IA de pointe : Anthropic ferme l’accès, le crypto réagit

L’accès aux modèles d’IA frontière se contracte vers une poignée d’opérateurs triés. Mythos chez Anthropic, Daybreak chez OpenAI : la liste blanche succède à l’API ouverte. Le segment crypto-AI — Bittensor, Render, Akash, ASI Alliance — défend la promesse inverse, compute distribué et accès permissionless. Ce dossier mesure le déplacement de valeur que cette dichotomie ouvre, et borne le récit haussier par ses contre-arguments documentés.

Points clés 1. Anthropic restreint l’accès à son modèle Mythos à un cercle d’entreprises sélectionnées, selon le commentaire d’Anton Leicht publié dans Cut Off (13 mai 2026). 2. OpenAI suit une trajectoire comparable avec son initiative Daybreak, confirmant la consolidation oligopolistique du segment frontière sur deux trimestres. 3. Le secteur crypto-AI capitalise sur l’angle « accès ouvert » : Bittensor (TAO), Render Network (RENDER), Akash Network (AKT) et l’ASI Alliance forment le quatuor de référence selon CoinGecko et Messari. 4. Les contraintes sécuritaires invoquées — biorisque, cybersécurité offensive, manipulation persuasive — alimentent l’argument du gating sélectif documenté dans les System Cards d’Anthropic et le Preparedness Framework d’OpenAI. 5. Trois familles d’acteurs peuvent capter la valeur de la riposte : opérateurs de compute décentralisé (Akash, io.net), réseaux d’inférence (Bittensor, Allora), et marketplaces de modèles et de données (ASI Alliance).

Mai 2026 : le verrou se referme

Le 13 mai 2026, Anton Leicht publie un essai intitulé Cut Off, consacré au resserrement de l’accès aux modèles d’IA frontière. Le constat tient en une ligne : Anthropic réserve son modèle Mythos à une liste blanche d’entreprises et d’institutions, et OpenAI engage une trajectoire similaire avec son initiative Daybreak. L’argument officiel relève de la doctrine du « minimising-the-risks », selon la formule employée par Leicht pour qualifier la posture désormais partagée par les laboratoires de tête.

Pour les développeurs habitués à appeler une API ouverte au token, le signal est clair. La porte ne se ferme pas d’un coup ; elle se contractualise. Et derrière le contrôle d’accès se profile une question structurelle. Qui peut, qui pourra, et selon quels critères, déployer un agent autonome capable d’orchestrer des opérations financières, des audits de code ou des analyses de marché on-chain ?

La thèse

L’hypothèse de ce dossier est binaire dans la forme, nuancée dans le fond. Première branche : la fermeture progressive de l’accès frontière déplace une partie de la demande applicative vers des alternatives décentralisées, dont les principaux représentants sont tokenisés. Seconde branche : la majorité des cas d’usage à forte valeur reste servie par les laboratoires centralisés, parce que la performance brute demeure leur avantage structurel. La vérité opérationnelle passe par les deux. L’analyse porte donc sur l’asymétrie entre récit sectoriel et volume effectif.

Contexte historique : comment l’IA est devenue un actif rare

Entre 2022 et 2024, l’IA générative a traversé un cycle d’expansion comparable, dans sa dynamique d’attention, à celui des protocoles DeFi en 2020. ChatGPT, lancé fin novembre 2022, démocratise l’inférence grand public ; GPT-4, Claude 3 et Gemini 1.5 standardisent les API ; un écosystème applicatif se construit par-dessus. La logique dominante est celle de l’infrastructure neutre : l’API se présente comme un robinet, on paye au token, on déploie ce que l’on veut.

Le tournant intervient courant 2024-2025. Les rapports internes des grands laboratoires — repris notamment par les System Cards d’Anthropic et les Preparedness Frameworks d’OpenAI — documentent des capacités émergentes inquiétantes. Assistance à la conception d’armes biologiques au seuil d’« uplift » significatif, automatisation des chaînes d’attaque cyber, manipulation persuasive à grande échelle : la grille de lecture glisse de la responsabilité produit vers le contrôle d’accès. Dario Amodei, dirigeant d’Anthropic, a publiquement défendu cette orientation via la Responsible Scaling Policy publiée par l’entreprise, qui formalise des seuils ASL (AI Safety Levels) conditionnant le déploiement des modèles.

Le crypto, de son côté, traverse 2023-2024 sous l’angle de la convergence AI x Web3. Bittensor s’installe dans les principales capitalisations sectorielles selon les agrégateurs publics (CoinGecko, CoinMarketCap), Render Network migre de Polygon vers Solana en 2023 et accélère son adoption par les studios créatifs, Fetch.ai annonce le 27 mars 2024 la formation de l’Artificial Superintelligence Alliance avec SingularityNET et Ocean Protocol — fusion à plus de sept milliards de dollars de capitalisation cumulée selon les communiqués officiels des trois équipes. L’ambition est claire : positionner une infrastructure crypto-native capable d’absorber la demande non servie par les laboratoires fermés. C’est dans cette continuité que s’inscrit la lecture proposée par le guide Bittensor (TAO) de la rédaction.

Les cycles précédents offrent un parallèle utile. Lorsque les exchanges centralisés ont durci leurs conditions KYC en 2022-2023, les exchanges décentralisés ont gagné en part de volume relative sans capter la totalité de l’audience. La fonction de demande captée par le décentralisé est restée bornée par sa moindre liquidité et sa moindre vitesse d’exécution. Le parallèle vaut pour l’IA : le compute décentralisé reste structurellement moins performant que le compute hyperscaler, mais il sert une niche identifiable, en croissance, et porteuse d’un récit puissant.

La question, par conséquent, n’est pas binaire « décentralisé contre centralisé ». Elle porte sur le segment de demande qui bascule, sur la fenêtre temporelle pendant laquelle cette demande reste captive d’une alternative, et sur la capacité des réseaux décentralisés à rapprocher leur exécution technique de la promesse de leur communication.

Analyse technique : ce que mesurent les métriques on-chain

Les indicateurs disponibles à mai 2026 dessinent un paysage à trois étages. Premier étage : la capitalisation totale du secteur AI selon la catégorie agrégée par CoinGecko, qui regroupe les tokens étiquetés « Artificial Intelligence » et « AI & Big Data ». Deuxième étage : les volumes on-chain de compute effectivement servis par les principaux réseaux décentralisés, mesurés par les dashboards officiels (Akash Stats pour Akash, taostats pour Bittensor). Troisième étage : la profondeur de marché des tokens, lisible via les carnets DEX (Uniswap, Raydium) et CEX (Binance, Coinbase, OKX), elle-même reflétée par les agrégateurs DefiLlama et Kaiko.

Le tableau ci-dessous compare les quatre principaux acteurs crypto-AI selon leur positionnement fonctionnel et leurs spécificités techniques.

Les chiffres absolus de capitalisation et de TVL (total value locked) varient quotidiennement ; les sources publiques (CoinGecko, CoinMarketCap, Messari, DefiLlama) ne sont citables qu’à date du relevé. Sur la séquence 2024-2026, la catégorie AI & Big Data s’est néanmoins durablement installée parmi les principales sectorisations de marché selon ces agrégateurs, avec des séquences de surperformance et de correction qui suivent les cycles d’attention médiatique de l’IA grand public.

Une métrique on-chain mérite d’être mise en valeur : le taux d’occupation GPU effectif sur Akash, lisible via le dashboard Akash Stats. Ce ratio compare la capacité GPU disponible et la capacité louée à un instant donné. À partir de 2024, l’introduction du support GPU a fait basculer le réseau d’un usage CPU-centré vers un usage IA-centré, avec une accélération de la part GPU dans le revenu protocole, selon les rapports périodiques publiés par la fondation Akash. Cette métrique constitue un marqueur de demande réelle, distinct du sentiment porté par le cours du token AKT.

L’enjeu, du point de vue analytique, est de distinguer l’effet narratif de l’effet volume. Le narratif crypto-AI a porté plusieurs cycles de hausse des prix entre 2023 et 2024, alimenté par l’attention médiatique sur l’IA générative. Le volume — c’est-à-dire l’usage productif réel des réseaux pour des charges de calcul utiles — n’a commencé à se matérialiser sérieusement qu’avec l’arrivée du support GPU sur Akash et la maturation des subnets Bittensor à partir de 2023. Ce hiatus entre récit et usage explique en grande partie la volatilité du segment.

La fermeture progressive des modèles frontière, telle que documentée par Anton Leicht, offre un catalyseur de demande susceptible de réduire ce hiatus. Les analystes sectoriels de Messari et de Galaxy Digital suivent cette dynamique de près dans leurs revues thématiques, qui constituent une référence pour les allocateurs institutionnels.

Impact terrain : qui gagne, qui perd, qui doit s’adapter

Pour les développeurs d’agents on-chain — bots de trading automatisé, exécuteurs d’ordres MEV (maximal extractable value), systèmes d’audit de smart contracts — la fermeture des modèles frontière a un effet immédiat. L’accès à GPT-class et Claude-class via API ouverte devient soit plus cher, soit conditionnel à une revue d’usage formalisée. Plusieurs projets crypto exploitant des stratégies automatisées dépendent aujourd’hui de modèles centralisés. Ces équipes doivent désormais arbitrer entre paiement d’un accès premium contractualisé, basculement vers un modèle open-weight déployé sur compute décentralisé, ou réécriture des heuristiques pour réduire la dépendance LLM. Les implications pour les agents IA on-chain constituent un sujet ouvert.

Pour les détenteurs de tokens crypto-AI, l’effet est plus indirect. Le récit qui sous-tend ces tokens — « infrastructure permissionless qui contourne le gating des laboratoires centralisés » — gagne en pertinence à mesure que ce gating se matérialise. Cela ne garantit aucunement une appréciation des cours ; cela alimente toutefois la demande structurelle pour le storytelling sectoriel, lequel reste l’un des principaux moteurs d’allocation sur les segments thématiques crypto, selon les revues annuelles de Messari et Galaxy Digital.

Pour les protocoles DeFi, l’angle est encore différent. Plusieurs équipes — autour de Morpho, Pendle, Euler, sans oublier les projets de gestion automatisée comme Yearn ou Sommelier — explorent l’intégration d’agents IA dans la gestion de paramètres, l’allocation de liquidité, ou les interfaces utilisateur. Si l’accès aux modèles frontière se restreint durablement, ces équipes doivent soit accepter une dépendance contractuelle à un fournisseur centralisé, soit basculer vers des modèles open-source moins performants mais redéployables sur du compute distribué. Cet arbitrage n’est pas neutre : la performance d’un agent de gestion de risque sur un protocole de prêt dépend directement de la qualité du modèle de raisonnement sous-jacent.

Les exchanges, enfin, font face à une question de positionnement produit. Binance, Coinbase, Kraken et OKX ont intégré des assistants IA dans leurs interfaces grand public depuis 2024. Ces assistants reposent largement sur des modèles fournis par les grands laboratoires. La fermeture progressive du robinet peut induire, dans les douze à vingt-quatre prochains mois, une bascule vers des modèles propriétaires développés en interne ou vers des solutions hybrides intégrant des composants crypto-AI. Aucune des principales plateformes n’a communiqué publiquement sur ce point à ce jour ; le sujet constitue un angle d’observation actif pour les analystes sectoriels.

Greg Osuri, fondateur d’Akash Network, défend publiquement, dans les conférences et documents officiels de la fondation, l’idée que le compute décentralisé devient une infrastructure critique à mesure que l’accès au compute centralisé se hiérarchise. Cette position résume l’argumentaire que le segment crypto-AI déploie auprès des allocateurs et des développeurs.

Perspectives contradictoires : ce que l’argument crypto-AI ne règle pas

Il faut résister à la tentation de présenter la fermeture des modèles frontière comme une nouvelle automatiquement favorable au segment crypto-AI. Plusieurs contre-arguments tiennent solidement et bornent la portée de la thèse haussière.

Premier point : la performance des modèles open-weight reste structurellement en retard sur les modèles frontière. Les benchmarks publics — MMLU-Pro, GPQA Diamond, SWE-Bench Verified — illustrent un écart persistant entre les modèles ouverts les plus capables et les modèles fermés de dernière génération. Un agent qui s’exécute sur compute Bittensor ou Akash hérite de ce plafond de capacité. Pour les usages à haute exigence — exécution autonome de stratégies de trading complexes, raisonnement multi-étapes sur des contrats financiers, audit de code à grande échelle — la décentralisation ne compense pas l’écart de qualité.

Deuxième point : la sécurité invoquée par les laboratoires n’est pas un argument de façade. Les System Cards publiées par Anthropic et OpenAI documentent des évaluations de capacités dangereuses qui justifient, au moins en partie, le contrôle d’accès. Le segment crypto-AI, en proposant un accès permissionless à du compute, peut reproduire potentiellement les mêmes risques sans garde-fous équivalents. Ce point fragilise la thèse « bonne nouvelle pour le décentralisé » sur le plan régulatoire. Les autorités américaines (NIST, US AI Safety Institute), européennes (AI Office, MiCA stablecoin et tokens) et britanniques (UK AI Safety Institute) suivent ces réseaux avec attention.

Troisième point : la tokenomics. Les principaux tokens crypto-AI sont soumis à des dynamiques de marché qui n’ont pas grand-chose à voir avec la consommation effective de compute. Concentration de l’offre, calendrier d’unlock des tokens d’équipe et d’investisseurs, flux de market making, profondeur de liquidité : autant de variables qui pèsent à court et moyen terme bien davantage que la macro narrative AI. Le risque, pour un allocataire thématique sur le crypto-AI, consiste à confondre la justesse du récit et la performance individuelle des tokens. Plusieurs analystes de Messari et de Galaxy Digital ont publiquement défendu cette distinction dans leurs notes sectorielles.

Quatrième point : la régulation des tokens IA. MiCA, en vigueur dans l’Union européenne depuis 2024, ne couvre pas spécifiquement les tokens dont l’utilité technique porte sur l’IA. Aux États-Unis, la SEC applique la grille classique du Howey Test au cas par cas, ce qui crée une incertitude juridique persistante. Une partie des cas d’usage « agent autonome on-chain » pourrait, selon les analyses publiées par les cabinets d’avocats spécialisés en crypto, basculer sur le terrain des activités réglementées (gestion d’actifs, conseil en investissement) si les agents prennent des décisions financières pour le compte de tiers identifiables.

Ces contre-arguments ne tuent pas la thèse de la bifurcation. Ils en bornent la portée et invitent à distinguer l’analyse sectorielle de la prescription d’allocation.

Prospective : trois scénarios pour 2026-2027

Scénario un, « bifurcation nette ». L’oligopole frontière se consolide ; les modèles fermés gagnent une avance qui s’auto-entretient grâce aux données propriétaires, au feedback humain renforcé et à l’investissement capitalistique soutenu. Le segment crypto-AI capte une niche stable d’utilisateurs idéologiquement engagés et de cas d’usage spécifiques : audit on-chain transparent, monitoring vérifiable, gouvernance décentralisée d’agents. Pas de capture massive de valeur, mais un secteur viable et différencié.

Scénario deux, « rééquilibrage technique ». Les modèles open-weight rattrapent suffisamment leur retard pour servir 70 à 80 % des usages applicatifs courants. Les réseaux décentralisés deviennent une option de déploiement crédible, notamment pour les usages soumis à des contraintes de souveraineté de données ou de transparence vérifiable. La capitalisation du segment crypto-AI gagne en profondeur sans atteindre la taille des grands secteurs blue-chip (Bitcoin, Ethereum, stablecoins).

Scénario trois, « accommodement réglementaire ». Les autorités définissent un cadre de licence pour le compute frontière, similaire aux régimes applicables aux infrastructures critiques (énergie, télécoms). Les réseaux décentralisés sont contraints d’implémenter des couches de vérification d’identité ou des restrictions de capacité aux opérateurs identifiés. La promesse « permissionless » se dilue ; le segment perd une partie de son différentiel narratif initial.

Aucun de ces scénarios n’est exclusif. Les trois peuvent coexister partiellement. L’observation des prochains trimestres devrait permettre d’identifier la dynamique dominante.

FAQ

Qu’est-ce qu’un modèle d’IA frontière et pourquoi son accès se restreint-il ?

Un modèle frontière désigne les systèmes d’IA générative dont les capacités dépassent celles des modèles déjà déployés publiquement. Les laboratoires de tête — Anthropic, OpenAI, Google DeepMind — invoquent des risques d’usage dual (cybersécurité offensive, biorisque, manipulation persuasive) pour justifier un accès restreint à une liste blanche, comme l’illustrent les annonces de Mythos et Daybreak en 2026.

Les tokens crypto-AI vont-ils mécaniquement bénéficier de la fermeture des modèles frontière ?

Pas mécaniquement. La thèse haussière repose sur l’hypothèse qu’une demande captive bascule vers les alternatives décentralisées. Plusieurs contre-arguments la bornent : écart de performance des modèles open-weight, risques régulatoires pesant sur les tokens, dynamiques de tokenomics indépendantes du fondamental. Les analystes invitent à distinguer le récit sectoriel et la performance individuelle des tokens.

Quels sont les principaux réseaux crypto-AI à surveiller en 2026 ?

Quatre acteurs structurent le segment selon les revues sectorielles : Bittensor pour l’inférence et l’entraînement via subnets, Render Network pour le rendu GPU et l’inférence émergente, Akash Network pour le marketplace de cloud compute permissionless, et l’Artificial Superintelligence Alliance (Fetch.ai, SingularityNET, Ocean Protocol) pour les agents autonomes et les marketplaces de modèles et de données.

Comment la régulation européenne et américaine traite-t-elle les tokens crypto-AI ?

MiCA encadre depuis 2024 les aspects financiers des crypto-actifs dans l’Union européenne, sans cadre spécifique pour les tokens à utilité IA. Aux États-Unis, la SEC applique le Howey Test au cas par cas. Les agents autonomes prenant des décisions financières pour des tiers pourraient relever de régimes de gestion d’actifs ou de conseil, selon plusieurs analyses publiées par des cabinets spécialisés en crypto et services financiers.

Sources

• Anton Leicht, Cut Off, 13 mai 2026 — writing.antonleicht.me/p/cut-off
• Anthropic, Responsible Scaling Policy et System Cards — anthropic.com
• OpenAI, Preparedness Framework — openai.com
• CoinGecko, catégorie « Artificial Intelligence » — coingecko.com
• Messari, rapports sectoriels AI & Crypto — messari.io
• Akash Network, dashboard Akash Stats — stats.akash.network
• Bittensor, documentation Yuma Consensus et taostats — docs.bittensor.com, taostats.io
• Render Network, communiqués officiels — rendernetwork.com
• Artificial Superintelligence Alliance, communiqué de fusion 27 mars 2024 — superintelligence.io
• DefiLlama, métriques sectorielles — defillama.com
• Galaxy Digital, revues thématiques crypto — galaxy.com
• US AI Safety Institute, NIST — nist.gov, aisi.nist.gov