Auteur : Zen, PANews
Vous avez passé six mois à faire en sorte que ChatGPT comprenne vos habitudes de travail, votre style d'écriture et vos projets à long terme. Il sait comment vous avez l'habitude de modifier les articles, les entreprises que vous suivez souvent, et commence à comprendre vos préférences en matière de structure de contenu, de ton et de densité d'information.
Mais un jour, un nouveau modèle plus puissant apparaît. Vous ouvrez Claude, Gemini ou DeepSeek, et vous vous rendez compte qu'il faut tout recommencer. Le nouveau modèle ne vous connaît pas, ignore le contexte de travail que vous avez accumulé ces derniers mois, et ne sait pas comment vous pensez, écrivez ou prenez des décisions.
Ces deux dernières années, la concurrence la plus importante dans l'industrie de l'IA s'est articulée autour des "capacités des modèles". La force de raisonnement, la longueur du contexte et les compétences en programmation déterminaient presque tout. Mais aujourd'hui, une nouvelle question émerge : l'IA vous comprend de plus en plus, mais à qui appartient cette "compréhension" ?
Changement de rôle : l'IA passe d'un outil de conversation à un assistant numérique personnel
En novembre 2022, le chatbot IA ChatGPT fait une entrée fracassante. Son lancement déclenche une vague de discussions dans le monde entier, atteignant 100 millions d'utilisateurs actifs mensuels en seulement deux mois, devenant ainsi l'application grand public à la croissance la plus rapide de l'histoire. À l'époque, les grands modèles ressemblaient davantage à une "recherche avancée". L'utilisateur posait une question à l'IA, qui générait une réponse instantanée ; à la fin de la conversation, la relation s'interrompait.
Mais ces deux dernières années, le rôle de l'IA a connu une évolution notable. Avec l'amélioration constante de ses capacités de raisonnement, de programmation et d'appel d'outils, l'IA commence à s'intégrer profondément dans les flux de travail réels. De plus en plus de personnes l'utilisent pour écrire du code, organiser des documents, analyser des données, planifier des itinéraires, gérer des agendas, voire participer à long terme à la création de contenu et aux décisions commerciales.
Dans de nombreux cas, les utilisateurs ne se contentent plus de "poser des questions à l'IA", mais collaborent avec elle à long terme. Elle commence à comprendre votre façon de travailler, vos habitudes d'expression et vos objectifs à long terme, et participe également de manière continue à un même projet, un même flux de travail, assumant même progressivement certaines tâches d'exécution. D'une certaine manière, l'IA est en train de passer d'un outil de réponse ponctuel à un assistant numérique personnel existant à long terme.
Et avec l'amélioration significative des capacités des modèles, la convergence des performances des principaux produits et l'utilisation prolongée et étendue de l'IA, de nouveaux problèmes commencent à émerger.
Une fois que l'IA commence à collaborer sur le long terme, la "mémoire", en tant que système qui stocke et rappelle les expériences passées pour améliorer les décisions et la performance globale, cesse d'être une simple base de données insignifiante. Dans de nombreux scénarios d'application, le goulot d'étranglement n'est plus le niveau de raisonnement du modèle, mais la capacité à gérer la mémoire à long terme et le contexte. Cloudflare qualifie également la mémoire agentique comme l'un des plus grands défis actuels de l'infrastructure IA, et en même temps l'un des domaines qui évoluent le plus rapidement.
Les grandes entreprises d'IA ont également pris conscience que la mémoire à long terme devient une partie de l'expérience produit. OpenAI divise la mémoire de ChatGPT en saved memories (mémoires sauvegardées) et Reference chat history (historique de conversation de référence), la première conservant les informations que l'utilisateur souhaite garder à long terme, la seconde permettant à ChatGPT d'extraire des contenus utiles des conversations passées pour fournir des réponses personnalisées. Gemini commence également à apprendre les préférences de l'utilisateur à partir des conversations précédentes. Claude a lancé memory et prend en charge l'importation et l'exportation de mémoires.
Les silos de plateforme font de la "mémoire" de l'IA un nouveau champ de bataille industriel
Mais le problème est que ces capacités de mémoire restent globalement centrées sur leur propre plateforme, n'appartenant qu'à son système de compte et son environnement produit indépendants, formant encore des îlots isolés. Anthropic prend déjà en charge l'import/export de mémoire, mais cela ressemble actuellement plus à un outil de migration vers Claude qu'à une norme de mémoire universelle adoptée conjointement par toutes les entreprises.
Et ce sur quoi ZetaChain veut se positionner, c'est précisément cette lacune. Après s'être tourné pleinement vers l'IA, ZetaChain a commencé à étendre le concept de "propriété", originellement issu du monde de la crypto, à la mémoire de l'IA et au contexte utilisateur. Il espère construire non pas seulement un produit de discussion, mais une couche de mémoire privée (Private Memory Layer) indépendante des plateformes de modèles, permettant aux utilisateurs de véritablement posséder leur mémoire à long terme, leurs préférences comportementales et leur contexte IA.
Le produit grand public d'IA de ZetaChain, Anuma, prône que les utilisateurs possèdent une mémoire privée chiffrée et prend en charge une utilisation fluide entre différents modèles d'IA grand public comme ChatGPT, Claude, Gemini, etc. L'utilisateur n'a pas à reconstruire le contexte, les préférences et les habitudes de travail à chaque changement de modèle, mais contrôle lui-même les autorisations d'accès, apportant son historique de mémoire dans différents modèles et Agents.
Alors que l'IA accumule progressivement les préférences d'utilisation, les habitudes d'écriture, les flux de travail et l'historique des conversations de l'utilisateur, la prétendue "mémoire" ressemble de plus en plus à un "miroir de personnalité". Elle peut non seulement déterminer si les réponses du modèle correspondent aux préférences de l'utilisateur, mais aussi décider si le modèle, en prenant des décisions pour vous à l'avenir, agira selon vos habitudes et vos valeurs.
En plus de donner aux utilisateurs la propriété de leur mémoire et de leur permettre de choisir des modèles aux spécialités différentes selon les tâches, Anuma construit également un système d'autorisations programmable, auditable et révocable, permettant à un agent IA de lire les enregistrements une fois, avec la possibilité de révoquer les autorisations à tout moment, et tous les changements d'autorisations peuvent être enregistrés et tracés sur la chaîne.
De plus, la mémoire et le graphe de connaissances de l'utilisateur pourront devenir des actifs partageables, autorisables, monétisables, sans exposer les données brutes. Cela permet aux utilisateurs de professions comme les investisseurs, médecins, avocats et développeurs, d'encapsuler leurs connaissances expertes dans un Agent, de le publier sur l'Agent Marketplace et de générer des revenus lors de son utilisation par d'autres.
De l'interopérabilité inter-chaînes à l'interopérabilité inter-plateformes IA : Pourquoi ZetaChain change-t-il d'orientation ?
Ce qui permet à Anuma de réaliser les fonctions ci-dessus est l'infrastructure sous-jacente Private Memory Layer développée par ZetaChain. En tant qu'infrastructure de mémoire privée, d'identité, d'autorisations, de paiement et d'agents pour l'IA, elle vise à permettre aux applications et aux agents intelligents de collaborer à travers les modèles, tout en laissant à l'utilisateur le contrôle permanent.
ZetaChain s'est longtemps concentré sur l'infrastructure d'interopérabilité inter-chaînes, avec pour objectif principal de résoudre les problèmes de transfert d'actifs et de messages entre différentes blockchains. Dans sa quête d'être une "entrée unifiée multi-chaînes", il a développé un réseau et un récit d'une envergure considérable. Selon ses données officielles, cette blockchain compte 11,9 millions d'adresses uniques et 241 millions de transactions.
Mais après le lancement public d'Anuma le 27 avril de cette année, et après avoir dépassé les 50 000 utilisateurs au cours du premier mois, ZetaChain a décidé de se tourner pleinement vers l'IA et de fermer progressivement ses activités d'interopérabilité inter-chaînes. Derrière cette transformation se cache une logique interne relativement claire.
Auparavant, ZetaChain traitait principalement des problèmes d'interconnexion entre chaînes. Dans le monde actuel de l'IA, des fractures similaires existent. D'une certaine manière, les actifs numériques par rapport à la blockchain sont comme la mémoire et le contexte par rapport à l'IA. Différents modèles ont leurs propres systèmes de mémoire fermés, et lorsqu'un utilisateur change de plateforme, le contexte accumulé à long terme et ses préférences comportementales sont souvent interrompus.
Au fil des dernières années, ZetaChain estime que le plus grand défi auquel il est confronté aujourd'hui n'est plus le transfert inter-chaînes entre blockchains, mais la continuité entre différents modèles, différents Agents, et la question de la propriété de l'utilisateur sur son propre contexte.
A16z crypto l'avait également mentionné dans un article d'analyse : les agents commencent à devenir des acteurs économiques, mais il leur manque une identité portable, des paiements programmables, des autorisations vérifiables et une couche de coordination publique nécessaire à la collaboration entre environnements. Ainsi, par rapport à de nombreux projets IA + Crypto qui cherchent artificiellement des scénarios d'application, la logique de transformation de ZetaChain est beaucoup plus fluide.
Dans l'histoire commerciale, la transformation réussie d'une entreprise d'infrastructure n'est pas rare. Ces entreprises ne changent généralement pas simplement de secteur, mais poursuivent une nouvelle contrainte basée sur la logique produit. La principale narration de Nvidia à ses débuts était le calcul graphique et les cartes graphiques pour jeux, mais avec l'essor de l'IA, son architecture GPU est finalement devenue l'infrastructure centrale de toute l'industrie de l'IA. L'infrastructure ne tourne jamais éternellement autour de la même contrainte, et les véritables gagnants sont souvent ceux qui identifient le plus tôt l'émergence de la "prochaine contrainte".
De la couche de mémoire privée à la couche de consommation IA
Avec le développement explosif de l'IA, il est clair que la future forme de l'IA ne se limitera pas à une fenêtre de discussion, mais évoluera progressivement vers une multitude d'assistants IA existant à long terme et collaborant les uns avec les autres. Sur la base de cette prémisse, ZetaChain, après avoir proposé la "couche de mémoire privée" et tenté de résoudre la question de la compréhension à long terme de l'utilisateur par l'IA, a en outre avancé le concept de "couche de consommation IA (AI Consumer Layer)", espérant redéfinir la relation entre l'utilisateur et l'IA après que celle-ci ait longtemps travaillé en son nom.
Dans la vision de ZetaChain, l'IA future ne se contentera pas de répondre aux questions, mais participera profondément au flux de travail et aux décisions quotidiennes de l'utilisateur. Différents assistants IA seront responsables de différentes tâches : certains traiteront le code, d'autres organiseront les finances, d'autres planifieront les déplacements, et d'autres encore participeront à long terme à la création de contenu et à l'analyse de recherche. Et pour que ces IA puissent réellement travailler en synergie, elles doivent partager le même système de contexte à long terme, d'identité et d'autorisations.
Par conséquent, la prétendue "couche de consommation IA" tente essentiellement d'intégrer des capacités originellement dispersées en un cadre unifié. Dans ce cadre, la Memory est responsable du contexte à long terme, les Permissions du contrôle des autorisations, l'Identity du système d'identité, les Payments des appels et paiements entre IA, et les Agents sont le réseau d'IA qui exécute finalement les tâches au nom de l'utilisateur.
C'est aussi pourquoi la "propriété" est devenue le concept central que ZetaChain souligne à maintes reprises.
Parce que dans ce système, le fait que l'utilisateur possède encore son propre contexte, ses autorisations et son identité devient la chose la plus importante. Par exemple, à l'avenir, une IA chargée de la revue de code pourrait être temporairement autorisée à lire un dépôt GitHub ; une IA chargée de l'organisation fiscale pourrait lire une fois les documents de déclaration ; une IA chargée de l'organisation des voyages ne pourrait accéder qu'à l'historique des déplacements et aux autorisations d'accès au calendrier. Les autorisations ne seraient plus contrôlées de manière unifiée par la plateforme, mais dynamiquement attribuées par l'utilisateur, avec possibilité de les révoquer à tout moment.
Et c'est précisément pour cela que la blockchain commence à retrouver un lien avec l'IA.
Lorsque de plus en plus d'IA travailleront simultanément au nom des utilisateurs, des questions comme "qui peut accéder à quoi", "les autorisations sont-elles révocables" et "les appels sont-ils traçables" deviendront progressivement de nouveaux problèmes d'infrastructure. Et le système d'autorisations sur chaîne est naturellement adapté pour gérer ce type de relations de collaboration multipartites.
Le jeton d'"infrastructure IA" ZETA, dont l'utilité croît avec la transformation
La fonction et l'utilité du jeton ZETA sont ajustées en parallèle de la stratégie de ZetaChain. Auparavant, ZETA ressemblait davantage à un jeton de chaîne publique traditionnel, assumant principalement les fonctions de Gas, de validation et de sécurité réseau inter-chaînes, sans beaucoup d'innovation dans sa conception mécanique. Mais dans le nouveau récit, ZETA deviendra un "jeton d'infrastructure IA" et son utilité augmentera considérablement.
Selon la description actuelle de ZetaChain, ZETA assumera à l'avenir plusieurs types d'usages :
Tout d'abord, l'accès aux modèles d'IA et aux Agents. L'accès à certains modèles avancés, outils IA professionnels ou services d'Agent nécessitera de débloquer ou de payer des frais d'appel avec ZETA.
Ensuite, le règlement des paiements entre Agents. ZetaChain mentionne que les interactions futures entre différentes IA et applications s'effectueront via le protocole x402 pour les paiements sur chaîne. Son objectif est en réalité très clair : si à l'avenir l'IA appellera automatiquement d'autres IA, alors les machines auront également besoin d'un système de paiement natif.
Troisièmement, les opérations sur chaîne pour les mises à jour des autorisations et de la mémoire. Les modifications apportées par l'utilisateur aux autorisations, au contrôle d'accès et à l'état de la mémoire deviendront probablement des enregistrements sur chaîne.
Quatrièmement, l'économie créative. ZetaChain espère qu'à l'avenir, les professionnels comme les développeurs, chercheurs, avocats, médecins pourront encapsuler leurs connaissances dans des outils IA ou des Agents, et générer des revenus via leur appel, ZETA jouant le rôle de vecteur de valeur.
Cependant, il convient de préciser que cela reste pour l'instant largement au stade du récit. Car l'économie des Agents IA elle-même est loin d'être mature, et de véritables "appels d'IA à l'IA" ou "paiements autonomes d'Agents" à grande échelle ne sont pas encore apparus. Des concepts comme x402, les autorisations sur chaîne, l'identité IA relèvent actuellement davantage d'une préparation d'infrastructure que de besoins vérifiés à grande échelle.
Mais la raison pour laquelle ZetaChain et sa logique produit méritent l'attention ne réside pas seulement dans le fait qu'il construit une infrastructure et propose un produit IA, mais aussi dans sa tentative de redéfinir à qui appartient réellement, à l'avenir, la mémoire, l'identité, le contexte et les autorisations IA de l'utilisateur : à la plateforme, ou à l'utilisateur lui-même. Et ce que ZetaChain veut faire, c'est essentiellement empêcher que ces éléments soient contrôlés par la plateforme et les restituer à l'utilisateur.
