Comment nous mesurons la concentration

Pour chaque institution suivie, nous documentons ses relations publiques avec les fournisseurs de modèles fondation (OpenAI, Anthropic, Google, Microsoft, autres), puis regroupons ces relations par famille de modèle plutôt que par nom commercial du fournisseur.

La raison : Microsoft revend et héberge très souvent des modèles OpenAI via Azure OpenAI Service. Compter « Microsoft » comme un fournisseur distinct d'« OpenAI » sous-estimerait la concentration réelle. Chaque ligne de l'explorateur de données précise donc si le fournisseur cité héberge simplement un modèle d'une autre famille.

Nous soumettons les mêmes scénarios de décision à risque financier (crédit, trading, souscription, fraude, contrepartie), plusieurs fois chacun, à plusieurs modèles fondation via leurs API officielles. Nous comparons ensuite le taux d'accord unanime observé entre modèles au taux attendu sous l'hypothèse d'indépendance statistique.

La logique reprend celle de l'étude de Stanford sur le rejet systémique dans le recrutement algorithmique (Bommasani et al., ACM FAccT '26) : un écart entre l'accord observé et l'accord attendu par hasard est le signal quantitatif de monoculture cognitive. Le détail par scénario est sur la page Test de corrélation.

Chaque relation fournisseur documentée est classée selon la qualité de sa source :

• ConfirméSource primaire — annonce officielle du fournisseur ou de l'institution, étude de cas publiée, déclaration publique d'un dirigeant, ou document réglementaire.
• ProbableSource secondaire fiable — presse spécialisée citant des sources internes, une offre d'emploi nommant explicitement l'outil.
• Non vérifiéMention trouvée mais non corroborée par une seconde source — exclue des statistiques agrégées jusqu'à confirmation.

Avant qu'un résultat n'obtienne un niveau de confiance, il doit franchir une barre plus basse : s'agit-il seulement d'une relation fournisseur ? Trois cas sont exclus d'office, quelle que soit la qualité de la source : une institution qui se contente d'investir dans un laboratoire de modèles (exposition en capital, pas usage) ; une étude de cas officielle sur l'infrastructure cloud qui ne nomme jamais de produit IA précis ; et un langage exploratoire ou non engageant (« explorer », « envisager ») plutôt qu'un produit déployé, un partenariat signé, ou une déclaration d'un dirigeant sur quelque chose qui tourne déjà.

Une institution citant plusieurs fournisseurs (Raymond James Financial, par exemple, confirmée sur trois familles distinctes) n'est pas nécessairement protégée : l'indice mesure la concentration au niveau sectoriel, pas seulement au niveau de l'institution individuelle. Le chiffre qui compte n'est pas « combien de fournisseurs une banque utilise-t-elle », mais « combien de familles de modèles distinctes existent dans l'ensemble de l'échantillon, et quelle part des institutions dépend d'au moins l'une des deux ou trois principales ».

L'indice ne mesure pas non plus la qualité, la sécurité ou la performance d'un modèle — uniquement la concentration de la dépendance.

Uniquement des sources publiques et légales : communiqués de presse, pages « clients » des fournisseurs (OpenAI, Anthropic, Google Cloud, Microsoft, Mistral AI), presse spécialisée (American Banker, Fortune, Bank Info Security, CB Insights…), documents réglementaires (10-K, 10-Q sur SEC EDGAR), offres d'emploi publiques, déclarations publiques de dirigeants. Aucune donnée interne, aucun scraping de systèmes privés, aucune information obtenue via un tiers non autorisé. Voir la bibliographie complète sur Sources.

Échantillon pilote. Ce pilote grandit à chaque passage de recherche — voir le nombre d'institutions actuel sur la page données — mais reste un échantillon sourcé constitué par des recherches ciblées, pas un recensement exhaustif des relations fournisseurs IA de chaque institution dans le monde. Le test de corrélation empirique, séparément, porte actuellement sur dix scénarios de décision : un pilote méthodologique, pas une preuve statistique définitive. Il faudra plusieurs dizaines de scénarios par domaine pour un résultat rigoureusement publiable.

Modèles bruts, pas des systèmes réels. Le test de corrélation interroge les modèles fondation via API publique, pas les systèmes de production réels des banques — qui ajoutent souvent du fine-tuning, du RAG sur leurs propres données, et des garde-fous supplémentaires. Le résultat est une estimation basse de la corrélation réelle : les systèmes de production pourraient converger encore plus, ou un peu moins selon les garde-fous ajoutés.

Les modèles changent. Chaque résultat documente la date et le nom exact du modèle testé — un résultat de 2026 n'aura aucune valeur de comparaison tel quel une fois les modèles mis à jour.

À mesure que l'échantillon grandit : pondérer par la taille de l'institution (actifs totaux) pour que l'indice reflète la part de l'économie réelle exposée, pas seulement le nombre de logos ; envisager un sous-score par ligne d'activité (paiements, crédit, trading, conformité) plutôt qu'un score unique par institution, certaines dépendances étant plus critiques que d'autres.