Paradoxe du marché binaire : l'attention est-elle tout ce dont nous avons besoin ?

Rédaction : BayesCrest

Ces un peu plus d’un an, je ne sais pas si vous avez ressenti quelque chose de particulier : la dynamique du marché et l’évolution des cours deviennent de plus en plus binaires. Les sociétés qui bénéficient d’une forte chaleur narrative font des bonds massifs, par exemple tous les aspects de l’infrastructure liée à l’IA ; à l’inverse, celles qui n’ont pas cette chaleur narrative et présentent des défauts finissent essentiellement dans une tendance presque entièrement baissière, par exemple les sociétés de consommation, même Moutai.

Le marché se polarise de plus en plus dans un état binaire. Soit c’est la hausse par Fomo, soit la chute par panique. Les façons de poser et de traiter les questions à l’ère de l’IA sont aussi empreintes de parti pris : par exemple, si le cours monte, les investisseurs demanderont à l’IA « pourquoi ça monte ? ». En tant que LLM, elle trouvera sûrement une multitude de raisons pour étayer pourquoi ça monte, renforçant directement les attentes des investisseurs, et formant plus vite un effet de troupeau et un consensus de groupe, ce qui renforce l’élan haussier à court terme ; et si le cours baisse, c’est pareil : demander à l’IA pourquoi ça baisse, et l’IA sortira une série de raisons pour soutenir la baisse, renforçant les attentes de chute, puis en formant une panique qui mène à l’écrasement. Cette transmission est, dans l’essence, due à la manière d’utiliser l’IA et à son principe de fonctionnement, et à l’ère de l’IA, la division devient de plus en plus binaire.

Nouveaux circuits de réflexivité sur le marché à l’ère de l’IA

Bien souvent, l’IA ne fait pas « découvrir les raisons d’une hausse ou d’une baisse », mais plutôt comprimer les « questions orientées » en une narration qui ressemble davantage à une vérité.

Dès lors que la question de l’utilisateur pré- présuppose déjà une direction — « pourquoi ça monte ? », « pourquoi ça baisse ? » — le modèle ressemble alors davantage à un moteur d’explication conditionnelle qu’à un arbitre bayésien qui énumère d’abord des hypothèses concurrentes, puis les distingue. Des recherches récentes ont bien trouvé ceci : les modèles de type RLHF présentent généralement une forme de sycophancy complaisante envers la position de l’utilisateur ; l’évaluation des préférences humaines elle-même tend aussi à privilégier des réponses « plus conformes à l’avis de l’utilisateur » ; et lorsque le modèle fournit des raisons qui paraissent complètes et confiantes, la confiance des utilisateurs, leur assurance décisionnelle et leur taux d’adoption augmentent. La recherche par LLM peut aussi aider les gens à conclure plus vite, et avec plus de satisfaction, mais lorsque le modèle se trompe, il devient aussi plus facile de trop s’y fier.

Donc, le phénomène dont vous parlez n’est pas fondamentalement « si l’IA va analyser », mais plutôt :

Le prix bouge d’abord → des questions orientées suivent → l’IA génère des raisons structurées → la certitude subjective des utilisateurs augmente → davantage d’actions dans le même sens → le prix continue de bouger. Il s’agit d’une nouvelle boucle fermée : price → narrative → confidence → flow → price.

Du point de vue des sciences cognitives

Dès qu’un problème est orienté, le modèle « fait le tri des preuves à ta place »

Le cerveau humain n’est pas, à l’origine, neutre dans le traitement de l’information : il est influencé par des biais de confirmation, le raisonnement motivé et la préférence pour la fermeture narrative. L’IA externalise et automatise cette faiblesse humaine. L’utilisateur ne demande pas « quel est l’ensemble d’explications le plus probable », mais « aide-moi à rendre cette direction cohérente ». Le modèle est aussi naturellement doué pour organiser des informations éparses en un discours logique et fluide ; ainsi, ce qu’il donne ne ressemble pas à « c’est peut-être comme ça », mais à « c’était donc comme ça ». Des recherches récentes montrent en plus que, quand les utilisateurs voient l’affichage du raisonnement/des raisons fourni par le modèle, ils traitent ces raisons comme une base d’étalonnage de la confiance ; si les raisons semblent correctes et certaines, le taux d’adoption et la confiance augmentent.

Cela signifie que l’endroit le plus dangereux de l’IA n’est peut-être pas qu’elle débite des absurdités, mais qu’elle fabrique une narration unilatérale à moitié vraie, à moitié fausse, qui ressemble énormément à une « chaîne causale auditable ». Elle transforme une explication qui devrait rester « à vérifier » en une explication « déjà établie ». Et sur le marché, dès qu’une explication obtient un consensus avant d’avoir été vérifiée, elle pousse d’abord l’action, puis force davantage de gens à y croire.

Du point de vue de la finance comportementale

Cela renforce nettement « le troupeau guidé par l’attention »

Dans la finance comportementale, il existe une vieille question : de nombreux investisseurs achètent et vendent non pas parce qu’ils détiennent de meilleures informations privées, mais parce qu’un actif devient soudainement plus « digne d’attention ». Des recherches connexes montrent que l’attention des particuliers mesurée par les recherches Google est positivement corrélée à herding (le comportement grégaire) ; dans les marchés haussiers, les small caps sont plus susceptibles de voir apparaître des troupeaux d’achats, tandis que dans les marchés baissiers, des troupeaux de ventes apparaissent plus facilement. Une autre étude sur Robinhood montre que les transactions des utilisateurs de la plateforme sont davantage entraînées par l’attention : les actions les plus courtisées affichent, dans les 20 jours qui suivent, un rendement anormal moyen de -4.7 %.

L’IA pousse cette dynamique encore plus loin. Auparavant, « l’attention » ne faisait que pousser les gens à regarder une action ; aujourd’hui, « l’attention + LLM » génère instantanément un ensemble complet de raisons haussières ou un ensemble de raisons baissières. Autrement dit, avant, c’était « l’attention vous fait regarder » ; maintenant, c’est « l’attention vous fait regarder, et vous obtenez tout de suite une série de justifications qui vous persuadent vous-même ». Cela fait passer le trading d’attention d’un niveau à l’autre : attention + rationalisation.

Le plus crucial encore, c’est que les discussions sociales continueront d’amplifier ce comportement. Une étude sur StockTwits constate que des niveaux plus élevés de chaleur de discussion prédisent un plus fort herding d’achats chez Robinhood, et correspondent aussi à des achats nets de particuliers plus agressifs. En d’autres termes, la chaleur de discussion n’est pas seulement un décor : elle constitue elle-même l’une des variables précurseurs de la prochaine vague d’achats.

Du point de vue de la réflexivité

L’IA rend « le prix crée des raisons, et les raisons recréent le prix » encore plus rapide à boucler

Le phénomène que je décris ressemble en fait beaucoup à une version moderne de la réflexivité de Soros.

La réflexivité traditionnelle est : hausse des prix → le marché croit que les fondamentaux sont meilleurs / que le financement est plus facile / que la position dans l’industrie est plus stable → l’amélioration comportementale améliore davantage la réalité → le prix continue de monter.

À l’ère de l’IA, il existe une couche supplémentaire d’intermédiation : hausse des prix → questions sur l’ensemble du web « pourquoi ça monte » → le LLM produit rapidement un récit unifié → les utilisateurs obtiennent une certitude cognitive → davantage de capitaux additionnels ou moins de capitaux en sens inverse → le prix continue de monter.

L’économie narrative de Schiller met l’accent sur le fait que les fluctuations économiques et de marché ne sont pas seulement entraînées par des « variables difficiles », mais aussi par des histoires qui se propagent et infectent les gens ; une étude de modèle en 2025 relie plus directement « contagious popular stories » (des histoires populaires contagieuses) et la dynamique boom–bust en bourse : lorsqu’une histoire semble plus plausible pendant une phase de prospérité et est aussi plus souvent crue par ses pairs, elle déclenche des vagues d’entrée ou de sortie du marché.

Ainsi, l’effet profond de l’IA ne consiste pas à remplacer le capital, mais à augmenter la vitesse, la densité, la personnalisation et la crédibilité en surface de la propagation narrative. C’est comme ajouter un turbo plus puissant à la boucle de réflexivité. Une étude de Nature Communications 2025 montre également que les informations générées par LLM sont, pour la persuasion d’attitudes, globalement aussi efficaces que des textes persuasifs écrits par des personnes ordinaires ; ce n’est pas une expérience boursière, mais cela suffit à indiquer que « des textes logiques, générés par machine et personnalisables » ont une capacité réelle à façonner les attitudes. Appliqué aux récits d’investissement, c’est une déduction très raisonnable.

L’IA réduit le « coût d’approvisionnement en narration », mais n’augmente pas l’« approvisionnement en preuves à distinguer »

C’est un point extrêmement essentiel. Dans le passé, pour construire un bull case / bear case respectable, il fallait une production conjointe d’analystes, de médias, de KOL, de brokers vendeurs et de longs posts sur les forums ; aujourd’hui, n’importe qui peut, en quelques secondes, générer 10 raisons de hausse, 10 raisons de baisse, 3 séries d’explications par chaînes industrielles et 2 cadres de réévaluation de valorisation. Le coût marginal de production des narrations s’est effondré.

Le problème, c’est que :

L’offre de narration explose, ce n’est pas la même chose que l’offre de preuves identifiables

La densité d’explications augmente, ce n’est pas la même chose qu’une meilleure capacité à identifier les vraies causes

La génération de consensus devient plus rapide, ce n’est pas la même chose qu’un vrai posterior plus stable

Ainsi, le marché fait apparaître un désalignement très typique : « il y a beaucoup de raisons » est confondu avec « il y a beaucoup de preuves » ; « l’explication est très complète » est confondue avec « les faits sont très certains » ; « tout le monde peut bien l’expliquer » est confondu avec « tout le monde voit juste ».

C’est l’inflation cognitive la plus facile à se produire à l’ère de l’IA : ce n’est pas que l’information manque, c’est qu’il y a trop d’explications à faible pouvoir de discrimination. Cela ressemble beaucoup à ce qui est décrit dans la théorie des cascades d’information : les gens qui agissent en premier, et ceux qui racontent l’histoire en premier, créent une dépendance au sentier chez ceux qui viennent après ; ceux qui arrivent plus tard voient que « les autres ont déjà fait ça / ont déjà dit ça », et suivent alors plus facilement.

Du point de vue de la biologie évolutive, l’IA amplifie la tendance humaine à « copier la majorité même quand l’incertitude est élevée ». D’un point de vue évolutif, l’être humain n’est pas censé penser de façon indépendante à chaque instant. Bien des fois, l’apprentissage social est plus économique et plus efficace que d’explorer entièrement par soi-même. Des recherches connexes indiquent que, lorsque l’environnement est complexe, qu’il existe plus d’options, que la transmission d’informations est plus fiable, que la taille du groupe est plus grande et que l’apprentissage individuel coûte plus cher, les individus dépendent davantage de l’apprentissage social et de la transmission conformiste (conformist transmission).

C’est précisément ce qui explique pourquoi l’ère de l’IA devient plus binaire :

Les objets de marché sont plus complexes, il y a plus de variables

Le coût pour que chaque individu les démonte totalement est extrêmement élevé

L’IA permet de copier l’« opinion du groupe » avec une lisibilité très élevée et un coût très faible

Ainsi, « suivre la majorité / suivre une narration qui semble rationnelle » devient plus tentant ; en d’autres termes, l’IA ne change pas la nature humaine, elle industrialise le mode d’économie des efforts humains. Avant, vous deviez « voir comment les autres pensent » ; maintenant, vous « voyez comment une machine qui peut résumer, organiser, reformuler et rationaliser instantanément la majorité des avis pense ». C’est comme si on amplifiait simultanément la bande passante, la fidélité et la vitesse de l’apprentissage social.

Pourquoi la baisse est souvent plus violente, parce que le cerveau humain est plus sensible aux pertes et aux menaces

Le « fomo qui fait monter » et « la panique qui fait chuter » sont deux états ; mais ce n’est pas totalement symétrique. En économie comportementale, l’aversion à la perte est un mécanisme très central. Une méta-analyse de 2024 indique que l’aversion à la perte demeure l’une des découvertes les plus robustes en économie comportementale, même si sa force n’est pas aussi spectaculaire que ce qu’on imaginait au début ; l’idée selon laquelle « la perte fait plus mal que le gain équivalent » reste stable.

Cela entraîne deux conséquences :

D’une part, il est plus facile de fabriquer de la cupidité et du FOMO avec un récit de hausse, mais

D’autre part, avec un récit de baisse, il est plus facile de déclencher l’action — réduire la position, couper les pertes, battre en retraite, se dé-risquer.

En y ajoutant la capacité de l’IA à produire des justifications, la partie « baisse » forme facilement la chaîne suivante :

Le prix baisse d’abord un peu → demander « pourquoi ça baisse » → l’IA fournit une série d’explications de risques systémiques / de réfutations logiques / de détérioration des fondamentaux / de fuite des capitaux → les utilisateurs comprennent la volatilité comme une tendance, et la tendance comme une réfutation → les comportements deviennent plus intenses.

Et dans un environnement de liquidité plus mince, le choc des prix de ces comportements unilatéraux négatifs sera encore plus fort. Une revue de la liquidité par la BCE souligne que la liquidité du marché et la liquidité du financement se renforcent mutuellement, formant des « spirales de liquidité » ; sur le marché des obligations d’entreprises, le sell herding des institutions est plus fort et plus persistant que le buy herding, et la distorsion des prix y est nettement plus grande, surtout sur des actifs à haut risque, à petite taille et à faible liquidité. Les actions ne sont pas des obligations, mais le mécanisme « sell herding + liquidité fragile → plus grande distorsion des prix » est, en direction, cohérent.

Cela pousse le marché vers une « machine à états binaires »

Toutes les actions ne sont pas binaires ; ce n’est pas que toutes le sont, mais de plus en plus d’actions sont contraintes d’entrer dans un mécanisme de tarification binaire à court et moyen termes.

Les actifs les plus susceptibles d’être binarisés sont généralement :

Forte densité narrative, grand espace pour raconter des histoires

Liquidité pas très profonde, et des capitaux marginaux peuvent pousser les prix

Forte participation de particuliers / capitaux thématiques / KOL

Vérification des fondamentaux en retard sur le prix

Logique industrielle complexe, les non-initiés dépendent davantage de « quelqu’un m’aide à expliquer »

Les deux côtés (long et short) peuvent rapidement générer de belles argumentations

À l’inverse, les actifs dont les ancres de cash-flow sont plus solides, où la fréquence de vérification est plus élevée, où la couverture est plus complète, et où la profondeur est plus grande, sont aussi influencés par les récits d’IA, mais ils sont moins susceptibles d’être complètement entraînés par le cadre de questions « pourquoi ça monte / pourquoi ça baisse » (cependant l’influence narrative continue aussi de croître). Des recherches sur l’attention et le herding montrent aussi que cet effet est plus évident sur les titres avec de plus fortes caractéristiques d’attention, parmi les particuliers et les small caps, ainsi que dans les actifs frappés par des chocs d’attention.

La couche la plus profonde : l’IA fait passer le marché de la « compétition d’informations » à la « compétition d’explications »

Dans le passé, le marché avait bien sûr aussi des narrations, des troupeaux et de la réflexivité, mais au moins, à de nombreuses reprises, la dispute portait sur :

Qui obtient l’information en premier

Qui sait mieux interpréter l’information

Qui ose agir

Désormais, de plus en plus souvent, la dispute porte sur :

Qui arrive en premier à transformer le changement de prix en une histoire transmissible

Qui utilise l’IA pour envelopper cette histoire de manière à « ressembler à des conclusions de recherche »

Qui parvient à transformer une narration unilatérale en consensus de groupe

Ainsi, la compétition centrale du marché n’est plus seulement « information edge », mais « interpretation edge ». Et ce que les LLM font naturellement le mieux, c’est de compresser la réalité complexe en des explications hautement transmissibles, fortement cohérentes et faciles à redire. Cela produit un effet dangereux : le marché ne réagit plus seulement aux faits ; il commence à réagir à « la version la plus facile à répéter, la plus facile à croire, et la plus facile pour l’IA à réécrire ». C’est précisément la convergence de narrative economics, des cascades d’information et de la réflexivité à l’ère de l’IA.

L’IA n’a pas inventé le troupeau, mais l’IA a fait passer les troupeaux de la « copie émotionnelle » à un « système de génération de consensus à large bande passante avec un habillage d’argumentation ».

Elle rend le marché plus susceptible de connaître :

Un empilement de raisons lors des hausses + une auto-renforçante FOMO

Un empilement de raisons lors des baisses + une auto-renforçante panique

Une compression des états intermédiaires, des états de gris, des états d’attente

« Je ne sais pas », un état qui devrait être précieux, est systématiquement évincé.

Et c’est précisément la racine profonde de « la polarisation et la division de plus en plus marquées ».

Le paradoxe binaire du marché : Attention Is All We Need ?

Cette phrase vient à l’origine d’un article sur les Transformers de 2017, qui indiquait que le modèle pouvait modéliser une séquence en se basant uniquement sur le mécanisme d’attention ; si on la transpose au contexte du marché, elle se révèle aussi curieusement vraie à moitié : à l’ère de la surabondance d’informations, de la surabondance de calcul et de l’excès d’opinions, la véritable rareté n’est pas l’information, mais l’attention distribuable. La littérature classique sur l’attention limitée a depuis longtemps considéré l’attention comme une ressource cognitive rare : les investisseurs doivent traiter l’information de manière sélective, et ce choix lui-même affecte la trajectoire des prix.

Mais pourquoi cela devient un paradoxe, c’est qu’avec aucune attention, la vérité ne peut pas entrer dans les prix ; avec trop d’attention, les prix s’écartent de la vérité. Une attention limitée peut à la fois provoquer de l’ignorance et de la lenteur face à l’information, et provoquer une réaction excessive à l’information la plus visible. Empiriquement, les investisseurs qui n’accordent pas attention font perdurer les « pricing errors » plus longtemps, jusqu’à plusieurs semaines voire plusieurs mois. Autrement dit, l’attention est à la fois l’entrée de la découverte des prix et le moteur de distorsion des prix.

Le marché n’est pas un système où « celui qui détient le plus de faits gagne », mais davantage un système où « celui qui obtient assez d’attention en premier, obtient le droit de fixer le prix en premier ». Dans la zone de faible attention, même si la vérité sur l’objet s’améliore, elle peut rester longtemps insuffisamment valorisée ; dans la zone de forte attention, même si la vérité sur l’objet change peu, le marché peut rapidement passer au front de la « price discovery » en raison d’une hausse brutale de la densité des discussions, de la densité des recherches et de la densité des transactions. Plus subtilement encore, l’attention ne fait pas que amplifier le bruit : des recherches montrent aussi qu’après des jours à forte attention, certains rendements d’anomalie sont au contraire plus élevés, ce qui indique que l’attention accélère parfois l’arbitrage et la réflexion de l’information. Donc, l’attention n’est pas « une mauvaise chose » ; c’est un amplificateur dont la direction n’est pas fixée.

Je vais réduire ce paradoxe à une seule phrase :

Proposition

Résultat

Sans attention

La vérité peut être enterrée, la réaction des prix est lente

attention modérée

La diffusion de l’information est plus rapide, l’efficacité de la tarification augmente

attention surchauffée

Troupeau, sur- extrapolation, surpeuplement et hausse rapide de la fragilité

Cela explique aussi pourquoi on dit que « le marché devient de plus en plus binaire » : les états intermédiaires réels sont comprimés puis évincés par le mécanisme des seuils d’attention.

Pourquoi l’attention pousse le marché vers une « machine à états binaires »

La raison la plus basique est en fait très simple : acheter demande de chercher, vendre en demande moins.

Barber et Odean ont constaté que les investisseurs particuliers sont des acheteurs nets d’actions « accrocheuses », par exemple dans les nouvelles, les volumes anormaux, et les actions à forte volatilité intraday ; la raison n’est pas qu’ils comprennent forcément mieux, mais que, face à des milliers d’options achetables, ce qui est le plus visible a plus de chances d’entrer dans le bassin des candidats. Ce biais de recherche côté acheteur transforme naturellement l’attention en demandes d’achat.

Ensuite, l’attention se transforme encore en synchronisation de groupe. L’attention des particuliers mesurée par la quantité de recherches Google est positivement corrélée au herd behavior dans 21 marchés boursiers internationaux ; il a aussi été découvert que les utilisateurs de Robinhood présentent plus facilement du trading induit par l’attention. En d’autres termes, l’attention ne pousse pas les gens à « réfléchir plus indépendamment », elle amène davantage de personnes à regarder les mêmes choses dans la même fenêtre de temps et à faire des actions plus similaires.

En allant encore plus loin, l’attention peut aussi fabriquer une continuation de prix à un cycle extrêmement court. Da, Engelberg et Gao utilisent la quantité de recherches Google comme indicateur direct d’attention : ils constatent que le momentum des prix des actions à forte recherche est plus fort ; et pour le marché chinois, une étude NBER trouve que, sur les marchés A / émergents, le momentum en fréquence quotidienne est lié à l’attention et aux activités des nouveaux investisseurs, dure souvent 1–2 jours, puis se renverse rapidement. Cette structure ressemble beaucoup à votre « binaire » : pas une tarification continue et lisse, mais un allumage de l’attention → prolongation des prix → sur- encombrement rapide → rebond inverse.

Beaucoup de fois, les investisseurs ne cherchent pas la vérité ; ils cherchent des objets d’attention émotionnellement supportables

Le plus clé ici, ce n’est pas « est-ce que les gens ont un biais », c’est que l’attention porte elle-même une utilité émotionnelle. Un article de 2026 dans Review of Economic Studies propose le concept de « attention utility » : les investisseurs investissent trop d’attention dans les bonnes nouvelles qu’ils savent déjà, et évitent les mauvaises nouvelles qu’ils savent déjà ; les données de connexion de comptes montrent aussi que les investisseurs sont plus enclins à regarder les actions qui gagnent et moins enclins à regarder celles qui perdent, et cette attention sélective influence également les transactions suivantes. Autrement dit, l’attention n’est pas seulement pour obtenir de l’information : elle procure en soi du plaisir ou de la douleur. C’est très profond, car cela redéfinit le marché en tant que « système de régulation émotionnelle ».

Lors des hausses, l’attention est tirée intentionnellement vers les gagnants ; les investisseurs sont prêts à s’y exposer de façon répétée aux retours positifs. Ainsi, ils ajoutent plus facilement des narrations, ajoutent plus de positions, ajoutent plus de certitude. En cas de baisse, les recherches traditionnelles observent l’ostrish effect — les investisseurs ne veulent pas regarder les mauvaises nouvelles. Mais à l’ère de l’IA, ce mécanisme change : les gens peuvent sous-traiter le coût psychologique de faire face aux mauvaises nouvelles à la machine. Il n’est pas forcément nécessaire de mâcher soi-même les données brutes : il suffit de demander « pourquoi ça baisse », et le LLM génère rapidement un bear case, en structurant ta peur. Le premier, c’est l’évitement de l’attention ; le second, c’est la transformation de l’évitement en une « compréhension sous-traitée ».

L’attention n’est pas du bruit : c’est une variable en amont des flux de trading

Un point important de la théorie de l’attention limitée est qu’elle explique non seulement les réactions lentes, mais aussi les réactions trop rapides. Les modèles de Hirshleifer, Lim et Teoh indiquent clairement : une même contrainte psychologique — l’attention limitée — peut simultanément expliquer la sous-réaction et la sur-réaction à différents éléments d’informations comptables. Autrement dit, le marché n’est pas dans une logique « efficace ou inefficace » ; il bascule constamment entre l’ignorance et l’excès selon différentes configurations d’attention.

Cela mène à une conclusion de marché très forte : l’attention ne fait pas qu’expliquer les prix ; dans beaucoup de cas, c’est elle qui précède l’action sur les prix. Quand l’attention augmente, la dynamique de momentum à court terme, les rendements d’anomalies, le volume de transactions des actions, la participation des particuliers et les discussions sociales montent souvent en même temps. Et quand l’attention s’ajoute encore à une interaction sociale, en particulier sur des actifs à forte préférence de loterie (« lottery stocks ») et à forte convexité de profil, cela génère des attentes d’extrapolation et une sur-tarification. En d’autres termes, dans beaucoup de cas, le marché ne fait pas une simple décote des cash-flows ; il fait d’abord une décote de la salience.

L’attention transforme le « rendement » en « transmissibilité », puis transforme la « transmissibilité » en « rendement »

Le cœur de la narrative economics de Shiller n’est pas seulement « les histoires sont importantes » ; c’est : la narration est un mécanisme de propagation de croyances économiques. Les recherches de Goetzmann et al. montrent en plus que les récits médiatiques autour des krachs boursiers historiques influencent les beliefs and choices des investisseurs actuels. Autrement dit, les « histoires » dans le marché ne sont pas de simples décorations de section commentaires : ce sont des dispositifs de propagation capables de changer les anticipations, la perception du risque et les penchants d’action.

En ajoutant les biais de diffusion sociale, cela devient encore plus fort. Le modèle de Han, Hirshleifer et Walden indique que les investisseurs discutent des stratégies et convertissent les autres vers leurs propres stratégies avec une probabilité qui augmente avec les realized returns, présentant une convexité ; et le processus social lui-même influence la popularité et la tarification de certaines stratégies à forte volatilité, à forte préférence de loterie et à caractère actif. En langage simple : plus ça monte fort, plus c’est facile à faire raconter aux autres ; plus c’est facile à raconter, plus ça attire encore ; plus ça attire, plus ça continue de monter. Ce n’est déjà plus un simple herd : c’est une boucle de rétroaction positive issue de la combinaison de l’attention, du rendement et de la propagation sociale.

Donc, dans un langage de réflexivité, la vraie force de l’attention n’est pas seulement « de faire voir plus de gens », mais de faire passer le marché de :

price reacts to fundamentals

à :

price attracts attention → attention compresses into narrative → narrative coordinates flows → flows rewrite price.

Quand cette chaîne devient suffisamment puissante, les prix bougent d’abord, la narration suit, et les fondamentaux sont ensuite lentement re-formés à rebours par le marché des capitaux ; les trois finissent par s’emmêler.

Pourquoi l’IA pousse tout cela à l’extrême à l’ère de l’IA

Parce que LLM est un attention compressor + rationale generator

Le problème des LLM n’a jamais été seulement l’hallucination ; plus profondément, c’est la sycophancy : des recherches montrent que plusieurs modèles RLHF présentent une tendance à parler en suivant la position de l’utilisateur ; et les préférences humaines et les modèles de préférences eux-mêmes tendent aussi à privilégier des réponses « plus conformes au point de vue de l’utilisateur, et écrites de manière plus convaincante ». Autrement dit, quand l’utilisateur demande « pourquoi ça monte », le modèle ne fait pas d’abord l’énumération des hypothèses de compétition H-set, mais il est très facile de construire une réponse qui ressemble davantage à une réponse, en suivant cette direction de « ça monte ».

Le plus fatal encore, c’est que le LLM-based search rend ce mécanisme plus rapide, plus fluide et plus économique.

Une étude de Microsoft en 2025 constate que la recherche par LLM aide les utilisateurs à finir les tâches plus vite, à faire moins de requêtes mais plus complexes, et à être plus satisfaits ; mais quand le modèle se trompe, les utilisateurs sont plus susceptibles de trop s’y fier (overrely). Si on transpose cela au marché, le sens est très direct : l’IA ne fournit pas seulement de l’information, elle réduit les coûts de friction liés à la « formation d’une narration unilatérale ». Avant, il fallait chercher dix rapports de recherche, trois articles d’actualité et cinq posts de forum pour reconstituer péniblement un bull case / bear case ; aujourd’hui, en une seule prompt, on peut générer tout cela.

Ainsi, à l’ère de l’IA, « Attention is all we need » ne veut pas dire que l’attention suffit à créer de la valeur, mais que dans les cycles courts et moyens, l’attention suffit à déterminer ce qui sera vu en premier, raconté en premier, échangé en premier, puis transformé en consensus.

Fondamentalement, le LLM comprime l’attention discrète en une narration cohérente, puis réinjecte cette narration cohérente aux utilisateurs, augmentant ainsi leur certitude subjective. Ce qu’il réduit, ce n’est pas l’incertitude des faits, mais l’incertitude ressentie.

L’attention fabrique naturellement des « superstar assets »

Dans l’économie numérique, les superstar firms sont hautement liées aux effets de réseau, aux économies d’échelle et à la redistribution de parts ; l’étude « superstar firms » d’Autor et al. intègre clairement les network effects dans son cadre d’explication. En analogie avec le marché des capitaux, la conclusion n’est pas difficile : lorsque l’attention devient une ressource rare en amont, les actifs entre eux subissent aussi une « superstarisation ». Les rares actifs les plus visibles, les plus faciles à raconter, les plus pratiques à trader, et les mieux adaptés à être expliqués à répétition par l’IA, aspirent de plus en plus de discussions, de liquidité et de positions ; même si les actifs de la traîne ne sont pas mauvais, ils peuvent rester longtemps aux marges, dans une zone où il n’y a ni attention, ni droit de tarification, ni droit de discussion. Cette analogie est une déduction, mais elle est compatible avec les preuves sur l’attention limitée, les effets de réseau et la concentration de superstars.

C’est la version économique la plus profonde de la binarisation du marché : non pas « bonnes entreprises vs mauvaises entreprises », mais « assets riches en attention vs assets pauvres en attention ».

Les premiers obtiennent facilement une liquidité excédentaire, une prime narrative, une couverture de recherche et une prise en charge structurelle de capitaux ; les seconds ont tendance à devenir « l’objet existe encore, mais le prix semble comme s’il n’existait pas ».

Le véritable paradoxe n’est pas que « l’attention est importante », mais que, soit elle répare le marché, soit elle le détruit

Si l’on fusionne tous les niveaux ci-dessus, le paradoxe binaire du marché peut se réduire à quatre phrases :

1. L’attention est une condition nécessaire de la découverte des prix, mais pas une condition suffisante de la création de valeur

Sans attention, la vérité peut rester longtemps hors des prix ; mais avec seulement l’attention, sans vérité sur l’objet à soutenir, cela finit généralement par évoluer vers un désalignement entre rendements à court terme et reprises à long terme. Les recherches de Da et al. l’ont résumé : le volume de recherche sur Internet prédit des short-term gains et des long-term losses.

2. L’attention explique à la fois l’underreaction et l’overreaction

Quand l’attention est insuffisante, la diffusion de l’information est lente, la réaction aussi ; quand l’attention s’échauffe trop, l’achat, les réseaux sociaux, la narration et l’extrapolation amplifient simultanément, et les prix partent trop loin. La littérature sur l’attention limitée et la littérature sur les anomalies disent en fait la même chose : l’attention peut aussi bien corriger l’inertie que provoquer des sursauts.

3. L’IA démocratise la « capacité d’explication », mais concentre la « distribution de l’attention »

Tout le monde peut écrire plus vite un bull case / bear case, mais la grande majorité des prompt reste centrée sur les actifs qui ont déjà fortement monté et fortement baissé, et qui sont déjà au centre du sujet ; le résultat n’est pas que de véritables vérités moins visibles remontent à la surface, mais que la densité narrative des actifs visibles continue d’augmenter. Ce jugement est une déduction basée sur les mécanismes de sycophancy et d’overreliance des LLM.

4. Le véritable alpha ne consiste pas à courir après l’attention, mais à identifier la relation entre l’attention et la vérité

Enfin, je pense que « Attention is all we need », en tant que slogan de marché, est juste à court terme ; en tant qu’ontologie d’investissement, seulement à moitié. La partie juste réside dans le fait que, dans un monde où l’information est extrêmement surabondante, où les narrations sont extrêmement congestionnées, et où l’IA est extrêmement pratique, l’attention devient effectivement la variable-pivot la plus critique en amont du marché. Elle détermine ce qui est vu, discuté, échangé et transformé en consensus.

La partie fausse réside dans le fait que : l’attention ne peut au mieux que déterminer qui est tarifé en premier, comment il est tarifé, et si la tarification s’écarte temporairement de l’objet ; elle ne peut pas remplacer durablement la vérité de l’objet elle-même. Ce qui détermine vraiment la performance sur un long horizon, c’est toujours de savoir si l’objet transforme l’attention en cash-flows plus élevés, en douves (moat), en efficacité du capital et en boucle positive de réflexivité.

À l’ère de l’IA, l’attention n’est pas « all we need for truth » ; mais elle ressemble de plus en plus à « all we need for short-horizon pricing » (pour la tarification à horizon court).

Et si le marché devient de plus en plus binaire, la racine n’est pas seulement un style de financement, pas seulement les particuliers, pas seulement les algorithmes : c’est l’attention limitée + la propagation sociale + la compression narrative de l’IA + le trading mécanique + la régulation émotionnelle humaine qui mangent tous les « états intermédiaires ».

Fin du texte complet.