Du Token à la main-d'œuvre machine : l'IA passe d'outil à « travailleur »

marsbitPublié le 2026-05-31Dernière mise à jour le 2026-05-31

Résumé

Alors que l'IA écrit du code, traite des tickets clients et révise des documents juridiques, elle ne se contente plus d'être un outil mais devient une source directe de travail. La commercialisation de l'IA évolue ainsi d'un marché de « jetons » (tokens) ou d'heures de GPU vers un nouveau marché : celui de la « main-d'œuvre machine ». Dans ce marché, le jeton n'est qu'une unité de mesure, le GPU un intrant, et le modèle un outil de production. L'objet véritablement tarifé et échangé est le travail économique accompli directement par le logiciel. Le mécanisme de prix de l'IA devrait évoluer des jetons bruts vers des capacités de modèles standardisées, puis vers une main-d'œuvre sectorielle, et enfin vers un marché de résultats programmables. À l'avenir, les entreprises pourraient ne plus se soucier du modèle ou du GPU spécifique utilisé, mais uniquement du fait que la tâche soit livrée dans des délais, avec un taux de précision, une fiabilité et un coût conformes aux standards. Ce changement ne signifie pas un simple remplacement du travail humain. Alors que la machine assume des tâches standardisées et vérifiables, le rôle humain pourrait se déplacer vers la supervision, la responsabilité finale, la gestion du contexte et les jugements critiques. Dans certains cas, les 1% de jugement humain final pourraient gagner en valeur, car ils permettent de débloquer les 99% d'automatisation à grande échelle. Le marché évolue donc vers une couche où le « travail » lui-même devient l'...

Note de la rédaction : Alors que l'IA commence à écrire du code, traiter des tickets d'assistance, examiner des documents juridiques, une question plus fondamentale émerge : ce que les entreprises achètent vraiment, est-ce des tokens, des heures de GPU, ou du travail accompli ?

Cet article propose un cadre de réflexion intéressant : la commercialisation de l'IA ne devrait pas être comprise uniquement comme un « marché de la puissance de calcul » ou un « marché d'appels de modèles », mais évolue plutôt vers un nouveau « marché de la main-d'œuvre machine ». Dans ce marché, le token n'est qu'une unité de mesure, le GPU un intrant, le modèle un outil de production, et le véritable objet tarifé et échangé est le travail économique directement accompli par le logiciel.

Le jugement central de l'article est que le mécanisme de tarification de l'IA évoluera, passant du token brut et des capacités de modèles standardisées, à la main-d'œuvre sectorielle, puis à un marché de résultats programmables. Autrement dit, à l'avenir, les entreprises ne se soucieront peut-être plus de savoir quel modèle ou quel type de GPU a accompli une tâche, mais plutôt de savoir si celle-ci a été livrée dans les délais, avec un taux de précision, une fiabilité et un coût conformes aux standards attendus.

Cela signifie aussi que l'impact de l'IA sur le marché du travail humain n'est pas nécessairement une simple substitution. Alors que les machines assumeront davantage de travaux standardisables et vérifiables, le rôle des humains pourrait évoluer vers la relecture, l'assumation des responsabilités, la gestion du contexte et l'arbitrage final. Dans certains scénarios, le jugement humain des derniers 1% pourrait même gagner en valeur, car il peut libérer les 99% de l'automatisation à grande échelle.

Sous cet angle, la compétition de la prochaine phase du marché de l'IA ne sera peut-être plus seulement une course aux performances des modèles, ni une simple guerre des prix sur la puissance de calcul, mais une course pour savoir qui, le premier, saura standardiser, rendre vérifiable et tarifable le « travail », et finalement transformer la main-d'œuvre machine en un nouveau facteur de production qui peut être acheté, facturé et échangé.

Voici l'article original :

Les vagues de productivité passées provenaient toujours de la création d'outils et de logiciels pour les humains, afin d'optimiser la façon dont le travail était accompli. Les tableurs aidaient les comptables et les analystes, les convoyeurs augmentaient le débit, les marteaux amplifiaient le levier humain. Mais le véritable travail venait toujours des humains.

Désormais, l'IA produit des résultats de travail de bout en bout, exécutant directement le travail lui-même. Elle peut écrire du code, traiter des tickets d'assistance, examiner des documents juridiques. L'extrémité de toute la pile technologique est en train de se comprimer : l'ancienne pile soutenait le travail, la nouvelle commence à le produire.

Si vous avez récemment entendu parler des discussions sur la financiarisation de l'IA, vous avez probablement entendu Jensen et d'autres dire que les tokens de LLM et/ou les heures de GPU deviennent les nouvelles matières premières. Cette intuition est compréhensible, car les tokens sont mesurables, facturables et faciles à représenter en graphiques ; les heures de GPU attirent aussi des milliards de dollars d'investissements. Mais les tokens ne sont encore qu'un compteur, les heures de GPU ne sont que des intrants, personne n'en achète pour les posséder en tant que tels. Ce que les gens veulent vraiment, c'est que le travail soit fait. L'IA est en train de transformer la pile technologique elle-même en source de main-d'œuvre.

Main-d'œuvre machine : Travail exécuté par un logiciel, à usage économique, et vendu dans le processus de production.

Le marché évolue déjà dans cette direction. Sarah Tavel de Benchmark a tendance à comprendre cette opportunité à travers le marché du travail externalisé, plutôt que par les catégories logicielles. Si une tâche répétable est traditionnellement accomplie par une équipe offshore spécialisée ou une société de services professionnels, alors elle est souvent aussi un travail adapté à la livraison par l'IA. Alex Rampell de a16z appelle cela « le logiciel qui dévore le travail » : le prochain acte du logiciel est d'accomplir le travail lui-même. Julien Bek de Sequoia décrit le même changement sous un autre angle : les services se transforment en logiciel, les copilots vendent des outils, et les autopilotes vendent du travail.

Le marché manquant derrière la tarification au résultat

La tarification par siège facture l'accès, la tarification au token facture l'utilisation. La tarification au résultat, elle, facture lorsque le travail est accompli. La tarification au résultat nous fait faire un pas en avant, mais elle ne répond toujours pas à une question : qui décide du prix ?

Si la main-d'œuvre machine peut être achetée directement, le prix devrait provenir de la concurrence entre fournisseurs. Ces fournisseurs doivent être capables de satisfaire au même type de tâche ou aux mêmes standards d'accomplissement du travail, ce qui nécessite d'établir une standardisation au sein de différents secteurs et tâches.

La pratique actuelle utilise les tokens de LLM, mais le token brut n'est que la couche la plus basse. Un baril de pétrole n'est qu'une unité de mesure, ce qui est réellement échangé, c'est un baril d'une qualité spécifique, avec des caractéristiques de qualité, des conditions de livraison et un prix de marché clairs. Un baril de Brent et un baril de pétrole lourd à haute teneur en soufre ne sont pas la même marchandise. Il en va de même pour les tokens de LLM. Le token n'est qu'une unité de mesure, ce qui compte vraiment est l'intelligence qu'il véhicule : qualité du modèle, performances de référence minimales, latence, fenêtre contextuelle, fiabilité et garanties de livraison. Un million de tokens provenant d'un modèle de code de pointe, et un million de tokens provenant d'un modèle générique bon marché, ne sont pas la même marchandise. Le marché a besoin de niveaux de raisonnement standardisés, tout comme le marché de l'énergie a besoin de qualités de pétrole standardisées.

Anjali Shriva le souligne directement : le token n'est pas une unité de coût fixe. Son économie varie avec la longueur du contexte, la structure de la tâche, le ratio entrée/sortie, le nombre de tentatives, les appels d'outils et les flux de travail d'agent. Un token dans une invite courte et un token enfoui dans une longue boucle d'agent ne sont pas le même objet économique.

Nous faisons cela depuis longtemps sur le marché du travail humain. Personne n'embauche un radiologue comme des « heures humaines » génériques. On regarde la formation, les certifications, la spécialisation, les années d'expérience, la disponibilité, la réputation, la responsabilité, etc. Différentes spécifications de contrats humains correspondent à différentes normes et attentes de niveau minimales.

Le marché du travail humain fonctionne déjà avec ces spécifications, mais elles sont souvent mélangées, qualitatives et remplies de divers indicateurs indirects. La main-d'œuvre machine rendra ces spécifications plus explicites et quantifiables.

Pour un LLM ou un Agent, des indicateurs comme les compétences, l'expérience, la vitesse et la fiabilité peuvent être directement inscrits dans un contrat : scores de référence, latence, débit, fenêtre contextuelle, longueur de sortie maximale, précision d'utilisation des outils, temps de fonctionnement, taux d'erreur. Nous pouvons acheter de la main-d'œuvre selon des attentes et des résultats quantifiables.

La spécification contractuelle de TheGrid.ai est essentiellement un filtre de qualification, couplé à une concurrence sur les prix pour la sortie des LLM. Les fournisseurs peuvent entrer en concurrence tant qu'ils satisfont aux spécifications :

Test de référence d'intelligence ≥ seuil minimal

Latence ≤ seuil maximal

Débit ≥ seuil minimal

Temps de fonctionnement ≥ seuil minimal

Taux d'erreur ≤ seuil maximal

Une fois que les fournisseurs atteignent le même seuil minimum, ils commencent à rivaliser sur les prix. L'acheteur se demande : quel fournisseur peut livrer la main-d'œuvre nécessaire au meilleur prix ?

Le recrutement d'un radiologue, dans le contexte des LLM, devient un problème mesurable : quels LLM peuvent lire des radiographies avec une haute compétence, et accomplir la tâche dans des délais, une fenêtre contextuelle et d'autres spécifications contractuelles basées sur des résultats clairement définis.

Le résultat est la façon dont l'acheteur mesure le succès ; le travail est l'activité économique fournie ; le token est le carburant que la machine consomme en accomplissant le travail.

The Grid est le marché de la main-d'œuvre machine.

Du token au marché de la main-d'œuvre machine

Le marché peut tarifer les intrants de la pile technologique, mais s'il veut tarifer les extrants, il a besoin d'un marché de la main-d'œuvre machine. L'acheteur ne se soucie pas des heures de GPU. Les points de terminaison de modèles sont eux-mêmes instables : ils peuvent être renommés, abandonnés, encapsulés ou simplement retirés.

Les utilisateurs et la liquidité détestent les changements fréquents. Les GPU et les modèles évolueront continuellement, mais l'unité stable est le travail lui-même.

Je pense que le marché évoluera le long du chemin suivant. À chaque palier supérieur, ce qui est acheté est plus abstrait, plus précieux, mais aussi plus difficile à vérifier. The Grid devrait progressivement gravir cette échelle :

Token brut → Marché de capacités LLM standardisées → Marché de main-d'œuvre standardisé → Marché de résultats programmables

Première phase : Token brut

Claude 4.7, GPT 5.5, Kimi 2.6, DeepSeek V4, GLM 5, etc.

Aujourd'hui, les acheteurs achètent des sorties de modèles brutes auprès de fournisseurs de raisonnement. Ils envoient leurs propres invites, reçoivent des résultats de raisonnement et paient à l'usage. C'est facile à vérifier, mais ce n'est encore que de la matière première. Ce que l'acheteur veut vraiment, ce ne sont pas des tokens, mais de l'intelligence utile au meilleur prix.

Deuxième phase : Marché de capacités LLM standardisées

Par exemple text/usd, code/usd, agent/usd, etc.

L'acheteur ne choisit plus un modèle spécifique, mais la catégorie d'intelligence dont il a besoin. L'acheteur conserve toujours le contrôle du flux de travail, des invites, des données et de la logique applicative. The Grid se contente d'acheminer chaque requête vers le modèle qualifié qui satisfait aux spécifications contractuelles et a le prix le plus bas.

Note : C'est la première véritable couche d'abstraction au-dessus du token brut, et c'est là où se trouve actuellement TheGrid.ai.

Troisième phase : Marché de main-d'œuvre standardisé

Par exemple accounting/usd, support_agent/usd, legal/usd, healthcare/usd, radiology/usd, etc.

À mesure que les modèles deviennent plus spécialisés, le marché des capacités peut évoluer davantage vers des marchés spécifiques à des secteurs. C'est similaire à la spécialisation du travail humain sur différents marchés.

À ce niveau, nous vendons des capacités de raisonnement adaptées aux flux de travail de secteurs verticaux de main-d'œuvre spécifiques. À mesure que les modèles sectoriels spécialisés deviendront plus courants, ce type de marché se développera rapidement. Des exemples incluent le Composer de Cursor, Harvey pour le travail juridique, et EvidenceOpen pour la santé.

Quatrième phase : Marché de RFQ et de résultats programmables pour Agents

Par exemple support_ticket_resolved/usd, pr_merged/usd, claim_processed/usd, etc.

Le dernier niveau est celui où The Grid passe du marché du raisonnement au marché de la main-d'œuvre machine.

Ce niveau nécessite des mécanismes de RFQ (demande de prix), comptes gérés, règlements différés, confirmation de l'acheteur, réputation des fournisseurs, mécanismes de retenue, résolution de litiges, etc. Il commencera probablement par des RFQ plutôt que par un carnet d'ordres direct. L'acheteur définit le travail, les contraintes, les critères d'acceptation et les conditions de règlement, et les Agents soumissionnent pour accomplir la tâche. The Grid aide à acheminer, tarifer, vérifier et régler ces travaux.

C'est le niveau le plus précieux, mais aussi le plus difficile à vérifier, car les résultats peuvent être différés, subjectifs et facilement manipulables. Un ticket d'assistance peut être rouvert ; une PR (Pull Request) peut passer les tests mais introduire une mauvaise architecture.

Prix total = Coût d'accomplissement du travail + Coût de prise de risque

Un flux de travail ne devient pas automatiquement un marché simplement parce que l'intelligence a un marché ou devient moins chère. Certains travaux dépendent fortement d'un contexte privé, comme l'historique client ou les politiques internes. Plus un travail dépend du contexte, moins il est probable qu'il soit liquidé proprement sur un marché ouvert. [@hypersoren https://hypersoren.xyz/posts/cybernetic-arbitrage/]

Le marché doit révéler quelles catégories de main-d'œuvre vont s'étendre et lesquelles vont se contracter.

« Main-d'œuvre machine vs main-d'œuvre humaine », ou « main-d'œuvre machine & main-d'œuvre humaine »

Anjali Shriva, dans son ébauche de conception de mécanismes, note que le récit sur l'IA est trop souvent décrit comme une substitution. En réalité, cela ressemble plus à un problème de coordination : lorsque les humains et les machines participent tous deux à la production, comment le travail, l'attribution, les incitations et la valeur sont-ils réorganisés.

Aujourd'hui, une grande partie de l'utilisation de l'IA dans les entreprises reste bloquée, car les employés l'utilisent en privé, les flux de travail restent enfermés au niveau individuel, et les entreprises ne peuvent pas tarifer ces gains de productivité ni les mettre à l'échelle.

La plupart des travaux automatisables seront probablement transférés aux machines. Une partie du travail deviendra de la relecture humaine, de l'assumation de responsabilités, de la formation et de la gestion du contexte. Dans certains cas, le jugement humain des derniers 1% deviendra plus précieux, car il peut débloquer à grande échelle les 99% de travail automatisé.

Rachel Su Park, dans son article « Brave New World of AI Markets », souligne que le TAM (Total Adressable Market) de l'IA ne devrait pas être modélisé simplement comme une substitution aux dépenses actuelles en main-d'œuvre humaine, car il change à la fois les prix et les volumes. À mesure que le coût du travail diminue, le prix unitaire peut baisser, mais la quantité consommée peut augmenter, car les travaux existants seront consommés plus fréquemment et de nouveaux travaux, autrefois non économiques, deviendront viables. L'article le résume ainsi :

P × Q : Taille du marché = Prix unitaire du travail × Quantité de travail consommée

Si l'IA rend les interactions avec le service client moins chères, les entreprises peuvent offrir une capacité de service 24h/24 et 7j/7. Ce marché ne sera pas seulement une version moins chère de l'ancien marché du travail d'assistance, il pourrait devenir un marché d'interaction client beaucoup plus vaste.

L'IA est un marché expansionniste, car lorsque le coût du travail baisse, la demande ne reste pas constante.

La couche travail

Le marché de la main-d'œuvre machine devrait commencer par les travaux dont les spécifications peuvent être clairement définies. Les heures de GPU contiennent trop d'informations sur les intrants, elles ne font que dire ce qui soutient le travail ; et tarifer un résultat complet est trop complexe, trop dépendant du contexte. Ce n'est qu'à mesure que la vérification, la réputation et la tarification du risque/l'assurance seront progressivement prises en charge par les machines, que le marché évoluera vers la couche des résultats purs.

La main-d'œuvre machine peut devenir négociable, car les acheteurs se soucieront de moins en moins de savoir quel modèle ou quel type de GPU a produit le travail, et se soucieront davantage de savoir si le travail lui-même a atteint, au bon prix, les normes et niveaux minimaux stipulés dans les spécifications contractuelles. Les Agents se soucieront encore moins de ces sources sous-jacentes.

Les machines peuvent maintenant exécuter directement un travail ayant une utilité économique, et ce travail peut être défini, mesuré, tarifé, acheté et finalement échangé. L'électricité, la puissance de calcul, les modèles et les tokens restent évidemment importants, mais ils sont tous encore en amont.

C'est en aval que le travail est réellement accompli, et le marché évolue vers un objet plus simple : la main-d'œuvre machine.

Questions liées

QQuel est le changement fondamental de paradigme dans la commercialisation de l'IA selon l'article ?

ALa commercialisation de l'IA ne doit plus être comprise simplement comme un marché de la puissance de calcul (GPU) ou de l'appel de modèles (tokens), mais comme un marché émergent de la « main-d'œuvre machine », où l'objet de la transaction est le travail économique directement accompli par le logiciel.

QComment le marché de la main-d'œuvre machine transforme-t-il la manière de spécifier et d'acheter une capacité d'IA ?

ALe marché tend vers la spécification et l'achat de capacités basées sur des résultats mesurables (qualité, délai, fiabilité) plutôt que sur les ressources sous-jacentes (modèle, GPU). Les contrats spécifient des seuils minimaux pour des métriques telles que les scores de référence, la latence ou le taux d'erreurs, laissant les fournisseurs concurrents sur le prix.

QQuelles sont les quatre étapes d'évolution du marché de l'IA décrites dans l'article, de la plus basique à la plus sophistiquée ?

ALes quatre étapes sont : 1) Les tokens bruts, 2) Le marché des capacités de LLM standardisées (ex: texte/USD), 3) Le marché de la main-d'œuvre par secteur (ex: comptabilité/USD), 4) Le marché des résultats programmables pour les agents (ex: ticket_client_résolu/USD).

QSelon l'article, en quoi l'impact de l'IA sur le travail humain est-il plus complexe qu'une simple substitution ?

AL'impact n'est pas une simple substitution, mais une réorganisation du travail. L'automatisation des tâches standardisées libère les humains pour des rôles de vérification, de prise de responsabilité, de gestion du contexte et de jugement final. Ce jugement humain « final » peut acquérir une plus grande valeur en permettant une automatisation massive.

QPourquoi le marché de la main-d'œuvre machine est-il considéré comme un marché d'expansion plutôt que de substitution pure ?

AEn réduisant considérablement le coût unitaire du travail, l'IA augmente la demande pour ce travail. Des tâches qui n'étaient pas économiquement viables le deviennent, et la fréquence d'utilisation des services existants peut exploser (ex : support client 24/7). La taille du marché (Prix x Quantité) s'étend donc au-delà du simple remplacement du travail humain.

Lectures associées

Trois ans plus tard : Retour sur mon jugement de 2023 concernant ChatGPT

Trois ans après ses prédictions sur ChatGPT en mars 2023, Wang Jianshuo revient sur ses vingt affirmations initiales, évaluées en mai 2026 par des agents IA. Sur les vingt points, la majorité des tendances de fond étaient correctes : l'essor du RAG comme architecture dominante pour l'injection de connaissances, le rôle central de l'interface utilisateur en langage naturel (LUI), l'émergence de protocoles pour un "réseau d'agents", et le rattrapage technologique rapide des modèles chinois. Des erreurs notables portent sur des chiffres précis, comme les 100 billions de paramètres supposés de GPT-4 (en réalité environ 1,8 billion) ou une estimation trop basse des coûts de formation des grands modèles. Certaines prévisions se sont révélées trop absolues ("l'IA ne fera jamais de mathématiques pures") ou ont négligé les disparités (aucune vague de chômage massif, mais un impact sévère sur les jeunes diplômés). L'analyse révèle que les intuitions sur les mécanismes et les directions se sont avérées bien plus fiables que les prédictions numériques ou temporelles, souvent trop optimistes à court terme. La prudence dans les formulations et la reconnaissance des incertitudes se sont montrées précieuses avec le recul. Ce bilan offre des leçons pour les futurs pronostics : privilégier les tendances aux chiffres, anticiper les effets distributifs et accepter que certaines questions demandent plus de trois ans pour être tranchées.

marsbitIl y a 7 h

Trois ans plus tard : Retour sur mon jugement de 2023 concernant ChatGPT

marsbitIl y a 7 h

Trois ans plus tard : un retour sur mes prédictions de 2023 concernant ChatGPT

Trois ans après ses prédictions sur le ChatGPT en mars 2023, Wang Jianshuo revient sur ses 20 affirmations initiales. Évaluées en mai 2026 par des agents IA, la plupart de ses intuitions sur les grandes tendances se sont révélées justes : le RAG est devenu l'architecture standard pour intégrer des connaissances, l'Interface Utilisateur en Langage Naturel (LUI) a créé un nouvel écosystème, et les modèles chinois ont presque rattrapé les leaders mondiaux. Des concepts comme les réseaux d'agents et la nature limitée du test de Turing se sont également matérialisés. Cependant, les prévisions quantitatives et les affirmations trop absolues ont souvent échoué. Le paramétrage supposé du GPT-4 (100T) était inexact, et les coûts de développement des modèles ont dépassé les estimations. Il a sous-estimé la vitesse de personnalisation des IA et l'impact distribué sur l'emploi des jeunes. La capture de valeur a surtout bénéficié à la couche matérielle (comme Nvidia), et non aux seules applications. Les leçons clés sont que les mécanismes et les directions sont plus fiables que les chiffres précis, que l'optimisme à court terme doit être tempéré, et que les nuances ("peut-être", "pour l'instant") rendent les prédictions plus robustes. Cette rétrospective souligne l'importance de distinguer les tendances confirmées des questions toujours ouvertes.

链捕手Il y a 9 h

Trois ans plus tard : un retour sur mes prédictions de 2023 concernant ChatGPT

链捕手Il y a 9 h

La réduction de 99% du prix de Xiaomi MiMo n'est pas un coup marketing ! Luo Fuli répond aux détracteurs sur X

Dans un article intitulé "La réduction de 99% du prix de MiMo de Xiaomi n'est pas du marketing ! Luo Fuli répond aux détracteurs sur X", Luo Fuli, responsable de MiMo, a publié un billet de blog technique de 5000 mots pour expliquer la baisse drastique des prix de l'API MiMo-V2.5. Contrairement aux interprétations initiales d'une guerre des prix ou d'une stratégie de perte, cette réduction de 99% concerne spécifiquement le coût des entrées en cache ("Input Cache Hit"), c'est-à-dire la relecture du contexte historique dans les conversations longues. Le billet détaille six piliers d'ingénierie ayant permis cette réduction : 1. **Architecture Hybride SWA** : Réduction du volume de la mémoire cache (KVCache) à 1/7 grâce à une attention par fenêtre glissante sur 60 des 70 couches du modèle. 2. **Gestion en double pool** : Allocation efficace de la mémoire pour matérialiser les gains théoriques du SWA, multipliant par 5 le nombre d'utilisateurs simultanés par GPU. 3. **Cache de préfixe optimisé** : Augmentation du taux de réussite du cache à 93-95% en moyenne, évitant de recalculer les contextes répétés. 4. **Système de cache distribué GCache** : Stockage des données sur les SSD des machines GPU existantes, réduisant les coûts de stockage additionnels à zéro. 5. **Système de routage LLM-Router** : Optimisation de l'acheminement des requêtes pour maximiser l'utilisation du cache et améliorer les performances. 6. **Prédiction Multi-Token (MTP)** : Accélération de la génération des réponses du modèle, réduisant également les coûts de sortie. Cette chaîne d'optimisations systémiques a réduit le temps GPU par requête d'un ordre de grandeur, permettant une baisse de prix de 99% tout en maintenant une marge positive. Luo Fuli souligne qu'il s'agit d'un accomplissement d'ingénierie validé en production, et non d'une simple manœuvre marketing, offrant une référence pour réduire les coûts dans le secteur de l'IA.

marsbitIl y a 12 h

La réduction de 99% du prix de Xiaomi MiMo n'est pas un coup marketing ! Luo Fuli répond aux détracteurs sur X

marsbitIl y a 12 h

Analyse rétrospective des opérations magistrales de Cathie Wood sur Circle

Cathy Wood (ARK) a réalisé une opération exemplaire sur l'action Circle, démontrant une maîtrise des mouvements de marché à court terme malgré son approche d'investissement habituellement tournée vers le très long terme. Elle a d'abord acquis près de 4,5 millions d'actions au prix d'introduction de 31 dollars, profitant ainsi de l'envolée initiale due à une faible offre flottante et une forte demande. Lorsque le titre a été propulsé à près de 300 dollars en juin 2025, porté par l'adoption du projet de loi sur les stablecoins (GENIUS Act), Wood a systématiquement vendu par tranches environ 1,7 million d'actions à un prix moyen d'environ 210 dollars, réalisant ainsi des plus-values substantielles. Cette décision était motivée à la fois par des règles internes de rééquilibrage de portefeuille et par l'anticipation de l'augmentation future de l'offre d'actions. Par la suite, face à la chute de l'action (jusqu'à -83% depuis son pic), Wood a racheté progressivement sa position initiale à des prix bien inférieurs (entre environ 50 et 130 dollars), portant son portefeuille à nouveau à environ 4,5 millions d'actions fin mars 2026. L'opération illustre trois principes clés : une conviction forte sur le modèle économique à long terme de Circle (stablecoin USDC), une exécution disciplinée par tranches sans chercher à prédire les sommets ou les creux, et le respect strict de règles de gestion des risques limitant le poids d'un titre dans le portefeuille.

marsbitIl y a 16 h

Analyse rétrospective des opérations magistrales de Cathie Wood sur Circle

marsbitIl y a 16 h

PDG de Sharplink : L'avenir d'Ethereum se joue maintenant

L'auteur, ancien cadre de BlackRock, défend Ethereum face aux critiques actuelles. Il souligne que la Fondation Ethereum accomplit sa mission essentielle : développer un protocole sûr et fiable, comme en témoignent ses mises à jour régulières (The Merge, EIP-1559...). Pour les institutions, la vraie force d'Ethereum réside dans sa décentralisation et sa neutralité, garantes de confiance, et non dans un contrôle centralisé. Comparant Ethereum à Amazon dans ses débuts, il estime que sa valeur viendra de son rôle d'infrastructure pour l'ensemble du système financier mondial (stablecoins, actifs tokenisés, DeFi), et non des fluctuations de prix à court terme. Il encourage une vision à long terme, rappelant que les meilleures opportunités d'investissement naissent souvent pendant les périodes de peur du marché. Il conclut que si la Fondation se concentre sur les aspects techniques fondamentaux (sécurité, vie privée), c'est à l'écosystème au sens large (Sharplink, Consensys, Aave, etc.) de porter le narratif et d'accélérer l'adoption institutionnelle, un cycle qu'il voit déjà en cours.

marsbitIl y a 16 h

PDG de Sharplink : L'avenir d'Ethereum se joue maintenant

marsbitIl y a 16 h

Trading

Spot
Futures

Articles tendance

Qu'est ce que GROK AI

Grok AI : Révolutionner la technologie conversationnelle à l'ère du Web3 Introduction Dans le paysage en évolution rapide de l'intelligence artificielle, Grok AI se distingue comme un projet remarquable qui fait le lien entre les domaines de la technologie avancée et de l'interaction utilisateur. Développé par xAI, une entreprise dirigée par l'entrepreneur renommé Elon Musk, Grok AI cherche à redéfinir notre engagement avec l'intelligence artificielle. Alors que le mouvement Web3 continue de prospérer, Grok AI vise à tirer parti de la puissance de l'IA conversationnelle pour répondre à des requêtes complexes, offrant aux utilisateurs une expérience à la fois informative et divertissante. Qu'est-ce que Grok AI ? Grok AI est un chatbot IA conversationnel sophistiqué conçu pour interagir dynamiquement avec les utilisateurs. Contrairement à de nombreux systèmes d'IA traditionnels, Grok AI embrasse une gamme plus large de questions, y compris celles généralement jugées inappropriées ou en dehors des réponses standard. Les objectifs principaux du projet incluent : Raisonnement fiable : Grok AI met l'accent sur le raisonnement de bon sens pour fournir des réponses logiques basées sur une compréhension contextuelle. Surveillance évolutive : L'intégration de l'assistance par outils garantit que les interactions des utilisateurs sont à la fois surveillées et optimisées pour la qualité. Vérification formelle : La sécurité est primordiale ; Grok AI intègre des méthodes de vérification formelle pour améliorer la fiabilité de ses résultats. Compréhension à long terme : Le modèle IA excelle dans la rétention et le rappel d'une vaste histoire de conversation, facilitant des discussions significatives et conscientes du contexte. Robustesse face aux adversaires : En se concentrant sur l'amélioration de ses défenses contre les entrées manipulées ou malveillantes, Grok AI vise à maintenir l'intégrité des interactions des utilisateurs. En essence, Grok AI n'est pas seulement un dispositif de récupération d'informations ; c'est un partenaire conversationnel immersif qui encourage un dialogue dynamique. Créateur de Grok AI Le cerveau derrière Grok AI n'est autre qu'Elon Musk, une personne synonyme d'innovation dans divers domaines, y compris l'automobile, le voyage spatial et la technologie. Sous l'égide de xAI, une entreprise axée sur l'avancement de la technologie IA de manière bénéfique, la vision de Musk vise à remodeler la compréhension des interactions avec l'IA. Le leadership et l'éthique fondatrice sont profondément influencés par l'engagement de Musk à repousser les limites technologiques. Investisseurs de Grok AI Bien que les détails spécifiques concernant les investisseurs soutenant Grok AI restent limités, il est publiquement reconnu que xAI, l'incubateur du projet, est fondé et soutenu principalement par Elon Musk lui-même. Les précédentes entreprises et participations de Musk fournissent un soutien solide, renforçant encore la crédibilité et le potentiel de croissance de Grok AI. Cependant, à l'heure actuelle, les informations concernant d'autres fondations d'investissement ou organisations soutenant Grok AI ne sont pas facilement accessibles, marquant un domaine à explorer potentiellement à l'avenir. Comment fonctionne Grok AI ? Les mécanismes opérationnels de Grok AI sont aussi innovants que son cadre conceptuel. Le projet intègre plusieurs technologies de pointe qui facilitent ses fonctionnalités uniques : Infrastructure robuste : Grok AI est construit en utilisant Kubernetes pour l'orchestration de conteneurs, Rust pour la performance et la sécurité, et JAX pour le calcul numérique haute performance. Ce trio garantit que le chatbot fonctionne efficacement, évolue efficacement et sert les utilisateurs rapidement. Accès aux connaissances en temps réel : L'une des caractéristiques distinctives de Grok AI est sa capacité à puiser dans des données en temps réel via la plateforme X—anciennement connue sous le nom de Twitter. Cette capacité permet à l'IA d'accéder aux dernières informations, lui permettant de fournir des réponses et des recommandations opportunes que d'autres modèles d'IA pourraient manquer. Deux modes d'interaction : Grok AI offre aux utilisateurs un choix entre le « Mode Amusant » et le « Mode Régulier ». Le Mode Amusant permet un style d'interaction plus ludique et humoristique, tandis que le Mode Régulier se concentre sur la fourniture de réponses précises et exactes. Cette polyvalence garantit une expérience sur mesure qui répond à diverses préférences des utilisateurs. En essence, Grok AI marie performance et engagement, créant une expérience à la fois enrichissante et divertissante. Chronologie de Grok AI Le parcours de Grok AI est marqué par des jalons clés qui reflètent ses étapes de développement et de déploiement : Développement initial : La phase fondamentale de Grok AI a eu lieu sur une période d'environ deux mois, au cours de laquelle l'entraînement initial et le réglage du modèle ont été réalisés. Lancement de la version bêta de Grok-2 : Dans une avancée significative, la bêta de Grok-2 a été annoncée. Ce lancement a introduit deux versions du chatbot—Grok-2 et Grok-2 mini—chacune équipée des capacités de discussion, de codage et de raisonnement. Accès public : Après son développement bêta, Grok AI est devenu accessible aux utilisateurs de la plateforme X. Ceux ayant des comptes vérifiés par un numéro de téléphone et actifs depuis au moins sept jours peuvent accéder à une version limitée, rendant la technologie disponible pour un public plus large. Cette chronologie encapsule la croissance systématique de Grok AI depuis sa création jusqu'à son engagement public, soulignant son engagement envers l'amélioration continue et l'interaction utilisateur. Caractéristiques clés de Grok AI Grok AI englobe plusieurs caractéristiques clés qui contribuent à son identité innovante : Intégration des connaissances en temps réel : L'accès à des informations actuelles et pertinentes différencie Grok AI de nombreux modèles statiques, permettant une expérience utilisateur engageante et précise. Styles d'interaction polyvalents : En offrant des modes d'interaction distincts, Grok AI répond à des préférences variées des utilisateurs, invitant à la créativité et à la personnalisation dans la conversation avec l'IA. Infrastructure technologique avancée : L'utilisation de Kubernetes, Rust et JAX fournit au projet un cadre solide pour garantir fiabilité et performance optimale. Considération du discours éthique : L'inclusion d'une fonction de génération d'images met en avant l'esprit innovant du projet. Cependant, elle soulève également des considérations éthiques concernant le droit d'auteur et la représentation respectueuse de figures reconnaissables—une discussion en cours au sein de la communauté IA. Conclusion En tant qu'entité pionnière dans le domaine de l'IA conversationnelle, Grok AI encapsule le potentiel d'expériences utilisateur transformantes à l'ère numérique. Développé par xAI et guidé par l'approche visionnaire d'Elon Musk, Grok AI intègre des connaissances en temps réel avec des capacités d'interaction avancées. Il s'efforce de repousser les limites de ce que l'intelligence artificielle peut accomplir tout en maintenant un accent sur les considérations éthiques et la sécurité des utilisateurs. Grok AI incarne non seulement l'avancement technologique mais aussi un nouveau paradigme de conversation dans le paysage Web3, promettant d'engager les utilisateurs avec à la fois une connaissance experte et une interaction ludique. Alors que le projet continue d'évoluer, il se dresse comme un témoignage de ce que l'intersection de la technologie, de la créativité et de l'interaction humaine peut accomplir.

486 vues totalesPublié le 2024.12.26Mis à jour le 2024.12.26

Qu'est ce que GROK AI

Qu'est ce que ERC AI

Euruka Tech : Un aperçu de $erc ai et de ses ambitions dans le Web3 Introduction Dans le paysage en évolution rapide de la technologie blockchain et des applications décentralisées, de nouveaux projets émergent fréquemment, chacun avec des objectifs et des méthodologies uniques. L'un de ces projets est Euruka Tech, qui opère dans le vaste domaine des cryptomonnaies et du Web3. L'objectif principal d'Euruka Tech, en particulier de son token $erc ai, est de présenter des solutions innovantes conçues pour exploiter les capacités croissantes de la technologie décentralisée. Cet article vise à fournir un aperçu complet d'Euruka Tech, une exploration de ses objectifs, de sa fonctionnalité, de l'identité de son créateur, de ses investisseurs potentiels et de son importance dans le contexte plus large du Web3. Qu'est-ce qu'Euruka Tech, $erc ai ? Euruka Tech est caractérisé comme un projet qui tire parti des outils et des fonctionnalités offerts par l'environnement Web3, en se concentrant sur l'intégration de l'intelligence artificielle dans ses opérations. Bien que les détails spécifiques sur le cadre du projet soient quelque peu évasifs, il est conçu pour améliorer l'engagement des utilisateurs et automatiser les processus dans l'espace crypto. Le projet vise à créer un écosystème décentralisé qui facilite non seulement les transactions, mais qui intègre également des fonctionnalités prédictives grâce à l'intelligence artificielle, d'où la désignation de son token, $erc ai. L'objectif est de fournir une plateforme intuitive qui facilite des interactions plus intelligentes et un traitement efficace des transactions dans la sphère Web3 en pleine expansion. Qui est le créateur d'Euruka Tech, $erc ai ? À l'heure actuelle, les informations concernant le créateur ou l'équipe fondatrice derrière Euruka Tech restent non spécifiées et quelque peu opaques. Cette absence de données soulève des préoccupations, car la connaissance des antécédents de l'équipe est souvent essentielle pour établir la crédibilité dans le secteur de la blockchain. Par conséquent, nous avons classé cette information comme inconnue jusqu'à ce que des détails concrets soient rendus disponibles dans le domaine public. Qui sont les investisseurs d'Euruka Tech, $erc ai ? De même, l'identification des investisseurs ou des organisations de soutien pour le projet Euruka Tech n'est pas facilement fournie par les recherches disponibles. Un aspect crucial pour les parties prenantes potentielles ou les utilisateurs envisageant de s'engager avec Euruka Tech est l'assurance qui découle de partenariats financiers établis ou du soutien d'entreprises d'investissement réputées. Sans divulgations sur les affiliations d'investissement, il est difficile de tirer des conclusions complètes sur la sécurité financière ou la pérennité du projet. Conformément aux informations trouvées, cette section se trouve également au statut de inconnue. Comment fonctionne Euruka Tech, $erc ai ? Malgré le manque de spécifications techniques détaillées pour Euruka Tech, il est essentiel de considérer ses ambitions innovantes. Le projet cherche à exploiter la puissance de calcul de l'intelligence artificielle pour automatiser et améliorer l'expérience utilisateur dans l'environnement des cryptomonnaies. En intégrant l'IA avec la technologie blockchain, Euruka Tech vise à fournir des fonctionnalités telles que des transactions automatisées, des évaluations de risques et des interfaces utilisateur personnalisées. L'essence innovante d'Euruka Tech réside dans son objectif de créer une connexion fluide entre les utilisateurs et les vastes possibilités offertes par les réseaux décentralisés. Grâce à l'utilisation d'algorithmes d'apprentissage automatique et d'IA, il vise à minimiser les défis rencontrés par les utilisateurs pour la première fois et à rationaliser les expériences transactionnelles dans le cadre du Web3. Cette symbiose entre l'IA et la blockchain souligne l'importance du token $erc ai, agissant comme un pont entre les interfaces utilisateur traditionnelles et les capacités avancées des technologies décentralisées. Chronologie d'Euruka Tech, $erc ai Malheureusement, en raison des informations limitées dont nous disposons concernant Euruka Tech, nous ne sommes pas en mesure de présenter une chronologie détaillée des développements majeurs ou des étapes importantes dans le parcours du projet. Cette chronologie, généralement inestimable pour tracer l'évolution d'un projet et comprendre sa trajectoire de croissance, n'est pas actuellement disponible. À mesure que des informations sur des événements notables, des partenariats ou des ajouts fonctionnels deviennent évidentes, des mises à jour amélioreront sûrement la visibilité d'Euruka Tech dans la sphère crypto. Clarification sur d'autres projets “Eureka” Il est à noter que plusieurs projets et entreprises partagent une nomenclature similaire avec “Eureka”. Des recherches ont identifié des initiatives comme un agent IA de NVIDIA Research, qui se concentre sur l'enseignement de tâches complexes aux robots en utilisant des méthodes génératives, ainsi que Eureka Labs et Eureka AI, qui améliorent l'expérience utilisateur dans l'éducation et l'analyse du service client, respectivement. Cependant, ces projets sont distincts d'Euruka Tech et ne doivent pas être confondus avec ses objectifs ou ses fonctionnalités. Conclusion Euruka Tech, aux côtés de son token $erc ai, représente un acteur prometteur mais actuellement obscur dans le paysage du Web3. Bien que les détails concernant son créateur et ses investisseurs restent non divulgués, l'ambition centrale de combiner l'intelligence artificielle avec la technologie blockchain constitue un point d'intérêt focal. Les approches uniques du projet pour favoriser l'engagement des utilisateurs grâce à une automatisation avancée pourraient le distinguer à mesure que l'écosystème Web3 progresse. Alors que le marché des cryptomonnaies continue d'évoluer, les parties prenantes devraient garder un œil attentif sur les avancées concernant Euruka Tech, car le développement d'innovations documentées, de partenariats ou d'une feuille de route définie pourrait présenter des opportunités significatives dans un avenir proche. En l'état, nous attendons des informations plus substantielles qui pourraient révéler le potentiel d'Euruka Tech et sa position dans le paysage concurrentiel des cryptomonnaies.

507 vues totalesPublié le 2025.01.02Mis à jour le 2025.01.02

Qu'est ce que ERC AI

Qu'est ce que DUOLINGO AI

DUOLINGO AI : Intégration de l'apprentissage des langues avec l'innovation Web3 et IA À une époque où la technologie redéfinit l'éducation, l'intégration de l'intelligence artificielle (IA) et des réseaux blockchain annonce une nouvelle frontière pour l'apprentissage des langues. Entrez dans DUOLINGO AI et sa cryptomonnaie associée, $DUOLINGO AI. Ce projet aspire à fusionner la puissance éducative des principales plateformes d'apprentissage des langues avec les avantages de la technologie décentralisée Web3. Cet article explore les aspects clés de DUOLINGO AI, en examinant ses objectifs, son cadre technologique, son développement historique et son potentiel futur tout en maintenant une clarté entre la ressource éducative originale et cette initiative de cryptomonnaie indépendante. Vue d'ensemble de DUOLINGO AI Au cœur de DUOLINGO AI, l'objectif est d'établir un environnement décentralisé où les apprenants peuvent gagner des récompenses cryptographiques pour atteindre des jalons éducatifs en matière de compétence linguistique. En appliquant des contrats intelligents, le projet vise à automatiser les processus de vérification des compétences et d'attribution de jetons, en respectant les principes de Web3 qui mettent l'accent sur la transparence et la propriété des utilisateurs. Le modèle s'écarte des approches traditionnelles de l'acquisition des langues en s'appuyant fortement sur une structure de gouvernance pilotée par la communauté, permettant aux détenteurs de jetons de suggérer des améliorations au contenu des cours et à la distribution des récompenses. Parmi les objectifs notables de DUOLINGO AI, on trouve : Apprentissage ludique : Le projet intègre des réalisations basées sur la blockchain et des jetons non fongibles (NFT) pour représenter les niveaux de compétence linguistique, favorisant la motivation grâce à des récompenses numériques engageantes. Création de contenu décentralisée : Il ouvre des voies pour que les éducateurs et les passionnés de langues contribuent à leurs cours, facilitant un modèle de partage des revenus qui bénéficie à tous les contributeurs. Personnalisation alimentée par l'IA : En utilisant des modèles d'apprentissage automatique avancés, DUOLINGO AI personnalise les leçons pour s'adapter aux progrès d'apprentissage individuels, semblable aux fonctionnalités adaptatives trouvées dans les plateformes établies. Créateurs du projet et gouvernance À partir d'avril 2025, l'équipe derrière $DUOLINGO AI reste pseudonyme, une pratique fréquente dans le paysage décentralisé des cryptomonnaies. Cette anonymat est destiné à promouvoir la croissance collective et l'engagement des parties prenantes plutôt qu'à se concentrer sur des développeurs individuels. Le contrat intelligent déployé sur la blockchain Solana note l'adresse du portefeuille du développeur, ce qui signifie l'engagement envers la transparence concernant les transactions malgré l'identité inconnue des créateurs. Selon sa feuille de route, DUOLINGO AI vise à évoluer vers une Organisation Autonome Décentralisée (DAO). Cette structure de gouvernance permet aux détenteurs de jetons de voter sur des questions critiques telles que les mises en œuvre de fonctionnalités et les allocations de trésorerie. Ce modèle s'aligne avec l'éthique de l'autonomisation communautaire que l'on trouve dans diverses applications décentralisées, soulignant l'importance de la prise de décision collective. Investisseurs et partenariats stratégiques Actuellement, il n'y a pas d'investisseurs institutionnels ou de capital-risqueurs identifiables publiquement liés à $DUOLINGO AI. Au lieu de cela, la liquidité du projet provient principalement des échanges décentralisés (DEX), marquant un contraste frappant avec les stratégies de financement des entreprises de technologie éducative traditionnelles. Ce modèle de base indique une approche pilotée par la communauté, reflétant l'engagement du projet envers la décentralisation. Dans son livre blanc, DUOLINGO AI mentionne la formation de collaborations avec des “plateformes d'éducation blockchain” non spécifiées visant à enrichir ses offres de cours. Bien que des partenariats spécifiques n'aient pas encore été divulgués, ces efforts collaboratifs laissent entrevoir une stratégie visant à mélanger l'innovation blockchain avec des initiatives éducatives, élargissant l'accès et l'engagement des utilisateurs à travers diverses voies d'apprentissage. Architecture technologique Intégration de l'IA DUOLINGO AI intègre deux composants majeurs alimentés par l'IA pour améliorer ses offres éducatives : Moteur d'apprentissage adaptatif : Ce moteur sophistiqué apprend des interactions des utilisateurs, similaire aux modèles propriétaires des grandes plateformes éducatives. Il ajuste dynamiquement la difficulté des leçons pour répondre aux défis spécifiques des apprenants, renforçant les points faibles par des exercices ciblés. Agents conversationnels : En utilisant des chatbots alimentés par GPT-4, DUOLINGO AI offre une plateforme permettant aux utilisateurs de s'engager dans des conversations simulées, favorisant une expérience d'apprentissage des langues plus interactive et pratique. Infrastructure blockchain Construit sur la blockchain Solana, $DUOLINGO AI utilise un cadre technologique complet qui comprend : Contrats intelligents de vérification des compétences : Cette fonctionnalité attribue automatiquement des jetons aux utilisateurs qui réussissent des tests de compétence, renforçant la structure d'incitation pour des résultats d'apprentissage authentiques. Badges NFT : Ces jetons numériques signifient divers jalons que les apprenants atteignent, tels que la complétion d'une section de leur cours ou la maîtrise de compétences spécifiques, leur permettant d'échanger ou de montrer leurs réalisations numériquement. Gouvernance DAO : Les membres de la communauté dotés de jetons peuvent participer à la gouvernance en votant sur des propositions clés, facilitant une culture participative qui encourage l'innovation dans les offres de cours et les fonctionnalités de la plateforme. Chronologie historique 2022–2023 : Conceptualisation Les bases de DUOLINGO AI commencent avec la création d'un livre blanc, mettant en avant la synergie entre les avancées de l'IA dans l'apprentissage des langues et le potentiel décentralisé de la technologie blockchain. 2024 : Lancement Beta Un lancement beta limité introduit des offres dans des langues populaires, récompensant les premiers utilisateurs avec des incitations en jetons dans le cadre de la stratégie d'engagement communautaire du projet. 2025 : Transition vers la DAO En avril, un lancement complet sur le mainnet a lieu avec la circulation de jetons, suscitant des discussions communautaires concernant d'éventuelles expansions vers les langues asiatiques et d'autres développements de cours. Défis et orientations futures Obstacles techniques Malgré ses objectifs ambitieux, DUOLINGO AI fait face à des défis significatifs. La scalabilité reste une préoccupation constante, en particulier pour équilibrer les coûts associés au traitement de l'IA et le maintien d'un réseau décentralisé réactif. De plus, garantir la qualité de la création et de la modération de contenu au sein d'une offre décentralisée pose des complexités pour maintenir des normes éducatives. Opportunités stratégiques En regardant vers l'avenir, DUOLINGO AI a le potentiel de tirer parti de partenariats de micro-certification avec des institutions académiques, fournissant des validations vérifiées par blockchain des compétences linguistiques. De plus, une expansion inter-chaînes pourrait permettre au projet de toucher des bases d'utilisateurs plus larges et d'autres écosystèmes blockchain, améliorant son interopérabilité et sa portée. Conclusion DUOLINGO AI représente une fusion innovante de l'intelligence artificielle et de la technologie blockchain, présentant une alternative axée sur la communauté aux systèmes d'apprentissage des langues traditionnels. Bien que son développement pseudonyme et son modèle économique émergent présentent certains risques, l'engagement du projet envers l'apprentissage ludique, l'éducation personnalisée et la gouvernance décentralisée éclaire une voie à suivre pour la technologie éducative dans le domaine de Web3. Alors que l'IA continue d'avancer et que l'écosystème blockchain évolue, des initiatives comme DUOLINGO AI pourraient redéfinir la manière dont les utilisateurs s'engagent dans l'éducation linguistique, autonomisant les communautés et récompensant l'engagement grâce à des mécanismes d'apprentissage innovants.

543 vues totalesPublié le 2025.04.11Mis à jour le 2025.04.11

Qu'est ce que DUOLINGO AI

Discussions

Bienvenue dans la Communauté HTX. Ici, vous pouvez vous tenir informé(e) des derniers développements de la plateforme et accéder à des analyses de marché professionnelles. Les opinions des utilisateurs sur le prix de AI (AI) sont présentées ci-dessous.

活动图片

Catégories populairesright-arrow

Tags tendancesright-arrow