Les exchanges donnent aux "écrevisses" (traders) un arbre de compétences ; Openclaw va-t-il laisser les traders humains sur le carreau ?

Auteur : Frank, PANews

Du jour au lendemain, il semble que tout le monde déploie des écrevisses (une plateforme de cryptomonnaie populaire). Cette tendance a finalement atteint l'industrie crypto. Le 3 mars, Binance et OKX, deux géants de la crypto, ont simultanément lancé et ouvert en open-source des bibliothèques de compétences IA pour les Agents d'IA, permettant aux Agents d'IA de réaliser directement la découverte d'alpha on-chain et le trading en temps réel via ces protocoles. Peu de temps auparavant, le leader du marché de prédiction Polymarket a également lancé un outil CLI spécifiquement pour les agents.

Derrière cette situation apparemment fortuite se cache le fait que l'IA devient l'entité de trading principale dans l'avenir de l'industrie crypto, et ce changement a déjà commencé.

Mais la question centrale à laquelle les utilisateurs sont confrontés est : les transactions basées sur les agents sont-elles vraiment fiables ?

Ouvrant la voie, la crypto accueille officiellement les traders IA.

Voyons ce que les compétences que Binance et OKX ont ouvertes en open-source cette fois peuvent réellement faire.

Les sept compétences de Binance sont positionnées comme un « noyau intelligent unifié », transformant les signaux fragmentés du marché crypto en décisions de trading exploitables. Plus précisément, elles permettent aux agents IA d'automatiser l'exécution du trading au comptant, comme l'accès aux données de marché en temps réel et le placement d'ordres. Ils peuvent également analyser n'importe quelle adresse de portefeuille pour générer des rapports de suivi de smart money, y compris les avoirs détaillés. D'autres fonctionnalités incluent la récupération de tokens, le copy trading et la surveillance des risques de contrats.

La mise à niveau OnchainOS AI d'OKX est positionnée comme un « système d'exploitation on-chain pour les agents IA ». Elle prend en charge plus de 60 fonctions on-chain liées à la gestion autonome de portefeuille, aux transactions et aux paiements. Celles-ci incluent des fonctionnalités telles que la recherche d'avoirs de portefeuille (soldes d'actifs cross-chain et portefeuilles), les données de marché DEX, l'exécution des trades et la découverte de tokens.

L'interface Rust CLI de Polymarket, lancée plus tôt, est un terminal pour les agents IA, leur permettant d'interroger, de trader et de gérer directement tous les marchés de prédiction sur Polymarket. De plus, Bitget et Coinbase ont également publié des bibliothèques de compétences similaires.

D'un point de vue fonctionnel, ces compétences fournissent les fonctions de base dont les utilisateurs ordinaires ont besoin pour les transactions on-chain ou la participation à d'autres transactions crypto, y compris la recherche de marché, l'exécution d'ordres, le suivi de smart money et plus encore.

Cependant, cela signifie-t-il que tout le monde peut maintenant profiter d'un café en regardant les écrevisses travailler en coulisses pour leur faire gagner de l'argent ?

Un utilisateur sur les réseaux sociaux a partagé un outil de gain d'argent « écrevisse ».

Agent d'IA ≠ Robot quantitatif

Mais le résultat réel peut être différent de ce que la plupart des gens imaginent.

Beaucoup de gens assimilent le « trading IA » aux robots de trading quantitatif, mais la logique sous-jacente des deux est fondamentalement différente.

La différence est fondamentale. Les robots de trading quantitatif traditionnels sont essentiellement des programmes automatisés qui exécutent des règles prédéfinies, comme « acheter quand le RSI tombe en dessous de 30 et vendre quand il dépasse 70 ». Ils sont extrêmement rapides, mais ils n'ont aucune compréhension de ce qu'ils font, ne peuvent pas lire les nouvelles et ne sont pas conscients du sentiment du marché. L'efficacité de leur stratégie dépend entièrement de la personne qui a écrit le code.

Au cœur de l'Agent d'IA se trouve un grand modèle de langage. Il peut lire un article d'actualité sur l'augmentation des taux d'intérêt de la Réserve fédérale, comprendre ce que cela signifie pour le marché crypto, puis décider de réduire ou non ses avoirs.

En termes simples : Le bot exécute les règles, et l'agent fait les jugements.

En d'autres termes, l'agent actuel ne surveille pas le marché lui-même puis ne passe pas directement un ordre lorsqu'une opportunité se présente. Les coûts de token résultants et le décalage temporel sont dévastateurs pour le trading.

Le trading d'agents actuels tend à adopter un modèle de « division du travail » : les programmes traditionnels sont responsables de la surveillance et de l'exécution, tandis que les grands modèles ne sont responsables que de l'analyse et de la prise de décision.

Plus précisément, un programme traditionnel extrait en continu les prix en temps réel, les données on-chain, les nouvelles et d'autres informations de l'exchange, puis regroupe ces données et les envoie à un grand modèle. Le grand modèle intègre des informations multidimensionnelles telles que les conditions du marché, les nouvelles et les anomalies on-chain pour fournir une décision de trading, comme « Acheter ETH, 10 % de position, prix d'ordre $2450 ». Enfin, l'instruction de trading est renvoyée au programme traditionnel, qui exécute l'ordre via l'interface de l'exchange et suit en permanence les résultats.

Le code traditionnel agit comme les « mains » et les « yeux » de l'agent, tandis que le modèle global sert de « cerveau ». Les compétences offertes par les trois principales plateformes fournissent essentiellement à l'agent des « mains » et des « yeux » standardisés, lui permettant d'accéder rapidement aux données et aux capacités de trading de diverses plateformes de trading. Cependant, en coulisses, les humains conçoivent toujours la logique de trading basée sur des stratégies spécifiques. Il ne s'agit pas simplement de se connecter à la compétence et de regarder le solde de votre compte augmenter automatiquement.

Au-delà de la technologie et de la fonctionnalité, il existe deux problèmes du monde réel qui doivent être abordés.

Le premier est la vitesse. Les bots quantitatifs haute fréquence traditionnels ont une latence de trading de l'ordre de la microseconde à la milliseconde, les systèmes professionnels atteignant même une latence inférieure à la milliseconde. Le goulot d'étranglement clé pour les agents IA, cependant, réside dans le temps requis pour l'inférence de modèles à grande échelle. Une analyse complète et une sortie de décision prennent généralement entre plusieurs centaines de millisecondes et plusieurs secondes, et dans des scénarios complexes, cela peut même dépasser 5 secondes. C'est des milliers, voire des millions de fois plus lent que les bots traditionnels.

Par conséquent , les agents ne peuvent tout simplement pas rivaliser avec les bots quantitatifs en termes de vitesse. Ils ne peuvent pas effectuer d'arbitrage haute fréquence ni profiter de différences de prix au niveau de la milliseconde. La compétitivité des agents réside dans la qualité de leurs décisions : un bot quantitatif peut placer un ordre en millisecondes, mais il ne connaît pas la signification de « le président de la Réserve fédérale vient d'envoyer un tweet dovish », alors qu'un agent le sait. Les agents sont mieux adaptés pour effectuer un ou deux trades bien réfléchis par heure, plutôt que d'effectuer des milliers d'opérations mécaniques par seconde.

Le deuxième facteur est le coût. Les bots traditionnels, une fois développés, ne nécessitent que des coûts de serveur pour fonctionner. Cependant, les agents appellent des interfaces de modèles larges chaque fois qu'ils prennent une décision, ce qui entraîne des dépenses. Par exemple, avec GPT-5.2, si un agent analyse le marché toutes les 5 minutes (288 fois par jour), le coût d'inférence mensuel est d'environ $106. En utilisant le plus puissant Claude Opus 4.6, c'est environ $238. Ce n'est pas un montant important pour les traders gérant de grosses sommes, mais pour les investisseurs de détail avec seulement quelques milliers de dollars de capital, ce coût d'inférence, combiné aux frais de transaction, rend beaucoup plus difficile la réalisation d'un profit net.

Quand il s'agit de gagner de l'argent en tant qu'agent, il y a plus de pièges que d'opportunités.

De plus, la qualité de la prise de décision de l'agent est également un problème majeur. Derrière ces jugements apparemment logiques et clairs, il peut très bien y avoir des décisions absurdes.

En 2025, une compétition de trading IA organisée par Nof1 a fourni un exemple frappant. Plusieurs agents pilotés par de grands modèles se sont affrontés, avec des résultats très divergents : l'agent piloté par GPT-5 a perdu 62 % de son capital initial, tandis que Qwen3 et DeepSeek ont réalisé des profits de 22,3 % et 4,89 %, respectivement. Dans cette compétition de trading IA, bien que certains modèles aient finalement réalisé des profits, ils ont présenté des caractéristiques extrêmement instables. DeepSeek, en particulier, a démontré des rendements élevés au départ suivis d'un drawdown important, ce qui a tempéré les attentes du marché.

Dans la deuxième saison de l'expérience, 15 bots IA, chacun avec un capital de $10 000, ont participé. Seul GROK-4.2 a obtenu un rendement positif. Dans l'ensemble, seuls trois modèles ont obtenu des rendements positifs dans les deux saisons, tandis que les autres étaient dans un état déficitaire.

De plus, PANews a également mené des études de simulation sur plusieurs des modèles les plus puissants de l'époque, et les résultats finaux ont montré que, à long terme, leurs profits attendus étaient tous négatifs. (Lecture connexe : Évaluation quantitative de l'IA : Profits attendus pour tous les modèles inférieurs à 1, à quelle distance l'intelligence artificielle est-elle du remplacement des traders ? )

Sur Polymarket, la stratégie de bot IA la plus classique est l'arbitrage de parité mathématique : lorsque le coût total d'achat des contrats « oui » et « non » dans un marché binaire est inférieur à $1, acheter les deux simultanément verrouille des profits sans risque. De nombreux blogueurs ont vivement salué cette stratégie. Cependant, Polymarket a réagi en introduisant des frais dynamiques et d'autres ajustements de règles, rendant certaines stratégies d'arbitrage inefficaces.

Dans l'ensemble, le trading d'agents n'est pas une « machine à imprimer de l'argent ». La sélection de modèles, la conception de stratégies et la discipline de contrôle des risques sont tous indispensables.

En plus de ceux-ci, les transactions d'agents impliquent également plusieurs autres risques qui doivent être pris en compte.

Premièrement, en ce qui concerne la sécurité, l'agent détient la clé privée et exécute les transactions de manière autonome. Si l'environnement d'exploitation est compromis, cela pourrait entraîner une perte d'actifs. Des cas précédents ont montré que des techniques malveillantes ont été injectées dans des plateformes open-source pour voler les clés des utilisateurs. Les trois plateformes ont utilisé des clauses de non-responsabilité prudentes dans leurs déclarations, Polymarket l'ayant même directement étiqueté comme « logiciel expérimental précoce ».

Deuxièmement, le problème de « l'illusion » des grands modèles ne peut être ignoré. Les modèles génèrent parfois des analyses qui semblent raisonnables mais qui sont en fait erronées. Dans les conversations quotidiennes, cela peut seulement être embarrassant, mais dans le trading, cela pourrait signifier une perte d'argent réel.

L'homogénéisation des stratégies est également une source de préoccupation. Lorsqu'un grand nombre d'agents utilisent les mêmes compétences et les mêmes modèles pour analyser le même marché, leurs jugements deviennent très similaires, les signaux d'achat sont déclenchés simultanément, les prix sont rapidement poussés vers le haut et l'espace pour les retardataires est réduit.

L'IA n'est qu'une arme ; c'est toujours l'humain qui la manie.

Les règles du jeu sur le marché crypto subissent un changement profond alors que les exchanges commencent à concevoir des produits pour les agents plutôt que pour les humains. Les données de 2023 montrent que les systèmes automatisés représentaient déjà plus de 70 % du volume de trading sur le marché crypto, et ce pourcentage continue d'augmenter.

Cependant, le trading d'agents en est encore au stade « expérimental précoce ». La logique sous-jacente est qu'il s'agit simplement d'une amélioration de l'outil, et non de « l'automatisation de la génération de profits ». N'oubliez pas que les institutions ayant une vaste expérience en matière de stratégie et quantitative utilisent également les mêmes outils pour apporter des améliorations.

Pour les investisseurs ordinaires, au lieu de se précipiter pour construire leurs propres agents IA, il vaut mieux d'abord maîtriser les émotions FOMO (fear of missing out / peur de rater quelque chose) et comprendre leurs limites et leurs faiblesses. Certes, l'ère du trading d'agents est arrivée, mais la rentabilité dépend toujours des capacités de prise de décision stratégique des humains derrière elle.