« Trouve une façon de gagner de l’argent à laquelle personne n’a pensé. » Une IA proposera des ventes aux enchères de garanties, des files de remboursement, des actifs oubliés dans des protocoles en fin de vie, des circuits de dépôt sur les plateformes d’échange, des créances et des jetons représentant des paniers d’actifs.
On dirait une carte au trésor. Mais une question s’impose : si les humains n’arrivent pas à imaginer une occasion, comment l’IA la découvrirait-elle simplement parce qu’on lui demande davantage d’originalité ?
À la centième tentative, elle proposera peut-être de convertir du carburant de vaisseau spatial sur la blockchain. Amusant. Où sont les revenus ?
L’idée est plutôt de se servir de la créativité pour élargir le champ des recherches, puis de sélectionner les pistes à partir de prix réels, de documents officiels et de conditions de remboursement.
Pourquoi les idées « inédites » finissent par se ressembler
Les modèles de langage ont tendance à privilégier des réponses familières. Une étude de l’ICML 2026 a testé le Verbalized Sampling, qui demande de proposer plusieurs réponses assorties de probabilités. Dans des exercices d’écriture créative, la diversité des résultats a été multipliée par 1,6 à 2,1 par rapport à une consigne directe. Ce résultat ne mesure aucun rendement financier. [1]
Une autre étude prépubliée en 2026 utilise des analogies structurelles avec des problèmes scientifiques d’autres domaines. Elle rapporte une amélioration de 90 à 173 % de certains indicateurs de diversité des solutions. [2]
On peut donc pousser l’IA hors des sentiers battus, mais une piste surprenante reste une piste à vérifier.
Entre le projet brillant et sa réalisation, il y a un fossé
Lors d’une étude présentée à l’ICLR 2025, plus de cent chercheurs en traitement automatique des langues ont participé à une évaluation à l’aveugle. Les idées de recherche produites par l’IA ont été jugées plus originales, mais légèrement moins réalisables, que celles des humains. [3]
Une étude ultérieure a confié des idées à 43 spécialistes chargés de les mettre en œuvre. Après exécution, les idées issues de l’IA ont davantage perdu de points. [4]
Ces travaux ne portent pas sur la rentabilité DeFi. Ils rappellent néanmoins qu’une idée inconnue n’est pas forcément une somme encaissable. D’autres chercheurs cherchent à éliminer les idées déjà présentes dans la littérature ou à faire débattre des agents d’IA pour améliorer leurs hypothèses. [5][6]
Que signifie « ramasser les pièces » dans la DeFi ?
La finance décentralisée désigne les services d’échange, de prêt et de remboursement d’actifs opérant sur des blockchains. « Ramasser les pièces » est une image : rechercher des écarts modestes ou des voies de récupération négligées parce que les démarches sont pénibles.
On peut examiner sept familles : enchères de garanties, petits remboursements, protocoles en fermeture, marchés récents utilisant d’autres outils, dépôts sur plateformes, créances d’organisations dissoutes et jetons composés de plusieurs actifs ou marchés à horaires particuliers. Les catégories se chevauchent. La vraie question est de savoir quelle difficulté décourage la concurrence.
Par exemple, une créance serait-elle sous-évaluée parce que sa documentation est interminable ? C’est une hypothèse. Le fait qu’une plateforme accepte un dépôt ne confère pas automatiquement un droit au remboursement. Il faut vérifier l’éligibilité, les réseaux pris en charge et les restrictions de retrait.
Faire repérer le chiffre étrange avant d’inventer une explication
Imaginons un jeton fictif coté 97 dollars. Des documents semblent permettre à certains détenteurs de recevoir des actifs valant 100 dollars. L’écart affiché est de trois dollars.
L’IA créative crie « arbitrage ! ». L’IA d’enquête demande : qui est éligible ? Quand le versement a-t-il lieu ? Quels sont les frais ? Les valeurs sont-elles comparables ? Quelle quantité peut réellement s’échanger ? Le mécanisme peut-il être suspendu ?
Le bénéfice net se calcule après frais, coûts d’exécution et pertes attendues liées aux mouvements de prix. Les pertes extrêmes exigent une évaluation distincte.
La méthode consiste à recueillir prix et règles officielles, harmoniser actifs, droits, unités et dates, détecter les écarts, rechercher pourquoi les robots les ont laissés, puis soumettre les pistes à une vérification indépendante. Un essai limité n’a sa place que si les règles le permettent.
D’abord observer l’anomalie, ensuite chercher son explication.
Sept agents ne font pas sept preuves
Si sept IA lisent le même article et déclarent toutes qu’une piste est prometteuse, ce n’est qu’une opinion répétée.
Mieux vaut séparer leurs rôles : cas inhabituels, précédents connus, droits officiels, prix et profondeur réellement disponibles, limites des plateformes, objections liées aux risques et reproductibilité. Une proposition progresse grâce à des preuves indépendantes, pas à un vote unanime.
On peut comparer l’ancienne et la nouvelle méthode à temps égal, compter les occasions nouvelles et réalisables sur cent propositions, puis mesurer le bénéfice net effectivement obtenu.
Conclusion : un balai plutôt qu’une boule de cristal
On ne cherche pas cent idées géniales pour impressionner une réunion. On cherche un seul écart négligé qui résiste aux vérifications.
Si le trading ultrarapide est une Formule 1, ce travail ressemble davantage au bureau des objets trouvés après la fermeture : peu de prestige, beaucoup de paperasse et une question décisive. A-t-on vraiment le droit de récupérer l’objet ?
Références : [1] ICML 2026 · [2] Analogies, 2026 · [3] ICLR 2025 · [4] Écart entre idée et exécution · [5] SciMON · [6] Co-Scientist
