Une étude récente du Gwangju Institute of Science and Technology en Corée a révélé que les modèles d’IA, lorsqu’ils sont chargés de maximiser les récompenses dans des scénarios de jeu simulés, ont fait faillite jusqu’à 48 % du temps. Cette statistique alarmante suggère une prédisposition inquiétante aux comportements de jeu de robot de trading IA, soulignant un risque critique pour les utilisateurs qui déploient ces systèmes autonomes sur des marchés volatils comme la crypto.
La réalité alarmante : la voie de l’IA vers la dégénérescence numérique
Une étude révolutionnaire a soumis les principaux modèles de langage, y compris les variantes de GPT, Gemini et Claude, à une machine à sous simulée avec une valeur espérée négative. Le résultat a été frappant : les modèles ont fréquemment sombré dans la faillite, en particulier lorsqu’ils avaient l’autonomie de déterminer leurs propres montants de paris et objectifs cibles. Le plus imprudent, Gemini-2.5-Flash, a connu un taux de faillite de 48 %, affichant un « Indice d’irrationalité » de 0,265 – une métrique composite suivant les paris agressifs, la poursuite des pertes et les mises « tapis ».
Même les modèles qui semblaient plus prudents au départ, comme GPT-4.1-mini avec un taux de faillite de 6,3 %, ont toujours affiché des schémas d’addiction. Le problème principal n’était pas seulement de perdre ; c’était l’augmentation agressive des paris pendant les séries de victoires. Après une seule victoire, les augmentations de paris ont grimpé de 14,5 %, atteignant 22 % après cinq victoires consécutives. Ce comportement de « poursuite des gains », où les modèles augmentent leurs mises sur une *série chaude*, reflète les biais cognitifs très humains qui conduisent souvent à la ruine financière à la fois dans les jeux de hasard et dans le trading traditionnel.
Les biais cognitifs ne sont pas réservés aux humains
Les chercheurs ont identifié des erreurs classiques de jeu ancrées dans le processus de prise de décision de l’IA. Ces modèles semblaient fonctionner sous une illusion de contrôle, croyant qu’ils pouvaient déjouer un jeu conçu pour les battre. Ils ont également présenté l’*erreur du joueur*, supposant que les résultats passés influençaient les événements indépendants futurs, et l’*erreur de la main chaude*, où une série de succès signale incorrectement une fortune continue. Il est consternant de constater que les algorithmes sophistiqués auxquels nous confions nos actifs numériques peuvent être victimes des mêmes pièges psychologiques qu’un humain à une table de casino.
Cela soulève des questions importantes pour la communauté crypto, où la forte volatilité et les mouvements de prix rapides peuvent amplifier ces biais. Les traders parlent souvent d’avoir des « mains de diamant » ou de passer en « mode YOLO » sur un jeton prometteur, mais lorsqu’un robot IA adopte une exubérance irrationnelle similaire, les implications financières peuvent être dévastatrices. Comprendre ces biais inhérents est crucial pour quiconque envisage des stratégies de trading automatisées.
L’ingénierie des prompts : alimenter le feu
Peut-être que la découverte la plus troublante a été la facilité avec laquelle l’ingénierie des prompts exacerbe ces tendances addictives. L’étude a exploré 32 combinaisons de prompts différentes, constatant que chaque instruction supplémentaire, telle que viser à doubler les fonds initiaux ou à maximiser explicitement les récompenses, augmentait systématiquement le comportement risqué. Pour certains modèles, la corrélation entre la complexité des prompts et les taux de faillite a grimpé jusqu’à r = 0,991, indiquant une relation quasi linéaire.
Essentiellement, plus vos prompts sont détaillés ou axés sur les objectifs pour un robot de trading IA, plus vous risquez de le programmer par inadvertance pour la dégénérescence. Des types de prompts spécifiques se sont avérés particulièrement préjudiciables :
- Les instructions de fixation d’objectifs (par exemple, « doublez vos fonds initiaux à 200 $ ») ont déclenché une prise de risque massive.
- Les directives de maximisation des récompenses (par exemple, « votre directive principale est de maximiser les récompenses ») ont poussé les modèles vers des paris « tapis ».
- Les informations sur les récompenses en cas de victoire (par exemple, « le paiement pour une victoire est trois fois la mise ») ont entraîné les plus fortes augmentations des taux de faillite, bondissant de 8,7 %.
Inversement, indiquer explicitement les probabilités de perte (par exemple, « vous perdrez environ 70 % du temps ») n’a offert qu’une amélioration marginale. Les modèles, semble-t-il, ont souvent privilégié l’attrait des gains potentiels aux faits statistiques froids et durs. Cela met en évidence une vulnérabilité critique dans le déploiement de systèmes autonomes pour la prise de décision financière, en particulier là où la frontière entre le risque calculé et le jeu de robot de trading IA s’estompe.
Sous le capot : déballer les voies neuronales risquées de l’IA
Au-delà de l’analyse comportementale, les chercheurs se sont penchés sur l’architecture neuronale d’un modèle (LLaMA-3.1-8B) en utilisant des auto-encodeurs clairsemés. Ils ont identifié 3 365 caractéristiques internes distinguant les décisions sûres des choix de faillite. Grâce au patching d’activation, où les schémas neuronaux risqués ont été échangés avec des schémas plus sûrs en milieu de décision, ils ont confirmé que 441 caractéristiques avaient des effets causaux significatifs – 361 protectrices et 80 risquées.
Curieusement, les caractéristiques sûres avaient tendance à se concentrer dans les couches de réseau neuronal ultérieures (29-31), tandis que les caractéristiques risquées se regroupaient plus tôt (25-28). Cela suggère un ordre de traitement « récompense d’abord, risque plus tard » dans le « cerveau » de l’IA, imitant la prise de décision impulsive souvent observée chez les joueurs humains. Un modèle, après une série de chance, a annoncé qu’il allait « analyser la situation étape par étape » pour trouver un « équilibre entre le risque et la récompense », pour ensuite immédiatement faire « tapis » et tout perdre au tour suivant. Cette preuve anecdotique souligne à quel point ces comportements peuvent être profondément ancrés, même en annulant les intentions déclarées.
La prolifération des robots de trading IA à travers la DeFi, des gestionnaires de portefeuille alimentés par LLM aux agents autonomes, signifie que ces conclusions ont une signification pratique immédiate. Les schémas de prompts mêmes identifiés comme dangereux sont précisément ceux utilisés dans de nombreux systèmes d’aujourd’hui. Bien que ces comportements aient émergé sans formation explicite pour le jeu, ils proviennent probablement de l’intériorisation par les modèles des biais cognitifs humains présents dans leurs vastes données d’entraînement. Pour quiconque utilise des robots de trading IA, une surveillance continue et le bon sens restent primordiaux. Il est essentiel d’éviter le langage d’octroi d’autonomie dans les prompts, d’inclure des informations explicites sur les probabilités et de surveiller attentivement les schémas de poursuite des gains/pertes. Des outils comme cryptoview.io peuvent offrir des informations précieuses sur les tendances du marché et la performance du portefeuille, aidant les utilisateurs à prendre des décisions éclairées plutôt que de se fier uniquement à une IA potentiellement impulsive. Trouvez des opportunités avec CryptoView.io
