Un week-end, je fais tourner un vieux positionnement DeFi : la ligne de liquidation est exactement la même que lors de l’ouverture il y a six mois. Le marché a changé plusieurs fois, mais cette ligne, elle, a l’air soudée par des barres d’acier. Ce choix de conception, qui consiste à maintenir des paramètres fixes face au marché, devrait vraiment être remplacé. Je sors au passage le SolidML de @OpenGradient pour vérifier si le protocole d’emprunt qui « réfléchit » qu’il décrit relie réellement l’IA à l’évaluation du risque lié aux collatéraux. $TAC
J’ai sélectionné trois collatéraux aux profils de risque très différents. Sur SolidML, je simule à chaque fois quatre cycles de chocs de marché, puis je fais douze évaluations : à chaque fois, je reporte la version du modèle, l’instantané d’entrée, le chemin de mise en relation via le middleware de routage des capacités, le reçu de paramètres de risque du Verification Layer, ainsi que le seuil de liquidation ajusté côté protocole, dans un tableau pour vérifier ligne par ligne. Pour le même collatéral, selon des volatilités et des profondeurs de liquidité différentes, la ligne de liquidation bouge bien. Et chaque ajustement correspond à un reçu d’inférence vérifiable on-chain : ce n’est pas un calcul “au fond du bureau”.
Quand le grand public discute des prêts avec IA, l’attention porte surtout sur la sensation : « plus intelligent » et « plus sûr ». OpenGradient fait plutôt un travail plus froid : il déplace les paramètres de risque, sortis du vote de gouvernance, vers une inférence en temps réel au niveau du protocole. SolidML fournit les nouveaux seuils, Verification Layer appose le sceau sur l’inférence, et le middleware de routage des capacités injecte ces paramètres dans le prochain appel du contrat de prêt. Aucune place de gouvernance ne peut modifier les chiffres en privé. L’“intelligence” n’est pas un mot marketing : c’est le transfert du pouvoir de décision du comité vers des reçus réplicables et vérifiables. $VELVET
Les indicateurs doivent aussi changer. Je ne regarde pas combien de protocoles d’emprunt OpenGradient a « connecté » ; je surveille plutôt une donnée contre-intuitive : parmi les positions dont les paramètres ont été ajustés chaque jour sur SolidML, la part des ajustements qui peut être recalculée et confirmée par un tiers indépendant avec les mêmes entrées. Le premier indicateur mesure le nombre d’intégrations ; le second mesure si ce contrôle des risques en temps réel supporte réellement la pression de collatéraux à l’échelle de plusieurs millions.
Si $OPG n’est qu’une commission de mise en relation pour une unique opération de risque, alors cela ressemble davantage à un token permettant d’appeler le contrôle de risque. Mais si, à l’avenir, les modèles de risque s’y “attachent” (collatéral), si l’émission des reçus de paramètres, les indemnisations en cas de mauvaise estimation, les récompenses de contestation de recalcul, et la répartition des bénéfices du contrôle des risques entre protocoles forment tous une boucle autour de lui, alors ce qu’il supporte ne ressemble plus à un simple token d’appel : c’est un actif de crédit de paramètres pour ce réseau de contrôle des risques en temps réel.
Pas de conclusion hâtive. Quand on remplace des paramètres fixes par une inférence en temps réel, c’est surtout en marché baissier qu’on voit la vraie valeur. Je suis prêt à continuer à observer les échantillons fournis par OpenGradient sur le mainnet et les intégrations ultérieures de SolidML. #opg