Pourquoi le modèle de risque de 42 milliards de dollars d’Aave fait face à son premier vrai test après le départ de Chaos Labs

ambcryptoPublié le 2026-04-07Dernière mise à jour le 2026-04-07

Résumé

La gestion des risques d'Aave, protocole DeFi avec 42,34 milliards de dollars d'actifs totaux verrouillés (TVL), est confrontée à un test crucial suite au départ de Chaos Labs, son principal contributeur externe en modélisation des risques. Pendant trois ans, Chaos Labs a ajusté dynamiquement les paramètres de prêt (seuils de liquidation, limites d'emprunt), permettant au protocole de gérer 2,5 billions de dollars de dépôts et plus de 2 milliards de dollars de liquidations. Son départ, motivé par des désalignements stratégiques et la complexité croissante introduite par la future version V4 du protocole, signale une pression accrue sur le modèle de risque d'Aave à mesure qu'il prend de l'ampleur. La responsabilité est désormais transférée à des équipes internes et à LlamaRisk, un autre contributeur. Bien que les systèmes restent stables à court terme, la transition soulève des questions sur la rapidité future des ajustements des paramètres face à la volatilité des marchés. La confiance des utilisateurs dépendra désormais moins des performances passées et plus de la capacité d'Aave à maintenir une surveillance des risques efficace et réactive sans son partenaire historique.

La gestion des risques dans la DeFi joue désormais un rôle central dans la performance des protocoles, en particulier pendant les périodes de volatilité. Alors que le premier trimestre 2026 se terminait, Aave [AAVE] gérait environ 42,34 milliards de dollars de TVL et 16,55 milliards de dollars de prêts ; il repose sur des ajustements continus plutôt que sur des paramètres fixes.

Source : Stani Kulechov sur X

Des équipes externes comme Chaos Labs mettent à jour les seuils de liquidation, les limites d'emprunt et les règles de garantie à mesure que les conditions changent.

Comme ces mises à jour se produisent plus souvent, le système réagit plus rapidement au stress du marché. Cela améliore la stabilité et la confiance des utilisateurs, bien que cela signifie également que les protocoles dépendent davantage de modèles de risque externes à mesure que la complexité augmente.

Le départ de Chaos Labs signale une tension dans le modèle de risque d'Aave

Le départ de Chaos Labs signifie plus qu'un simple changement de contributeur ; il reflète une tension croissante dans la façon dont Aave gère le risque à mesure qu'il se développe. Pendant trois ans, Chaos Labs a évalué chaque prêt tandis que le TVL d'Aave est passé de 5,2 milliards de dollars à plus de 26 milliards de dollars, traitant 2,5 billions de dollars de dépôts et plus de 2 milliards de dollars de liquidations, selon le rapport de Chaos Labs.

Source : Gouvernance. Aave.com

Pourtant, le départ a été motivé par un désalignement plus profond sur la façon dont le risque devrait être géré à l'avenir. Alors que les contributeurs principaux partaient, la charge de travail et le risque opérationnel ont augmenté, tandis qu'Aave V4 introduisait une plus grande complexité sur une structure non familière.

Stani Kulechov, fondateur et PDG d'Aave, les a félicités dans un post en déclarant : "Nous tenons également à remercier toute l'équipe de Chaos Labs pour leurs contributions au fil des années, car ils ont aidé à amener le protocole que nous avons construit à son niveau actuel de maturité."

Par conséquent, l'engagement est resté déficitaire malgré un budget proposé de 5 millions de dollars. Ce changement suggère qu'à mesure que les protocoles grandissent, maintenir une surveillance des risques de haute qualité devient plus difficile, ce qui pourrait affecter la stabilité à long terme si la demande dépasse le contrôle.

La continuité des risques d'Aave fait maintenant face à son premier vrai test

Aave entre maintenant dans une transition critique alors qu'il absorbe le départ d'un contributeur clé en matière de risque, passant d'une focalisation sur la performance à une focalisation sur la continuité.

Avec le départ de Chaos Labs, la responsabilité se déplace vers les équipes internes et les fournisseurs comme LlamaRisk, soulevant des questions sur la vitesse de réponse. Stani a noté que "LlamaRisk sert déjà de contributeur de risque pour l'Aave DAO et a une connaissance approfondie de l'architecture et des paramètres du protocole. Nous soutenons LlamaRisk pour qu'il augmente son budget pour accommoder cette charge de travail supplémentaire et qu'il étende son équipe si nécessaire."

Alors qu'Aave se développe vers la V4, la complexité des risques augmente, ce qui exerce plus de pression sur la coordination.

À court terme, les systèmes restent stables ; cependant, tout ralentissement dans les ajustements pourrait permettre aux risques de s'accumuler progressivement. Ce changement suggère que la confiance du marché peut désormais dépendre moins des performances passées et plus de l'efficacité avec laquelle cette transition est gérée.


Résumé Final

  • La stabilité d'Aave reposait sur des mises à jour continues des risques, mais le départ de Chaos Labs soulève des questions sur le maintien de la même réactivité.
  • Aave entre maintenant dans une transition où des ajustements plus lents pourraient augmenter le risque, passant d'une focalisation sur les performances passées à l'exécution.

Questions liées

QQuel est le rôle de la gestion des risques dans le protocole DeFi Aave, selon l'article ?

ALa gestion des risques joue un rôle central dans les performances du protocole, en particulier pendant les périodes de volatilité. Elle repose sur des ajustements continus des seuils de liquidation, des limites d'emprunt et des règles de garantie, plutôt que sur des paramètres fixes, pour assurer la stabilité et la confiance des utilisateurs.

QPourquoi le départ de Chaos Labs est-il significatif pour Aave ?

ALe départ de Chaos Labs est significatif car il représente plus qu'un simple changement de contributeur ; il reflète une tension croissante dans la manière dont Aave gère les risques à mesure qu'il se développe. Cela soulève des questions sur la capacité à maintenir la même réactivité et la même qualité de surveillance des risques à l'avenir.

QQuelles étaient les contributions de Chaos Labs à Aave avant son départ ?

APendant trois ans, Chaos Labs a évalué chaque prêt alors que le TVL d'Aave passait de 5,2 à plus de 26 milliards de dollars. L'équipe a traité 2,5 billions de dollars de dépôts et plus de 2 milliards de dollars de liquidations, contribuant à amener le protocole à son niveau de maturité actuel.

QQui reprend la responsabilité de la gestion des risques après le départ de Chaos Labs ?

ALa responsabilité de la gestion des risques est transférée aux équipes internes et à d'autres prestataires comme LlamaRisk. Le fondateur d'Aave, Stani Kulechov, a noté que LlamaRisk, qui est déjà un contributeur au risque pour l'Aave DAO, possède une connaissance approfondie de l'architecture du protocole et pourrait voir son budget augmenter pour accommoder cette charge de travail supplémentaire.

QQuel est le principal défi pour Aave suite à cette transition, selon la conclusion de l'article ?

ALe principal défi pour Aave est de maintenir la continuité et la rapidité des ajustements des paramètres de risque. Tout ralentissement pourrait permettre aux risques de s'accumuler progressivement. La confiance du marché dépendra moins des performances passées et plus de l'efficacité avec laquelle cette transition est gérée, surtout avec l'augmentation de la complexité liée au déploiement d'Aave V4.

Lectures associées

De l'IDE au terminal : Un manuel pratique d'ingénierie d'agents

En mars 2026, Matt Van Horn a publié un article intitulé "Chaque astuce Claude Code que je connais", déclenchant un débat sur son approche "No IDE". Il développe entièrement dans le terminal et un fichier plan.md, déléguant l'exécution à des agents d'IA. Cette méthode, popularisée par meng shao sous le nom de "Conseils pratiques pour l'ingénierie d'agents", repose sur un cycle "Research → Plan → Work". L'idée centrale est de remplacer l'IDE, qui offre un retour visuel immédiat (surlignage, débogage), par un flux de travail basé sur des commandes et un plan. Le fichier plan.md sert de "contrat" avec l'agent, définissant le problème, la solution et une checklist pour guider l'exécution et éviter la "dégradation du contexte" des LLM. Des outils comme Compound Engineering (avec /ce:plan) aident à générer et affiner ce plan. Le cycle en trois phases est crucial : 1. **Research** : L'agent collecte des informations (ex: avec last30days-skill). 2. **Plan** : Génération et révision humaine du plan pour corriger les hypothèses et ajouter des connaissances métier. 3. **Work** : L'agent exécute le plan en parallèle (/ce:work). Des astuces pratiques incluent : générer un plan dès qu'une idée émerge ; faire résumer le plan par l'agent ; utiliser plusieurs terminaux en parallèle ; saisir par voix les instructions complexes ; déclencher des tâches par email (agentmail) ; et utiliser des compétences préexistantes (AgentSkills). Cependant, cette approche présente des risques. Elle nécessite une forte capacité à décomposer les problèmes et à rédiger des instructions précises. Les erreurs non détectées en phase de planification peuvent être amplifiées. Enfin, il existe un risque de "psychose IA", où l'optimisation du flux de travail devient une fin en soi, éclipsant l'objectif initial. Ce flux de travail est un amplificateur d'efficacité pour les développeurs expérimentés sachant exactement ce qu'ils veulent, et non un outil d'apprentissage pour les débutants qui ont encore besoin des retours visuels de l'IDE. Les outils (Claude Code CLI, Compound Engineering) évoluent rapidement, offrant une fenêtre d'expérimentation aux pionniers.

marsbitIl y a 1 h

De l'IDE au terminal : Un manuel pratique d'ingénierie d'agents

marsbitIl y a 1 h

Ne vous focalisez plus sur les GPU, Intel dévoile une manœuvre majeure, peut-elle mettre fin au monopole de Nvidia sur la puissance de calcul ?

Au cours des deux dernières années, le GPU a été au cœur du matériel informatique pour l'IA. Cependant, lors du COMPUTEX 2026, Intel a présenté une vision différente, axée sur l'Agentic AI (IA agentique). Contrairement aux modèles d'IA traditionnels fonctionnant par « tours » de questions-réponses, l'IA agentique opère dans des flux de travail réels, suivant un cycle continu de réflexion, planification, action et évaluation. Cela transforme fondamentalement l'utilisation du calcul, nécessitant une forte coordination système et un traitement de tâches fragmentées. Intel soutient que cela rééquilibrera la répartition des ressources dans les centres de données. Alors que la phase d'entraînement des modèles avancés repose fortement sur les GPU (avec des ratios CPU/GPU pouvant atteindre 1:8), le déploiement d'agents intelligents nécessitera davantage de puissance CPU pour l'orchestration des tâches, l'appel d'outils et la gestion des données, ramenant le ratio vers 1:1, voire en faveur du CPU. La consommation de tokens peut être multipliée par 1000 par rapport à une inférence simple. Pour répondre à cette nouvelle demande, Intel a dévoilé le processeur Xeon 6+ (fabriqué en technologie 18A), offrant jusqu'à 288 cœurs efficaces et conçu pour une haute densité et une meilleure efficacité énergétique. Parallèlement, Intel a présenté une nouvelle architecture d'inférence découplée, développée avec des partenaires comme SambaNova. Cette solution répartit les différentes étapes de l'inférence (orchestration, décodage, pré-remplissage) sur les composants les plus adaptés (CPU Xeon 6, RDU SambaNova, GPU NVIDIA Blackwell) pour optimiser l'efficacité. L'écosystème d'Intel inclut également le processeur Core Ultra de 3ᵉ génération pour l'IA locale sur PC, permettant une répartition dynamique des charges de travail entre le périphérique et le cloud, et les processeurs Arc G3 pour les appareils portables. Enfin, Intel mise sur les puces sur mesure (comme les IPU développées avec Google) pour répondre aux besoins spécifiques de divers secteurs industriels. En résumé, face à la domination de NVIDIA sur les GPU, Intel adopte une stratégie globale : proposer une suite de solutions (puces universelles, architectures hétérogènes, IA locale, composants personnalisés) adaptée à chaque étape et besoin du nouveau paysage informatique défini par l'IA agentique. Le succès dépendra de l'exécution technique et de l'adoption par les clients, mais Intel affiche désormais une direction claire pour capitaliser sur cette reconfiguration des infrastructures d'IA.

marsbitIl y a 2 h

Ne vous focalisez plus sur les GPU, Intel dévoile une manœuvre majeure, peut-elle mettre fin au monopole de Nvidia sur la puissance de calcul ?

marsbitIl y a 2 h

“小美”, Yuanbao, l'interconnexion, est-ce un précurseur pour l'agent intelligent de WeChat ?

Lors de la publication des résultats du premier trimestre 2026 de Meituan, l'attention a été attirée par l'annonce de Wang兴 concernant l'intégration de son assistant IA "Xiao Mei" avec "Yuan Bao" de Tencent. Cette collaboration permettra aux utilisateurs d'exprimer des besoins en services de proximité dans Yuan Bao, déclenchant automatiquement une communication "Agent à Agent" avec Xiao Mei pour accéder aux services de livraison de repas de Meituan. Cet accord stratégique vise à positionner Meituan comme une infrastructure de services de base, tout en s'appuyant sur une entrée IA externe pour compenser son manque d'accès indépendant. Cette démarche intervient dans un contexte où les assistants IA rivaux, comme Dou Bao (ByteDance) et Qian Wen (Alibaba), développent leurs propres écosystèmes fermés ("jardin clos") en intégrant des services transactionnels, contournant potentiellement les avantages de Meituan. L'article analyse les défis de cette collaboration : plafond de l'expérience utilisateur due à l'architecture "Agent à Agent", répartition des bénéfices, et fluidité de l'expérience entre deux écosystèmes distincts. Elle est également interprétée comme un test préliminaire crucial pour le futur "Agent IA" intégré à WeChat, dont le lancement a été rapporté par le Financial Times. Le succès de ce partenariat avec Meituan pourrait servir de modèle pour convaincre d'autres grandes plateformes de s'intégrer à l'écosystème IA de Tencent via des protocoles standardisés, préservant leur souveraineté des données tout en gagnant en visibilité.

marsbitIl y a 3 h

“小美”, Yuanbao, l'interconnexion, est-ce un précurseur pour l'agent intelligent de WeChat ?

marsbitIl y a 3 h

Trading

Spot
Futures
活动图片