Comment savoir si un projet a vraiment de l'IA

Remarque : Ce document est une traduction automatique de la version originale anglaise.

Comment savoir si un projet a vraiment de l'IA

Vous examinez un projet crypto qui affirme utiliser l'IA. Le site web dit « AI-powered ». Le pitch deck mentionne des réseaux de neurones. Le nom du token contient « AI ». Mais comment savoir si un composant d'IA réel et fonctionnel existe derrière ces affirmations, ou si « AI » n'est qu'une étiquette marketing ?

C'est la question centrale à laquelle DecAIHub a été conçu pour répondre. La différence entre une IA authentique et l'AI-washing n'est pas visible en surface. Les équipes marketing savent que « AI » est l'un des mots-clés les plus puissants de la crypto, et de nombreux projets l'utilisent indépendamment de ce que la technologie fait réellement. L'innovation réelle côtoie les affirmations creuses, et sans méthode structurée, les distinguer exige des heures de recherche indépendante pour chaque projet. Ce guide vous donne une boîte à outils pratique, que vous soyez un débutant cherchant à éviter le battage médiatique ou un participant expérimenté ayant besoin d'un cadre de filtrage rapide.

En bref : vérifiez la spécificité du champ AI component, consultez l'ai_score pour un verdict quantifié, examinez le niveau de preuve, comparez les affirmations aux artefacts vérifiables, appliquez le test des cinq questions et surveillez les signaux d'alerte qui suggèrent de l'AI-washing.

Le test des cinq questions

Avant de plonger dans une revue complète de la carte, effectuez un diagnostic rapide. Chaque question cible une couche spécifique de la vérification de l'IA.

#	Question	Réponse solide	Réponse faible
1	Que fait exactement l'IA ?	Nomme le type de modèle, la tâche et le mécanisme	« Nous utilisons l'IA pour tout optimiser »
2	Où puis-je la voir fonctionner ?	Démo en direct, API publique, sorties enregistrées	« Bientôt disponible » ou bêta privée sans artefacts
3	Où sont le code ou le modèle ?	Dépôt public avec code d'entraînement/inférence, model card	Dépôt vide, fork d'un tutoriel, rien de public
4	Comment mesurez-vous la qualité ?	Benchmark nommé, dataset, version, date	« Meilleure précision du secteur » ou aucune métrique
5	Que se passe-t-il si on retire l'IA ?	« Le produit ne peut pas fonctionner sans elle »	« Il fonctionne toujours, juste moins intelligent »

Les questions 1-2 testent la spécificité et l'existence : le projet peut-il décrire et démontrer son IA ? Les questions 3-4 testent la vérifiabilité et la rigueur : un observateur externe peut-il inspecter les preuves ? La question 5 teste la centralité : l'IA est-elle architecturalement essentielle ou cosmétique ?

Un projet avec des réponses solides aux cinq questions a probablement un ai_score élevé. Trois réponses faibles ou plus justifient un examen approfondi.

Guide de vérification étape par étape

Étape 1 : vérifier le champ AI component

Le champ AI component du Project Passport décrit la technologie d'IA spécifique à l'intérieur du projet. C'est l'indicateur de substance le plus rapide.

Des valeurs concrètes comme inference engine for LLM routing ou AI agent platform (workflows/tools/KB) vous disent ce que l'IA fait réellement. Les valeurs spéciales signalent des lacunes : positioning only signifie que l'IA apparaît dans le marketing mais qu'aucun composant fonctionnel n'a été confirmé ; none ou unknown signifie qu'aucune IA n'a été détectée dans les sources disponibles. Ce ne sont pas des verdicts permanents ; ils reflètent les preuves disponibles au moment de la revue. Voir Pourquoi l'absence de preuve n'est pas l'absence de technologie.

Étape 2 : vérifier l'ai_score

L'ai_score (0-3) quantifie la quantité de preuves vérifiables existant pour les affirmations d'IA d'un projet. Il fait partie de la métrique DecAI Fit, calculée comme min(3, AI_0 + AI_1 + AI_2 + AI_3 + AI_4) — cinq indicateurs binaires plafonnés à 3.

ai_score	Signification
0	Aucune présence d'IA vérifiée. DecAI Fit est forcé à zéro.
1	Une déclaration d'intention Tier-1 existe, mais aucune IA fonctionnelle vérifiée.
2	Preuves partielles : l'IA est décrite et quelques artefacts ou démos existent.
3	Preuves solides : code public, benchmarks, docs d'architecture, démos fonctionnelles.

Si ai_score = 0, l'affirmation d'IA n'est actuellement pas étayée. Ce n'est pas une accusation contre le projet, mais aucune source Tier-1 ne confirme l'affirmation.

Étape 3 : chercher des preuves Tier-1

Les preuves Tier-1 sont constituées d'artefacts les plus proches de la réalité effective du projet :

Dépôts de code publics avec du code lié à l'IA : définitions de modèles, scripts d'entraînement, pipelines d'inférence, pas seulement un README.
Documentation technique décrivant l'architecture du modèle, le pipeline de données ou la conception du système avec versions et dates.
Artefacts de modèles tels que des poids publiés, des model cards ou des entrées sur Hugging Face.
Benchmarks avec méthodologie, points de comparaison, spécification du dataset et informations de version.
Démos fonctionnelles où le composant d'IA produit des sorties observables et testables.

Le Tier-2 (descriptions d'agrégateurs, interviews) fournit un contexte utile mais ne devrait pas être la seule base pour confirmer l'IA. Le Tier-3 (publications d'influenceurs, articles de PR, rumeurs) a un poids minimal.

Étape 4 : recouper les affirmations avec les artefacts

Comparez ce que le projet dit avec ce qui peut être vérifié de manière indépendante. Un projet revendiquant un « réseau de neurones propriétaire pour la prédiction en temps réel » devrait avoir du code, de la documentation ou au moins une démo démontrant cette capacité. Lorsque le langage marketing est ambitieux mais que les artefacts vérifiables sont maigres, l'écart lui-même est un signal.

Signaux d'alerte courants

Certains schémas suggèrent que les affirmations d'IA pourraient ne pas être réelles. Aucun d'entre eux n'est en soi une accusation contre le projet, mais chacun justifie une enquête plus approfondie.

IA uniquement marketing. « AI » dans le nom et le pitch deck, mais aucune architecture, nom de modèle ou pipeline de données décrit nulle part. C'est la forme la plus courante d'AI-washing.
Dépôt vide ou sans rapport. Un lien GitHub existe mais ne contient aucun code lié à l'IA, aucune release, ou du code sans rapport avec le composant revendiqué.
Métriques sans méthodologie. Des affirmations comme « 99 % de précision » sans préciser le benchmark, le dataset, la méthode d'évaluation ou la version.
Pur wrapper d'API. Toute l'« IA » est un appel à une API tierce, sans logique propriétaire, fine-tuning ou traitement spécifique au domaine par-dessus.
Branding IA post-lancement. « AI » a été ajouté au nom du projet après le lancement du token, sans changements techniques correspondants.
Pas de versionnage ni de chronologie. Les affirmations liées à l'IA manquent de dates, de numéros de version ou d'un historique de développement traçable.
Preuves circulaires. Le projet cite ses propres supports marketing comme preuve, ou référence des articles qui ne font que répéter son communiqué de presse.
Feuille de route perpétuelle. Les fonctionnalités d'IA sont toujours « bientôt disponibles », sans jalons livrés ni artefacts publics malgré des mois d'existence.
Complexité incohérente. Le projet revendique des capacités avancées (inférence vérifiable, apprentissage fédéré) mais l'équipe et la base de code ne correspondent pas à cette complexité.

Signaux positifs courants

Les projets d'IA authentiques partagent des caractéristiques reconnaissables. Plus un projet en démontre, plus ses affirmations d'IA ont des chances d'être substantielles.

Affirmations spécifiques et testables. Le projet nomme l'architecture du modèle, l'approche d'entraînement et les sources de données avec suffisamment de détails pour qu'un examinateur technique puisse les évaluer.
Code actif et pertinent. Un dépôt public avec du code d'entraînement ou d'inférence de modèles, un historique de commits significatif, des tests et une activité récente.
Métriques reproductibles. Les résultats de performance incluent le nom du benchmark, le dataset, la méthodologie, la version et la date.
Documentation d'architecture. Les docs techniques incluent la conception du système, le flux de données et une paternité versionnée qui évolue dans le temps.
Démos fonctionnelles et testables. Une application en direct ou une API publique produisant des sorties d'IA que n'importe qui peut tester indépendamment.
Équipe avec des antécédents IA/ML vérifiables. Articles publiés, contributions open source ou historique professionnel vérifiable.
Model cards ou fiches de données. Le projet suit les pratiques établies de documentation des modèles : usage prévu, limitations, données d'entraînement, résultats d'évaluation.

Schémas du monde réel

Pour développer votre intuition, considérez ces archétypes contrastés. Aucun projet spécifique n'est nommé ; le but est de reconnaître des différences structurelles.

Schéma A : IA authentique avec preuves solides. Dépôt actif avec code d'entraînement de modèles, scripts d'évaluation et pipeline d'inférence documenté. Benchmarks publiés avec méthodologie. Démo en direct produisant des sorties d'IA observables. L'ai_score est de 3.

Schéma B : IA en phase précoce avec preuves partielles. Les docs officielles décrivent ce que l'IA fera, avec une feuille de route incluant des jalons IA. Un prototype existe mais n'est pas accessible publiquement. Pas encore de benchmarks. L'ai_score est de 1-2. Ce n'est pas de l'AI-washing ; c'est un projet en phase précoce où les preuves ne se sont pas encore matérialisées.

Schéma C : AI-washing sans substance. « AI » bien en évidence dans le branding. Le pitch deck mentionne des « réseaux de neurones propriétaires ». Aucune documentation technique au-delà du marketing. Pas de dépôt, de démos, de benchmarks ni d'artefacts de modèles. L'ai_score est de 0.

Schéma D : wrapper d'API présenté comme IA propriétaire. Le composant d'IA consiste entièrement en appels à un fournisseur tiers. Pas de fine-tuning, pas de pipeline sur mesure, pas de traitement spécifique au domaine. Ce n'est pas une accusation contre le projet, mais appeler cela « IA propriétaire » déforme la réalité technique. Voir Automatisation vs vrai composant d'IA.

Comment DecAIHub résout ce problème

DecAIHub existe parce que répondre à « cette IA est-elle réelle ? » ne devrait pas exiger des heures de recherche indépendante pour chaque projet. La plateforme utilise un cadre structuré pour séparer l'IA réelle de l'AI-washing.

DecAI Fit

DecAI Fit est un indice composite (0-6) mesurant dans quelle mesure un projet s'aligne sur les principes de l'IA décentralisée. Il combine quatre dimensions : AI reality, Onchain necessity, Token necessity et Evidence (preuves).

La règle critique : si ai_score = 0, alors DecAI Fit = 0 indépendamment des autres dimensions. Sans IA vérifiée, le projet n'atteint pas le seuil de classification en IA décentralisée. Cette seule règle élimine du système de notation la forme la plus courante d'AI-washing.

Indicateurs AI reality (AI_0 à AI_4)

L'AI reality est construite à partir de cinq indicateurs binaires, chacun capturant une couche de vérification progressivement plus profonde :

Indicateur	Ce qu'il vérifie	Exemple de preuve
AI_0	Déclaration Tier-1 d'intention d'IA	Feuille de route ou docs officielles mentionnant des projets d'IA
AI_1	Description de ce que fait l'IA	Docs techniques expliquant la fonction du modèle
AI_2	Démos ou exemples fonctionnels	Démo publique, API en direct, sorties enregistrées
AI_3	Métriques et benchmarks	Score F1 publié sur un dataset nommé avec version
AI_4	Architecture et versions de modèles	Diagrammes d'architecture, model cards, historique de versions

Les cinq indicateurs à 1 signifient des preuves solides et multicouches d'une IA réelle. Seul AI_0 = 1 signifie une intention déclarée sans rien de vérifiable pour l'instant.

Système de preuves Tier-1, Tier-2, Tier-3

Chaque affirmation d'une carte projet est fondée sur des sources classifiées :

Tier-1 (preuves) : code, contrats, documentation officielle, audits, faits on-chain. Poids maximal.
Tier-2 (contexte) : descriptions d'agrégateurs, catalogues d'écosystèmes, tableaux de bord analytiques, interviews. Utile pour recouper, insuffisant comme preuve unique.
Tier-3 (bruit) : publications d'influenceurs, articles de PR, rumeurs, affirmations sans source. Si seules des sources Tier-3 existent, DecAI Fit est plafonné à 2.

Cette hiérarchie garantit que les supports marketing seuls ne peuvent pas élever l'évaluation d'un projet.

Détection de l'AI-washing

DecAIHub n'attribue pas d'étiquettes accusatrices ni disculpantes aux projets. Il mesure plutôt l'écart entre les affirmations et les preuves. Lorsque les affirmations marketing dépassent significativement les artefacts vérifiables, cet écart devient visible dans la carte : un cas d'usage IA audacieux associé à positioning only ou ai_score = 0 est un signal mesurable et objectif. Le lecteur tire ses propres conclusions.

Check-list de vérification rapide

Vérification	Où regarder	À quoi s'attendre
Spécificité de l'AI component	Champ AI component	Mécanisme concret, pas de buzzwords
Score IA	ai_score dans DecAI Fit	Supérieur à 0 pour toute IA vérifiée
Niveau de preuve	Tableau des preuves	Artefacts Tier-1 pour les affirmations fortes
Existence de code	Dépôts liés	Code lié à l'IA avec historique de commits
Qualité des métriques	Documentation, benchmarks	Méthodologie, dataset, version, date
Disponibilité d'une démo	Liens produit, API publiques	Sorties d'IA observables
Expertise IA de l'équipe	Section équipe, articles publiés	Antécédents ML/IA vérifiables
Versionnage	Documentation, changelog	Dates, numéros de version, historique

Ce que la vérification seule ne prouve pas

Même une vérification approfondie a des limites :

Un ai_score élevé ne signifie pas que l'IA est bonne. Il signifie que des artefacts vérifiables existent. La qualité est une question distincte.
Un ai_score élevé ne signifie pas que le projet réussira. Le mérite technologique et la viabilité sont des dimensions différentes.
Un ai_score bas n'est pas une accusation contre le projet. Certains projets ont une technologie réelle mais une documentation médiocre ou un modèle de développement fermé.
La vérification reflète un instant donné. Les évaluations sont datées (Last verified) et mises à jour lorsque de nouvelles preuves apparaissent.
La vérification de l'IA n'évalue pas le modèle économique, la qualité de l'équipe ni l'adéquation au marché. Ces éléments sont pertinents mais hors du périmètre de l'évaluation de l'AI reality.

Questions fréquentes

En combien de temps puis-je vérifier si un projet crypto a une IA réelle ?

Une vérification de base prend moins de cinq minutes avec la carte projet sur DecAIHub. Regardez le champ AI component, l'ai_score et le niveau de preuve. Si l'AI component indique positioning only et ai_score = 0, vous avez déjà un signal fort. Une vérification plus approfondie avec le test des cinq questions et l'examen du dépôt prend 15 à 30 minutes.

Que faire si un projet a du code d'IA sur GitHub mais pas de produit fonctionnel ?

Le code est un signal positif, mais il a besoin de contexte. Est-il activement maintenu ? Est-il lié au produit revendiqué ? Un dépôt avec des scripts d'entraînement non mis à jour depuis deux ans, ou qui semble sans rapport avec la fonctionnalité déclarée du projet, constitue une preuve plus faible qu'une base de code active et bien documentée avec CI/CD et des commits récents.

Une démo prouve-t-elle que l'IA est réelle ?

Une démo est une preuve solide (elle active l'indicateur AI_2), mais pas définitive. Elle pourrait utiliser une API tierce en coulisses ou présenter un prototype étroit. La vérification la plus solide combine une démo avec du code, de la documentation et des métriques : plusieurs couches indépendantes racontant une histoire cohérente.

Un projet peut-il obtenir un bon score DecAI Fit sans code open source ?

Oui. Le code open source est la preuve Tier-1 la plus forte, mais pas la seule. Un projet peut atteindre un ai_score significatif grâce à une documentation technique détaillée, des benchmarks publiés, des démos fonctionnelles et des artefacts de modèles. Cependant, sans aucune preuve Tier-1, les plafonds de gouvernance limitent le score maximal.

Quelle est la forme d'AI-washing la plus courante en crypto ?

Le schéma le plus courant est l'IA uniquement marketing : « AI » dans le nom et les supports, mais aucune description technique, code, démo ni métrique. Le deuxième plus courant est le wrapper d'API : appeler un fournisseur d'IA tiers et présenter cela comme une technologie propriétaire, sans fine-tuning ni logique spécifique au domaine.

Est-il possible qu'un projet ait une IA réelle mais un DecAI Fit bas ?

Oui. DecAI Fit mesure les preuves vérifiables, pas l'état réel de la technologie derrière des portes closes. Un projet doté d'une IA sophistiquée qui ne publie rien recevra un score bas parce qu'il n'y a rien à vérifier. DecAI Fit récompense la transparence par conception. Lorsqu'un tel projet publie ultérieurement des artefacts, le score est mis à jour.

Voir aussi

Références externes

Stanford HAI — Artificial Intelligence Index Report — données annuelles sur l'état de la recherche en IA et son adoption par l'industrie.
OECD AI Policy Observatory — cadres et définitions internationaux de gouvernance de l'IA.
MIT Technology Review — AI topic — couverture accessible des avancées et tendances de l'IA.
Hugging Face — Model Cards — standard de documentation pour publier des informations sur les modèles et les résultats d'évaluation.
Papers With Code — benchmarks, datasets et résultats à l'état de l'art à travers les tâches d'IA.