Qui décide vraiment quand une position en bitcoin, en ether ou en action doit être allégée ? Pendant longtemps, la réponse tenait dans un regard humain, un graphique trop longtemps contemplé et une émotion qui finit par l’emporter. Désormais, des systèmes d’analyse peuvent surveiller un portefeuille toute la nuit, proposer une sortie, parfois même déclencher un ordre. La question n’est plus seulement de savoir si la prédiction est brillante. Elle devient plus rude : que savait la machine, dans quel état se trouvait-elle, selon quelles règles a-t-elle agi, et qui lui a donné le droit de toucher à l’argent ?
Quand La Machine Analyse Plus Vite Que L’Humain Ne Contrôle
Denis « Dan » Saklakov, avocat de formation devenu gestionnaire d’actifs numériques et scientifique appliqué de l’intelligence artificielle, pose ce problème sans détour. Installé à New York, il dirige depuis 2024 RoboTech Frontier Hub, un accélérateur qui relie finance, robotique, interfaces homme-machine et architectures destinées à empêcher qu’une capacité de calcul se transforme toute seule en pouvoir d’agir. Son outil Meijin illustre cette tension concrète : l’investisseur choisit l’actif, définit un niveau de risque, puis un dispositif surveille la position et organise une stratégie de sortie. L’IA peut aider à lire le marché. Elle ne doit pas improviser le dernier geste qui déplace des fonds.
Les marchés de cryptoactifs rendent le sujet urgent. Ils ne ferment jamais. Un investisseur dort. Un algorithme, lui, n’a pas besoin de sommeil. Cette asymétrie paraît séduisante jusqu’au moment où l’on demande des comptes. Une recommandation formulée en quelques millisecondes n’a de valeur que si l’on peut plus tard reconstruire le contexte : données utilisées, permissions ouvertes, conditions déclenchées, historique d’exécution. Sans cette trace, la sophistication technique se transforme en zone grise.
Idée centrale. La blockchain n’a pas vocation à faire tourner le modèle d’IA lui-même. Elle peut ancrer, hors de portée de la machine décideuse, l’état du système, les autorisations, les conditions de décision et la mémoire de ce qui a réellement été exécuté.
Un parcours entre droit, finance et architecture d’intelligence
Le portrait professionnel de Saklakov n’est pas celui d’un simple promoteur de produit. Formé d’abord au droit, il a ensuite traversé la finance d’entreprise, la banque d’investissement, les fusions-acquisitions, le private equity et la gestion d’actifs. Un master à Northwestern University, puis un programme de troisième cycle en science de l’IA appliquée au MIT, complètent un profil hybride. Il a travaillé auprès d’une plateforme d’échange de cryptomonnaies avant de prendre, en 2024, la direction de RoboTech Frontier Hub.
Il décrit une grande partie de son travail actuel comme de l’architecture d’IA et d’AGI : comment un système intelligent doit utiliser l’information, décider, puis interagir avec le monde réel sans que la puissance de calcul devienne automatiquement une autorité incontrôlée. Cette question n’est pas abstraite. Elle touche la finance automatisée, la robotique, la vérification des sorties de modèles, les interfaces homme-machine et le calcul avancé.
Dans son livre Before the Machine Chooses for Us: An AGI Architecture for Freedom, Human Survival, and Shared Consciousness, il formule le problème central ainsi : rendre une intelligence extraordinairement capable tout en empêchant que cette capacité se transforme d’elle-même en pouvoir auto-autorisé. Le titre dit déjà la crainte. Ce n’est pas seulement la performance qui compte. C’est la séparation entre « savoir proposer » et « avoir le droit d’exécuter ».
Pourquoi un accélérateur plutôt qu’un laboratoire fermé
RoboTech Frontier Hub naît d’un constat répété dans les milieux scientifiques et techniques. Beaucoup d’idées intéressantes restent enfouies parce que l’inventeur redoute qu’expliquer le principe permette de voler le produit. Le secret protège le commercial. Il empêche aussi la critique, le test, la mesure des limites et le croisement avec d’autres disciplines. Le modèle choisi inverse partiellement cette logique : publier assez de fondement scientifique pour que d’autres chercheurs puissent examiner, contester et prolonger l’idée, tout en protégeant l’implémentation, les algorithmes et la technologie commerciale.
En termes simples, cacher la science pour sauver le produit n’est pas la stratégie retenue. L’idée scientifique doit survivre à l’examen. Ce qui reste valide sert ensuite de base à une technologie protégée. Meijin n’est qu’un exemple parmi d’autres projets du hub, mais c’est celui qui parle le plus directement aux investisseurs en actifs numériques.
Les investisseurs consacrent souvent une énergie considérable à choisir quoi acheter, et bien moins de rigueur à décider quand vendre.
Meijin : surveiller après l’achat, pas choisir à votre place
L’observation de départ est presque banale, et c’est ce qui la rend utile. Choisir un bitcoin, un ether, un Zcash, une action Moderna, un contrat sur le pétrole ou un ETF peut occuper des semaines de lecture. La sortie, elle, arrive souvent sous la pression d’un mouvement violent, d’une rumeur ou d’une fatigue. Meijin ne sélectionne pas l’actif. Vous le détenez déjà. Le système commence ensuite.
Première étape : quantifier le risque que l’investisseur accepte réellement. Deuxième étape : surveiller en continu la position. Troisième étape : gérer une stratégie de sortie autour de ce profil, éventuellement en réduisant ou en vendant par paliers lorsque les conditions changent. L’objectif n’est pas de garantir le plus haut tick possible. Personne de sérieux ne peut promettre cela. L’objectif est de rendre la décision de vente systématique plutôt qu’émotionnelle.
Dans un marché ouvert vingt-quatre heures sur vingt-quatre, cet écart entre discipline humaine et vigilance machine devient décisif. Mais Saklakov insiste sur une frontière nette : l’analyse peut s’appuyer sur l’IA ; la logique finale d’exécution doit rester déterministe et auditable. Un modèle de langage qui improviserait le dernier ordre sur un compte n’est pas acceptable. La nuance compte. Elle sépare un assistant de recherche d’un intermédiaire qui déplace de l’argent.
| Étape | Rôle humain | Rôle du système |
|---|---|---|
| Choix de l’actif | Bitcoin, ether, action, contrat… | N’intervient pas |
| Profil de risque | Fixe le niveau acceptable | Traduit le profil en règles |
| Surveillance | Dort, voyage, travaille | Observe en continu |
| Sortie | Peut consulter l’historique | Exécute selon une logique auditable |
La blockchain comme preuve, pas comme moteur de calcul
Le croisement le plus utile entre chaîne de blocs et intelligence artificielle, selon Saklakov, n’est pas un énième jeton collé sur un chatbot. C’est la confiance dans les décisions de machine. Prenons Meijin. Un système analyse une position crypto et conclut qu’il faut la réduire. Les questions pertinentes ne se limitent pas à « qu’a-t-il décidé ? » ou « la prévision était-elle bonne ? ». Il faut aussi savoir quelles informations ont été utilisées, dans quel état se trouvait le système, quelles règles s’appliquaient, et s’il était réellement autorisé à exécuter.
La blockchain peut aider sans faire tourner l’IA on-chain. Le calcul reste sur du matériel classique. Ce qui peut être ancré de façon cryptographique sur un registre indépendant, c’est l’état pertinent, les permissions, les conditions de décision et l’historique d’exécution. Le point décisif : l’IA qui décide ne doit pas contrôler le registre qui servira plus tard à prouver ce qui s’est passé. Elle ne doit pas pouvoir prendre une décision, réécrire l’histoire, puis prétendre en avoir pris une autre.
Il faut aussi éviter un mythe confortable. Un registre immuable n’améliore pas la vérité d’une affirmation fausse. Une phrase incorrecte peut être gravée parfaitement. Ce que la chaîne apporte, c’est la provenance et une mémoire difficile à falsifier par le système décideur lui-même. Pour un investisseur crypto, cette distinction gagne en importance à mesure que l’IA quitte le commentaire de marché pour interagir avec des comptes, des plateformes d’échange et des infrastructures financières.
L’analogie médicale utilisée dans l’entretien est volontairement brutale. On peut souhaiter qu’un nanorobot nettoie des artères. On veut surtout empêcher qu’il fasse quelque chose de mortel. Il faut alors un enregistrement extrêmement robuste, protégé de l’extérieur, des règles qui définissent ce que le dispositif a le droit de faire et ce qui lui est interdit. C’est précisément le type de problème pour lequel un registre cryptographique indépendant devient pertinent.
Vérifier avant d’agir : Awareness Runtime et la tentation du texte convaincant
Meijin n’est qu’une pièce du puzzle. Awareness Runtime s’attaque à un autre défaut désormais familier : un modèle peut produire une réponse très persuasive qui n’est pas réellement étayée. Le projet vise une couche de vérification destinée à évaluer ce qui est soutenu par des éléments avant qu’une conclusion générée ne devienne une décision professionnelle ou une action externe. Pour un juriste ou un professionnel de la finance, l’enjeu est immédiat. Un paragraphe fluide n’est pas une preuve. Un ton assuré n’est pas une source.
Cette couche n’a pas besoin d’être spectaculaire pour être utile. Elle doit freiner le passage du texte à l’acte. Dans un cabinet, dans une salle des marchés, dans une procédure, le risque n’est plus seulement l’erreur isolée. C’est l’erreur habillée d’une rhétorique impeccable, reproduite à grande vitesse, puis reprise comme si elle avait été vérifiée. Séparer génération et validation, c’est retrouver une hygiène que le rythme des outils a tendance à faire oublier.
Theta-Star, Guardrail : l’intelligence n’est pas une autorisation
Même si un système atteint la bonne conclusion, une autre question demeure : qui lui a donné l’autorité d’agir ? Les travaux baptisés Theta-Star et Guardrail visent à séparer l’intelligence de l’autorisation. Celui qui propose une action ne doit pas pouvoir fabriquer tout seul la permission de l’exécuter. L’idée devient critique dès que l’on automatise des métiers à fort enjeu, là où une décision doit parfois être prise très vite : pilotage, conduite, certains gestes industriels.
On retrouve ici le fil du livre. La capacité n’est pas le mandat. Un modèle peut être excellent pour classer des signaux, estimer une trajectoire, proposer une manœuvre. Il ne doit pas, par le seul fait d’être compétent, s’attribuer le droit de basculer un levier. Dans la finance, le parallèle est limpide. Analyser un carnet d’ordres n’équivaut pas à signer un transfert. Relier les deux sans garde-fou, c’est accepter qu’une erreur de raisonnement devienne instantanément une erreur irréversible.
Les systèmes d’exécution déterministe interviennent précisément à cet endroit. Ils définissent ce que l’IA a réellement le droit de faire. Ils transforment une suggestion en procédure bornée. Ils rendent l’action lisible après coup. Pour l’utilisateur final, tout cela doit presque disparaître. Il n’a pas à connaître l’architecture interne. L’expérience recherchée reste simple : j’ai choisi cet actif, j’ai dit combien de risque j’accepte, le système le surveille, et je peux plus tard comprendre pourquoi il a agi.
Du robot domestique à l’orbite : d’autres laboratoires du même principe
ActionAtlas transporte une partie de ces réflexions vers la robotique. L’idée consiste à fournir aux robots des paquets d’information compacts et spécialisés, disponibles localement lorsque la connectivité permanente, le GPS ou une infrastructure externe ne peuvent pas être présumés. Un plan de maison pour un robot domestique en donne une image parlante. L’autonomie n’est pas seulement une question de capteurs. C’est aussi une question de cartes que l’on emporte avec soi, au lieu de dépendre d’un nuage toujours joignable.
NeuroPhase explore une autre frontière : les interfaces entre systèmes computationnels et signaux neurologiques humains. L’objectif de long terme n’est pas de rendre le corps toujours plus invasif pour parler aux machines. C’est de rapprocher l’interface machine des processus naturels d’information du cerveau. Autrement dit, une convergence possible, mais dans un sens volontairement choisi : déplacer la machine vers l’humain, plutôt que forcer l’humain à devenir progressivement plus mécanique.
Le hub évoque aussi la recherche sur le calcul quantique en microgravité et en environnement orbital. La question scientifique sous-jacente est de savoir si certaines plateformes pourraient bénéficier d’une combinaison de microgravité, de basses températures et d’isolation mécanique. Plus loin, cela pourrait concerner l’entraînement et le fonctionnement de systèmes superintelligents assistés par le quantique, dans des environnements orbitaux éloignés. Critical Systems, enfin, applique des méthodes d’analyse et d’optimisation aux chaînes d’approvisionnement physiques, notamment pour repérer de vrais goulets dans des industries critiques et aérospatiales.
Ces projets semblent éloignés les uns des autres. Ils relèvent pourtant du même schéma : identifier le problème scientifique, voir où les preuves et les mathématiques soutiennent réellement l’idée, exposer assez de ce fondement à l’examen, puis construire une technologie protégée à l’intérieur de ces limites. La finance n’est qu’un terrain d’application particulièrement visible, parce que l’argent y circule déjà à la vitesse des machines.
Faut-il ralentir les modèles frontière ? La mauvaise question pour un trader
Les dirigeants de grandes entreprises d’IA ont récemment suggéré de freiner le développement des modèles les plus avancés. Saklakov ne réduit pas le débat à un simple « trop vite » ou « trop lent ». Pour un intervenant de marché, la question pratique est ailleurs. Que se passe-t-il lorsque des systèmes de plus en plus capables analysent les marchés, exécutent des stratégies et dialoguent avec des infrastructures financières plus vite qu’un humain ne peut superviser chaque décision individuelle ?
La prochaine étape n’est donc pas seulement une meilleure prédiction. C’est une meilleure vérification. Une IA très puissante qui produit une recommandation de trading en quelques millisecondes n’est pas particulièrement utile si personne ne peut déterminer si l’information sous-jacente était fiable, ni si le système avait la permission de réaliser la transaction qui en découle. C’est là que l’intelligence artificielle et les infrastructures cryptographiques deviennent complémentaires plutôt que concurrentes.
L’IA peut fournir une analyse de plus en plus sophistiquée. La blockchain et des dispositifs voisins peuvent aider à établir la provenance, les permissions et un enregistrement indépendamment vérifiable. Des systèmes d’exécution déterministe peuvent ensuite borner l’action. Pour l’investisseur particulier, l’ensemble devrait finir par devenir presque invisible. La sophistication reste dans la salle des machines. L’expérience, elle, reste lisible.
Saklakov a déjà indiqué que le développement de l’IA pourrait devenir difficile à prévoir par des méthodes conventionnelles sur un horizon relativement court, potentiellement autour de la fin de la décennie. Il ne traite pas 2030 comme une date scientifiquement établie. C’est un horizon de prévision. Même sans atteindre ce que l’on appellerait une AGI ou une singularité technologique, les systèmes sont déjà assez capables pour changer la façon dont les décisions financières se prennent. Pour le marché crypto, ce n’est plus théorique. Les carnets d’ordres fonctionnent déjà à vitesse machine. Le défi est de rendre cette intelligence assez digne de confiance pour s’en servir.
Ce que change concrètement une trace indépendante
Imaginez un litige, un audit interne, une réclamation client, une enquête de conformité. Sans journal indépendant, on se retrouve avec le récit du système qui a agi. Avec un ancrage cryptographique des états, des permissions et des exécutions, on dispose d’une mémoire que ce même système ne peut pas réécrire à sa convenance. Cela ne remplace ni le droit, ni le jugement humain, ni la qualité des données. Cela change la charge de la preuve.
Dans un univers où des agents logiciels pourront enchaîner analyses, appels d’API et ordres, la tentation sera grande de tout fusionner pour gagner du temps. Fusionner, c’est aussi mélanger les responsabilités. Qui a mal lu un indicateur ? Qui a ouvert une permission trop large ? Qui a exécuté hors des bornes prévues ? Si ces couches restent collées, la réponse devient un brouillard. Si elles sont séparées et journalisées, le brouillard se dissipe, même quand la décision a été prise à une vitesse inhumaine.
Les marchés d’actifs numériques amplifient le phénomène parce qu’ils sont déjà globaux, automatisés et ouverts en continu. Un commentaire de modèle de langage publié sur un fil public n’a pas le même statut qu’un ordre envoyé à une plateforme. Confondre les deux, c’est traiter une opinion comme une instruction. Distinguer les deux, puis en conserver la preuve, c’est retrouver une forme de civilité technique dans un environnement qui n’attend personne.
Risques, limites et ce que la chaîne ne fera jamais
Il serait malhonnête de présenter le registre comme une baguette magique. Ancrer une décision n’améliore pas un modèle mal entraîné. Une permission mal conçue, même gravée, reste une mauvaise permission. Un profil de risque mal déclaré par l’utilisateur produira une sortie cohérente avec une préférence mal comprise. La technique de preuve n’absout pas la conception. Elle la rend seulement plus exposée à l’examen.
Autre limite : le coût cognitif. Si l’utilisateur doit comprendre chaque hash, chaque condition et chaque journal pour dormir tranquille, le produit a échoué. La sophistication doit s’effacer derrière une expérience claire. C’est précisément ce que Saklakov décrit pour Meijin. La lisibilité après coup compte autant que la performance pendant le mouvement de marché. Comprendre pourquoi le système a agi, ce n’est pas une option cosmétique. C’est la condition pour accepter qu’une machine surveille un actif pendant que l’on vit autre chose.
Enfin, la gouvernance humaine demeure. Qui écrit les règles d’autorisation ? Qui peut les modifier ? Qui surveille ceux qui surveillent ? Un registre indépendant réduit le risque qu’un modèle réécrive son propre passé. Il ne règle pas, à lui seul, les conflits d’intérêts, les erreurs de paramétrage ou les angles morts réglementaires. Il offre un socle. Le reste reste un travail d’architecture, de droit et de métier.
Une leçon plus large que la crypto
Si l’entretien part d’un outil d’investissement, il déborde vite vers une doctrine. Rendre une intelligence capable sans la laisser s’auto-autoriser. Publier assez de science pour qu’elle soit critiquable, tout en protégeant l’implémentation. Utiliser l’IA pour lire, pas pour inventer le dernier geste. Tenir un journal que le décideur automatique ne contrôle pas. Ces phrases valent pour un portefeuille. Elles valent aussi pour un robot, un cockpit, une chaîne d’approvisionnement, un dispositif médical expérimental.
On peut être sceptique sur tel projet, telle échéance, telle analogie orbitale. On peut surtout retenir le critère de jugement. Face à une démonstration d’IA financière, la bonne question n’est plus seulement « quel rendement backtesté ? ». Elle devient : que peut-on prouver après coup ? Qui tenait les clés de l’autorisation ? Le système qui a agi peut-il encore mentir sur ce qu’il a fait ? Tant que ces réponses restent floues, la vitesse reste un risque habillé de modernité.
Les marchés n’attendront pas qu’un consensus académique soit parfait. Les outils d’analyse continueront d’accélérer. Des ordres partiront pendant que leurs propriétaires dormiront. La seule manière de rendre cela acceptable n’est pas de promettre l’infaillibilité. C’est de construire une mémoire externe, des permissions séparées de l’intelligence, et une exécution assez déterministe pour être relue. Le reste, les slogans, les jetons décoratifs, les récits de génie autonome, pèse peu quand un compte a réellement bougé.
Saklakov peut être joint par courriel via le site de RoboTech Frontier Hub, son site personnel, son profil professionnel, ainsi que par ses publications scientifiques et ses notes de recherche. Au-delà des adresses, le message utile tient en une ligne. L’analyse à vitesse machine n’est intéressante que si l’autorité d’agir reste humaine, bornée, et ensuite démontrable. Dans un marché qui ne dort jamais, c’est peut-être la seule forme de prudence qui tienne encore debout.
