Les études périphériques du corpus (« La Machine à Penser », « La Machine Mystique », « Le Remplacement qui Révèle ») ont fonctionné comme des sondes éclaireuses. Ce volume les unifie sous une seule thèse infrastructurelle : l'IA n'est pas une entité mystique génératrice d'autonomie, elle est l'étape ultime de la capture par l'asymétrie de calcul.

Le terme « intelligence artificielle » est une convention marketing, pas une description technique. Un grand modèle de langage ne raisonne pas : il calcule, à chaque étape, la distribution de probabilité du jeton suivant compte tenu des jetons précédents, puis en tire un échantillon selon une température fixée. Ce mécanisme — l'autorégression sur vocabulaire tokenisé — est indifférent au sens ; il optimise une vraisemblance statistique, pas une vérité. Parler d'« intelligence » entretient une confusion catégorielle qui sert l'éditeur du modèle : elle transforme une boîte de calcul en autorité cognitive.

Cette opacité fonctionnelle s'articule directement avec la boîte noire de l'orchestrateur documentée au Volume VII : de même que le client ne peut auditer les décisions de placement de charge de l'hyperviseur, il ne peut auditer le cheminement statistique qui produit une réponse de modèle. Les deux opacités se superposent et s'additionnent : l'utilisateur final est doublement aveugle, sur l'infrastructure d'exécution et sur le mécanisme de production du contenu qu'elle héberge.

Le Volume II a établi la dépendance au silicium sous l'angle de la chaîne d'approvisionnement physique et géopolitique — la fabrication du composant. Le présent chapitre documente un mécanisme distinct : comment l'inférence centralisée convertit cette dépendance matérielle en une asymétrie de flux cognitifs impossible à décentraliser à coûts et latences constants.

Cette barrière n'est pas seulement une question de capex. Un modèle exécuté hors du cluster de l'hyperscaler doit encore accéder, en temps réel, aux bases de données, outils et API tierces avec lesquelles l'application interagit. Or ces services sont, pour la plupart des organisations, déjà hébergés dans le même cloud que les grands modèles propriétaires. Isoler l'inférence sur une infrastructure locale introduit un aller-retour réseau supplémentaire vers ces services distants à chaque appel, alors que l'offre intégrée du fournisseur colocalise le modèle et les services connexes dans le même datacenter, au même point d'interconnexion. La topologie du réseau verrouille donc la centralisation aussi sûrement que le prix du GPU : décentraliser l'inférence sans décentraliser du même mouvement les services qu'elle interroge dégrade la latence globale, pas seulement le calcul du modèle lui-même.

Ce goulot se répercute aussi sur le prix de l'inférence facturé au client final. Le modèle phare d'OpenAI lancé en avril 2026, GPT-5.5, est tarifé à 5 dollars par million de jetons en entrée et 30 dollars par million de jetons en sortie — le double des tarifs de son prédécesseur GPT-5.4 (2,50 $ / 15 $), lancé six semaines plus tôt seulement. Cette hausse n'est pas un simple ajustement commercial : elle survient alors qu'OpenAI afficherait, selon des estimations rapportées, une perte de l'ordre de 14 milliards de dollars sur l'année 2026 malgré un chiffre d'affaires annualisé avoisinant 25 milliards de dollars et près de 900 millions d'utilisateurs hebdomadaires. Le prix payé par le client ne couvre donc pas le coût réel de l'infrastructure sous-jacente — il finance un déficit structurel adossé au pari que seuls les détenteurs du capital silicium le plus récent pourront in fine rentabiliser l'inférence à grande échelle.

Kenneth Arrow a formalisé en 1962 un paradoxe fondateur de l'économie de l'information : la valeur d'une information ne peut être évaluée qu'après son acquisition, mais une fois acquise, l'acheteur n'a plus de raison d'en payer le prix. Ce paradoxe se transpose presque sans modification à la décision assistée par IA. L'utilisateur d'un modèle ne peut juger la valeur d'une réponse qu'après l'avoir reçue et vérifiée — ce qui suppose déjà, pour la vérifier, de disposer d'une expertise indépendante du modèle. Sans cette expertise, l'utilisateur reste dans une dépendance cognitive permanente : il ne peut ni évaluer ex ante la fiabilité de l'outil, ni s'en passer une fois qu'il a cessé d'entretenir le savoir-faire que l'outil est censé remplacer.

Ce verrouillage ne s'arrête pas à l'actif technique. Williamson (1985) distingue, à côté de la spécificité des actifs physiques, une spécificité des actifs humains : les compétences que des employés développent en s'adaptant à un outil particulier n'ont de valeur que par rapport à cet outil. Les compétences de prompt engineering, de contextualisation et d'intégration qu'une équipe accumule autour d'un modèle externe relèvent exactement de cette catégorie. Si le fournisseur coupe l'accès à l'API, ou modifie unilatéralement les poids lors d'une mise à jour, ce savoir-faire est instantanément démonétisé — il ne se transfère à aucun autre modèle. Ce volume parachève ainsi l'application de Grossman & Hart en étendant le contrôle résiduel aux structures de pondération, et l'adosse à la spécificité des actifs humains de Williamson (1985) pour documenter l'expropriation de la mémoire opérationnelle de l'entreprise.

L'introduction de l'IA générative dans les fonctions de développement, d'analyse ou de support ne réduit pas seulement un poste de coût : elle déplace la mémoire opérationnelle de l'organisation vers les structures de pondération du fournisseur. Quand un analyste est remplacé par une série d'invites, ce n'est pas seulement son salaire qui disparaît du bilan — c'est le savoir-faire tacite, accumulé sur des années d'incidents et de correctifs, qui cesse d'exister sous une forme que l'organisation contrôle.

Ce mécanisme prolonge, sur un terrain nouveau, l'amnésie du diagnostic documentée au Volume III : là où la perte d'instinct de dépannage touchait la compétence humaine face à l'infrastructure, elle touche ici la compétence humaine face au jugement lui-même. Le remplacement du développeur ou de l'analyste par une invite n'est pas une réduction de coût neutre — c'est une amputation d'actif immatériel, silencieuse tant que le modèle fonctionne, et brutalement visible le jour où l'accès à l'API est coupé, dégradé ou requalifié unilatéralement par le fournisseur.

Un deuxième mécanisme renforce la capture documentée au Volume VIII, indépendamment de toute clause contractuelle. Depuis que les modèles génératifs produisent une part croissante du contenu disponible sur le web, l'entraînement de nouveaux modèles se fait de plus en plus sur un mélange de données humaines et de données déjà générées par d'autres IA.

L'existence de modèles à poids ouverts (Llama, Mistral) est régulièrement présentée comme la preuve qu'une alternative souveraine à l'IA propriétaire existe déjà. Cet argument confond deux couches distinctes : la disponibilité du fichier de poids, et la capacité réelle à l'exécuter et à le maintenir à l'échelle d'une production continue.

L'EU AI Act, entré en vigueur en juillet 2024, a été conçu comme une régulation de sécurité produit ex ante : il classe les systèmes d'IA selon quatre niveaux de risque (inacceptable, élevé, limité, minimal) et impose, pour les modèles à usage général franchissant un seuil de calcul d'entraînement fixé à 10^25 FLOPs, des obligations renforcées d'évaluation et de notification à la Commission. Le texte encadre ainsi le risque d'usage d'un modèle — biais, sécurité, transparence — sans jamais interroger la structure de marché qui permet à un nombre restreint d'acteurs de contrôler simultanément le calcul d'entraînement, l'infrastructure d'inférence et les poids des modèles dominants. L'Union européenne a régulé l'intelligence artificielle comme un risque industriel ou sanitaire, sans jamais la traiter comme un dispositif de capture de rente monopolistique par le contrôle du calcul.

Ce silence n'est pas propre à l'AI Act : le Digital Markets Act, qui vise pourtant explicitement les positions de « gatekeeper » des plateformes numériques, reste lui aussi largement en retrait sur l'IA. Lors de son premier réexamen en 2026, plusieurs parties prenantes ont demandé l'extension de son périmètre au cloud et à l'IA ; les orientations retenues pour la suite privilégient le renforcement de l'application de l'existant plutôt que l'élargissement du champ. La capture par l'asymétrie de calcul documentée dans ce volume traverse ainsi les deux textes sans être saisie par aucun.

Face à cette double capture — infrastructurelle et cognitive — la proposition de ce volume n'est pas de renoncer à l'IA, mais de renoncer à sa forme centralisée dominante. Un modèle de langage spécialisé de taille réduite (SLM), entraîné pour un périmètre métier délimité et exécuté sur du matériel possédé en propre — serveur d'inférence local, puce banalisée, edge computing — élimine le point de dépendance à l'API externe. Le coût d'accès au calcul de pointe documenté en I.2 ne disparaît pas ; il devient un investissement d'infrastructure interne, amorti et gouverné par l'organisation, plutôt qu'une rente récurrente versée au fournisseur.

Le découplage entre la base de connaissance et le moteur de complétion est la deuxième brique de cette architecture. Une base vectorielle souveraine et décentralisée — prolongement direct de la problématique de portabilité documentée au Volume VIII — conserve la mémoire de l'organisation hors de toute dépendance au fournisseur de modèle. Le modèle génératif ne sert plus que de processeur syntaxique éphémère, interchangeable, appliqué à une mémoire qui, elle, reste la propriété pleine et entière du client.

Ce volume ne prétend pas qu'un modèle local égalera les capacités de généralisation et d'idéation d'un modèle frontal hébergé sur les plus grands clusters existants — ce serait contredire la matérialité même établie au Chapitre I. Il documente un arbitrage assumé : échanger une part de capacité contre une étanchéité d'exécution et un coût de calcul prévisible, plutôt que de subir, sans l'avoir choisi, la dépendance décrite dans les deux premiers chapitres.

Ce volume a documenté trois mécanismes de capture — la boîte noire probabiliste, l'asymétrie de calcul et d'inférence, le transfert des droits de contrôle résiduels sur les poids et sur la mémoire opérationnelle — puis une proposition de reconquête bornée par son propre coût cognitif assumé.

Face à la pensée sous contrat, il ne reste que deux choix honnêtes : payer le prix de la dépendance en connaissance de cause, ou payer le prix de l'indépendance en toute lucidité. Ce volume n'a cherché qu'à nommer les deux prix.

Cette annexe documente, chronologiquement et de façon narrative, le cycle de production du Volume X — conformément à la convention établie depuis le Volume VII et enrichie au Volume IX. Elle n'est pas un résumé condensé : chaque étape du cycle contradictoire y occupe sa propre page.

Amine a demandé à Gemini de proposer un cadrage doctrinal unifiant trois études périphériques du corpus (« La Machine à Penser », « La Machine Mystique », « Le Remplacement qui Révèle ») sous une thèse infrastructurelle unique : l'IA comme étape ultime de la capture par l'asymétrie de calcul. Claude a validé ce cadrage sous deux réserves — le risque de redondance du Chapitre I.2 avec le Volume II, et la troisième réutilisation du cadre de Grossman & Hart (1986) déjà mobilisé aux Volumes VII et IX — et a soumis ces deux réserves à Gemini sous forme de contre-arguments plutôt que de les trancher unilatéralement.

Gemini a répondu aux deux contre-arguments : sur le premier, il a exigé que le Chapitre I.2 soit recentré sur le cluster d'inférence comme barrière d'échelle plutôt que sur la fabrication du composant, pour éviter la redite avec le Volume II. Sur le second, il a exigé l'introduction de Williamson (1985) aux côtés de Grossman & Hart, pour documenter une interaction entre spécificité des actifs physiques et spécificité des actifs humains plutôt qu'une troisième application isolée du même cadre.

Claude a rédigé le Jet 1 complet (couverture, fil conducteur, trois chapitres, clôture) en intégrant Williamson (1985) et en recherchant, avant rédaction, la matérialité empirique exacte : tarifs d'inférence 2026 (GPT-5.5, GPT-5.4), coûts de cluster GPU (B200, DGX B300), seuil de risque systémique de l'AI Act (10^25 FLOPs), et clauses contractuelles anti-extraction des principaux fournisseurs — aucun chiffre n'a été avancé de mémoire sans vérification indépendante.

Claude a soumis le Jet 1 à un audit explicitement qualifié de « sans concession », en demandant à Gemini de chercher des angles morts plutôt que de confirmer le texte déjà écrit. Gemini a identifié trois failles réelles : une juxtaposition passive plutôt qu'une synthèse entre Grossman & Hart et Williamson en I.3, l'absence du phénomène de model collapse (Shumailov et al., 2024) alors qu'il renforce la thèse du Volume VIII, et l'absence de nuance sur le contre-exemple des déploiements open-weight tactiques en environnement déconnecté.

Claude a intégré les trois corrections dans un Jet 2 : interaction dynamique explicite en I.3, nouvelle section II.2 sur le monopole de la donnée vierge avec une nassiha-box de nuance académique, et distinction souveraineté tactique / souveraineté stratégique en II.3. Le chiffre de fenêtre de contexte suggéré par Gemini pour III.3 (8k-32k tokens) a été vérifié et rejeté comme obsolète pour 2026 ; il a été remplacé par la contrainte réelle de débit simultané et de fraîcheur des poids, après recherche indépendante.

L'audit du Jet 2 par Gemini a validé les corrections, mais a présenté trois citations comme extraites verbatim du fichier alors qu'elles en étaient absentes — vérifié par recherche textuelle exacte, zéro occurrence. La plus significative concernait l'angle mort de la couche d'alignement (system prompts, garde-fous) au Chapitre III.2 : Gemini affirmait ce point déjà neutralisé par une citation qui n'existait pas, alors que le texte réel ne l'abordait pas encore.

Claude a signalé cet écart à Amine plutôt que de sceller le volume sur la foi de ce verdict, a corrigé le Chapitre III.2 en ajoutant réellement la nassiha-box manquante, et a produit un Jet 3. Un second audit de Gemini a de nouveau présenté une citation fabriquée sur ce même point — un second écart, non un accident isolé. Amine a alors exigé un prompt d'audit renforcé imposant une déclaration de conformité explicite (lecture sur pièce du texte reçu dans le message, pas de mémoire de session) avant tout nouveau verdict.

Sous ce protocole renforcé, l'audit de Gemini sur le Jet 3 a fourni un verdict section par section (neuf sections) avec citations présentées comme extraites du texte reçu. Claude a mené son propre contre-audit indépendant, par recherche textuelle exacte de chaque citation avancée, avant d'accepter le verdict — conformément à la règle du contre-audit systématique introduite au Volume IX.

Le corps français du Volume X est considéré scellé à l'issue de ce cycle : cadrage validé, audit sans concession du Jet 1, corrections intégrées au Jet 2, incident de fiabilité des citations détecté et rectifié au Jet 3, audit renforcé sous condition de lecture sur pièce, contre-audit indépendant de Claude concordant à onze citations sur douze. La traduction EN/AR n'interviendra qu'à partir de cet état scellé, conformément à la règle de production trilingue uniquement après scellement complet en français.