Baldal

Une des choses étranges à propos des réseaux de travail automatisés est que les règles changent rarement lorsque le système commence à dériver.
Le comportement le fait.
J'ai remarqué cela la première fois en travaillant avec un système de routage de tâches qui distribuait des emplois à un groupe d'opérateurs. Sur le papier, le système était neutre. Quiconque répondait aux critères pouvait recevoir du travail, et la logique d'allocation était censée traiter les participants de manière égale.
Pour les premières semaines, cela semblait vrai.
Les tâches ont été déplacées dans la file d'attente. Les opérateurs ont terminé le travail. La vérification a été validée sans trop de friction. De l'extérieur, cela ressemblait à une boucle de coordination saine.

Les erreurs de crypto-finance se terminent généralement de la même manière.
L'argent est envoyé au mauvais portefeuille…
et c'est perdu pour toujours.
Aucun remboursement.
Aucun ticket de support.
Juste une perte permanente sur la blockchain.
Mais un incident récent dans l'écosystème TON a eu une fin très inhabituelle.
Cela a commencé normalement
L'utilisateur avait déjà envoyé des fonds plus tôt dans la journée à une adresse de portefeuille de confiance.
Deux transactions ont été effectuées avec succès :

• 10 000 TON (~13K $)
• 9 000 TON (~11,7K $)
Tout semblait normal. L'adresse était familière, et les transferts ont parfaitement fonctionné.

La première fois que j'ai commencé à remettre en question les scores de réputation dans un réseau de travail, ce n'était pas parce que quelqu'un a expliqué comment ils fonctionnaient.
C'était parce que les mêmes opérateurs continuaient à décrocher les emplois les plus clairs.
Rien dans la documentation n'avait changé. Le système se décrivait toujours comme une participation ouverte. Quiconque disposait de la bonne configuration pouvait soumettre un travail.

Mais au cours de quelques cycles, quelque chose est devenu évident.
Certains opérateurs recevaient systématiquement des tâches avec un risque de litige plus faible, des chemins de vérification plus clairs et des fenêtres de paiement prévisibles. Tout le monde participait techniquement — juste pas dans la même voie.

Une chose que j'ai apprise à mes dépens — les systèmes n'échouent pas seulement sous pression.
Ils échouent par oubli.
Il y a des années, nous avons géré une flotte automatisée où chaque robot “performait” techniquement. Les tâches étaient enregistrées. Les résultats étaient consignés. Tout était réconcilié à la fin de la semaine.
Mais il y avait un défaut silencieux.
Chaque tâche a été évaluée isolément.
Le robot qui atteignait à peine la tolérance à chaque fois semblait identique sur le papier à celui qui fonctionnait proprement avec une marge de manœuvre.
Les journaux ont montré l'achèvement. Le système a vu la parité. Mais la fiabilité à long terme n'était pas la même.

Je ne m'inquiète pas quand un système échoue bruyamment.
Je m'inquiète quand cela réussit avec hésitation.
Nous exécutons un lot modeste de tâches coordonnées - rien d'extrême - et les confirmations revenaient propres. Le statut a basculé en "terminé." Le grand livre l'a reflété. Pas de contestations, pas d'erreurs visibles.
Mais le rythme a changé.
Sous une charge légère, le temps de confirmation s'est allongé. Pas de façon dramatique. D'environ 1,8 secondes à un peu plus de 3 pendant les fenêtres de pointe. Toujours dans les spécifications. Toujours "rapide."
Pourtant, les ingénieurs ont commencé à coder autour de cela.

La première fois que j'ai remarqué un biais d'allocation dans un système automatisé, ce n'était pas évident.
Personne n'a triché. Personne n'a changé les règles publiquement. Rien dans la documentation n'a changé.
Mais au cours de quelques mois, certains participants continuaient à recevoir les tâches « meilleures ».
Des itinéraires plus courts. Des marges plus élevées. Des données plus propres. Moins d'exposition au risque.
Officiellement, le système était neutre.
En pratique, ce n'était pas le cas.
C'est le prisme que j'utilise lorsque je regarde Fabric.
Si les robots deviennent des agents économiques au sein d'un réseau partagé, alors l'allocation des tâches devient le centre de gravité invisible. Il ne s'agit pas seulement de vérifier le travail. Il s'agit de qui se voit attribuer quel travail en premier lieu.

Lorsque les gens parlent de Fabric, ils sautent généralement directement aux robots qui gagnent.
Je reviens sans cesse à quelque chose de plus fragile.
Vérification.
Les systèmes physiques ne échouent pas proprement. Ils échouent progressivement. Un bras robotique peut encore accomplir une tâche tout en dérivant légèrement hors de calibration. Un robot de livraison peut arriver, mais suivre un itinéraire inefficace. Une machine logistique peut techniquement « terminer » le travail tout en introduisant des micro-erreurs qui s'accumulent plus tard.
Dans les plateformes robotiques centralisées, la responsabilité se situe à un seul endroit. Si quelque chose se casse, l'entreprise l'absorbe. Les données restent internes. Les normes restent internes.

Je continue de voir la robotique comme une course à la capacité.
Meilleure perception.
Meilleure manipulation.
Inférence plus rapide.
Mais une fois que les robots commencent à effectuer un travail économique réel, l'intelligence cesse d'être la variable intéressante.

Les incitations prennent le dessus.
Au moment où une machine participe aux marchés — déplaçant des stocks, réalisant des inspections, exécutant de la logistique — sa performance n'est pas jugée de manière isolée. Elle est jugée par rapport aux courbes de coût, à la pression temporelle, aux objectifs de marge. Et cette pression façonne le comportement, que nous l'admettions ou non.