Aperçu des outils DeFAI : Comment les agents IA pilotent la gestion d'actifs sur chaîne

Écrit par GO2MARS

Avant de procéder à une analyse approfondie, il est essentiel de clarifier un concept fondamental : DeFAI.

DeFAI est l'acronyme de la fusion entre DeFi (finance décentralisée) et AI (intelligence artificielle), désignant l'intégration d'agents IA dans des scénarios financiers sur chaîne, leur permettant de percevoir l'état du marché, de définir automatiquement des stratégies et d'exécuter directement des opérations sur chaîne — accomplissant ainsi, sans intervention humaine en temps réel, des actions financières traditionnellement réalisées par des professionnels, telles que la gestion d'actifs, la gestion des risques et les interactions avec des protocoles.

En résumé, DeFAI n'est pas simplement une version augmentée par l'IA des outils DeFi, mais vise à construire sur la chaîne une couche d'exécution financière autonome.

Ce secteur s'est considérablement intensifié à partir du Q4 2024, et trois événements marquants méritent d'être soulignés, correspondant respectivement aux trois niveaux d'entrée des AI Agent dans Web3 : la rupture narrative, la construction d'infrastructures assetisées, et la mise en œuvre concrète des capacités d'exécution.

Le premier événement a eu lieu en juillet 2024. Le robot Twitter Truth Terminal, développé par Andy Ayrey, a rapidement gagné en popularité après avoir reçu un don de 50 000 $ en BTC de Marc Andreessen, cofondateur de a16z, et a déclenché la propagation virale de la pièce GOAT. Il s'agissait de la première fois qu'un agent IA entrait véritablement en tant que participant à l'économie sur chaîne dans le champ public.

Le deuxième événement s'est produit en octobre de la même année. Virtuals Protocol a connu un grand succès sur le réseau Base, en tokenisant les agents IA eux-mêmes ; la capitalisation boursière de son écosystème a atteint un pic de 3,5 milliards de dollars, devenant un exemple typique de l'étape d'infrastructure d'assetisation dans le secteur DeFAI.

Le troisième événement est le déploiement sur la couche d'exécution chaîne de projets tels que Giza, HeyAnon et Almanak, poussant l'industrie à passer d'une phase guidée par les récits à une phase de production — les AI Agent commencent réellement à « agir » en effectuant des opérations sur chaîne, et non plus seulement à interagir avec des informations.

Du point de vue de la taille du marché mondial, plusieurs institutions d'étude partagent des prévisions de croissance très cohérentes pour le segment des AI Agent :

Graphique 1 : Comparaison des prévisions de la taille du marché mondial des AI Agent, source : MarketsandMarkets (2025), Grand View Research (2025), BCC Research (2026.01)

Cependant, un écart significatif subsiste entre l'enthousiasme des capitaux et la mise en œuvre industrielle. Selon le rapport de McKinsey de novembre 2025, « The State of AI in 2025 » (basé sur 1 993 répondants dans 105 pays), bien que 88 % des organisations utilisent l'IA dans au moins une fonction métier, près des deux tiers restent à l'étape expérimentale ou pilote. En ce qui concerne le domaine des AI Agents : 62 % des organisations ont commencé à expérimenter, 23 % avancent vers une mise à l'échelle dans au moins une fonction, mais aucune ne dépasse les 10 % de mise à l'échelle dans une fonction unique.

Ces données nous indiquent que la popularité du récit autour du secteur DeFAI dépasse toujours les progrès réels de mise en œuvre. Comprendre cet écart est une condition préalable à une évaluation objective de la valeur de ce secteur.

Pour comprendre comment fonctionne DeFAI, il faut d'abord répondre à une question clé : quel mécanisme permet à l'IA d'intervenir dans les opérations financières sur chaîne ?

L'unité d'exécution centrale du système DeFAI est un AI Agent construit sur la base de grands modèles linguistiques. Selon la revue académique de Wang et al. (2023), ses capacités fondamentales peuvent être regroupées en une architecture en trois niveaux, chacun ayant des fonctions spécifiques dans les scénarios sur chaîne :

• Niveau de planification, chargé de la décomposition des objectifs et de l'optimisation des chemins, correspondant à la génération de stratégies et à l'évaluation des risques dans les scénarios sur chaîne ;
• Couche de mémoire, qui permet l'accumulation d'informations cross-period via des bases de données vectorielles et d'autres stockages externes, en hébergeant les données historiques du marché et l'état des protocoles ;
• Couche d'outils, étend les capacités du modèle pour lui permettre d'appeler des systèmes externes tels que des protocoles DeFi, des oracles de prix et des ponts cross-chain.

Cependant, il est important de préciser que les modèles d'IA ne peuvent pas interagir directement avec la blockchain. La plupart des systèmes DeFAI actuels adoptent une architecture séparant l'inférence hors chaîne de l'exécution sur chaîne : l'agent IA effectue les calculs de stratégie hors chaîne, puis convertit les résultats en signaux de transaction sur chaîne, que le module d'exécution soumet à sa place. Cette conception architecturale est à la fois un choix pratique imposé par les conditions technologiques actuelles et une source de questions de sécurité liées à l'autorisation des clés privées et à la gestion des permissions.

Un agent IA est fondamentalement un système de prise de décision autonome basé sur un modèle de langage à grande échelle, qui réalise une exécution en boucle fermée grâce à la décomposition des tâches, à la gestion de la mémoire et à l'appel d'outils, et l'interaction des agents IA avec les actifs sur chaîne est déjà en voie de se concrétiser.

Graphique 2 : Architecture en trois niveaux de l'agent IA

Une fois la base technique de DeFAI clarifiée, une question naturelle se pose : comment ce système en est-il arrivé à aujourd'hui ?

Selon une étude de The Block, l'évolution des DeFAI n'est pas survenue du jour au lendemain, mais a traversé deux phases distinctes : passant des agents interactifs initiaux axés sur le traitement d'informations aux systèmes exécutifs capables d'intervenir directement dans les opérations sur chaîne.

Ils présentent des différences fondamentales en termes de cible, de méthodes techniques et de niveau de risque.

Graphique 3 : Comparaison des deux voies d'évolution de DeFAI

La trajectoire d'évolution en deux phases peut être comprise ainsi :

La première vague concerne les agents interactifs, axée sur la construction d’un cadre d’agents capables de dialoguer et d’analyser. Les projets représentatifs incluent le cadre Eliza d’ElizaOS (anciennement ai16z) et le G.A.M.E. de Virtuals. À ce stade, la nature demeure celle d’un outil d’information — les agents peuvent lire, parler et analyser, mais leur champ d’action s’arrête au niveau informationnel sans toucher à aucune opération sur des actifs.

La deuxième vague concerne les agents DeFAI exécutifs, qui entrent véritablement dans une boucle de décision et d'exécution. Les projets représentatifs incluent HeyAnon, Wayfinder, Giza (ARMA Agent) et Almanak. Ces systèmes partagent une caractéristique commune : l'IA fonctionne hors chaîne, génère des signaux de stratégie structurés et effectue les transactions via un module d'exécution sur chaîne — elle ne remplace pas les protocoles DeFi existants, mais ajoute une couche de décision par IA, transformant ainsi toute la chaîne d'opérations de « l'humain donne des instructions » à « l'agent exécute automatiquement ».

La différence fondamentale entre les deux vagues ne réside pas dans la complexité technologique, mais dans la véritable interaction avec les actifs. Cela détermine que les défis auxquels fait face le système de la deuxième vague en matière de mécanisme de confiance, de conception des autorisations et d'architecture de sécurité sont bien plus complexes que ceux de la première vague — ce qui sera l'objet central du prochain chapitre.

DeFAI, de son architecture technique à sa trajectoire d'évolution, a progressivement clarifié ses capacités. Mais en termes de produits concrets, quels problèmes réels résout-il actuellement ?

Dans l'ensemble, l'exploration des applications DeFAI a déjà établi un cadre relativement mature autour de quatre axes principaux, correspondant aux quatre problématiques centrales des opérations sur chaîne : « efficacité des rendements, exécution des stratégies, seuil d'entrée et gestion des risques ».

Optimisation des rendements : rééquilibrage automatique entre protocoles

L'optimisation des rendements est le scénario d'application DeFAI le plus mature actuellement mis en œuvre. Son logique fondamentale consiste à scanner en continu les rendements annuels des dépôts sur les protocoles DeFi principaux tels qu'Aave, Compound et Fluid, à évaluer, en fonction de paramètres de risque prédéfinis, si un rééquilibrage est nécessaire, et à effectuer une analyse des coûts de transaction avant chaque opération — ne transférant les fonds que lorsque l'augmentation du rendement couvre l'ensemble des frais gas et de transaction, afin d'assurer une allocation optimale et automatisée entre protocoles.

À titre d'exemple, Giza a lancé son ARMA Agent sur le réseau Base en février 2025, avec une stratégie de rendement en stablecoin, surveillant en continu les variations des taux d'intérêt des protocoles tels qu'Aave, Morpho, Compound et Moonwell, et optimisant intelligemment la répartition des fonds des utilisateurs en tenant compte du APY des protocoles, des coûts de frais et de la liquidité pour maximiser les rendements. Selon les données publiques, ARMA compte actuellement environ 60 000 détenteurs indépendants, plus de 36 000 agents déployés, et une valeur totale des actifs gérés (AUA) dépassant 20 millions de dollars.

Dans un environnement de marché où les rendements des protocoles DeFi restent volatils, l'efficacité et la réactivité de la surveillance manuelle et du rééquilibrage manuel sont bien inférieures à celles d'un système automatisé, ce qui constitue la valeur fondamentale de ce scénario.

Figure 4 : Exemple d'agent ARMA sur la plateforme Giza

Automatisation des stratégies quantitatives : la démocratisation des capacités institutionnelles

Dans les scénarios d'automatisation des stratégies quantitatives, la plateforme DeFAI vise à modulariser et automatiser l'ensemble du processus des équipes quantitatives traditionnelles, permettant aux utilisateurs individuels d'accéder à des capacités d'exécution de stratégies d'un niveau institutionnel.

À titre d'exemple avec Almanak soutenu par Delphi Digital, son système AI Swarm décompose le processus de quantification en quatre étapes :

• Le module de stratégie prend en charge l'écriture de logiques d'investissement et l'effectuation de backtests via le SDK Python ;
• L'exécuteur démarre automatiquement le code de stratégie approuvé et déclenche les appels DeFi après avoir obtenu l'autorisation de l'utilisateur ;
• Le portefeuille sécurisé construit sur Safe + Zodiac met en place un système de signature multiple, accordant aux agents IA l'autorité d'exécuter des stratégies via un contrôle des rôles et des permissions, garantissant que les fonds restent toujours sous le contrôle de l'utilisateur ;
• Le vault de stratégie empaquette les stratégies sous forme de vaults négociables conformes à la norme ERC-7540, permettant aux investisseurs de participer à la répartition des revenus de la stratégie comme des parts de fonds.

L'importance de cette architecture réside dans le fait que les agents IA prennent en charge l'analyse des données, l'itération des stratégies et la gestion des risques, tandis que l'utilisateur n'a qu'à valider finalement les résultats du système, sans avoir à constituer une équipe de quantification professionnelle — réalisant ainsi ce que le projet appelle « la démocratisation des stratégies de niveau institutionnel ».

Figure 5 : Capture d'écran de la page d'accueil de la plateforme Almanak

Exécution des instructions en langage naturel : rendre les opérations DeFi aussi simples qu'envoyer un message

Le cœur de ce scénario repose sur des opérations DeFi basées sur l'intention de l'utilisateur (Intent-based DeFi) : grâce à des technologies de traitement du langage naturel, les utilisateurs passent des ordres de trading en langage courant, et l'IA les interprète pour les convertir en opérations chaîne en plusieurs étapes, réduisant considérablement la barrière à l'entrée pour les utilisateurs ordinaires.

HeyAnon a créé une plateforme de chat DeFAI où les utilisateurs peuvent saisir des commandes dans une boîte de discussion, et l'IA exécute automatiquement des opérations sur chaîne telles que l'échange de jetons, le pont cross-chain, le prêt et le staking, intégrant des protocoles comme LayerZero et Aave v3, avec un déploiement multi-chain pris en charge sur Ethereum, Base, Solana, etc.

Graphique 6 : Capture d'écran de la page d'accueil de la plateforme HeyAnon

Wayfinder, financé par Paradigm, propose des services de trading cross-chain avancés. Ses agents IA (appelés Shells) recherchent automatiquement le meilleur itinéraire de transaction entre différentes chaînes, exécutant des transferts cross-chain, des échanges de jetons ou des interactions NFT, sans que l'utilisateur doive gérer les détails techniques sous-jacents tels que les frais gas ou la compatibilité cross-chain.

Figure 7 : Capture d'écran de la page d'accueil de la plateforme Wayfinder

En résumé, l’interface en langage naturel réduit considérablement la barrière à l’entrée pour les DeFi, mais exige également une précision accrue dans l’interprétation des intentions sous-jacentes — une erreur de compréhension de la part de l’IA peut entraîner des résultats très éloignés des attentes de l’utilisateur.

Risk management and liquidation monitoring: mechanisms embedded within the on-chain protocol

Dans les scénarios de prêt et de levier DeFi, l'application la plus courante des agents IA consiste à surveiller en temps réel la santé des positions sur chaîne et à exécuter automatiquement des mesures de protection avant l'atteinte du seuil de liquidation. Cette fonctionnalité essentielle est progressivement intégrée dans les principaux protocoles DeFi, devenant une fonction native des plateformes DeFi.

• Aave utilise le « facteur de santé » pour mesurer la sécurité des positions ; lorsque le facteur de santé est inférieur à 1,0, la position de l'emprunteur devient éligible à la liquidation ;
• Compound utilise un mécanisme de « facteur de garantie de liquidation » ; la liquidation est déclenchée lorsque le solde emprunté du compte dépasse la limite fixée par ce facteur, chaque actif garanti ayant des paramètres spécifiques déterminés par la gouvernance sur chaîne.

La surveillance humaine peine à maintenir une efficacité de réponse cohérente sur des marchés en ligne à forte volatilité 24/7 ; les agents IA permettent ici un suivi continu, une évaluation intelligente et une intervention automatique, portant l'efficacité de la gestion des risques à un niveau inaccessible aux systèmes humains ou automatisés par règles.

Graphique 8 : Les quatre principaux cas d'utilisation d'Agent×DeFi

Dans l'ensemble, les quatre scénarios mentionnés ci-dessus ne sont pas indépendants, mais se complètent autour d'un même fil directeur : l'optimisation des rendements et l'automatisation des stratégies quantitatives ciblent les utilisateurs avancés disposant d'une certaine taille de portefeuille, avec un avantage majeur en termes d'efficacité d'exécution et de précision des stratégies ; l'interaction par langage naturel vise à réduire la barrière d'entrée pour les utilisateurs ordinaires ; la gestion des risques constitue la sécurité fondamentale sous-jacente à tous les scénarios. Ensemble, ces trois éléments forment le cadre d'implémentation actuel de DeFAI et posent les bases pour des applications futures plus complexes d'agents sur chaîne.

Les quatre scénarios d'utilisation mentionnés précédemment, qu'il s'agisse d'optimisation des rendements ou d'automatisation de stratégies quantitatives, ne peuvent être réalisés qu'à une condition : l'agent IA doit posséder un type de permission de signature, c'est-à-dire un accès aux clés privées. Il s'agit du défi technique le plus crucial de tout le secteur DeFAI, et aussi celui le plus facilement masqué par la popularité des récits — une vulnérabilité dans le mécanisme de signature rendrait toutes les capacités stratégiques en amont sans signification.

Actuellement, les solutions principales de gestion sécurisée des clés privées dans l'industrie se divisent en deux catégories : le calcul multipartite (MPC) et l'environnement d'exécution fiable (TEE). Chacune se distingue par ses priorités en matière de modèle de sécurité, de niveau d'automatisation et de complexité technique.

Graphique 9 : Tableau de comparaison des deux principales solutions de sécurité pour la gestion des clés privées

• L'idée centrale du MPC (Multi-Party Computation, calcul multipartite) consiste à éliminer les points uniques de défaillance par la segmentation des clés. Par exemple, avec une signature seuil 2 sur 3 courante, même si une clé est compromise, un attaquant ne peut pas signer indépendamment, et les fonds restent sécurisés. Vultisig est un produit représentatif dans ce domaine : il s'agit d'un portefeuille auto-géré multi-chaines open source basé sur les technologies MPC/TSS, qui adopte une architecture sans mnémonique unique, combinant sécurité des clés et auto-gestion par l'utilisateur.
• TEE (Trusted Execution Environment) emprunte une autre voie : il stocke la clé privée et le code proxy ensemble dans une zone isolée protégée par le matériel (enclave), où l'agent IA effectue les calculs de stratégie et la signature, ne transmettant que le résultat de la signature sur la chaîne, rendant la clé privée complètement invisible depuis l'extérieur. Les principaux processeurs, tels qu'Intel SGX, AMD SEV et ARM CCA, offrent tous un support de isolation et de chiffrement au niveau matériel. Chainlink a intégré le TEE dans son réseau d'oracles pour traiter des données sensibles et utilise un mécanisme d'authentification à distance pour prouver l'intégrité de l'environnement d'exécution à l'extérieur.

Cependant, la sécurité des clés n'est qu'une première ligne de défense. Dans un déploiement réel, quel que soit le schéma de gestion des clés utilisé, il est nécessaire de superposer un mécanisme de contrôle d'accès pour empêcher les opérations non autorisées par l'Agent. La pratique d'Almanak offre un cadre de référence relativement complet : la plateforme utilise simultanément une stratégie de protection TEE pour les logiques et les paramètres secrets, et intègre une couche de permissions Zodiac Roles Modifier entre le moteur de déploiement et le compte intelligent Safe détenu par l'utilisateur — chaque transaction initiée par l'IA doit être comparée une à une avec une liste blanche d'adresses de contrat, de fonctions et de paramètres prédéfinis ; les transactions hors du périmètre autorisé sont automatiquement rejetées.

La mise en œuvre de ce principe de moindre privilège est devenue une référence importante dans la conception de la sécurité des systèmes DeFAI. Elle révèle une logique plus profonde : les problèmes de sécurité de DeFAI ne sont pas fondamentalement liés à un choix technologique unique, mais constituent un projet systémique reposant sur la synergie entre la gestion des clés, les limites de permissions et l’audit d’exécution — toute absence dans l’un de ces volets peut devenir le maillon le plus faible de toute la chaîne. C’est précisément à partir de ce constat que commence l’analyse des risques du prochain chapitre.

L'analyse ci-dessus révèle une conclusion fondamentale :

VCX n'est pas valorisé en raison d'une sélection d'actifs supérieure ou d'attentes de rendement plus élevées, mais parce qu'il vend le canal lui-même. Pour cela, une question doit être posée : quelle est la nature exacte du produit VCX ?

Sur le plan juridique, il s'agit d'un fonds fermé enregistré auprès de la SEC, avec une transparence des actifs et une structure conforme, sans différence fondamentale avec n'importe quel ETF action classique sur le marché. Toutefois, en termes de fonctionnalité réelle, il ne vend pas une « attente de rendement » au sens traditionnel, mais un accès au volet actif — auparavant réservé aux meilleurs fonds de capital-risque et aux investisseurs qualifiés — et cet accès est conditionné en unités négociables sur le NYSE.

Ainsi, le marché est disposé à payer une prime de 16 à 30 fois la NAV, évaluant essentiellement ce droit d'accès, et non les rendements futurs des actifs sous-jacents.

Du point de vue de cette analyse, la comparaison entre VCX et MicroStrategy (MSTR) est révélatrice. Les deux entreprises semblent accomplir des tâches similaires : transformer des actifs rares difficiles à obtenir directement (bitcoin / actions de niveau supérieur en pré-IPO) en titres négociables sur le marché secondaire, et afficher sur le marché une prime bien supérieure à la valeur sous-jacente des actifs. Toutefois, leurs logiques de financement fondamentales diffèrent profondément :

• MSTR tire des fonds en émettant continuellement des obligations convertibles et des actions privilégiées, puis utilise ces fonds pour acheter davantage de bitcoins. Ce mécanisme lui confère la capacité d'élargir dynamiquement son bilan et d'augmenter continuellement ses détentions, ce qui confère à son prix d'action une prime soutenue par une base interne.
• VCX est limité par la structure d'un fonds fermé : sa taille d'actifs est essentiellement figée après l'émission, empêchant tout rachat continu d'actifs nouveaux par un financement supplémentaire, et sa liquidité dépend fortement d'un IPO ou d'une fusion-acquisition de l'entreprise sous-jacente. Une fois que l'enthousiasme des investisseurs particuliers s'est dissipé ou que la période de blocage de six mois a expiré, augmentant ainsi l'offre disponible, la pression à la baisse sur sa prime sera bien supérieure à celle de MSTR.

Comparaison entre VCX et MSTR (Strategy)

Autrement dit, la prime de MSTR est soutenue par un mécanisme de capital en constante rotation, tandis que la prime de VCX provient principalement de la rareté des actifs et de la dynamique émotionnelle. Ce modèle produit n'est ni bon ni mauvais en soi, mais les risques qu'il implique sont plus difficiles à évaluer correctement par le marché que ceux des fonds fermés classiques :

Une fois que les petits investisseurs achètent à un prix bien supérieur à la NAV, ils paient en réalité une prime d'accès, et non la valeur réelle des actifs — cette prime subira une pression rapide pour retomber à zéro une fois que l'entreprise sous-jacente aura effectué son IPO et que des canaux de négociation directs auront été établis sur les marchés publics.

Sur la base de l'analyse précédente, il est possible d'établir une évaluation progressive du parcours de développement de DeFAI. Dans l'ensemble, ce segment se trouve actuellement à un point clé de transition entre la validation conceptuelle et la mise en produit, et son évolution devrait traverser trois phases successives :

Graphique 11 : Prévision des étapes de développement de DeFAI

Remarque : Le tableau ci-dessus est basé sur une évaluation globale des rapports publics du secteur, de l'avancement des projets et de la maturité technologique ; il ne s'agit pas d'un calendrier certain.

Au stade actuel, DeFAI se trouve dans une phase de transition entre l’assistance à la prise de décision et la demi-autonomie — certains projets ont déjà commencé à assumer des capacités d’exécution autonome dans des limites restreintes, mais les mécanismes de vérification et de sauvegarde humains restent la forme de déploiement dominante. Dans ce contexte, compte tenu du niveau actuel de maturité technologique et de la situation du marché, trois jugements méritent une attention particulière.

Premièrement, la plupart des projets DeFAI actuels restent des outils d'automatisation, et non de véritables agents autonomes. Les produits étiquetés comme « DeFAI » aujourd'hui possèdent principalement la capacité de traduire les instructions humaines en séquences prédéfinies d'opérations DeFi ; ils ressemblent davantage à des interfaces d'exécution efficaces qu'à des systèmes autonomes dotés d'une capacité de raisonnement et de prise de décision indépendante. Selon le rapport de McKinsey de 2025, même dans des scénarios d'entreprise généraux, moins de 10 % des organisations ont mis en œuvre à grande échelle des agents IA dans une seule fonction. Les barrières de confiance et la complexité opérationnelle dans les environnements sur chaîne sont encore plus élevées ; il reste un long chemin à parcourir pour passer des démonstrations techniques à une boucle commerciale réelle.

Deuxièmement, le domaine le plus mature et le plus facile à faire accepter par les institutions pour les agents IA n'est pas les transactions autonomes à haut risque, mais la surveillance, les alertes et l'assistance à la gouvernance sur chaîne. Des scénarios tels que la surveillance des positions 7×24 heures, les alertes de liquidation et l'analyse des propositions de gouvernance présentent d'une part une tolérance relativement élevée aux hallucinations des LLM — une erreur de sortie ne déclenche pas directement une perte de fonds — et d'autre part permettent de compenser efficacement les déficiences humaines en matière de concentration continue. Ces scénarios constituent un chemin plus réaliste pour que le DeFAI passe de la « démonstration technologique » à l'« adoption institutionnelle ».

Troisièmement, la fusion entre les agents IA et les RWA constitue un croisement prometteur à surveiller de près dans ce secteur. Selon les données de RWA.xyz, au début avril 2026, la valeur totale des actifs RWA tokenisés sur chaîne a dépassé 27 milliards de dollars américains (hors stablecoins), couvrant plusieurs catégories telles que les obligations américaines, le crédit privé, les matières premières et les obligations d'entreprises. Si des agents IA peuvent intervenir pour gérer un portefeuille combinant des actifs RWA en obligations et des stablecoins — par exemple en ajustant automatiquement la répartition entre ces deux composants en fonction des conditions du marché — la taille des actifs accessibles dépassera largement le cadre actuel axé sur les actifs natifs DeFi, et pourra véritablement relier les actifs en ligne et hors ligne, réalisant ainsi une synergie entre Web3 + IA + TraFi, élargissant considérablement le potentiel du marché.

Les agents IA et la gestion des actifs sur chaîne sont actuellement à un stade clé de transition de la preuve de concept vers la production. La faisabilité technique a été partiellement démontrée, mais les défis auxquels l'industrie fait face — notamment les risques d'hallucinations des LLM, l'hétérogénéité des données sur chaîne et l'absence d'infrastructure de confiance — ne peuvent être résolus uniquement par des itérations technologiques. Ils nécessitent une approche systématique incluant la conception d'architecture de projet, la planification d'une voie de conformité, la mise en place d'un système de sécurité et la validation du modèle économique.

Cela signifie également que ce secteur est encore en phase de construction précoce, et que le paysage concurrentiel n’est pas encore établi. Pour les équipes capables de maîtriser à la fois Web3 et l’IA, le moment est idéal pour entrer sur le marché — que ce soit en construisant des systèmes d’agents chainés plus fiables au niveau de l’exécution, ou en comblant les lacunes cruciales au niveau de l’infrastructure en matière de données, d’autorisations et de confiance.

Les barrières à l'entrée de DeFAI ne reposent finalement ni sur la capacité unique d'un modèle ni sur la profondeur d'intégration d'un protocole, mais sur la capacité à établir une boucle fermée véritablement cohérente entre technologie, conformité et sécurité.