Qu'est-ce qu'un AI component
Remarque : Ce document est une traduction automatique de la version originale anglaise.
Qu'est-ce qu'un AI component
Un AI component (composant d'IA) est la partie spécifique d'un projet où le vrai travail d'IA se déroule — analyse, génération, prédiction, classement ou prise de décision. Ce n'est ni une étiquette marketing ni une mention de marque. Dans les cartes projets DecAIHub, le champ AI component répond à une seule question : que fait exactement l'IA ici ?
En bref : un AI component est le mécanisme concret où des données entrent et où un résultat piloté par l'IA sort — pas un logo, un slogan ou une promesse de feuille de route.
Analogie pour débutants
Imaginez un projet comme un restaurant. Le cas d'usage est le menu — ce que le client voit et commande. L'AI component est la cuisine — l'équipement et la technique réels qui transforment les ingrédients bruts en plat. Un restaurant peut avoir un beau menu (cas d'usage) mais aucune cuisine fonctionnelle (AI component). Quand DecAIHub examine un projet, il entre dans la cuisine pour vérifier si le fourneau est réel, si quelqu'un cuisine et s'il existe de vraies recettes — pas seulement des photos de plats imprimées sur une enseigne à l'extérieur.
Ce que c'est
Un AI component est un module ou sous-système fonctionnel qui effectue un travail typiquement associé à l'intelligence artificielle ou au machine learning. Cela inclut :
- Moteurs d'inférence — exécuter un modèle entraîné pour produire des sorties (prédictions, classifications, texte ou images générés)
- Pipelines d'entraînement — mettre à jour les poids d'un modèle sur de nouvelles données
- Modèles analytiques — extraire des motifs, des scores ou des signaux à partir de données (analytique de marché, notation de risque, analyse de sentiment)
- Frameworks d'agents — orchestrer la prise de décision autonome, l'usage d'outils et le raisonnement multi-étapes
- Systèmes d'annotation de données — gérer l'annotation humaine ou automatisée pour construire des datasets
- Orchestration de calcul — distribuer des charges de travail d'IA sur des nœuds ou des GPU
La distinction clé : un projet a un AI component s'il contient un sous-système qui traite des données à l'aide de modèles, d'algorithmes ou de représentations apprises. Un projet manque d'AI component si « AI » n'apparaît que dans son nom, ses textes marketing ou ses plans futurs, sans aucune implémentation technique vérifiable.
Un AI component n'a pas besoin d'être construit sur mesure à partir de zéro. Un projet qui fine-tune un modèle open source, enveloppe une API d'inférence avec un pré- et post-traitement significatif, ou entraîne son propre classifieur sur des données propriétaires possède toujours un AI component — tant que la couche d'IA ajoute une fonction vérifiable au-delà d'un simple relais.
Le spectre : d'absent à pleinement vérifiable
Tous les AI components ne se valent pas. Ils existent sur un spectre de maturité et de vérifiabilité :
| Niveau | Description | À quoi s'attendre |
|---|---|---|
| Absent | Aucune IA trouvée dans le projet | Le champ ai_component indique none ou unknown |
| Positioning only | IA revendiquée dans le marketing mais aucune preuve technique | Le champ indique positioning only ; l'ai_score est 0 |
| Déclaré | L'IA est mentionnée dans les docs officielles ou la feuille de route, mais aucun artefact fonctionnel | AI_0 = 1, les autres indicateurs IA sont à 0 |
| Démontré | Une démo fonctionnelle, un prototype ou un pipeline documenté existe | AI_1 et AI_2 sont à 1 ; preuves partielles |
| Vérifié | Benchmarks, documentation technique, versions de modèles et résultats reproductibles disponibles | AI_3 et AI_4 sont à 1 ; solides preuves Tier-1 |
Ce spectre compte parce que « avoir de l'IA » n'est pas binaire en pratique. Un projet peut avoir un modèle entraîné mais pas de benchmarks, ou une démo fonctionnelle mais pas d'architecture publiée. Le champ AI component capture ce qui existe, pas ce qui pourrait exister à l'avenir.
Valeurs courantes d'AI component dans DecAIHub
Voici des valeurs réelles issues des cartes projets du registre :
AI agent platform (workflows/tools/KB)— infrastructure d'agents avec outils et base de connaissancesAI data labeling + model evaluation (human experts)— annotation avec un pipeline human-in-the-loopAI/ML crypto market analytics (app)— modèles de machine learning appliqués aux données de marchécompute orchestration— routage et planification de tâches de calcul d'IAAI trading signals— modèles générant des signaux de trading à partir de donnéesagentic framework (memory/actions/plugins)— un runtime d'agents avec mémoire et intégrations d'outilsAI summaries + crypto intelligence terminal— résumé basé sur le NLP et analyse de donnéesinference engine— un système dédié à l'exécution d'inférence de modèles
Chaque valeur décrit ce que l'IA fait réellement — pas ce que le projet promet de devenir. Ces valeurs sont tirées du registre normalisé des champs répétitifs pour garantir la cohérence entre les cartes projets. Lorsqu'un examinateur remplit le champ AI component, il choisit parmi les valeurs observées ou en ajoute une nouvelle qui capture précisément le mécanisme technique.
Où cela apparaît dans les cartes projets DecAIHub
Le champ AI component (ai_component) fait partie du tableau Project Passport. Il se trouve à côté du champ cas d'usage. Ensemble, ils séparent le mécanisme technique de la description du produit.
Si le champ indique positioning only, none ou unknown, cela signifie qu'aucune preuve d'un AI component fonctionnel n'a été confirmée à la date de vérification. Ce ne sont pas des technologies — ce sont des modes de lecture des preuves.
Le champ AI component est l'une des premières choses qu'un lecteur expérimenté vérifie. Il donne un signal immédiat : ce projet fait-il quelque chose avec l'IA, ou se contente-t-il de le dire ? Combiné au tableau des preuves et à la date de vérification, il dresse rapidement un portrait de la substance technique du projet.
Comment les AI components sont vérifiés
La vérification suit la hiérarchie de preuves Tier-1/2/3. Pour que l'AI component dépasse positioning only, les examinateurs cherchent :
- Artefacts Tier-1 — code source dans des dépôts publics, poids de modèles ou descriptions d'architecture, rapports de benchmarks avec méthodologie, documentation d'API montrant des endpoints d'inférence, articles techniques publiés par l'équipe.
- Contexte Tier-2 — revues tierces mentionnant le pipeline d'IA, intégrations d'écosystème dépendant de la sortie de l'IA, descriptions d'agrégateurs référençant une fonctionnalité d'IA spécifique.
- Signaux Tier-3 — affirmations marketing, mentions d'influenceurs, communiqués de presse sans détail technique. Ils sont notés mais n'augmentent pas le score IA à eux seuls.
La revue vérifie aussi les anti-patterns courants : un dépôt GitHub vide présenté comme « code d'IA », des benchmarks copiés d'un autre projet, ou un wrapper d'API présenté comme un modèle propriétaire. Ces signaux d'alerte maintiennent l'ai_score à 0 jusqu'à l'apparition de preuves vérifiables.
Ce qu'un AI component signifie pour DecAI Fit
L'AI component alimente directement l'axe AI reality du score DecAI Fit. Sans preuve Tier-1 d'un AI component fonctionnel, l'ai_score d'un projet est 0 — et son DecAI Fit global ne peut pas dépasser 0.
C'est la règle la plus stricte du système de notation : pas d'AI reality, pas de DecAI Fit au-dessus de 0. Même si un projet a une infrastructure on-chain solide et un token bien conçu, il ne peut pas dépasser zéro sans AI component vérifiable. Cela reflète la thèse centrale de DecAIHub — le registre évalue l'alignement avec la thèse de l'« IA décentralisée », et l'IA en est le point de départ non négociable.
Cela ne signifie pas que le projet est mauvais ou sans valeur. Cela signifie que les preuves n'étaient pas disponibles au moment de la revue. Lorsque des artefacts vérifiables (code, benchmarks, démos, documentation technique) apparaissent, la carte est mise à jour.
Ce que ce terme seul ne prouve pas
- Avoir un AI component ne prouve pas que le produit est utile, que le token est nécessaire ou que l'intégration on-chain est significative.
- Le champ AI component décrit uniquement le mécanisme. La qualité, la maturité et l'échelle sont évaluées séparément via le tableau des preuves et les indicateurs AI reality.
- Un projet peut avoir un AI component réel mais trivial — par exemple, un simple classifieur de sentiment appelant une API externe. Réel ne signifie pas significatif.
- Inversement, un projet doté d'un AI component sophistiqué peut néanmoins obtenir un score DecAI Fit bas si son intégration on-chain est superficielle ou si son token ne remplit aucune fonction.
Ne pas confondre avec
- Le cas d'usage décrit ce que l'utilisateur obtient du produit. L'AI component décrit ce que l'IA fait à l'intérieur. Voir AI component vs cas d'usage.
- La catégorie (par exemple
AI/Agents) classe le projet à un niveau supérieur. L'AI component est plus spécifique : la technologie effective. - L'automatisation n'est pas toujours de l'IA. De simples scripts à base de règles ou des flux si/alors ne sont pas des AI components. Voir Automatisation vs vrai composant d'IA.
- Le modèle d'IA désigne l'artefact entraîné (poids, architecture). L'AI component est plus large : il inclut le modèle plus le pipeline qui l'entoure (ingestion de données, prétraitement, service d'inférence, post-traitement).
- Le wrapper d'API — un projet qui ne fait que transférer des requêtes vers une API d'IA tierce (comme un LLM hébergé) sans ajouter de traitement significatif. Cela peut ou non se qualifier comme AI component selon le niveau d'intégration et la valeur ajoutée.
Questions fréquentes
Quelle est la différence entre un AI component et un cas d'usage ?
L'AI component est le mécanisme technique — ce que l'IA fait (par exemple exécuter de l'inférence, entraîner des modèles, noter des données). Le cas d'usage est le résultat produit — ce que l'utilisateur obtient (par exemple copilote DeFi, suivi de portefeuille, alertes de risque). Un projet peut avoir le même AI component mais des cas d'usage différents, ou le même cas d'usage propulsé par des AI components entièrement différents. Dans les cartes projets DecAIHub, ce sont des champs délibérément séparés pour que les lecteurs puissent évaluer la technologie et le produit indépendamment. Voir AI component vs cas d'usage pour une comparaison détaillée.
Un projet peut-il avoir de l'IA sans AI component ?
Non — dans la terminologie DecAIHub, si un projet a de l'IA, il a un AI component. La question est de savoir si ce composant est vérifiable. Un projet peut réellement utiliser l'IA en interne mais ne fournir aucune preuve publique : pas de code, pas de documentation, pas de benchmarks, pas de démos. Dans ce cas, le champ AI component indiquera unknown et l'ai_score restera à 0. Cela ne signifie pas que l'IA est absente — cela signifie que les preuves sont absentes. La carte est mise à jour lorsque des preuves apparaissent.
Que signifie « positioning only » ?
Cela signifie que le projet utilise un langage IA dans son marketing, son branding ou son positionnement — mais qu'aucune preuve Tier-1 ou Tier-2 d'un AI component fonctionnel n'a été trouvée. Le mot « AI » peut apparaître dans le nom du projet, le slogan du site web ou le pitch deck, mais il n'y a ni dépôt de code, ni documentation de modèle, ni démo, ni description technique de ce que l'IA fait réellement. « Positioning only » est une observation factuelle, pas un jugement. Certains projets dans cet état peuvent être en pré-lancement avec des AI components en développement ; d'autres n'en construiront peut-être jamais.
Un ai_score plus élevé signifie-t-il un meilleur projet ?
Non. L'ai_score mesure la vérifiabilité de l'AI component, pas la qualité du produit ni l'utilité de la technologie. Un projet avec ai_score = 3 a des preuves solides que son IA est réelle et documentée. Un projet avec ai_score = 1 a des preuves limitées. Aucun de ces scores ne dit si le produit résout un vrai problème, si les utilisateurs en ont besoin ou si le modèle de token a du sens. DecAI Fit combine quatre dimensions — AI reality, Onchain necessity, Token necessity et Evidence — pour donner une image plus complète.
Références externes
- Machine Learning Glossary — Google Developers — définitions de référence pour la terminologie ML et IA utilisée dans toute l'industrie.
- The promises and challenges of crypto + AI applications — Vitalik Buterin — un cadre de réflexion sur les domaines où l'IA et la blockchain se complètent véritablement.
- Stanford HAI — AI Index Report — données annuelles sur l'état de l'intelligence artificielle, incluant l'adoption, la recherche et les progrès techniques.
No comments to display
No comments to display