The Inference Bottleneck: A Formal Model of Vertical Foreclosure in AI Markets

1. Problématique et Contexte

Le papier aborde la question centrale de l'économie antitrust appliquée à l'ère de l'IA générative : quand le contrôle d'une infrastructure essentielle (l'inférence) confère-t-il le pouvoir de sélectionner les gagnants sur les marchés adjacents ?

Contrairement aux modèles traditionnels de prédation par les prix, l'auteur postule que la concurrence dans l'IA se déplace de l'entraînement unique des modèles vers l'inférence continue, la distribution et le routage. Les fournisseurs intégrés verticalement (comme Google, OpenAI, Microsoft, Anthropic) contrôlent l'infrastructure cognitive nécessaire au fonctionnement des applications en aval. Ils peuvent ainsi exercer un obstruction verticale (vertical foreclosure) non pas en baissant les prix, mais en dégradant la qualité de service (QoS) pour les concurrents ou en biaisant le routage vers leurs propres services, sans nécessairement enfreindre les règles de prix prédateurs.

Le papier vise à formaliser économiquement ces mécanismes pour fournir une base micro-fondée à une régulation de neutralité de l'inférence.

2. Méthodologie et Modèle Théorique

L'auteur développe un modèle de jeu théorique formel à deux niveaux (upstream/downstream) avec les caractéristiques suivantes :

• Structure du marché : Un fournisseur amont unique $U$ (intégré verticalement) fournit l'accès API à des développeurs aval rivaux ($N$) tout en opérant sa propre application en aval.
• Demande : Utilisation d'une demande de type Logit où la qualité perçue de l'application $Q_i$ dépend de la qualité de l'inférence fournie $q_i$ (poids $\alpha$) et de l'effort de développement de l'application $e_i$.
• Coûts : Coûts d'infrastructure quadratiques avec des économies de portée ($\phi$), permettant de modéliser le coût de fournir une QoS élevée simultanément à soi-même et aux rivaux.
• Mécanismes d'obstruction :
  1. Discrimination par la QoS : Dégradation de la latence, du débit ou des limites de contexte pour les rivaux.
  2. Biais de routage : Dans les interfaces d'assistants, le fournisseur privilégie ses propres outils.
  3. Discrimination par les niveaux d'accès (Tier-based) : Accès restreint à des modèles de pointe (frontier models) réservés à un sous-ensemble de partenaires, créant une barrière de capacité.

3. Contributions Clés

Le papier apporte quatre contributions majeures par rapport à la littérature existante et au papier politique compagnon (Besanson & Celani, 2026) :

1. Modélisation de l'obstruction sans discrimination de prix : Dérivation des conditions sous lesquelles un fournisseur intégré dégrade rationnellement la QoS des rivaux. Le résultat principal (Proposition 1) caractérise explicitement l'équilibre du gap de QoS ($\Delta q^*$).
2. Formalisation de la discrimination par les niveaux d'accès (Tier-based) : Introduction d'un nouveau mécanisme (Proposition 5) basé sur un écart de capacité ($\tau$) et une exclusivité de partenaires ($\kappa$). Ce mécanisme génère des rentes plus durables car il opère à la frontière des capacités, échappant à l'érosion concurrentielle du marché de base.
3. Calibration transparente avec limites d'identification : Une méthodologie explicite distinguant les paramètres observables, inférés et basés sur le jugement. Les résultats numériques sont présentés comme des cartographies de risque comparatif et non comme des estimations structurelles profondes.
4. Pont Modèle-Observables : Une traduction systématique des primitives théoriques abstraites en indicateurs empiriques mesurables par les régulateurs (Tableau 9), rendant le cadre applicable à l'application de la loi.

4. Résultats Principaux

A. Caractérisation de l'Équilibre (Proposition 1)

Le modèle dérive une expression explicite pour le gap de QoS à l'équilibre ($\Delta q^* = q^*_U - q^*_i$) :
$$\Delta q^* = \frac{1}{\gamma} \left( \alpha \cdot m_U \cdot s_U [(1-s_U) + s] - \frac{p \rho \eta}{q^*_i} \right)$$
Où :

• $\alpha$ : Importance de la qualité d'inférence.
• $m_U$ : Marge en aval du fournisseur intégré.
• $p$ : Prix de l'API.
• $\eta$ : Élasticité de l'entrée des rivaux.

Comparaisons statiques :

• Le gap de discrimination augmente avec l'importance de la qualité ($\alpha$) et les marges en aval ($m_U$).
• Le gap diminue avec le prix de l'API ($p$) et l'élasticité d'entrée des rivaux ($\eta$).
• La discrimination survient si et seulement si le gain de « vol d'affaires » (business-stealing) dépasse la perte de revenus API.

B. Effets sur le Bien-être (Proposition 2)

L'obstruction entraîne une perte de bien-être sociale composée de :

1. Une perte directe de qualité pour les rivaux.
2. Un multiplicateur d'effort : la dégradation de la QoS réduit l'incitation des rivaux à investir dans leur application (complémentarité effort-QoS).
3. Une perte sèche (DWL) due au vol d'affaires artificiel.

C. Calibration et Cartographie des Risques (Avril 2026)

En appliquant le modèle aux données d'avril 2026 :

• Google et OpenAI : Présentent les conditions les plus propices à l'obstruction (fortes intégrations verticales $\lambda$, marges élevées, dépendance forte $\alpha$). Le gap de QoS implicite est estimé entre 0,20 et 0,27.
• Microsoft : Possède une capacité structurelle élevée d'obstruction, mais son comportement réalisé est contraint par une stratégie de routage multi-modèles (intégration de Claude) et la pression concurrentielle.
• Anthropic : Position divisée. Risque faible sur le canal grand public (modèle de revenus dominé par l'API), mais risque élevé dans le segment des agents de codage d'entreprise où Claude Code concurrence des outils tiers utilisant la même API.
• Mécanisme de Tier (Project Glasswing) : L'accès restreint à des modèles supérieurs (Mythos) crée un risque d'obstruction spécifique, bien que des clauses de sécurité puissent justifier cette restriction si elles sont transparentes.

5. Signification et Implications Politiques

Le papier propose un cadre réglementaire de « Neutralité de l'Inférence » (Neutral Inference) basé sur quatre piliers, étendant le cadre précédent :

1. Parité QoS : Interdiction de fournir une qualité de service matériellement supérieure aux services propres par rapport aux utilisateurs API tiers similaires.
2. Transparence du routage : Obligation d'auditer les décisions de routage dans les assistants pour éviter le self-préférencement systématique.
3. Non-discrimination de type FRAND : Conditions justes, raisonnables et non discriminatoires pour les termes d'accès.
4. Transparence des niveaux d'accès (Tier) : Obligations spécifiques pour les programmes d'accès restreint (justification de l'objectif, composition du panel de partenaires, voie de sortie vers l'accès général).

Conclusion :
L'auteur soutient que l'intervention par la conduite (conduct-based) est préférable à la séparation structurelle pour préserver les incitations à l'innovation. Les calculs de bien-être suggèrent que la mise en œuvre de ce cadre pourrait générer des gains nets de bien-être de l'ordre de 40 à 55 milliards de dollars par an (avec une fourchette large de 35 à 95 milliards), reflétant l'incertitude des paramètres mais la robustesse du signe positif du gain.

Ce travail est significatif car il transforme un débat politique sur l'IA en un modèle économique testable, fournissant aux régulateurs des indicateurs précis (latence, élasticité d'entrée, écarts de benchmark) pour détecter et sanctionner les pratiques anticoncurrentielles dans l'infrastructure de l'IA.