IA et analyse on-chain : comment les transactions sont suivies sur la blockchain

Chaque transaction sur une blockchain publique est enregistrée de manière permanente et accessible à tous. Pourtant, la simple disponibilité des données ne signifie pas qu’elles sont faciles à comprendre : les blocs contiennent des millions d’adresses, de montants et d’horodatages, sans noms ni contexte.

C’est précisément là qu’intervient l’analyse on-chain, une discipline qui transforme ces données brutes en informations utiles. Ces dernières années, l’intelligence artificielle (IA) y joue un rôle de plus en plus important, car elle peut traiter des volumes de données hors de portée des analystes humains.

Dans cet article, nous expliquons ce qu’est l’analyse on-chain, comment l’IA la transforme, où cette combinaison est déjà utilisée et quelles limites il convient de garder à l’esprit.

Qu’est-ce que l’analyse on-chain ?

L’analyse on-chain consiste à étudier les données enregistrées directement sur la blockchain afin de comprendre le comportement du réseau, du marché et de ses participants. Contrairement à la finance traditionnelle, où les données de transaction restent cloisonnées au sein des banques, l’intégralité de l’historique est ici publique.

Pour la sécurité et la conformité réglementaire, les données suivantes sont particulièrement importantes :

• Flux de fonds : le chemin parcouru par les fonds d’une adresse à l’autre, y compris les transferts vers des plateformes d’échange et d’autres prestataires de services.
• Liens avec des entités connues : le fait que des adresses soient directement ou indirectement liées à des plateformes d’échange, des mixeurs, des marchés du darknet ou des adresses signalées dans des affaires de fraude.
• Schémas de fractionnement et de regroupement : la division de montants en de nombreuses transactions plus petites ou le regroupement de fonds provenant de plusieurs adresses, des pratiques qui peuvent servir à dissimuler l’origine de l’argent.
• Interactions avec des smart contracts : les protocoles qu’utilise une adresse et la présence éventuelle, parmi eux, de contrats compromis ou à risque.
• Indicateurs généraux d’activité : le nombre d’adresses actives et le volume des transactions, qui fournissent un contexte pour évaluer ce qui est habituel sur le réseau.

Toutes ces métriques sont accessibles à quiconque sait lire la blockchain. La difficulté réside dans le volume des données et dans le fait que les adresses, à elles seules, ne révèlent pas qui se cache derrière.

Comment l’IA transforme l’analyse on-chain

L’IA ne crée pas de nouvelles données, mais elle permet une lecture plus rapide et plus approfondie des données existantes. Les changements les plus importants concernent trois domaines.

Clustering d’adresses

Une même personne ou organisation utilise souvent de nombreuses adresses différentes. Les modèles d’apprentissage automatique analysent les schémas de transaction, par exemple les adresses qui apparaissent ensemble comme entrées d’une même transaction ou des schémas temporels similaires, et les regroupent en entités probables. Ainsi, au lieu de milliers d’adresses sans lien apparent, on obtient une vue d’ensemble d’entités telles que des plateformes d’échange, des fonds ou des services.

Détection de schémas et d’anomalies

Les algorithmes peuvent apprendre à quoi ressemble un comportement « normal » sur le réseau et signaler les écarts : transferts d’un montant inhabituellement élevé, changements soudains dans les flux de fonds ou chaînes de transactions typiques de la dissimulation de l’origine de l’argent. Ce qui prendrait des jours à un analyste, un modèle peut le signaler en quelques secondes.

Les modèles de langage comme interface

Les grands modèles de langage rendent l’analyse plus accessible aux personnes qui ne sont pas des experts techniques. Au lieu de rédiger des requêtes dans une base de données, l’utilisateur peut poser une question en langage courant ; le modèle la traduit alors en analyse et en résume le résultat. Ces outils peuvent également expliquer ce qui s’est passé dans une transaction ou un smart contract donnés.

Applications pratiques

Sécurité et protection des utilisateurs

Les modèles d’IA contribuent à la détection précoce des fraudes, des campagnes de phishing et des smart contracts compromis. Lorsque des fonds issus d’un piratage connu commencent à circuler sur le réseau, les systèmes d’analyse peuvent suivre leur parcours et alerter les plateformes avant qu’ils ne soient convertis en d’autres actifs.

Conformité réglementaire (LCB-FT et Travel Rule)

Dans l’UE, les prestataires de services sur crypto-actifs doivent mettre en œuvre des mesures de lutte contre le blanchiment de capitaux et le financement du terrorisme et appliquer la Travel Rule, qui exige que les transactions soient accompagnées d’informations sur le donneur d’ordre et le bénéficiaire. L’analyse on-chain assistée par l’IA permet d’évaluer le risque associé aux adresses, de détecter les liens avec des entités sanctionnées ou à haut risque et de surveiller plus efficacement les transactions à grande échelle.

Informations sur le marché

Les données on-chain sont également utilisées pour l’analyse de marché, mais elles y présentent des limites évidentes. Nous en avons parlé plus en détail dans notre blog : L'analyse IA dans la prévision des mouvements de marché : Avantages et inconvénients

Recherche et transparence

Les journalistes, les chercheurs et les régulateurs utilisent les mêmes outils pour analyser les événements de marché, retracer les fonds dans les affaires de fraude et mieux comprendre le fonctionnement des protocoles décentralisés.

Limites et risques

L’IA élargit considérablement les possibilités de l’analyse on-chain, mais elle n’est pas infaillible.

• Hypothèses erronées : le clustering d’adresses repose sur des probabilités. Une adresse peut être associée à tort à une entité donnée, ce qui peut conduire à des conclusions inexactes.
• Biais des données d’entraînement : un modèle ne vaut que par les données sur lesquelles il a été entraîné. De nouveaux schémas de fraude peuvent passer inaperçus.
• Erreurs des modèles de langage : les modèles de langage fournissent parfois des réponses convaincantes mais inexactes. Les conclusions doivent toujours être vérifiées à partir des données sources.
• Vie privée : plus l’analyse est sophistiquée, plus il devient facile de relier des adresses à des personnes réelles. Cela soulève d’importantes questions quant à la protection de la vie privée d’utilisateurs qui n’ont commis aucune infraction.
• Dépendance excessive : les systèmes automatisés fonctionnent au mieux en appui du jugement humain, et non en remplacement de celui-ci.

Quel impact sur l’utilisation quotidienne des cryptomonnaies ?

Pour la plupart des utilisateurs de cryptomonnaies, l’IA et l’analyse on-chain fonctionnent en arrière-plan. Lorsqu’une plateforme réglementée vérifie une transaction ou demande des informations supplémentaires sur le destinataire, une partie de ce processus repose souvent précisément sur ce type d’outils. Leur objectif est de protéger les utilisateurs et le système financier contre les abus.

Les personnes qui souhaitent analyser le marché par elles-mêmes ont également accès à des explorateurs de blockchain publics et à des plateformes d’analyse. Lors de l’utilisation de ces outils, il est utile :

• de comprendre ce que mesure réellement chaque métrique,
• de recouper les conclusions à partir de plusieurs sources,
• de garder à l’esprit qu’aucun indicateur ne garantit l’évolution future des prix.

Il est également important de rappeler que les transactions sur les blockchains publiques sont visibles de manière permanente : connaître les bases de l’analyse on-chain est donc utile aussi pour sa propre sécurité et sa vie privée.

Conclusion

L’analyse on-chain s’appuie sur l’une des caractéristiques fondamentales de la blockchain, la transparence, pour transformer des données brutes en informations compréhensibles. L’intelligence artificielle apporte à ce processus rapidité, envergure et accessibilité : du clustering d’adresses et de la détection d’anomalies jusqu’aux interfaces en langage naturel qui rendent l’analyse accessible à un public plus large.

Dans le même temps, l’IA reste un outil qui exige vérification et usage responsable. Elle apporte le plus de valeur lorsqu’elle est associée à un jugement humain expert, à un cadre réglementaire clair et au respect de la vie privée des utilisateurs.