Les frais de gaz sur Ethereum révèlent les limites des prévisions par l’IA

L’IA peut-elle prévoir les tensions sur le réseau Ethereum ?

Ethereum peut continuer à produire des blocs tout en devenant coûteux ou peu pratique à utiliser. Pour une personne qui effectue un paiement, ajuste une position de prêt ou règle le transfert d’un actif tokenisé, cette distinction est importante. Le bon fonctionnement d’une chaîne de blocs ne garantit pas des coûts de transaction prévisibles.

Une nouvelle étude de S’phesihle Khumalo et Moinak Maiti examine si l’apprentissage automatique peut détecter les tensions sur le réseau Ethereum (ETH ) à partir des variations des prix du gaz et des frais de transaction.¹ Ses conclusions constituent un bon point de départ pour améliorer la surveillance, mais mettent aussi en évidence une lacune importante : il est nettement plus facile de reconnaître des conditions inhabituelles aujourd’hui que de les anticiper demain.

Cette lacune ouvre une possibilité aux fournisseurs d’infrastructures de chaînes de blocs. À mesure que davantage de services financiers migrent vers la chaîne, traduire les données du réseau en décisions opérationnelles utiles pourrait devenir aussi important qu’accroître la capacité de traitement des transactions.

Pourquoi les frais de gaz sur Ethereum comptent au-delà des échanges de cryptomonnaies

Le gaz mesure la puissance de calcul nécessaire à l’exécution d’une transaction sur Ethereum. Les utilisateurs paient pour ce travail, et les coûts peuvent augmenter lorsque la demande d’exécution progresse. Une flambée des frais peut donc signaler une pression sur la capacité disponible, sans pour autant signifier que le réseau est en panne.

Les conséquences économiques dépendent de la transaction. Un transfert non urgent peut attendre. Un emprunteur qui ajoute des garanties pour éviter une liquidation dispose peut-être de peu de marge de manœuvre. Une entreprise qui traite fréquemment de petits paiements a besoin que les coûts restent raisonnables par rapport à la valeur de chaque paiement.

Cela devient d’autant plus important que les applications de chaîne de blocs dépassent le cadre des échanges spéculatifs. Un récent article de Securities.io consacré à la tokenisation de l’ARK Venture Fund sur Ethereum illustre l’arrivée des produits d’investissement dans cet écosystème. La tokenisation ne rend pas chaque transaction urgente, mais elle renforce l’importance de comprendre l’infrastructure qui sous-tend la détention et le transfert des actifs.

Un système d’alerte utile aiderait les opérateurs à anticiper les conditions d’exécution des transactions. Pour être utile, il n’aurait pas besoin de prévoir le cours de l’Ether ni de diagnostiquer toutes les menaces de sécurité possibles.

Comment fonctionne l’étude sur la détection des tensions sur Ethereum

Les chercheurs ont analysé des indicateurs d’Ethereum couvrant la période de juillet 2015 à juillet 2025, issus d’Etherscan. Ils comprenaient l’activité transactionnelle, l’utilisation du gaz, les frais et des indicateurs historiques liés au minage. Bien que l’article présente son analyse à l’échelle des blocs, ses tests de prévision reposent sur des observations quotidiennes ; les résultats ne doivent donc pas être interprétés comme des alertes concernant les blocs à venir pris individuellement.

Trois méthodes ont été testées. La forêt aléatoire combine de nombreux arbres de décision. La forêt d’isolation recherche les observations qui s’écartent du comportement habituel. L’arbre de décision s’appuie sur des règles à embranchements, ce qui rend ses classifications relativement faciles à examiner.

La définition principale des tensions reposait sur des frais de transaction exceptionnellement élevés par rapport à une référence glissante. Cela fournit aux modèles une cible mesurable, mais soulève une difficulté : un modèle utilisant des données liées aux frais risque en partie de reconstruire la règle ayant servi à étiqueter les tensions, plutôt que de détecter un problème opérationnel distinct.

Les chercheurs ont approfondi la question au moyen de vérifications supplémentaires : ils ont notamment retiré les variables prédictives dérivées des frais, effectué des tests sur des observations ultérieures et élaboré une autre définition des tensions à partir de l’activité des blocs omis. Ces blocs historiques sont associés à l’ancien système de preuve de travail d’Ethereum et ne peuvent fournir le même test indépendant pour l’actuelle période de preuve d’enjeu.

Ce que révèlent réellement les résultats des prévisions sur Ethereum

La précision peut être trompeuse lorsque les tensions sont rares. Un modèle qui prévoit généralement des conditions normales peut obtenir un score élevé tout en passant à côté de la plupart des événements qui préoccupent les opérateurs. La précision indique la proportion d’alertes correctes ; le rappel mesure la proportion des épisodes de tension réels détectés. Le score F1 combine ces deux mesures.

La forêt aléatoire réglée par les chercheurs a obtenu un score F1 de 0,50 pour la détection le jour même avec l’ensemble complet des variables. Les performances se sont dégradées à mesure que l’horizon de prévision s’allongeait.

Ces résultats étayent l’existence d’un signal de prévision limité, et non d’un système d’alerte fiable sur plusieurs jours. Par ailleurs, la forêt aléatoire utilisant un nombre réduit de variables a atteint une précision globale de 91 %, mais n’a détecté que 23 % des observations de tensions définies par les frais. La validation indépendante fondée sur les blocs omis a donné des résultats nettement plus faibles et moins stables.

Cette distinction est essentielle pour comprendre l’intérêt de l’étude en matière d’investissement. Détecter la volatilité des frais, prévoir la congestion et anticiper une faille de sécurité sont des tâches différentes. L’article apporte des éléments probants sur la première et des éléments limités sur les futures tensions définies par les frais. Il n’établit pas de méthode fiable pour prévoir les attaques, les pannes ou les cours des actifs.

Transformer les alertes du réseau en décisions utiles

La question pratique est de savoir ce qu’un opérateur devrait faire face à une alerte imparfaite. Un tableau de bord qui signale un risque élevé sans suggérer de réponse peut avoir peu de valeur ajoutée. Un système qui relie cette alerte à l’urgence des transactions, aux budgets de frais et aux politiques opérationnelles pourrait être plus utile.

Par exemple, un service de paiement pourrait retarder les regroupements facultatifs lorsque les conditions deviennent coûteuses, tout en préservant la capacité nécessaire aux transferts urgents. Une équipe de trésorerie pourrait planifier les mouvements courants en fonction des coûts prévus. Il s’agit d’applications possibles, et non de capacités démontrées par l’étude.

• Distinguer les transactions urgentes de celles qui peuvent attendre.
• Adapter les seuils d’alerte au coût des événements manqués et des fausses alertes.
• Comparer les prévisions à des règles simples fondées sur les frais avant le déploiement.

Le seuil approprié varierait selon le cas d’usage. Une fausse alerte qui retarde un transfert courant peut être tolérable. Une alerte qui interrompt un ajustement essentiel des garanties pourrait s’avérer coûteuse. Évaluer les économies réalisées et le nombre de transactions effectuées rendrait les décisions de déploiement plus pertinentes que la seule optimisation d’un score de précision mis en avant.

Pourquoi les mises à niveau d’Ethereum changent les enjeux de la surveillance

Une décennie d’histoire d’Ethereum couvre des conditions de fonctionnement très différentes. Le passage à la preuve d’enjeu a modifié la production des blocs, tandis que les mises à niveau destinées à améliorer la capacité du réseau ont changé le lien entre l’activité du réseau principal et les coûts des applications. Un modèle entraîné sur des épisodes de congestion antérieurs pourrait ne pas rester fiable indéfiniment.

L’annonce de la mise à niveau Fusaka par l’Ethereum Foundation décrit des améliorations des performances de la couche 1 et de la capacité de traitement des données pour les réseaux de couche 2. Son mécanisme PeerDAS permet aux nœuds de vérifier la disponibilité des données par échantillonnage, plutôt que de télécharger des blobs entiers, ce qui favorise un débit supérieur.

Le jeu de données de l’étude s’arrête avant Fusaka ; il ne permet donc pas d’établir les performances dans cet environnement mis à niveau. C’est une raison pratique de mettre à jour les modèles et de les valider au regard des conditions actuelles.

La surveillance doit également s’appuyer sur plusieurs signaux distincts. Les frais du réseau principal ne suffisent pas à décrire pleinement l’état de fonctionnement d’une application de couche 2. La disponibilité du séquenceur, les coûts de publication des données et le comportement de confirmation peuvent aussi compter, en plus des prix du gaz. La couverture par Securities.io du dépistage par IA des contrats Ponzi sur Ethereum illustre une autre couche de risque distincte : le comportement des contrats. Combiner les signaux suppose de préserver la nature exacte de ce que chacun mesure.

Coinbase permet de s’exposer à l’infrastructure de la blockchain

Ce besoin croissant d’une infrastructure fiable établit naturellement un lien avec Coinbase Global (COIN ) . Au-delà de sa plateforme d’échange, Coinbase propose des services de conservation et de staking, et a contribué au développement de Base, un réseau Ethereum de couche 2. Son intérêt tient à son rôle de soutien aux usages de la blockchain, et non à la commercialisation de cette recherche particulière.

La stratégie 2026 de Base met l’accent sur les marchés mondiaux, les paiements, les stablecoins et l’infrastructure destinée aux développeurs. Ces priorités donnent une importance commerciale à la fiabilité opérationnelle : les utilisateurs ont besoin de services capables de gérer l’activité de façon constante à mesure que l’adoption progresse.

Dans ses résultats du deuxième trimestre 2026, Coinbase a fait état d’une multiplication par sept sur un an du volume des transactions en stablecoins sur Base, ainsi que d’une part de 48 % du chiffre d’affaires net provenant des abonnements et des services. Ces chiffres communiqués par l’entreprise donnent un aperçu de son exposition plus large à l’infrastructure ; ils ne prouvent pas que la surveillance du réseau améliorera sensiblement ses bénéfices.

Les investisseurs doivent néanmoins évaluer la valorisation, la concurrence, la réglementation et la sensibilité à l’activité du secteur des cryptomonnaies. Une utilisation accrue de la blockchain ne se traduit pas automatiquement par des rendements proportionnels pour les actionnaires.

Dernières actualités et évolutions de Coinbase Global (COIN)

Une meilleure surveillance d’Ethereum commence par une meilleure validation

Cette recherche livre un enseignement constructif : les données sur le gaz et les frais contiennent des informations utiles, mais un système d’alerte opérationnel nécessite des éléments plus probants que de simples schémas historiques reconnaissables. Des étiquettes d’événements indépendantes, des tests sur le réseau actuel et des comparaisons avec des solutions de remplacement simples constituent des étapes essentielles.

Les progrès pourraient venir d’améliorations modestes qui aident les utilisateurs à prendre de meilleures décisions, plutôt que d’un modèle unique capable de prédire chaque perturbation. Pour l’écosystème financier en expansion d’Ethereum, c’est une voie crédible vers une infrastructure plus prévisible.

Références :

¹ Khumalo, S., & Maiti, M. (2026). Anomalies de niveau bloc comme premiers indicateurs de stress réseau dans Ethereum. Recherche en affaires internationales et finance. Publication en ligne à l’avance. https://doi.org/10.1016/j.ribaf.2026.103670