Dix milliards de dollars. C’est ce que Microsoft a injecté dans OpenAI depuis 2019. Amazon a suivi avec quatre milliards dans Anthropic. Ces chiffres ne décrivent pas des rachats, ni même des prises de participation classiques. La FTC a documenté quelque chose de plus subtil : ces investissements s’accompagnent d’obligations contractuelles qui forcent OpenAI et Anthropic à dépenser leurs budgets de calcul sur Azure et AWS, les clouds de leurs investisseurs respectifs. Les laboratoires restent formellement indépendants. Mais leur infrastructure de recherche est attachée.
Ce couplage entre capital et infrastructure crée une forme de dépendance que le droit de la concurrence actuel ne sait pas nommer avec précision. Pas une fusion. Pas une acquisition. Quelque chose d’autre.
L’essentiel
- Microsoft a investi plus de dix milliards de dollars dans OpenAI depuis 2019 ; Amazon a engagé quatre milliards dans Anthropic. Les deux accords incluent des clauses qui lient les dépenses de calcul des laboratoires aux clouds de leurs investisseurs.
- La FTC a ouvert une enquête sur ces accords en 2024, documentant qu’ils fonctionnent comme des arrangements de couplage entre capital et infrastructure.
- Le droit de la concurrence classique, conçu pour les fusions et les parts de marché, manque d’outils adaptés aux marchés où la ressource critique est le calcul, et non le produit.
- Si ces structures se stabilisent, les laboratoires IA émergents des cinq prochaines années devront choisir entre dépendance infrastructurelle et handicap compétitif majeur.
Le calcul comme ressource critique
Pour comprendre pourquoi ces accords changent la structure du marché, il faut partir d’un fait économique simple : entraîner un grand modèle de langage coûte entre cent millions et un milliard de dollars selon l’échelle visée. L’essentiel de ce coût est du calcul — des puces, du refroidissement, de l’électricité, de l’orchestration logicielle. Ces ressources se concentrent dans quelques infrastructures mondiales.
La puissance de calcul est devenue la ressource rare du siècle, au sens où sa distribution conditionne qui peut faire quoi en matière d’IA. Un laboratoire sans accès au calcul ne peut ni entraîner ni déployer des modèles compétitifs. C’est précisément ce point de contrôle que les accords de couplage verrouillent.
Le mécanisme est le suivant. L’investisseur apporte du capital. En échange, contractuellement ou par les conditions d’utilisation attachées à l’investissement, le laboratoire s’engage à consommer ses ressources de calcul sur le cloud de l’investisseur. Quand OpenAI veut entraîner GPT-5, il le fait sur Azure. Quand Anthropic veut faire tourner Claude, les serveurs sont ceux d’AWS. Ces obligations ne sont pas marginales : elles portent sur une partie substantielle des dépenses opérationnelles des laboratoires, qui se comptent en milliards annuels.
La FTC a utilisé, dans ses documents d’enquête, le terme de “tying arrangements” — arrangements de couplage. En droit de la concurrence américain, le couplage désigne la pratique consistant à vendre un produit souhaité à condition d’en acheter un autre. La jurisprudence sur les couplages est ancienne et robuste. La nouveauté ici, c’est que le “produit souhaité” n’est pas un bien ou un service ordinaire : c’est du capital à une époque où le capital conditionne l’accès à la frontière technologique.
Trois infrastructures, un entonnoir
Le tableau global est frappant. Microsoft est lié à OpenAI. Amazon à Anthropic. Google, de son côté, a acquis DeepMind en 2014 — ce laboratoire avait été fondé de manière indépendante en 2010 par Demis Hassabis, Shane Legg et Mustafa Suleyman — et dispose de ses propres modèles Gemini, tout en ayant investi dans Anthropic via Google Cloud — un laboratoire qui entretient donc des relations capitalistiques avec les deux clouds concurrents. Meta et Apple opèrent leurs propres infrastructures. Au sommet du marché IA, presque tout passe par trois ou quatre clouds.
Ce n’est pas encore un monopole. Mais c’est une structure d’entonnoir. Les meilleurs laboratoires — ceux qui attirent les meilleurs chercheurs, qui produisent les meilleurs modèles, qui définissent la frontière technique — sont liés contractuellement aux infrastructures des hyperscalers. Un laboratoire émergent qui voudrait concurrencer OpenAI ou Anthropic doit soit trouver du capital auprès d’un investisseur qui accepte de ne pas exiger de contreparties cloud, soit construire sa propre infrastructure, soit accepter des conditions similaires auprès d’un cloud concurrent.
La troisième option reproduit le problème. La deuxième exige des moyens que seuls les hyperscalers possèdent. La première — lever du capital sans obligation infrastructurelle — devient structurellement plus difficile à mesure que les accords de couplage normalisent ce modèle. Mistral AI, en Europe, a jusqu’ici maintenu une indépendance relative. Mais Mistral a aussi signé un partenariat avec Microsoft Azure pour la distribution de ses modèles — un accord commercial distinct, mais qui illustre la gravité de l’attraction infrastructurelle. Même les acteurs qui résistent finissent par orbiter autour des mêmes centres.
Ce que le droit de la concurrence ne voit pas encore
La FTC et la Competition and Markets Authority britannique ont toutes deux signalé leur préoccupation face à ces structures. La CMA a publié en 2024 un rapport sur les fondations modèles pointant explicitement le risque de dépendance entre laboratoires et clouds. L’autorité européenne de la concurrence a ouvert des observations similaires.
Mais le problème est instrumental. Le droit de la concurrence dispose de deux outils principaux : le contrôle des fusions et acquisitions, et la prohibition des abus de position dominante. Le premier ne s’applique pas ici — il n’y a pas d’acquisition. Le second suppose qu’une position dominante soit établie sur un marché défini, ce qui est difficile quand les marchés IA n’ont que quelques années d’existence et que leurs frontières sont encore floues.
Les accords de couplage, en droit américain, peuvent être attaqués sous la Section 1 du Sherman Act si l’on prouve qu’ils restreignent la concurrence de manière substantielle. Mais la jurisprudence exige de démontrer un pouvoir de marché suffisant sur le marché du produit liant — ici le capital d’investissement en IA — et un effet restrictif sur le marché du produit lié — ici le cloud. Les deux démonstrations sont possibles, mais exigeantes. L’ère de l’antitrust numérique progresse, mais elle avance sur un terrain que les régulateurs n’ont pas encore entièrement cartographié.
Ce n’est pas que les régulateurs manquent de volonté. C’est que les instruments ont été conçus pour des marchés de produits physiques, de services homogènes, de positions dominantes mesurables par des parts de marché. L’IA introduit une nouvelle variable : la position dominante sur les marchés naissants se construit avant que les marchés existent, par le contrôle des ressources qui conditionneront leur émergence.
La barrière à l’entrée que personne n’a formellement construite
Ce qui rend ces arrangements particulièrement difficiles à réguler, c’est leur nature organique. Microsoft n’a pas déclaré qu’il voulait contrôler le marché IA en attachant OpenAI à Azure. Il a apporté du capital à un moment où OpenAI en avait besoin, en échange de contreparties commerciales qui avaient une logique d’affaires immédiate. Amazon a fait de même avec Anthropic, à un moment où le laboratoire cherchait à financer son développement accéléré face à la concurrence d’OpenAI.
Chaque accord pris isolément paraît raisonnable. Ensemble, ils dessinent une barrière à l’entrée que personne n’a formellement construite mais que tout le monde contribue à ériger. Les économistes appellent cela une barrière structurelle endogène : elle émerge des comportements individuellement rationnels des acteurs, non d’un complot délibéré.
Thomas Philippon, dans ses travaux sur la concentration des marchés américains, a documenté comment ce type de structure réduit la pression concurrentielle à long terme — non par une action anticompétitive visible, mais par l’accumulation de positions qui rendent l’entrée progressivement moins attractive. Les marchés IA sont en train de reproduire ce schéma à une vitesse sans commune mesure avec les industries précédentes, parce que la ressource critique — le calcul — est à la fois coûteuse, concentrée et croissante en importance.
Trois scénarios pour les cinq ans qui viennent
L’analyse long terme doit s’appuyer sur ce qui est mesurable. Les dépenses d’investissement des hyperscalers dans les datacenters IA ont atteint environ 220 milliards de dollars en 2024 selon les estimations agrégées des rapports financiers de Microsoft, Amazon, Google et Meta. Ce chiffre devrait doubler d’ici 2027 selon les projections des analystes sectoriels, sous l’hypothèse — à nommer — que la demande de calcul continue de croître au rythme actuel. Cette hypothèse peut être démentie par une percée en efficacité algorithmique, comme DeepSeek l’a illustré début 2025. Mais même en cas de réduction des coûts d’entraînement, les coûts d’inférence — faire tourner les modèles à grande échelle — resteront des barrières considérables.
Dans ce contexte, trois trajectoires se dessinent. La première est la normalisation silencieuse : les régulateurs balisent sans intervenir fermement, les accords de couplage se multiplient, les laboratoires de deuxième rang s’intègrent aux mêmes structures pour survivre, et le marché IA ressemble à l’écosystème mobile des années 2010 — pluriel en apparence, concentré en infrastructure. La deuxième est la régulation structurelle : la FTC ou la Commission européenne imposent des conditions de séparation fonctionnelle entre investissements dans les laboratoires et obligations d’achat cloud, obligeant à des clauses de neutralité. La troisième est la disruption par l’efficacité : une génération de modèles entraînable sur des infrastructures moins centralisées réduit mécaniquement l’avantage des hyperscalers, comme les modèles open source ont limité la prime de certains acteurs propriétaires.
Ces trajectoires ne s’excluent pas. Mais leur probabilité respective dépend d’un facteur central : la vitesse à laquelle les instruments régulatoires s’adaptent à la structure réelle du marché.
Ce que les régulateurs font concrètement
L’inaction serait une lecture erronée de la situation. La FTC a publié un rapport en 2024 qui cartographie précisément ces accords. La CMA britannique a développé un cadre d’analyse des “foundational model markets” qui reconnaît explicitement le rôle du calcul comme ressource critique et les risques de dépendance. Du côté européen, si le Digital Markets Act n’a pas encore formellement étendu son périmètre aux fournisseurs d’infrastructure IA — l’IA en tant que telle ne constituant pas encore une “core platform service” au sens du règlement —, la Commission a néanmoins émis en juin 2026 une position préliminaire sur la désignation d’AWS et d’Azure comme “gatekeepers” pour leurs services cloud. Cette désignation, qui reste à confirmer, concerne les services cloud en tant que tels et non les activités IA proprement dites. Aucun laboratoire d’IA pur n’est visé par une telle désignation.
Au niveau académique, des économistes comme Fiona Scott Morton aux États-Unis travaillent sur des cadres d’analyse spécifiques aux marchés multi-faces dominés par l’infrastructure. L’idée qui gagne du terrain est celle de la “behavioral remedy” — imposer des conditions comportementales aux investisseurs (pas d’obligations cloud dans les accords d’investissement IA) plutôt que de chercher à démanteler des structures qui n’ont pas les caractéristiques classiques d’une acquisition.
Des voix comme celles de Luigi Zingales et de Daron Acemoglu, dans leurs analyses respectives de la capture des gains technologiques, pointent vers la même recommandation : l’enjeu n’est pas d’empêcher les investissements des hyperscalers dans l’IA, mais de s’assurer que ces investissements ne se traduisent pas automatiquement en barrières à l’entrée pour les acteurs qui ne sont pas dans leur orbite. La distinction entre financer une innovation et contrôler l’accès à son infrastructure est la ligne que le droit doit apprendre à tracer.
La question pour les marchés naissants
Ce débat va bien au-delà de l’IA. Il pose une question fondamentale pour les marchés de technologies génératives : qui peut y entrer, et à quelles conditions ? Si les accords de couplage capital-infrastructure se normalisent, les prochains laboratoires — ceux qui travaillent sur la biologie computationnelle, sur la chimie autonome, sur les systèmes de raisonnement de prochaine génération — se retrouveront face au même choix dès leur création : chercher du capital auprès d’un hyperscaler, avec les contreparties qui viennent avec, ou rester en dehors du périmètre où se définit la frontière technologique.
C’est là que l’enjeu dépasse la régulation sectorielle. Les marchés naissants sont ceux où les positions concurrentielles se forment avant que les régulateurs aient les données pour intervenir. La CMA et la FTC ont agi vite, à l’échelle des institutions publiques. Mais “vite” pour une autorité administrative signifie deux à trois ans après que les accords sont signés. Dans des marchés qui évoluent en mois, c’est une temporalité différente.
La vraie question n’est pas de savoir si Microsoft et Amazon ont mal agi. C’est de savoir si les outils disponibles permettent de distinguer un investissement légitime d’un arrangement qui préempte la concurrence future — et, si la réponse est non, comment les construire avant le prochain marché naissant.
Sources
- ProMarket / Stigler Center — “AI’s Tying Arrangements Jeopardize the Market” (22 juin 2026) : https://www.promarket.org/2026/06/22/ais-tying-arrangements-jeopardize-the-market/
- Federal Trade Commission — rapport sur les investissements dans les modèles d’IA, 2024 (FTC.gov, sans lien direct vérifié)
- Competition and Markets Authority (Royaume-Uni) — “AI Foundation Models: Initial Review”, 2024 (GOV.UK, sans lien direct vérifié)
- Rapports financiers annuels Microsoft, Amazon, Google, Meta — exercices 2023 et 2024
- FTC - Lancement de l’enquête sur les partenariats IA (jan. 2024)
- FTC - Staff Report sur les partenariats IA (jan. 2025)
- Amazon - Investissement officiel dans Anthropic (4 Md$, mars 2024)
- Anthropic - Expansion partenariat Amazon (avril 2026)
- OpenAI - GPT-5 entraîné sur Azure
- CMA - Update Paper AI Foundation Models (avril 2024)
- Wikipedia - Google DeepMind (acquisition en 2014)
- Commission européenne - Portail DMA Gatekeepers
- Fortune - Capex hyperscalers 2024 (~200 Md$)
- CNBC - Microsoft investissement total dans OpenAI (13 Md$)