J'ai toujours pensé que pour juger si un projet de données AI peut traverser les cycles, la méthode la plus efficace n'est pas de lire sa roadmap, mais de concevoir un test de résistance le plus brutal pour son système de validation, puis de voir comment il s'effondre. Ces derniers jours, j'ai organisé un tel test pour @OpenLedger .
Toute sa logique de valeur repose sur un préjugé apparemment solide : les données annotées manuellement valent plus, sont plus vraies et méritent plus de récompenses que celles générées par des machines. Le Proof of Attribution fonctionne parce qu'il part du principe qu'il peut faire la distinction entre "les contributions humaines" et "le spam de scripts". Les seuils de staking, l'impact des poids, la détection des empreintes de bruit, tout cela forme des bastions de défense autour de ce préjugé. Ces bastions pourraient encore être utiles en 2024 et 2025, car à ce moment-là, les données falsifiées porteront encore les marques distinctives des machines.
Mais à présent, nous sommes en 2026, et je dois dire une vérité qui ne fera pas plaisir : cette hypothèse s’effondre à une vitesse visible à l’œil nu.
Pour vérifier, je n’ai pas lancé ces tests tièdes que recommandent les documents officiels ; j’ai directement appliqué le plan le plus brutal. J’ai monté localement une série d’agents génératifs, puis je les ai fait simuler l’ensemble des comportements d’un étiquetage par des humains — pas seulement pour générer du contenu, mais aussi pour fabriquer intentionnellement des aspérités cognitives : faire exprès de se tromper sur des phrases ambiguës, insérer des erreurs de prononciation plausibles dans une transcription vocale, et faire apparaître des biais de distribution propres aux humains dans l’annotation d’images. En d’autres termes, j’ai appris à la machine à « faire semblant de commettre des erreurs que seuls des humains feraient ». Ensuite, j’ai injecté en même temps cette cohorte de nœuds fantômes dans le réseau, en surveillant les courbes de bannissement de la gestion des risques à la base.
La réaction de cette courbe m’a fait me taire pendant longtemps. Après que la qualité falsifiée a franchi un certain seuil, le délai de détection du système commence à s’allonger de façon exponentielle, et le taux de bannissement chute clairement, à la vue de tous. La prétendue « preuve de travail des données », face à des données synthétiques suffisamment raffinées, perd progressivement sa capacité à distinguer. Ce n’est pas un petit bug dû à un paramètre mal réglé : c’est un problème d’écart entre paradigmes de discernement — vous utilisez des caractéristiques statistiques pour attraper la falsification, et les falsificateurs utilisent précisément les mêmes caractéristiques statistiques, mais en optimisation inversée. C’est une course aux armements inévitablement asymétrique, et le temps est du côté de la machine.
Encore plus fatal, la propagation au niveau économique. J’injecte ensuite dans le pool de données des conditions extrêmes, en simulant le scénario de ventes à grande échelle simultanées via l’intégration, pour observer la résilience de l’économie d’attribution sous pression. Résultat : on voit clairement se dessiner l’ébauche d’une réaction en chaîne. Quand les pondérations de récompense sont diluées par de grandes quantités de données falsifiées à faible coût, les perspectives de gains des contributeurs réels sont mises à terre ; dès qu’ils se retirent collectivement, il ne reste qu’un réseau de rotation à vide, composé de scripts et de spéculateurs. À ce moment-là, le volume des transactions de données en chaîne aura peut-être l’air très joli, mais ce n’est qu’une prospérité factice que se procurent des robots entre eux — sans aucun rapport, ou presque, avec la demande réelle en IA.
Je ne suis pas en train de tirer sur toutes les initiatives. Objectivement, le moteur d’attribution en temps réel d’OpenLedger a bien atteint — en matière de transparence — quelque chose de rare et de radical dans sa catégorie : qui saigne les autres, où le flux de données est contaminé, et en théorie, on peut le vérifier sur la chaîne. Cette transparence est une digue tant que les données synthétiques n’ont pas encore pleinement pris leur envol. Mais une transparence extrême est aussi une malédiction d’ingénierie : elle expose toutes les failles au grand jour ; et dès qu’on n’arrive plus à contenir la « vélocité » de l’inflation des données, l’ensemble de l’économie d’attribution se retourne contre sa propre transparence.
Donc mon attitude envers elle est on ne peut plus claire : pas de foi, seulement des sentinelles. Sur ma console de surveillance, je ne garde que deux signaux de mort. Le premier est d’ordre technique — le point de bascule où l’IA générative finit par percer définitivement la validation des données : c’est le bruit de la digue qui cède. Le second est d’ordre financier — le moment où les investisseurs et l’équipe déverrouillent massivement : c’est la trompette du déluge de pression à la vente. Ces deux cordes, si l’une casse en premier, je me retire sans hésiter.
Beaucoup s’obsèdent avec le volume de transactions des données et la croissance des nœuds à l’instant T, prenant l’animation pour de la valeur. Mais, pour moi, l’épreuve véritable n’est pas encore arrivée. Un jour, quand le déluge de flux à base de silicium passera vraiment au-dessus de cette digue artificielle, nous verrons enfin qui a un système d’attribution en acier béton, et qui n’a qu’un mur de papier, toujours prêt à être emporté. Sur ce terrain où l’on ne croit ni aux larmes, ni à autre chose que la puissance de calcul, seul un mécanisme capable de discipliner à la fois l’humanité et la contrefaçon jusqu’à en faire une logique mathématique a le droit de survivre sur la table finale.#BTC
Je préférerais rester là, à écouter ces deux signaux d’alerte glacés, plutôt que d’attendre le jour de la rupture de la digue pour comprendre, au bruit de l’eau, que je me suis toujours tenu en aval.