Rapport de recherche d'OKX Ventures : Décortiquer plus de 10 projets pour vous faire comprendre le paysage des Agents IA (1ère partie)
TechFlow SélectionTechFlow Sélection
Rapport de recherche d'OKX Ventures : Décortiquer plus de 10 projets pour vous faire comprendre le paysage des Agents IA (1ère partie)
Le dernier rapport d'OKX Ventures analyse en profondeur la carte de développement du secteur de l'IA, dans l'espoir d'apporter des éclairages et des réflexions sur la valeur de l'IA.
Dédié à des analyses Web3 approfondies
Le secteur de l'IA connaît une évolution passant de la spéculation à la mise en œuvre concrète.
Les premiers jetons Meme IA ont profité de l'engouement autour de l'IA, tandis qu'aujourd'hui, des outils fonctionnels tels que les plateformes de trading IA, les solutions d'analyse d'investissement intelligent et les agents exécutants IA sur chaîne émergent progressivement. Des stratégies de sniper sur chaîne pilotées par l'IA jusqu'aux agents IA capables d'exécuter autonomément des tâches sur chaîne, ou encore aux propositions d'optimisation des rendements DeFi générées par l'IA, l'influence du secteur IA s'étend rapidement.
Mais si beaucoup observent la croissance exponentielle de la capitalisation des jetons IA, peu trouvent le système de référence permettant d'en décrypter la logique de valeur. Quels sous-secteurs de l'IA possèdent une viabilité à long terme ? DeFAI constitue-t-il la meilleure application de l'IA ? Quels sont les critères d'évaluation des projets IA ?... Dans son dernier rapport, OKX Ventures analyse en profondeur la carte du développement du secteur IA, abordant concepts, évolution, cas d'usage et exemples de projets, dans l'espoir d'apporter des éclairages et des réflexions sur la valeur de l'IA.
Ce rapport est particulièrement complet. Pour faciliter sa lecture, nous l'avons divisé en deux parties : (première partie) et (deuxième partie). Cet article correspond à la « première partie ».
Lecture complémentaire : Rapport OKX Ventures : Analyse de plus de 10 projets pour comprendre la carte des Agents IA (deuxième partie)
I. À propos des Agents IA
Un Agent IA est une entité intelligente capable de percevoir son environnement, de prendre des décisions et d'accomplir des actions. Contrairement aux systèmes traditionnels d'intelligence artificielle, un agent IA peut penser de manière autonome et invoquer des outils afin d'atteindre progressivement des objectifs spécifiques, ce qui lui confère une plus grande autonomie et flexibilité dans l'exécution de tâches complexes.
En résumé, un agent IA est un intermédiaire piloté par l'intelligence artificielle dont le flux de travail inclut : un module de perception (collecte des entrées), un grand modèle de langage (compréhension, raisonnement et planification), l'appel à des outils (exécution des tâches), ainsi que le retour d'information et l'optimisation (vérification et ajustement).
OpenAI définit un agent IA comme un système centré sur un grand modèle de langage, doté de capacités autonomes de compréhension, perception, planification, mémoire et utilisation d'outils, capable d'automatiser l'exécution de tâches complexes. Contrairement à l'IA classique, un agent IA peut atteindre progressivement ses objectifs grâce à une réflexion indépendante et à l'appel à des outils.
La définition d'un agent IA peut être résumée par plusieurs éléments clés : Perception (Perception) : l'agent perçoit son environnement via des capteurs, caméras ou autres dispositifs d'entrée pour recueillir les informations nécessaires ; Compréhension et raisonnement (Reasoning) : il analyse les données perçues et effectue un raisonnement complexe afin de prendre des décisions pertinentes ; Prise de décision (Decision-making) : sur la base de cette analyse, l'agent IA élabore un plan d'action et choisit le meilleur parcours d'exécution ; Action (Action) : enfin, l'agent met en œuvre ce plan en appelant des API externes ou des interfaces pour interagir avec d'autres systèmes et atteindre son objectif prédéfini.
Le fonctionnement et le processus typique d’un agent IA comprennent généralement les étapes suivantes : Tout d’abord, l’entrée d’information, c’est-à-dire la réception d’informations provenant de l’environnement, telles que des instructions utilisateur ou des données de capteurs ; ensuite, le traitement des données, où l’algorithme intégré et les modèles traitent les données d’entrée en tenant compte du système de mémoire (mémoire à court et long terme) pour comprendre l’état actuel ; puis vient l’élaboration du plan, au cours de laquelle l’agent IA décompose une tâche globale en sous-tâches gérables et établit un plan d’exécution précis. Pendant la phase d’exécution, l’agent IA met en œuvre son plan en appelant des API ou outils externes tout en surveillant le processus pour garantir l’achèvement conforme des tâches ; enfin, le retour d’information et l’apprentissage : une fois la tâche terminée, l’agent procède à une auto-réflexion et apprend à partir des résultats afin d’améliorer la qualité de ses futures décisions.
II. Évolution historique
L’évolution des jetons IA illustre une transition allant du phénomène initial de « MEME » à une intégration technologique approfondie. Initialement, de nombreux jetons attiraient l’attention grâce à des spéculations conceptuelles éphémères et à l’effervescence des réseaux sociaux, à l’instar des mèmes numériques. Cependant, avec la maturation progressive du marché, les jetons IA se sont orientés vers des fonctions plus utiles et avancées, s’éloignant peu à peu du simple battage médiatique pour se transformer en véritables outils financiers blockchain et plateformes d’analyse de données. Nous explorerons comment ces jetons sont passés d’une existence purement conceptuelle à des produits technologiques dotés d’une véritable valeur d’application.
Phase 1 : AI Meme (période de flottement)
Au départ, la plupart des jetons IA existaient sous forme de « MEME », des jetons comme $GOAT, $ACT ou $FARTCOIN n’ayant ni application ni fonctionnalité réelle, leur valeur étant principalement tirée par la spéculation conceptuelle et le climat du marché. À ce stade, l’utilité des jetons restait floue, et le marché comme les utilisateurs connaissaient peu leur potentiel. Leur popularité reposait davantage sur la propagation via les réseaux sociaux et des campagnes promotionnelles à court terme, revêtant ainsi un caractère mystérieux et imprévisible.
Phase 2 : Socialisation (période d’exploration)
Avec l’intérêt croissant pour les jetons IA, ceux-ci ont commencé à se développer dans le domaine social. Par exemple, des jetons comme $LUNA ou $BULLY ont attiré les utilisateurs grâce à des fonctionnalités sociales renforcées. À ce stade, les jetons ne servaient plus uniquement d’instruments spéculatifs mais commençaient à intégrer des communautés dynamiques et des interactions sociales, stimulant ainsi la croissance du marché. Ces jetons ont progressivement élargi leur rôle au-delà d’une simple fonction de « discussion », explorant des fonctionnalités étroitement liées aux besoins sociaux des utilisateurs, développant ainsi des attributs sociaux plus variés.
Phase 3 : Domaines verticaux (période de spécialisation fonctionnelle)
Les jetons IA ont commencé à sortir des modèles simples de socialisation et de spéculation pour explorer des cas d’usage dans des domaines verticaux spécifiques. Des jetons comme $AIXBT ou $ZEREBRO ont acquis des fonctionnalités en s’associant à la blockchain, à la DeFi ou à des outils créatifs, transformant ainsi les jetons en actifs numériques dotés de fonctions et objectifs clairs, bien au-delà d’un simple instrument de spéculation. Cette phase marque une évolution vers des jetons plus efficaces et professionnels, établissant progressivement une position unique sur le marché.
Phase 3.5 : Infrastructure (période de consolidation technique)
Alors que les applications des jetons s’approfondissent, les jetons IA ont commencé à renforcer leurs infrastructures techniques fondamentales. L’arrivée de jetons comme $AI16Z ou $EMP a permis d’optimiser davantage leurs fonctionnalités. Ces jetons ne se concentrent plus seulement sur les incitations économiques et les fonctions pratiques, mais accordent également une attention croissante à la construction d’infrastructures telles que la technologie multi-chaînes, les applications décentralisées (dApps) et l’intégration matérielle, posant ainsi les bases techniques nécessaires à leur développement futur durable.
Phase 4 : Analyse de données (période de maturité)
À ce stade mature, les jetons IA se sont stabilisés sur le marché et intègrent désormais des fonctions avancées d’analyse crypto-investissement, améliorant progressivement leur écosystème et leur structure de gouvernance. Des jetons comme $TRISIG ou $COOKIE ne sont plus de simples outils ; ils font désormais partie intégrante d’un système économique, largement utilisés dans des domaines sophistiqués tels que l’analyse de données, la gouvernance communautaire et la prise de décision d’investissement. À ce moment-là, les fonctionnalités des jetons IA se sont considérablement améliorées, offrant désormais un soutien analytique et décisionnel approfondi au marché, devenant ainsi des actifs importants dans l’univers crypto.
Phase 4.5 : Applications financières (période d’intégration écosystémique)
Avec le développement continu de la DeFi, l’intégration des jetons IA dans les applications financières devient de plus en plus poussée, donnant naissance au nouveau concept de « DeFAI ». Grâce à l’intelligence artificielle, les opérations complexes de la DeFi deviennent plus simples, permettant même aux utilisateurs ordinaires de participer facilement aux activités financières sur chaîne. Des jetons représentatifs comme $GRIFFAIN, $ORBIT ou $AIXBT ont progressivement formé sur le marché une chaîne complète allant des fonctions de base aux services financiers complexes, optimisant les interactions sur chaîne, abaissant les barrières d’entrée et offrant davantage d’opportunités et de commodités aux utilisateurs.
III. Cadre des Agents IA
(1) Comparaison entre données Web3 et Web2
Tandis que les agents IA de Web2 s’enlisent dans les algorithmes de recommandation, les terrains d’expérimentation de Web3 incubent de nombreuses innovations autour des agents IA. Toutefois, les données montrent des différences marquées entre projets Web3 et Web2 concernant la répartition des contributeurs, les soumissions de code et le nombre d’étoiles GitHub. En comparant les données de ces deux types de projets, nous pouvons mieux comprendre leur situation respective en matière d’innovation technologique, d’activité communautaire et d’acceptation sur le marché. En particulier sur GitHub, leur niveau d’activité et de popularité fournit des indicateurs essentiels pour anticiper les tendances futures de la technologie et les évolutions de l’écosystème communautaire.
En termes de participation des développeurs, le nombre de contributeurs aux projets Web2 est nettement supérieur à celui des projets Web3. Plus précisément, les projets Web3 comptent 575 contributeurs contre 9 940 pour les projets Web2, reflétant la maturité de l’écosystème Web2 et sa base de développeurs plus large. Les trois projets les plus contribués sont : Starkchain avec 3 102 contributeurs ; Informers-agents avec 3 009 contributeurs ; Llamaindex avec 1 391 contributeurs.
Pour ce qui est de la distribution des soumissions de code, les projets Web2 affichent également un volume nettement supérieur à celui des projets Web3. Les projets Web3 totalisent 9 238 soumissions contre 40 151 pour les projets Web2, ce qui indique une activité de développement plus intense chez Web2 et une fréquence de mise à jour plus stable. Les trois projets ayant le plus de soumissions sont : ElipsOS en tête avec 5 905 soumissions ; suivi de Dust avec 5 602 soumissions ; LangChain arrive troisième avec 5 506 soumissions.
Répartition des étoiles GitHub. La popularité des projets Web2 sur GitHub dépasse largement celle des projets Web3 : les projets Web2 cumulent 526 747 étoiles contre 15 676 pour les projets Web3. Cet écart reflète la reconnaissance étendue des projets Web2 au sein de la communauté des développeurs et leur influence accumulée sur le marché. Les trois projets les plus étoilés sont : JS Agents sans conteste le plus populaire, avec 137 534 étoiles ; suivi de LangChain avec 98 184 étoiles en deuxième position ; MetaGPT arrive troisième avec 46 676 étoiles.
En résumé, les projets Web2 dominent nettement en nombre de contributeurs et en fréquence de soumissions de code, démontrant ainsi un écosystème mature et stable. Une base de développeurs étendue et une innovation technologique continue permettent aux projets Web2 de maintenir une forte compétitivité sur le marché. En revanche, bien que les projets Web3 aient moins de contributeurs, certains se distinguent par une fréquence élevée de soumissions de code, signe d'une équipe de développement centrale stable capable de faire avancer le projet de façon continue. L’écosystème Web3, bien que encore embryonnaire, possède un potentiel non négligeable, et la communauté de développeurs et la base d'utilisateurs en formation posent des bases solides pour une croissance future.
En matière de popularité, la répartition des étoiles GitHub révèle l’importance majeure de JavaScript et Python dans le développement des cadres d’agents IA. JS Agents et LangChain sont les projets les plus populaires, illustrant un intérêt croissant pour la convergence entre IA et cryptomonnaies. Bien que le nombre d’étoiles des projets Web3 soit bien inférieur à celui des projets Web2, certains projets Web3 comme MetaGPT se démarquent malgré tout et remportent l’adhésion des développeurs. Dans l’ensemble, les projets Web3 sont encore en phase de rattrapage, mais avec la maturation technologique et l’élargissement de l’écosystème, leur position sur le marché pourrait progressivement s’affirmer.
(2) Cadres principaux d’agents IA sur blockchain
Source des données : https://www.aiagenttoolkit.xyz/#frameworks
(3) Défis actuels des cadres d’agents IA sur blockchain
Concurrence "à armes démultipliées" des grands groupes.
Des géants technologiques tels qu'OpenAI, Google et Microsoft lancent rapidement des agents multifonctions officiels, qui, grâce à leurs avantages massifs en financement et en technologie, pourraient à tout moment dominer le marché et marginaliser les cadres émergents. En intégrant profondément les grands modèles de langage (LLM), les services cloud et les écosystèmes d'outils, ces grandes entreprises peuvent fournir des solutions complètes et hautement efficaces, plaçant ainsi les cadres de petite et moyenne taille sous une pression concurrentielle accrue et réduisant fortement leur espace de survie.
Stabilité et maintenabilité insuffisantes.
Actuellement, tous les agents IA font face à des taux d'erreur élevés et au problème courant des « hallucinations », notamment lors d'appels multiples au modèle, entraînant facilement des boucles infinies ou des bogues de compatibilité. Lorsque l'agent doit exécuter plusieurs sous-tâches, ces erreurs tendent à s'amplifier à chaque étape, compromettant la stabilité du système. Pour les applications professionnelles nécessitant une haute fiabilité, ces cadres ne peuvent pas encore assurer une stabilité suffisante ni répondre aux exigences de production, limitant ainsi leur déploiement généralisé dans des environnements commerciaux réels.
Performances et coûts excessivement élevés.
Le processus d'agentification implique souvent de nombreux appels de raisonnement (comme l'autovérification en boucle, les fonctions d'outils, etc.). Si le cadre repose sur des modèles volumineux tels que GPT-4, cela entraîne à la fois des coûts élevés d'appel et une incapacité fréquente à répondre rapidement. Bien que certains cadres tentent d'utiliser des modèles open source pour le raisonnement local afin de réduire les coûts, cette approche dépend toujours de puissantes ressources informatiques, et la qualité des résultats reste instable, nécessitant une équipe spécialisée pour optimiser continuellement le système afin d'assurer sa fiabilité et ses performances.
Écosystème de développement et souplesse insuffisants.
Actuellement, les cadres d'agents IA manquent de normes unifiées en matière de langage de développement et d'extensibilité, ce qui crée de la confusion et des contraintes pour les développeurs lors du choix d’un cadre. Par exemple, Eliza utilise TypeScript, facile à prendre en main mais limité en extensibilité dans les scénarios complexes ; Rig adopte Rust, performant mais difficile d’accès ; ZerePy (ZEREBRO), basé sur Python, convient aux applications de création mais présente des fonctionnalités relativement limitées. D’autres cadres comme AIXBT et Griffain se concentrent davantage sur des applications spécifiques à certaines blockchains ou domaines verticaux, dont la validation sur le marché prendra encore du temps. Les développeurs doivent constamment arbitrer entre facilité d'utilisation, performance et compatibilité multiplateforme, ce qui affecte leur souplesse et leur potentiel de développement dans des usages plus larges.
Risques de sécurité et de conformité.
Les systèmes multi-agents présentent des vulnérabilités lors de l'accès à des API externes, de l'exécution de transactions critiques ou de la prise de décisions automatisées, telles que des appels non autorisés, des fuites de données privées ou des manipulations exploitant des failles. De nombreux cadres ne disposent pas encore de politiques de sécurité ni de traçabilité d'audit suffisamment robustes, un problème particulièrement criant dans les applications industrielles ou financières, où les exigences réglementaires sont strictes. Cela expose les systèmes à de graves risques juridiques et de sécurité des données lors de leur déploiement réel.
Face à ces problèmes, de nombreux acteurs estiment que les cadres actuels d'agents IA pourraient être encore plus marginalisés sous la pression d'une « prochaine percée technologique » ou de « solutions intégrées des grands groupes ». Toutefois, certains pensent que les cadres émergents conservent une valeur unique dans des domaines spécifiques tels que les scénarios sur chaîne, la création ou l'intégration de plugins communautaires. Tant qu'ils parviennent à des avancées en matière de fiabilité, de maîtrise des coûts et de construction d'écosystème, ces cadres peuvent trouver des voies viables en dehors de l'écosystème des grands groupes. En somme, relever les deux défis majeurs — « coûts élevés, propension aux erreurs » et « flexibilité dans de multiples scénarios » — constituera la clé du succès pour tous les cadres d'agents IA.
IV. Directions futures des Agents IA
Généralisation de l'IA multimodale
Grâce à l’évolution rapide de la technologie, l’IA multimodale devient progressivement un moteur clé dans divers secteurs. Capable de traiter plusieurs types de données tels que texte, images, vidéos et audio, l’IA multimodale révèle un potentiel énorme dans de nombreux domaines. Dans le secteur médical, en combinant dossiers médicaux, imageries et données génomiques, elle permet de soutenir la mise en œuvre de soins personnalisés, aidant les médecins à concevoir des traitements plus précis. Dans le commerce de détail et la fabrication, cette technologie optimise les processus de production, améliore l’efficacité et enrichit l’expérience client, renforçant ainsi la compétitivité des entreprises. Avec la progression des données et de la puissance de calcul, on s’attend à ce que l’IA multimodale joue un rôle transformationnel dans de nombreux secteurs, accélérant l’itération technologique et l’expansion des applications.
Intelligence incarnée et intelligence autonome
L’intelligence incarnée (Embodied AI) désigne des systèmes d’intelligence artificielle capables de comprendre et de s’adapter à leur environnement grâce à la perception et à l’interaction avec le monde physique. Cette technologie changera profondément la trajectoire des robots et posera les bases de leur adoption généralisée dans des domaines tels que la conduite autonome et les villes intelligentes. L’année 2025 est considérée comme « l’année zéro de l’intelligence incarnée », période durant laquelle cette technologie devrait connaître une diffusion étendue. En dotant les robots de capacités de perception, de compréhension et de décision autonome, l’intelligence incarnée favorisera une intégration plus étroite entre le monde physique et le monde numérique, augmentant ainsi la productivité et accélérant l’intelligence dans tous les secteurs. Que ce soit dans les assistants personnels, les véhicules autonomes ou les usines intelligentes, l’intelligence incarnée modifiera fondamentalement la manière dont les humains interagissent avec les machines.
L’émergence des agents IA (Agentic AI)
Les agents IA (Agentic AI) désignent des systèmes d’intelligence artificielle capables d’accomplir indépendamment des tâches complexes. Ces agents IA évoluent progressivement d’outils simples de réponse à des requêtes vers des systèmes décisionnels autonomes plus avancés, largement utilisés dans l’optimisation des processus métiers, le service client et l’automatisation industrielle. Par exemple, un agent IA peut traiter seul les demandes des clients, fournir un service personnalisé, voire prendre des décisions d’optimisation. Dans l’automatisation industrielle, un agent IA peut surveiller l’état des équipements, prédire les pannes et intervenir avant qu’un problème n’apparaisse. À mesure que les agents IA mûrissent, leurs applications s’approfondiront dans tous les secteurs, devenant ainsi un outil clé pour améliorer l’efficacité et réduire les coûts.
Application de l’IA en recherche scientifique
L’introduction de l’IA accélère les progrès de la recherche scientifique, en particulier dans l’analyse de données complexes. AI4S (IA pour la science) est devenu une nouvelle tendance de recherche, où les grands modèles permettent une analyse approfondie des données, aidant les chercheurs à dépasser les limites traditionnelles. Dans des domaines tels que la biologie médicale, la science des matériaux ou la recherche énergétique, l’IA impulse des percées fondamentales. Un exemple marquant est AlphaFold, qui, en prédisant la structure des protéines, a résolu un problème de longue date pour les scientifiques, accélérant considérablement les avancées en recherche biomédicale. À l’avenir, l’IA jouera un rôle croissant dans la progression scientifique, la découverte de nouveaux matériaux et de nouveaux médicaments.
Sécurité et éthique de l’IA
Avec la généralisation de l’IA, les questions de sécurité et d’éthique deviennent des sujets mondiaux de préoccupation. La transparence des décisions des systèmes d’IA, leur équité et leurs risques potentiels suscitent de nombreux débats. Pour assurer un développement durable de l’IA, entreprises et gouvernements redoublent d’efforts pour établir des cadres de gouvernance solides, capables de gérer les risques tout en stimulant l’innovation. En particulier dans les domaines de la décision automatisée, de la confidentialité des données et des systèmes autonomes, trouver un équilibre entre progrès technologique et responsabilité sociale devient crucial pour garantir un impact positif de l’IA. Ce défi ne relève pas seulement de la technologie, mais aussi de questions morales et juridiques fondamentales qui influenceront le rôle et la place de l’IA dans la société future.
Nous présenterons dans la « deuxième partie » de ce rapport une analyse détaillée des applications des agents IA, des projets représentatifs ainsi qu’un cadre d’évaluation. Restez attentifs.
Avertissement
Ce contenu est fourni à titre informatif uniquement et ne doit en aucun cas être considéré comme (i) un conseil ou une recommandation d’investissement, (ii) une offre ou une sollicitation d’achat, de vente ou de détention d’actifs numériques, ou (iii) un avis financier, comptable, juridique ou fiscal. Nous n’assurons pas l’exactitude, l’exhaustivité ou l’utilité de ces informations. Les actifs numériques (y compris les stablecoins et les NFT) sont soumis à la volatilité du marché, comportent des risques élevés, peuvent se déprécier voire devenir totalement sans valeur. Vous devez soigneusement évaluer si la transaction ou la détention d’actifs numériques vous convient selon votre situation financière et votre tolérance au risque. Pour toute question relative à votre situation particulière, consultez un professionnel juridique/fiscal/investissement. Certains produits ne sont pas disponibles dans toutes les régions. Pour plus de détails, veuillez consulter les conditions d’utilisation et les clauses de divulgation des risques et de non-responsabilité d’OKX. Le portefeuille mobile OKX Web3 et ses services dérivés sont régis par des conditions d’utilisation distinctes. Il vous appartient de connaître et de respecter les lois et réglementations locales applicables.
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
OKX Ventures
