IronClaw 1.0 vient de donner au staking $NEAR un véritable cas d'usage au-delà du rendement. Voici le détail complet de ce qui a changé, pourquoi l'architecture tient la route et ce que cela signifie si vous en détenez.
Le problème avec la plupart des #AI agents
Chaque framework d'agent conçu jusqu'à présent partage la même faiblesse structurelle. Le modèle qui décide quoi faire est directement relié aux identifiants qu'il détient, aux outils qu'il peut appeler et à la mémoire qu'il conserve, le tout regroupé dans un seul système sans séparation entre eux. Cela signifie qu'une seule mauvaise décision, un seul outil compromis ou une seule connexion interrompue peut anéantir les progrès ou exposer un accès qu'il n'aurait jamais dû avoir au départ.
@NEAR Protocol a construit IronClaw 1.0 précisément pour éliminer ce risque. Au lieu d’un système unique embrouillé, l’architecture sépare ce qu’un agent décide de ce qu’il est réellement autorisé à exécuter, en faisant passer chaque action par une couche de coordination unique que NEAR appelle le garde. Rien n’atteint le monde extérieur tant que ce point de contrôle n’a pas été validé, et les actions sensibles exigent une approbation explicite avant d’être exécutées, plutôt qu’après. Les identifiants ne sont jamais non plus remis directement aux outils : ils sont émis une seule fois, accordés de façon étroitement limitée, puis effacés des journaux dès qu’ils ont rempli leur rôle.
Les chiffres de benchmark, et pourquoi ils comptent
En s’appuyant sur le même modèle de base pour tous les tests, deepseek-v4-flash, #IronClaw currently fait ressortir trois benchmarks distincts, chacun mettant à l’épreuve un type de tâche différent :
PinchBench : 93,5 %, sur 147 tâches issues du monde réel couvrant la planification, le développement et la recherche
ClawBench : 88,6 %, testé sur plus de 140 sites de production en conditions réelles plutôt que dans des environnements sandbox
OfficeQA : 76,4 %, construit indépendamment par Databricks pour évaluer le raisonnement sur environ 89 000 pages de documents financiers denses
Le point à considérer en profondeur, c’est que le modèle de base, lui, n’a rien de spécial. IronClaw ne gagne pas parce que NEAR lui a fourni en dessous un modèle plus performant : elle gagne parce que l’architecture autour d’un modèle ordinaire fait tout le travail. C’est un résultat bien plus difficile à contrefaire, et un avantage nettement plus durable à construire que n’importe quel score de benchmark gonflé par une fine-tune sur mesure.
Où le staking s’insère réellement dans tout ça
C’est la partie que la plupart des couvertures passent complètement sous silence, en traitant le staking comme un geste vague vers la sécurité réseau, sans jamais expliquer ce que cette sécurité apporte à qui que ce soit. #NEARAI a rendu le lien concret. Le $NEAR mis en jeu ne fait pas que s’accumuler en rendement : il se transforme directement en crédits de calcul mensuels, selon un ratio où, à peu près, chaque 100 NEAR mis en jeu débloquent environ cinq dollars en crédits utilisables. Ces crédits financent l’hébergement d’IronClaw et l’inférence confidentielle, sans carte bancaire et sans compte de facturation tiers à aucun moment. Retirez le staking à n’importe quel moment et votre NEAR initial revient intégralement intact, puisque le mécanisme convertit le rendement et l’allocation, plutôt que de toucher au principal.
Cela reconfigure le staking, d’une position passive, en une couche de mesure littérale pour le calcul d’IA décentralisé. Chaque agent que cet écosystème ajoute — IronClaw aujourd’hui, OpenClaw à mesure que l’espace mûrit — attire une demande réelle vers le même capital mis en jeu, qui sécurise la chaîne en dessous de tout. Plus on construit d’agents sur cette infrastructure, plus le mécanisme de staking devient porteur, plutôt qu’optionnel.
Ce que cela implique pour la suite
Un agent qui enregistre ses points de reprise à travers les interruptions au lieu de perdre sa progression, qui exige une approbation explicite avant tout ce qui est sensible, et qui conserve la même mémoire sur CLI, Slack, Telegram et le web est un produit fonctionnel, pas une simple vitrine. En le combinant avec un modèle de staking qui relie une utilisation réelle à la sécurité du réseau, cet écosystème obtient une boucle de croissance qui n’a pas besoin de cycles de hype pour continuer à fonctionner : l’adoption elle-même génère la demande.
Le fait d’attacher directement le staking à la demande de calcul change-t-il votre façon de voir la thèse à long terme de $NEAR, ou faut-il davantage d’agents en production en direct avant que cette thèse soit pleinement validée ?