🤖 AI

Operating-Layer Controls for Onchain Language-Model Agents Under Real Capital

Ce papier démontre que la fiabilité des agents autonomes de modèles linguistiques gérant un capital réel sur des marchés onchain dépend moins des capacités du modèle de base que d'une couche d'exploitation robuste intégrant des contrôles typés, une validation des politiques et des garde-fous d'exécution, qui ont collectivement réduit les défaillances critiques telles que la fabrication de règles de trading et permis un taux de succès élevé des règlements lors d'un déploiement à grande échelle de 21 jours.

Auteurs originaux : T. J. Barton, Chris Constantakis, Patti Hauseman, Annie Mous, Alaska Hoffman, Brian Bergeron, Hunter Goodreau

Publié 2026-04-30

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : T. J. Barton, Chris Constantakis, Patti Hauseman, Annie Mous, Alaska Hoffman, Brian Bergeron, Hunter Goodreau

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous embauchiez un chef robot hautement intelligent, mais légèrement littéral, pour diriger un restaurant. Vous lui donnez un menu et un budget (votre « mandat »), et vous lui dites : « Préparez de bons plats et ne gaspillez pas l'argent. »

Par le passé, les chercheurs ont testé ces chefs robots dans une simulation : ils leur ont donné un menu factice et de l'argent fictif. Les chefs semblaient excellents sur le papier. Mais ce document décrit ce qui s'est passé lorsqu'ils ont réellement ouvert le restaurant avec de l'argent réel et de vrais clients pendant 21 jours.

Voici l'histoire de ce qu'ils ont découvert, en utilisant des analogies simples.

La Grande Découverte : Ce n'est pas dans le Cerveau du Chef

L'équipe s'attendait à ce que, s'ils embauchaient simplement un chef robot « plus intelligent » (un modèle d'IA plus puissant), le restaurant fonctionnerait parfaitement. Ils avaient tort.

Ils ont découvert que la fiabilité du restaurant ne venait pas uniquement du cerveau du chef. Elle provenait du système de gestion de la cuisine entourant le chef. Ils appellent cela la « Couche Opérationnelle ».

Pensez-y ainsi :

Le Modèle (Le Chef) : Peut lire une recette et hacher des légumes.
La Couche Opérationnelle (Le Gestionnaire de Cuisine) : Vérifie si les ingrédients sont frais, empêche le chef de jeter de la nourriture, veille à ce que le chef ne mette pas accidentellement le feu à la cuisine, et s'assure que la facture correspond à ce que le client a commandé.

Le document soutient que pour qu'une IA gère de l'argent réel, vous avez besoin d'un Gestionnaire de Cuisine ultra-stricte, et pas seulement d'un Chef plus intelligent.

L'Expérience : « DX Terminal Pro »

L'équipe a mis en place un test en conditions réelles appelé DX Terminal Pro.

Le Dispositif : 3 505 personnes ont déposé leur propre argent réel (ETH) dans des « coffres ».
La Règle : Les humains pouvaient définir les règles (comme « soyez risqués » ou « soyez prudents »), mais ils ne pouvaient pas toucher directement l'argent. Seuls les agents IA pouvaient acheter et vendre des jetons.
Les Enjeux : Chaque fois que l'IA passait un ordre, cela coûtait de l'argent réel en frais (2,3 % par transaction). Si l'IA commettait une erreur, de l'argent réel disparaissait.
L'Échelle : L'IA a pris 7,5 millions de décisions, échangeant environ 20 millions de dollars de cryptomonnaies.

Les « Cauchemars de Cuisine » (Modes de Défaillance)

Avant l'événement réel, l'équipe a mené des tests et a identifié cinq façons spécifiques dont les chefs robots faisaient des erreurs. Ils ont résolu ces problèmes en modifiant les règles du « Gestionnaire de Cuisine », et non en licenciant les chefs.

Le Problème de la « Fausse Règle » (Fabrication de Règles) :
- Le Dysfonctionnement : L'IA inventait des règles qui n'existaient pas, en disant par exemple : « Je dois vendre car la 'Règle n°2' le dit », alors qu'une telle règle n'existait pas.
- La Correction : Ils ont dit à l'IA : « N'inventez pas de lois. Si vous ne l'avez pas vu écrit, ce n'est pas une règle. »
- Résultat : Les fausses règles sont passées de 57 % des décisions à seulement 3 %.
Le Problème de la « Paralysie par les Frais » :
- Le Dysfonctionnement : L'IA voyait les frais de 2,3 % et, terrifiée, refusait de trader du tout, même lorsque c'était une bonne opportunité. C'était comme un chef refusant de cuisiner parce que le coût de l'allumage du four coûte de l'argent.
- La Correction : Ils ont déplacé l'avertissement sur les frais à la fin des instructions, juste après l'opportunité de marché. Ils ont appris à l'IA : « Oui, il y a des frais, mais voici pourquoi l'opération en vaut la peine. »
- Résultat : L'IA a cessé de se figer et a recommencé à trader.
Le Problème de la « Confusion Mathématique » (Durcissement des Chiffres) :
- Le Dysfonctionnement : L'IA traitait des suggestions souples comme des lois rigides. Si vous disiez « essayez de dépenser environ 33 % », l'IA tentait obsessionnellement d'atteindre exactement 33 % à chaque fois, même lorsque cela n'avait aucun sens.
- La Correction : Ils ont arrêté d'utiliser des chiffres exacts et ont utilisé des comparaisons à la place (par exemple : « dépensez plus lorsque le marché est chaud »).
- Résultat : L'IA a commencé à agir plus naturellement et moins de manière robotique.
Le Problème du « Piège à Jetons » (Mauvaise Lecture de la Tokenomics) :
- Le Dysfonctionnement : Un jeton s'est effondré en prix. L'IA a vu l'effondrement et a tout vendu immédiatement, ne réalisant pas que ce jeton avait une règle spéciale selon laquelle les détenteurs étaient payés même si le prix baissait. C'était comme vendre un bon d'achat simplement parce que le magasin avait changé son logo, sans réaliser que le bon fonctionnait toujours.
- La Correction : Ils ont fourni à l'IA une explication claire et structurée de la règle de paiement spéciale avant de lui montrer l'effondrement des prix.
- Résultat : L'IA a cessé de paniquer et a pris des décisions plus intelligentes.
Le Problème du « Gardien de l'Horloge » (Trading de Cadence) :
- Le Dysfonctionnement : L'IA a commencé à trader simplement parce que « cela fait 10 minutes depuis le dernier trade », en ignorant le marché. C'était comme un chef hachant des légumes simplement parce que l'horloge disait qu'il était temps, et non parce que les ingrédients avaient besoin d'être hachés.
- La Correction : Ils ont dit à l'IA d'ignorer l'horloge et de ne trader que sur la base de signaux de marché.

Les Résultats : Un Meilleur Restaurant

Une fois qu'ils ont corrigé le « Gestionnaire de Cuisine » (la Couche Opérationnelle), le système a fonctionné de manière incroyable :

Taux de Succès de 99,9 % : Presque chaque tentative de transaction de l'IA était valide et a été exécutée.
Comportement Réel : L'IA ne suivait pas seulement les ordres ; elle réagissait au marché. Parfois, lorsqu'une IA voyait une bonne affaire, des centaines d'autres la voyaient aussi et achetaient en même temps (un effet de « troupeau »), tout comme le feraient de vrais humains.
Meilleures Instructions : Les utilisateurs qui donnaient des instructions claires et spécifiques (en utilisant des curseurs et des cases à cocher) obtenaient de meilleurs résultats que ceux qui écrivaient simplement des notes vagues comme « rendez-moi riche ».

La Conclusion Principale

Le document conclut que si vous voulez qu'une IA gère de l'argent réel, ne cherchez pas uniquement un modèle d'IA plus intelligent.

Vous devez construire un meilleur système autour de lui. Vous devez :

Traduire les souhaits humains en règles claires et structurées.
Vérifier le travail de l'IA avant qu'elle ne dépense le moindre centime.
Garder un registre parfait de chaque pensée, décision et transaction afin de pouvoir déterminer exactement ce qui a mal tourné si c'est le cas.

La « Couche Opérationnelle » est le filet de sécurité qui transforme un robot intelligent mais confus en un agent financier fiable.

1. Énoncé du problème

L'article abrite le fossé critique de fiabilité des agents autonomes de modèles linguistiques (LM) lorsqu'ils gèrent un capital réel sur des marchés financiers en direct. Alors que les benchmarks existants (par exemple, SWE-bench, AgentBench) évaluent les agents dans des environnements synthétiques ou purement textuels, ils échouent à capturer les complexités des opérations financières réelles persistantes, notamment :

Règlement irréversible : Les transactions ne peuvent pas être annulées.
Coûts économiques réels : Frais de transaction élevés (2,3 % par échange dans cette étude) et glissement de prix (slippage).
Boucle de rétroaction multi-agents : Les agents réagissent au même état de marché et aux trades les uns des autres.
Autonomie à long horizon : Les agents doivent prendre des milliers de décisions séquentielles sur plusieurs jours sans intervention humaine.

Les auteurs soutiennent que la fiabilité dans ce domaine n'est pas uniquement une fonction de l'intelligence du modèle de base, mais une propriété émergente de la couche d'exploitation — l'architecture système entourant le modèle qui traduit l'intention de l'utilisateur en actions validées et exécutables.

2. Méthodologie : DX Terminal Pro

L'étude a utilisé DX Terminal Pro, un déploiement en direct de 21 jours sur la blockchain Base impliquant 3 505 coffres financés par des utilisateurs.

Architecture système :
- Modèle : Qwen/Qwen3-235B-A22B-Thinking-2507 (235 milliards de paramètres, 22 milliards actifs).
- Inférence : Servi via SGLang sur une pile de calcul fixe pour assurer la cohérence.
- Environnement : Un marché borné de 12 jetons memecoin sur Uniswap V4.
- Contraintes : Un agent par portefeuille ; les humains pouvaient configurer des stratégies et des curseurs de risque, mais ne pouvaient pas exécuter de trades individuels. Les agents devaient choisir exactement une action par cycle : Acheter, Vendre ou Observer.
Boucle de contrôle :
- Entrée : Les utilisateurs configuraient les coffres via des curseurs structurés (Activité de trading, Risque, Taille du trade, etc.) et du texte de stratégie en langage naturel.
- Traitement : Un « harnais » compilait ces entrées en un prompt, incluant les données de marché en temps réel, l'état du portefeuille et la mémoire.
- Validation : Une couche de politique hors chaîne vérifiait la validité des appels d'outils (par exemple, vérifications de solde, limites de glissement, listes blanches de jetons) avant la soumission.
- Observabilité : Le système enregistrait une trace complète de l'instruction au règlement pour chaque invocation, reliant les mandats utilisateurs, les prompts, le raisonnement, les appels d'outils et les résultats sur chaîne.
Échelle : 7,5 millions d'invocations d'agents, environ 70 milliards de tokens d'inférence et environ 20 millions de dollars de volume de trading.

3. Contributions clés

L'article apporte trois contributions principales :

Architecture pour agents à capital réel : Une conception de système en direct qui compile les configurations utilisateurs en contexte d'agent, valide les actions avant le règlement et maintient des traces granulaires de l'intention jusqu'au résultat sur chaîne.
Identification et atténuation des modes de défaillance : Les auteurs ont identifié cinq modes de défaillance spécifiques aux opérations persistantes à capital réel et ont démontré comment des interventions ciblées au niveau du « harnais » (système) les ont réduits.
Preuve empirique de la dominance de la couche d'exploitation : Des données montrant que les améliorations de fiabilité proviennent de la conception du système (compilation de prompts, validation, sémantique de la mémoire) plutôt que de simples mises à niveau de modèles.

4. Résultats clés et modes de défaillance

L'étude a révélé que les modèles de base échouent souvent en raison d'erreurs d'interprétation du prompt plutôt que d'un manque de capacité de raisonnement. Grâce à des tests itératifs avant le lancement, l'équipe a réduit les taux de défaillance spécifiques :

Mode de défaillance	Description	Évolution observée (Avant-après correction)	Intervention
Fabrication de règles	Les agents inventaient des règles inexistantes (par exemple, « Règle de hiérarchie n°2 ») pour justifier des trades.	57 % $\to$ 3 % des décisions de vente	Suppression du langage de type loi ; clarification du fait que les décisions antérieures sont un contexte, et non un précédent.
Paralysie par les frais	Les agents refusaient de trader car les frais de 2,3 % étaient présentés avant le contexte de marché, provoquant une prudence excessive.	32,5 % $\to$ <10 % d'observations guidées par les frais	Déplacement du contexte des frais après l'analyse des opportunités de marché ; évitement de la présentation des frais comme règle principale.
Mauvaise lecture de la tokenomics	Les agents vendaient des jetons lors d'événements de « récolte » (redistribution de liquidité) car ils voyaient les effondrements de prix mais manquaient les mécanismes de paiement.	42,9 % $\to$ 78,0 % de déploiement de capital	Insertion d'un contexte structuré de tokenomics (mécanismes du livre blanc) avant les données de prix, permettant aux agents de raisonner sur les paiements par rapport aux baisses de prix.
Rigidité numérique	Les contraintes souples (par exemple, « Taille du trade 5 ») étaient interprétées comme des cibles numériques strictes, inversant le comportement souhaité.	Gradient monotone restauré	Remplacement des nombres exacts par un langage comparatif lié à l'avantage de marché.
Trading de cadence	Les agents tradaient en fonction du temps écoulé (« le dernier trade remonte à 6 ticks ») plutôt que des signaux de marché.	Réduction significative	Interdiction de la cadence fixe ; filtrage de la mémoire pour empêcher les rythmes auto-renforçants.

Constats sur le comportement en production :

Efficacité des curseurs : Les contrôles structurés (curseurs) mappaient l'intention de l'utilisateur vers le comportement plus fiablement que le chat libre. Par exemple, les curseurs « Taille du trade » corrélaient directement avec le pourcentage de dépense (de 2 % à 95 % de l'ETH).
Élevage et cascades : Les agents ont exhibé des dynamiques de marché spéculatives, notamment des « cascades d'attention » où plus de 1 500 agents ont acheté le même jeton en moins d'une heure, et des cascades de vente avec des écarts inter-agents de 9,5 secondes.
Flux bilatéral : Malgré l'élevage, 92,9 % des fenêtres de 5 minutes ont vu à la fois des achats et des ventes, entraînés par des mandats utilisateurs diversifiés (curseurs/stratégies) plutôt que par la diversité des modèles.
Corrélation des résultats : Les utilisateurs ayant fourni des instructions concrètes et vérifiables (conditions de sortie, paramètres) avaient 4,2 fois plus de chances de clôturer avec un profit que ceux utilisant des demandes vagues de « surperformance ».

5. Importance et implications

La fiabilité est une propriété de la couche d'exploitation : L'article démontre qu'un modèle peut bien suivre des instructions mais mal trader si la structure du prompt, la sémantique de la mémoire ou la logique de validation sont défectueuses. Un « harnais » peut améliorer le taux de réussite d'un modèle d'environ 87 % à 99,9 % (comme le montrent les évaluations internes de swaps EVM).
L'observabilité au niveau de la trace est cruciale : La capacité de retracer une action jusqu'à la ligne spécifique de politique, de mémoire ou de mandat utilisateur qui l'a causée est essentielle pour le débogage. Cela permet de séparer la « confusion du modèle » des « erreurs de mandat utilisateur ».
Au-delà des benchmarks textuels : Les benchmarks textuels standard échouent à capturer la « paralysie par les frais » ou les « règles fabriquées » qui n'émergent que sous la pression financière et l'exécution répétée.
Données d'entraînement futures : Les traces de l'instruction au règlement fournissent un ensemble de données riche pour l'apprentissage par renforcement (RL), la génération de scénarios synthétiques et l'évaluation de l'homogénéité des modèles à travers différentes architectures.

Conclusion :
L'étude conclut que pour les agents gérant du capital, la « couche d'exploitation » (compilation de prompts, contrôles typés, validation de politique et observabilité) est le déterminant principal de la fiabilité. Les progrès futurs en matière d'IA financière dépendent moins de l'augmentation de l'échelle des modèles de base que de l'ingénierie de systèmes robustes et instrumentés capables de détecter et de corriger les défaillances avant le déploiement du capital.