Article : Anderl
Traduction : Chopper, Foresight News
Dans l'industrie actuelle de l'IA et de la crypto, une théorie circule : configurer un portefeuille pour un agent d'IA et le laisser faire entièrement les achats à notre place, ce serait le cas d'usage central de l'IA. Ce discours semble simple et parfait, comme s'il était l'avenir, mais sa logique interne ne résiste pas à l'analyse. Cette vision mélange les aspects difficiles et les aspects simples des achats, et place au centre l'étape la plus simple : le paiement.
Laissons de côté le paiement et revenons à l'acte d'achat lui-même.
Les deux comportements centraux des achats
L'achat est, par essence, deux types d'actions aujourd'hui liées : la recherche d'informations et le jugement de valeur. La recherche (collecte, filtrage, comparaison, tri préliminaire) a des attributs standardisés et peut presque entièrement être confiée à un agent machine ; tandis que le jugement de valeur (ce produit est-il bon, me convient-il, le vendeur est-il fiable) est un aspect profondément lié à la subjectivité et aux émotions humaines.
Les données prouvent déjà que la recherche d'informations se transfère rapidement vers l'IA. Les données d'Adobe Analytics montrent qu'entre juillet 2024 et juillet 2025, le trafic vers les sites de vente au détail américains provenant de l'IA générative a augmenté d'environ 4700%. Mais le récit du « portefeuille d'IA » suppose par défaut que l'agent intelligent puisse prendre en charge à la fois la recherche et le jugement de valeur, c'est là le point clé où la logique est biaisée. La recherche peut être entièrement confiée à la machine, mais le jugement de valeur ne peut être partiellement délégué que sous certaines conditions spécifiques, et dans la plupart des scénarios, il est impossible de le déléguer complètement.
Le jugement de valeur se divise également en deux couches
Plus crucial encore, le jugement de valeur n'est pas non plus unidimensionnel, mais se divise en deux parties. Une partie est l'évaluation, c'est-à-dire vérifier diverses options selon une fonction d'utilité. L'autre partie est la définition des besoins, c'est-à-dire d'abord établir la fonction d'utilité : quelles dimensions sont importantes, quels sont leurs poids, quelles valeurs ont un caractère contraignant, et quelle est la signification finale de « bon ».
La définition des besoins ne se fait pas une seule fois au début, mais s'étend tout au long du processus d'achat. La norme de conformité des produits est décidée par vous ; une fermeture éclair cassée est-elle une raison d'abandonner le produit, c'est votre critère qui décide ; le choix du vendeur dépend de l'orientation de valeur que vous privilégiez. Chaque niveau de filtrage suit la logique « critère subjectif humain × évaluation machine par IA ». L'automatisation ne peut remplacer que l'étape d'évaluation, la souveraineté de la définition des besoins restera toujours entre les mains des humains.
Beaucoup pensent à tort que l'humain n'a qu'à écrire une fois une liste de critères pour pouvoir totalement lâcher prise, c'est sous-estimer gravement la logique de prise de décision humaine. De nombreuses recherches dans le domaine de la décision confirment que les préférences humaines ne sont pas fixes. Le psychologue Paul Slovic propose la théorie des préférences constructives : nous n'avons pas en nous un ensemble de goûts prêts et fixes à extraire, les préférences se forment progressivement pendant le processus de choix. L'expérience de « renversement des préférences » le confirme : deux méthodes de recherche équivalentes, le choix et la tarification, aboutissent à des classements de produits totalement différents, violant les axiomes de base du choix rationnel.
Ariely, Loewenstein et Prelec ont proposé en 2003 la théorie de la « cohérence arbitraire » : même des chiffres aléatoires sans lien comme les derniers chiffres d'un numéro de sécurité sociale peuvent ancrer l'offre psychologique des gens pour des produits ordinaires ; et cet effet d'ancrage ne disparaît pas avec l'expérience de consommation ou les transactions de marché. La soi-disant « préférence stable » n'est qu'une illusion d'ordre construite artificiellement.
Par conséquent, l'interaction homme-machine ne peut pas être une simple saisie unique d'une liste de critères, mais nécessite une communication itérative continue. L'agent d'IA doit poser des questions ciblées à chaque nœud de filtrage : « Vous accordiez de l'importance à la durabilité, à partir de quel prix en prime la durabilité ne vous semble plus rentable ? », puis l'humain définit cette limite en temps réel.
La véritable ligne de démarcation : les achats sont-ils une corvée ou un plaisir en soi ?
L'industrie a l'habitude de diviser les scénarios en « produits standardisés / produits personnalisés ». La divergence ne réside pas dans la possibilité de quantifier les standards, la véritable ligne de démarcation est : l'acte de faire un choix a-t-il en lui-même une valeur d'expérience ?
Pour le papier d'impression, les piles ou les produits nécessitant un réapprovisionnement régulier, le processus de sélection n'a aucune valeur d'expérience. Personne ne veut dépenser de l'énergie à comparer deux cartouches d'encre presque identiques. Ce type de produits se prête naturellement à un traitement entièrement confié à un agent d'IA, l'achat automatique par la machine ne fait perdre aucune expérience.
Pour la consommation de plaisir, la situation est exactement inverse. Le vin, les meubles, les manteaux, les livres, la sélection elle-même fait partie du plaisir de la consommation. Si l'on confie le pouvoir de jugement à la machine, même si cela économise le coût du temps, cela prive directement du plaisir central de la consommation. Même si l'IA répond gratuitement à toutes les questions, les gens ne voudront pas totalement déléguer.
Pour les produits de plaisir, l'agent d'IA ne devrait pas prendre de décisions entièrement autonomes, mais passer en mode collecteur d'informations : effectuer la recherche, le filtrage préliminaire, la correspondance des paramètres, la vérification de la qualification des vendeurs, extraire les défauts récurrents d'un grand nombre d'avis, réduire 200 options à 5, puis laisser le choix final à l'humain.
Le dilemme tripartite : interrogation par l'IA, déduction historique, décision autonome
Certains diront : et si l'IA me demande directement mes critères ? Cette méthode est précisément le mode inefficace que les gens ordinaires détestent au quotidien, et plus grave encore, interroger à plusieurs reprises sur les critères peut fausser le choix final de la personne.
Wilson et Schooler ont mené en 1991 une expérience de dégustation de confiture : les groupes à qui on avait demandé au préalable d'analyser les raisons de leurs préférences ont finalement donné un classement plus éloigné des critères de dégustation professionnelle ; des expériences ultérieures prouvent que forcer les gens à énumérer les raisons de leur choix les amène à choisir des tableaux décoratifs avec une satisfaction ultérieure moindre. Le langage ne peut décrire que les caractéristiques superficielles faciles à exprimer, il ne peut saisir les préférences intimes réelles ; des sensations comme le goût, l'esthétique, ne peuvent être perçues que par les sens, difficilement définies par des mots.
Ainsi se forme un triple dilemme impossible à concilier simultanément :
- Interrogation active par l'IA : correspond aux préférences réelles du moment, mais la friction interactive est très élevée, voire fausse le choix ;
- Déduction basée sur le comportement passé : opération fluide, mais emprisonne dans les préférences passées, étouffe toute nouvelle exploration de consommation ;
- Jugement entièrement autonome par l'humain : préserve totalement le pouvoir de choix, mais consomme beaucoup de temps et d'énergie.
Une quatrième solution de compromis peut éviter ces écueils : l'interaction par reconnaissance, plutôt que l'interrogation point par point. L'IA présente directement 3 options, l'humain n'a qu'à choisir. Cette méthode est à la fois pratique et précise, car elle ne nécessite pas de nommer de manière abstraite des critères que souvent vous ne pouvez nommer.
La célèbre expérience sur la surcharge de choix peut le confirmer. Iyengar et Lepper ont mené en 2000 une expérience de dégustation de confiture sur un stand, le taux de conversion d'achat était bien plus élevé avec 6 confitures qu'avec 24. Mais cette théorie est controversée, plusieurs analyses et expériences ultérieures ont infirmé cette conclusion. Scheibehenne et al. ont synthétisé en 2010 de nombreuses expériences et ont constaté qu'il n'y avait pas d'effet universel de surcharge de choix ; Chernev, Böckenholt et Goodman ont montré en 2015 dans une analyse couvrant 99 études que l'effet de surcharge n'apparaît que lorsque la complexité des produits est élevée, la difficulté de décision grande, et ses propres préférences floues. Les auteurs originaux ont ensuite indiqué qu'avec 24 produits, les consommateurs manquaient de temps pour clarifier leurs propres préférences. La véritable autonomie se situe entre « l'agent applique mes critères » et « l'agent invente des critères à partir de mes antécédents ».
Retour au « portefeuille d'IA » : le paiement n'est que l'aspect le plus secondaire
En clarifiant cette logique, on peut comprendre les failles du récit « donner un portefeuille à l'IA ». Ce discours mélange trois choses totalement indépendantes : le sujet de la décision, le sujet de l'exécution, le sujet détenteur des fonds. « Donner un portefeuille à l'IA » ne résout que le problème de la détention des fonds, ce n'est que lorsque l'IA a aussi le pouvoir de décision que la gestion des fonds a un sens.
Trois situations. Première situation, la personne décide elle-même et paie. Dans ce cas, l'agent ne paie pas, mais agit comme un éclaireur. Deuxième situation, la personne prend la décision et délègue la tâche d'exécution à l'agent (« Oui, achète cela »). À ce moment, l'agent est responsable du paiement, mais n'a pas besoin de détenir les fonds, il a juste besoin d'une autorisation unique, limitée et révocable pour cet achat spécifique déjà approuvé. C'est seulement dans la troisième situation, lorsque l'agent décide et paie de manière autonome, sans présence humaine pour finaliser l'achat, que le portefeuille lui-même assume la responsabilité du paiement.
Il est intéressant de noter qu'en 2025, l'industrie mondiale des paiements a déjà déployé des solutions d'autorisation hiérarchisée, séparant clairement « autorisation » et « gestion des fonds » :
- OpenAI a lancé en partenariat avec Stripe un accord commercial pour agents intelligents, générant des jetons de paiement partagés liés à un vendeur unique, d'un montant fixe, à usage unique et limité dans le temps, l'IA ne pouvant pas obtenir le numéro complet de carte bancaire ;
- Mastercard a publié en avril 2025 Agent Pay, générant des jetons dédiés limités à un agent spécifique, à un marchand désigné, liés à des règles d'autorisation de l'utilisateur ;
- Google a lancé en septembre 2025 le protocole de paiement intelligent AP2, séparant clairement le « justificatif d'autorisation des besoins utilisateur » et le « justificatif de liste d'achats de l'IA », les deux étant des justificatifs cryptographiques vérifiables, correspondant parfaitement à la logique hiérarchique « définition des besoins / évaluation machine » évoquée précédemment ;
- Visa a lancé en octobre 2025 un protocole d'agent de confiance, suivant la même idée que les solutions ci-dessus.
Les principaux acteurs du paiement ont unanimement démontré le point central de cet article : il n'est pas nécessaire de confier les fonds à l'IA, il suffit de lui accorder des autorisations d'opération limitées.
Alors, où se situe le véritable scénario d'application du portefeuille géré de manière autonome par l'IA ? Les scénarios de vente au détail grand public n'ont presque pas besoin d'un portefeuille géré par l'IA, l'espace de déploiement réel de cette solution est dans les produits de base standardisés et les règlements automatiques entre machines. Coinbase et Cloudflare ont lancé conjointement le protocole x402, comblant un vide des canaux de paiement par carte traditionnels : il permet des paiements automatiques entre agents sans intervention humaine, 24h/24 et 7j/7, facturés à l'utilisation d'API, avec un volume de transactions dépassant 100 millions en quelques mois. Mastercard a simultanément lancé Agent Pay pour machines, servant aux micro-règlements entre machines à haute fréquence et faible latence. Il s'agit de l'infrastructure de base de l'économie machine, et non d'achats personnels.
Ce récit n'est pas erroné en soi, mais son importance est complètement inversée : le portefeuille géré de manière autonome par l'IA n'a de valeur importante que dans les scénarios où les produits sont hautement homogènes et les montants unitaires relativement faibles.
Où le portefeuille doit vraiment se trouver
Cela explique aussi le changement d'orientation du secteur crypto ces deux dernières années : ne plus mettre en avant le récit de libération de la consommation pour les particuliers, mais se concentrer sur l'infrastructure de base institutionnelle – compensation en stablecoins, tokenisation d'actifs, services d'entreprise. Il ne s'agit pas d'abandonner le créneau des achats par IA, mais de revenir au domaine réellement adapté au modèle de gestion du portefeuille : le côté entreprise. Le service des achats d'entreprise est en soi l'incarnation institutionnalisée d'« achats purement corvée », le processus d'achat est dissocié de l'esthétique subjective et des sentiments personnels, il repose entièrement sur les spécifications, le prix, l'exécution, les clauses contractuelles, c'est essentiellement une version manuelle des achats par agent intelligent. Le portefeuille d'IA ne fait qu'automatiser un processus déjà mature dans les entreprises, il ne bouleverse pas le modèle de comportement.
Aujourd'hui, de nombreuses entreprises externalisent les achats de fournitures de bureau, de consommables à faible valeur, la compétitivité centrale de plateformes comme Mercateo, Amazon Business n'est pas le bas prix, mais la réduction des coûts de processus : catalogue d'achats unifié, factures consolidées. Les entreprises acceptent une légère prime sur les produits individuels en échange d'une forte baisse des coûts humains d'achat, le coût de processus des consommables à faible valeur dépasse souvent la valeur du produit lui-même. L'agent d'IA peut réduire les coûts humains de commande à presque zéro, tout en recherchant parmi une multitude de fournisseurs dispersés ; la plateforme d'achat ne conserve que la fonction de vérification de conformité : audit des fournisseurs autorisés, rapprochement unifié des comptes, vérification anti-contrefaçon, et c'est précisément cette vérification qui est le véritable goulot d'étranglement de tout le processus.
Par conséquent, la stratégie de déploiement ne peut être simplement résumée par « le service de portefeuille pour les entreprises, pas les particuliers », la formulation précise devrait être : l'outil correspond au scénario.
- Portefeuille en gestion autonome (l'IA décide de manière autonome, détient les fonds, effectue le paiement) : adapté aux achats d'entreprise de produits standardisés, aux règlements automatiques entre machines, principalement pour les scénarios B2B, M2M à récurrence élevée ;
- Scénarios de consommation personnelle : pas besoin de gestion des fonds, on accorde seulement des jetons de paiement à usage unique et à portée limitée, l'IA ne peut finaliser l'achat qu'après confirmation humaine de la commande.
« Donner un portefeuille à l'IA » comme titre de communication B2C ne vise qu'un très petit segment de scénarios ; le marché central réel de déploiement de cette solution est le système d'automatisation des processus internes des entreprises.
Note supplémentaire : les achats d'entreprise ne sont pas non plus entièrement composés de produits standardisés. Certaines décisions d'achat ne peuvent pas non plus être confiées à l'IA de manière autonome, le choix d'un cabinet d'avocats, d'une cible d'acquisition, d'un fournisseur clé relève du choix stratégique, les conséquences subjectives sont importantes, et tout comme le choix personnel d'un vin, il doit être décidé par l'humain lui-même, le portefeuille en gestion autonome n'a aucune utilité dans ce type de scénarios.
Cette règle s'applique à tous les domaines : le portefeuille géré de manière autonome par l'IA n'a de valeur que dans la couche des produits standardisés, et les activités standardisées se concentrent à l'intérieur des entreprises, où le volume est le plus important et les besoins les plus denses.
Le véritable goulot d'étranglement n'a jamais été le paiement
La technologie de circulation des fonds est mature depuis longtemps, il n'y a aucun point de blocage dans l'étape du paiement, les véritables goulots d'étranglement pour le déploiement des achats par l'IA se situent dans deux autres aspects.
Premièrement, l'absence de sources de données fiables. La condition préalable au jugement automatisé est que les données soient vraies et fiables, une fois que l'information de base est erronée, l'IA de décision autonome amplifie à la vitesse de la machine l'impact négatif des fausses informations. La prolifération des faux avis est déjà un problème connu de l'industrie. La Federal Trade Commission américaine a promulgué en 2024 une nouvelle réglementation (entrée en vigueur le 21 octobre) interdisant explicitement les faux avis sur les produits, précisant que l'IA générative réduit considérablement le seuil de fabrication en masse de faux avis, l'amende maximale par infraction s'élevant à 51 744 dollars, les autorités de régulation ayant déjà émis plusieurs avertissements fin 2025.
Le problème des contrefaçons de produits physiques est également grave. Selon les données statistiques 2025 de l'OCDE et de l'Office de l'Union européenne pour la propriété intellectuelle, le commerce mondial de contrefaçons en 2021 était d'environ 4 670 milliards de dollars, soit 2,3 % du commerce mondial total ; les contrefaçons importées dans l'UE représentaient 4,7 % du total des importations, les vêtements, chaussures, sacs, articles de luxe étant des catégories particulièrement touchées, qui relèvent justement des catégories de produits de consommation expérientielle. Les certificats de traçabilité unitaire, les avis authentiques vérifiables, l'expertise indépendante tierce, la preuve de circulation au niveau de l'unité (la directive européenne anti-contrefaçon, la loi américaine sur la chaîne d'approvisionnement pharmaceutique imposent déjà l'apposition sur les emballages de médicaments) sont des conditions préalables pour que l'IA puisse juger de manière sécurisée les produits.
Deuxièmement, le pouvoir de définition des besoins humains ne peut être automatisé. Tant que les critères de besoins sont définis par l'humain, les étapes ultérieures de filtrage, comparaison et règlement peuvent être automatisées. Définir ses propres besoins est une chose qui ne peut naturellement être confiée à la machine. Si c'est l'IA qui génère vos critères de besoins, les préférences finales formées ne vous appartiennent pas.
Configurer un portefeuille pour un agent d'IA ne résout que l'aspect le plus simple, celui des fonds. La direction qui mérite vraiment d'être approfondie : automatiser de manière sûre et contrôlée l'évaluation et le filtrage, tout en restituant à l'humain deux droits fondamentaux – définir les critères de jugement, profiter du plaisir du choix final.
Conclusion
Pour finir, il faut souligner que pour les produits de consommation expérientielle, une fois que le canal d'approvisionnement est standardisé, le produit devient omniprésent. À ce moment-là, votre produit n'est plus le bien lui-même, mais le choix. Les plateformes doivent optimiser leur degré de standardisation de l'information pour faciliter la recherche par l'IA : traçabilité complète vérifiable, données produits structurées et propres, guider l'IA pour qu'elle redirige les utilisateurs vers leur propre plateforme. Sur cette base, conserver l'avantage central que l'automatisation ne peut remplacer, élargir l'exploration de nouvelles consommations aux frontières esthétiques des utilisateurs, ainsi que l'expérience plaisante du choix final des produits. Confier la collecte d'informations à l'agent d'IA, et concentrer la compétitivité centrale de la plateforme sur la création d'une expérience de choix de meilleure qualité.
