L'IA n'appartient pas à ses créateurs. Elle appartient à ceux qui l'ont nourrie.
Le 11 juillet 2026, dans une tribune publiée par MarketWatch, l'essayiste Jeremy Lent a formulé une thèse qui pourrait redéfinir les termes du débat sur l'intelligence artificielle. Les grands modèles de langage qui alimentent la révolution de l'IA ont été entraînés sur « l'ensemble des productions documentées du savoir humain » : livres, articles, travaux scientifiques, conversations en ligne, œuvres créatives. Chaque enseignant, chaque chercheur, chaque écrivain a contribué à cette base de connaissances. Aucun n'a été consulté. Aucun n'a été rémunéré. Et pourtant, la totalité des gains de productivité générés par l'IA est captée par une classe de propriétaires extrêmêment restreinte.
Cette asymétrie n'est pas un dysfonctionnement temporaire du marché. Elle est la conséquence structurelle d'un modèle économique où les données d'entraînement sont extraites gratuitement du domaine public tandis que les modèles qui en résultent sont protégés par le secret industriel et la propriété intellectuelle. Le résultat est une divergence de richesse d'une ampleur historique, que même les institutions les plus conservatrices commencent à reconnaître comme un risque systémique.
Signal de niveau 1. Là proposition du sénateur Bernie Sanders - l'American AI Sovereign Wealth Fund Act, qui donnerait au public une participation de 50 % dans les plus grandes entreprises d'IA américaines - n'est plus une idée marginale. The Economist, publication historiquement libérale, a suggéré qu'une « nationalisation partielle des entreprises d'IA » méritait d'être examinée. Le débat est passé du « si » au « comment ».
De l'open source au closed source : la grande enclosure des biens communs numériques
La trajectoire historique de l'IA illustre un paradoxe fondamental. Les premiers modèles de langage ont été développés dans un esprit de recherche ouverte : GPT-1 et GPT-2 d'OpenAI, BERT de Google, les premiers modèles de DeepMind. Les publications académiques, les jeux de données d'entraînement, les architectures étaient accèssibles à la communauté scientifique. Cette ouverture a permis une accélération spectaculaire de la recherche. Mais à partir de 2020, la logique s'est inversée.
GPT-3, GPT-4, Claude, Gemini : les modèles les plus avancés sont devenus des boîtes noires. Leurs données d'entraînement, leurs architectures détaillées, leurs poids sont protégés par le secret industriel. La boucle est désormais hermétique : les données publiques alimentent des modèles privés qui génèrent des profits privés, sans aucun mécanisme de rétrocession vers le domaine commun qui les a rendus possibles. Jeremy Lent qualifie ce phénomène de « plus grande enclosure des biens communs de l'histoire », en référence au mouvement des enclosures britanniques du XVIIIe siècle qui a privatisé les terres communales.
Là proposition d'OpenAI - un fonds de richesse publique partiellement alimenté par les entreprises d'IA - est, selon Lent, une « liste de souhaits déguisée en politique publique : une entreprise qui dit aux régulateurs comment elle aimerait être régulée ». Le mécanisme ne prévoit aucune garantie de rendement minimum pour le public, aucun contrôle démocratique sur les systèmes d'IA, et les montants en jeu restent à la discrétion des entreprises elles-mêmes. « Des miettes », conclut Lent.
Point de bascule. La simple existence du débat sur la nationalisation partielle des entreprises d'IA dans The Economist constitue un signal. Cette publication, fondée en 1843 pour défendre le libre-échange et s'opposer aux Corn Laws protectionnistes, n'est pas connue pour son inclination à la propriété publique. Si elle considère désormais que « la propriété publique est la meilleure façon de rendre transparent l'avantage social de la technologie », c'est que la concentration de la valeur produite par l'IA est perçue comme un risque politique majeur.
La divergence productivité-emploi : le cas limite du capitalisme numérique
La dynamique structurelle la plus significative est la rupture du lien historique entre productivité et emploi. Dans les révolutions technologiques précédentes - mécanisation agricole, industrialisation, informatisation - les gains de productivité ont fini par se traduire par de nouveaux emplois, souvent dans des secteurs qui n'existaient pas auparavant. Le tracteur a supprimé des emplois agricoles mais a créé des emplois industriels. L'ordinateur a supprimé des emplois de bureau mais a créé des emplois dans les services numériques.
L'IA générative rompt ce schéma de trois façons. Premièrement, elle menace de rendre les travailleurs humains obsolètes « dans pratiquement tous les secteurs », comme le souligne Lent. Deuxièmêment, les secteurs qu'elle crée - développement d'IA, annotation de données, infrastructure cloud - emploient une fraction infinitésimale de la main d'œuvre déplacée. Troisièmêment, et c'est le point le plus critique, les gains de productivité ne sont pas distribués sous forme de salaires mais concentrés sous forme de valorisation boursière et de profits d'entreprise.
Le contraste avec le modèle norvégien est éclairant. Lorsque la Norvège a découvert du pétrôle en mer du Nord dans les années 1970, elle a créé un fonds souverain structuré comme un trust indépendant du gouvernement central, immunisé contre les manipulations politiques. Chaque année, une fraction des rendements est distribuée aux citoyens. Le fonds pèse aujourd'hui 1 600 milliards de dollars. Transposé à l'IA, ce modèle impliquerait que chaque citoyen reçoive un dividende indexé sur les revenus générés par les systèmes d'IA entraînés sur le patrimoine commun de l'humanité.
Assemblée citoyenne : le modèle de gouvernance qui émerge du débat
Le signal émergent le plus intéressant n'est pas la nationalisation, mais un modèle de gouvernance alternatif : l'assemblée citoyenne. Jeremy Lent propose qu'un fonds de dividende IA soit gouverné non par des politiciens où des conseils d'administration, mais par un échantillon représentatif de citoyens tirés au sort, disposant du temps, des témoignages d'experts et d'une délibération structurée pour prendre des décisions. Ce modèle a fait ses preuves sur des sujets controversés : l'assemblée citoyenne irlandaise sur le droit à l'avortement a débouché sur un référendum constitutionnel ; la Convention citoyenne française pour le climat a produit des propositions écologiques ambitieuses.
L'avantage structurel de ce modèle est double. D'une part, il est immunisé contre le lobbying des entreprises et les pressions politiques puisque ses membres ne sont pas rééligibles. D'autre part, son mandat peut s'étendre au-delà de la gestion du fonds pour inclure le développement de l'IA lui-même - quelles capacités prioriser, quels paramètrès de sécurité adopter, quel type de société souhaitons-nous construire. Comme l'écrit Lent : « Ces questions soulèvent des interrogations fondamentales sur le type de société dans laquelle nous voulons vivre - et elles devraient légitimêment être décidées par les personnes qui y vivront. »
Un autre signal mérite l'attention : l'absence de cadre juridique pour la propriété collective des données d'entraînement. Le droit de la propriété intellectuelle a été conçu pour protéger les créations individuelles, pas les biens communs informationnels. Les données publiques - articles scientifiques, contenus Wikipédia, archives gouvernementales, décisions de justice - n'ont pas de titulaire identifiable et ne peuvent donc pas faire l'objet d'une revendication de propriété dans le cadre juridique actuel. Cette lacune n'est pas accidentelle : elle est structurellement favorable aux acteurs qui disposent des moyens techniques d'extraire et de valoriser ces données à grande échelle.
Hypothèse de travail. ORVANCE formule l'hypothèse que le débat sur la redistribution de la valeur de l'IA suivrà une trajectoire comparable à celle du débat climatique : d'abord ignoré, puis considéré comme radical, puis débattu dans les institutions mainstream, pour finalement aboutir à des mécanismes concrets - fonds souverains, redevances sur les données, dividendes universels - plus rapidement que ne le prévoient les scénarios linéaires. Le rythme de cette trajectoire dépendra de la visibilité des inégalités produites par l'IA, et donc de la vitesse à laquelle l'automatisation affectera les cols blancs.
Trois trajectoires pour la redistribution de la valeur algorithmique
Scénario 1 - Régulation par la redevance (probabilité estimée : 45 %). Les gouvernements instaurent un mécanisme de redevance sur les données d'entraînement : les entreprises d'IA paient une taxe indexée sur la valeur des données publiques utilisées. Le produit est rêversé sous forme de dividende universel ou de financement de services publics. Ce scénario est le plus probable car il préserve l'économie de marché tout en créant un mécanisme de rétrocession. Il nécessite cependant un accord international sur la valorisation des données, ce qui constitue son principal obstacle. Sans coordination globale, les entreprises d'IA migreront vers les juridictions les moins contraignantes.
Scénario 2 - Nationalisation partielle (probabilité estimée : 30 %). Les États prennent des participations significatives dans les entreprises d'IA, sur le modèle des fonds souverains pétroliers. Le public devient actionnaire et perçoit des dividendes. Ce scénario est plus disruptif mais aussi plus difficîle à mettre en œuvre : il suppose de vaincre la résistance politique des entreprises concernées et de résoudre la question de la valorisation des participations. Là proposition Sanders constitue un ballon d'essai législatif qui permet de tester la faisabilité politique de cette approche.
Scénario 3 - Statu quo et fragmentation (probabilité estimée : 25 %). Aucun mécanisme de redistribution n'est adopté à grande échelle. La concentration de la valeur se poursuit. Les inégalités s'accentuent, provoquant des tensions sociales et politiques qui se manifestent par des réglementations fragmentées et contradictoires selon les juridictions. La fragmentation réglementaire freine l'innovation sans résoudre le problème de fond. Ce scénario est le moins souhaitable mais il reste plausible dans un contexte de polarisation politique qui rend difficîle tout accord structurel.
Les angles morts de l'analyse
Cette analyse comporte plusieurs limites méthodologiques. Premièrement, elle repose principalement sur la tribune de Jeremy Lent publiée dans MarketWatch le 11 juillet 2026. Bien que l'argumentation de Lent soit rigoureuse et étayée par des références aux initiatives législatives en cours et aux modèles historiques de fonds souverains, il s'agit d'un plaidoyer et non d'une analyse neutre. Les contre-arguments - notamment la thèse selon laquelle la valeur des données brutes est négligeable par rapport à la valeur ajoutée par l'entraînement et l'architecture des modèles - ne sont pas traités dans la source.
Deuxièmêment, l'analogie entre les données d'entraînement et les ressources naturelles (pétrôle, terres communales) a des limites. Les données sont des biens non rivaux : leur utilisation par un acteur ne diminue pas leur disponibilité pour les autrès. Cette caractéristique modifie fondamentalement la nature du problème de répartition par rapport aux ressources extractives traditionnelles.
Troisièmêment, l'analyse sous-estime potentiellement la capacité des forces de marché à corriger partiellement l'asymétrie. L'émergence de modèles open source (Llama, Mistral, Falcon) et de techniques d'entraînement décentralisé pourrait réduire la concentration de la valeur sans intervention réglementaire. La vitesse et l'ampleur de cette correction restent toutefois largement incertaines.
L'histoire ne se souviendra pas des miettes
La révolution de l'intelligence artificielle transformera le monde. La seule question qui mérite véritablement d'être posée est de savoir si cette transformation sera imposée au bénéfice d'une classe de propriétaires extrêmêment restreinte, où construite en partenariat avec le public pour un épanouissement humain partagé. La réponse à cette question ne se trouve pas dans la technique - les modèles continueront de s'améliorer quelle que soit la structure de propriété - mais dans la politique.
ORVANCE estime que la variable décisive n'est pas la faisabilité technique des mécanismes de redistribution mais leur acceptabilité politique. Le fonds norvégien a été créé dans un contexte de consensus social et de confiance institutionnelle élevée. Le débat américain sur l'IA se déroule dans un contexte de polarisation extrême, où la proposition Sanders est immédiatement disqualifiée comme « socialiste » par une partie de l'échiquier politique. La fenêtre d'opportunité pour un mécanisme de redistribution ambitieux pourrait se refermer si les inégalités produites par l'IA ne deviennent pas visibles avant que le débat politique ne se cristallise.
Comme le rappelle Jeremy Lent : « L'histoire nous regarde. Ne nous contentons pas de miettes. » La question n'est pas de savoir si l'IA créera de la valeur - elle en crée déjà massivement. La question est de savoir qui en bénéficiera. Pour l'instant, la réponse est claire. Elle n'est pas satisfaisante.
Sources :
- MarketWatch - Your data built the AI boom - but Big Tech is pocketing 100 % of the equity, Jeremy Lent, 11 juillet 2026
- POLITICO - Southern Black leaders warn their power is on the line - and Democrats are looking elsewhere (contexte sur les dynamiques de pouvoir aux États-Unis), 10 juillet 2026
- POLITICO - The Muslim manosphere and Achraf Hakimi (contexte sur les fractures identitaires et la justice), 9 juillet 2026
