Au cours des deux dernières années, les « AI Agents » sont passés de simples assistants répondant aux questions dans les chats à des entités logicielles capables de planifier des tâches, d'appeler des outils et d'exécuter des actions en plusieurs étapes consécutives. Le véritable changement de paradigme n'est pas que les chatbots soient devenus plus intelligents, mais que le logiciel ait acquis pour la première fois la capacité d'entrer dans les systèmes économiques et d'agir directement. Ce pas a été rendu possible par la convergence, au même moment, de trois courbes auparavant indépendantes mais désormais matures : Courbe de l'autonomie de l'IA : les capacités des modèles ont sauté de la « conversation » à la « planification + appel d'outils + exécution en plusieurs étapes », permettant au logiciel de remplacer l'humain dans l'exécution de tâches de bout en bout. Courbe des règlements sur chaîne : les stablecoins, l'abstraction de compte (permettant aux portefeuilles d'être programmables comme des logiciels) et l'architecture d'intention ont fourni une couche de règlement 24/7, programmable et vérifiable. Courbe de la conformité des paiements : les organisations de cartes, les protocoles de plateforme et les lois sur les stablecoins ont progressivement « machine » les interfaces commerciales réelles, offrant aux agents des canaux réglementaires pour leurs transactions. Lorsque « prise de décision autonome, règlement ouvert et interfaces commerciales réelles » sont simultanément en place, l'économie des agents trouve son point de départ. Il est essentiel de souligner que l'argument central de cet article n'est pas « les machines peuvent-elles agir de manière autonome ? », mais « les machines peuvent-elles agir de manière autonome dans un cadre contraint ? ». Ce dernier constitue le véritable seuil qui intéresse l'ingénierie, la finance et la régulation. Il convient alors de se demander : pourquoi maintenant, et pas plus tôt ou plus tard ? Au cours des dix dernières années, le trading automatisé était déjà largement répandu : des stratégies quantitatives passaient automatiquement des ordres selon des modèles prédéfinis, les API ouvertes permettaient aux programmes de s'appeler et d'échanger directement, et les RPA simulaient les opérations humaines pour traiter en lot des formulaires et des processus. Mais ils restaient fondamentalement des « exécuteurs de règles codées en dur » : chaque action, chaque branche était prédéfinie par un humain, et ils étaient incapables de réagir face à toute situation non prévue. Ce qui distingue véritablement cette vague, c'est que les agents sont pour la première fois capables, dans un environnement ouvert, de planifier eux-mêmes leur trajectoire et d'appeler en temps réel des outils et des fonds non prévus auparavant. Il s'agit à la fois d'une rupture qualitative et de la source même du risque : une erreur d'un exécuteur de règles est déterministe et reproductible ; une erreur d'un planificateur autonome peut être entièrement nouvelle et imprévisible. Autrement dit, la limite supérieure de l'économie des agents devrait être déterminée par la « confiance déléguée », et non par l'intelligence du modèle ; sa vitesse d'expansion dépendra de la maturité des infrastructures de contrainte, et non de l'amélioration des capacités du modèle. Ces contenus sont extraits du rapport d'étude « Économie des Agents » de Web3Caff Research : « Lorsque le logiciel commence à “dépenser”, les fondations Web3 pour l'économie machine sont-elles déjà en place ? » — Une analyse complète de son contexte historique, de son paysage d'applications, des lacunes technologiques, de son état actuel d'adoption et des défis fondamentaux. Pour consulter la version complète 👇 https://t.co/ID4U0krXzb