Large Language Models: une bulle dans la mousse

jma@mbuf.net (jma) — Tue, 01 Sep 2026 00:00:00 Z

## Large Language Models: une bulle dans la mousse

# Pouss’ mousse, on pousse et ça mousse, c’est bien plus malin pour se laver les mains

*Essai d’analyse comparée — l’analogie porte sur les mécanismes de surconsommation

# Préambule: une analogie assumée, cadrée, asymétrique

Avant de me couvrir reproches d’absence de critique sur les externalités négatives des LLM, je fixe un cadre pour comparer, je ne fais pas la promotion d’usage des LLM. J’apporte ici un éclairage sur un angle de lecture particulier. Le savon a sauvé des millions de vies; les LLM non — et l’article ne le prétendra jamais.

Pour éviter toute glissade rhétorique, fixons la table de correspondance une fois pour toutes: au tensioactif répond le modèle, à la concentration micellaire critique la borne d’utilité de la tâche, à la mousse les marqueurs perceptifs de l’interaction, à l’ajout commercial de moussants l’intégration omniprésente des assistants.

Le savon reste à gauche, les LLM à droite. Ce que l’isomorphisme autorise, c’est de poser une question commune aux deux parties: où passe la ligne entre la dose qui sert et celle qui plaît?

Le cheminement s’étend sur trois niveaux: une équation mesurable, une physique émergente, une perception sans mesure.

# Niveau 1 — La chimie du juste dosage: la saponification

La saponification (hydrolyse basique des triglycérides en sels d’acides gras + glycérol) se décrit en une équation propre, stoechiométrique:

(RCOO)₃C₃H₅ + 3 NaOH → C₃H₅(OH)₃ (glycérol) + 3 RCOO⁻ Na⁺ (savon)

Point décisif: l’activité lavante plafonne dès la concentration micellaire critique — au-delà, chaque gramme supplémentaire ne lave pas plus. Le surdosage n’est pas une opinion, c’est une propriété de la molécule. (Cf. Moleaer, Hess)

Mais l’analogie a une torsion que la chimie ignore: dans le savon, celui qui décide du dosage paie le gramme excédentaire.

Chez les LLM, le coût marginal est souvent déplacé — facturation au token côté offre, abonnement forfaitaire côté usage, et dans les deux cas le geste ne « coûte » rien au moment où il se produit.

Point décisif: l’activité lavante plafonne dès la concentration micellaire critique (CMC). Sous ce seuil, chaque molecule de tensioactif réduit la tension superficielle de l’eau et améliore le décollage des salissures; au seuil, la surface est saturée — toute molécule ajoutée se met en micelles, des agrégats qui n’interagissent plus avec l’interface, et la fonction ne bouge plus (Cf. Moleaer, Hess).

La CMC reste un plafond naturel; rien de tel ne contraint l’équivalent du gramme supplémentaire, parce que la fonction utile (répondre juste) et la quantité facturée (produire des tokens) ne sont pas mesurées par la même partie.

En chimie, le surdosage se voit dans la lessiveuse; ici, il ne laisse aucune lessive à rincer.

# Niveau 2 — La mousse ne lave pas: la physique de l’interface

La mousse du savon n’est pas une réaction, elle n’a pas d’équation chimique. Trois mécanismes physiques, aucun réactif:

Le moussant ajouté (cocamidopropylbétaïne, un tensioactif amphotère portant à la fois une charge positive et une charge négative) forme des paires d’ions avec le tensioactif anionique (SLES) — pas de liaison covalente, de l’électrostatique d’interface.

Interaction électrostatique: le moussant ajouté (cocamidopropylbétaïne, amphotère) forme des paires d’ions avec le tensioactif anionique (SLES) — pas de liaison covalente, de l’électrostatique d’interface.
Thermodynamique des surfaces: alignement des molécules à l’interface air-eau, abaissement de la tension superficielle, piégeage de l’air.
Effet Gibbs-Marangoni: quand le film liquide s’amincit, les tensioactifs se redistribuent, créant un gradient de tension superficielle qui produit un contre-courant stabilisateur — mécanique des fluides interfaciale (Navier-Stokes + conditions aux limites), pas de la stoechiométrie.

Pendant ce temps, la fonction lave toujours pareil: les nettoyants industriels performants sont souvent low foam (Ross-Miles, ASTM D1173). La mousse est un artefact émergent, invisible dans toute équation chimique — et pourtant c’est elle que le consommateur prend pour la preuve du nettoyage.

L’« ajout commercial de moussants » relève du constat de marché (exemple concret: les brevets de foam boosters), pas d’une démonstration académique. (Cf. Vitasari et al. 2020, Moradpour et al. 2024)

Ce qui manque cruellement au monde des LLM, c’est l’équivalent d’un protocole Ross-Miles: un instrument qui isolerait le marqueur hédonique de la fonction. Les benchmarks existent, mais ils mesurent la fonction — raisonner, coder, traduire — et laissent hors champ ce que l’utilisateur perçoit vraiment: vitesse d’apparition du texte, effet de frappe en continu, sensation de compagnie.

On sait mesurer la hauteur de mousse d’une lessive; personne ne sait mesurer la « sensation d’intelligence », et cette absence de mesure explique pourquoi le marché arbitre sur elle par défaut.

# Niveau 3 — la théâtralisation de l’inférence

Chez les LLM, il n’y a même plus de physique — seulement de la perception. Le marqueur perceptif est la fluidité: vitesse de réponse, autocomplétion, satisfaction de voir « quelque chose » apparaître. L’intégration généralisée (éditeurs, IDE, moteurs, messageries) reproduit la logique du moussant ajouté: non pas un besoin identifié, mais un usage rendu agréable — et un signal de modernité pour l’offreur.

La mousse n’a pas d’équation: elle est une propriété émergente de l’interface, invisible dans la stoechiométrie. Le prompt magique gomme les aspects techniques. L’objet de plaisir est latéral à la fonction — et on ne dose pas correctement ce qui n’a pas d’équation.

La boucle n’est plus besoin -> usage mais usage -> envie de réutiliser.

Le détail révélateur est que le théâtre a migré dans l’infrastructure même: le streaming caractère par caractère n’accélère rien sur le fond — le modèle produit les tokens à son rythme — mais transformer l’attente en spectacle transforme un temps mort en présence.

De même, les intégrations éditoriales ne se contentent pas de proposer: elles suggèrent avant la demande, complètent avant la question, réduisant le friction jusqu’à faire du refus un effort supplémentaire.

Là où le moussant était un additif du produit, ici la mousse est une propriété du canal: impossible de la « retirer de la formule », elle est la plomberie.

## Le foam booster intégré: l’alignement sur les préférences

On pourrait croire la mousse purement cosmétique, ajoutée en fin de chaîne. Chez les LLM, elle est descendue jusque dans la formule: le dernier étage d’entraînement n’optimise pas la justesse de la réponse mais sa préférence humaine — des évaluateurs comparent deux sorties à l’aveugle et indiquent laquelle ils préfèrent.

Or ces juges, pressés par le temps, confondent volontiers exhaustivité apparente et qualité: à contenu égal, ils préfèrent la réponse la plus longue. Le modèle apprend la corrélation, et l’optimisation renforce ce que les praticiens nomment du reward hacking — la politique maximise la longueur parce que la longueur rémunère. Autrement dit, la préférence humaine agit exactement comme un cocamidopropylbétaïne: ajoutée pour plaire, elle ne change rien à la fonction, mais elle rend le produit indiscernable d’un produit qui laverait mieux. La différence avec le savon est que le formulateur savait doser son moussant; ici, le moussant est la cible d’optimisation elle-même.

## Quand la perception elle-même est déléguée: la boucle agentique

Dernier cran dans l’échelle: l’agent. Ici, plus personne ne regarde la réponse se former — plus même personne ne lit l’étape intermédiaire.

L’agent enchaine planification, appels d’outils, auto-corrections, et renvoie à l’utilisateur un produit fini; la consommation de tokens devient machine-à-machine, invisible par construction. Ce n’est plus le spectacle qui fait illusion, c’est l’absence de spectacle. Et la structure de cette consommation a une propriété révélatrice: ce sont les tokens d’entrée qui dominent la facture — l’agent relit, à chaque étape, l’intégralité de son propre historique. Le surdosage n’est plus un geste de l’utilisateur, c’est une propriété de l’architecture.

Le plus troublant est que la fonction suit, elle aussi, une courbe de type concentration micellaire: les mesures sur des tâches agents réelles montrent une précision qui culmine à une dépense intermédiaire, puis sature quand on consomme davantage.

La CMC existe bel et bien — mais personne ne la voit, parce que personne n’est là pour la voir. La boucle hédonique du niveau précédent trouvait sa limite dans la fatigue du regard; déléguer le regard à la machine, c’est supprimer le seul capteur de dose qui restait.

# Les 3 mousquetaires étaient 4 : l’inventaire avant l’échelle agrégée

Les mécanismes de surconsommation sont quatre — le quatrième ne révèle son rôle qu’à la fin. Reprenons-les:

Aramis: Le déplacement du coût marginal (niveau 1), le geste ne « coûte » rien au moment où il se produit.

Porthos: Le marqueur hédonique non mesuré (niveau 2), la « sensation d’intelligence » n’a pas de Ross-Miles; le marché arbitre sur elle par défaut.

D’Artagnan: La préférence humaine comme cible d’optimisation (niveau 3), la longueur rémunère, la mousse descendue dans la formule rend le produit indiscernable d’un produit qui laverait mieux.

Athos: La boucle agentique (niveau 3), plus de témoin du tout — le surdosage devient une propriété de l’architecture.

Ces quatre mécanismes ne font pas le même travail. Les deux premiers suppriment le capteur de dose: rien ne mesure le marqueur hédonique (Porthos), plus personne ne regarde la consommation (Athos — changement d’échelle: l’invisibilité passe du geste à l’infrastructure).

Les deux autres alimentent le moteur: le coût déplacé (Aramis) rend chaque gramme indolore, le reward hacking (D’Artagnan) le rend rentable. Capteur détruit, moteur nourri: le circuit est bouclé.

Reste à savoir ce que ce circuit produit à l’échelle agrégée. Le paradoxe de Jevons (1865, The Coal Question) part du prix: baisser le coût par unité libère la demande, et la consommation totale augmente malgré l’efficience.

Transposé aux LLM, Luccioni, Strubell & Crawford (FAccT 2025) montrent que les gains d’efficience (DeepSeek et consorts) stimulent la demande au lieu de réduire l’empreinte.

Mais la boucle hédonique des niveaux 2 et 3 ne se contente pas d’abaisser un prix — elle s’ajoute au mécanisme classique: elle fabrique de la demande là où il n’y avait pas de besoin, en convertissant le confort d’usage en habitude, puis l’habitude en attente sociale. On n’utilise plus l’assistant parce que le token est bon marché, mais parce que le collègue, l’éditeur ou l’école l’a rendu implicite. Le rebond ne se contente plus de consommer ce qui aurait été consommé autrement — il crée la catégorie d’usage elle-même.

La boucle hédonique est ainsi le moteur microéconomique du rebond macroéconomique — et dans sa variante agentique, le moteur tourne désormais sans conducteur.

Pour référence, les data centers représentaient environ 1,5 % de l’électricité mondiale en 2024 (415 TWh), avec une consommation projetée en doublement vers 2030 (IEA, Energy and AI, 2025).

# Efficience != efficacité: coût déporté du surdosage et dissymétrie temporelle

Plus efficient n’est pas plus pertinent: un modèle compressé peut perdre en qualité de raisonnement, une sortie verbeuse diluer le signal.

L’irritation cutanée du surdosage savonneux a au moins une vertu: elle survient pendant le geste, sur la personne qui l’a fait. Les coûts du surdosage numérique obéissent à une dissymétrie temporelle plus perverse — le deskilling cognitif (hypothèse active, non encore formellement démontré), la dilution attentionnelle, la maintenance de code accepté sans lecture se manifestent après coup, chez quelqu’un d’autre, ou jamais.

Un savon trop dosé se corrige au prochain achat; une atrophie d’attention ne retourne au marché sous forme de signal nulle part. C’est sans doute la différence la plus importante entre les deux objets, et paradoxalement celle qui rend l’analogie opératoire: tout ce qui échappe au retour immédiat échappe au dosage.

# Conclusion: la parcimonie comme choix, pas comme contrainte

Il existe d’ailleurs un prototype de cette transparence du côté de la chimie: les détergents professionnels low-foam ne cachent pas leur mousse, ils suppriment l’option.

Transposé, cela donnerait des interfaces « basse-mousse »: pas de streaming théâtral quand on chaîne des traitements, pas de suggestion non sollicitée dans les outils de travail, une comptabilité du token lisible comme le relevé du compteur d’eau.

Ce ne sont pas des freins technologiques — rien de tout cela n’est difficile à construire — mais des choix de design aujourd’hui systématiquement tranchés dans l’autre sens.

La question n’est donc pas de savoir si la juste dose est mesurable, mais pour qui il est rentable de la mesurer.

Plus on s’éloigne de la fonction, moins on peut mesurer la juste dose — et plus le surdosage s’installe.

Le savon enseigne qu’une technologie irréprochable sur le plan utilitaire peut générer du gaspillage par ses seules propriétés hédoniques. La juste dose existe en chimie; il reste à inventer son équivalent: usage délibéré, intégrations refusables, transparence des coûts.

# Références

Luccioni, Strubell & Crawford (2025), From Efficiency Gains to Rebound Effects, FAccT — arXiv:2501.16548
Jevons, W. S. (1865), The Coal Question ; Jevons paradox (Wikipedia)
NPR Planet Money (2025), Why the AI world is suddenly obsessed with Jevons paradox
Tech Policy Press (2025), Jevons Paradox Makes Regulating AI Sustainability Imperative
Assessment of Household Detergents (ResearchGate
J R Hess Co., Choosing Low Foam Surfactants
Moleaer, Understanding Surfactants
Équation de saponification : hydrolyse basique des triglycérides, concentration micellaire critique (chimie de référence)
Vitasari, D., Grassia, P., & Cameron, A. (2020). Effect of surfactant redistribution on the flow and stability of liquid films. PMC7069484 — mécanisme de Gibbs-Marangoni appliqué à la stabilité des mousses. pmc.ncbi.nlm.nih.gov
Moradpour, N., et al. (2024). Liquid foam: Fundamentals, rheology, and applications. Current Opinion in Colloid & Interface Science. sciencedirect.com
ScienceDirect, Cocamidopropyl Betaine (overview) — structures chimiques et formulations types (CAPB + SLES). sciencedirect.com/topics/chemistry/cocamidopropyl-betaine

73 HB9ERY QSL