Auteur original : Matt Liston
Compilation originale : AididiaoJP, Foresight News
En novembre 2024, les marchés prédictifs ont anticipé les résultats des élections avant tout le monde. Alors que les sondages montraient un résultat serré et que les experts étaient évasifs, le marché donnait à Trump une probabilité de victoire de 60 %. Lorsque les résultats ont été annoncés, les marchés prédictifs ont battu l'ensemble de l'establishment de la prédiction – les sondages, les modèles, le jugement des experts, tout.
Cela a prouvé que les marchés peuvent agréger des informations dispersées en croyances précises, le mécanisme de partage des risques a fonctionné. Depuis les années 1940, les économistes rêvaient que les marchés spéculatifs puissent les prédictions des experts, et aujourd'hui, ce rêve a été validé sur la plus grande des scènes.
Mais examinons de plus près l'économie sous-jacente.
Les parieurs de Polymarket et Kalshi ont fourni des liquidités de plusieurs milliards de dollars. Quelle est leur récompense ? Ils ont produit un signal, que le monde entier peut voir instantanément et gratuitement. Les fonds spéculatifs l'observent, les campagnes électorales l'absorbent, les journalistes construisent des tableaux de bord de données autour. Personne n'a besoin de payer pour ce renseignement, les parieurs subventionnent en fait un bien public mondial.
C'est le dilemme profond des marchés prédictifs : l'information qu'ils génèrent est aussi leur partie la plus précieuse, qui fuit au moment de sa création. Et un acheteur avisé ne paiera pas pour une information publique. Les fournisseurs de données privées peuvent facturer des sommes élevées aux fonds spéculatifs précisément parce que leurs données ne sont pas visibles par les concurrents. Au contraire, les prix publics des marchés prédictifs, aussi précis soient-ils, n'ont aucune valeur pour ces acheteurs.
Par conséquent, les marchés prédictifs ne peuvent exister que dans des domaines où suffisamment de personnes veulent « parier » : les élections, le sport, les événements de mèmes Internet. Le résultat est une distraction de divertissement déguisée en infrastructure d'information. Les questions vraiment cruciales pour les décideurs – les risques géopolitiques, les perturbations de la chaîne d'approvisionnement, les résultats réglementaires, les calendriers de développement technologique – restent sans réponse, car personne ne va parier sur elles pour s'amuser.
La logique économique des marchés prédictifs est inversée. Et corriger cela fait partie d'un changement plus vaste. L'information elle-même est le produit, le pari n'est qu'un mécanisme pour produire de l'information, et un mécanisme limité de surcroît. Nous avons besoin d'un paradigme différent. Voici donc un premier aperçu de la « finance cognitive » : une infrastructure repensée à partir des premiers principes, centrée sur l'information elle-même.
Intelligence collective
Les marchés financiers sont eux-mêmes une forme d'intelligence collective. Ils agrègent des connaissances, des croyances et des intentions dispersées en prix, coordonnant ainsi le comportement de millions de participants qui ne communiquent jamais directement. C'est remarquable, mais aussi extrêmement inefficace.
Les marchés traditionnels sont lents car limités par les heures de trading, les cycles de règlement et les frictions institutionnelles. Ils ne peuvent exprimer des croyances que de manière grossière à travers l'outil rudimentaire qu'est le prix. Ce qu'ils peuvent représenter est également très limité : l'espace des propositions négociables est minuscule comparé à l'espace des problèmes qui préoccupent vraiment les humains. De plus, les participants sont strictement limités : barrières réglementaires, exigences de capital et contraintes géographiques excluent la grande majorité des gens et toutes les machines.
L'émergence du monde crypto a commencé à changer cela, avec des marchés ouverts 24h/24, une participation sans autorisation et des actifs programmables. Des protocoles modulaires qui peuvent être composés sans coordination centrale. La DeFi (Finance Décentralisée) a prouvé que l'infrastructure financière pouvait être reconstruite en composants de base ouverts et interopérables, nés de l'interaction de modules autonomes, et non par décret de gardiens.
Mais la DeFi a largement simplement reproduit la finance traditionnelle avec de meilleurs « tuyaux ». Son intelligence collective reste basée sur les prix, axée sur les actifs, et lente à absorber de nouvelles informations.
La finance cognitive est l'étape suivante : reconstruire le système intelligent lui-même à partir des premiers principes pour l'ère de l'intelligence artificielle et de la crypto. Nous avons besoin de marchés qui « pensent » – capables de maintenir des modèles probabilistes du monde, d'absorber de l'information avec une granularité arbitraire, d'être interrogés et mis à jour par des systèmes d'IA, et auxquels les humains peuvent contribuer des connaissances sans comprendre la structure sous-jacente.
Ses composants ne sont pas mystérieux : des marchés privés pour corriger le modèle économique, des structures combinatoires pour capturer les corrélations, un écosystème d'agents pour traiter l'information à l'échelle, des interfaces homme-machine pour extraire des signaux du cerveau humain. Chaque partie peut être construite aujourd'hui, et lorsqu'elles se combinent, elles créent quelque chose de nouveau et qualitativement différent.
Marchés privés
Si les prix ne sont pas publics, les contraintes économiques disparaissent.
Un marché prédictif privé ne montre les prix qu'à l'entité qui subventionne la liquidité. Cette entité obtient ainsi un signal exclusif, un renseignement propriétaire, et non un bien public. Soudain, le marché devient viable pour toute question « pour laquelle quelqu'un a besoin d'une réponse », qu'il y ait ou non des gens prêts à parier pour s'amuser.
J'ai exploré ce concept avec @_Dave_White_.
Imaginez un fonds spéculatif macro qui souhaite obtenir des estimations probabilistes continues sur les décisions de la Fed, les résultats de l'inflation et les données sur l'emploi, comme signal de décision, et non comme opportunité de pari. Tant que le renseignement est exclusif, ils sont prêts à payer pour cela. Un entrepreneur de la défense veut une distribution de probabilité sur des scénarios géopolitiques, une entreprise pharmaceutique veut des prédictions sur les calendriers d'approbation réglementaire. Pourtant, aujourd'hui, ces acheteurs n'existent pas car l'information, une fois générée, fuit instantanément vers les concurrents.
La confidentialité est la base qui fait fonctionner le modèle économique. Une fois les prix publics, les acheteurs d'information perdent leur avantage, les concurrents commencent à faire du free-riding, et tout le système régresse à la dépendance à la demande de divertissement.
Les environnements d'exécution de confiance (TEE) rendent cela possible. Il s'agit d'enclaves de calcul sécurisées où les processus d'exécution sont invisibles de l'extérieur (même pour l'opérateur du système). L'état du marché existe entièrement à l'intérieur du TEE. Les acheteurs d'information reçoivent le signal via des canaux vérifiés. Plusieurs entités non concurrentes peuvent s'abonner à des marchés qui se chevauchent ; des fenêtres d'accès hiérarchisées peuvent équilibrer l'exclusivité de l'information avec une distribution 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 les applications commerciales, et l'ingénierie est désormais mature.
Marchés combinatoires
Les marchés prédictifs actuels traitent les événements comme isolés. « La Fed va-t-elle baisser les taux en mars ? » sur un marché indépendant. « L'inflation dépassera-t-elle 3 % au deuxième trimestre ? » sur un autre marché. Un trader qui comprend les liens intrinsèques entre ces événements, par exemple savoir qu'une inflation élevée peut augmenter la probabilité d'une baisse des taux, ou qu'un emploi robuste peut la diminuer, doit effectuer un arbitrage manuel entre ces pools de liquidités non connectés, essayant de reconstruire les corrélations que la structure du marché elle-même a brisées.
C'est comme construire un cerveau où chaque neurone ne peut déclencher que de manière isolée.
Un marché prédictif combinatoire est différent, il maintient une « distribution de probabilité conjointe » sur des combinaisons de résultats multiples. Une transaction exprimant « les taux restent élevés ET l'inflation dépasse 3 % » créera des ondulations dans tous les marchés pertinents du système, mettant à jour de manière synchrone toute la structure de probabilité.
Cela ressemble à la façon dont apprend un réseau de neurones : pendant l'entraînement, chaque mise à jour du gradient ajuste simultanément des centaines de millions de paramètres, tout le réseau réagit globalement à chaque donnée. De même, chaque transaction sur un marché prédictif combinatoire met à jour l'ensemble de sa distribution de probabilité, l'information se propage à travers la structure de corrélation, au lieu de simplement mettre à jour des prix isolés.
Ce qui émerge est un « modèle », une distribution de probabilité continuellement mise à jour sur l'espace d'état des événements mondiaux. Chaque transaction optimise la compréhension par ce modèle de la façon dont les choses sont liées entre elles. Le marché apprend comment le monde réel est connecté.
Écosystème d'agents
Les systèmes de trading automatisé dominent déjà sur Polymarket. Ils surveillent les prix, détectent les erreurs de valorisation, exécutent des arbitrages, agrègent des informations externes, bien plus vite qu'aucun humain.
Les marchés prédictifs actuels sont conçus pour des parieurs humains utilisant une interface web. Les agents y participent « à contrecoeur » dans cette conception. Un marché prédictif natif pour l'IA inversera complètement cette logique : les agents deviennent les participants principaux, et les humains sont connectés au système comme sources d'information.
Il y a une décision architecturale cruciale : une séparation stricte doit être mise en œuvre. Un agent qui peut voir les prix ne doit pas être simultanément une source d'information ; et un agent chargé d'acquérir de l'information ne doit pas avoir accès aux prix.
Sans ce « mur », le système se cannibaliserait. Un agent qui peut à la fois acquérir de l'information et observer les prix peut déduire à rebours quelles informations sont précieuses à partir des mouvements de prix, puis aller les chercher lui-même. Ainsi, le signal du marché lui-même devient une « carte au trésor » pour les autres. Le comportement d'acquisition d'information dégénérerait en une forme complexe de « trading dinitié ». La séparation garantit que les agents d'acquisition d'information ne peuvent être récompensés qu'en fournissant des signaux véritablement nouveaux et uniques.
D'un côté du « mur » : les agents de trading, qui rivalisent dans des structures combinatoires complexes pour identifier les erreurs de valorisation ; et les agents d'évaluation, qui évaluent les informations entrantes via des mécanismes antagonistes, distinguant le signal du bruit, de la manipulation.
De l'autre côté du « mur » : les agents d'acquisition d'information, qui opèrent entièrement en dehors du système central. Ils surveillent les flux de données, scannent des documents, contactent des individus humains ayant des connaissances uniques – et font entrer l'information de manière unidirectionnelle dans le marché. Lorsque leur information s'avère précieuse, ils sont compensés.
La compensation remonte la chaîne à l'envers. Une transaction rentable récompense l'agent qui a exécuté la transaction, l'agent qui a évalué cette information, et l'agent d'acquisition qui a initialement fourni l'information. Cet écosystème devient ainsi une plateforme : d'un côté, permettant à des agents IA hautement spécialisés de monétiser leurs capacités ; de l'autre, servant de couche de base pour que d'autres systèmes IA puissent y puiser des renseignements pour guider leurs actions. Les agents *sont* le marché lui-même.
Intelligence humaine
Une grande partie des informations les plus précieuses au monde n'existent que dans l'esprit humain. L'ingénieur qui sait que son produit est en retard ; l'analyste qui perçoit un changement subtil dans le comportement des consommateurs ; l'observateur qui remarque un détail que même les satellites ne voient pas.
Un système natif pour l'IA doit pouvoir capturer ces signaux provenant du cerveau humain, sans être submergé par le bruit. Deux mécanismes le rendent possible :
La participation médiée par un agent : Permet aux humains d'effectuer des « transactions » sans voir les prix. Une personne exprime simplement une croyance en langage naturel, par exemple « Je pense que le lancement du produit sera retardé ». Un « agent de traduction des croyances » dédié analyse cette prédiction, évalue son niveau de confiance, et la transforme finalement en une position sur le marché. Cet agent coordonne avec le système ayant accès aux prix pour construire et exécuter l'ordre. Le participant humain ne reçoit qu'un retour grossier : « Position établie » ou « Avantage insuffisant ». Le paiement est réglé après l'événement en fonction de la précision de la prédiction, les informations sur les prix ne sont jamais divulguées.
Le marché de l'information : Permet aux agents d'acquisition d'information de payer directement pour les signaux humains. Par exemple, un agent voulant connaître les bénéfices d'une entreprise technologique peut identifier un ingénieur ayant une connaissance interne pertinente, lui acheter une évaluation, et vérifier et payer en fonction de la valeur ultérieure de cette information sur le marché. L'humain est payé pour sa connaissance, sans avoir besoin de comprendre la structure complexe du marché.
Prenons l'exemple d'Alice, analyste : Sur la base de son jugement professionnel, elle pense qu'une fusion-acquisition ne passera pas l'approbation réglementaire. Elle saisit cette opinion via une interface en langage naturel, son « agent de traduction des croyances » analyse la prédiction, évalue sa confiance à partir des détails linguistiques, vérifie son historique, et construit une position appropriée, sans jamais avoir accès aux prix. Un « agent de coordination » à la frontière du TEE juge si son opinion présente un avantage informationnel par rapport à la probabilité implicite actuelle du marché, et exécute la transaction en conséquence. Alice ne recevra qu'une notification « Position établie » ou « Avantage insuffisant ». Les prix restent confidentiels.
Cette architecture traite l'attention humaine comme une ressource rare qui doit être soigneusement allouée et équitablement compensée, et non comme une ressource publique à exploiter librement. À mesure que ces interfaces mûrissent, la connaissance humaine deviendra « liquide » : ce que vous savez s'écoule dans un modèle global de la réalité, et vous êtes récompensé lorsque cela s'avère correct. L'information piégée dans l'esprit ne sera plus piégée.
Perspective future
En prenant suffisamment de recul, on peut entrevoir où tout cela nous mène.
L'avenir sera un océan de relations fluides, modulaires, interopérables. Ces relations se forment et se dissipent spontanément entre participants humains et non humains, sans aucun gardien central. C'est une « confiance autonome fractale ».
Les agents négocient avec les agents, les humains contribuent des connaissances via des interfaces naturelles, l'information afflue continuellement dans un modèle de réalité constamment mis à jour, que n'importe qui peut interroger, mais que personne ne peut contrôler.
Les marchés prédictifs d'aujourd'hui ne sont qu'une esquisse primitive de cette image. Ils valident le concept central (le partage des risques génère des croyances précises), mais sont piégés dans un mauvais modèle économique et de mauvaises hypothèses 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 d'aujourd'hui : c'est une « preuve de concept » prise pour la forme ultime.
Le véritable « marché », c'est chaque décision prise sous incertitude, c'est-à-dire presque toutes les décisions. Gestion de la chaîne d'approvisionnement, essais cliniques, planification des infrastructures, stratégie géopolitique, allocation des ressources, nominations... La valeur de réduire l'incertitude dans ces domaines dépasse de loin la valeur de divertissement des paris sportifs. Nous n'avons simplement pas encore construit l'infrastructure capable de capturer cette valeur.
Ce qui arrive, c'est le « moment OpenAI » du domaine cognitif : un projet d'infrastructure à l'échelle de la civilisation, mais dont l'objectif n'est pas le raisonnement individuel, mais la croyance collective. Les entreprises de grands modèles de langage construisent des systèmes qui « raisonnent » à partir de données d'entraînement passées ; la finance cognitive vise à construire des systèmes qui « croient » – qui maintiennent des distributions de probabilité calibrées sur l'état du monde, mises à jour continuellement par des incitations économiques (et non par descente de gradient), et intégrant la connaissance humaine avec une granularité arbitraire. Les LLM codent le passé ; les marchés prédictifs agrègent les croyances sur le futur. Combinés, ils forment un système cognitif plus complet.
Pleinement étendue, cela évoluera vers une infrastructure : les systèmes d'IA peuvent l'interroger pour comprendre l'incertitude du monde ; les humains peuvent y contribuer des connaissances sans comprendre son mécanisme interne ; elle peut absorber des connaissances locales provenant de capteurs, d'experts domaines et de recherches de pointe, et les synthétiser en un modèle unifié. Un modèle prédictif du monde, auto-optimisé. Un substrat où l'incertitude elle-même peut être échangée, combinée. L'intelligence qui émergera finalement dépassera la somme de ses parties.
L'ordinateur de la civilisation, c'est ce que la finance cognitive s'efforce de construire.
Enjeux
Toutes les pièces du puzzle sont en place : les capacités des agents ont franchi le seuil de l'utilité pour la prédiction ; le calcul confidentiel est passé du laboratoire à la production ; les marchés prédictifs ont prouvé leur adéquation produit-marché à grande échelle dans le divertissement. Ces fils convergent vers une opportunité historique concrète : construire l'infrastructure cognitive nécessaire à l'ère de l'intelligence artificielle.
L'autre possibilité est que les marchés prédictifs restent éternellement au niveau du divertissement, précis pendant les élections, négligés le reste du temps, incapables de toucher aux questions qui comptent vraiment. L'infrastructure dont les systèmes d'IA auraient besoin pour comprendre l'incertitude n'existerait pas, et les signaux précieux enfermés dans les esprits humains resteraient à jamais silencieux.
