L'intelligence artificielle passera rapidement des agents conversationnels aux agents autonomes menant des processus métier sophistiqués. Alors que les entreprises étudient leur déploiement, la principale question qui reste à résoudre est de savoir comment évaluer avec précision si un agent d'IA est prêt pour une utilisation opérationnelle en conditions réelles. Au carrefour de l'intelligence artificielle (IA) et de la finance de marché, <a href="https://crypto-economy.com/pantera-and-franklin-templeton-back-sentients-arena-to-stress-test-enterprise-ai-agents" rel="noopener noreferrer" target="_blank">Pantera Capital et la division des actifs numériques de Franklin Templeton</a> ont tous deux rejoint la première cohorte d'Arena, un environnement de test d'IA développé par la <a href="https://www.sentient.xyz/arena" rel="noopener noreferrer" target="_blank">société d'IA open-source Sentient Labs.</a> Arena n'est pas simplement un registre public de résultats ; elle sert également de référence pour comparer le style opérationnel des modèles de production et pour comparer la performance de chaque modèle (par exemple, un agent d'IA devant traiter de nombreuses sources d'informations disparates, dont certaines peuvent être contradictoires), sur la manière dont ils ont produit des raisonnements ramifiés. De nombreuses entreprises modifient la manière dont elles définissent et évaluent la préparation de leur IA à la production. Les clients sont plus que jamais concentrés sur les performances de l'IA dans des conditions de fonctionnement réelles. Par exemple, les clients évaluent les performances de l'IA en cas de contraintes de temps ou de dégradation des données par rapport au dernier test de référence.<h2>Le problème de l'évaluation comparative en entreprise</h2>La majorité des cadres d'évaluation actuels de l'IA dépendent de mesures basées sur des ensembles de données de précision, tels que des évaluations de raisonnement, des défis de programmation et des tâches de récupération d'informations. Ces ensembles de données ont une utilité, mais, dans la plupart des cas, ne parviennent pas à reproduire fidèlement les environnements d'entreprise. Les complexités du monde professionnel créent un environnement qui met à l'épreuve la capacité du modèle à gérer les évaluations structurées des flux de travail plutôt que les tests en laboratoire ; des milliers de pages de documentation ; des directives ou instructions complexes ; des lois ou directives obsolètes et/ou incohérentes ; des données partielles/manquantes ; des préoccupations légales/réglementaires. Les tests de référence sur le modèle ne parviennent généralement pas à évaluer si une évaluation au niveau de l'entreprise fournira une conclusion défendable avec une documentation imparfaite. Arena apporte la solution initiale en développant et en introduisant une évaluation structurée des flux de travail qui soutiendra le modèle en se basant sur le support des processus métier existants plutôt que sur des tests en laboratoire de recherche des modèles d'IA.<img src="https://jid.rerrkvifj.com/media/customer/creatorSystem/62d613a2-0910-4444-9d1f-f5ca14bf3eed.jpeg">Source : Auteur<h2>Ce qui rend Arena différente</h2><a href="https://sentient.xyz/" rel="noopener noreferrer" target="_blank">Sentient Labs</a> crée un environnement de référence afin d'évaluer la productivité de l'IA avec une approche de type production. Au lieu d'utiliser des invites isolées comme évaluations pour les agents, les évaluations utilisent des tâches standardisées basées sur la façon dont les grandes entreprises fonctionnent. Les évaluations imitent les conditions dans lesquelles les entreprises opèrent aujourd'hui, telles que : -Comparaison multi-documents-Extraction d'informations structurées à partir de documents longs-Rapprochement de multiples sources d'informations contradictoires-Opérer dans un état d'informations manquantes/incomplètes-Capacité à produire des résultats auditables. Par opposition à une focalisation uniquement sur la précision lors de l'évaluation des agents, cette méthodologie offre une perspective opérationnelle. En termes pratiques, si un agent peut créer un raisonnement de manière cohérente au fil du temps en utilisant une analyse approfondie, il sera capable de reproduire cette même logique tout en opérant sous des contraintes du monde réel (à l'exclusion des variables qui affectent les performances en dehors d'une invite isolée). Le développement de benchmarks via des workflows métier permettra à Sentient Labs de créer des références qui définissent ce qu'est réellement un « raisonnement prêt pour la production ».<h2>Pourquoi l'implication de Pantera Capital signale un intérêt institutionnel</h2>Pantera Capital s'est imposée comme un investisseur dans l'infrastructure blockchain, les protocoles de finance décentralisée et les technologies crypto émergentes. Leur participation à Arena représente le niveau d'intérêt des sociétés de capital-risque pour la surveillance de l'évolution des agents d'IA mûrissant spécifiquement pour les opérations financières à forte intensité documentaire. Les sociétés d'investissement travaillent couramment avec : <ol><li data-list="bullet">Des livres blancs techniques</li><li data-list="bullet">Des modèles de tokenomics</li><li data-list="bullet">Des cadres de gouvernance</li><li data-list="bullet">Des évaluations des risques</li><li data-list="bullet">Des dépôts réglementaires</li><li data-list="bullet">Des documents de due diligence</li></ol> Des agents d'IA capables d'analyser et de synthétiser ces documents représenteraient un gain de temps considérable pour les entreprises ; cependant, la tolérance à l'erreur est minimale. La cohorte initiale de participants à Arena n'implique pas d'engagement en capital associé au programme, mais représente un engagement à aider à définir le cadre de benchmarking et l'écosystème de développeurs. Pour les sociétés de capital-risque, avoir une influence précoce sur les normes utilisées pour évaluer les outils d'IA offre l'opportunité d'acquérir une vision stratégique des outils d'IA qui pourraient s'intégrer aux opérations de leurs futurs portefeuilles.<h2>La division des actifs numériques de Franklin Templeton et l'IA opérationnelle</h2>Avec l'afflux de produits d'investissement basés sur la blockchain et d'actifs tokenisés, Franklin Templeton a développé une relation croissante entre le monde des gestionnaires d'investissements traditionnels et les processus d'automatisation basés sur l'IA, grâce à la fusion de sa division d'actifs numériques avec Arena. Comme elle fait affaire avec de nombreux gestionnaires d'actifs, la division des actifs numériques de Franklin Templeton doit aborder le travail avec les solutions d'IA dans des environnements fortement réglementés. Les gestionnaires d'actifs traitent un grand volume de documents réglementaires, tels que : <ol><li data-list="bullet">Des prospectus de fonds</li><li data-list="bullet">Des divulgations de risques</li><li data-list="bullet">Des documents de conformité</li><li data-list="bullet">Des dossiers d'audit</li><li data-list="bullet">Des documents d'étude de marché</li></ol> Dans un cadre réglementé, les gestionnaires d'actifs attendent une fiabilité extrême des systèmes d'IA. Si un gestionnaire d'actifs interprète mal une règle de conformité ou manque une question réglementaire, il peut encourir des pénalités financières importantes.En travaillant en amont avec Arena, la division des actifs numériques de Franklin Templeton est désormais positionnée pour établir formellement les directives appropriées pour l'incorporation du raisonnement de l'IA dans un environnement extrêmement réglementé avant la mise en œuvre complète des systèmes d'IA.<img src="https://jid.rerrkvifj.com/media/customer/creatorSystem/3f3edff9-8f8c-4926-8598-e0317060e05e.jpeg">Source : Auteur<h2>Définir le raisonnement prêt pour la production</h2>Selon Oleg Golev, directeur produit de Sentient Labs, les développeurs d'Arena continuent de soutenir Arena en collaborant à la définition de ce qu'est un processus de raisonnement d'IA prêt pour la production pour les charges de travail documentaires importantes comme l'analyse, la conformité et les processus opérationnels.&nbsp; L'IA prête pour la production se caractérise par les capacités suivantes :&nbsp; - Cohérence lors de l'exécution répétée de tâches similaires&nbsp;- Chemins de raisonnement traçables&nbsp;- Résistance à la génération de résultats/hypothèses inexacts&nbsp;- Reconnaissance de l'incertitude dans chaque décision&nbsp;- Rétention d'informations contextuelles à travers de longues entrées&nbsp; Comme nous pouvons le voir ci-dessus, les vérifications de la manière dont les entreprises créent une solution basée sur l'IA ne peuvent pas reposer uniquement sur la fluidité. Les entreprises doivent également fournir la preuve qu'il existe une chaîne de raisonnement traçable derrière chaque solution basée sur l'IA.&nbsp; Dans de nombreux cas (par exemple, la finance), une entreprise exigera des preuves documentées pouvant étayer les décisions. Le cadre d'Arena vise à garantir qu'il mesurera non seulement la sortie de l'agent et/ou de la solution, mais aussi comment l'agent est arrivé à sa solution ; permettant ainsi l'auditabilité au sein de l'entreprise.<img src="https://jid.rerrkvifj.com/media/customer/creatorSystem/e9e664ea-7b0d-44c5-b228-6ccadad8a7b1.jpeg">Source : Auteur<h2>Pourquoi les documents longs et les sources contradictoires sont des tests cruciaux</h2>De nombreux projets d'entreprise impliquent de rassembler un certain nombre de documents qui ne sont pas toujours alignés. À titre d'exemple, si vous effectuez un examen de conformité, vous pourriez avoir besoin de comparer : <ol><li data-list="bullet">Le cadre réglementaire.</li><li data-list="bullet">Les politiques internes de votre entreprise.</li><li data-list="bullet">L'accord de divulgation du client.</li><li data-list="bullet">L'interprétation juridique externe.</li></ol> Chacun de ces documents peut contenir des informations incohérentes, mais ils peuvent tous aussi avoir des points communs dans leur contenu. Pour opérer dans un domaine aussi ambigu, les agents d'IA devront faire ce qui suit : <ol><li data-list="bullet">Identifier les contradictions éventuelles.</li><li data-list="bullet">Identifier les risques potentiels.</li><li data-list="bullet">Éviter de faire des hypothèses trop sûres.</li><li data-list="bullet">Escalader toute interprétation peu claire.</li></ol> Arena a construit son cadre de benchmarking pour inclure les documents longs avec des sources d'informations concurrentes comme un événement standard dans les opérations quotidiennes d'une entreprise. Des tests peuvent également être effectués sur ce type de situations pour voir si les systèmes d'IA peuvent gérer de manière responsable des situations ambiguës ; et non pas simplement créer un texte convaincant.<img src="https://jid.rerrkvifj.com/media/customer/creatorSystem/163aab34-b093-4b8b-aa8b-a3fdbcd9ea15.jpeg">Source : Auteur<h2>Participation stratégique sans engagement de capital</h2>L'un des éléments clés de cette initiative est que les entreprises participantes ne font pas de déclarations publiques d'investissement financier lié à Arena. Au lieu de cela, c'est leur implication dans l'établissement de l'écosystème d'évaluation qui compte le plus. Cela témoigne d'une approche intentionnelle des institutions dans l'adoption des technologies d'IA. Plutôt que de les déployer rapidement, les institutions se concentrent sur : - Le développement de normes- L'évaluation des risques- Les partenariats avec les développeurs- La conduite d'expériences contrôléesCette stratégie minimise les risques tout en permettant un accès rapide aux informations sur les performances des systèmes d'IA dans les environnements opérationnels.La stratégie confirme également la conviction que les cadres de benchmarking eux-mêmes sont développés comme des infrastructures stratégiques. <h2>Les agents d'IA et l'avenir des flux de travail financiers</h2>La convergence des actifs numériques et de l'intelligence artificielle continue d'accélérer à un rythme extrêmement rapide. Les marchés financiers évoluent constamment vers plus de données, de documents et une connectivité mondiale accrue. L'avènement de la technologie blockchain ajoute un niveau de sophistication supplémentaire à ces entités en fournissant des contrats intelligents, des titres tokenisés et des structures de gouvernance décentralisées. Les agents d'intelligence artificielle (IA) capables d'analyser avec précision les environnements mentionnés ci-dessus seraient en mesure d'effectuer de nombreuses tâches, notamment : <ol><li data-list="bullet">La surveillance des propositions de gouvernance</li><li data-list="bullet">L'évaluation des divulgations de contrats intelligents</li><li data-list="bullet">L'automatisation de la comparaison de la conformité entre les juridictions</li><li data-list="bullet">La rédaction de mémorandums d'investissement structurés</li><li data-list="bullet">L'identification des incohérences de risque entre les ensembles de données</li></ol> Pour pouvoir implémenter ces systèmes d'IA, nous devons d'abord nous sentir à l'aise avec leur capacité de raisonnement.Arena est développée comme un lieu d'évaluation pratique des systèmes d'IA dans un environnement sécurisé avant toute intégration dans le monde réel.<h2>Un tournant pour l'évaluation de l'IA en entreprise</h2>Alors que les agents d'IA passent de leur phase expérimentale à une utilisation opérationnelle en conditions réelles, il est nécessaire de modifier la façon dont nous les évaluons. Les benchmarks utilisés par Arena pour évaluer les capacités de production sont conçus avec une nouvelle compréhension de ce que signifie « prêt pour l'entreprise » ; ce qui constitue « prêt pour l'entreprise » ne peut plus dépendre uniquement des métriques académiques telles que nous les avons traditionnellement définies. Pour être véritablement qualifiés de « prêts pour l'entreprise », les agents d'IA doivent démontrer : - Résilience à l'ambiguïté- Cohérence sur des flux de travail organisationnels étendus- Un raisonnement transparent et clair- Résistance à la désinformation- Une disponibilité auditable dans les industries réglementées Le fait que Pantera Capital et le groupe d'actifs numériques de Franklin Templeton aient <a href="https://crypto-economy.com/pantera-and-franklin-templeton-back-sentients-arena-to-stress-test-enterprise-ai-agents" rel="noopener noreferrer" target="_blank">choisi Arena</a> comme faisant partie de sa première cohorte indique qu'une IA de niveau entreprise nécessite une évaluation de niveau entreprise. Par le passé, la catégorie la plus efficace d'agents d'IA n'aura pas été celle dotée des attributs conversationnels les plus avancés, mais celle capable de supporter les complexités supplémentaires et les responsabilités associées à l'exécution d'opérations financières réelles. Arena a fait un premier pas important vers la réalisation de cet objectif grâce à ce cadre.

Pantera Capital et Franklin Templeton rejoignent la première cohorte de Sentient Arena pour évaluer les agents IA d'entreprise en vue de leur préparation à la production dans les flux de travail financiers réglementés et riches en documents.

Pantera Capital et Franklin Templeton rejoignent Sentient Arena pour redéfinir les tests d'agents IA en entreprise

/media/contribution/car9d3cdefd751b4e37aee520b4cb5f0993/lp1_0319072514079.stxt

MakerDAO et les ACT réels comme garantie DeFi sur blockchain en 2026

/media/contribution/carf20720a01cef4787bd766e32dd8d79bc/gz5_0319071028712.stxt

Principales plateformes RWA sur la blockchain 2026 : Securitize, Centrifuge et Ondo Finance

/media/contribution/car55c90ecce828417a9f80e0f5b4aa68ef/7jp_0319070541602.stxt

Tokenisation RWA Cross-Chain : Solutions d’Interopérabilité Blockchain 2026

/media/contribution/car24df380941144c7b8f5d9f03558f6830/184_0319073526685.stxt

Comment le cadre réglementaire crypto de la SEC nigériane impacte les traders africains

/media/contribution/car2c2da6b19bc64029b462fede430f6765/x40_0318072210017.stxt

La résilience physique de Bitcoin : survivre à d’importantes coupures de câble tout en faisant face à une concentration cachée

/media/contribution/car7e057d58b4ac4b39a8d681508a93be2e/6om_0318070912992.stxt