Date de publication : 23 juillet 2026 · Bitbase Research
Pour les recherches Bitbase Research connexes sur ce sujet, voir Infrastructure d'IA décentralisée.
Résumé exécutif
La « crypto-IA » est le secteur le plus intensément narré du marché et l'un des moins disciplinés dans sa valorisation. En avril 2026, un filtre sectoriel très utilisé comptait environ 919 projets suivis pour une capitalisation combinée proche de 22,6 milliards de dollars, tandis que, selon des filtres plus larges, les vingt plus grands jetons IA totalisaient à eux seuls de 40 à 60 milliards de dollars — le même secteur, mesuré de deux façons, avec un écart de près du triple [1][21]. Ce désaccord sur la taille même du secteur expose déjà à lui seul notre première thèse. L'expression « jeton IA » décrit une catégorie marketing, pas une classe d'actifs : un réseau décentralisé de location de GPU, une place de marché d'inférence, un agent autonome on-chain et un protocole d'étiquetage de données n'ont presque rien en commun dans la façon dont ils gagnent de l'argent, dans la façon dont la valeur atteint le jeton, ni dans ce à quoi ressemble un multiple juste. Les traiter comme un seul panier est la première et la plus coûteuse des erreurs d'analyse, et c'est précisément celle que le narratif encourage activement.
Ce rapport remplace le narratif par une discipline, en trois mouvements. D'abord, il découpe le secteur en quatre sous-secteurs — calcul, inférence, agents et données — chacun doté d'un moteur de revenus distinct et donc d'un ancrage de valorisation distinct [1][21]. Ensuite, il exige que le prix soit rattaché à l'usage et non à l'histoire, et fonde cette exigence sur le plus ancien outil quantitatif disponible pour valoriser un jeton, l'équation monétaire des échanges MV = PQ, dont la leçon centrale — c'est la vélocité du jeton, et non l'adoption affichée, qui fixe la valeur qu'un réseau d'une taille donnée peut supporter — explique pourquoi tant de jetons IA « très utilisés » baissent malgré tout [9][10][11]. Enfin, parce que les jetons IA sont massivement subventionnés par l'émission, il ajoute un score de soutenabilité des incitations qui sépare le revenu qu'un réseau gagne réellement de l'offre qu'il se contente d'imprimer, exactement la distinction que le secteur du calcul DePIN a apprise à ses dépens en 2026 en passant du minage de jetons au flux de trésorerie réel [4][26].
L'enjeu est concret car, pour la première fois, plusieurs de ces réseaux disposent de chiffres réels à valoriser. Les estimations publiées du revenu du calcul décentralisé divergent par différence de périmètre plutôt que par arrondi : environ 180–220 millions de dollars annualisés selon les mesures les plus étroites du revenu au niveau du protocole, face aux quelque 38 millions de dollars que Render à lui seul a déclarés pour janvier 2026 — soit un rythme annualisé d'environ 450 millions de dollars — sur une base de facturation brute du réseau répartie sur quelque 5 600 nœuds GPU actifs, tandis que l'usage d'Akash a progressé de 428 % sur un an avec un taux d'utilisation des GPU supérieur à 80 % [4][5][6]. La mesure qui entre dans le multiple relève d'un choix de modélisation que l'analyste doit expliciter, car les deux chiffres diffèrent d'un facteur supérieur à deux. La mise à niveau de Bittensor vers le TAO dynamique a rendu les émissions pilotées par le marché et a fait naître plus de 120 sous-réseaux contre 32 un an plus tôt, et le réseau a enregistré près de 43 millions de dollars de revenu réel de services IA au premier trimestre (T1) 2026 [3]. Ce sont là les entrées dont un multiple d'usage a besoin. Dans le même temps, le sous-secteur des agents — Virtuals, ai16z, AIXBT et leurs pairs — s'échange de 55 à 85 % sous ses sommets pour un revenu récurrent quasi inexistant, rappel que le rôle du cadre est de classer, pas de flatter [17]. Tout ce qui suit relève de l'analyse éducative, pas du conseil en investissement.
Partie 1 · Pourquoi « jeton IA » est une erreur de catégorie
La précision sur ce qu'un jeton est précède toute estimation de ce qu'il vaut, et l'étiquette IA obscurcit cela plutôt qu'elle ne le révèle. Les quatre choses que le marché range sous « crypto-IA » sont quatre métiers différents. Un réseau de calcul comme Render ou Akash loue des cycles GPU : son revenu est une redevance d'usage sur une matière première dotée d'un prix de marché observable, et son analogue le plus proche est une entreprise d'infrastructure cloud [5][6][7]. Un réseau d'inférence ou de modèles comme Bittensor rémunère les participants pour produire des sorties d'intelligence machine et facture leur consommation : son revenu est une commission de place de marché sur l'intelligence servie, plus proche d'une activité d'API [3]. Un jeton d'agent comme Virtuals ou ai16z représente un programme autonome qui transacte on-chain : son « revenu », lorsqu'il en existe un, provient des frais ou de la performance de l'activité propre de l'agent, et son analogue tient davantage du fonds d'investissement ou du logiciel que de l'infrastructure [17]. Un protocole de données comme The Graph ou Grass vend des données indexées ou collectées au pipeline IA : son revenu est une redevance de requête ou d'accès aux données [1][21].
Ce ne sont pas des nuances d'une même chose. Ils diffèrent par ce qu'ils vendent, par qui paie, par la défendabilité de la marge et — c'est décisif — par le fait que le jeton ait ou non le moindre droit sur cet argent. Les rabattre sur un unique multiple « IA », c'est ainsi qu'un protocole d'indexation de données encaissant de vraies redevances de requête finit par s'échanger avec la même prime narrative qu'un jeton d'agent doté d'une audience sur Twitter et d'aucun flux de trésorerie. La corrélation célébrée du secteur — presque chaque jeton du groupe s'échange, à la mi-2026, de 55 à 85 % sous son plus haut historique, quels que soient les fondamentaux — est elle-même la preuve que le marché a valorisé le narratif comme un facteur unique au lieu de valoriser quatre métiers différents selon leurs quatre mérites différents [17]. Le premier geste de l'analyste consiste à défaire le panier.
Partie 2 · Une taxonomie sectorielle : calcul, inférence, agents, données
La taxonomie est la colonne vertébrale du cadre, car elle assigne à chaque jeton la bonne question de valorisation avant qu'aucun chiffre ne soit calculé.
Le calcul est le plus mature et le plus mesurable. Les réseaux GPU décentralisés louent de la capacité de rendu et d'entraînement IA, et ils emportent des clients pour une raison simple et durable : ils cassent les prix des hyperscalers de 60 à 90 % sur des tarifs à la demande comparables, le prix d'inférence de Render ayant été mesuré de façon indépendante à environ 70 % sous un calcul Azure Machine Learning comparable [7]. La demande est réelle et visible on-chain — les quelque 38 millions de dollars de revenu mensuel de Render en janvier 2026, ses 5 600 nœuds actifs et ses plus de 67 millions d'images cumulées rendues ; la croissance d'usage de 428 % sur un an d'Akash et son taux d'utilisation supérieur à 80 % — et elle suit une véritable pénurie macroéconomique, puisque la demande de calcul IA dépasse l'offre, ouvrant exactement l'écart que ces réseaux comblent [4][5][6][8]. Le calcul est le domaine où les multiples d'usage sont les plus fiables, parce que le revenu est une redevance sur une matière première dotée d'un prix externe.
Les réseaux d'inférence et de modèles ouverts se situent une couche plus haut dans la pile. Bittensor est le cas de référence : sa refonte du TAO dynamique (dTAO) en 2025 a rendu les émissions des sous-réseaux pilotées par le marché et introduit des jetons de sous-réseau, et l'écosystème est passé de 32 à plus de 120 sous-réseaux actifs, franchissant 1,5 milliard de dollars de capitalisation cumulée des sous-réseaux et générant environ 43 millions de dollars de revenu réel de services IA au T1 2026 [3]. La question de valorisation est ici un taux de commission de place de marché sur l'intelligence servie, compliqué par une structure de jetons à deux niveaux (TAO plus jetons de sous-réseau) que l'analyste doit consolider plutôt que compter deux fois.
Les agents sont les plus récents et les moins ancrés. Virtuals permet aux utilisateurs de lancer des agents autonomes, ai16z gère une DAO pilotée par IA et AIXBT produit des signaux de trading — véritablement inédits, mais avec un revenu mince, non récurrent ou absent, et les chutes de 55 à 85 % du groupe depuis ses sommets reflètent exactement cela [17]. Les agents sont le terrain où la prime narrative est la plus forte et où le cadre doit être le plus sceptique, car « l'agent pourrait un jour encaisser des frais » est une affirmation d'espérance actualisée, pas un fait d'usage.
Les protocoles de données alimentent le pipeline dont dépendent les trois autres. The Graph indexe les données de blockchain pour les applications ; Grass collecte et achemine les données du web pour l'entraînement IA [1][21]. Leur revenu est une redevance de requête ou d'accès, et leur question de valeur ressemble à celle d'une activité d'infrastructure de données avec une API facturée à l'usage. Les quatre sous-secteurs, côte à côte, démontrent ce que l'étiquette dissimule : un même narratif, quatre moteurs de revenus, quatre multiples.
Partie 3 · Le problème de la valorisation : équation des échanges et piège de la vélocité
Une fois les jetons triés, la question est de savoir comment en valoriser un, et la crypto-IA hérite ici de tout le problème non résolu de la valorisation des jetons. Les actions disposent d'un siècle de théorie des flux de trésorerie actualisés et des multiples ; la plupart des jetons n'accordent même pas de droit sur les flux qu'ils contribuent à générer. Le plus ancien outil sérieux est l'équation monétaire des échanges, MV = PQ, importée de la théorie quantitative de Fisher et adaptée à la crypto par le modèle INET de Chris Burniske : réarrangée, M = PQ / V, où la valeur de marché qu'un réseau peut supporter (M) égale la taille de l'économie transitant par le jeton (PQ) divisée par la vélocité du jeton (V) [9][12]. Le modèle scinde la valeur en une composante d'utilité courante (CUV), qui reflète l'usage présent, et une composante d'utilité espérée actualisée (DEUV), qui reflète le pari du marché sur l'usage futur [9]. Les travaux empiriques ont depuis cherché à ajuster cette identité aux données on-chain plutôt qu'à en postuler les entrées, la faisant passer de l'expérience de pensée à quelque chose de testable [10].
L'identité porte une leçon qui domine l'analyse des jetons IA : la vélocité est le destructeur silencieux de valeur. Si un jeton n'est utilisé que comme moyen d'échange — gagné par un fournisseur de GPU puis immédiatement vendu contre des dollars — sa vélocité est élevée, et une V élevée fait s'effondrer la M que le même PQ peut supporter [11]. C'est pourquoi « notre réseau a traité X d'usage » n'est pas, en soi, un fait haussier : si chaque unité d'usage traverse le jeton à grande vélocité puis en sort, la valeur de marché soutenable n'est qu'une fraction du flux. Les jetons qui conservent de la valeur sont ceux qui donnent à leurs détenteurs une raison de ne pas vendre — staking, droits sur les frais, gouvernance qui a des dents ou véritable rareté face à la demande —, ce qui abaisse V et relève la M qu'un PQ donné supporte. Le plafond fixe de 21 millions de Bittensor et sa conception centrée sur le staking sont, en termes d'équation des échanges, un mécanisme de suppression de la vélocité ; un jeton d'agent sans staking et à usage purement transactionnel en est un maximisateur [3][11]. Le cadre traite la vélocité comme une entrée de premier ordre, pas comme une réflexion après coup.
Partie 4 · Les multiples d'usage : le bon numérateur pour le bon sous-secteur
La vélocité étant respectée, l'outil pratique est un multiple d'usage — l'équivalent crypto du ratio cours/ventes — mais la discipline du cadre veut que le dénominateur corresponde au sous-secteur. Le ratio cours/ventes, valeur de marché rapportée au revenu de frais annualisé, est déjà le multiple standard du secteur pour les protocoles qui encaissent des frais, la manière dont on compare Ethereum et les grandes places DeFi, et il révèle à quel point le narratif peut coûter cher : la valorisation d'environ 5,4 milliards de dollars d'Uniswap face à quelque 26 millions de dollars de frais de protocole annualisés implique un multiple de revenu proche de 207×, un chiffre de tech à forte croissance pour une plateforme d'échange mature [13]. Voilà l'étalon, et chaque sous-secteur IA a besoin de sa propre version.
Pour le calcul, le bon dénominateur est le revenu de calcul du réseau — les frais réels payés pour du temps GPU — parce qu'il s'agit d'une redevance sur une matière première dotée d'un prix externe. Un multiple cours sur revenu de calcul est défendable et comparable au cloud, mais seulement là où le numérateur et le dénominateur retiennent la même définition du revenu : les quelque 38 millions de dollars mensuels de Render en facturation brute du réseau (soit environ 450 millions de dollars en rythme annualisé) et les 180–220 millions de dollars de revenu au niveau du protocole pour l'ensemble du secteur ne sont pas des entrées interchangeables, et substituer l'une à l'autre déplace le multiple de plus de la moitié [4][5]. Pour l'inférence, le dénominateur est le revenu de place de marché tiré de l'intelligence servie — les quelque 43 millions de dollars de revenu réel de Bittensor au T1 — mais consolidé entre TAO et jetons de sous-réseau afin que la même activité ne soit pas comptée deux fois [3]. Pour les agents, le dénominateur honnête est le plus souvent un revenu récurrent proche de zéro, ce qui est précisément le constat : un multiple d'usage sur un jeton d'agent est souvent indéfini ou absurde, et le cadre devrait le dire plutôt que d'inventer un chiffre fondé sur une histoire [17]. Pour les données, le dénominateur est constitué des redevances de requête ou d'accès aux données, un chiffre d'API facturée à l'usage [1][21]. L'erreur la plus fréquente dans la valorisation des jetons IA consiste à emprunter un multiple de type calcul — ancré dans un revenu réel au prix externe — et à l'appliquer à un jeton d'agent dont le « revenu » est spéculatif, ce qui fabrique une fausse équivalence entre une activité cloud et un narratif.
Partie 5 · Le score de soutenabilité des incitations : demande réelle contre subvention par émission
Un multiple d'usage peut encore tromper, car une grande partie de ce qui ressemble à de la demande en crypto-IA est de la subvention : les réseaux paient les fournisseurs en jetons fraîchement émis pour amorcer l'offre, et cette émission peut se faire passer pour de la traction. Le secteur du calcul DePIN a passé 2026 à affronter exactement cela, dans un « pivot vers le revenu » largement documenté qui l'a mené d'une croissance subventionnée par les jetons à un vrai flux de trésorerie d'entreprise — Akash, io.net et Aethir travaillant explicitement à remplacer le minage de jetons par des clients payants [4][26]. Le second instrument du cadre, le score de soutenabilité des incitations, est bâti pour voir à travers la subvention en demandant, pour chaque réseau, quelle part de l'émission du jeton est couverte par un revenu externe réel et quelle part ne fait que gonfler l'offre pour payer son propre usage.
La mécanique compte parce qu'elle rejoint la captation de valeur, le problème le plus profond de tout l'exercice. Même un réseau doté d'un revenu réel peut n'en transmettre aucune part au jeton : les détenteurs n'ont souvent aucun droit sur les flux de trésorerie du protocole à moins que la gouvernance ne le leur accorde explicitement, de sorte qu'un narratif de « revenu » peut coexister avec un jeton qui ne capte rien [14]. Les modèles de rachat et destruction et de fee switch tentent de combler cet écart en liant la destruction de jetons aux revenus du protocole — la décision d'Uniswap d'activer son fee switch est le cas de référence d'un jeton de gouvernance qui cherche à capter de la valeur [13][14]. Mais la captation n'est réelle que si elle est nette : un protocole qui rachète 5 % de l'offre tout en en débloquant 10 % via le vesting et les récompenses de staking reste dilutif, si bien que la destruction est cosmétique [15]. Le verdict empirique est à la fois dégrisant et éclairant — d'un jeton à l'autre, les mécanismes actifs de captation de valeur surperforment les jetons purement de gouvernance d'environ 10 points de pourcentage en moyenne, mais le moteur dominant des rendements est l'échelle du revenu, pas la conception du mécanisme : les protocoles qui restituent du capital tout en générant un revenu réel surperforment tout le reste avec une large marge, et « un taux de destruction élevé ne peut compenser une utilité nulle ou une demande en déclin » [15][16]. Le score classe donc un réseau selon deux axes à la fois : la qualité de sa demande réelle et externe, et la soutenabilité de ses émissions face à cette demande.
Partie 6 · Étalonnage face aux comparables
Un cadre fait ses preuves en classant de vrais noms, et 2026 a enfin fourni assez de revenu réel pour tenter l'exercice. Celui-ci consiste à faire passer chaque jeton représentatif par les quatre mêmes questions — quel sous-secteur, quel multiple d'usage sur le bon dénominateur, quelle solidité du chemin de captation de valeur et quelle soutenabilité des émissions — et à laisser les différences apparaître.
Le calcul obtient le meilleur score sur la qualité de la demande : Render et Akash encaissent un revenu au prix externe qui suit l'usage réel de l'IA, si bien que leurs multiples d'usage veulent dire quelque chose et que leurs émissions sont de plus en plus couvertes par des clients plutôt que par le minage, ce qui est tout le sens du pivot du secteur vers le revenu [4][5][6]. L'étape suivante pour l'analyste n'est pas de célébrer mais de vérifier l'émission nette et le chemin de captation de valeur — un revenu réel assorti d'une faible captation par le jeton échoue tout de même. L'inférence, menée par Bittensor, obtient de bons scores sur le revenu réel (environ 43 millions de dollars au T1) et sur la suppression de la vélocité (plafond fixe de 21 millions, forte dominante de staking, halving en décembre 2025 qui a ramené l'émission quotidienne de 7 200 à 3 600 TAO), mais exige du soin pour consolider la structure TAO plus sous-réseaux et pour confirmer que le revenu des sous-réseaux est authentique plutôt qu'une spéculation intra-écosystème parmi plus de 120 sous-réseaux [3]. Les agents obtiennent les scores les plus faibles sur chaque axe qui compte — revenu récurrent mince ou absent, aucun ancrage de prix externe et des chutes de 55 à 85 % qui reflètent la correction du narratif par le marché au profit des fondamentaux — et la contribution du cadre est de dire clairement que la plupart des jetons d'agents sont des paris DEUV à CUV négligeable, pas des actifs adossés à l'usage [9][17]. Les protocoles de données se situent entre les deux, avec un revenu d'API facturée à l'usage bien réel mais souvent modeste au regard de la valorisation [1][21]. Les classements précis comptent moins que la méthode : les quatre mêmes questions, appliquées à l'identique, séparent une activité de calcul comparable au cloud d'un agent narratif qu'un multiple « IA » unique valoriserait pareillement.
Partie 7 · Limites et modes de défaillance assumés
Un cadre de valorisation gagne la confiance en nommant ce qu'il ne sait pas faire. La plus grande limite est que la crypto-IA est jeune, et que les actifs de stade précoce sont légitimement dominés par leur utilité espérée actualisée, non par leur utilité courante : un cadre ancré dans l'usage présent sous-valorisera systématiquement un réseau qui construit véritablement vers une forte demande future, exactement comme un filtre strict de type cours/ventes aurait écarté les premières actions du cloud computing [9]. Le score est une discipline contre le narratif, pas une boule de cristal pour l'optionnalité, et il doit se lire comme un classement de la qualité fondamentale relative aujourd'hui, non comme un verdict sur le potentiel d'un réseau à dix ans.
Quatre limites supplémentaires méritent d'être aussi visibles que le cadre lui-même. Qualité des données : le « revenu » on-chain peut être manipulé — usage fictif, transactions intra-écosystème entre les sous-réseaux ou les agents d'un même projet et demande financée par des subventions peuvent tous gonfler le dénominateur, et comme le multiple n'est jamais plus honnête que son chiffre de revenu, un réseau qui fabrique de l'usage met en échec tout l'appareil [3][26]. Ambiguïté du droit attaché au jeton : même là où le revenu est réel, le jeton peut n'avoir aucun droit opposable sur celui-ci, si bien qu'une activité solide peut reposer sur un jeton sans valeur — la question de la captation de valeur n'est pas une note de bas de page, c'est un filtre éliminatoire [14][15]. Réflexivité du narratif : parce que l'« IA » est un facteur de marché coordonné, le groupe peut monter et descendre ensemble au gré du sentiment, quels que soient les fondamentaux que le cadre mesure, si bien que l'avantage réside dans la sélection relative au sein du secteur, pas dans le timing du narratif [1][17]. Humilité du modèle : l'équation des échanges est une identité, pas une prévision — son résultat dépend entièrement de la vélocité supposée et du PQ futur, tous deux inobservables à l'avance —, si bien que les praticiens sérieux traitent toute estimation ponctuelle comme un scénario et non comme une cible, et notre score est délibérément ordinal plutôt qu'un prix précis [10][11]. Comme liste de contrôle, le cadre aiguise le jugement ; comme oracle de valorisation, il décevra.
Conclusion · Du narratif au numérateur
La crypto-IA récompense l'analyste qui refuse le panier. Le narratif traite un facteur ; le cadre traite quatre métiers, chacun avec son propre moteur de revenus, son propre dénominateur correct et son propre multiple honnête [1][21]. Sous le multiple se trouve l'équation des échanges et sa leçon impitoyable : c'est la vélocité, et non l'usage affiché, qui décide de la valeur qu'un réseau d'une taille donnée peut contenir, raison pour laquelle un jeton a besoin d'une raison d'être détenu et pas seulement utilisé [9][11]. Autour du multiple se trouve le score de soutenabilité des incitations, qui sépare le revenu qu'un réseau gagne de l'offre qu'il imprime et demande si quoi que ce soit en atteint réellement le jeton — le filtre de captation de valeur qu'une activité bien réelle peut malgré tout ne pas franchir [14][15][16]. Entre les deux, la taxonomie sectorielle transforme un mur de « jetons IA » en comparaison ordonnée : nommer le sous-secteur, placer l'usage réel au bon numérateur, neutraliser la prime narrative et vérifier que les émissions sont couvertes par la demande plutôt que l'inverse.
Les primitives plus profondes sur lesquelles reposent ces jugements — la conception des émissions et du vesting des jetons, l'écart entre le flottant en circulation d'un réseau et sa valeur entièrement diluée, et la capacité réelle de la captation des frais et des mécanismes de rachat et destruction à faire revenir de la valeur aux détenteurs, ou leur incapacité à le faire — méritent chacune d'être comprises pour elles-mêmes, car le score ne vaut que ce que vaut la compréhension par le lecteur des mécanismes qu'il note. Traitez-le comme une discipline de classement de la qualité fondamentale au sein d'un secteur narré, jamais comme une prévision de prix, et toujours aux côtés du contexte de demande et de marché qu'aucun cadre d'offre et d'usage ne peut capturer.
Articles associés
Autres articles Bitbase sur ce sujet :
- Jetons de fans et jetons sociaux
- Social dominance et token mindshare : mesurer l’attention
Références
[1] CoinDCX, Top AI (Artificial Intelligence) Crypto Coins in June 2026 (taille du secteur, ventilation par sous-secteurs). coindcx.com
[2] The Motley Fool, « Better AI Crypto: Bittensor (TAO) vs. Render », 6 mai 2026. fool.com
[3] TAO Media, The Ultimate Guide to Bittensor 2026 et The Complete Beginner's Guide to Dynamic TAO (dTAO) (sous-réseaux, revenu du T1, halving, plafond de 21 M). tao.media
[4] BlockEden.xyz, « DePIN's Revenue Pivot: From Token Subsidies to Real AI Compute Revenue », 12 avril 2026. blockeden.xyz
[5] Own Your Mind, Render vs Akash vs io.net 2026: Revenue, Burns & Tokenomics. ownyourmind.ai
[6] BlockEden.xyz, « DePIN's Revenue Reckoning: How Akash, io.net, and Aethir Are Replacing Token Mining with Real Business Cash Flow », 12 mars 2026. blockeden.xyz
[7] Securities.io, GPU Rendering Wars: Render Network vs. Akash & AWS (2026) ; BuildMVPFast, DePIN GPUs for Inference: io.net, Akash vs AWS. securities.io
[8] Yellow.com Research, AI Compute Demand Is Outpacing Supply, And Crypto GPU Networks Are Closing the Gap (2026). yellow.com
[9] Chris Burniske, Cryptoasset Valuations (modèle INET ; MV=PQ ; CUV contre DEUV). medium.com
[10] Improving the Equation of Exchange for Cryptoasset Valuation Using Empirical Data, arXiv 2403.04914. arxiv.org
[11] I. Barbero, Understanding Velocity and Its Effects on MoE Token Dynamics, Coinmonks. medium.com
[12] Eton Venture Services, The Quantity Theory of Money: A Framework for Valuing Crypto Tokens. etonvs.com
[13] Talos, State of the Network: Uniswap Flips the Fee Switch — From Governance Token to Value Accrual (standard P/S ; illustration UNI 207×). talos.com
[14] FinTech Weekly, Rethinking Token Value: From Subsidized Supply to Sustainable Accrual. fintechweekly.com
[15] Volity, Burn Rate: 2026 Crypto Tokenomics ; FinanceFeeds, How Token Buybacks Can Affect Cryptocurrency Prices. volity.io
[16] Novora Research, Which Token Value Accrual Model Works? (captation active +10 points de pourcentage ; l'échelle du revenu domine). novora.co
[17] OpenAIToolsHub, AI Agent Crypto Tokens — Virtuals, ai16z, AIXBT, and Bittensor Explained (revenu des agents, chutes de 55 à 85 %). openaitoolshub.org
[18] Eqvista, Crypto Valuation Metrics — How to Value Crypto? (Daily Active Addresses et métriques d'usage). eqvista.com
[19] A. Damodaran, The Dark Side of Valuation et travaux sur le ratio cours/ventes et les multiples de revenu appliqués aux actifs à forte croissance non encore bénéficiaires (ancrage méthodologique des multiples d'usage).
[20] I. Fisher, The Purchasing Power of Money (1911), origine de l'équation des échanges MV=PT, adaptée ici en MV=PQ.
[21] DEXTools News, Top 5 Crypto AI Projects: Best Artificial Intelligence Tokens (2026) (leaders du calcul et des données, dont The Graph, Grass, NEAR). dextools.io
[22] Crypto.news, Bittensor (TAO) Price Prediction: What the December Halving Means for TAO in 2026 (mécanique du halving ; attention institutionnelle). crypto.news
[23] CryptoDaily, DeFi Revenue Tokens: Why Fees, Burns and Buybacks Matter More Than TVL, mai 2026. cryptodaily.co.uk
[24] Gate Wiki, What Is Tokenomics: Allocation, Inflation Design, and Governance Utility in 2026. gate.com
[25] Ashley Lannquist, Today's Crypto Asset Valuation Frameworks, Blockchain at Berkeley. medium.com
[26] BlockEden.xyz, Decentralized GPU Networks 2026: How DePIN Is Challenging AWS for the $100B AI Compute Market. blockeden.xyz
Méthodologie et divulgation : ce rapport synthétise des données sectorielles publiques sur la crypto-IA à la mi-2026 (nombre de projets et capitalisation [1] ; revenu et taux d'utilisation du calcul décentralisé pour Render, Akash et io.net [4][5][6][7][8] ; sous-réseaux dTAO de Bittensor, revenu du T1, halving et plafond d'offre [3][22] ; performance des tokens d'agents [17]) ; la littérature sur la valorisation des cryptoactifs (l'équation des échanges et le modèle INET [9][12][20], les raffinements empiriques [10], la dynamique de la vélocité [11] et la pratique du ratio cours/ventes [13]) ; et la littérature sur la captation de valeur par le token (fee switches, rachat et destruction, et dilution nette après déblocages [14][15][16][23][24]). La taxonomie en quatre sous-secteurs (calcul / inférence / agents / données), la mise en correspondance des multiples d'usage et le score de soutenabilité des incitations sont des constructions analytiques éducatives et ordinales servant à classer la qualité fondamentale relative au sein du secteur de la crypto-IA ; les chiffres cités (≈919 projets et ~22,6 milliards de dollars de capitalisation sectorielle selon un filtre, contre ~40 à 60 milliards de dollars pour les vingt premiers selon des filtres plus larges ; ~180–220 millions de dollars de revenu de calcul annualisé au niveau du protocole, contre les ~38 millions de dollars par mois de Render sur une base de facturation brute ; Akash +428 % sur un an et taux d'utilisation >80 % ; Bittensor ~43 millions de dollars au T1 et plus de 120 sous-réseaux ; chutes des agents de 55 à 85 % ; le ~207× illustratif de P/S) proviennent des sources citées et illustrent le cadre plutôt qu'elles ne prévoient le prix d'un token quelconque. Lorsque des sources mesurent la même grandeur sur des bases différentes — c'est le cas de la capitalisation sectorielle comme du revenu de calcul —, ce rapport expose la fourchette au lieu de retenir un chiffre et de le présenter comme établi. Rien ici n'est une notation, une recommandation ni un objectif de cours.
Avertissement : ce contenu éducatif de Bitbase Research est fourni à titre informatif uniquement. Il ne constitue pas un conseil en investissement, en trading, fiscal ou financier. Rédigé à la date de juillet 2026 ; le secteur de la crypto-IA, les revenus des réseaux, les calendriers d'offre de tokens et les conditions de marché évoluent en permanence, appuyez-vous donc toujours sur les données primaires les plus récentes et faites vos propres recherches avant toute décision.
