L'IA est l'agent du crypto : l'évolution des agents d'IA
TechFlow SélectionTechFlow Sélection
L'IA est l'agent du crypto : l'évolution des agents d'IA
L'IA est l'agent du crypto, c'est là la meilleure interprétation de cette frénésie actuelle autour de l'IA vue depuis la perspective du monde cryptographique.
Dédié à des analyses Web3 approfondiesRédaction : Zuo Ye
Une œuvre d'art n'est jamais terminée, seulement abandonnée.
Tout le monde parle d'AI Agent, mais ce à quoi chacun fait référence n'est pas la même chose. Cela crée un décalage entre notre compréhension de l'AI Agent, celle du grand public et celle des professionnels de l'IA.
Il y a longtemps, j'avais rédigé Crypto est une illusion pour l'IA. Depuis lors, la convergence entre Crypto et IA reste une passion unilatérale : les acteurs de l'IA mentionnent rarement Web3 ou la blockchain, tandis que les adeptes de Crypto sont profondément fascinés par l'IA. Après avoir vu jusqu'où on peut aller — comme transformer un cadre technique d'Agent IA en jeton — on se demande s'il sera possible d'attirer véritablement les spécialistes de l'IA dans notre univers.
L'IA est l'agent de la crypto, voilà la meilleure interprétation, depuis une perspective cryptographique, de cette frénésie actuelle autour de l'IA. L'enthousiasme de la crypto pour l'IA diffère de celui d'autres secteurs ; nous souhaitons particulièrement intégrer l'émission et le fonctionnement des actifs financiers à ces technologies.
L'évolution de l'Agent : vers l'essence derrière le marketing technologique
En réalité, le concept d'AI Agent repose sur au moins trois courants distincts. OpenAI a placé l'AGI (Intelligence Artificielle Générale) comme étape clé, faisant de ce terme un mot à la mode qui dépasse désormais le simple cadre technique. Pourtant, le concept d'« Agent » n'a rien de nouveau, et même doté de capacités IA, il est difficile de le qualifier de tendance technologique révolutionnaire.
Premièrement, il y a l’« AI Agent » tel qu’envisagé par OpenAI, similaire au niveau L3 dans la classification des véhicules autonomes : un système capable d’une assistance avancée, mais encore incapable de remplacer complètement l’humain.
Légende de l'image : Les étapes de l'AGI selon OpenAI, source : https://www.bloomberg.com/
Deuxièmement, comme son nom l’indique, un AI Agent est un agent assisté par l’IA. Le mécanisme d’agent n’est pas nouveau dans le domaine informatique. Dans la vision d’OpenAI, l’Agent devient la phase L3 suivant les modes conversationnels (ChatGPT) et les bots de raisonnement. Sa caractéristique principale ? « Agir de manière autonome ». Ou, selon la définition de Harrison Chase, fondateur de LangChain : « Un AI Agent est un système utilisant un LLM pour prendre des décisions concernant le flux de contrôle du programme. »
C’est là tout le subtil : avant l’apparition des LLM, un agent exécutait des processus automatisés prédéfinis. Par exemple, lorsqu’un développeur conçoit un robot d’exploration web (crawler), il configure un User-Agent pour imiter les détails d’un utilisateur réel (navigateur, système d’exploitation, etc.). Avec un AI Agent, cette imitation humaine peut devenir bien plus fine, donnant naissance à des frameworks de crawling « plus humains ».
Dans cette évolution, l’intégration de l’AI Agent doit nécessairement s’appuyer sur des scénarios existants. Il est presque impossible de créer un domaine entièrement nouveau. Même des outils comme Cursor ou GitHub Copilot, capables de compléter ou générer du code, ne font qu’améliorer des fonctionnalités existantes basées sur des protocoles comme LSP (Language Server Protocol). Voici quelques autres exemples :
-
Apple : AppleScript (éditeur de scripts) → Alfred → Siri → Raccourcis (Shortcuts) → Apple Intelligence
-
Terminal : Terminal (macOS) / PowerShell (Windows) → iTerm 2 → Warp (natif IA)
-
Interaction homme-machine : Web 1.0 CLI TCP/IP navigateur Netscape → Web 2.0 GUI / RestAPI / moteurs de recherche / Google / Super App → Web 3.0 AI Agent + dApp ?
Un petit éclaircissement : avec l’alliance du GUI Web 1.0 et des navigateurs, l’informatique est devenue accessible à tous, incarnée par le duo Windows + IE. Les API, quant à elles, sont devenues la norme d’abstraction et de transfert des données sous-jacentes à Internet. À l’ère Web 2.0, Chrome domine les navigateurs, et le passage au mobile a transformé nos habitudes numériques. Des applications comme WeChat ou celles de Meta ont envahi tous les aspects de la vie quotidienne.
Troisièmement, le concept d’« intention » (intent) dans l’écosystème Crypto a précédé et influencé la popularité de l’AI Agent. Mais attention : cela reste limité au cercle crypto. Du script rudimentaire de Bitcoin aux contrats intelligents d’Ethereum, on assiste déjà à une généralisation du concept d’agent. Les ponts跨链 (cross-chain bridges), l’abstraction de chaîne, les portefeuilles EOA → AA en sont des prolongements naturels. Ainsi, quand l’AI Agent pénètre la crypto, son application à DeFi semble logique.
Voilà où réside la confusion autour du terme AI Agent. En contexte crypto, on rêve d’un agent capable de « gérer automatiquement ses finances, participer seul aux nouveaux projets Meme », mais selon la définition d’OpenAI, un tel scénario dangereux nécessiterait au minimum un niveau L4/L5. Pendant ce temps, le grand public joue avec des fonctions comme la génération automatique de code ou le résumé IA d’un clic. Les discussions ne se situent pas sur le même plan.
Comprendre ce que nous voulons vraiment permet de passer à l’essentiel : la logique organisationnelle de l’AI Agent. Les détails techniques restent en arrière-plan, car l’idée même d’un agent est de supprimer les obstacles techniques à une adoption massive — exactement comme les navigateurs ont révolutionné l’ordinateur personnel. Notre analyse se concentrera donc sur deux axes : l’AI Agent vu à travers l’interaction homme-machine, et la distinction entre AI Agent et LLM, afin de préparer la troisième partie : quel héritage la fusion Crypto et AI Agent laissera-t-elle ?
let AI_Agent = LLM+API;
Avant l’avènement des interfaces conversationnelles comme ChatGPT, l’interaction homme-machine reposait principalement sur deux formes : GUI (interface graphique) et CLI (interface en ligne de commande). Le paradigme GUI a donné naissance à des navigateurs, applications, etc., tandis que CLI + Shell est resté relativement inchangé.
Mais ceci ne concerne que l’« avant-scène » de l’interaction. Avec le développement d’Internet, les interactions « arrière-scène » entre données et entre applications se sont multipliées, soutenues mutuellement par l’expérience utilisateur. Même une simple navigation web requiert une coordination constante entre front-end et back-end.
Si l’interaction utilisateur-navigateur ou utilisateur-app représente l’entrée utilisateur, alors les connexions et redirections entre API soutiennent le fonctionnement réel d’Internet. D’ailleurs, cela fait déjà partie du concept d’agent : l’utilisateur final n’a pas besoin de connaître les termes CLI ou API pour atteindre ses objectifs.
Les LLM fonctionnent de manière similaire. Aujourd’hui, l’utilisateur peut aller encore plus loin : il n’a même plus besoin de faire de recherche. Ce processus peut être décrit en quatre étapes :
-
L’utilisateur ouvre une fenêtre de discussion ;
-
Il exprime sa demande en langage naturel (texte ou vocal) ;
-
Le LLM interprète cette demande en une série d’étapes opérationnelles ;
-
Le LLM renvoie le résultat à l’utilisateur.
On comprend alors pourquoi Google est menacé : les utilisateurs n’ont plus besoin d’ouvrir un moteur de recherche, mais préfèrent les fenêtres de discussion type GPT. L’entrée du trafic change silencieusement, d’où l’idée que cette vague de LLM sonnerait le glas des moteurs de recherche.
Où se situe l’AI Agent dans tout cela ?
En un mot : l’AI Agent est une spécialisation du LLM.
Les LLM actuels ne sont pas des AGI, ni même des orchestrateurs L5 selon la vision d’OpenAI. Leurs capacités sont limitées. Par exemple, trop d’informations entrantes peuvent provoquer des hallucinations. Une raison majeure réside dans le mécanisme d’entraînement : si vous répétez à un GPT que 1+1=3, il pourrait répondre 4 à la question 1+1+1=? lors d’un échange ultérieur.
Cette fois, la réponse du GPT provient uniquement de l’utilisateur. Si le modèle est hors ligne, il risque d’être modifié par ces informations erronées et de devenir un GPT « stupide » ne sachant que 1+1=3. En revanche, si le modèle peut accéder à Internet, son mécanisme de retour d’information devient beaucoup plus diversifié, car la majorité des sources en ligne affirment que 1+1=2.
Imaginons maintenant un cas plus complexe : comment éviter ce problème si l’on utilise localement un LLM ?
Une solution simple consiste à utiliser deux LLM simultanément, en imposant qu’ils se vérifient mutuellement avant chaque réponse, réduisant ainsi les erreurs. On peut aussi imaginer deux rôles : un utilisateur pose la question, l’autre affine progressivement la formulation pour la rendre plus précise et rationnelle.
Bien sûr, même en ligne, le problème n’est pas toujours évité : si le LLM récupère une réponse issue d’un forum de mauvaise qualité, le résultat peut être pire. Mais écarter ces sources diminue la quantité de données utiles. Une autre approche consiste à recombiner les données existantes, voire à en générer de nouvelles à partir des anciennes, rendant les réponses plus fiables. C’est précisément ce que permet le RAG (Retrieval-Augmented Generation, génération enrichie par la récupération).
L’homme et la machine doivent se comprendre. Faire collaborer plusieurs LLM revient déjà à toucher au mode de fonctionnement de l’AI Agent : un agent humain appelant d’autres ressources, y compris de grands modèles ou d’autres agents.
Ainsi, nous saisissons le lien entre LLM et AI Agent : le LLM est une synthèse de connaissances, accessible via une interface conversationnelle. En pratique, certains flux de tâches peuvent être regroupés en petits programmes, bots ou ensembles d’instructions — ce que nous appelons des Agents.
L’AI Agent reste une composante du LLM ; les deux ne sont pas interchangeables. Ce qui distingue l’AI Agent, c’est son accent mis sur la collaboration avec des programmes externes, d’autres LLM ou agents. D’où l’expression : AI Agent = LLM + API.
Appliquons cela au workflow d’un LLM, prenons l’exemple de l’appel à une API X :
-
L’utilisateur ouvre une fenêtre de discussion ;
-
Il exprime sa demande en langage naturel (texte ou vocal) ;
-
Le LLM traduit cela en une tâche d’Agent spécialisé dans les appels API, puis transfère les droits de dialogue à cet Agent ;
-
L’AI Agent demande à l’utilisateur son identifiant X et sa clé API, puis communique avec X via Internet selon les indications reçues ;
-
L’AI Agent renvoie le résultat final à l’utilisateur.
Vous souvenez-vous de l’histoire de l’interaction homme-machine ? Les navigateurs, API, etc., présents dès Web 1.0 et Web 2.0 subsistent, mais l’utilisateur peut désormais les ignorer totalement. Il interagit uniquement avec l’AI Agent. Tous les appels API peuvent être réalisés par dialogue, et concerner n’importe quel service : données locales, informations en ligne, données d’applications tierces — à condition que l’interface soit ouverte et que l’utilisateur dispose des autorisations nécessaires.
Un flux complet d’utilisation d’AI Agent est illustré ci-dessus. Le LLM peut être vu comme une entité séparée de l’AI Agent, ou comme deux sous-étapes d’un même processus. Quelle que soit la division, ils servent tous deux la demande de l’utilisateur.
De ce point de vue, l’interaction revient presque à dialoguer avec soi-même. Exprimez librement vos pensées : l’IA / LLM / AI Agent devinera vos besoins. Grâce au mécanisme de retour et à la mémoire du contexte, l’Agent ne perdra pas le fil de la conversation.
En somme, l’AI Agent est un produit plus personnalisé, ce qui le distingue fondamentalement des scripts ou outils d’automatisation traditionnels. Il agit comme un majordome privé, attentif aux besoins réels de l’utilisateur. Mais il faut rappeler que cette personnalité n’est qu’une inférence probabiliste. Un AI Agent de niveau L3 ne possède pas la compréhension ni l’expression humaines. Son interaction avec des API externes reste donc potentiellement dangereuse.
Quand le framework IA devient monnayable
Le fait que les frameworks IA puissent être monnétisés est une des raisons pour lesquelles je continue de m’intéresser à la crypto. Dans la pile technologique traditionnelle de l’IA, les frameworks n’ont pas une importance cruciale — moins que les données ou la puissance de calcul. La monétisation des produits IA peine également à passer par les frameworks, car la plupart des algorithmes et architectures sont open source. Ce qui reste fermé, ce sont les données sensibles.
Fondamentalement, un framework ou modèle IA est un contenant d’algorithmes combinés, comme une marmite dans un plat mijoté. Ce qui fait la différence, c’est la qualité de l’ingrédient principal (l’oie) et la maîtrise de la cuisson. Normalement, on devrait vendre l’oie, mais voilà que les clients Web3 arrivent : ils achètent la marmite et laissent l’oie.
La raison est simple : les produits Web3 d’IA sont souvent des adaptations de solutions existantes. Ils améliorent des frameworks, algorithmes ou produits préexistants. Parfois, les principes techniques derrière différents frameworks Crypto IA sont très proches. Sans différenciation technique possible, on mise alors sur le nom, le scénario d’usage, etc. Ainsi, la moindre modification d’un framework devient le socle d’un nouveau jeton, générant une bulle spéculative autour des frameworks d’AI Agent en crypto.
Puisqu’il n’est plus nécessaire d’investir massivement dans l’entraînement de données ou d’algorithmes, la différenciation par le nom prend une importance accrue. Même DeepSeek V3, peu coûteux, exige une grande consommation de GPU, d’électricité et de travail expert.
À bien y regarder, c’est aussi la tendance récente de Web3 : la plateforme d’émission de jetons vaut plus que le jeton lui-même. Pump.Fun ou Hyperliquid en sont des exemples. Normalement, un Agent devrait être une application ou un actif, mais aujourd’hui, le framework d’émission d’Agent devient le produit phare.
C’est aussi une stratégie d’ancrage de valeur : si les Agents sont indifférenciés, leurs frameworks paraissent plus stables, créant un effet de concentration de valeur. C’est la version 1.0 de la convergence Crypto et AI Agent.
La version 2.0 émerge déjà, notamment à travers la fusion entre DeFi et AI Agent. Le concept de DeFAI est certes né de la spéculation, mais en considérant les éléments suivants, on perçoit une réelle transformation :
-
Morpho remet en cause les anciens produits de prêt comme Aave ;
-
Hyperliquid remplace dYdX sur les dérivés on-chain, voire conteste l’effet de cotation de Binance sur les CEX ;
-
Les stablecoins deviennent des outils de paiement dans des scénarios hors chaîne.
Dans ce contexte évolutif du DeFi, l’IA en redéfinit les fondamentaux. Si la logique initiale du DeFi était de valider la faisabilité des contrats intelligents, l’AI Agent transforme la logique de création : vous n’avez plus besoin de comprendre le DeFi pour créer un produit DeFi. C’est une couche d’empowerment encore plus profonde que l’abstraction de chaîne.
L’ère où chacun peut être développeur est proche. Les calculs complexes peuvent être externalisés vers les LLM et API derrière l’AI Agent. Chaque individu n’a plus qu’à se concentrer sur ses idées : le langage naturel sera efficacement converti en logique de programmation.
Conclusion
Cet article ne mentionne aucun jeton ou framework spécifique de Crypto AI Agent, car Cookie.Fun fait déjà un excellent travail. Plateforme d’agrégation d’informations sur les AI Agents, puis de frameworks, et enfin de jetons éphémères — continuer à lister ces éléments ici serait inutile.
Pourtant, après une période d’observation, on constate un manque criant de réflexion profonde sur ce que signifie réellement un Crypto AI Agent. Nous ne devrions pas toujours parler du pointeur ; le changement de mémoire est l’essentiel.
C’est justement cette capacité incessante à transformer tout actif en instrument financier qui constitue le charme de la crypto.
Bienvenue dans la communauté officielle TechFlow
Groupe Telegram :https://t.me/TechFlowDaily
Compte Twitter officiel :https://x.com/TechFlowPost
Compte Twitter anglais :https://x.com/BlockFlow_News
@zuoyeweb3
