Aujourd’hui, les IA les plus avancées reposent majoritairement sur des architectures fermées. Les modèles, les données d’entraînement et les règles d’accès sont contrôlés par un nombre limité d’acteurs.
L’open source apporte une réponse partielle à cette centralisation en favorisant l’innovation et la transparence, mais il reste confronté à plusieurs contraintes. Les modèles ouverts restent souvent en retrait sur certaines dimensions techniques, ce qui limite leur capacité à s’imposer comme des infrastructures de référence.
L’approche dominante des grandes entreprises privilégie le développement de modèles uniques toujours plus volumineux. Dans les faits, de nombreux systèmes cherchent plutôt à s’appuyer sur des agents spécialisés, des sources de données variées et des outils interconnectés. Dans ce cadre, l’intelligence tend à émerger de la coordination entre ces composants, plutôt que de leur centralisation au sein d’un modèle unique.
Le problème ne concerne donc pas uniquement la performance d’un modèle IA isolé. Il porte sur la capacité à organiser un système distribué d’intelligences, à coordonner les flux d’information et à financer durablement cette infrastructure.
Dans l’écosystème des cryptomonnaies, ces limites sont encore plus visibles. Les données sont publiques et on-chain, mais réparties entre de nombreuses sources distinctes, ce qui rend leur agrégation et leur interprétation particulièrement complexes. À cela s’ajoutent des marchés fonctionnant en continu et des interactions constantes entre protocoles, qui renforcent la difficulté d’analyse.
C’est pour cela que l’on peut constater régulièrement que des chatbots IA comme ChatGPT, Perplexity ou Gemini sont très bons pour répondre à des questions générales mais très limités pour répondre spécifiquement à des questions liées au secteur des crypto monnaies.
Ces caractéristiques mettent en évidence les limites des approches centralisées et soulignent la nécessité de mécanismes de coordination plus modulaires.
C’est dans ce cadre que s’inscrit la problématique adressée par Sentient.
Présentation de Sentient
Sentient se positionne comme une infrastructure visant à organiser le développement d’une intelligence artificielle distribuée. Le projet ne cherche pas à produire un modèle généraliste unique, mais à fournir une architecture de coordination permettant d’orchestrer des intelligences spécialisées au sein d’un même système.
Selon cette approche, l’AGI n’émerge pas d’un composant isolé, mais de la coordination entre plusieurs briques fonctionnelles. Ces briques peuvent prendre la forme d’agents, de modèles, de sources de données ou d’outils spécialisés. Le rôle de Sentient consiste à orchestrer ces éléments de manière cohérente, sans recourir à une architecture fermée.
L’infrastructure privilégie la modularité et l’interopérabilité. Chaque composant peut évoluer indépendamment tout en restant intégré dans un cadre commun, ce qui permet d’adapter le système à des domaines complexes sans reconstruire l’ensemble de l’architecture.
Sentient se concentre en priorité sur l’écosystème des cryptomonnaies. Les données y sont majoritairement publiques et accessibles on-chain, mais dispersées à travers de multiples sources. L’analyse repose simultanément sur des explorateurs comme Etherscan, des agrégateurs de données tels que DefiLlama ou Token Terminal, ainsi que sur des documentations techniques, des whitepapers, et des forums de gouvernance.
Pour des modèles généralistes comme GPT ou Gemini, cette fragmentation complique la navigation, la hiérarchisation des sources et la mise en cohérence des informations. Cette difficulté est renforcée par la sensibilité temporelle des données.
La volatilité des prix, l’évolution rapide de la liquidité et les ajustements fréquents des paramètres protocolaires rendent certaines informations obsolètes en quelques heures, voire en quelques minutes.
C’est dans ce contexte que Sentient a choisi de se spécialiser sur l’écosystème crypto.
Le projet vise à devenir une infrastructure de référence pour l’analyse et la coordination de l’intelligence artificielle appliquée au domaine crypto.
L’objectif est de fournir une couche technique capable de supporter des agents spécialisés adaptés à ces usages spécifiques.
Cette approche se traduit par l’intégration de plus de 110 partenaires au sein du réseau, incluant plus de 50 fournisseurs de données et plus de 50 agents spécialisés. Ces entités collaborent en temps réel pour agréger, filtrer et contextualiser l’information, afin de produire des analyses mieux adaptées aux contraintes du marché.
Architecture technique de Sentient
L’architecture technique de Sentient repose sur trois composants principaux : le GRID, le framework ROMA et l’architecture de raisonnement SERA.
GRID : la couche d’infrastructure
Le GRID (Global Research and Intelligence Directory) constitue la couche d’infrastructure de base du réseau. Il agit comme un répertoire au sein duquel interagissent des agents, des modèles, des sources de données et des ressources de calcul.
En pratique, chaque requête adressée au réseau est décomposée puis orientée vers les intelligences spécialisées les plus pertinentes afin de produire une réponse unifiée.
Ce mécanisme de coordination a pour objectif de combiner les capacités de modèles open source pour atteindre des performances proches de celles des systèmes fermés.
L’accès à ce réseau s’effectue via l’interface Sentient Chat, qui sert de point d’entrée et de plateforme de distribution pour les participants du GRID.
ROMA : le framework d’orchestration des tâches
L’orchestration des tâches complexes est assurée par le framework ROMA (Recursive Open Meta-Agent). Ce mécanisme vise à atténuer les limites rencontrées par les agents lors de raisonnements longs, en leur imposant une organisation plus structurée du flux de contexte.
Le système génère une structure de tâches hiérarchique et récursive, dans laquelle un objectif global est découpé en sous-tâches plus simples, puis distribuées à différents nœuds chargés de les traiter.
Ces nœuds remplissent quatre rôles :
- Atomizer : chargé de l’évaluation
- Planner : responsable de la décomposition
- Executor : dédié à l’exécution,
- Aggregator : en charge de la synthèse
Cette organisation permet une parallélisation des tâches indépendantes, tout en conservant une traçabilité du raisonnement à chaque étape.
Architecture SERA
Pour répondre aux contraintes de latence et de rapidité d’exécution, Sentient intègre l’architecture SERA (Semantic Embedding & Reasoning Agent).
Contrairement aux approches classiques reposant sur un raisonnement séquentiel étape par étape, SERA adopte une méthode plus directe pour orienter les requêtes. Le système identifie rapidement les outils et les sources de données les plus pertinentes, sans multiplier les cycles intermédiaires.
La demande est d’abord clarifiée afin d’identifier précisément l’objectif, puis les actifs concernés sont déterminés pour éviter toute ambiguïté. Les sources pertinentes sont ensuite sélectionnées et interrogées en parallèle. Si la requête s’avère trop large, une étape supplémentaire d’enrichissement du contexte peut être déclenchée avant la production de la réponse finale.
SERA s’appuie sur une combinaison de modèles open source : GPT-OSS-120B d’OpenAI pour la synthèse, Qwen3-Next-80B de l’entreprise Alibaba pour l’interaction avec les sources de données et Qwen3-Embedding-8B pour la sélection des informations pertinentes.
Cette configuration permet de maintenir un temps de réponse moyen inférieur à 45 secondes, sans recourir à des modèles fermés.
Benchmarks et performances
Pour évaluer les performances du système, l’équipe s’appuie sur le DMind Benchmark, un cadre dédié au raisonnement Web3 couvrant neuf catégories, allant des fondamentaux blockchain à la DeFi, en passant par la sécurité des smart contracts, la tokenomics et les DAO.
Ce benchmark combine des questions à choix multiples et des tâches ouvertes, afin de tester à la fois les connaissances théoriques et la capacité d’analyse.
Selon les résultats publiés par DMind, Sentient se classe à la septième place du classement global, juste devant Claude Opus 4.1 et GPT-o3. Sentient rivalise avec des modèles lancés en fin d’année 2025, mais reste en retrait par rapport aux modèles plus récents comme GPT-5.2, Gemini 3 Pro ou Claude Opus 4.5, des modèles disponibles depuis la fin d’année 2025.
Ces résultats confirment que les modèles généralistes conservent un avantage sur les tâches de raisonnement complexes, y compris dans des domaines spécialisés comme la crypto.
En complément de ce benchmark externe, Sentient a développé son propre cadre d’évaluation interne, fondé sur 198 questions ouvertes.
Dans ce benchmark interne, Sentient arrive en tête. Cela dit, même si les résultats sont publics et théoriquement reproductibles, le fait que les questions aient été sélectionnées en interne limite la portée de la comparaison. Il reste difficile d’exclure que certaines requêtes aient été choisies pour mettre en valeur les points forts du système.
Cependant, lors de nos propres tests sur l’outil https://chat.sentient.xyz, Sentient s’est montré plus réactif sur l’exploitation de données récentes et sur l’agrégation simultanée de plusieurs sources que des modèles généralistes comme GPT ou Gemini. Cette capacité à intégrer rapidement des informations fraîches constitue l’un de ses principaux atouts dans un environnement crypto où les données évoluent en permanence.
SENT : Tokenomics et modèle économique
L’économie du protocole repose sur le jeton SENT listé sur les principaux exchanges depuis le 22 janvier 2026.
Bien que la communication officielle mette en avant une allocation communautaire de 65,55 %, cette présentation mérite d’être nuancée.
Cette catégorie inclut 19,55 % de la supply dédiée exclusivement à l’écosystème et à la recherche et développement (R&D). En additionnant les parts de l’équipe (22 %), des investisseurs privés (12,45 %) et l’écosystème + recherche et développement, près de 54 % de l’offre totale se retrouve en réalité concentrée entre les mains de l’équipe, des investisseurs privés et des proches du projet.
Le jeton SENT remplit des fonctions classiques pour une infrastructure décentralisée. Il est utilisé pour le staking et la participation à la gouvernance de la DAO, pour l’accès aux ressources du réseau côté développeurs, ainsi que pour le paiement des frais au sein de l’écosystème. SENT sert aussi à récompenser les utilisateurs qui créent, testent et partagent des modèles, des données ou des agents IA, tout en assurant la viabilité financière du réseau.
Cette utilité reste relativement limitée. Elle repose principalement sur des droits d’accès et de vote, sans intégrer de mécanismes de redistribution des revenus ni de mécanismes de capture de valeur directement indexés sur l’activité réelle du réseau.
Le modèle économique de Sentient ne se limite pas à sa plateforme grand public. L’objectif affiché du projet est d’intégrer, à terme, ses agents spécialisés au sein d’autres infrastructures, comme des wallets ou des plateformes d’agrégation de données, afin de proposer une intelligence artificielle capable d’interpréter ces informations pour les utilisateurs finaux.
Mais à ce stade, cette idée reste théorique. Aucun déploiement concret n’a encore été mis en place et la monétisation repose principalement sur le produit grand public.
Conclusion
Dans l’ensemble, l’idée portée par Sentient semble être pertinente et le produit fonctionne correctement.
La volonté de proposer une couche d’analyse orientée crypto répond aux limites des LLM généralistes comme ChatGPT ou Gemini, qui ont encore du mal à identifier des sources fiables et à contextualiser correctement certaines données.
Pour autant, en dehors de son propre environnement et de ses benchmarks internes, Sentient reste globalement en retrait par rapport à ces modèles généralistes.
Le choix de s’appuyer sur des benchmarks internes pour valoriser ses performances soulève des questions quant à la fiabilité des chiffres avancés et en réduit la portée comparative.
De plus, le positionnement marketing du projet s’appuie sur des notions comme l’AGI et sur une posture de leader du secteur, alors qu’aucun élément tangible ne permet aujourd’hui de confirmer cette position.
Ce décalage tend à affaiblir la crédibilité de l’ensemble et renforce l’impression d’un projet cherchant avant tout à surfer sur le narratif de l’intelligence artificielle.
Enfin, dans un contexte où les investisseurs privilégient de plus en plus des tokens intégrant des mécanismes de capture de valeur identifiables, le token de Sentient pourrait rencontrer des difficultés à susciter un intérêt sur la durée sauf si l’utilité du token évolue avec le projet.
En l’absence de dispositifs clairement liés à l’usage réel du produit, cette faiblesse pourrait peser sur la perception du token et se refléter négativement sur son prix dès le TGE.