La prochaine ère du P2E : la convergence des jeux, des agents d'intelligence artificielle et de la cryptomonnaie
TechFlow SélectionTechFlow Sélection
La prochaine ère du P2E : la convergence des jeux, des agents d'intelligence artificielle et de la cryptomonnaie
La convergence des agents IA, de la conception de jeux et de la crypto-monnaie n'est pas simplement une autre tendance technologique : elle pourrait également résoudre divers problèmes auxquels sont confrontés les jeux indépendants.
Dédié à des analyses Web3 approfondiesAuteur : Sid @IOSG
État actuel des jeux Web3
Avec l’émergence de récits plus novateurs et captivants, l’industrie des jeux Web3 a perdu de sa place dans les levées de fonds (marché primaire) ainsi que dans le discours public. Selon un rapport de Delphi sur l’industrie du jeu en 2024, les jeux Web3 ont collecté moins d’un milliard de dollars au total sur le marché primaire. Ce n’est pas nécessairement une mauvaise chose : cela indique simplement que la bulle a éclaté, et que le capital se dirige désormais vers des projets de meilleure qualité. Le graphique ci-dessous illustre clairement cette tendance :
Tout au long de l’année 2024, le nombre d’utilisateurs des écosystèmes de jeux comme Ronin a connu une forte croissance, atteignant presque les sommets observés durant l’âge d’or d’Axie en 2021, grâce notamment à l’arrivée de nouveaux jeux de haute qualité tels que Fableborn.
Les écosystèmes de jeux (L1, L2, RaaS) ressemblent de plus en plus à une version Web3 de Steam : ils contrôlent la distribution au sein de leurs écosystèmes, ce qui incite les développeurs à créer dessus afin d’accéder plus facilement aux joueurs. D’après leurs rapports précédents, le coût d’acquisition d’un joueur dans les jeux Web3 est environ 70 % plus élevé que dans les jeux Web2.
Rétention des joueurs
Conserver les joueurs est tout aussi important, voire plus crucial encore que de les attirer. Bien qu’il manque de données fiables sur le taux de rétention des joueurs Web3, celui-ci est étroitement lié au concept de « flow » – un terme introduit par le psychologue hongrois Mihaly Csikszentmihalyi.
Le « flow » est un état psychologique dans lequel les joueurs trouvent un équilibre parfait entre défi et niveau de compétence. C’est ce qu’on appelle être « dans la zone » : le temps semble s’écouler plus vite, on est complètement immergé dans le jeu.
Les jeux capables de générer régulièrement cet état de flow obtiennent généralement de meilleurs taux de rétention, grâce aux mécanismes suivants :
# Conception progressive
Début du jeu : défis simples pour instaurer la confiance
Milieu du jeu : augmentation progressive de la difficulté
Fin du jeu : défis complexes, maîtrise du jeu
Cet ajustement minutieux de la difficulté maintient les joueurs dans leur zone optimale d’engagement à mesure qu’ils progressent.
# Boucles d’engagement
Court terme : rétroaction immédiate (tués, points, récompenses)
Moyen terme : achèvement de niveaux, missions quotidiennes
Long terme : développement du personnage, classements
Ces boucles imbriquées maintiennent l’intérêt des joueurs sur différentes échelles temporelles.
# Facteurs rompant l’état de flow :
1. Difficulté ou complexité mal calibrée : peut résulter d’une conception médiocre ou d’un déséquilibre dans les matchs causé par un faible nombre de joueurs
2. Objectifs flous : problème de conception du jeu
3. Délai de rétroaction : limites techniques ou de conception
4. Monétisation intrusive : combinaison de design et de produit
5. Problèmes techniques / latence
La symbiose entre jeux et IA
Les agents IA peuvent aider les joueurs à atteindre cet état de flow. Avant d’explorer comment, examinons quel type d’agent convient le mieux aux jeux :
LLM et apprentissage par renforcement
L’enjeu clé en IA pour les jeux est la vitesse et l’échelle. Utiliser des agents basés sur des grands modèles linguistiques (LLM) implique d’appeler un modèle volumineux à chaque décision. C’est comme avoir un intermédiaire intelligent à qui demander conseil avant chaque action. Mais attendre sa réponse ralentit tout, rendant l’expérience pénible. Imaginez maintenant faire cela pour des centaines de personnages dans un jeu : c’est lent, coûteux. Voilà pourquoi nous n’avons pas encore vu d’adoption massive d’agents LLM dans les jeux. La plus grande expérimentation à ce jour reste celle de 1 000 agents créés dans Minecraft. Imaginer 100 000 agents simultanés sur différentes cartes deviendrait extrêmement cher. Chaque nouvel agent ajouté augmente la latence, affectant aussi les joueurs humains. Cela brise l’état de flow.
L’apprentissage par renforcement (RL) propose une autre approche. Plutôt que de guider un danseur via talkie-walkie, on l’entraîne intensivement au préalable. Avec le RL, on passe du temps à enseigner à l’IA comment « danser », c’est-à-dire réagir aux situations du jeu. Une fois entraînée, l’IA agit naturellement et prend ses décisions en quelques millisecondes, sans appel externe. Des centaines de ces agents entraînés peuvent évoluer dans votre jeu, chacun prenant des décisions autonomes selon ce qu’il perçoit. Moins bavards ou flexibles que les agents LLM, mais bien plus rapides et efficaces.
La vraie magie du RL apparaît quand les agents doivent coopérer. Les agents LLM nécessitent de longs « dialogues » pour coordonner leurs actions, tandis que les agents RL développent une entente implicite pendant l’entraînement – comme une équipe de football ayant répété ensemble pendant des mois. Ils apprennent à anticiper les mouvements des autres, coordonnant leurs actions de manière naturelle. Ce n’est pas parfait, et ils peuvent commettre des erreurs que les LLM éviteraient, mais ils opèrent à une échelle impossible pour les LLM. Pour les applications en jeu, ce compromis est souvent justifié.
Agents et PNJ
En tant que PNJ, les agents peuvent résoudre un problème fondamental rencontré par de nombreux jeux aujourd’hui : la liquidité des joueurs. Le P2E a été la première expérience utilisant l’économie cryptographique pour traiter ce problème – nous connaissons tous le résultat.
Des agents pré-entraînés ont deux fonctions principales :
-
Peupler les mondes multijoueurs
-
Stabiliser le niveau de difficulté autour des joueurs, les maintenant ainsi dans l’état de flow
Bien que cela paraisse évident, la mise en œuvre est difficile. Les petits studios indépendants ou les premiers jeux Web3 n’ont pas les moyens d’embaucher une équipe d’IA, créant ainsi une opportunité pour des fournisseurs de frameworks centrés sur le RL.
Les jeux peuvent collaborer avec ces services pendant les phases de test et de bêta, posant ainsi les bases de liquidité dès le lancement.
Les développeurs peuvent alors se concentrer sur la conception du jeu, le rendant plus amusant. Même si nous aimons intégrer des jetons, un jeu reste avant tout un jeu – il doit être amusant.
Joueurs-agent
L’un des jeux les plus populaires au monde, League of Legends, possède un marché noir où les joueurs font entraîner leurs personnages aux meilleures statistiques, ce que le jeu interdit officiellement.
Cela montre bien comment les personnages et leurs attributs pourraient servir de base à des NFT, créant un marché dédié.
Et si un nouveau sous-groupe de « joueurs » émergeait : des entraîneurs d’agents IA ? Les joueurs pourraient former ces intelligences artificielles et les monétiser de diverses façons – par exemple, en remportant des parties, ou en servant de « partenaire d’entraînement » pour des professionnels ou des passionnés.
Le retour du métavers ?
Les premières versions du métavers n’ont peut-être fait qu’imiter une réalité imparfaite, au lieu de créer une réalité idéale, échouant ainsi à atteindre leurs objectifs. Les agents IA peuvent aider les habitants du métavers à construire un monde idéal – une véritable évasion.
À mon avis, c’est précisément là que les agents basés sur LLM peuvent briller. Par exemple, quelqu’un pourrait créer un agent expert formé sur 1 000 heures d’interviews d’Elon Musk, et permettre à d’autres utilisateurs d’héberger une instance de cet agent dans leur propre monde, en étant rémunéré pour cela. Un nouvel écosystème économique émergerait ainsi.
Avec des jeux comme Nifty Island, cela devient réalisable.
Dans Today: The Game, l’équipe a déjà créé un agent IA basé sur LLM nommé « Limbo » (avec un jeton spéculatif lancé), dont la vision est que plusieurs agents interagissent de façon autonome dans ce monde, avec un flux vidéo en direct 24h/24.
Comment la crypto s’intègre-t-elle à tout cela ?
La crypto peut jouer un rôle clé de plusieurs manières :
-
Les joueurs contribuent leurs données de jeu pour améliorer les modèles, obtenir une meilleure expérience, et sont récompensés en retour
-
Coordonner les intérêts de multiples parties prenantes (designers de personnages, entraîneurs, etc.) pour créer les meilleurs agents en jeu
-
Créer un marché où les joueurs possèdent et monétisent leurs agents en jeu
Un projet travaille déjà sur toutes ces dimensions, et va même plus loin : ARC Agents. Ils abordent chacun des points mentionnés ci-dessus.
Ils proposent un SDK (ARC SDK) permettant aux développeurs de créer facilement des agents IA réalistes, adaptés aux paramètres de leur jeu. Grâce à une intégration simple, il résout les problèmes de liquidité, nettoie les données de jeu pour en tirer des insights, et aide les joueurs à rester en état de flow via un ajustement dynamique de la difficulté. Pour cela, ils utilisent la technologie d’apprentissage par renforcement (Reinforcement Learning).
Initialement, ils ont développé un jeu appelé « AI Arena », où vous entraînez votre agent IA pour des combats. Cela leur a permis de construire un modèle de référence, qui constitue désormais la base du ARC SDK. Un effet de levier similaire à DePIN se met ainsi en place :
Tout ceci est coordonné par leur jeton d’écosystème, $NRN. L’équipe de Chain of Thought explique très bien ce fonctionnement dans leur article sur ARC Agents :
Des jeux comme Bounty adoptent une approche « agent-first », construisant des agents dès le départ dans un univers de type Far West.
Conclusion
La convergence entre agents IA, conception de jeux et crypto n’est pas seulement une nouvelle tendance technologique : elle pourrait résoudre de nombreux problèmes auxquels les jeux indépendants sont confrontés. La beauté des agents IA dans les jeux réside dans leur capacité à amplifier ce qui rend les jeux agréables : une bonne compétition, des interactions riches, et des défis captivants. À mesure que des frameworks comme ARC Agents mûrissent et que davantage de jeux intègrent l’IA, nous assisterons probablement à l’émergence de nouvelles expériences ludiques inédites. Imaginez un monde vivant non pas parce qu’il regorge de joueurs humains, mais parce que ses agents apprennent et évoluent avec la communauté.
Nous sommes en train de passer d’une ère « play-to-earn » à une période bien plus excitante : des jeux profondément amusants, infiniment extensibles. Pour les développeurs, joueurs et investisseurs attentifs à ce domaine, les prochaines années seront exceptionnelles. Les jeux de 2025 et au-delà ne seront pas seulement techniquement plus avancés : ils seront fondamentalement plus captivants, engageants et vivants que tout ce que nous avons vu auparavant.
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
IOSG Ventures
