a16z : Pourquoi les marchés prédictifs deviendront l'infrastructure de la "probabilité future"

marsbitPublié le 2026-06-03Dernière mise à jour le 2026-06-03

Résumé

Les marchés de prédiction, qui permettent de négocier sur les résultats d'événements futurs, évoluent d'un outil de niche vers un champ d'information publique plus large. Leur mécanisme est simple : transformer un événement futur en contrat négociable, où les participants utilisent des fonds réels pour exprimer leurs convictions, formant ainsi un prix reflétant une probabilité approximative. Leur force réside dans la capacité à agréger des informations dispersées en temps réel, avec l'incitation financière ("avoir tort coûte de l'argent") pour attirer ceux qui détiennent une réelle connaissance. L'article souligne que ces marchés ne sont pas des "oracles" magiques, mais exploitent le mécanisme fondamental du marché : allouer des ressources *et* agréger de l'information. Ils appliquent cette capacité d'agrégation pour estimer la probabilité d'occurrence d'événements spécifiques, des élections aux performances des modèles d'IA, là où les actifs traditionnels échouent. Cependant, leur efficacité n'est pas automatique. Elle dépend de qui participe, de la conception des contrats, de la vérification des résultats et de la résistance aux manipulations. Sans la participation des acteurs informés, les prix ne sont que du bruit. Une implication excessive d'informés privilégiés ou des tentatives de manipulation (par exemple, par des équipes de campagne) pourraient pervertir l'outil d'agrégation en outil de propagande. L'étape suivante ne consiste donc pas seulement à accroître le vol...

Note de la rédaction : Les marchés prédictifs, autrefois des outils de niche, entrent aujourd'hui dans le champ de l'information publique.

Leur logique est simple : concevoir un contrat négociable autour d'un événement futur, permettant aux participants d'exprimer leur jugement avec de l'argent réel, la formation d'un prix produisant ainsi une approximation probabiliste. Comparés aux sondages, aux prédictions d'experts ou aux prix des actifs traditionnels, les marchés prédictifs présentent l'avantage de pouvoir agréger en temps réel des informations dispersées, tout en incitant, grâce au mécanisme "perdre si l'on se trompe", les personnes réellement informées à y participer.

C'est là le point le plus intéressant de l'article. L'auteur ne présente pas les marchés prédictifs comme une "machine à prédire" magique, mais les replace dans le mécanisme même du marché : un marché n'alloue pas seulement des ressources, il agrège aussi de l'information. Le marché prédictif est l'application directe de cette capacité d'agrégation à la question de savoir si un événement se produira ou non. De la géopolitique aux résultats électoraux, en passant par les performances des modèles d'IA ou la reproductibilité d'expériences scientifiques, de nombreuses questions autrefois difficiles à exprimer via des actifs financiers traditionnels peuvent désormais être converties en un ensemble de probabilités négociables.

Cependant, l'efficacité d'un marché prédictif n'est pas automatique. Elle dépend de qui participe, de la conception des contrats, de la manière dont les résultats sont arbitrés, et de la vulnérabilité du marché aux manipulations par des initiés ou des parties prenantes. Si les personnes réellement informées ne participent pas, le prix peut n'être que du bruit ; si des initiés parient en avance, le marché perd son équité ; si une équipe politique ou un porteur de projet utilise des fonds pour gonfler artificiellement la probabilité d'un résultat, le marché prédictif peut se transformer d'"outil d'agrégation d'information" en "outil de manipulation de l'opinion".

La prochaine étape pour les marchés prédictifs ne consiste donc pas seulement à augmenter le volume des transactions, mais à construire une infrastructure de marché plus fiable : des règles de participation transparentes, une conception claire des contrats, des mécanismes de règlement auditable, et des contraintes contre les manipulations. Leur valeur réelle ne réside pas dans le fait de permettre aux gens de "parier sur l'avenir", mais dans leur capacité à fournir, dans un environnement très incertain, un nouveau signal probabiliste public.

Texte original :

Les marchés prédictifs permettent aux gens de négocier sur les résultats d'événements. L'année dernière, ces marchés ont commencé à pénétrer massivement l'espace public aux États-Unis et sont désormais utilisés pour suivre toutes sortes d'événements, de la géopolitique aux gagnants de prix de divertissement. Mais qu'est-ce qu'un marché prédictif exactement ?

En tant qu'économiste qui a longuement étudié les marchés et les mécanismes d'incitation, ma réponse est simple : un marché prédictif est, fondamentalement, un marché. Les marchés sont des outils fondamentaux pour l'allocation des ressources, garantissant que les biens et services vont à ceux qui y accordent le plus de valeur. Ce faisant, ils agrègent également de l'information : le mécanisme d'équilibrage du marché absorbe les informations détenues par les participants et les condense en un signal tel que le prix.

Les plateformes et produits de marchés prédictifs utilisent directement cette capacité d'agrégation d'information pour tenter de prédire des événements futurs spécifiques. Ils introduisent un actif lié à un événement précis : cet actif verse un paiement si un certain résultat se produit. Les gens négocient ensuite cet actif en fonction de leur jugement sur la probabilité de cet événement. Les entreprises utilisent depuis longtemps les marchés prédictifs, par exemple pour recueillir des informations implicites auprès des employés afin de prédire si un produit important sera publié à temps. La communauté scientifique a également utilisé des marchés prédictifs pour évaluer quelles expériences sont les plus susceptibles d'être reproduites. Aujourd'hui, nous voyons plusieurs médias s'associer à des marchés prédictifs, utilisant cette "intelligence collective" pour compléter les informations provenant de sources et de journalistes traditionnels.

Les marchés prédictifs tentent de répondre aux questions sur la probabilité de différents événements en collectant directement les informations des participants au marché - leurs jugements personnels sur l'avenir - et en agrégeant ces informations dans un marché. Les gens peuvent "parier" sur ces événements, tout comme ils parient sur la valeur future d'une entreprise sur le marché boursier, ou sur la valeur future du pétrole sur le marché des matières premières. La différence est que le marché prédictif ne s'appuie pas sur un actif comme le pétrole, influencé par de nombreux facteurs, mais introduit un actif qui ne paie que si un événement spécifique se produit.

Si nous voyons le prix du pétrole augmenter, nous savons que la demande a augmenté par rapport à l'offre. Mais nous ne savons pas nécessairement pourquoi : est-ce parce que les gens anticipent une escalade du conflit au Moyen-Orient, ou parce que quelqu'un a inventé une nouvelle utilisation du pétrole ? En revanche, un marché prédictif peut isoler chaque possibilité. Par exemple, un marché prédictif sur "le détroit d'Ormuz restera-t-il ouvert à une date et heure spécifiques ?" peut être construit autour d'un contrat qui paie 1 dollar par unité si l'événement se produit. Au fur et à mesure que les gens achètent et vendent cet actif, le prix de marché peut être interprété comme un "capteur de probabilité" : il estime le jugement collectif des traders sur la probabilité que l'événement se produise.

Cela fonctionne ainsi : supposons que le prix de marché pour un résultat soit de 0,50 $ l'unité, soit une probabilité de 50 %. Si vous pensez que la probabilité que le détroit d'Ormuz reste ouvert est supérieure à 50 %, disons 67 %, vous achèterez. Si vous avez raison, vous obtiendrez un bénéfice espéré de 0,67 $ pour un prix de 0,50 $. Votre achat fera monter le prix de marché et l'estimation de probabilité associée, reflétant le fait que quelqu'un pense que le marché a sous-estimé la probabilité de l'événement. L'inverse est également vrai : si quelqu'un pense que le prix de marché est trop élevé, il vendra à un prix inférieur, ou vendra à découvert, abaissant ainsi l'estimation de probabilité globale du marché.

Lorsqu'ils fonctionnent bien, les marchés prédictifs présentent des avantages significatifs par rapport aux autres méthodes de prévision. Premièrement, la simple capacité à fournir une estimation de probabilité est en soi puissante. En comparaison, les sondages et questionnaires ne donnent généralement que des proportions d'opinion ; pour les transformer en probabilités, il faut faire des inférences statistiques sur la relation entre la proportion mesurée et la population totale. Les sondages sont aussi généralement un instantané à un moment donné, tandis qu'un marché prédictif peut se mettre à jour en temps réel avec l'arrivée de nouveaux participants et de nouvelles informations.

Plus crucialement, les marchés prédictifs intègrent des incitations. Les acheteurs et les vendeurs ont "peau dans le jeu" et subissent une perte s'ils se trompent. Cela incite les participants potentiels à réfléchir sérieusement aux informations dont ils disposent et à engager leurs fonds sur les questions où ils pensent avoir un avantage informationnel. Réciproquement, les marchés prédictifs offrent aux gens la possibilité de monétiser leurs informations et leur expertise, les incitant ainsi à mener des recherches et à approfondir leur compréhension des sujets. Un cas célèbre est celui d'un participant à un marché prédictif qui, avant l'élection présidentielle américaine de 2024, a mené ses propres sondages en utilisant une méthode non conventionnelle pour tenter d'obtenir des informations que les sondeurs traditionnels ne captaient pas.

Enfin, les marchés prédictifs ont un autre avantage important : la portée. Une personne informée d'événements susceptibles d'affecter la demande de pétrole peut, en principe, exprimer son opinion en vendant ou en achetant du pétrole. Mais pour de nombreux résultats que nous souhaitons prédire, il n'existe pas de grands marchés de matières premières ou boursiers capables de les porter efficacement. Pour ces questions, les marchés prédictifs peuvent être l'outil idéal. Par exemple, des marchés prédictifs récents ont émergé pour agréger les jugements sur les performances relatives de différents modèles d'IA sur diverses tâches. Ce type de question est trop spécifique pour se refléter dans les marchés traditionnels de matières premières. N'importe qui peut créer et financer un marché prédictif pour répondre à ce type de questions de niche.

Ces idées ne sont pas nouvelles. Elles existent sous une forme ou une autre depuis au moins le 16e siècle en Europe, où des mécanismes similaires étaient utilisés pour prédire le prochain pape. Les marchés prédictifs modernes s'enracinent dans l'économie, les statistiques, la conception des marchés et l'informatique. Dans les années 1980, Charles Plott et Shyam Sunder ont proposé les premiers cadres académiques formels. Peu après, le premier marché prédictif moderne, l'Iowa Electronic Markets, a vu le jour. Grâce à Internet, ce modèle a pu absorber des informations dispersées et décentralisées du monde entier.

Dans le même temps, de nombreux problèmes doivent être résolus pour que les marchés prédictifs réalisent leur plein potentiel. Il s'agit notamment de problèmes d'infrastructure, comme la manière de vérifier et de parvenir à un consensus sur le fait qu'un événement s'est produit ou non, et de s'assurer que le marché fonctionne de manière transparente et vérifiable ; ainsi que la manière de traiter le règlement des contrats à grande échelle, car les résultats des contrats peuvent être contestés ou manipulés.

En plus de cela, il existe des défis de conception de marché. Premièrement, les participants disposant d'informations pertinentes doivent effectivement entrer sur le marché. Si personne n'a d'avantage informationnel, le signal de prix d'un marché prédictif ne nous dit en réalité pas grand-chose. Inversement, diverses personnes bien informées doivent aussi être disposées à participer, sinon les estimations du marché prédictif seront biaisées. J'ai soutenu en 2016 que les marchés prédictifs avaient peut-être sous-estimé la probabilité du Brexit et de la première élection de Trump parce que les personnes qui participaient alors aux marchés prédictifs n'avaient pas une perception suffisante de la réalité de la montée du populisme.

Parallèlement, l'entrée sur le marché d'une personne disposant d'une "information parfaite", par exemple quelqu'un connaissant à l'avance le résultat réel, peut également poser problème, surtout si cette personne peut influencer le cours des événements. Imaginez si quelqu'un à l'intérieur d'un conclave papal pariait sur le marché prédictif "prochain pape", commençant à trader avant l'annonce publique du pape Léo, voire en essayant de pousser l'élection vers le candidat sur lequel il a parié ? Si les participants potentiels anticipent que des initiés traderont sur le marché, la décision rationnelle est de s'en éloigner, conduisant finalement à l'effondrement du mécanisme de marché.

Enfin, il y a aussi la possibilité que quelqu'un tente de fausser les prix d'un marché prédictif pour influencer la perception publique de la probabilité d'un résultat. Ainsi, le marché prédictif passerait d'un outil d'agrégation des croyances à un outil de manipulation des croyances. Si l'équipe de communication d'un candidat électoral souhaite que l'extérieur croie qu'il est en train de gagner, elle pourrait tout à fait utiliser une partie des fonds de campagne pour tenter d'influencer le marché prédictif correspondant. Cependant, les marchés prédictifs ont dans une certaine mesure une capacité d'autocorrection, car lorsque l'estimation de probabilité d'un contrat est poussée à un niveau manifestement déraisonnable, il y aura toujours quelqu'un pour prendre le côté opposé de la transaction.

Tous ces problèmes convergent vers un même besoin : les marchés prédictifs doivent établir une plus grande transparence et des règles plus claires en matière de gestion des participants, de conception des contrats et de fonctionnement du marché. Mais si les concepteurs de marchés prédictifs parviennent à résoudre ces difficultés, ils pourraient devenir un outil central pour comprendre et naviguer dans l'avenir.

Questions liées

QQuels sont les avantages des marchés de prédiction par rapport aux sondages d'opinion traditionnels ?

ALes marchés de prédiction offrent une estimation en temps réel de la probabilité d'un événement, contrairement aux sondages qui ne fournissent qu'un instantané statique. De plus, ils intègrent un mécanisme incitatif où les participants risquent de l'argent réel, ce qui les encourage à utiliser sérieusement leurs informations et connaissances. Enfin, ils peuvent couvrir une gamme beaucoup plus large de questions spécifiques, y compris des domaines de niche qui ne sont pas reflétés dans les marchés traditionnels de matières premières ou d'actions.

QQuels sont les principaux défis que les marchés de prédiction doivent surmonter pour réaliser leur potentiel ?

APlusieurs défis majeurs subsistent : des problèmes d'infrastructure (comme la vérification et la résolution des événements, la transparence et l'auditabilité), des défis de conception de marché (attirer des participants bien informés, éviter la distorsion par des initiés ou la manipulation délibérée des prix), et la nécessité d'établir des règles claires et une grande transparence concernant la participation, la conception des contrats et le fonctionnement du marché.

QComment un marché de prédiction fonctionne-t-il mécaniquement pour générer une estimation de probabilité ?

AUn marché de prédiction crée un actif lié à un événement futur spécifique (par exemple, un contrat qui paie 1 $ si l'événement se produit). Les participants achètent et vendent cet actif en fonction de leur estimation personnelle de la probabilité que l'événement se produise. Le prix d'équilibre du marché, déterminé par ces échanges, est interprété comme la probabilité agrégée estimée par l'ensemble des traders. Par exemple, un prix de 0,50 $ correspond à une probabilité de 50%.

QEn quoi les marchés de prédiction diffèrent-ils des marchés d'actions ou de matières premières traditionnels ?

AContrairement aux marchés d'actions ou de matières premières où le prix d'un actif (comme une action ou du pétrole) est influencé par de nombreux facteurs complexes, les marchés de prédiction isolent un événement unique et spécifique. L'actif qu'ils créent n'a de valeur que si cet événement précis se produit. Cela permet d'obtenir un signal de probabilité direct et ciblé pour une question donnée, sans le bruit des autres variables qui affectent les prix des actifs traditionnels.

QComment les marchés de prédiction peuvent-ils passer d'un outil d'agrégation d'information à un outil de manipulation de l'opinion ?

ASi des acteurs (comme une équipe de campagne politique) utilisent des fonds importants pour acheter massivement des contrats liés à un résultat particulier, ils peuvent artificiellement augmenter la probabilité de marché associée. Cela peut créer une perception publique biaisée quant aux chances de succès. Bien que le marché ait une certaine capacité d'auto-correction (d'autres traders peuvent contrer une distorsion évidente), ce risque de manipulation existe, surtout si les règles et la transparence du marché sont insuffisantes.

Lectures associées

De l'IDE au terminal : Un manuel pratique d'ingénierie d'agents

En mars 2026, Matt Van Horn a publié un article intitulé "Chaque astuce Claude Code que je connais", déclenchant un débat sur son approche "No IDE". Il développe entièrement dans le terminal et un fichier plan.md, déléguant l'exécution à des agents d'IA. Cette méthode, popularisée par meng shao sous le nom de "Conseils pratiques pour l'ingénierie d'agents", repose sur un cycle "Research → Plan → Work". L'idée centrale est de remplacer l'IDE, qui offre un retour visuel immédiat (surlignage, débogage), par un flux de travail basé sur des commandes et un plan. Le fichier plan.md sert de "contrat" avec l'agent, définissant le problème, la solution et une checklist pour guider l'exécution et éviter la "dégradation du contexte" des LLM. Des outils comme Compound Engineering (avec /ce:plan) aident à générer et affiner ce plan. Le cycle en trois phases est crucial : 1. **Research** : L'agent collecte des informations (ex: avec last30days-skill). 2. **Plan** : Génération et révision humaine du plan pour corriger les hypothèses et ajouter des connaissances métier. 3. **Work** : L'agent exécute le plan en parallèle (/ce:work). Des astuces pratiques incluent : générer un plan dès qu'une idée émerge ; faire résumer le plan par l'agent ; utiliser plusieurs terminaux en parallèle ; saisir par voix les instructions complexes ; déclencher des tâches par email (agentmail) ; et utiliser des compétences préexistantes (AgentSkills). Cependant, cette approche présente des risques. Elle nécessite une forte capacité à décomposer les problèmes et à rédiger des instructions précises. Les erreurs non détectées en phase de planification peuvent être amplifiées. Enfin, il existe un risque de "psychose IA", où l'optimisation du flux de travail devient une fin en soi, éclipsant l'objectif initial. Ce flux de travail est un amplificateur d'efficacité pour les développeurs expérimentés sachant exactement ce qu'ils veulent, et non un outil d'apprentissage pour les débutants qui ont encore besoin des retours visuels de l'IDE. Les outils (Claude Code CLI, Compound Engineering) évoluent rapidement, offrant une fenêtre d'expérimentation aux pionniers.

marsbitIl y a 18 mins

De l'IDE au terminal : Un manuel pratique d'ingénierie d'agents

marsbitIl y a 18 mins

Ne vous focalisez plus sur les GPU, Intel dévoile une manœuvre majeure, peut-elle mettre fin au monopole de Nvidia sur la puissance de calcul ?

Au cours des deux dernières années, le GPU a été au cœur du matériel informatique pour l'IA. Cependant, lors du COMPUTEX 2026, Intel a présenté une vision différente, axée sur l'Agentic AI (IA agentique). Contrairement aux modèles d'IA traditionnels fonctionnant par « tours » de questions-réponses, l'IA agentique opère dans des flux de travail réels, suivant un cycle continu de réflexion, planification, action et évaluation. Cela transforme fondamentalement l'utilisation du calcul, nécessitant une forte coordination système et un traitement de tâches fragmentées. Intel soutient que cela rééquilibrera la répartition des ressources dans les centres de données. Alors que la phase d'entraînement des modèles avancés repose fortement sur les GPU (avec des ratios CPU/GPU pouvant atteindre 1:8), le déploiement d'agents intelligents nécessitera davantage de puissance CPU pour l'orchestration des tâches, l'appel d'outils et la gestion des données, ramenant le ratio vers 1:1, voire en faveur du CPU. La consommation de tokens peut être multipliée par 1000 par rapport à une inférence simple. Pour répondre à cette nouvelle demande, Intel a dévoilé le processeur Xeon 6+ (fabriqué en technologie 18A), offrant jusqu'à 288 cœurs efficaces et conçu pour une haute densité et une meilleure efficacité énergétique. Parallèlement, Intel a présenté une nouvelle architecture d'inférence découplée, développée avec des partenaires comme SambaNova. Cette solution répartit les différentes étapes de l'inférence (orchestration, décodage, pré-remplissage) sur les composants les plus adaptés (CPU Xeon 6, RDU SambaNova, GPU NVIDIA Blackwell) pour optimiser l'efficacité. L'écosystème d'Intel inclut également le processeur Core Ultra de 3ᵉ génération pour l'IA locale sur PC, permettant une répartition dynamique des charges de travail entre le périphérique et le cloud, et les processeurs Arc G3 pour les appareils portables. Enfin, Intel mise sur les puces sur mesure (comme les IPU développées avec Google) pour répondre aux besoins spécifiques de divers secteurs industriels. En résumé, face à la domination de NVIDIA sur les GPU, Intel adopte une stratégie globale : proposer une suite de solutions (puces universelles, architectures hétérogènes, IA locale, composants personnalisés) adaptée à chaque étape et besoin du nouveau paysage informatique défini par l'IA agentique. Le succès dépendra de l'exécution technique et de l'adoption par les clients, mais Intel affiche désormais une direction claire pour capitaliser sur cette reconfiguration des infrastructures d'IA.

marsbitIl y a 42 mins

Ne vous focalisez plus sur les GPU, Intel dévoile une manœuvre majeure, peut-elle mettre fin au monopole de Nvidia sur la puissance de calcul ?

marsbitIl y a 42 mins

“小美”, Yuanbao, l'interconnexion, est-ce un précurseur pour l'agent intelligent de WeChat ?

Lors de la publication des résultats du premier trimestre 2026 de Meituan, l'attention a été attirée par l'annonce de Wang兴 concernant l'intégration de son assistant IA "Xiao Mei" avec "Yuan Bao" de Tencent. Cette collaboration permettra aux utilisateurs d'exprimer des besoins en services de proximité dans Yuan Bao, déclenchant automatiquement une communication "Agent à Agent" avec Xiao Mei pour accéder aux services de livraison de repas de Meituan. Cet accord stratégique vise à positionner Meituan comme une infrastructure de services de base, tout en s'appuyant sur une entrée IA externe pour compenser son manque d'accès indépendant. Cette démarche intervient dans un contexte où les assistants IA rivaux, comme Dou Bao (ByteDance) et Qian Wen (Alibaba), développent leurs propres écosystèmes fermés ("jardin clos") en intégrant des services transactionnels, contournant potentiellement les avantages de Meituan. L'article analyse les défis de cette collaboration : plafond de l'expérience utilisateur due à l'architecture "Agent à Agent", répartition des bénéfices, et fluidité de l'expérience entre deux écosystèmes distincts. Elle est également interprétée comme un test préliminaire crucial pour le futur "Agent IA" intégré à WeChat, dont le lancement a été rapporté par le Financial Times. Le succès de ce partenariat avec Meituan pourrait servir de modèle pour convaincre d'autres grandes plateformes de s'intégrer à l'écosystème IA de Tencent via des protocoles standardisés, préservant leur souveraineté des données tout en gagnant en visibilité.

marsbitIl y a 2 h

“小美”, Yuanbao, l'interconnexion, est-ce un précurseur pour l'agent intelligent de WeChat ?

marsbitIl y a 2 h

Trading

Spot
Futures
活动图片