L’IA peut-elle évaluer les livres blancs sur les cryptomonnaies ? Une étude met la question à l’épreuve

Depuis la publication du livre blanc original du Bitcoin (BTC ) en 2008, un très grand nombre de nouvelles cryptomonnaies ont vu le jour, certaines, comme Ethereum, (ETH ) ayant gagné suffisamment en popularité pour devenir une rivale sérieuse de l’original. Mais cela signifie aussi que les vérifications préalables nécessaires aux investisseurs en cryptomonnaies sont devenues de plus en plus complexes.

Bien sûr, ce problème ne concerne pas uniquement les investissements en cryptomonnaies, mais la nature de ces actifs complique la tâche de la plupart des investisseurs. Les investisseurs particuliers intéressés, en particulier, mais aussi de nombreux investisseurs institutionnels, ne possèdent pas les connaissances mathématiques et techniques nécessaires pour comprendre pleinement les sciences cryptographiques et les algorithmes qui sous-tendent la plupart des projets de cryptomonnaies.

En outre, les actifs numériques ne disposent pas d’un format de déclaration uniforme, contrairement aux documents normalisés (par exemple, les prospectus et les rapports 10-K) des valeurs mobilières traditionnelles.

Ils sont donc confrontés simultanément à un dangereux mélange de surcharge informationnelle, de divulgations non structurées et de garanties réglementaires limitées.

« Les nombreux effondrements de la première vague d’offres initiales de jetons (ICO) et les pertes qui en ont résulté pour les investisseurs incapables d’évaluer la viabilité des placements à partir des livres blancs montrent qu’il est nécessaire de renforcer les outils de vérification préalable et de protection des investisseurs dans la finance innovante. »

La surcharge informationnelle et la nécessité d’analyser les risques de manière objective semblent offrir un cas d’usage idéal pour l’IA, puisque les nouveaux systèmes d’IA sont précisément conçus pour traiter ce type de tâche complexe.

Un groupe de chercheurs de la Swiss Financial Market Supervisory Authority FINMA et de l’Université du Liechtenstein a publié une nouvelle étude portant sur la façon dont les grands modèles de langage (LLM) pourraient évaluer de nouveaux projets de cryptomonnaies, et notamment leurs livres blancs techniques.

Ils ont publié leurs résultats dans Knowledge and Information Systems¹, sous le titre « Application des LLM à l’évaluation des actifs numériques : une étude à méthodes mixtes ».

Utiliser les LLM pour évaluer les livres blancs sur les cryptomonnaies

À la base, les « cryptos » ne sont pas seulement des placements spéculatifs, mais des « actifs numériques fondés sur des protocoles intégrés à un stockage décentralisé de l’information, à des mécanismes de consensus distribué et à des contrats intelligents ».

Les risques réels et les cas d’usage potentiels des nouvelles cryptomonnaies dépendent de ces caractéristiques techniques. C’est pourquoi les IA modernes, comme les LLM (grands modèles de langage), peuvent contribuer à l’analyse automatisée de textes, à l’extraction de connaissances et à l’évaluation comparative de projets.

La fiabilité des LLM pose toutefois problème. Leur utilité est limitée par la taille restreinte de leur fenêtre de contexte, les difficultés qu’ils rencontrent pour traiter de vastes corpus de documents et les risques d’hallucination.

Les investisseurs doivent donc pouvoir évaluer correctement la fiabilité réelle de ces outils dans le cadre de l’évaluation de projets de cryptomonnaies.

Pour évaluer les capacités des LLM dans cette tâche, les chercheurs ont élaboré un cadre de travail qui commence par le prétraitement des données — structuration et résumé des livres blancs en vue de leur analyse —, puis prévoit la conception de consignes spécifiques pour l’IA, la comparaison des résultats avec des évaluations humaines et, enfin, la mise au point d’un protocole permettant d’utiliser les LLM pour juger du potentiel des projets de cryptomonnaies.

Source : Knowledge and Information Systems

Élaborer les bons outils

Rassembler les bonnes données

Les chercheurs ont utilisé le Token Offerings Research Database (TORD) comme principale source de données. Cette base fournit des informations recueillies manuellement sur les offres initiales de jetons (ICO), les offres de jetons assimilables à des valeurs mobilières (STO) et les offres initiales sur plateforme d’échange (IEO).

Ces données comprennent les sites Web officiels des projets, les livres blancs, les ressources Web archivées, des bases de données secondaires, ainsi que des divulgations publiées par les plateformes d’échange et des documents réglementaires.

Ces données ont servi à constituer un échantillon de 29 projets de jetons distincts dont les livres blancs étaient encore accessibles. Parmi eux, 27 disposent d’une note globale d’experts dans le TORD.

La configuration principale retenue était OpenAI GPT−3.5-turbo, à laquelle se sont ajoutés deux modèles compacts à code source ouvert, Qwen2.5-0.5B et Qwen2.5-1.5B. Au total, ils ont généré 1 008 évaluations complètes d’experts et de LLM.

Tester différentes approches

Les chercheurs ont utilisé différentes méthodes afin de déterminer comment exploiter au mieux les LLM pour étudier les projets de cryptomonnaies.

• Approche 1 : évaluationpartielle dudocument, consistant à fournir au LLM autant de contenu du livre blanc que possible, dans la limite de 4 000 jetons (environ 3 000 mots), afin de tenir compte des limites du modèle.
• Approche 2 : évaluation fondée sur un résumé, qui contourne les limites de jetons grâce à un processus en deux étapes : le livre blanc est d’abord résumé, puis évalué.
• Approche 3 : évaluation d’un résumé axée sur les aspects, qui affine davantage la synthèse en extrayant des informations ciblées utiles à la prise de décision en matière d’investissement, notamment sur la personnalité et l’expérience de l’équipe dirigeante, les caractéristiques du produit et les conditions du marché.
  • Cette méthode a également repéré des signaux d’alerte potentiels, comme un manque d’expérience, l’absence de participation financière ou des structures de projet mal conçues.

Une limite de 120 mots pour la conclusion de l’évaluation finale produite par les LLM a été jugée optimale afin d’éviter les erreurs et de fournir à un utilisateur potentiel une conclusion facile à comprendre.

Quatre stratégies différentes de formulation des prompts ont été employées pour orienter le raisonnement du LLM et obtenir les meilleurs résultats possibles :

• Sans exemple (ZS) : fournir des instructions structurées sans exemples propres aux projets
• Avec quelques exemples (FS) : enrichir l’approche ZS en précisant les dimensions d’évaluation et les critères d’appréciation.
• Chaîne de pensée (CoT) : utiliser un raisonnement étape par étape, facteur par facteur.
• Chaîne de pensée avec contexte et grille d’évaluation (CoT-CR) : intégrer des considérations propres au domaine, comme les mécanismes de verrouillage des jetons et l’originalité du projet.

Source : Knowledge and Information Systems

Résultats des LLM

À l’exception de l’évaluation d’un résumé axée sur les aspects, les modèles d’IA ont généralement attribué au projet crypto une note supérieure à celle des évaluations humaines.

« Les approches 1 et 2 condensent souvent le contenu narratif sans faire ressortir de manière fiable les signaux d’alerte ou de gouvernance, ce qui induit un biais d’optimisme et conduit à une surestimation systématique par rapport aux évaluations humaines. »

Les prompts CoT ont produit la note globale la plus basse. En particulier, l’association CoT et évaluation d’un résumé axée sur les aspects est la seule approche à avoir abouti à une évaluation inférieure à celles fondées sur l’avis humain.

Source : Knowledge and Information Systems

Malgré cette tendance à la surestimation, une légère tendance inverse à sous-estimer les projets les plus solides a également été observée.

Il convient également de noter que les modèles d’IA Qwen2.5-0.5B et Qwen2.5-1.5B ont donné des résultats similaires à ceux de GPT−3.5-turbo.

Source : Knowledge and Information Systems

Expliquer les biais des LLM

Si les LLM ont tendance à surestimer les projets crypto avec la plupart des stratégies de formulation de prompts, c’est parce que les résumés génériques et peu structurés conservent souvent le ton promotionnel des livres blancs.

À l’inverse, l’extraction axée sur les aspects permet généralement d’éviter ce problème, mais présente d’autres limites. Elle peut rapprocher les notes de la prudence humaine lorsqu’elle met en évidence des faiblesses liées à la gouvernance, à la direction ou à la conception des jetons. Cependant, elle peut aussi pénaliser excessivement les projets lorsque les éléments disponibles sont incomplets ou que quelques signaux négatifs isolés dominent le raisonnement qui justifie la note.

Les chercheurs en ont conclu que les LLM pouvaient soutenir le travail de recherche humain, mais pas le remplacer entièrement.

« Ces mécanismes montrent que le principal défi de conception ne réside pas seulement dans le choix du prompt, mais aussi dans la constitution d’éléments probants intermédiaires fiables avant l’évaluation. Par conséquent, cet outil devrait servir à signaler les cas nécessitant l’attention d’experts plutôt qu’à produire des notes d’investissement définitives. »

Dans l’ensemble, aucune approche ne peut être considérée comme la « meilleure », du moins selon cette étude.

Dans la matrice de conception actuelle, l’erreur la plus faible est obtenue en combinant le résumé structuré et le prompting par chaîne de pensée (approche 2 + CoT).

Mais l’approche axée sur les aspects fait ressortir les signaux d’alerte potentiels, et sa note moyenne est plus proche de la moyenne des évaluations humaines.

Concevoir un outil d’analyse des cryptomonnaies fondé sur l’IA

Le chercheur a alors formulé ses propositions concernant la méthode optimale d’utilisation de l’IA pour analyser les projets crypto :

1. La structuration des éléments probants devrait précéder la génération du raisonnement par le modèle afin de limiter autant que possible les erreurs.
2. Le calibrage et la possibilité d’examiner les résultats devraient être conçus et évalués séparément. L’extraction axée sur les aspects devrait être utilisée pour améliorer la vérifiabilité de la structure et la visibilité des signaux d’alerte.
3. Triangulation des modèles : les erreurs observées ne devraient pas être attribuées à une seule famille de modèles sans essais comparatifs, car elles peuvent découler du fonctionnement fondamental des LLM en général.

« Ensemble, ces principes élargissent la contribution : celle-ci ne se limite plus à une application des LLM, mais devient un ensemble de recommandations de conception visant à configurer des outils d’aide à la décision vérifiables dans des contextes où les informations financières publiées sont peu normalisées. »

Ce que les investisseurs doivent retenir

Cette étude apporte des informations intéressantes aux investisseurs dans les domaines de l’IA et des cryptomonnaies.

Du côté des cryptomonnaies, il est clair que les LLM ne constituent pas (encore ?) une solution permettant de remplacer les vérifications préalables menées par des humains. Par exemple, les modèles d’IA peuvent se laisser tromper par un enthousiasme excessif ou un ton promotionnel dans les livres blancs sur les cryptomonnaies, ce qui comporte un risque sérieux de surestimer le potentiel de ces projets.

Toutefois, l’IA peut s’avérer très utile pour détecter les signaux d’alerte, à condition d’utiliser la bonne méthode de formulation des consignes.

Pour les investisseurs dans l’IA, cette étude montre qu’à l’heure actuelle, les LLM ne sont pas encore tout à fait capables de remplacer le travail humain. Ils constituent toutefois un outil précieux, notamment pour trier de grandes quantités de données techniques.

Elle montre également qu’il est essentiel, pour tirer le meilleur parti de l’IA, d’apprendre à formuler les bonnes consignes et de concevoir une méthodologie d’analyse adaptée. Du point de vue de l’investissement dans les technologies d’IA, cela laisse probablement penser que la plupart des gains de productivité liés à l’IA se concrétiseront progressivement, et ne découleront pas uniquement de l’amélioration des modèles. Il sera plutôt essentiel que les utilisateurs se familiarisent davantage avec les outils d’IA et apprennent à optimiser la qualité des résultats en améliorant la conception de leurs analyses et leurs consignes.

Investir sur les marchés des cryptomonnaies

Coinbase

À mesure que les cryptomonnaies se généralisent, de plus en plus d’investisseurs s’y exposent ou renforcent leur présence sur les marchés des cryptomonnaies. Il en va de même à mesure que les projets crypto se multiplient.

Cette évolution profite à des entreprises comme Coinbase, étroitement liées aux échanges de cryptomonnaies, aux cours des actifs, à leur conservation et à la participation des investisseurs institutionnels.

Investir dans des plateformes d’échange de cryptomonnaies et des plateformes technologiques comme Coinbase peut donc permettre aux investisseurs de s’exposer aux tendances du marché des cryptomonnaies sans avoir à choisir arbitrairement des jetons particuliers.

Cela ne signifie toutefois pas que les investisseurs qui achètent des actions Coinbase cotées en bourse bénéficieront du même potentiel de rendement (et des mêmes risques) qu’un investissement direct dans les cryptomonnaies. Il s’agit plutôt d’un investissement dans l’infrastructure du marché des cryptomonnaies : au 30 juin 2026, Coinbase déclarait détenir 246 milliards de dollars d’actifs sur sa plateforme.

Aujourd’hui, outre son application principale et sa plateforme d’échange de cryptomonnaies, Coinbase propose plusieurs services complémentaires :

• Coinbase One, un abonnement premium qui offre des frais de transaction nuls, des récompenses de staking majorées et des offres de partenaires, par exemple un calculateur d’impôts sur les cryptomonnaies et des recherches sur les cryptomonnaies.
• Coinbase Advanced, destiné aux traders professionnels de cryptomonnaies.
• Coinbase Wallet, qui permet de conserver soi-même ses cryptomonnaies hors des plateformes d’échange, ainsi que ses NFT.
• Coinbase Earn, un service de staking qui permet aux détenteurs de cryptomonnaies de verrouiller leurs actifs afin de percevoir les intérêts versés par le réseau. En 2023, les clients de Coinbase ont ainsi gagné 230 millions de dollars.
• Coinbase Card, une carte de débit Visa qui permet de régler des achats en cryptomonnaies et offre 1 % de remise en Bitcoin pour les paiements en USD, et 1,5 % en USDC pour ceux effectués en ETH. Elle est acceptée partout où les cartes de débit Visa le sont.
• USD Coin (USDC), un stablecoin numérique dont la valeur est égale à celle du dollar américain, vise à créer un « dollar numérique ».

À mesure que se développent des outils plus avancés, notamment l’IA, ceux-ci viendront compléter l’infrastructure crypto existante. Désormais plus mature et dominante, Coinbase est bien placée pour tirer parti de la généralisation croissante des cryptomonnaies, portée par l’essor des ETF Bitcoin, des stablecoins et de la tokenisation des actions.

(Vous pouvez en savoir plus sur l’histoire, les offres et le potentiel d’investissement de Coinbase dans notre rapport consacré à l’entreprise)

Dernières actualités et évolutions concernant l’action Coinbase (COIN)

Étude citée

^{1. Yann Thorens et coll. Application des LLM à l’évaluation des actifs numériques : étude à méthodes mixtes. Knowledge and Information Systems. 17 octobre 2026. https://doi.org/10.1007/s10115-026-02910-2}