En novembre 2024, les marchés de prédiction ont anticipé l’issue de l’élection avant quiconque. Tandis que les sondages annonçaient une course serrée et que les experts restaient prudents, le marché attribuait à Trump 60 % de chances de victoire. Lorsque les résultats sont tombés, les marchés de prédiction ont surpassé l’ensemble des dispositifs de prévision — sondages, modèles et avis d’experts compris.
Cela démontre que les marchés savent agréger des informations dispersées en convictions précises, les mécanismes de partage du risque jouant un rôle déterminant. Depuis les années 1940, les économistes imaginaient que les marchés spéculatifs pourraient dépasser les prévisions des experts. Désormais, cette vision s’est confirmée sur la scène mondiale.
Analysons les principes économiques à l’œuvre.
Sur des plateformes comme Polymarket et Kalshi, les parieurs ont injecté des milliards en liquidité. Qu’ont-ils reçu en échange ? Ils ont généré des signaux immédiatement accessibles au monde entier, gratuitement. Les hedge funds surveillaient activement, les équipes de campagne exploitaient ces données et les journalistes construisaient des tableaux de bord autour de ces informations. Personne n’a payé pour cette intelligence ; en réalité, les parieurs ont subventionné un bien public mondial.
C’est le dilemme fondamental des marchés de prédiction : leur produit le plus précieux — l’information — est diffusé dès sa création. Les acheteurs sophistiqués n’achètent pas une information publique. Les fournisseurs de données privées peuvent facturer des frais élevés aux hedge funds, car leurs données sont inaccessibles aux concurrents. À l’inverse, les prix publics des marchés de prédiction, quelle que soit leur précision, n’ont aucune valeur pour ces acheteurs.
En conséquence, les marchés de prédiction ne prospèrent que dans les domaines où suffisamment de personnes souhaitent « jouer » — élections, sports, phénomènes viraux sur internet. Ce que l’on obtient, c’est un divertissement qui se fait passer pour une infrastructure informationnelle. Les questions cruciales pour les décideurs — risques géopolitiques, ruptures d’approvisionnement, décisions réglementaires, calendriers de développement technologique — restent sans réponse, car personne ne parie dessus pour le plaisir.
La logique économique des marchés de prédiction est inversée. Corriger cela s’inscrit dans une transformation bien plus large. Ici, l’information devient le produit, le pari n’étant qu’un mécanisme de production — et un mécanisme limité. Il nous faut un nouveau paradigme. Ce qui suit est une première esquisse de la « finance cognitive » : une infrastructure repensée depuis les principes fondamentaux, centrée sur l’information elle-même.
Intelligence collective
Les marchés financiers constituent une forme d’intelligence collective. Ils agrègent connaissances, croyances et intentions dispersées en prix, coordonnant des millions de participants sans communication directe. C’est remarquable, mais aussi très inefficace.
Les marchés traditionnels évoluent lentement à cause des horaires de cotation, des cycles de règlement et des frictions institutionnelles. Ils n’expriment les convictions qu’en termes généraux via le prix — un instrument grossier. Leur champ de représentation est également limité : uniquement l’espace des créances négociables, ce qui est dérisoire au regard de la totalité des préoccupations humaines. La participation est strictement restreinte : barrières réglementaires, exigences de capital et contraintes géographiques excluent la majorité des individus et toutes les machines.
L’écosystème crypto change la donne, en introduisant des marchés ouverts 24/7, une participation sans autorisation et des actifs programmables. Les protocoles modulaires peuvent être combinés sans coordination centrale. La DeFi (Decentralized Finance) a démontré que l’infrastructure financière peut être reconstruite comme un ensemble de briques ouvertes et interopérables, créées par l’interaction autonome de modules, sans intervention d’intermédiaires.
Cependant, la DeFi réplique principalement la finance traditionnelle avec des infrastructures plus efficaces. Son intelligence collective reste centrée sur le prix, focalisée sur les actifs, et absorbe lentement l’information nouvelle.
La finance cognitive est la prochaine étape : reconstruire des systèmes intelligents depuis la base pour l’ère de l’IA et des crypto-actifs. Nous avons besoin de marchés qui « pensent » — maintenant des modèles probabilistes du monde, absorbant l’information à tous niveaux de détail, accessibles et actualisables par des systèmes d’IA, et permettant aux humains de contribuer sans connaître la structure sous-jacente.
Les briques sont déjà à portée : marchés privés pour corriger le modèle économique, structures compositionnelles pour saisir les corrélations, écosystèmes d’agents pour étendre le traitement de l’information, et interfaces homme-machine pour extraire les signaux de l’esprit humain. Chaque composant peut être construit aujourd’hui, et leur combinaison donnera naissance à quelque chose de fondamentalement nouveau.
Marchés privés
Quand les prix restent privés, les contraintes économiques disparaissent.
Un marché de prédiction privé ne révèle les prix qu’aux entités qui subventionnent la liquidité. Ces entités reçoivent des signaux exclusifs — une intelligence propriétaire, et non un bien public. Le marché devient alors pertinent pour toute question où « quelqu’un a besoin d’une réponse », indépendamment de la valeur de divertissement.
J’ai discuté de ce concept avec @Dave_White.
Imaginez un hedge fund macro cherchant des estimations probabilistes continues pour les décisions de la Fed, l’inflation ou l’emploi — non comme opportunités de pari, mais comme signaux d’aide à la décision. Si l’intelligence est exclusive, ils sont prêts à payer. Un contractant de défense veut des distributions de probabilité pour des scénarios géopolitiques ; une entreprise pharmaceutique veut des prévisions pour les délais d’approbation réglementaire. Aujourd’hui, ces acheteurs n’existent pas, car l’information générée fuit immédiatement vers les concurrents.
La confidentialité est essentielle à un modèle économique viable. Quand les prix sont publics, les acheteurs d’information perdent leur avantage, les concurrents se servent gratuitement, et tout le système retombe dans la logique du divertissement.
Les environnements d’exécution de confiance (TEE) rendent cela possible — une enclave informatique sécurisée où les opérations sont invisibles pour les tiers, même pour les opérateurs système. L’état du marché existe entièrement à l’intérieur du TEE. Les acheteurs d’information reçoivent des signaux via des canaux vérifiés. Plusieurs entités non concurrentes peuvent s’abonner à des marchés qui se recoupent ; des fenêtres d’accès hiérarchisées permettent de concilier exclusivité et diffusion plus large.
Les TEE ne sont pas parfaits — ils impliquent une confiance dans les fabricants de matériel. Mais ils offrent déjà un niveau de confidentialité suffisant pour un usage commercial, et la technologie est mature.
Marchés compositionnels
Les marchés de prédiction actuels traitent les événements comme des cas isolés. « La Fed baissera-t-elle ses taux en mars ? » est un marché. « L’inflation du deuxième trimestre dépassera-t-elle 3 % ? » en est un autre. Les traders qui comprennent les liens entre ces événements — par exemple, qu’une inflation élevée augmente la probabilité d’une baisse des taux ou qu’un emploi solide la réduit — doivent arbitrer manuellement entre des pools indépendants, tentant de reconstituer des corrélations que la structure du marché détruit.
C’est comme construire un cerveau où chaque neurone fonctionne isolément.
Les marchés de prédiction compositionnels sont différents : ils maintiennent une distribution de probabilité conjointe sur des combinaisons d’issues. Une opération comme « taux maintenus élevés et inflation supérieure à 3 % » se propage à tous les marchés concernés, mettant à jour de façon synchrone toute la structure de probabilité.
Cela rappelle le fonctionnement des réseaux neuronaux : chaque mise à jour d’entraînement ajuste des milliards de paramètres à la fois, et tout le réseau réagit à chaque donnée. De même, chaque opération sur un marché de prédiction compositionnel met à jour l’ensemble de la distribution de probabilité, l’information se diffusant via les structures de corrélation, et non de simples prix isolés.
Le résultat est un « modèle » — une distribution de probabilité sur l’espace des événements mondiaux, continuellement ajustée. Chaque opération optimise la compréhension des relations entre variables. Le marché apprend comment le réel s’articule.
Écosystèmes intelligents
Les systèmes de trading automatisés dominent désormais Polymarket. Ils surveillent les prix, détectent les écarts, réalisent de l’arbitrage et agrègent des informations externes à une vitesse inaccessible à l’humain.
Les marchés de prédiction actuels sont conçus pour des parieurs humains via des interfaces web. Les agents y participent difficilement. Un marché de prédiction natif pour l’IA inverserait cette logique : les agents deviennent les principaux participants, les humains servant de sources d’information.
Cela impose un choix architectural crucial : une séparation stricte. Les agents qui voient les prix ne doivent jamais être des sources d’information ; ceux qui collectent l’information ne doivent jamais voir les prix.
Sans ce « mur », le système se cannibalise. Un agent pouvant à la fois accéder à l’information et observer les prix pourrait déduire la valeur de certaines informations à partir des mouvements de prix, puis les rechercher. Les signaux du marché deviennent une carte au trésor pour d’autres. La collecte d’information dégénère en frontrunning complexe. La séparation garantit que les agents collecteurs ne peuvent profiter que de signaux véritablement inédits.
D’un côté du « mur » se trouvent les agents de trading, qui rivalisent dans des structures compositionnelles complexes pour détecter les écarts, et les agents d’évaluation, qui utilisent des mécanismes adversariaux pour juger l’information entrante et distinguer le signal du bruit ou de la manipulation.
De l’autre côté, les agents collecteurs d’information, opérant entièrement hors du système central. Ils surveillent des flux de données, analysent des documents et interagissent avec des personnes détenant un savoir unique — alimentant le marché en informations de façon unidirectionnelle. Lorsque leur information s’avère précieuse, ils sont rémunérés.
La rémunération remonte la chaîne. Une opération profitable récompense l’agent de trading, l’agent d’évaluation et l’agent collecteur d’information initial. L’écosystème devient une plateforme : des agents IA hautement spécialisés peuvent monétiser leurs compétences, tandis que la plateforme sert également de base à d’autres systèmes d’IA pour collecter de l’intelligence et guider leurs actions. Les agents sont le marché lui-même.
Intelligence humaine
Une grande partie de l’information la plus précieuse au monde n’existe que dans l’esprit humain : un ingénieur qui sait que son produit est en retard ; un analyste qui détecte des évolutions subtiles du comportement des consommateurs ; un observateur qui remarque des détails invisibles même pour les satellites.
Un système natif pour l’IA doit capter ces intuitions humaines sans être submergé par le bruit. Deux mécanismes le permettent :
Participation médiée par agent : permettre aux humains de « trader » sans voir les prix. Une personne exprime simplement sa conviction en langage naturel, par exemple « Je pense que le lancement du produit sera retardé. » Un agent dédié traduit la prédiction, évalue la confiance et la convertit en une position de marché. Cet agent se coordonne avec des systèmes ayant accès aux prix pour construire et exécuter l’ordre. L’humain ne reçoit qu’un retour basique — « position établie » ou « avantage insuffisant ». Les paiements sont réglés après l’événement, selon la précision de la prédiction, sans jamais divulguer d’information sur les prix.
Marchés de l’information : permettre aux agents collecteurs de payer directement les humains pour leurs connaissances. Par exemple, un agent cherchant des informations sur les résultats d’une entreprise technologique peut identifier un ingénieur disposant d’informations internes, acheter une évaluation, puis la valider et la rémunérer selon sa valeur de marché ultérieure. Les humains sont rémunérés pour leur savoir sans avoir à comprendre la structure complexe du marché.
Considérons l’analyste Alice : elle estime, selon son expertise, qu’une fusion n’obtiendra pas l’approbation réglementaire. Elle saisit son avis via une interface en langage naturel ; son agent de traduction de croyance analyse la prédiction, évalue sa confiance à partir du langage, vérifie son historique et construit une position — sans jamais voir les prix. Un agent de coordination à la frontière du TEE évalue si son avis possède un avantage informationnel selon les probabilités du marché et exécute l’opération. Alice ne reçoit que les notifications « position établie » ou « avantage insuffisant ». Les prix restent confidentiels tout au long du processus.
Cette approche considère l’attention humaine comme une ressource rare à allouer et rémunérer équitablement, et non à exploiter gratuitement. À mesure que ces interfaces mûrissent, le savoir humain deviendra « liquide » : ce que vous savez s’écoulera dans un modèle de réalité mondial et sera récompensé s’il s’avère exact. Les informations enfermées dans les esprits ne le seront plus.
Une vision du futur
Avec suffisamment de recul, on perçoit la direction vers laquelle cela mène.
L’avenir sera un océan de relations fluides, modulaires et interopérables. Ces relations se formeront et se dissoudront spontanément entre participants humains et non-humains, sans gardien central. C’est la « confiance autonome fractale ».
Les agents négocient avec d’autres agents, les humains apportent leur savoir via des interfaces naturelles, et l’information s’écoule continuellement dans un modèle de réalité perpétuellement mis à jour — ouvert à tous, contrôlé par personne.
Les marchés de prédiction actuels ne sont qu’une ébauche de cette vision. Ils prouvent le principe fondamental (le partage du risque produit des convictions précises) mais restent prisonniers d’un modèle économique et d’hypothèses structurelles dépassés. Les paris sportifs et électoraux sont à la finance cognitive ce que l’ARPANET fut à l’internet mondial : une preuve de concept trop tôt prise pour la forme finale.
Le véritable « marché » est chaque décision prise dans l’incertitude — presque chaque décision. Gestion des chaînes d’approvisionnement, essais cliniques, planification d’infrastructures, stratégie géopolitique, allocation de ressources, nominations de personnel… La valeur de la réduction de l’incertitude dans ces domaines dépasse largement le divertissement des paris sportifs. Nous n’avons simplement pas encore bâti l’infrastructure pour capter cette valeur.
Le changement à venir est le « moment OpenAI » pour la cognition : un projet d’infrastructure à l’échelle civilisationnelle, non pour le raisonnement individuel mais pour la croyance collective. Les entreprises de modèles de langage développent des systèmes qui « raisonnent » à partir de données passées ; la finance cognitive vise à bâtir des systèmes qui « croient » — maintenant des distributions de probabilité calibrées sur le monde, continuellement actualisées par des incitations économiques, intégrant le savoir humain à tous niveaux de détail. Les LLM encodent le passé ; les marchés de prédiction agrègent les convictions sur le futur. Ensemble seulement, ils peuvent former un système cognitif plus complet.
À pleine échelle, cela deviendra une infrastructure : les systèmes d’IA pourront l’interroger pour comprendre l’incertitude ; les humains pourront y contribuer sans en connaître le fonctionnement interne ; elle pourra intégrer la connaissance locale issue de capteurs, d’experts et de la recherche de pointe, la synthétisant dans un modèle unifié. Un modèle du monde auto-optimisé et prédictif. Un substrat où l’incertitude elle-même peut être échangée et composée. L’intelligence émergente finira par dépasser la somme de ses parties.
Le « computer civilisationnel » — voilà la trajectoire de la finance cognitive.
Ce qui est en jeu
Tous les éléments sont réunis : les capacités des agents ont dépassé le seuil de la prédiction ; l’informatique confidentielle est passée du laboratoire à la production ; les marchés de prédiction ont démontré leur adéquation produit-marché à grande échelle dans le domaine du divertissement. Ces dynamiques convergent vers une opportunité historique : construire l’infrastructure cognitive dont l’ère de l’IA a besoin.
L’alternative, c’est que les marchés de prédiction restent à jamais du divertissement — très précis lors des élections, ignorés le reste du temps, sans jamais traiter les questions véritablement importantes. Dans ce scénario, l’infrastructure nécessaire à l’IA pour comprendre l’incertitude n’existera jamais, et les signaux précieux enfermés dans les esprits humains resteront muets.
Déclaration :
- Cet article est republié à partir de [Foresight News], le droit d’auteur appartenant à l’auteur original [Matt Liston]. Si vous avez des préoccupations concernant cette republication, veuillez contacter l’équipe Gate Learn, qui traitera la demande rapidement conformément aux procédures en vigueur.
- Avertissement : Les opinions exprimées dans cet article sont uniquement celles de l’auteur et ne constituent pas des conseils en investissement.
- D’autres versions linguistiques de cet article sont traduites par l’équipe Gate Learn. Ne copiez, ne distribuez ni ne plagiez la traduction sans mentionner Gate.
