SpaceXAI dévoile son premier modèle d’IA développé avec Cursor, une opération qui combine acquisition stratégique, infrastructure de calcul massive et intégration directe dans des outils de développement. L’annonce formelle intervient après l’exercice anticipé d’une option d’achat valorisant Cursor à 60 milliards de dollars et un entraînement sur Colossus, un supercalculateur reposant sur près d’un million de GPU Nvidia H100. Cette convergence entre industrie spatiale, machine learning et plateformes de codage pourrait redessiner les rapports de force entre acteurs historiques de l’intelligence artificielle et modifier certaines dynamiques d’investissement, notamment pour les acteurs institutionnels déjà exposés au bitcoin détenu par SpaceX.
Le déploiement prévu du modèle se fera simultanément au sein de Cursor, éditeur de code largement adopté par les développeurs, et dans Grok Build, l’agent de codage de SpaceXAI. L’initiative illustre une stratégie d’innovation verticale où l’entreprise maîtrise la chaîne complète : matériel, modèle, interface utilisateur. Toutefois, cette ambition technique se déploie dans un contexte financier et énergétique complexe, et soulève des questions réglementaires, éthiques et opérationnelles qu’il convient de décortiquer de façon factuelle et sourcée.
- Acquisition : Cursor exercée en actions, valorisation anticipée à 60 Md$.
- Technique : entraînement sur Colossus — près d’1 million de GPU Nvidia H100.
- Déploiement : intégration dans Cursor et Grok Build, lancement reporté pour optimisation.
- Contexte financier : valorisation boursière après IPO, détention de 18 712 BTC sur le bilan.
- Enjeux : concurrence accrue avec OpenAI, Google et Anthropic ; risques énergétiques et réglementaires.
SpaceXAI et Cursor : décryptage du lancement et de l’acquisition
La transaction qui unit SpaceXAI et Cursor a été finalisée par l’exercice anticipé d’une option d’achat réglée en actions. Ce mécanisme financier — ici une opération d’acquisition entièrement en titres — permet à SpaceX de consolider immédiatement son contrôle sur une technologie stratégique. Le document interne mentionné par les équipes décrit une coopération déjà active : SpaceXAI a co-entraîné un modèle avec Cursor, programmé pour être déployé sur les deux plateformes.
Technique : assistant de programmation — un assistant de programmation est un outil d’IA capable de générer, compléter et corriger du code à partir de prompts, d’exemples ou d’analyses de référentiels. Il s’appuie sur des architectures de type modèle de langage et sur des modules spécialisés pour la compréhension du code source. Cette définition est cruciale pour comprendre ce que Cursor et Grok Build apportent aux développeurs.
Fait vérifié : l’accord initial, signé le 21 avril et revalorisé à 60 milliards de dollars, incluait une option d’achat qui a été exercée plus tôt que prévu. Une note interne indique que le déploiement public a été repoussé d’un jour pour optimiser l’efficacité du modèle. Cette précision opérationnelle est un signe de volonté de maîtrise technique plutôt qu’une simple annonce marketing.
Impact sur l’écosystème développeur : en intégrant le modèle directement dans Cursor et Grok Build, SpaceXAI réduit les frictions entre création logicielle et automatisation. Les développeurs bénéficieront d’un accès natif à des fonctionnalités d’auto-complétion, de génération de tests unitaires et de refactorings automatisés. Exemple concret : une équipe frontend d’une PME peut transformer un backlog de tickets en prototypes fonctionnels en un cycle de sprint réduit, grâce à l’automatisation des tâches routinières.
Risque identifié : la concentration du contrôle de l’outil entre les mains d’un seul acteur pose des questions de dépendance, de verrouillage propriétaire et de gouvernance. Une entreprise qui s’appuie exclusivement sur cet assistant pour sa stack critique s’expose à une interruption de service ou à un changement de politique commerciale. C’est une incertitude opérationnelle que les équipes doivent intégrer dans leur gestion des risques.
Analyse : la stratégie d’acquisition s’inscrit dans une logique d’intégration verticale. SpaceXAI détient désormais la capacité d’orienter le développement des assistants de programmation de bout en bout : collecte de données, entraînement sur Colossus, déploiement embarqué. Cela garantit une optimisation synergiques entre matériel et logiciel, mais soulève des enjeux concurrentiels et de conformité, notamment sur la provenance des datasets d’entraînement et la gestion des licences de code.
Exemple historique éclairant : l’absorption d’outils de productivité par de grands groupes technologiques a souvent généré des gains rapides de performance utilisateur, mais aussi des réactions réglementaires, comme on l’a observé dans le passé avec des acquisitions de plateformes dev-centric qui ont fini sous surveillance antitrust. L’observateur avisé gardera en tête que l’intégration technique n’annule pas les obligations réglementaires.
Phrase-clé : l’exercice anticipé de l’option et le déploiement simultané traduisent une obsession pour la maîtrise complète de la chaîne de valeur, avec toutes les promesses d’efficacité — et toutes les limites de dépendance que cela implique.
Colossus et l’infrastructure : comment SpaceXAI pousse le calcul à l’échelle orbitale
Le modèle conjoint de SpaceXAI et Cursor a été entraîné sur Colossus, un supercalculateur dont l’architecture repose sur près d’un million de GPU Nvidia H100. Ce détail technique illustre une approche quantitative : dans le machine learning, la capacité d’entraînement (nombre de GPU, mémoire, interconnexion réseau) est souvent corrélée à la taille et la qualité des modèles entraînés. Définition : supercalculateur — un ensemble de machines interconnectées optimisées pour exécuter des calculs massifs en parallèle, essentiel pour l’entraînement de modèles de grande échelle.
Capacité et ambitions : SpaceX cible la création d’un réseau de centres de données orbitaux d’une puissance cumulée de l’ordre du gigawatt d’ici 2027. Cette ambition technique repose sur la production de « satellites IA » depuis une usine dédiée au Texas, baptisée Gigasat. L’objectif déclaré est d’outrepasser les limites terrestres : latence globale réduite, redondance géographique et adaptation aux contraintes énergétiques par l’utilisation potentielle d’énergie spatiale.
Exemple d’usage : un opérateur de services cloud qui déploie une application critique peut bénéficier d’un routage hybride sol-orbite pour assurer une continuité en cas d’incidents locaux. Sur le papier, la redondance orbitale accroît la résilience des systèmes critiques et permet des architectures hybrides innovantes.
Risque énergétique et environnemental : la construction et l’exploitation de centres de calcul à très haute densité posent des défis en matière de consommation d’énergie et d’empreinte carbone. Bien que l’orbite puisse offrir des angles d’optimisation énergétique (panneaux solaires), la fabrication, le lancement et la maintenance des satellites induisent des coûts environnementaux non négligeables. Les régulateurs et ONG signalent déjà ces points comme des éléments à surveiller.
Contraintes techniques : l’entraînement de modèles sur des architectures massives nécessite une orchestration logicielle avancée (optimisation des communications inter-GPU, tolérance aux pannes). Le terme interconnexion, souvent utilisé pour décrire les réseaux de communication entre unités de calcul, est ici central : sans couche d’interconnexion ultra-performante, l’efficacité d’un million de GPU plafonne.
Facteur géopolitique : externaliser une part de la capacité de calcul vers l’orbite complexifie la souveraineté des données. Les juridictions de lancement, les accords internationaux sur l’utilisation de l’espace et les règles de protection des données deviennent des variables d’ajustement. Par exemple, une entreprise européenne souhaitant recourir à une capacité orbitale devra vérifier la conformité aux normes locales de protection des données.
Limite méthodologique : l’entraînement sur des fermes massives de GPU ne garantit pas automatiquement une supériorité en généralisation du modèle. La qualité des données, les techniques d’entraînement et les architectures algorithmiques restent déterminantes. Ainsi, la puissance brute est nécessaire mais non suffisante.
Phrase-clé : Colossus symbolise la mise à l’échelle industrielle du machine learning, mais la transition vers des infrastructures orbitales transforme la question de la performance en une mosaïque de contraintes techniques, réglementaires et environnementales.
Ce que signifie ce lancement pour les développeurs : Cursor, Grok Build et automatisation du code
Le déploiement du modèle chez Cursor et dans Grok Build vise à transformer le quotidien des développeurs. Cursor, en tant qu’éditeur de code intégré, fournit un point d’accès naturel : l’IA y devient un co-pilote dans l’édition, le test et le déploiement. Définition : machine learning — discipline de l’IA qui permet aux systèmes d’apprendre à partir de données sans être explicitement programmés pour chaque tâche ; ici, il s’applique à la compréhension et la génération de code.
Automatisation : le terme automatisation renvoie à l’utilisation d’outils pour exécuter des tâches répétitives sans intervention humaine. Dans le développement logiciel, cela peut aller de la génération automatique de tests à l’intégration continue, en passant par la correction de bugs. L’introduction d’un modèle d’IA puissant renforce ces capacités et promet d’augmenter la productivité.
Cas pratique : la société fictive Atlas Dev, une PME de 50 ingénieurs, a testé une version alpha interne du modèle. Résultat : réduction de 30% du temps moyen d’itération sur des tickets de maintenance, grâce à une génération assistée de correctifs et de tests unitaires. Cependant, Atlas Dev a constaté que pour des modules critiques (cryptographie, transactions financières), la vérification humaine reste indispensable — l’IA accélère mais n’exempte pas de relecture.
Risque opérationnel : une dépendance excessive à l’IA pour des modules sensibles peut introduire des vulnérabilités. Si l’IA reproduit des antipatterns présents dans les données d’entraînement, l’entreprise risque d’automatiser des erreurs difficiles à détecter. D’où la nécessité d’intégrer des pipelines d’audit et des tests formels.
Intégration continue et DevOps : Grok Build, comme plateforme d’agent de codage, se situe à l’intersection des workflows DevOps. L’agent peut générer des pipelines CI/CD, proposer des templates d’infrastructure-as-code et anticiper les changements de configuration. L’exemple d’Atlas Dev montre l’impact pratique : automatiser la génération de pipelines de déploiement a réduit le taux d’erreurs liés à la configuration de 18%.
Limite de formation : la performance d’un assistant de programmation dépend de la représentativité et de la qualité des datasets. Si l’entraînement incorpore du code propriétaire non licencié, des risques légaux apparaissent. Il est essentiel que les équipes de conformité vérifient la provenance des données utilisées pour l’entraînement.
Transition vers la standardisation : l’adoption généralisée d’assistants de programmation performants pourrait conduire à une standardisation des patterns de code, réduisant la diversité des implémentations. Ceci facilite la maintenance, mais pose la question de la résilience face aux vulnérabilités universelles. L’ultime responsabilité demeure humaine.
Phrase-clé : pour les développeurs, le modèle de SpaceXAI apporte une couche d’automatisation puissante, mais reste un amplificateur des bonnes pratiques — la prudence et les contrôles humains restent indispensables pour les éléments critiques.
Concurrence et positionnement stratégique : OpenAI, Google, Anthropic et la riposte industrielle
Le lancement d’un modèle conjoint par SpaceXAI et Cursor s’inscrit dans une phase où les acteurs historiques de l’IA multiplient alliances et acquisitions. SpaceX se positionne désormais comme un rival crédible des grands du secteur en combinant capacité de calcul, intégration produit et accès direct aux développeurs via Cursor. Définition : stratégie d’innovation — ensemble de décisions visant à maintenir ou améliorer la compétitivité technologique, incluant fusion-acquisition, R&D et intégration verticale.
Comparaison factuelle : OpenAI, Google et Anthropic disposent de suites d’outils et d’écosystèmes commerciaux étendus. SpaceXAI apporte une singularité : l’appui d’une infrastructure spatiale et la verticalité (de la puce au service). Une analyse concurrentielle doit donc peser à la fois la qualité des modèles, la distribution produit et l’avantage matériel.
| Critère | SpaceXAI + Cursor | OpenAI | Anthropic | |
|---|---|---|---|---|
| Capacité de calcul | Colossus ~1M H100 | Large, réseaux cloud partenaires | Large, TPU & GPU propriétaires | Cloud & partenaires |
| Intégration développeur | Cursor + Grok Build (natif) | API et intégrations tierces | Large écosystème (Cloud + outils) | APIs et outils dev |
| Approche matérielle | Verticale, spatial/terrestre | Cloud-first | Cloud & hardware propriétaire | Cloud-first |
| Risques réglementaires | Contrôle centralisé, espace | Suivi régulatoire élevé | Antitrust & confidentialité | Conformité en évolution |
Risque concurrentiel : la course aux ressources matérielles peut mener à une dynamique d’escalade des coûts. Une course de capacité (plus de GPU, plus de satellites) peut éroder les marges et déporter l’attention de l’innovation algorithmique vers des enjeux d’infrastructure. C’est une limite stratégique à surveiller pour les investisseurs et régulateurs.
Analyse : la valeur ajoutée réside moins dans la simple disponibilité d’un grand nombre de GPU que dans la capacité à transformer cette puissance en produits utiles et adoptés. L’avantage de SpaceXAI tient à la combinaison d’accès direct aux développeurs (Cursor) et d’une toile matérielle propriétaire (Colossus). La réaction des concurrents pourrait prendre la forme d’alliances, d’acquisitions ciblées ou d’optimisations logicielles visant à réduire la dépendance à la puissance brute.
Sources et contexte : pour une mise en perspective sectorielle, voir des événements et réflexions liés à l’innovation IA, comme ceux présentés lors du Machina Summit Intelligence Artificielle ou des analyses sur la révolution d’OpenAI disponibles sur Open IA Revolution. Ces ressources aident à replacer l’annonce dans le panorama général.
Phrase-clé : la stratégie d’innovation de SpaceXAI combine une mise à l’échelle matérielle spectaculaire et une intégration produit directe, forçant les acteurs historiques à repenser leurs propres réponses stratégiques.
Impact financier et implications pour l’écosystème crypto
L’annonce arrive dans un contexte financier marqué. Après l’entrée en Bourse et la valorisation massive du groupe issu de la fusion avec xAI, la capitalisation a connu des fluctuations. Factuel : la détenteur institutionnel de bitcoin associé à SpaceX s’élève à 18 712 BTC, un élément scruté par la communauté crypto car il peut influencer la liquidité et la psychologie du marché en cas de mouvements significatifs.
Définition : liquidité — en finance, la liquidité se réfère à la facilité avec laquelle un actif peut être acheté ou vendu sur le marché sans impact significatif sur son prix; en contexte on-chain, cela désigne les volumes effectivement disponibles sur les marchés et dans les pools.
Événement matériel : la fortune personnelle d’Elon Musk a subi une baisse importante d’un jour à l’autre, provoquée par des arbitrages d’investisseurs liés aux annonces IA. Cette volatilité souligne la sensibilité des marchés à des annonces technologiques majeures, même lorsqu’elles concernent des actifs non directement liés à l’IA, comme le bitcoin.
Lien avec la DeFi et Web3 : l’usage de capacités de calcul massives peut trouver des applications dans le traitement on-chain — preuve de travail, validation de ZK-proofs ou services oracles à haute fréquence. Toutefois, des questions surgissent concernant la centralisation de l’accès à ces ressources et l’influence possible sur des projets DeFi.
Risque macroéconomique : l’investissement massif dans l’IA et l’infrastructure spatiale augmente l’exposition au cycle des capitaux. Si les marchés anticipent un ralentissement de la demande, la valorisation peut se contracter rapidement, affectant non seulement les actionnaires mais aussi les actifs corrélés, comme les positions en BTC.
Exemple hypothétique : si un mouvement de portefeuille conduit à la vente d’une partie des 18 712 BTC, l’impact dépendra du timing et des venues de liquidation. Des ventes disposées sur de courtes périodes peuvent créer des pressions baissières, tandis que des mouvements graduels s’absorbent mieux.
Perspectives réglementaires : le lien entre valorisation technologique et exposition crypto pousse les autorités à surveiller la gouvernance des groupes technologiques détenant des actifs numériques. Des exigences de transparence accrues ou des contraintes comptables sur la détention de crypto-actifs peuvent être envisagées par les régulateurs.
Pour approfondir le regard sur les interactions entre IA et crypto, plusieurs conférences ont exploré ces thèmes récemment, y compris des tables rondes et analyses disponibles sur des plateformes métiers, comme le Raise Summit Paris IA, qui abordent l’impact des innovations technologiques sur les marchés financiers.
Phrase-clé : l’interface entre stratégie d’innovation technologique et positions crypto expose des risques systémiques potentiels, que le marché et les régulateurs ne manqueront pas de surveiller.
Risques réglementaires, éthiques et limites techniques de l’innovation technologique
L’essor d’un modèle entraîné sur une infrastructure massive et déployé via des outils populaires soulève plusieurs angles de risque. Définition : conformité — ensemble des règles et bonnes pratiques visant à assurer que les opérations d’une entreprise respectent les lois et régulations applicables. Pour SpaceXAI, la conformité couvre la protection des données, les licences de données d’entraînement, la sécurité des systèmes et la régulation spatiale.
Risques réglementaires : l’utilisation d’infrastructures spatiales pour le traitement de données sensibles peut provoquer des interrogations sur la juridiction applicable et la conformité transfrontalière. Les régulateurs nationaux (protection des données, sécurité nationale) et supranationaux (règles spatiales internationales) devront clarifier les obligations des opérateurs.
Risque éthique : l’automatisation du développement logiciel soulève la question de la responsabilité en cas de défaillance. Qui porte la responsabilité si un bug généré par un modèle provoque une perte financière ? La réponse requiert une combinaison de cadres juridiques et de bonnes pratiques industrielles.
Limite technique : la robustesse face aux attaques adversariales est critique. Les modèles de génération de code peuvent être manipulés par des prompts malveillants conçus pour introduire des vulnérabilités. Le terme robustesse décrit la capacité d’un système à conserver des performances attendues face à des conditions dégradées ou hostiles.
Exemple concret : une entreprise du secteur santé a simulé des attaques sur un assistant de codage ; les résultats ont mis en avant des failles d’autorisation intégrées dans des configurations générées automatiquement. La leçon est simple : l’IA ne remplace pas les audits de sécurité et les revues de code spécialisées.
Réponse réglementaire possible : mise en place d’obligations de transparence sur les datasets d’entraînement, rapports d’impact éthique et contrats de responsabilité clairs. Des initiatives comparables sont déjà discutées dans divers forums internationaux, notamment autour de la gouvernance de l’IA et des usages spatiaux.
Phrase-clé : la puissance technique ne dissout pas les responsabilités ; elle les rend au contraire plus visibles et plus complexes à gérer.
Cas d’usage concrets et retours opérationnels : l’exemple d’Atlas Dev et autres témoignages
Pour illustrer les effets pratiques du lancement, l’entreprise fictive Atlas Dev sert de fil conducteur. Atlas Dev est une société de services logiciels qui a intégré la version préliminaire du modèle à son pipeline de production. Trois usages se distinguent : génération de prototypes, aide à la revue de code et automatisation des tests.
Usage 1 — prototypage accéléré : Atlas Dev a réduit le time-to-market de nouvelles fonctionnalités critiques de 25% en s’appuyant sur l’assistant intégré à Cursor. Exemple : conversion d’une spécification fonctionnelle en POC (proof of concept) opérationnel en 48 heures, au lieu de 72–96 heures auparavant. Cela a permis à l’entreprise de répondre plus rapidement aux RFPs (requests for proposals).
Usage 2 — revue de code assistée : l’IA a été utilisée pour identifier patterns suspects et suggestions de refactorings. Définition : refactorisation — action de restructurer le code sans changer son comportement externe pour améliorer lisibilité, performance ou maintenabilité. Les développeurs d’Atlas Dev rapportent une amélioration notable de la qualité du code, mais signalent aussi des faux positifs nécessitant une supervision humaine.
Usage 3 — tests et couverture : l’automatisation de la génération de tests unitaires a permis d’augmenter la couverture de code, réduisant des régressions en production. Toutefois, pour des modules critiques, les tests générés restent complémentaires aux tests manuels spécialisés.
Limite opérationnelle : les équipes d’Atlas Dev ont dû mettre en place des garde-fous pour éviter l’incorporation non contrôlée de bibliothèques ou fragments de code propriétaires présents dans le dataset d’entraînement. Sans ces contrôles, des risques de violation de licence apparaissent.
Retour économique : l’automatisation a permis une réorganisation des tâches, déplaçant du temps de codage vers des activités de conception à plus forte valeur ajoutée. Cela a nécessité une formation interne pour que les ingénieurs utilisent l’outil de façon productive.
Perspective : ces retours montrent que l’adoption d’IA avancée modifie les modèles opérationnels des équipes de développement. La valeur n’est pas seulement dans la vitesse, mais dans la capacité à redeployer des compétences humaines sur des tâches plus stratégiques.
Phrase-clé : l’IA devient un multiplicateur de productivité, à condition que son intégration se fasse avec des contrôles juridiques et techniques rigoureux.
Intégration avec Web3 et perspectives pour la DeFi : opportunités et incertitudes
La jonction entre l’intelligence artificielle et l’écosystème Web3 ouvre des perspectives nouvelles : marchés décentralisés de calcul, oracles sophistiqués et validation ZK (zero-knowledge). Définition : oracle — service qui fournit des données extérieures à une blockchain, nécessaire pour déclencher des contrats intelligents basés sur des événements du monde réel.
Opportunités : coupler la puissance de Colossus avec des protocoles décentralisés pourrait permettre des services de calcul certifié pour des dApps (applications décentralisées). Par exemple, un protocole DeFi pourrait externaliser des simulations de risque extrêmement coûteuses vers un réseau de calcul vérifiable, améliorant la tarification des produits dérivés on-chain.
Exemple d’intégration : une plateforme réelle pourrait s’appuyer sur des mécanismes de marché pour acheter des cycles de calcul à la demande, tout en conservant des garanties cryptographiques sur la qualité et l’intégrité du calcul. Des efforts comme ceux documentés par des initiatives décentralisées en 2025-2026 montrent un intérêt croissant pour la mutualisation des ressources.
Risque de centralisation : si un acteur disposant d’une capacité inégalée devient le fournisseur de référence pour des services de calcul destinés à la DeFi, la promesse de décentralisation se trouve compromise. Un contrepoids possible repose sur des mécanismes de non-confiance cryptographique et des solutions de gouvernance distribuée, mais leur mise en œuvre reste complexe.
Pour approfondir la réflexion sur la décentralisation des services et protocoles, des ressources pertinentes abordent la thématique, comme les travaux autour du Human Protocol et la décentralisation. Ces textes fournissent des pistes sur la manière de combiner marché du travail décentralisé et services de calcul.
Limite technique : assurer la reproductibilité et la vérifiabilité des calculs d’IA à grande échelle représente un défi. Les techniques de preuve (proofs) pouvant garantir qu’un calcul a été correctement exécuté existent en laboratoire, mais leur application à des modèles de grande taille est encore expérimentale.
Phrase-clé : l’interface entre IA et Web3 peut créer des services nouveaux et puissants, mais la promesse décentralisée nécessite des garde-fous techniques et de gouvernance pour éviter une concentration excessive des capacités de calcul.
À retenir
- SpaceXAI a exercé une option d’achat pour Cursor dans une transaction réglée en actions, valorisée à 60 milliards de dollars.
- Le modèle conjoint a été entraîné sur Colossus, reposant sur près d’un million de GPU Nvidia H100.
- Le déploiement se fera simultanément dans Cursor et Grok Build, offrant des capacités d’automatisation du code intégrées pour les développeurs.
- Des risques majeurs concernent la dépendance technologique, la conformité des données d’entraînement, l’impact environnemental et la gouvernance spatiale.
- Les implications pour l’écosystème crypto incluent la surveillance des positions en 18 712 BTC du groupe et des potentielles interactions entre calcul massif et services on-chain.
Clause de non-conseil : Ce contenu est informatif et journalistique. Il ne constitue pas un conseil en investissement. Toute décision financière doit être prise en connaissance des risques, idéalement après consultation d’un professionnel habilité.
Que signifie pour les développeurs l’arrivée du modèle SpaceXAI dans Cursor ?
L’intégration offre des fonctionnalités d’automatisation : génération de code, tests et refactorings assistés. Elle accélère les cycles de développement, mais nécessite des garde-fous pour éviter la dépendance et les risques liés aux données d’entraînement.
Colossus est-il unique en son genre ?
Colossus se distingue par son échelle déclarée (près d’un million de GPU H100) et par l’ambition d’intégrer des capacités orbitales. Néanmoins, la performance effective dépend aussi de l’optimisation logicielle, de la qualité des données et de l’interconnexion réseau.
Quels sont les principaux risques réglementaires ?
Des enjeux concernent la protection des données, la provenance des datasets d’entraînement, la régulation spatiale et les obligations de transparence. Les entreprises devront naviguer entre normes nationales et accords internationaux.
Comment l’annonce influence-t-elle l’écosystème crypto ?
L’une des implications est la présence de 18 712 BTC sur le bilan du groupe, qui peut influencer la liquidité perçue. Par ailleurs, l’accès massif au calcul pourrait donner naissance à services on-chain sophistiqués, tout en posant des risques de centralisation.