Il se passe quelque chose d'intéressant dans les marchés de prévision que je pense qu'il vaut la peine de suivre.

En 2024, le volume total de négociation était d'environ 9 milliards de dollars US. Il a bondi à plus de 40 milliards de dollars en 2025 — une croissance de plus de 400 %. Il n'est pas exagéré de dire que cela devient une tendance irréversible. Polymarket et Kalshi dominent l'espace, mais la dynamique entre elles est intéressante : Kalshi a remporté des victoires juridiques concernant les contrats électoraux et s'est rapidement étendu aux marchés sportifs ; Polymarket a construit une architecture plus décentralisée et globale, « matching hors chaîne, règlement sur chaîne ».

Mais ce qui m'a vraiment attiré l'attention, c'est le potentiel des agents d'IA dans cet espace. Et voici le point crucial : il ne s'agit pas d'une IA « prévoir mieux » que les humains. Il s'agit de transformer des informations dispersées en opportunités d'exécution plus rapide et disciplinée. Les marchés de prévision, par nature, agrègent des informations via des transactions réelles — c'est une sorte d'externalité positive du système. Lorsqu'on dispose de cette structure, les agents peuvent exploiter les inefficacités beaucoup plus efficacement que des traders manuels.

L'architecture a du sens : couche d'information (nouvelles, données on-chain ), couche d'analyse (identifier les écarts de prix), couche de stratégie (calculer la position optimale), couche d'exécution (plusieurs marchés, optimisation du slippage). Le défi est que toutes les stratégies ne fonctionnent pas bien avec l'automatisation. L'arbitrage de liquidation — lorsque le résultat est déjà défini mais que le marché n'a pas encore prix — est pratiquement conçu pour les agents. L'arbitrage entre plateformes aussi. Mais la spéculation directionnelle ? Là, vous avez encore besoin d'un jugement humain.

En termes de gestion de position, la formule de Kelly est la théorie classique, mais en pratique, les traders professionnels utilisent quelque chose de plus simple : ils divisent le capital en unités fixes et ajustent le nombre d'unités selon leur confiance dans le signal. Cela réduit la complexité et laisse moins de place aux erreurs de modèle.

Dans le paysage actuel, nous avons des frameworks officiels (Polymarket a lancé son propre framework d'agents), des outils d'analyse comme Polyseer et Oddpool, et quelques agents autonomes comme Olas Predict et UnifAI Network. Mais honnêtement, nous n'avons pas encore vu de produit mature intégrant tout — génération de stratégie, exécution efficace, contrôle systématique du risque et un modèle d'affaires fermé. Olas Predict est probablement le plus avancé, mais encore limité par la liquidité d'Omen.

En termes de monétisation, je vois trois voies : infrastructure (données et outils B2B), abonnement à des stratégies (SaaS de signaux), et vaults gérés (plus réglementairement complexes). La voie la plus viable pour l’instant est celle du milieu — outils de signal sans garde-fous sur les fonds. Moins de friction réglementaire, revenus plus prévisibles.

Ce qui rend tout cela intéressant, c’est que les marchés de prévision évoluent d’un niche à quelque chose avec une externalité réelle dans le système financier — CME et Bloomberg intègrent des probabilités d’événements comme des données de marché. Lorsqu’on dispose d’une infrastructure, de liquidité et d’une clarté réglementaire (que les États-Unis commencent à offrir), les agents d’IA gagnent une place légitime pour opérer.

Nous sommes encore au début, mais l’espace bouge rapidement. Il vaut la peine de suivre non seulement les agents eux-mêmes, mais aussi les outils d’analyse et les stratégies qui fonctionnent le mieux. Si vous êtes sur Gate, vous avez accès à des données de plusieurs chaînes — cela pourrait être un bon point de départ pour explorer comment des agents pourraient fonctionner dans des marchés de prévision décentralisés.