d’échantillons, d’instruments et de mesures du monde réel. Elle possède des fossés relationnels et réglementaires, parce que les acheteurs ont besoin de résultats acceptés par les autorités compétentes, et non d’un tableau de bord plus joli. Elle détient le résultat, parce qu’elle vend des résultats certifiés plutôt que des outils. Et elle génère en sous-produit des données opérationnelles propriétaires, y compris des résultats d’essais, des modes de défaillance, des propriétés des matériaux, des corrections d’experts et les liens entre les conditions physiques et les résultats finaux.

Elle commence aussi de façon étroite, ce qui suit la logique classique des start-up que Paul Graham et YC défendent depuis des années. Commencez par un coin d’attaque précis, mais assurez-vous qu’il corresponde à un problème vaste et douloureux. Il n’est pas nécessaire d’automatiser l’inspection de la construction comme industrie dès le premier jour. Le point d’entrée peut être un type d’inspection, un essai de matériau, une zone géographique ou un flux de conformité. À partir de là, le logiciel standardise le travail, les humains produisent les premières données, et l’automatisation ne s’étend que là où la boucle s’amplifie réellement.

Les risques sont exactement ceux que le cadre prévoit. Les délais d’accréditation bloquent les revenus, les opérations sont lourdes avant que l’automatisation ne mûrisse, et le piège des services est bien réel si chaque projet se révèle sur mesure. C’est précisément le but du cadre. Il ne rend pas l’activité facile. Il vous indique où devraient se trouver les parties difficiles.

Des entreprises qui ressemblent déjà à cela

Il est plus facile de faire confiance au cadre s’il décrit des choses qui existent déjà plutôt que seulement des choses que j’aimerais voir exister.

Anduril est quatre sur quatre. Matériel sur mesure à travers des drones, des tours de capteurs, des intercepteurs et des véhicules sous-marins. Logiciel sur mesure dans Lattice, sur lequel tourne chaque pièce de ce matériel. Des relations et une position réglementaire qu’aucun agent de codage ne peut générer, puisque le client est le gouvernement américain et ses alliés. Des données opérationnelles issues des systèmes déployés, réinjectées dans le logiciel. Deux détails comptent plus que la liste des produits. Elle finance sa propre R&D et construit le produit avant de le vendre sur une ligne budgétaire existante, inversant le modèle de coût majoré sur lequel fonctionnent les grands maîtres d’œuvre traditionnels. Anduril est privée et ne publie pas de marges auditées, mais des estimations secondaires placent sa marge brute autour de 40 à 45 %. C’est exceptionnellement élevé pour du matériel de défense, où les entreprises de l’aérospatiale et de la défense affichent en moyenne une marge brute d’environ 17,5 % dans les données sectorielles de NYU Stern. Le chiffre exact importe moins que la structure. Un modèle verticalement intégré, à prix fixe et défini par logiciel semble offrir une meilleure économie que l’intégration traditionnelle de plateformes à coût majoré.

Intuitive Surgical est la version plus ancienne et plus discrète de la même structure. Le système da Vinci associe un matériel inutile sans son logiciel, des autorisations de la FDA qu’aucun concurrent ne peut contourner, deux décennies de relations hospitalières, et des données de procédure issues de millions d’opérations. Elle atteint quatre sur quatre, se compose en permanence, et exécute ce playbook depuis sa première autorisation en 2000, bien avant que quiconque ne l’appelle IA physique.

Kraken Robotics est celle que je trouve la plus instructive, en partie parce que peu de gens en dehors des technologies marines la connaissent. Elle fabrique des sonars à ouverture synthétique, la plateforme remorquée KATFISH, des batteries sous-marines et du LiDAR sous l’eau. Aucun de ce matériel n’est utile sans le logiciel d’imagerie propriétaire qui l’entoure. Ses clients incluent des marines alignées sur l’OTAN. Cela signifie confiance et réglementation au plus haut niveau, car une marine ne changera pas de fournisseur de sonar pour une copie moins chère. Surtout, Kraken ne se contente pas de vendre des équipements. Elle réalise aussi des relevés en tant que service, ce qui signifie que chaque mission produit des renseignements sur les fonds marins que personne d’autre ne détient. Ce dernier choix résume tout le cadre à petite échelle. Une entreprise de matériel a remarqué que la donnée valait plus que la boîte, et a pris la position principal pour la conserver.

SpaceX et Waymo sont des exemples purs de position principal. SpaceX ne vend pas de fusées. Elle vend des charges utiles livrées. Waymo ne concède pas de licence de logiciel d’autonomie aux constructeurs automobiles. Elle vend des trajets achevés. Dans les deux cas, l’entreprise a رفضé la position fournisseur, a absorbé la responsabilité opérationnelle et a conservé la donnée. Waymo porte aussi un fossé réglementaire qui arrive juridiction par juridiction. Cette expansion est lente, ce qui est précisément la raison pour laquelle elle est défendable.

Carbon Robotics est le cas partiel utile. Son LaserWeeder élimine les mauvaises herbes à l’aide de la vision par ordinateur et de lasers de forte puissance. En février 2026, l’entreprise a déclaré que son Large Plant Model avait été entraîné sur plus de 150 millions de plantes étiquetées, collectées sur environ cent fermes dans quinze pays. C’est le moteur de données qui fonctionne comme décrit, généré comme sous-produit opérationnel plutôt que comme initiative séparée. Mais je noterais aussi la vulnérabilité de cette configuration. Carbon vend des équipements aux agriculteurs, restant un fournisseur plutôt qu’un principal. Elle réussit parce que la donnée continue de remonter vers son modèle central, rendant la position fournisseur viable. Si les cultivateurs détenaient un jour les données de cette flotte, le fossé disparaîtrait.

Nokia est à la fois l’avertissement historique et un cas de test émergent. En 2007, elle détenait près de 50 % du marché mondial des smartphones avec le meilleur matériel, la meilleure échelle de fabrication et la meilleure chaîne d’approvisionnement du secteur des téléphones mobiles. Elle excellait sur une seule dimension mieux que quiconque, et elle s’est effondrée parce qu’elle n’avait pas de plateforme logicielle. La Nokia d’aujourd’hui tente exactement le playbook multi-facteurs décrit ici. Comme l’explique Michael Sikand dans cette analyse vidéo, l’entreprise a passé plus d’une décennie à pivoter des gadgets grand public vers l’assemblage vertical de silicium optique, des relations établies avec les opérateurs et la défense, et de l’edge compute alimenté par l’IA. L’ancienne Nokia a prouvé qu’un matériel isolé n’est qu’une avance temporaire. Eh bien, la nouvelle Nokia essaie de prouver que le matériel associé à la confiance institutionnelle et à l’infrastructure logicielle crée un fossé durable.

Aucune de ces entreprises ne se ressemble en surface, mais elles pointent toutes vers la même leçon. Les entreprises les plus durables ont gagné quelque chose de lent, comme une accréditation, une flotte de capteurs déployée, la confiance des chirurgiens, la confiance navale, une approbation réglementaire ou une décennie de données d’exploitation. Aucune n’y est parvenue simplement en écrivant un meilleur code, et aucune ne peut être rattrapée par quelqu’un qui le fait.

La niche est la condition d’entrée

Elles ont aussi toutes commencé petit. Les entreprises qui gagnent ne commencent pas par essayer de posséder l’ensemble de la boucle, et tenter de le faire est l’erreur la plus courante. La boucle ne s’amplifie que si vous êtes assez profondément dans un flux de travail pour générer des données liées aux résultats que les concurrents ne peuvent pas acquérir autrement. Une exposition superficielle à de nombreux flux de travail produit des données superficielles qui saturent rapidement.

Le schéma se maintient au-delà des opérateurs ci-dessus et au-delà d’eux. Anduril a commencé par la protection des forces et les systèmes antidrones avant de faire passer à l’échelle la production et les capacités adjacentes. Intuitive Surgical a commencé par des procédures laparoscopiques spécifiques et a développé la formation des chirurgiens ainsi que le volume des procédures pendant des décennies avant de s’étendre à d’autres spécialités. SpaceX a commencé avec un seul véhicule de lancement réutilisable avant de s’étendre à Starlink. Tesla a commencé avec un segment étroit de VE premium (la voiture de sport Roadster) et a utilisé la flotte pour l’apprentissage des données et de la fabrication avant de passer à des modèles de volume, à l’énergie et à l’autonomie. Palantir a commencé avec des flux de travail de renseignement spécifiques pour des agences spécifiques avant de s’étendre au commercial. Dans chaque cas, l’entrée étroite n’était pas un compromis. C’était le mécanisme qui faisait composer la boucle.

Le point d’entrée est étroit par conception. Un flux de travail, un type de client, un flux de données difficile à reproduire. Vous construisez la boucle autour de ce flux de travail jusqu’à ce que les données se composent et que la relation s’approfondisse, puis vous vous étendez à des flux de travail adjacents où les mêmes données, les mêmes relations et la même discipline opérationnelle vous donnent un avantage qu’un nouvel entrant ne peut égaler. Partir large, c’est finir avec un amas de données qui ne se composent pas. Un concurrent qui démarre aujourd’hui ne court pas après une avance figée. Il court après une avance qui s’allonge chaque fois qu’un travail est accompli, mais seulement si ce travail est suffisamment étroit, suffisamment profond et suffisamment répété pour que les données comptent réellement.

Conclusion

La première moitié de ce document a établi une loi générale. Toute forteresse économique qui ne consiste qu’en la difficulté de fabriquer une chose est temporaire, et elle dure exactement jusqu’au moment où quelqu’un rend cette chose facile à fabriquer. L’agglomération industrielle chinoise a fait cela au matériel en faisant s’effondrer les coûts de transaction et la latence d’itération à l’intérieur d’un cluster hyper dense. L’IA générative est en train de faire cela au logiciel en faisant s’effondrer le coût de son intrant rare. Le matériel s’est effondré en premier et le logiciel a suivi plus tard, mais pour un fondateur qui construit aujourd’hui, aucun des deux abris n’est fiable.

La seconde moitié a transformé cette loi en réponse. Si la difficulté de production ne protège plus rien, alors la défendabilité doit être assemblée à partir des frictions que l’effondrement de la production ne peut pas atteindre. Cela inclut l’accès physique, les données opérationnelles en boucle fermée, la légitimité réglementaire, la confiance gagnée et la possession du résultat lui-même. C’est pourquoi les quatre facteurs demandent trois sur quatre plutôt qu’un seul, pourquoi la position principale compte davantage que n’importe quelle autre décision isolée, et pourquoi les données doivent être un sous-produit opérationnel plutôt qu’un actif collecté.

Cela se condense en une seule phrase centrale.

À l’ère de l’IA, les meilleures entreprises ne seront pas des outils logiciels génériques ni des produits matériels copiables. Ce seront des entreprises principales étroites, orientées vers les résultats, qui combinent logiciel, flux de travail physiques, relations de confiance et données opérationnelles propriétaires pour automatiser un travail du monde réel à forte valeur.

Pour un fondateur, la question n’est plus « quel logiciel puis-je construire ? » mais quel résultat précieux du monde réel puis-je posséder, exécuter, mesurer et automatiser ?

Les opportunités les plus fortes se trouvent là où le logiciel rencontre les atomes, la confiance, la réglementation et les données propriétaires. Elles commencent par un flux de travail unique, étroit et douloureux, en utilisant des humains lorsque nécessaire. Elles capturent les données opérationnelles comme sous-produit du travail, automatisent étape par étape et se composent en systèmes difficiles à remplacer. L’avantage est durable précisément parce qu’il a été gagné par l’exploitation physique plutôt qu’écrit en code.

L’objectif final n’est pas de construire un produit. C’est de construire une entreprise d’exploitation avec la scalabilité du logiciel, une défendabilité dans le monde physique et des données propriétaires qui s’améliorent à chaque travail accompli.

Tout ce qui était autrefois une forteresse parce qu’il était difficile à construire devient une commodité. Construire quelque chose est plus facile que jamais, et à mesure que l’IA et les chaînes d’approvisionnement mondiales progressent, cela ne fera que devenir plus facile. Ce qui reste défendable, c’est ce qui est difficile d’accès, difficile à faire gagner en confiance, difficile à faire entrer dans un cadre réglementaire, et difficile à observer sans faire le vrai travail.

Citations et sources

Je veux être explicite sur l’origine des éléments empruntés, parce qu’une grande partie de ce document consiste à relier le travail d’autres personnes plutôt qu’à inventer quoi que ce soit. Les choses que je revendiqueraient réellement comme miennes sont la règle des quatre facteurs, le standard des trois sur quatre, et l’argument précis selon lequel les deux effondrements partagent le même mécanisme sous-jacent bien qu’ils se soient produits en séquence. Les figures bougent, alors vérifiez-les avant de me citer.

De moi, d’écrits antérieurs

• La barre de valeur du logiciel (2025), où j’ai d’abord exposé le milieu qui s’effondre et la théorie du levier du logiciel interne. La seconde moitié ici est la version opérationnelle de cet article.

L’ordinateur des atomes

• Travis Kalanick, Vision, Affaires inachevées et Comment l’IA transformera le monde physique, Atoms et a16z, 2026. Le cadrage de l’ordinateur fondé sur les atomes, le mappage CPU/stockage/réseau sur fabrication/immobilier/transport, la boucle comprendre-prédire-contrôler, l’IA industrielle et les robots employés de manière rentable sont tous les siens. Cette section est mon résumé de son idée, pas mon idée.
• Ben Horowitz et Alex Danco, Travis est de retour, a16z, 2026.

L’économie

• Atlassian, résultats du T2 de l’exercice 2025, pour les marges brutes des SaaS horizontaux matures dans la zone basse des quatre-vingts pour cent.
• Snowflake, résultats de l’exercice 2025, pour le contre-exemple selon lequel les logiciels fortement axés sur la consommation peuvent fonctionner nettement en dessous des marges brutes classiques des SaaS.
• Michael Porter, cinq forces, 1979, pour la taxonomie des sources de rente dans la première partie.
• David Teece, Profiting from Technological Innovation, 1986, pour le problème d’appropriabilité dans la troisième partie.
• Alfred Marshall, Principes d’économie, 1890, pour les économies externes et l’agglomération dans la cinquième partie.
• Ronald Coase, La nature de la firme, 1937, pour les coûts de transaction dans la cinquième partie.
• Theodore Wright, 1936, et le Boston Consulting Group, pour la courbe d’expérience dans la cinquième partie.
• Stan Shih, la courbe souriante, vers 1992. Son diagramme original est sur Wikimedia Commons, et Publishers and the Smiling Curve de Ben Thompson est la meilleure extension que j’aie lue.
• Gary Pisano et Willy Shih, Restoring American Competitiveness, Harvard Business Review, 2009, pour les biens industriels communs et pourquoi le rapatriement est difficile.
• Andrew « bunnie » Huang, The Hardware Hacker, pour le récit de première main de ce que l’on ressent réellement en travaillant à l’intérieur de la densité de Shenzhen.
• OMC, Adhésions : Chine, pour le contexte sur l’intégration de la Chine dans le système commercial mondial.
• Banque mondiale, valeur ajoutée manufacturière, pour le contexte sur l’échelle manufacturière chinoise par rapport aux États-Unis.

Les mécanismes de startup

• Paul Graham, Faire des choses qui ne passent pas à l’échelle et Comment trouver des idées de startup, pour le coin étroit.
• Tesla, Le plan directeur secret de Tesla Motors, 2006, pour la logique du wedge du Roadster vers une voiture abordable.
• Palantir, déclaration d’enregistrement S-1, 2020, pour le schéma d’expansion du gouvernement vers le commercial.
• Historique de l’entreprise SpaceX et informations sur Starlink, via SpaceX et Starlink, pour le lancement comme coin initial avant une infrastructure spatiale plus large.

Codage IA et production logicielle

• GitHub, Présentation de GitHub Copilot, 2021, et Disponibilité générale de GitHub Copilot, 2022, pour le démarrage pratique de l’assistance au codage par IA commerciale.
• OpenAI, Rapport technique GPT-4, 2023, et Anthropic, Claude 3.5 Sonnet, 2024, pour le contexte de l’accélération des capacités des modèles.
• Peng et al., L’impact de l’IA sur la productivité des développeurs, 2023, pour le résultat contrôlé avec GitHub Copilot où des développeurs ont terminé une tâche de codage bornée 55,8 pour cent plus rapidement.
• Cui et al., Les effets de l’IA générative sur le travail hautement qualifié, 2025, pour le résultat de l’étude de terrain menée auprès de 4 867 développeurs montrant 26,08 pour cent de tâches accomplies en plus.
• METR, Mesurer l’impact de l’IA de début 2025 sur la productivité de développeurs open source expérimentés, 2025, pour le contre-exemple où des développeurs expérimentés étaient 19 pour cent plus lents avec des outils d’IA dans des dépôts matures.
• Cursor, Claude Code, OpenAI Codex CLI, Kiro CLI, et OpenCode, pour le passage de l’autocomplétion à l’accès agentique au dépôt et au terminal.
• Conductor, Superset, et Hermes Agent, pour la couche d’orchestration au-dessus des outils de codage à agent unique.

Les modes de défaillance du fossé de données

• Sun et al., Réexaminer l’efficacité déraisonnable des données à l’ère de l’apprentissage profond, ICCV 2017, pour le constat empirique que la performance aux tâches de vision s’améliore logarithmiquement avec le volume de données d’entraînement.
• Martin Casado et Peter Lauten, La promesse vide des fossés de données, a16z, 2019, pour l’argument selon lequel les effets d’échelle des données s’érodent généralement plutôt qu’ils ne se composent.
• Valavi et al., Le temps et la valeur des données, Harvard Business School Working Paper 21-016, 2021, pour la distinction entre stock de données et flux de données, et le constat que des données obsolètes peuvent nuire à la précision du modèle.
• Chen et al., Diminution de la pertinence des données cliniques pour les décisions futures dans des ensembles d’ordres cliniques hospitaliers fondés sur les données, International Journal of Medical Informatics, 2017, pour la demi-vie d’environ quatre mois des données de prédiction clinique.
• OpenAI Confidentialité d’entreprise, Anthropic Conditions commerciales, Microsoft Azure OpenAI confidentialité des données, AWS Bedrock FAQ, et Google Vertex AI gouvernance des données, pour les engagements par défaut de non-entraînement sur les entrées et sorties des clients professionnels.
• Comité européen de la protection des données, Avis 28/2024 sur les modèles d’IA, article 5 et article 17 du RGPD, règles de dé-identification HIPAA, et règles CCPA/CPRA, pour les contraintes du droit de la vie privée sur l’utilisation secondaire des données, l’effacement, la dé-identification et le partage.
• Lathrop GPM, Naviguer dans la propriété de l’IA dans les accords commerciaux et de licence de propriété intellectuelle, 2026, pour la tension contractuelle entre les engagements de non-entraînement et les droits d’utilisation agrégés ou dé-identifiés conservés.

Images

• La courbe souriante de Stan Shih, Wikimedia Commons, CC BY-SA.
• Huaqiangbei à la croisée de Shennan, photo de Charlie fong, Wikimedia Commons, CC BY-SA.
• Moule d’injection, photo de Wizard191, Wikimedia Commons, CC BY-SA 3.0.
• Prix des modules photovoltaïques solaires par rapport à la capacité installée cumulée, Our World in Data, CC BY 4.0. Graphique recréé localement à partir de l’ensemble de données publié.

Les exemples d’entreprise

• Estimation de la marge brute d’Anduril via Sacra. Anduril est privée et ne publie pas de marges vérifiées, donc cela est traité comme une estimation plutôt que comme un chiffre déclaré. Référence sectorielle pour les marges brutes de l’aérospatiale et de la défense (environ 17,5 pour cent) tirée de l’ensemble de données sur les marges de NYU Stern d’Aswath Damodaran.
• Contexte sur Alphabet et Google via le Formulaire 10-K FY2025 d’Alphabet, associé à États-Unis v. Google LLC pour les accords de distribution par défaut de la recherche, les avantages d’échelle de la recherche et le contexte antitrust.
• Carbon Robotics Large Plant Model et 150 millions de plantes étiquetées via l’annonce Business Wire de février 2026, avec TechCrunch en corroboration.
• Historique d’Intuitive Surgical et autorisation de la FDA en 2000 via Historique de l’entreprise Intuitive. Volume des procédures via Rapport d’impact корпоративatif 2025 d’Intuitive, et base installée / chiffres de marge via son communiqué sur les résultats du T4 2025.
• Chiffres de marge de Tesla via sa mise à jour du T4 et de l’exercice 2025.
• Schéma d’expansion réglementaire de Waymo via la carte réglementaire Robotaxi 2026 de Tesorb et la couverture d’Electrek sur l’approbation d’expansion du CPUC.
• Pic et chronologie du déclin de Nokia en 2007 via BBC News et Wikipedia, avec l’étude Administrative Science Quarterly / INSEAD de Vuori et Huy pour la dynamique organisationnelle derrière l’effondrement, et le décryptage vidéo de Michael Sikand pour son pivot moderne vers l’infrastructure.
• Détails d’OpenAI Stargate via l’annonce originale d’OpenAI et l’annonce d’expansion des sites. Il s’agit d’engagements et de plans annoncés, et non d’une capacité entièrement déployée.
• Kraken Robotics tiré des divulgations produit et contractuelles de l’entreprise elle-même.