Dans le passé, j'écrivais sur GameFi, et ce que je craignais le plus, ce n'était pas que « le gameplay ne soit pas assez nouveau », mais que « au moment où les récompenses sont distribuées, le compte à rebours pour l'effondrement a déjà commencé ». Une fois que les récompenses se transforment en distribution d'argent sans distinction, les robots et les studios agiront plus rapidement et plus durement que les véritables joueurs. Finalement, ce ne sont pas les joueurs qui partent, mais l'économie qui meurt en premier. La ligne de PIXELS sur laquelle je me concentre constamment, c'est qu'elle a transformé la distribution de récompenses, passant d'une intuition opérationnelle à un système d'ingénierie mesurable, itératif et capable d'arrêter les pertes. Et ce qu'on appelle un économiste IA, la valeur fondamentale ne réside pas dans « IA », mais dans les trois mots « économiste » : il doit être responsable de la rétention, de la perte, de la LTV et de la conversion payante, capable d'expliquer « pourquoi distribuer de cette façon » et aussi reconnaître dans les données « si c'est une erreur, corrigez-la immédiatement ».
Les discussions les plus chaudes du secteur sont en fait très concrètes : les chain games ne manquent pas de narration ; ce qui manque, c’est une courbe de rétention capable de traverser la « période du cycle des tricheurs ». Les agents IA, la scriptisation, les fermes batch — à ce stade en 2026, ce n’est plus un problème marginal, c’est devenu du bruit de fond par défaut. Si vous continuez à utiliser le modèle « connexion + quêtes + points », les données auront l’air très vivantes, mais cette vivacité a de fortes chances de ne pas venir de vrais humains. Les économistes de l’IA de PIXELS placent ces questions à une position à la fois plus embarrassante et plus cruciale : ce n’est pas pour écrire des slogans, c’est pour arbitrer entre « budget de récompense » et « croissance réelle du nombre de joueurs ». S’ils le font mal, cela se reflétera directement dans les indicateurs économiques ; s’ils le font bien, une partie du budget d’acquisition pourrait être convertie en « ROI quantifiable piloté par les récompenses ».
Je préfère commencer par un processus très concret : pour que les économistes de l’IA travaillent vraiment, la première étape n’est pas de bâtir un modèle, mais de transformer chaque comportement du jeu en un signal exploitable. Par exemple, définissez ce que signifie réellement « perte le deuxième jour après le tutoriel ». Est-ce que le joueur s’est simplement connecté sans finir la plantation ? Est-ce qu’il a terminé la boucle de base mais n’est pas entré dans le social/la guilde ? Est-ce qu’il est allé dans un donjon mais qu’il est parti après deux échecs ? Ce ne sont pas des choses qu’une simple « baisse de rétention » peut expliquer : il faut les décomposer en chaîne d’événements. Si ce type de projet est fait sérieusement, la couche de données sera « à la fois très sale et très réelle » : collecte, nettoyage, déduplication, attribution, marquage anti-fraude, corrélations faibles entre empreintes d’équipement et adresses de chaîne, clustering par IP/équipement, tout doit être fait. Parce que tant que vous ne reconnaissez pas d’abord les échantillons « potentiellement pas humains », les économistes de l’IA apprendront à flatter les robots et finiront par optimiser les stratégies de récompense dans la direction la plus rentable pour les tricheurs — ce qui est pire que ne pas utiliser d’IA.
Donc, je pense que les économistes de l’IA de PIXELS ne sont pas un modèle unique à un point donné, mais tout un « cycle complet, de l’insight à l’action » : d’abord faire des cohorts (segmentation), ensuite faire de la causalité/expérimentation, puis réécrire les conclusions en stratégies de distribution de récompenses actionnables. La segmentation ne se fait pas de façon aussi brutale que « nouveaux vs anciens utilisateurs » : elle se fait par chemins de comportement. Ceux qui entrent vite dans la boucle centrale ; ceux qui deviennent accro aux échanges sociaux/transactions ; ceux qui ne font que des quêtes sans participer à l’économie ; ceux qui foncent vers des événements à court terme ; ceux qui sont guidés vers des donjons mais restent bloqués. Vous verrez que, même en jouant au « 7e jour », leur sensibilité aux récompenses est totalement différente. Pour un joueur plutôt orienté social, augmenter « la réduction des frais de transaction » ou « les récompenses liées aux événements sociaux » peut être plus efficace ; pour un joueur bloqué, lui donner des pièces d’or vaut moins qu’une « protection contre l’échec + essai d’objets » ; pour un joueur qui fait uniquement les quêtes, pousser brutalement vers le donjon accélère au contraire l’attrition. Si les économistes de l’IA arrivent à quantifier ces différences, ce n’est plus un « système de recommandation » : c’est de la mise au point d’un modèle économique.
À ce stade, beaucoup de gens vont demander : est-ce que ce n’est pas simplement le LiveOps traditionnel des jeux ? Pourquoi insister autant sur PIXELS ? Je vois la différence à deux endroits. Premièrement, dans une chaîne/jeu-jeton (chain game), la récompense possède naturellement une propriété de valeur ; n’importe quelle mise en avant ressemble davantage à distribuer des coupons, et la vitesse d’aspiration par les tricheurs est bien supérieure à celle des jeux traditionnels. Deuxièmement, le marché externe de la chaîne/jeu rend les comportements des joueurs plus facilement influencés par des signaux de prix : lorsque l’intensité des événements change, les joueurs montrent des migrations évidentes. Donc, ce que les économistes de l’IA doivent faire, ce n’est pas seulement rendre DAU plus beau : c’est rendre « l’efficacité des récompenses » maîtrisable. Avec le même budget de récompense, combien de rétention réelle récupérez-vous, combien de retours vers le paiement, quelle diffusion sociale, combien d’activités économiques ? Et surtout, dans ce qui est récupéré, combien appartient à des tricheurs/robots. Si cette question n’est pas clarifiée, toute « croissance » ressemble à construire des étages sur du sable.
L’indicateur que je surveille le plus s’appelle la « qualité du comportement le lendemain après la récompense ». Beaucoup de projets ne regardent que « le nombre de personnes qui ont récupéré la récompense ». Si PIXELS est vraiment suffisamment hardcore, il ressemblera plutôt à : sur les 24 heures suivant la récupération, est-ce que le joueur revient dans la boucle centrale et génère des comportements durables ? Prenons un exemple très concret : si vous donnez 100 unités de récompense à deux types de joueurs, vous pouvez observer deux conséquences totalement différentes. Une catégorie récupère puis part faire des transactions, monter de niveau, participer à des événements, et génère plusieurs actions valides dans les 24 heures — cette récompense ressemble à une « étincelle ». L’autre catégorie récupère puis s’en va, ou ne fait que les quêtes du chemin le plus court : la chaîne de comportements est très courte — cette récompense ressemble à « fournir un billet de transport ». Si les économistes de l’IA savent distinguer les deux, ils peuvent élaborer des stratégies très réalistes : transformer la récompense en « subvention de comportement », voire pousser encore plus loin et en faire une « subvention aux nœuds clés ». Si vous bloquez au pas 3 du tutoriel, je place la récompense entre les étapes 2 et 4 ; si vous partez toujours après un échec dans un donjon, je lie la récompense à l’événement « essayer à nouveau après l’échec et réussir » ; si vous ne faites que farmer pendant l’ouverture d’événements, je fais une récompense en paliers de retour incitatif sur plusieurs cycles. Le résultat : les récompenses ne sont plus « accessibles à tous », mais « accordées à des gens qui ressemblent davantage à de vrais joueurs ».
Cela implique un autre sujet très populaire, mais dont tout le monde parle peu : la lutte anti-fraude n’est pas un module indépendant ; elle doit partager le même langage avec les économistes. Parce que si l’anti-fraude ne fait que « bannir », c’est juste une perte contrôlée après coup ; ce qui est vraiment fort, c’est de dévaloriser les « échantillons suspects » avant même la distribution, afin que la stratégie de récompense rejette naturellement les tricheurs/robots. Les économistes de l’IA peuvent traiter les signaux anti-fraude comme des caractéristiques : longueur anormale des parcours, temps de réponse interactionnel extrêmement faible, répétition de comportements du même type, comportements synchronisés au sein d’un même cluster d’adresses, concentration extrême dans une fenêtre d’événement, et un graphe de circulation d’actifs suspect. Ensuite, dans la stratégie de distribution, il faut réduire au minimum le « gain marginal » des récompenses sur les échantillons suspects. Vous verrez que c’est plus efficace que seulement bannir : pour les tricheurs, le plus douloureux n’est pas le bannissement du compte, c’est que le ROI soit fracassé, puis c’est terminé : pas besoin d’ouvrir un nouveau compte, le système ne paie plus.
Si on élargit encore davantage la perspective, j’interprète les économistes de l’IA de PIXELS comme un « système d’attribution pour l’acquisition, mais en version récompense ». Dans les jeux traditionnels, l’acquisition mesure CAC, LTV, période de retour. Si, dans PIXELS, la distribution de récompenses est conçue comme un système d’ingénierie, alors au fond elle fait la même chose : vous déplacez une partie du budget des publicités externes vers des récompenses internes, mais vous devez toujours calculer le retour. La différence, c’est que « le retour » n’est pas un cash-flow directement. C’est la hausse de revenus sur le long terme grâce à la rétention, les commissions/la consommation d’objets générées par l’activité économique, et les ajouts naturels via la viralité sociale. Si les économistes de l’IA deviennent vraiment mûrs, ils produisent des conclusions très simples mais très tranchantes : sur quel type de récompense, auprès de quel type de population, quel gain de rétention à 7 jours, quelle hausse de probabilité de paiement à 30 jours, combien de transactions, quelle augmentation nette de la consommation économique. Inversement, ils peuvent aussi indiquer « quelles récompenses sont des achats à perte » : on dirait que DAU monte, mais ce sont des retours de faible qualité ; on dirait que le volume de transactions augmente, mais ce sont de nouvelles adresses du même cluster utilisées par des tricheurs ; on dirait que l’activité est élevée, mais la consommation ne suit pas. Dès lors que ces conclusions peuvent sortir de façon stable, le LiveOps de PIXELS n’a plus besoin de décisions prises au feeling : il s’appuie sur « l’efficacité budgétaire ».
Vous avez peut-être remarqué que je parle toujours de « boucle fermée ». Dans cette boucle fermée, le point le plus important est l’expérimentation. Sans expérimentation, les économistes de l’IA ne peuvent faire que de la corrélation, et finissent très facilement dans l’autosatisfaction. Les types d’expériences que des projets comme PIXELS devraient faire, j’en vois surtout trois dans mon esprit : premièrement, des expériences A/B d’événements liés à la récompense : avec la même quantité de récompense, la lier à différents nœuds de comportement, et voir quelle option génère une chaîne de comportements plus longue ; deuxièmement, des expériences d’envoi personnalisé par segmentation : pour différents cohortes, utiliser différentes stratégies, et vérifier si l’on peut obtenir une rétention plus élevée avec moins de budget ; troisièmement, des expériences de réglage dynamique : par exemple utiliser un bandit (multi-bras) pour ajuster en temps réel le poids des récompenses pendant l’événement, afin que le système incline automatiquement davantage son budget vers les stratégies à « rendement marginal » plus élevé. Ça peut sembler très technique, mais le sens est « humain » : vous pouvez enfin répondre grâce aux données à « cet événement vaut-il vraiment la peine ? » et « les récompenses ont-elles été mangées par des tricheurs ? »
En parlant de ça, je précise aussi que certains « points d’ancrage » — souvent mentionnés dans les documents publics — reviennent fréquemment. D’après ce que j’ai vu, le discours externe ressemble à ceci : l’ampleur totale des récompenses distribuées atteint l’ordre des « centaines de millions/milliards » ; la divulgation des revenus se situe à l’ordre de « plusieurs dizaines de millions de dollars » ; l’ordre de grandeur des joueurs est « de l’ordre du million » (les chiffres diffèrent selon les canaux, mais ce qui m’intéresse, c’est l’ordre de grandeur plutôt que les décimales). Si ces ancrages sont exacts, cela indique au moins une chose : le système a été soumis à une pression dans un environnement de production, ce n’est pas un concept sorti d’un PPT. Car ce n’est que quand tu atteins vraiment ce niveau que tu es forcé de rendre solides ces « choses ennuyeuses » que sont la lutte anti-fraude, l’attribution et l’efficacité budgétaire. Beaucoup de projets parlent d’IA de façon très spectaculaire, mais dès qu’ils passent à l’échelle, ils dévoilent leurs faiblesses. La raison est simple : trop de bruit dans les données, trop de tricheurs/robots, et un système trop fragile. La ligne de PIXELS me donne davantage envie de croire qu’ils ont investi dans les « saletés » du terrain.
Alors, quel est le lien entre ces « économistes de l’IA » et PIXEL ? Je vais le dire de façon très mesurée : si PIXEL n’est qu’un jeton de récompense pour un jeu unique, ses possibilités sont limitées ; mais s’il est conçu comme une « couche carburant/récompense » à travers plusieurs modes de jeu, plusieurs événements, voire davantage de contenus de coopération, alors les économistes de l’IA vont directement modifier la façon d’utiliser PIXEL et la structure de sa consommation. Notez que je ne parle pas de prix : je parle de structure. Comment les récompenses sont distribuées, à qui elles sont distribuées, à quels comportements elles sont liées, comment le mécanisme de collecte/rachat est conçu… tout cela change les « trajectoires de circulation » du jeton dans l’écosystème. Si les économistes de l’IA transforment les récompenses de « subventions à court terme » en « incitations à des comportements sur le long terme », le rôle du jeton passe alors d’une récompense ponctuelle à un carburant d’un système qui ressemble davantage à une « formule d’abonnement ». À l’inverse, si la stratégie échoue, le jeton sera utilisé par les tricheurs comme une tirelire : l’écosystème sera forcé de revenir au cycle mort « subvention — pression de vente — nouvelle subvention ». Donc, quand je regarde PIXEL, je ne regarde pas la K-line : je regarde si la boucle de récompenses devient de plus en plus une exploitation opérationnelle fine, à la manière des jeux traditionnels, et si la lutte anti-fraude ainsi que les campagnes publicitaires sont vraiment « calées » au même rythme.
Enfin, je me laisse un critère d’évaluation très réaliste : c’est aussi mes trois « indicateurs de survie » pour observer PIXELS par la suite. Je ne fais pas de recommandations/hold, je dis juste sur quoi je vais fixer mon attention. Premièrement, je surveillerai si les stratégies d’événements deviennent de plus en plus « liées à des nœuds clés de comportements », au lieu d’empiler simplement des quêtes. Deuxièmement, je surveillerai s’il existe des signes que, pour certains types d’adresses / certains types de schémas de comportement, le système les dévalorise clairement sur la communauté et la chaîne, ce qui montrerait que les signaux anti-fraude entrent bien dans la logique de diffusion. Troisièmement, je surveillerai s’ils produisent en continu des résultats d’expériences d’exploitation vérifiables : par exemple, amélioration de la rétention, retour à l’équilibre des événements, amélioration de l’ordre de grandeur de l’efficacité des récompenses — même si c’est via une divulgation indirecte, tant qu’on peut voir l’orientation des itérations. Car seules ces choses peuvent prouver : les économistes de l’IA ne sont pas de la décoration, mais le volant de l’engine de récompenses de PIXELS.
