Comment utiliser un agent IA pour gérer les actifs en chaîne

null

Pour les équipes capables de maîtriser simultanément les deux dimensions Web3 et IA, c’est actuellement une fenêtre d’opportunité pour s’y impliquer : que ce soit en construisant, au niveau d’exécution, des systèmes d’agents on-chain plus fiables, ou en comblant, au niveau de l’infrastructure, les maillons clés consistant à relier données, droits et confiance, il existe encore un espace considérable à combler.

Avant de développer une analyse formelle, il est nécessaire d’éclaircir d’abord un concept central : DeFAI.

DeFAI est l’abréviation de la fusion entre DeFi (finance décentralisée) et IA (intelligence artificielle). Elle désigne l’introduction d’agents IA dans des contextes financiers on-chain, afin qu’ils puissent percevoir l’état du marché, formuler de manière autonome des stratégies et exécuter directement des opérations on-chain — permettant ainsi, sans dépendre d’une intervention humaine en temps réel, de réaliser toute une série d’actions financières traditionnellement réservées à des professionnels, telles que l’allocation d’actifs, la gestion des risques et l’interaction avec des protocoles.

En bref, DeFAI n’est pas une simple mise à niveau « AI » des outils DeFi, mais la tentative de construire, on-chain, une couche d’exécution financière capable de fonctionner de manière autonome.

Cette filière s’est rapidement réchauffée à partir du T4 2024. Trois événements emblématiques méritent d’être surveillés : ils correspondent respectivement aux trois niveaux d’entrée des agents IA dans Web3 — percée narrative, construction d’infrastructures tokenisées, et déploiement réel de capacités d’exécution.

Le premier événement a lieu en juillet 2024. Le robot Twitter Truth Terminal construit par le développeur Andy Ayrey, après avoir reçu un don de 50k dollars BTC de la part du cofondateur de a16z Marc Andreessen, a rapidement percé et provoqué une diffusion virale de la devise GOAT. C’est la première entrée véritablement significative des agents IA en tant qu’acteurs économiques on-chain dans l’espace public.

Le deuxième événement a lieu le même mois d’octobre. Virtuals Protocol explose sur le réseau Base, tokenisant l’agent IA lui-même. Sa capitalisation boursière dans l’écosystème dépasse 3,5 milliards de dollars, devenant une représentation typique de l’étape « construction d’infrastructures tokenisées » de la filière DeFAI.

Le troisième événement est que des projets comme Giza, HeyAnon et Almanak déploient successivement des agents au niveau d’exécution on-chain, ce qui pousse l’industrie à passer de l’orientation par le récit à une étape de produit : les agents IA commencent réellement à « mettre la main à l’exécution » d’opérations on-chain, au lieu de rester uniquement au niveau de l’échange d’informations.

Du point de vue de l’ampleur du marché mondial, plusieurs organismes de recherche ont des prévisions très cohérentes concernant la croissance de la filière des agents IA :

Figure 1 : comparaison des prévisions de taille de marché mondial des agents IA

Source des données : MarketsandMarkets (2025), Grand View Research (2025), BCC Research (2026.01)

Cependant, il existe encore un écart significatif entre la chaleur du capital et la concrétisation industrielle. D’après le rapport de McKinsey publié en novembre 2025, The State of AI in 2025 (fondé sur 105 pays et 1 993 personnes interrogées), bien que 88 % des organisations utilisent déjà l’IA dans au moins une fonction métier, près des deux tiers restent encore au stade de l’expérimentation ou du pilote. Plus précisément dans le domaine des agents IA : 62 % des organisations commencent à expérimenter, 23 % passent à l’échelle dans au moins une fonction, mais la proportion atteignant un déploiement à l’échelle dans une fonction unique reste inférieure à 10 %.

Ces données nous indiquent ceci : la chaleur narrative de la filière DeFAI dépasse encore, à l’heure actuelle, l’avancement réel du déploiement. Comprendre cet écart est une condition préalable pour évaluer objectivement la valeur de cette filière.

II. La base technologique de DeFAI : comment les agents IA interagissent avec le monde on-chain

Pour comprendre comment DeFAI fonctionne, il faut d’abord répondre à une question clé : par quel mécanisme l’IA s’intègre-t-elle aux opérations financières on-chain ?

L’unité d’exécution centrale d’un système DeFAI est un agent IA construit à partir de grands modèles de langage. D’après la revue académique de Wang et al. (2023), ses capacités fondamentales peuvent être résumées en une architecture en trois couches, et chaque couche a une fonction précise dans les scénarios on-chain :

La couche de planification, chargée de la décomposition des objectifs et de l’optimisation des trajectoires, correspond à la génération de stratégies et à l’évaluation des risques dans les scénarios on-chain ;

La couche de mémoire, qui réalise l’accumulation d’informations sur plusieurs périodes via des stockages externes comme des bases de données vectorielles, porte les données historiques du marché et l’état des protocoles ;

La couche d’outils, qui étend les capacités du modèle afin qu’il puisse appeler des systèmes externes tels que des protocoles DeFi, des price oracles et des ponts cross-chain.

Mais il faut préciser un point : le modèle IA lui-même ne peut pas interagir directement avec une blockchain. Presque tous les systèmes DeFAI actuels utilisent une architecture séparant l’inférence hors chaîne et l’exécution on-chain : l’agent IA calcule les stratégies hors chaîne, puis transforme les résultats en signaux de transactions on-chain, lesquels sont soumis par le module d’exécution. Cette conception d’architecture est un choix réaliste compte tenu des conditions techniques actuelles, et elle soulève aussi, de ce fait, une série de questions de sécurité, comme l’autorisation par clé privée et la gestion des droits (voir le chapitre V).

Un agent IA est essentiellement un système de décision autonome basé sur de grands modèles de langage, qui réalise une exécution en boucle fermée via la décomposition des tâches, la gestion de la mémoire et l’appel d’outils — et à ce jour, l’interaction des agents IA avec les actifs on-chain a déjà commencé à prendre forme.

Figure 2 : architecture en trois couches des agents IA et modèle d’exécution on-chain

III. L’évolution de DeFAI : du simple échange d’informations à la boucle d’exécution en boucle fermée

Une fois la base technologique de DeFAI clarifiée, une question naturelle se pose : comment ce système a-t-il évolué jusqu’à aujourd’hui, étape par étape ?

D’après la recherche de The Block, l’évolution de DeFAI ne s’est pas faite du jour au lendemain, mais à travers deux étapes distinctes : d’abord des agents orientés interaction, dominés par le traitement de l’information, puis aujourd’hui des systèmes capables d’intervenir réellement dans les opérations on-chain.

Ces deux étapes présentent des différences fondamentales en matière de définition des objectifs, de moyens techniques et de niveau de risque.

Figure 3 : comparaison des deux trajectoires d’évolution de DeFAI

On peut comprendre la progression des deux phases ainsi :

La première phase correspond aux agents orientés interaction, qui se concentrent sur la construction d’un cadre d’agent pouvant dialoguer et analyser. Les projets représentatifs incluent ElizaOS (l’ancien ai16z) avec le framework Eliza, ainsi que G.A.M.E. de Virtuals, etc. L’essence de cette étape demeure un outil d’information : l’agent peut lire, parler et analyser, mais ses capacités s’arrêtent à la couche informationnelle, sans jamais toucher à des opérations d’exécution d’actifs.

La deuxième phase correspond aux agents DeFAI orientés exécution : c’est là qu’on entre vraiment dans une boucle décision-exécution en boucle fermée. Les projets représentatifs incluent HeyAnon, Wayfinder, Giza (ARMA Agent) et Almanak, entre autres. La caractéristique commune de ce type de systèmes est la suivante : l’IA s’exécute hors chaîne, produit des signaux de stratégie structurés, puis réalise les transactions via un module d’exécution on-chain. Il ne remplace pas les protocoles DeFi existants ; il introduit au-dessus d’eux une couche de mécanisme de décision par IA, de sorte que toute la chaîne d’opérations passe de « instructions données par l’homme » à « exécution autonome par l’agent ».

La différence fondamentale entre les deux phases ne réside pas dans la complexité technique, mais dans le fait de toucher réellement aux actifs. Cela détermine aussi que les défis auxquels fait face la deuxième phase sont bien plus complexes que ceux de la première en termes de mécanismes de confiance, de conception des droits et d’architecture de sécurité — c’est précisément le sujet sur lequel se concentrera le chapitre suivant.

IV. Le déploiement de DeFAI dans le réel : quatre grands scénarios d’application

De l’architecture technique à la trajectoire d’évolution, le « champ de ce que DeFAI peut faire » devient progressivement plus clair. Alors, au niveau produit réel, quels problèmes concrets résout-il ?

Dans l’ensemble, les explorations d’applications DeFAI actuelles se structurent autour de quatre directions fondamentales, formant un paysage de déploiement relativement mûr : elles correspondent à quatre douleurs centrales lors d’opérations on-chain — « efficacité du rendement, exécution des stratégies, seuil d’interaction et contrôle des risques ».

4.1 Optimisation du rendement : rebalancement automatique entre protocoles

L’optimisation du rendement est le scénario d’application DeFAI le plus mûr à ce jour. La logique centrale est la suivante : surveiller en continu les rendements annuels (APY) des dépôts sur des protocoles DeFi majeurs comme Aave, Compound, Fluid, etc., combiner ces informations avec des paramètres de risque prédéfinis pour décider s’il faut rebalancer, puis exécuter une analyse des coûts de transaction avant chaque opération. Ce n’est que lorsque l’augmentation du rendement compense tous les gas et les frais de transaction qu’on transfère réellement des fonds, réalisant ainsi une allocation optimale automatisée entre protocoles.

Par exemple, dans le cas de Giza, son agent ARMA s’est lancé sur le réseau Base en février 2025 avec une stratégie de rendement sur stablecoins. Il surveille en continu les variations de taux sur des protocoles comme Aave, Morpho, Compound et Moonwell, puis, après avoir pris en compte de manière globale l’APY des protocoles, le coût des frais et la liquidité, il ajuste intelligemment les fonds des utilisateurs afin de maximiser le rendement. D’après les données publiques, ARMA compte déjà environ 60k détenteurs uniques, plus de 36k agents déployés, et gère un volume d’actifs (AUA) de plus de 20 millions de dollars.

Dans un environnement de marché où les rendements des protocoles DeFi fluctuent constamment, l’efficacité et la rapidité du suivi manuel et du rebalancement manuel sont très inférieures à celles des systèmes automatisés. C’est précisément la valeur centrale de ce scénario.

Figure 4 : exemple d’image de l’agent ARMA sur la plateforme Giza

Source des données :

4.2 Automatisation des stratégies quantitatives : démocratisation de capacités de niveau institutionnel

Dans les scénarios d’automatisation des stratégies quantitatives, les plateformes DeFAI cherchent à modulariser et automatiser l’ensemble des modules d’exécution de l’équipe quantitative traditionnelle, afin que les utilisateurs individuels puissent également accéder à des capacités d’exécution de stratégies de niveau institutionnel.

Par exemple, Almanak soutenu par Delphi Digital : il a lancé le système AI Swarm, qui décompose le processus quantitatif en quatre étapes :

Le module de stratégie prend en charge l’écriture d’une logique d’investissement via le Python SDK et la réalisation du backtesting ;

Le moteur d’exécution, après avoir reçu l’autorisation de l’utilisateur, exécute automatiquement le code de stratégie audité et déclenche des appels DeFi ;

Le portefeuille sécurisé, construit avec Safe + Zodiac, met en place un système de multi-signature. Grâce au contrôle des permissions par rôles, le droit d’exécution de la stratégie est accordé à l’agent IA, afin de garantir que les fonds restent toujours dans un périmètre contrôlable par l’utilisateur ;

Le vault de stratégie regroupe les stratégies dans un vault échangeable conforme à la norme ERC-7540. Les investisseurs peuvent alors participer à la répartition des revenus de la stratégie, à la manière des parts de fonds.

L’intérêt de cette architecture réside dans le fait que l’agent IA assume les fonctions d’analyse des données, d’itération de la stratégie et de gestion des risques, tandis que l’utilisateur n’a besoin d’effectuer qu’une validation finale des résultats générés par le système, sans constituer une équipe quantitative professionnelle — réalisant la « parité en niveau des stratégies de type institutionnel » (selon les affirmations du projet).

Figure 5 : affichage de la page d’accueil de la plateforme Almanak

Source des données :

4.3 Exécution d’instructions en langage naturel : rendre les opérations DeFi aussi simples que d’envoyer un message

L’essence de ce scénario est l’exécution DeFi basée sur l’intention (Intent-based DeFi) : en s’appuyant sur les techniques de traitement du langage naturel, l’utilisateur donne des instructions de transaction en langage du quotidien. L’IA les interprète et les transforme en opérations on-chain en plusieurs étapes, réduisant considérablement le niveau de compétence nécessaire pour les utilisateurs ordinaires.

HeyAnon a construit une plateforme de messagerie DeFAI. Les utilisateurs saisissent des instructions via une interface de conversation, et l’IA peut exécuter des opérations on-chain telles que l’échange de tokens, le bridging cross-chain, les prêts et le staking, etc. Elle intègre des protocoles comme le bridge LayerZero et Aave v3, et prend en charge des déploiements multi-chaînes, notamment Ethereum, Base, Solana, etc.

Figure 6 : affichage de la page d’accueil de la plateforme HeyAnon

Source des données :

Wayfinder, financé par Paradigm, propose pour sa part un service de transaction plus avancé à travers l’ensemble de la chaîne. Son agent IA (appelé Shells) trouve automatiquement le meilleur chemin de transaction entre différentes chaînes. Il exécute des opérations comme les transferts cross-chain, les échanges de tokens ou les interactions NFT, sans que l’utilisateur ait à se soucier des détails techniques sous-jacents comme les frais de gas ou la compatibilité cross-chain.

Figure 7 : affichage de la page d’accueil de la plateforme Wayfinder

Source des données :

En résumé, une interface en langage naturel réduit nettement le seuil d’opération DeFi, mais impose aussi des exigences plus élevées à la précision de l’interprétation de l’intention au niveau inférieur : si l’IA comprend mal une instruction, le résultat de l’opération peut s’écarter très fortement des attentes de l’utilisateur.

4.4 Gestion des risques et surveillance de la liquidation : des mécanismes intégrés aux protocoles on-chain

Dans les scénarios de prêts DeFi et d’effet de levier, l’application la plus courante des agents IA consiste à surveiller en temps réel la santé des positions on-chain, puis à exécuter automatiquement des actions de protection avant l’approche des seuils de liquidation. Cette application est progressivement intégrée dans de nombreux protocoles DeFi majeurs, devenant une fonctionnalité native des plateformes DeFi.

Aave mesure la sécurité des positions via un « facteur de santé » : lorsque le facteur de santé tombe sous 1,0, la position de l’emprunteur déclenche immédiatement la qualification de liquidation ;

Compound utilise le mécanisme du « facteur de collatéral de liquidation (Liquidation Collateral Factor) » : lorsque le solde d’emprunt d’un compte dépasse la limite définie par ce facteur, la liquidation est déclenchée, et les paramètres spécifiques de chaque actif collatéral sont définis séparément par la gouvernance on-chain.

Dans un marché on-chain volatil 24/7, il est difficile de maintenir une efficacité de réponse cohérente avec une surveillance manuelle. L’agent IA, dans ce scénario, peut assurer un suivi continu, une évaluation intelligente et une intervention automatique, portant l’efficacité de la gestion des risques à un niveau bien supérieur à celui atteignable par des systèmes manuels ou des systèmes automatisés basés sur des règles.

Figure 8 : quatre grands scénarios d’application de l’Agent × DeFi

En synthèse, les quatre scénarios ci-dessus ne sont pas indépendants les uns des autres. Ils s’organisent autour d’une même ligne directrice et se complètent : l’optimisation du rendement et l’automatisation des stratégies quantitatives visent les utilisateurs avancés disposant d’un certain volume d’actifs. Leurs avantages clés sont l’efficacité d’exécution et la précision des stratégies ; l’interaction en langage naturel vise à abaisser le seuil d’opération pour les utilisateurs ordinaires ; la gestion des risques fournit la sécurité de base sous-jacente à tous les scénarios. En coordination, ces trois éléments forment ensemble le paysage de déploiement de base de l’écosystème DeFAI actuel, et posent aussi les fondations pour des applications d’agents on-chain plus complexes à venir.

V. Les garde-fous de sécurité de DeFAI : gestion des clés privées et contrôle des permissions

Les quatre scénarios d’application mentionnés plus haut, qu’il s’agisse d’optimisation du rendement ou d’automatisation des stratégies quantitatives, reposent sur une condition unique : l’agent IA doit disposer d’une certaine forme d’autorisation de signature, c’est-à-dire la capacité d’accéder aux clés privées. C’est le défi technologique le plus crucial — et aussi le plus facilement occulté par l’emballement narratif — de toute la filière DeFAI : si le mécanisme de signature présente une faille, toutes les capacités de stratégie en couche supérieure perdent leur sens.

À l’heure actuelle, l’industrie utilise principalement deux types de solutions de sécurité pour les clés privées : MPC (calcul multipartite) et environnements d’exécution sécurisés TEE (Trusted Execution Environment). Les deux se distinguent par leurs modèles de sécurité, leur niveau d’automatisation et leur complexité d’ingénierie.

Figure 9 : tableau comparatif des deux principales solutions de gestion sécurisée des clés privées

L’idée centrale du MPC (Multi-Party Computation, calcul multipartite) est d’éliminer le point de défaillance unique en fragmentant la clé. Par exemple, avec une signature à seuil 2-of-3 courante : même si l’une des parts de clé est compromise, l’attaquant ne peut pas produire une signature de manière indépendante, et la sécurité des fonds n’est pas affectée. Vultisig est un produit représentatif dans cette direction : c’est un portefeuille multi-chaînes open source en autogestion, construit sur les technologies MPC/TSS, utilisant une architecture sans phrase mnémonique unique. Il combine ainsi la sécurité des clés et l’autogestion de l’utilisateur.

Le TEE (Trusted Execution Environment) suit une autre voie : enfermer à la fois la clé privée et le code de l’agent dans une zone isolée protégée par le matériel (enclave). L’agent IA effectue le calcul des stratégies et la signature dans l’enclave, puis ne renvoie que le résultat de la signature vers la blockchain ; l’environnement externe ne voit jamais la clé privée. Des puces matérielles de niveau courant comme Intel SGX, AMD SEV, ARM CCA fournissent un support d’isolation et de chiffrement au niveau matériel. Chainlink a introduit le TEE dans le réseau d’oracles pour traiter des données sensibles, et utilise des mécanismes de certification à distance pour prouver à l’extérieur l’intégrité de l’environnement d’exécution.

Cependant, la sécurité des clés n’est qu’une première ligne de défense. Dans un déploiement réel, quelle que soit la solution de gestion des clés choisie, il faut superposer un mécanisme de contrôle des permissions afin d’empêcher l’Agent d’effectuer des opérations hors de son autorisation. La pratique d’Almanak fournit un cadre de référence relativement complet : la plateforme combine la protection TEE de la logique de stratégie et des paramètres confidentiels, puis insère une couche d’autorisation Zodiac Roles Modifier entre le moteur de déploiement et les comptes Safe détenus par les utilisateurs. Chaque transaction initiée par l’IA doit être comparée une par une avec une liste blanche prédéfinie d’adresses de contrats, de fonctions et de paramètres ; les transactions ne correspondant pas au périmètre autorisé sont automatiquement rejetées.

La mise en œuvre de ce principe du moindre privilège est désormais devenue une référence importante pour la conception de la sécurité des systèmes DeFAI. Elle révèle une logique plus profonde : le problème de sécurité de DeFAI n’est pas, en essence, une question de choix technologique unique. Il s’agit d’un système d’ingénierie constitué par la coopération entre la gestion des clés, les limites de permissions et l’audit d’exécution — l’absence de n’importe quel maillon peut devenir le point le plus faible de toute la chaîne. C’est précisément le point de départ de l’analyse des risques du chapitre suivant.

VI. L’écart entre la réalité et le récit : analyse des risques clés de DeFAI

L’expansion rapide du narratif survient souvent avant la maturité réelle de la technologie. Entre 2024 et 2025, le marché a généralement valorisé DeFAI au-delà du rythme réel de déploiement. Évaluer objectivement la valeur de cette filière nécessite une conscience claire des risques structurels suivants.

Figure 10 : tableau comparatif de l’identification des risques clés de DeFAI

Parmi ces risques, trois types méritent particulièrement d’être expliqués plus en détail.

D’abord, l’hallucination du modèle est, à l’heure actuelle, une catégorie de risque la plus difficile à résoudre fondamentalement. Dans les scénarios de service d’information, le coût d’une hallucination LLM se limite à une réponse erronée ; mais dans les scénarios d’actifs on-chain, la même erreur peut directement déclencher une perte de fonds irréversible. Tant que l’inférence de base dépend des LLM, ce risque ne peut pas être totalement éliminé ; il ne peut actuellement être géré que via des mécanismes de validation de sortie et de repli, plutôt que d’être éradiqué.

Ensuite, les attaques MEV ont un caractère structurel : lorsque les modes de transaction d’un agent IA deviennent relativement stables et prédictibles, des robots de frontrunning peuvent intervenir de manière ciblée. La combinaison TEE avec l’exécution confidentielle peut réduire l’exposition des stratégies dans une certaine mesure, mais elle n’a pas encore abouti à une solution systémique.

Enfin, le gouffre entre mise en œuvre commerciale et promesse ne doit pas non plus être sous-estimé : d’après le rapport 2025 de McKinsey, dans les scénarios d’entreprise généralistes, moins de 10 % des organisations parviennent à déployer à l’échelle des agents IA dans une fonction unique. Le seuil de confiance et la complexité opérationnelle dans les scénarios on-chain sont plus élevés — ce gouffre n’est pas meilleur, mais bien pire. De nombreux produits étiquetés « DeFAI » se trouvent en réalité encore au stade de preuve de concept : du démo technique au véritable cycle commercial de boucle fermée, il reste encore un long chemin.

VII. Prédiction des tendances

En combinant l’analyse précédente, on peut porter un jugement par étapes sur la trajectoire d’évolution de DeFAI. Dans l’ensemble, cette filière se situe à un point clé de transition de la preuve de concept vers la productisation. Son évolution devrait passer par trois étapes progressives :

Figure 11 : prédiction des phases de développement de DeFAI

Note : le tableau ci-dessus repose sur une analyse globale basée sur des rapports publics de l’industrie, l’avancement des projets et la maturité technique ; il ne s’agit pas d’un calendrier déterministe.

Au niveau du point actuel, DeFAI se trouve globalement dans une phase de transition entre « période d’aide à la décision » et « période semi-autonome » : certains projets ont commencé à assumer des capacités d’exécution autonome dans un périmètre limité, mais la validation humaine et les mécanismes de secours restent le format de déploiement principal. Dans ce contexte, en tenant compte de la maturité technique actuelle et du paysage du marché, trois jugements méritent d’être soulignés.

Tout d’abord, la plupart des projets DeFAI actuels restent essentiellement des outils d’automatisation, plutôt que de véritables agents autonomes. Les produits portant l’étiquette « DeFAI » à ce stade ont surtout pour capacité de traduire des instructions humaines en une séquence d’opérations DeFi prédéfinies ; au fond, ils ressemblent davantage à des interfaces d’exécution efficaces qu’à des systèmes autonomes dotés de capacités de raisonnement et de décision indépendantes. D’après le rapport de McKinsey 2025, même dans les scénarios d’entreprise généralistes, moins de 10 % des organisations parviennent à déployer à l’échelle des agents IA dans une fonction unique. En raison d’un seuil de confiance plus élevé et d’une plus grande complexité opérationnelle dans les scénarios on-chain, le passage des démos techniques vers une véritable boucle fermée commerciale reste encore loin.

Ensuite, la direction la plus mature et la plus facile à obtenir la confiance institutionnelle pour les agents IA n’est pas le trading autonome à haut risque, mais la surveillance on-chain, l’alerte et l’assistance à la gouvernance. Des scénarios tels que le suivi de positions 7×24, les alertes de liquidation, ou l’analyse des propositions de gouvernance présentent d’une part une tolérance relativement plus élevée aux hallucinations des LLM — une sortie erronée ne déclenche pas directement une perte de fonds ; d’autre part, ils compensent efficacement le manque naturel des humains en matière de continuité de l’attention. Ces scénarios constituent un chemin plus réaliste pour faire passer DeFAI de la « démonstration technique » à la « prise en adoption par les institutions ».

Troisièmement, la fusion entre agents IA et RWA est une direction de croisement à surveiller de près dans cette filière. Selon les données de RWA.xyz, au début avril 2026, la valeur totale des actifs RWA tokenisés on-chain dépasse 27 milliards de dollars (hors stablecoins), couvrant plusieurs catégories telles que les bons du Trésor américains, les crédits privés, les matières premières et les obligations d’entreprises, etc. Si les agents IA peuvent intervenir dans la gestion d’un portefeuille d’actifs combinant RWA sur bons du Trésor et stablecoins — par exemple en ajustant automatiquement les proportions en fonction des conditions de marché — l’ampleur des actifs accessibles dépassera de loin le périmètre actuel dominé par les actifs natifs DeFi, et il devient possible de connecter réellement l’on-chain et l’off-chain côté actifs, réalisant une synergie Web3+IA+TraFi, ce qui élargit considérablement l’imagination du marché.

VIII. Conclusion

Les agents IA et la gestion d’actifs on-chain se trouvent actuellement à une période charnière de transition de la preuve de concept vers la productisation. La faisabilité technique a déjà été validée initialement, mais avec des défis allant des risques d’hallucination LLM à l’hétérogénéité des données on-chain, jusqu’à l’absence d’infrastructures de confiance, les enjeux auxquels l’industrie fait face ne peuvent pas être résolus uniquement par l’itération technique. Il faut plutôt une avancée systémique : conception d’architecture de projet, planification des trajectoires de conformité, mise en place d’un système de sécurité et validation du modèle commercial.

Cela signifie aussi que cette filière en est encore à un stade de construction précoce ; les véritables dynamiques concurrentielles ne sont pas encore formées. Pour les équipes capables de maîtriser à la fois Web3 et l’IA, c’est actuellement justement la fenêtre d’intervention — qu’il s’agisse de construire des systèmes d’agents on-chain plus fiables au niveau de l’exécution, ou de combler au niveau de l’infrastructure les maillons clés reliant données, permissions et confiance, il existe encore un espace considérable à combler.

Les barrières concurrentielles de DeFAI ne se situeront finalement ni sur la capacité d’un modèle unique, ni sur la profondeur d’intégration de protocoles, mais sur la capacité à construire une boucle réellement cohérente entre technologie, conformité et sécurité.

— Nous approfondissons en continu cette zone d’intersection, et nous espérons également explorer, avec des projets et des investisseurs institutionnels partageant les mêmes objectifs, les limites et les possibilités de ce domaine.