Pourquoi la tokenomics des tokens AI est une discipline à part entière
Chaque token sur le thème de l’AI prétend alimenter une économie décentralisée de l’intelligence artificielle. Les pages marketing se ressemblent. Les pages de tokenomics, les parties qui déterminent si ce sont les premiers acheteurs ou les acheteurs futurs qui captent le potentiel de hausse, sont l’endroit où les différences se cachent. Pour un lecteur analytique, la seule question utile est de savoir si la conception d’un token dirige une activité économique réelle vers les détenteurs, ou si elle se contente de s’affubler de l’étiquette AI.
La tokenomics désigne l’ensemble combiné des règles qui régissent l’offre d’un token, son calendrier d’émission et son droit sur les revenus du protocole. Dans les tokens AI, ces règles comportent souvent une couche supplémentaire : des calendriers d’émission ajustés au calcul GPU, des répartitions de frais liées aux requêtes d’inférence et des droits de gouvernance sur les registres de modèles. Cette complexité ouvre la voie à deux modes d’échec. Premièrement, les fondateurs peuvent dissimuler la dilution derrière un graphique séduisant de l’offre en circulation. Deuxièmement, les acheteurs particuliers peuvent confondre un taux d’émission élevé avec de la croissance, alors qu’il s’agit en réalité d’un événement de vente au ralenti.
Les cinq tokens AI pré-sélectionnés dans cette analyse, le TAO de Bittensor, le VIRTUAL de Virtuals Protocol, le FET de Fetch.ai, le VVV de Venice Token et le RENDER de Render Network, partagent une étiquette AI et une page publique de tokenomics. Aucun ne partage la même structure d’incitation. Les lire côte à côte est le moyen le plus rapide de construire le cadre d’analyse.
Les risques que tout token AI comporte avant même de lire sa tokenomics
Avant toute analyse de tokenomics, la liste honnête des risques doit figurer tout en haut. Les tokens AI ont fait perdre une valeur significative aux acheteurs particuliers lors des cycles passés, souvent parce que la page de tokenomics dissimulait trois éléments : un faible flottant initial, une allocation importante à l’équipe et aux investisseurs, et un modèle de frais qui ne capte pas réellement de dollars auprès des utilisateurs. Aucun des risques ci-dessous n’est théorique. Chacun s’est déjà produit.
Le premier risque est le cliff de déblocage. Une allocation d’équipe acquise sur quatre ans avec un cliff d’un an libère une tranche importante de tokens à une date unique. Les marchés l’intègrent généralement à l’avance, ce qui signifie que les acheteurs particuliers qui arrivent après le cliff achètent face à cette offre en suspens. Le deuxième risque est le faux flottant. Les chiffres d’offre en circulation sur CoinGecko et les agrégateurs similaires incluent des tokens dans des contrats de staking ou des trésoreries de DAO qui peuvent être déplacés ou vendus. Le flottant réel, c’est-à-dire la quantité réellement disponible pour le marché, n’est souvent qu’une fraction du chiffre affiché. Le troisième risque est l’indicateur de façade. Un protocole qui déclare des milliers d’agents AI enregistrés, ou des millions de dollars de calcul notionnel, peut ne capter aucune partie de cette activité sous forme de revenus de protocole. Les tokens qui n’absorbent pas de vrais dollars provenant de vrais utilisateurs n’ont aucun mécanisme permettant de devenir rares.
Un quatrième risque est le piège de la gouvernance. Les tokens qui accordent des droits de vote sur un registre de modèles ou une place de marché de calcul semblent précieux. En pratique, les tokens de gouvernance se sont régulièrement négociés comme des carry trades sur l’utilité sous-jacente, avec des taux de participation au vote dans les faibles pourcentages à un chiffre. Un cinquième risque, propre aux tokens AI, est la dépendance à un modèle unique ou à un seul fournisseur de calcul. Si les revenus du protocole dépendent d’un modèle fermé dont la licence peut changer, la capture du token est fonction de la décision tarifaire de quelqu’un d’autre. Aucun de ces risques n’annule le potentiel de hausse des tokens AI bien conçus. Ils définissent simplement les modes d’échec que la page de tokenomics est censée traiter.
Les trois chiffres qui comptent : offre totale, float et déblocage
Chaque page de tokenomics d’un token AI, quelle que soit sa philosophie de conception, publie trois chiffres qui ancrent le reste de l’analyse. Le premier est l’offre totale, c’est-à-dire le nombre maximal de tokens que le protocole émettra jamais. Le deuxième est l’offre en circulation, c’est-à-dire le nombre actuellement négociable sur le marché ouvert. Le troisième est le calendrier de déblocage, c’est-à-dire le calendrier des émissions futures provenant de l’équipe, des investisseurs, des fonds d’écosystème et des programmes d’émissions.
L’écart entre l’offre en circulation et l’offre totale est le chiffre le plus mal interprété en crypto. Un token peut afficher une offre totale d’un milliard d’unités et une offre en circulation de cent millions d’unités, en présentant cela comme de la rareté. Ce n’est pas de la rareté si les neuf cents millions d’unités restantes sont prévues pour entrer en circulation dans les vingt-quatre mois. À l’inverse, un token avec un pourcentage élevé d’offre en circulation peut être plus contraint qu’un pair à faible pourcentage si l’offre restante est verrouillée dans des contrats de staking à long terme sans droits de vente.
Les déblocages existent sous deux formes structurelles. Un déblocage en falaise libère une allocation fixe à une date unique, souvent le premier anniversaire d’un tour de financement. Un déblocage linéaire libère la même allocation en tranches égales sur plusieurs mois ou années. Les déblocages en falaise créent des événements de liquidité prévisibles que les traders sophistiqués couvrent avec des positions courtes ou en sortant avant la date. Les déblocages linéaires répartissent la dilution dans le temps, ce qui est généralement meilleur pour le prix mais moins bon pour les incitations de l’équipe, puisque celle-ci doit continuer à performer pendant toute la fenêtre de vesting.
La distinction entre débloqué et acquis est la troisième couche. Une allocation d’équipe peut être entièrement acquise tout en restant détenue par l’équipe, qui peut alors vendre à tout moment. Une allocation d’équipe peut être verrouillée dans un smart contract qui ne libère les tokens que selon le calendrier, ce qui donne davantage de visibilité au marché. La page de tokenomics ne dit généralement qu’une seule de ces choses. Le contrat de vesting, s’il est vérifiable sur un explorateur de blocs, dit l’autre.
Comment la conception des émissions dilue ou accumule de la valeur
Une fois les chiffres d’offre et de déblocage clarifiés, la question suivante est de savoir ce que le protocole émet à destination des participants actifs et si ces émissions sont nettes inflationnistes ou nettes déflationnistes par rapport à la demande. Deux modèles dominent l’espace des tokens AI : les émissions passives et le buyback-and-burn.
Les émissions passives sont des récompenses en tokens distribuées aux validateurs, mineurs, stakers ou agents AI pour l’exécution d’un travail défini par le protocole. Elles sont inflationnistes par construction. Le protocole émet de nouveaux tokens, les vend sur le marché ouvert par l’intermédiaire des bénéficiaires, et utilise le produit de la vente, ou les tokens eux-mêmes, pour payer le travail. Tant que le travail effectué a de la valeur, les émissions peuvent s’autofinancer. Lorsque les émissions dépassent la valeur du travail, le token devient un événement de vente au ralenti.
Le buyback-and-burn est le modèle opposé. Le protocole prend une part des revenus de frais et l’utilise sur le marché ouvert pour racheter son propre token, puis envoie ces tokens à une adresse de burn. Le buyback-and-burn crée un lien direct entre l’usage et la rareté. Si les frais augmentent, les rachats augmentent et le float se contracte. Si les frais baissent, les rachats baissent et le float ne s’étend que si le protocole émet aussi passivement. Le risque du buyback-and-burn est qu’il dépend entièrement des revenus de frais. Un protocole sans véritable capture de frais financera ses rachats avec sa trésorerie, qui est une ressource finie.
Un troisième modèle, courant parmi les tokens AI plus récents, est le partage de revenus ou le rendement de staking. Les détenteurs stakent le token et reçoivent une part des frais du protocole, libellée en stablecoins ou dans le token lui-même. La première version, payée en stables, est le modèle le plus honnête. La seconde version, payée dans le token natif, est fonctionnellement une émission passive et hérite du même risque de dilution.
Lire la capture de frais : vrais dollars contre indicateurs de vanité
La capture de frais est la caractéristique la plus exagérée dans le marketing des tokens AI. La distinction entre capture réelle et indicateurs de vanité est le plus grand avantage qu’un lecteur analytique puisse développer. Un protocole qui prélève un pourcentage des frais d’inférence, les échange contre des stables et les achemine vers les détenteurs de tokens ou vers des rachats dispose d’une véritable capture. Un protocole qui rapporte le volume total d’inférence, le nombre d’agents ou les enregistrements de modèles, sans publier de ratio frais-volume, présente des indicateurs de vanité.
Trois ratios révèlent la différence. Le ratio frais-volume correspond aux frais totaux divisés par le volume notionnel total. Un ratio sain se situe dans les faibles chiffres à un seul chiffre pour les marketplaces et dans les chiffres moyens à un seul chiffre pour les services AI. Le ratio frais-émissions correspond aux frais totaux divisés par les émissions totales de tokens valorisées en dollars. Un ratio supérieur à un signifie que les émissions sont autofinancées par les frais. La runway de trésorerie est le nombre de mois pendant lesquels la trésorerie peut poursuivre les opérations actuelles au burn actuel. Aucun de ces ratios ne figure en première page d’une brochure de tokenomics. Tous peuvent être déduits des données on-chain.
La deuxième question de capture est de savoir qui reçoit les frais. Un protocole qui achemine les frais vers une trésorerie contrôlée par un multisig n’a une capture que de nom. Un protocole qui achemine les frais vers un smart contract qui rachète automatiquement des tokens dispose d’une capture par le code. La distinction compte, car les trésoreries peuvent être redirigées par des votes de gouvernance, tandis que les flux définis par smart contract ne peuvent être modifiés que par des mises à niveau de code, qui sont visibles et verrouillées dans le temps.
Étude de cas : TAO et la courbe d’émission de subtensor
Le TAO de Bittensor est le token AI le plus ancien de cet ensemble. Sa page de tokenomics présente TAO comme un calendrier d’émission semblable à celui de Bitcoin, plafonné à vingt et un millions de tokens, avec des halvings tous les quatre ans. La comparaison principale avec Bitcoin invite à la même hypothèse : la rareté accumulera de la valeur à mesure que la demande augmentera. La structure plus profonde est plus intéressante et plus révélatrice.
Les émissions de TAO sont distribuées aux validateurs et mineurs de subnets en fonction d’une performance pondérée par le rang. Chaque subnet est un marché distinct pour le calcul AI, et les émissions qui vont vers un subnet dépendent du classement de ce subnet par rapport à ses pairs. Cela implique que TAO n’est pas un seul calendrier d’émission. Il s’agit de vingt calendriers d’émission parallèles ou plus, chacun avec son propre profil de demande. Les subnets ayant un usage réel attirent l’enregistrement de mineurs et le stake, ce qui attire davantage d’émissions. Les subnets sans usage voient les émissions s’effondrer lorsque les mineurs se désinscrivent.
Pour un lecteur analytique, la question est de savoir si la demande de calcul de subnet augmente au même rythme que les émissions. Le risque est que les émissions stimulent l’enregistrement de mineurs plus vite que la demande réelle, ce qui signifie qu’une grande part des émissions de TAO est vendue sur le marché pour financer les coûts opérationnels. L’autre versant est que le mécanisme de halving de Bittensor signifie que la croissance de l’offre est divisée par deux tous les quatre ans, tandis que la demande des subnets peut croître de façon composée. La page de tokenomics n’aborde pas cela directement. Les données on-chain, elles, le font.
Étude de cas : VIRTUAL et la mécanique des revenus des agents
Le VIRTUAL de Virtuals Protocol est structuré autour d’agents IA qui peuvent être déployés comme des services tokenisés. Chaque agent possède son propre token, et VIRTUAL est l’actif au niveau du protocole utilisé pour co-acheter des tokens d’agents et capter les frais au niveau du protocole. Le mécanisme est plus élaboré que celui de TAO, et le récit de captation des frais est plus direct.
Le chiffre clé est la commission du protocole, prélevée sur chaque achat de token d’agent sur le launchpad de Virtuals. Cette commission est libellée en VIRTUAL et acheminée vers un contrat de rachat. Il n’existe aucune émission passive destinée aux détenteurs de VIRTUAL qui entrerait en concurrence avec le rachat. La croissance de l’offre provient des émissions destinées aux créateurs d’agents et aux fonds de l’écosystème, qui sont planifiées séparément. Il en résulte un token dont le flottant se contracte avec l’usage et s’étend avec les calendriers d’acquisition de l’équipe, ce qui constitue une structure plus honnête qu’un modèle fondé uniquement sur l’émission.
Le risque tient à la concentration. Si un petit nombre d’agents génère l’essentiel du volume de commissions, le récit du rachat dépend du succès continu de ces agents. Le deuxième risque concerne la couche des tokens d’agents. Les investisseurs qui achètent des tokens d’agents s’exposent à un déploiement unique, et non au protocole. Le token VIRTUAL représente l’exposition au niveau du protocole, et sa captation des frais est plus diversifiée. La page de tokenomics établit cette distinction. Le marketing ne le fait souvent pas.
Étude de cas : FET et la fusion ASI
Le FET de Fetch.ai a fait l’objet d’une fusion de tokens au sein de l’Artificial Superintelligence Alliance, aux côtés de l’AGIX de SingularityNET et de l’OCEAN d’Ocean Protocol. Le token fusionné a conservé le ticker FET et a consolidé trois conceptions de tokenomics en une seule. La fusion est le point de données le plus important pour la structure de FET, car elle détermine l’offre et le calendrier de déblocage que porte désormais le token FET.
Avant la fusion, FET avait une offre en circulation de quelques centaines de millions et une offre totale supérieure à un milliard, avec des allocations pour l’équipe et l’écosystème acquises sur plusieurs années. La fusion a, dans les faits, empilé les calendriers d’acquisition de trois tokens sur un seul ticker. Pour un lecteur analytique, cela signifie que le surplus potentiel lié aux déblocages de FET ne correspond pas seulement à celui de Fetch.ai. Il s’agit du surplus combiné de trois protocoles fondateurs, chacun ayant ses propres engagements envers l’équipe, les investisseurs et les trésoreries de fondation.
La captation des frais pour FET passe par la place de marché des services d’agents et par les frais d’outillage pour les agents économiques autonomes. La page de tokenomics décrit un mécanisme de rachat lié aux revenus de la plateforme. Le risque est le même que pour tout modèle de partage des revenus : si les revenus ne changent pas d’échelle, le récit du rachat s’estompe. La fusion a ajouté de la complexité en exigeant une coordination entre trois communautés historiques sur la gouvernance des émissions.
Étude de cas : VVV et le modèle de crédits d’inférence
Le VVV de Venice Token est l’un des tokens IA les plus récents de cet ensemble et utilise un modèle distinctif : VVV représente un droit sur des crédits d’inférence sur l’API Venice, une plateforme d’inférence qui achemine les requêtes vers des modèles open source et propriétaires. Les détenteurs stakent VVV pour recevoir une allocation quotidienne de crédits d’inférence, libellée en VVV, qu’ils peuvent utiliser pour appeler des modèles ou vendre à d’autres utilisateurs.
La tokenomics est inhabituelle, car l’utilité principale de VVV est une allocation de crédits non transférable, ce qui signifie que détenir VVV se rapproche davantage de la détention d’un abonnement de calcul prépayé que de celle d’un token de gouvernance. L’offre et le calendrier de déblocage déterminent le nombre de crédits d’inférence que le protocole émettra, ce qui détermine à son tour le prix des crédits sur le marché secondaire. Le récit de captation est direct : les détenteurs en bénéficient lorsque la demande d’inférence dépasse l’offre de crédits.
Le risque est que le modèle de crédits d’inférence suppose une demande pour une inférence privée et résistante à la censure, un marché plus restreint que celui de l’inférence IA générale. Si la base d’utilisateurs de Venice plafonne, l’émission quotidienne de crédits dépasse l’utilisation, et le prix des crédits sur le marché secondaire baisse. Les détenteurs disposent alors d’un abonnement moins précieux, même si le prix du token se maintient.
Étude de cas : RENDER et les émissions de la place de marché GPU
Le RENDER de Render Network est le plus ancien token de place de marché GPU de cet ensemble. Il a migré du mainnet Ethereum vers Solana en 2023 et a réindexé son offre en circulation selon un ratio de un pour un par rapport à l’ancien ERC-20. La page de tokenomics actuelle met l’accent sur une offre totale fixe d’environ cinq cent trente-cinq millions de tokens, avec une allocation de trésorerie et un programme d’émissions destinées aux fournisseurs de GPU.
Le récit de captation des frais de RENDER est plus nuancé que les autres. La place de marché met en relation les tâches de rendu avec des fournisseurs de GPU, et les fournisseurs sont payés en RENDER. La commission du protocole correspond à un pourcentage de chaque tâche, prélevé en RENDER et acheminé vers la trésorerie ainsi que vers un mécanisme de burn. À mesure que le volume de tâches augmente, le burn augmente, ce qui contracte le flottant. Le modèle comporte une composante d’émission passive, puisque de nouveaux RENDER peuvent être émis aux fournisseurs, mais le calendrier d’émission reste conservateur par rapport à une conception de token de minage pur.
Le risque pour RENDER est concurrentiel. Alors que les fournisseurs centralisés de GPU et d’autres réseaux décentralisés se disputent la demande de rendu, le ratio frais-volume de RENDER pourrait se comprimer. La page de tokenomics ne couvre pas ce risque. Le volume de tâches on-chain et la marge de trésorerie, eux, le font.
Comment lire une page de tokenomics d’AI comme un bilan
Le cadre qui se dégage de ces cinq études de cas relève de la lecture d’un bilan, pas de celle d’une brochure. Commencez par les chiffres d’offre et de déverrouillage. Identifiez l’écart entre l’offre en circulation et l’offre totale, puis demandez-vous si l’offre restante est acquise progressivement, verrouillée ou libre. Examinez ensuite la conception des émissions. Distinguez les émissions passives du buyback-and-burn. Pour chaque émission, identifiez la source de demande qui l’absorbe. Examinez ensuite la captation des frais. Calculez le ratio frais-volume, le ratio frais-émissions et la durée de financement de la trésorerie. Enfin, examinez la couche de gouvernance et demandez-vous si les flux de frais sont définis par le code ou par un multisig.
Un token d’AI bien conçu répondra à chacune de ces questions avec des données on-chain vérifiables. Un token mal conçu y répondra avec un discours marketing. C’est la différence entre un bilan et une brochure, et c’est la différence entre une décision d’investissement et un espoir.
Comment suivre les tokens d’AI intelligemment
Les tokens d’AI évoluent vite, tout comme l’actualité qui les entoure. De nouveaux lancements arrivent chaque semaine, les seuils de déverrouillage modifient les perspectives d’offre, et les récits autour de la captation des frais changent à mesure que les protocoles déploient des mises à niveau. Suivre manuellement les signaux pertinents est une bataille perdue pour toute personne qui n’est pas analyste à temps plein. Zippfeed fait remonter les gros titres sur les tokens d’AI avec un score de sentiment, marqué bullish, neutral ou bearish, ainsi qu’une note d’importance qui met en évidence les actualités qui modifient réellement la situation de l’offre, des déverrouillages ou de la captation des frais, afin que vous puissiez lire la prochaine page de tokenomics avant le marché.
CoinDesk
