Analyse : la croissance des données liées à l’IA dépasse la planification des capacités de calcul, et le stockage devient le nouveau goulot d’étranglement de l’infrastructure crypto

Depuis deux ans, le débat autour de l’infrastructure IA est largement dominé par un seul indicateur : la capacité GPU. Dans les univers Web2 comme Web3, les équipes se sont disputé l’accès aux accélérateurs, ont optimisé les pipelines d’entraînement des modèles et cherché des solutions d’inférence moins coûteuses. Mais une contrainte plus discrète devient de plus en plus difficile à ignorer : le stockage des données.

Une récente analyse de Western Digital soutient que la planification des data centers d’IA évolue d’une simple course au calcul vers un enjeu d’infrastructure plus large, où la capacité de stockage, les performances, la consommation énergétique et la gestion du cycle de vie comptent autant que les GPU. IDC a également projeté que la création mondiale annuelle de données pourrait atteindre 718 ZB d’ici 2030, ce qui souligne à quelle vitesse l’empreinte de données de l’IA s’étend.

Pour l’industrie blockchain et crypto, il ne s’agit pas seulement d’un problème d’infrastructure cloud. Les agents IA, l’analytique on-chain, les réseaux d’infrastructure physique décentralisée, le stockage décentralisé, les couches de disponibilité des données et les outils de conformité dépendent tous d’un univers croissant de données générées par des machines. Si le stockage devient le facteur limitant de l’IA, il redessinera aussi la manière dont les applications crypto sont conçues, tarifées, sécurisées et gouvernées.

Pourquoi les données IA ne disparaissent pas après le calcul

La planification traditionnelle des ressources de calcul suppose souvent que les données sont traitées, que des résultats sont produits, puis que le système passe à autre chose. L’IA ne fonctionne pas ainsi.

Un système d’IA moderne accumule en continu :

• Jeux de données bruts d’entraînement
• Données nettoyées et annotées
• Checkpoints de modèles
• Bases de données d’embeddings
• Index vectoriels
• Journaux de prompts et de réponses
• Enregistrements d’évaluation
• Jeux de données de fine-tuning
• Traces d’inférence
• Journaux d’audit de sécurité et de conformité

Dans les applications crypto, ces données peuvent devenir encore plus complexes. Un assistant de trading IA peut avoir besoin de données historiques de marché, de schémas d’activité des portefeuilles, de snapshots des carnets d’ordres, de métadonnées de tokens, de discussions de gouvernance, de signaux de risque et d’enregistrements d’interactions avec des smart contracts. Un système de sécurité on-chain peut archiver des graphes de transactions, des signatures d’exploit, des domaines de phishing, du bytecode de contrats et des données médico-légales post-incident.

Le point essentiel, c’est que ces informations ne sont pas temporaires. Elles font partie de la boucle de rétroaction utilisée pour l’amélioration des modèles, l’examen des risques, le reporting réglementaire et la protection des utilisateurs. Une fois que les systèmes d’IA sont déployés dans des environnements financiers, supprimer trop agressivement les données opérationnelles peut affaiblir l’auditabilité et dégrader la qualité des modèles. Conserver absolument tout, en revanche, peut rapidement devenir économiquement intenable.

C’est pourquoi la planification du stockage pour l’IA passe d’une préoccupation de back-office à une décision d’infrastructure stratégique.

L’industrie crypto a sa propre version du problème de stockage de l’IA

Les bâtisseurs crypto savent déjà que la disponibilité et la persistance des données ne sont pas des sujets abstraits. Les blockchains publiques sont, d’une certaine façon, des systèmes de données avec des règles strictes de réplication, de vérification et de transition d’état. Mais l’IA introduit de nouvelles catégories de données, plus volumineuses, moins structurées et souvent plus difficiles à vérifier.

Considérons plusieurs domaines en forte croissance.

Les agents IA ont besoin de mémoire, pas seulement d’accès au portefeuille

On évoque de plus en plus les agents IA comme de futurs participants aux marchés crypto. Ils pourraient surveiller des positions DeFi, rééquilibrer des portefeuilles, détecter des transactions suspectes ou interagir avec des smart contracts selon des politiques définies par l’utilisateur.

Mais un agent IA sans mémoire est limité. Il a besoin de contexte : consignes passées, préférences de risque, transactions antérieures, résultats d’exécution, tentatives échouées et retours de l’utilisateur. Cela crée des données persistantes qui doivent être stockées de manière sécurisée et récupérées de façon sélective.

Le défi ne consiste pas seulement à savoir où stocker cette mémoire, mais aussi qui la contrôle. Si l’historique opérationnel de l’agent est enfermé dans un service centralisé, les utilisateurs peuvent perdre en portabilité et en transparence. S’il est stocké de manière négligente, les risques pour la confidentialité augmentent. S’il est entièrement placé on-chain, les coûts et l’exposition des données deviennent inacceptables.

L’analytique on-chain devient intensive en données

L’analyse blockchain exige déjà d’indexer des volumes massifs de transactions, d’adresses, de contrats et d’événements. Lorsque l’IA s’y ajoute, les besoins de stockage augmentent encore. Les modèles peuvent générer des embeddings pour les adresses, regrouper les comportements des portefeuilles, classer des smart contracts et conserver des labels historiques pour la détection de fraude.

Cela devient particulièrement pertinent à mesure que les régulateurs et les institutions exigent une surveillance plus robuste des flux d’actifs numériques. Des cadres comme les recommandations du GAFI sur les actifs virtuels ont poussé les prestataires à renforcer leurs contrôles de conformité, tandis que les utilisateurs continuent d’attendre de la confidentialité et une autocustodie. Équilibrer ces objectifs demande une architecture de données réfléchie, pas seulement plus de calcul.

Le stockage décentralisé et la DePIN pourraient en bénéficier, mais seulement si l’économie suit

La croissance des données IA pourrait renforcer la demande pour le stockage décentralisé et les systèmes DePIN, en particulier pour les jeux de données archivés, les ressources de modèles ouverts, les travaux de recherche et les données publiques d’évaluation de l’IA. Les réseaux axés sur le stockage, la récupération et la disponibilité des données pourraient trouver de nouveaux cas d’usage à mesure que les équipes IA cherchent des alternatives à la dépendance vis-à-vis du cloud centralisé.

Cependant, le stockage pour l’IA n’est pas un marché unique. Les données d’entraînement « chaudes », les journaux d’inférence en temps réel, les archives de long terme et les jeux de données publics ont des exigences différentes. Certains nécessitent un accès à faible latence. D’autres exigent un faible coût par To. Certains requièrent une vérification cryptographique. D’autres imposent des contrôles d’accès et des politiques de suppression.

Cela signifie que l’infrastructure décentralisée doit rivaliser sur bien plus que l’idéologie. Elle doit offrir des performances, des prix, une fiabilité et une expérience développeur crédibles.

Les couches de disponibilité des données font partie de la même conversation

Dans la montée en charge des blockchains, la disponibilité des données est devenue un axe de conception majeur. L’upgrade proto-danksharding d’Ethereum, introduit via l’EIP-4844, a réduit le coût de publication des données des rollups en créant un format de transaction « blob » dédié. Les projets de blockchains modulaires ont également fait de la disponibilité des données une couche centrale plutôt qu’un simple détail d’implémentation.

L’infrastructure IA est différente de l’infrastructure des rollups, mais la leçon sous-jacente est similaire : les coûts de déplacement et de conservation des données peuvent dominer la conception du système.

Pour les rollups, la question est : les données de transaction peuvent-elles être rendues disponibles à un coût suffisamment bas pour permettre la vérification ?

Pour l’IA, la question est : les enregistrements d’entraînement, les journaux d’inférence, les embeddings et les pistes d’audit peuvent-ils être stockés et récupérés assez efficacement pour permettre une amélioration continue des modèles ?

Dans les deux cas, les systèmes échouent lorsque les données sont traitées comme un sujet secondaire.

Le passage du nombre de GPU au coût total du cycle de vie des données

Se focaliser trop étroitement sur l’utilisation des GPU peut masquer le coût à long terme du déploiement de l’IA. La métrique la plus mature n’est pas simplement « combien de GPU sont disponibles », mais à quel point une organisation gère efficacement chaque étape du cycle de vie des données.

Pour les entreprises crypto qui construisent des produits propulsés par l’IA, les indicateurs pertinents incluent :

• Coût par PB de données conservées
• Consommation énergétique du stockage
• Temps de reprise après incident
• Latence de l’entraînement et de l’inférence des modèles
• Garanties d’intégrité des données
• Politiques de rétention et de suppression
• Chiffrement et contrôle d’accès
• Auditabilité des flux financiers sensibles

Un moteur de risque DeFi, par exemple, ne peut pas se reposer uniquement sur une inférence rapide. Il a aussi besoin de données historiques de marché, d’historiques de liquidations, de mises à jour d’oracles, de changements de paramètres de protocole et de schémas de comportement des portefeuilles. Si la récupération de ces données devient lente ou coûteuse, le système devient moins utile, même si le modèle lui-même est puissant.

De même, une plateforme d’échange ou de conservation qui utilise l’IA pour détecter la fraude doit conserver suffisamment de preuves pour expliquer les alertes et revoir les décisions passées. La conception du stockage a un effet direct sur la qualité des investigations et sur la protection des utilisateurs.

Pourquoi le stockage en plusieurs niveaux deviendra important pour l’IA et le Web3

À mesure que les jeux de données IA passent du To au Po, puis au niveau de l’Eo, une seule architecture de stockage ne peut pas tout faire. Les entreprises sont de plus en plus susceptibles d’adopter des stratégies de stockage hiérarchisées.

Une pile de données IA et crypto pragmatique pourrait ressembler à ceci :

• Stockage flash haute performance pour l’entraînement actif des modèles, la génération de features et l’inférence en temps réel
• Systèmes HDD à grande capacité pour les jeux de données historiques volumineux et les accès moins fréquents
• Stockage objet pour les logs, les archives, les artefacts de modèles et les enregistrements de conformité
• Stockage décentralisé pour les jeux de données publics, les archives vérifiables ou les ressources résistantes à la censure
• Engagements on-chain pour les preuves, les hashes, les autorisations ou la logique de règlement, plutôt que pour les données brutes

Cette approche en couches est importante parce que les blockchains ne sont pas conçues pour stocker directement de grands jeux de données IA. Dans de nombreux cas, la meilleure stratégie consiste à conserver les données volumineuses hors chaîne tout en ancrant sur la blockchain des preuves d’intégrité ou des droits d’accès.

Cette architecture permet la vérifiabilité sans imposer à chaque nœud une charge de stockage inutile.

L’angle sécurité : les données IA sont aussi une surface d’attaque

Plus les systèmes IA stockent de données, plus ils deviennent attractifs pour les attaquants.

Pour les utilisateurs crypto, c’est crucial, car l’infrastructure IA peut contenir des informations sensibles telles que le comportement des portefeuilles, les intentions de transaction, les données de vérification d’identité, les données de portefeuille et les alertes de sécurité. En cas de compromission, ces données peuvent être utilisées pour du phishing, de l’ingénierie sociale, des arnaques ciblées ou de la manipulation de marché.

Les agents IA qui interagissent avec des portefeuilles introduisent un autre risque. Si un agent stocke de manière non sécurisée les prompts, les permissions et l’historique des transactions, des attaquants peuvent en déduire comment tromper le système pour qu’il signe des transactions malveillantes.

C’est là que les principes d’autocustodie restent essentiels. L’IA peut assister la prise de décision, mais les clés privées doivent rester sous le contrôle de l’utilisateur. Un hardware wallet comme OneKey aide à séparer l’autorité de signature des outils et applications IA en ligne. Cette séparation est particulièrement importante à mesure que davantage d’utilisateurs expérimentent des workflows automatisés, des tableaux de bord DeFi et des assistants de transaction propulsés par l’IA.

Une IA vérifiable aura besoin de données vérifiables

L’un des croisements les plus importants entre IA et crypto est la vérifiabilité. Les utilisateurs peuvent vouloir savoir si un modèle d’IA a utilisé le jeu de données annoncé, si un résultat d’inférence a été généré par un modèle précis ou si un agent de trading a respecté des règles prédéfinies.

C’est là que les techniques cryptographiques, les preuves à divulgation nulle de connaissance, les environnements d’exécution de confiance et l’identité décentralisée peuvent devenir pertinents. Mais aucune de ces approches ne fonctionne bien si les données sous-jacentes sont mal gérées.

Le cadre de gestion des risques liés à l’IA du NIST met l’accent sur la gouvernance, la mesure et les contrôles des risques pour les systèmes d’IA. Dans la crypto, ces préoccupations sont amplifiées par l’irréversibilité des transactions et par des conditions de marché adversariales. Une meilleure architecture de stockage ne concerne pas seulement le coût ; elle concerne aussi la responsabilité.

Un futur protocole DeFi propulsé par l’IA pourrait avoir besoin de prouver :

• Quelle version du modèle a généré une recommandation
• Quel jeu de données a été utilisé pour l’entraînement ou l’évaluation
• Si les journaux historiques ont été modifiés
• Si les permissions de l’utilisateur ont été respectées
• Si une action automatisée correspondait à une politique signée

Tout cela dépend d’une conservation fiable des données, de contrôles d’intégrité et d’une bonne gestion des accès.

Ce que les bâtisseurs doivent faire dès maintenant

Les équipes crypto qui intègrent l’IA devraient éviter de considérer le stockage comme une optimisation ultérieure. Les décisions prises tôt peuvent déterminer si le produit reste scalable et digne de confiance.

Une checklist pratique comprend :

1. Cartographier l’ensemble du cycle de vie des données IA avant d’augmenter l’usage des GPU
   Identifier quelles données sont créées pendant l’entraînement, l’inférence, la surveillance et l’interaction utilisateur.

2. Séparer les données chaudes, tièdes et froides
   Tous les jeux de données n’ont pas besoin d’un accès à haute vitesse. Utiliser le stockage performant uniquement là où il crée une valeur mesurable.

3. Ancrer l’intégrité sans surutiliser l’espace de bloc
   Stocker les grandes données hors chaîne, mais envisager des hashes, attestations ou engagements on-chain lorsque la vérifiabilité est importante.

4. Concevoir la confidentialité dès le départ
   Les journaux de prompts, les métadonnées de portefeuille et les données comportementales peuvent devenir sensibles. Réduire la collecte autant que possible.

5. Protéger l’autorité de signature
   Les systèmes IA peuvent suggérer des actions, mais les clés privées ne devraient pas être exposées à des agents en ligne ou à des environnements cloud.

6. Suivre l’économie du stockage comme indicateur produit
   Le coût par jeu de données conservé, la latence de récupération et l’efficacité de reprise doivent être surveillés au même titre que l’utilisation du calcul.

Conclusion : le prochain goulot d’étranglement de l’IA est une opportunité pour la crypto

L’infrastructure IA entre dans une nouvelle phase. Le marché comprend que les GPU, à eux seuls, ne définissent pas les capacités. Le stockage des données, leur récupération, l’efficacité énergétique, l’auditabilité et la gestion du cycle de vie deviennent des facteurs de compétitivité essentiels.

Pour l’industrie crypto, ce changement est particulièrement pertinent. Les blockchains sont construites autour de données vérifiables, mais l’IA produit d’énormes quantités de contexte hors chaîne qui doivent être stockées, sécurisées et reliées intelligemment aux systèmes on-chain. Les gagnants ne seront pas simplement les équipes disposant du plus de calcul. Ce seront les équipes capables de gérer les données comme un actif de long terme.

À mesure que les agents IA, le stockage DePIN, l’analytique on-chain et le calcul vérifiable continuent d’évoluer, les utilisateurs devraient aussi garder à l’esprit un principe de sécurité fondamental : l’automatisation ne doit pas remplacer le contrôle des clés. Si des outils IA font partie de votre workflow crypto, conserver les clés privées hors ligne dans un hardware wallet tel que OneKey peut aider à préserver la frontière entre assistance intelligente et autorisation irréversible.