À quoi devrait ressembler une nouvelle infrastructure financière à l'ère de l'IA ?

null

Auteur original : Matt Liston

Traduction originale : AididiaoJP, Foresight News

En novembre 2024, le marché des prédictions anticipait le résultat de l’élection avant tout le monde. Lorsque les sondages montraient une victoire incertaine et que les experts esquivaient la question, le marché donnait à Trump une probabilité de victoire de 60 %. Lors de l’annonce des résultats, le marché des prédictions a surpassé toute la caste prédictive — sondages, modèles, jugements d’experts, tout.

Cela prouve que le marché peut agréger des informations dispersées en une croyance précise, grâce à un mécanisme de partage des risques. Depuis les années 40, les économistes rêvent que les marchés de spéculation surpassent la prévision des experts, et aujourd’hui, ce rêve est réalisé sur la scène la plus grande qui soit.

Mais examinons de plus près les principes économiques sous-jacents.

Les parieurs de Polymarket et Kalshi apportent des liquidités de dizaines de milliards de dollars. Quel est leur retour ? Ils génèrent un signal que le monde entier peut voir instantanément et gratuitement. Les hedge funds l’observent, les campagnes l’intègrent, les journalistes construisent des tableaux de bord autour. Personne ne paie pour cette information, les parieurs subventionnent en réalité un bien public mondial.

C’est le dilemme des marchés de prédictions : l’information qu’ils produisent est aussi leur partie la plus précieuse, et elle se révèle au moment même de sa génération. Les acheteurs avisés ne paieront pas pour une information publique. Les fournisseurs privés de données facturent des frais élevés aux hedge funds parce que leurs données sont invisibles pour leurs concurrents. En revanche, les prix publics des marchés de prédictions, aussi précis soient-ils, n’ont aucune valeur pour ces acheteurs.

Ainsi, les marchés de prédictions ne peuvent exister que dans des domaines où suffisamment de personnes veulent « jouer » : élections, sports, événements de mèmes en ligne. On obtient alors une distraction ludique déguisée en infrastructure d’information. Les questions cruciales pour les décideurs — risques géopolitiques, interruptions de la chaîne d’approvisionnement, résultats réglementaires, calendriers de développement technologique — restent sans réponse, car personne ne miserait dessus pour le plaisir.

La logique économique des marchés de prédictions est inversée. Corriger cela fait partie d’une transformation plus vaste. L’information elle-même est le produit, le pari n’est qu’un mécanisme pour produire cette information — et un mécanisme limité. Nous avons besoin d’un nouveau paradigme. Voici une esquisse initiale de la « finance cognitive » : une infrastructure conçue à partir des premiers principes, centrée sur l’information elle-même, redessinée à la racine.

Intelligence collective

Les marchés financiers sont une forme d’intelligence collective. Ils agrègent des connaissances, croyances et intentions dispersées en prix, coordonnant ainsi le comportement de millions de participants qui ne communiquent pas directement. C’est remarquable, mais aussi extrêmement inefficace.

Le fonctionnement traditionnel est lent, limité par les horaires de trading, les cycles de règlement et les frictions institutionnelles. Il ne peut exprimer les croyances qu’à travers un outil grossier : le prix. La portée de ce qu’il peut représenter est très limitée, l’espace des propositions tradables est insignifiant comparé à celui des questions qui préoccupent réellement l’humanité. De plus, la participation est strictement limitée : barrières réglementaires, exigences de capital, contraintes géographiques excluent la majorité des gens et toutes les machines.

L’émergence du monde cryptographique commence à changer cela, avec des marchés ouverts 24/7, la participation permissionless, et des actifs programmables. Des protocoles modulaires composables sans coordination centrale. La finance décentralisée (DeFi) a prouvé qu’on pouvait reconstruire l’infrastructure financière comme un ensemble de composants ouverts, interopérables, issus d’interactions autonomes plutôt que de décrets de gardiens.

Mais la DeFi n’est souvent qu’une copie améliorée du « pipeline » traditionnel. Son intelligence collective reste basée sur le prix, centrée sur l’actif, et sa capacité à absorber de nouvelles informations est lente.

La finance cognitive est la prochaine étape : reconstruire, à partir des premiers principes, le système intelligent lui-même pour l’ère de l’IA et de la cryptographie. Nous avons besoin de marchés capables de « penser » — de maintenir un modèle probabiliste du monde, d’absorber l’information à n’importe quel degré de finesse, accessible à des systèmes d’IA pour interrogation et mise à jour, sans que les humains aient à comprendre la structure sous-jacente pour contribuer.

Les composants pour y parvenir ne sont pas mystérieux : corriger les modèles économiques avec des marchés privés, capturer la corrélation avec des structures de composition, traiter l’information à grande échelle avec des écosystèmes d’agents, extraire des signaux du cerveau humain via des interfaces homme-machine. Chacun de ces éléments peut être construit aujourd’hui, et leur combinaison créera quelque chose de nouveau, d’une ampleur qualitative.

Marchés privés

Si le prix n’est pas public, les contraintes économiques disparaissent.

Un marché privé de prédictions ne montre le prix qu’à une entité qui subventionne la liquidité. Cette entité obtient un signal exclusif, une information propriétaire, plutôt qu’un bien public. Ainsi, le marché devient soudainement viable pour toute question où « quelqu’un a besoin d’une réponse », qu’il y ait ou non des enjeux ludiques.

J’ai discuté de ce concept avec @_Dave_White_.

Imaginez un hedge fund macro qui souhaite obtenir une estimation continue de la probabilité des décisions de la Fed, de l’inflation et de l’emploi, comme un signal décisionnel, pas comme une opportunité de pari. Tant que l’information reste exclusive, ils seront prêts à payer. Une entreprise de défense veut la distribution de probabilité des scénarios géopolitiques, une pharma la prévision du calendrier d’approbation réglementaire. Mais aujourd’hui, ces acheteurs n’existent pas, car une fois générée, l’information fuit immédiatement vers la concurrence.

La confidentialité est la base du bon fonctionnement du modèle économique. Si le prix devient public, les acheteurs d’informations perdent leur avantage, la concurrence se met à faire du « free riding », et tout le système retombe dans une dépendance à l’amusement.

Les environnements d’exécution sécurisés (TEE) rendent tout cela possible : ce sont des enclaves de calcul sécurisé où le processus de calcul est invisible pour l’extérieur (et même pour l’opérateur du système). L’état du marché existe entièrement à l’intérieur du TEE. Les acheteurs d’informations reçoivent le signal via des canaux vérifiés. Plusieurs entités non concurrentes peuvent s’abonner à des marchés superposés ; des fenêtres d’accès hiérarchisées peuvent équilibrer la propriété exclusive de l’information et sa diffusion plus large.

Les TEE ne sont pas parfaits, ils nécessitent de faire confiance au fabricant du matériel. Mais ils offrent déjà une confidentialité suffisante pour des applications commerciales, et la technologie est aujourd’hui bien mature.

Marchés de composition

Les marchés de prédictions actuels traitent chaque événement comme isolé. « La Fed va-t-elle baisser les taux en mars ? » dans un marché séparé. « L’inflation du deuxième trimestre dépassera-t-elle 3 % ? » dans un autre. Un trader qui comprend les liens intrinsèques entre ces événements, par exemple en sachant qu’une inflation élevée pourrait augmenter la probabilité de baisse des taux, ou qu’un marché du travail solide pourrait la réduire, doit arbitrer manuellement entre ces pools de capitaux déconnectés, tentant de reconstruire la corrélation brisée par la structure même du marché.

C’est comme construire un cerveau où chaque neurone ne peut que décharger isolément.

Les marchés de composition, eux, maintiennent une « distribution conjointe » des résultats multiples. Une transaction exprimant « taux d’intérêt élevé et inflation > 3 % » provoquera des vagues dans tous les marchés liés, mettant à jour simultanément la structure probabiliste entière.

C’est une approche similaire à l’apprentissage par réseaux neuronaux : lors de l’entraînement, chaque mise à jour de gradient ajuste des milliards de paramètres simultanément, le réseau réagissant globalement à chaque donnée. De même, chaque transaction dans un marché de composition met à jour la distribution entière, la transmission de l’information se faisant par la structure de corrélation, pas seulement par le prix isolé.

Au final, cela donne un « modèle » — une distribution de probabilité en constante évolution sur l’espace des états du monde. Chaque transaction affine la compréhension du lien entre les choses. Le marché apprend comment le monde est connecté.

Écosystème intelligent

Les systèmes de trading automatisés dominent déjà Polymarket. Ils surveillent les prix, détectent les erreurs, exécutent des arbitrages, agrègent des informations externes, bien plus vite que tout humain.

Les marchés actuels sont conçus pour des parieurs humains utilisant une interface web. Les agents sont là « à contrecœur ». Un marché d’IA natif inverserait complètement cette logique : les agents deviennent les acteurs principaux, et les humains ne sont qu’une source d’information intégrée au système.

Une décision cruciale : il faut une séparation totale. Les agents qui voient les prix ne doivent pas être ceux qui fournissent l’information ; et ceux qui collectent l’information ne doivent pas voir les prix.

Sans cette « barrière », le système s’autodétruira. Un agent qui peut à la fois obtenir des informations et observer les prix peut déduire inversement ce qui a de la valeur, puis aller le chercher lui-même. La signalisation du marché devient alors une « carte au trésor » pour lui. La collecte d’informations se transforme en une forme complexe de « trading anticipé ». La barrière garantit que l’agent d’acquisition d’informations ne peut faire des profits qu’en fournissant des signaux réellement nouveaux et uniques.

De l’autre côté de la « barrière » : les agents de trading, qui rivalisent dans des structures complexes pour repérer les erreurs de prix, et les évaluateurs, qui évaluent les flux d’informations entrants via des mécanismes adverses, pour distinguer signal, bruit ou manipulation.

De l’autre côté : les agents de collecte d’informations, qui opèrent en dehors du système central. Ils surveillent les flux de données, analysent des documents, contactent des humains détenant des connaissances rares — et transmettent l’information unidirectionnellement au marché. Lorsqu’elle est jugée précieuse, ils sont rémunérés.

La rémunération circule en amont. Une transaction rentable récompense l’agent qui l’a exécutée, celui qui a évalué l’information, et celui qui l’a initialement collectée. Cet écosystème devient une plateforme : d’un côté, il permet à des IA très spécialisées de monétiser leurs capacités ; de l’autre, il sert de socle pour d’autres systèmes d’IA qui collectent des renseignements pour guider leurs actions. Les agents sont le marché lui-même.

Intelligence humaine

Une grande partie des informations les plus précieuses du monde ne réside que dans la tête des humains. Par exemple, un ingénieur qui sait que le développement de son produit est en retard ; un analyste qui perçoit un changement subtil dans le comportement des consommateurs ; un observateur qui repère des détails invisibles même pour les satellites.

Un système natif IA doit pouvoir capter ces signaux issus du cerveau humain, tout en ne se laissant pas submerger par le bruit massif. Deux mécanismes rendent cela possible :

Intermédiaires intelligents : permettre aux humains de « trader » sans voir les prix. Une personne exprime simplement sa croyance en langage naturel, par exemple « je pense que le lancement du produit sera retardé ». Un « agent de traduction de croyances » spécialisé analyse cette prédiction, évalue sa confiance, et la convertit en position sur le marché. Cet agent coordonne avec le système ayant accès aux prix, construit et exécute l’ordre. La participation humaine ne donne qu’un retour sommaire : « position établie » ou « avantage insuffisant ». La rémunération est réglée après l’événement, en fonction de la précision de la prévision, sans jamais révéler l’information de prix.

Marchés d’informations : permettre aux agents d’acquisition d’informations de payer directement en faveur des signaux humains. Par exemple, un agent cherchant à connaître la rentabilité d’une entreprise technologique peut repérer un ingénieur détenant des connaissances internes, acheter son rapport d’évaluation, puis payer en fonction de la valeur que cette information aura dans le marché. La personne est rémunérée pour sa connaissance, sans qu’il soit nécessaire de comprendre la structure complexe du marché.

Prenons l’exemple d’Alice, analyste : elle pense qu’une fusion ne sera pas approuvée par la régulation. Elle exprime cette opinion via une interface en langage naturel. Son « agent de traduction de croyances » analyse la prédiction, évalue sa confiance en se basant sur ses antécédents, et construit une position adaptée, sans jamais voir le prix. Un « agent de coordination » placé en TEE, selon la probabilité implicite du marché, juge si son avis détient un avantage informationnel, et exécute la transaction en conséquence. Alice ne reçoit qu’une notification : « position établie » ou « avantage insuffisant ». Le prix reste confidentiel.

Ce type d’architecture considère l’attention humaine comme une ressource rare, à distribuer avec soin et à rémunérer équitablement, plutôt qu’un bien public à exploiter librement. À mesure que ces interfaces mûrissent, la connaissance humaine devient « fluide » : ce que vous savez s’intègre dans un modèle global de la réalité, et vous êtes récompensé lorsque votre information est confirmée. Les signaux enfermés dans la tête ne restent plus prisonniers.

Perspectives futures

En regardant très loin, on peut deviner la direction que tout cela prendra.

Le futur sera un océan de relations fluides, modulaires, interopérables. Ces relations se forment et se dissolvent spontanément entre humains et non-humains, sans gardiens centraux. Une « auto-trust fractalisée ».

Les agents négocient entre eux, les humains contribuent par interface naturelle, l’information afflue dans un modèle de réalité en constante mise à jour, accessible à tous, mais contrôlé par personne.

Les marchés de prédictions d’aujourd’hui ne sont qu’un croquis rudimentaire de cette vision. Ils valident le principe central (le partage des risques génère des croyances précises), mais restent enfermés dans de fausses hypothèses économiques et structurelles. Les paris sportifs et les pronostics électoraux sont à la finance cognitive ce que l’ARPANET (l’Internet primitif) est à l’Internet mondial : une preuve de concept, souvent mal comprise comme la forme ultime.

Le vrai « marché » est en réalité chaque décision prise dans l’incertitude — c’est-à-dire presque toutes. La gestion de la chaîne d’approvisionnement, les essais cliniques, la planification des infrastructures, la stratégie géopolitique, la répartition des ressources, les nominations… La valeur de réduire l’incertitude dans ces domaines dépasse largement le simple divertissement de parier sur un match. Nous n’avons simplement pas encore construit l’infrastructure capable de capturer cette valeur.

Ce qui arrive, c’est le « moment OpenAI » dans le domaine cognitif : une infrastructure de civilisation, mais pas pour le raisonnement individuel, pour la croyance collective. Les grands modèles de langage construisent des systèmes qui « raisonnent » à partir de données passées ; la finance cognitive veut construire des systèmes qui « croient » — qui maintiennent une distribution probabiliste calibrée du monde, mise à jour en permanence par des incitations économiques (et non par la descente de gradient), intégrant la connaissance humaine à n’importe quel degré de finesse. Les LLM codent le passé ; les marchés de prédictions agrègent la croyance en l’avenir. La fusion des deux permettra de créer un système cognitif plus complet.

Une fois pleinement développée, cette vision évoluera vers une infrastructure fondamentale : des systèmes d’IA pouvant interroger cette base pour comprendre l’incertitude du monde ; des humains pouvant y contribuer sans en comprendre la mécanique interne ; elle pourra absorber des connaissances locales issues de capteurs, d’experts, de recherches de pointe, et les synthétiser en un modèle unifié. Un modèle du monde auto-optimisé, prédictif. Une base où l’incertitude elle-même peut être échangée, combinée. L’intelligence émergente sera alors bien plus que la somme de ses parties.

C’est cette direction que la finance cognitive cherche à bâtir.

Enjeux

Toutes les pièces du puzzle sont en place : la capacité des agents a franchi le seuil pour la prédiction ; le calcul confidentiel est passé du laboratoire à la production ; les marchés de prédictions ont prouvé leur adéquation produit-marché dans le divertissement. Ces signaux convergent vers une opportunité historique concrète : construire, pour l’ère de l’IA, l’infrastructure cognitive dont elle a besoin.

Une autre possibilité est que les marchés de prédictions restent à jamais dans le domaine du divertissement, précis lors des élections, mais sans jamais toucher aux questions vraiment cruciales. Alors, l’infrastructure pour comprendre l’incertitude, qui doit être la base de tout système d’IA, n’existera pas, et les précieux signaux enfermés dans la tête des humains resteront à jamais silencieux.