Dans le secteur de la fintech depuis huit ans, je comprends parfaitement les inquiétudes des institutions traditionnelles concernant les données Web3 – elles déclarent « s'intéresser à l'innovation », mais en réalité, elles fixent des barrières plus élevées que le ciel. J'ai déjà conduit plusieurs protocoles de données Web3 pour les connecter à des fonds communs de placement, et soit j'ai été confronté à des préoccupations de gestion des risques disant « les sources de données semblent douteuses », soit je me suis retrouvé bloqué à cause de « documents de conformité manquants », et finalement tout cela est resté sans suite. Ce n'est que lorsque @Pythnetwork a présenté le plan de la deuxième phase de #PythRoadmap, avec une combinaison de « données de première partie + services de conformité + écosystème $PYTH », que les portes des institutions se sont enfin ouvertes. Ce n'est pas juste une affaire de données, c'est clairement une réinvention de la logique de confiance dans l'industrie.


Premièrement, ciblez les points douloureux : les institutions ne craignent pas Web3, mais les « non fiables »
Les institutions utilisent des données en priorisant la stabilité. En réalité, elles ont trois exigences fondamentales : les données doivent être fiables, conformes, et traçables. Mais auparavant, les protocoles de données Web3 étaient souvent en rupture avec ces attentes :

Certaines sources de données étaient des « compilations de robots », récupérant des cours de petites plateformes peu connues, puis ajoutant des données simulées. Même nous, en test, nous avions honte — un protocole avait donné un prix du Bitcoin qui diffère de 200 dollars par rapport aux principaux échanges, invoquant une « latence », mais en réalité, la source de données était tout simplement mauvaise. D'autres avaient des documents de conformité désordonnés, ne respectant même pas la norme Regulation ATS de la SEC américaine. Les services juridiques des fonds les rejetaient immédiatement, et encore moins pouvaient-ils intégrer des banques soumises à une régulation stricte.

Mais @Pythnetwork n’a jamais emprunté cette voie traditionnelle. Il a identifié que la confiance commence par la source des données, et a directement intégré plus de 120 institutions de premier plan dans son écosystème comme « contributeurs de données » : des traders comme Jump Trading et Jane Street, des exchanges comme Bybit et KuCoin, voire même les départements de trading hors-bourse des banques traditionnelles, tous sont ses « fournisseurs de données ». Ce qu’ils fournissent n’est pas des données secondaires, mais des données réelles de leurs systèmes de trading : ordres, prix d’exécution et liquidité. C’est comme si le « livre de marché » était directement transféré sur la chaîne.

Ce qui est encore plus crucial, c'est sa logique de regroupement, qui utilise un algorithme de dépréciation pondérée par le temps pour combiner ces données afin d'obtenir un prix équitable, plutôt que de simplement prendre une moyenne simple. Les données provenant d'institutions actives et de bonne réputation reçoivent un poids plus élevé. Cela élimine radicalement toute possibilité de falsification dès la source — qui a déjà vu une institution du niveau de Jump risquer sa réputation pour un tel gain ? Un ancien hedge fund a mesuré que l'erreur des données sur les produits dérivés boursiers de Pyth par rapport à Bloomberg était inférieure à 0,01 %, une précision qui répond bien aux exigences des institutions.


Deuxièmement, le couteau suisse : les « données de première main » qui changent les règles du jeu
Après avoir approfondi le sujet, on réalise que ce qui rend Pyth si puissant, ce n'est pas la quantité de données, mais son « modèle de données de première main » — une véritable supériorité technologique par rapport aux autres oracles.

Les oracles traditionnels sont généralement des « agrégateurs tiers » : ils récupèrent des données provenant de sources dispersées, puis les traitent via des nœuds. Cette chaîne de traitement implique plusieurs étapes, entraînant des délais, et les données sont souvent altérées. En revanche, Pyth se connecte directement aux sources des données. Par exemple, si vous souhaitez connaître le prix réel de l'Éthereum, il utilise directement les données de transaction en temps réel de Coinbase et Kraken, sans intermédiaire, sans marge, et sans risque de déformation des données. Cela confère des avantages évidents :

Premièrement, une précision remarquable. Les données proviennent directement des systèmes de trading institutionnels, éliminant toute erreur de transmission. Pour des produits sensibles aux prix comme les devises, l'utilisation des données de Pyth pour les règlements transfrontaliers réduit considérablement les pertes de change par rapport aux fournisseurs traditionnels. **Deuxièmement, une vitesse au millième de seconde.** Sans aucun intermédiaire, les prix sont mis à jour toutes les 400 millisecondes, soit plus de 200 000 mises à jour par jour. Ce niveau de rapidité est parfait pour les scénarios exigeant une précision extrême, comme le trading haute fréquence ou les liquidations DeFi. Lorsque le protocole Drift sur Solana a adopté les données de Pyth, le taux d'erreurs a chuté de 90 %, car le problème de latence a été résolu. **Troisièmement, une transparence totale.** Toutes les sources des données, les horaires de publication et les processus d'agrégation sont enregistrés sur la chaîne. Les institutions peuvent toujours remonter l'origine des données via un navigateur blockchain, voire visualiser leur « intervalle de confiance », par exemple un prix du BTC à 50 000 dollars ± 10 dollars, rendant la qualité des données immédiatement évidente.

Ce modèle cible directement le point faible des grands acteurs traditionnels des données : ces plateformes qui se basent sur l'asymétrie d'information pour facturer cher, en réalité des intermédiaires. Pyth, en sautant cette étape intermédiaire, fournit des données de meilleure qualité à un coût plus bas, ce qui en fait un véritable « changement de règle du jeu ».


Troisièmement, #PythRoadmap, deuxième phase : intégrer la conformité au cœur des institutions
Si les données de première main constituent une « force brute », alors le produit d'abonnement de données de niveau institutionnel lancé dans la deuxième phase de #PythRoadmap représente la « force douce » qui franchit les derniers kilomètres.

Pour les institutions, les documents de conformité sont souvent plus importants que les données elles-mêmes. Le manuel de service de Pyth inclut des preuves de conformité à l'ensemble des cadres réglementaires mondiaux, allant de la Regulation ATS de la SEC américaine au MiFID II de l'UE, et peut même fournir des rapports de traçabilité personnalisés : quelle institution a fourni les données brutes, à quelle heure elles ont été envoyées, comment elles ont été agrégées, tout est clairement listé, sans faille pour les équipes juridiques.

Je connais un responsable du contrôle des risques d'un hedge fund qui évitait auparavant les données Web3. Après avoir testé Pyth l'an dernier, il a complètement changé d'avis : « Nous avons comparé ses données sur l'or à celles du London Gold Exchange pendant un mois, aucune erreur. Le rapport de conformité est plus détaillé que celui de Bloomberg, et le service juridique a donné son feu vert dès l'intégration au système de recherche. » Aujourd'hui, cette institution utilise Pyth comme source principale pour les devises et les matières premières, et paie des dizaines de milliers de dollars par mois pour son abonnement.

Cette capacité à « rassurer les institutions », c'est précisément la force concurrentielle de Pyth. À ce jour, plus de 30 institutions ont signé des contrats d'abonnement, couvrant des domaines comme le trading quantitatif, la gestion d'actifs et les paiements transfrontaliers. Le revenu du trésor de la DAO augmente de 40 % par mois, une performance unique dans le secteur des données Web3.
Un projet durable doit avoir une conception de jeton solide. Le modèle de $PYTH maîtrise parfaitement les mécanismes d'incitation et de gouvernance, ce qui encourage davantage les partenariats à long terme.

Commençons par le mécanisme d'incitation : Pyth récompense les contributeurs de données en $PYTH, mais pas de manière aléatoire. La récompense est calculée selon un « score de qualité » : plus les données sont précises, plus fréquentes sont les mises à jour, plus larges sont les actifs couverts, plus la récompense est élevée. Par exemple, un market maker fournissant à la fois des données sur les cryptomonnaies et les devises avec une précision supérieure à 99,9 % reçoit 50 % de récompense supplémentaire par rapport à celui qui fournit une seule catégorie. Ce modèle « plus on travaille bien, plus on est récompensé » fait croître continuellement la base de données, passant des cryptomonnaies initiales aux devises, aux matières premières, puis bientôt aux actions et obligations.

Ce qui est encore plus crucial, c'est la gouvernance DAO. Une partie des revenus des abonnements est convertie en $PYTH et versée au trésor, une autre partie est utilisée pour l'exploitation. Les détenteurs de $PYTH sont les « décideurs » : ils votent sur l'utilisation des fonds du trésor, l'ajout de nouvelles données, voire les critères d'admission des clients institutionnels. Le mois dernier, la communauté a voté pour inclure les banques traditionnelles parmi les clients, et a alloué 15 % du trésor pour développer une interface dédiée aux banques.

J'ai moi-même staké un peu de $PYTH pour participer à la gouvernance. Bien que mon poids de vote soit faible, j'ai ressenti un véritable sentiment d'appartenance lorsque la proposition « ajouter les données en temps réel sur le pétrole » a été mise en œuvre. Ce modèle « piloté par les utilisateurs » lie profondément la valeur de $PYTH à l'écosystème, non pas par spéculations, mais par la croissance réelle des clients institutionnels et des revenus d'abonnement.


Cinquièmement, conclusion : derrière $PYTH se cache une opportunité de remplacement d’un marché de 50 milliards de dollars
En regardant en arrière, la raison pour laquelle les institutions osent utiliser les données Web3 repose fondamentalement sur la résolution du problème central : « peut-on leur faire confiance ? » Les données de première main garantissent l’authenticité, les services de conformité garantissent la sécurité d’utilisation, et l’écosystème $PYTH garantit la durabilité.

Le marché traditionnel des données représente 50 milliards de dollars, dominé par des géants qui tirent profit de leur monopole avec des modèles dépassés. Pyth, en adoptant une approche décentralisée, réduit les coûts, améliore la précision et assure la conformité — une tendance inéluctable. De nombreux collègues du secteur financier commencent à accumuler des $PYTH, non pas pour spéculer sur les variations à court terme, mais pour leur potentiel de substitution dans ce secteur. Si le nombre de clients institutionnels augmente encore plusieurs fois, la valeur de $PYTH sera inimaginable.

Si vous recherchez un projet Web3 avec une application concrète, un soutien institutionnel solide et une utilité claire du jeton, suivez attentivement l'évolution du #PythRoadmap de @Pythnetwork. Ce n'est peut-être pas le plus populaire, mais c'est l'un des rares projets capables de connecter Web3 et institutions traditionnelles. Lorsque Pyth étendra sa couverture aux autres secteurs, nous pourrions assister à une véritable révolution des données — et détenir $PYTH, c'est le meilleur moyen de participer à cette révolution.

@Pyth Network #PythRoadmapand $PYTH