Coinbase a déclaré que son agent IA conçu sur mesure a surpassé un système commercial d'IA de premier plan dans la détection de fraude, tout en répondant bien plus rapidement aux examens de paiements, réduisant les transactions frauduleuses de 30 % et la valeur des transactions frauduleuses de 22 % lors des tests menés sur le service Onramp de l'entreprise.

L'agent est basé sur Qwen3.5-9B, un modèle open-weight que les ingénieurs de Coinbase ont affiné sur des données de transactions internes propriétaires. Le directeur général Brian Armstrong a commenté ces résultats le 12 octobre, à la suite d'une série d'articles d'ingénierie en trois parties publiée par l'entreprise la semaine précédente.

"We were able to fine tune an open weight model (Qwen3.5-9B) on proprietary internal data at @coinbase , and it out performed frontier models, at much lower cost and speed, for a specialized task (fraud prevention in this case). I think we'll see more of this pattern inside… pic.twitter.com/x1gort3N6P"

— Brian Armstrong (@brian_armstrong) October 11, 2026

Dans sa publication, Armstrong a suggéré que ce résultat illustrait une tendance plus large : des modèles open-weight affinés sur des données propriétaires peuvent surpasser des systèmes de pointe sur des tâches étroites et spécialisées, à moindre coût et avec une plus grande rapidité.

Un examinateur IA réduit la fraude sur Onramp

Coinbase a d'abord ajouté cet examinateur IA à ses règles anti-fraude existantes et à ses contrôles d'apprentissage automatique sur Onramp, le service de l'entreprise permettant d'acheter des cryptomonnaies avec des devises fiduciaires. Lors d'une expérience en ligne, l'entreprise a enregistré 30 % de transactions frauduleuses en moins et une réduction de 22 % de la valeur des transactions frauduleuses.

Plutôt que d'évaluer chaque paiement isolément, l'agent a examiné des séquences de paiements récents pour détecter les activités suspectes. Cela lui a permis de bloquer un paiement ayant passé les contrôles précédents, bien qu'il n'ait pas eu l'autorité d'annuler un blocage déjà en place. Le modèle ne renvoyait que des classifications de risque, le code applicatif appliquant les décisions finales de transaction — un dispositif qui, selon l'entreprise, renforce la sécurité des transactions tout en maintenant des limites claires sur les décisions automatisées de prévention de la fraude.

Des tests internes valident un modèle plus petit affiné

Coinbase a comparé plusieurs modèles à l'aide d'un ensemble de test de 16 140 transactions impliquant 7 293 utilisateurs, dont 813 cas de fraude confirmés. L'entreprise a constaté que certains nouveaux modèles à usage général laissaient passer plus de fraude malgré des améliorations de la précision des transactions signalées.

Les ingénieurs ont ensuite adapté Qwen3.5-9B, un modèle open-weight de neuf milliards de paramètres, en utilisant les enregistrements historiques de fraude de Coinbase. Selon le rapport de l'entreprise, l'entraînement a été effectué sur un seul processeur graphique et a coûté moins de 100 $.

Face à l'Opus 4.5 d'Anthropic, le modèle adapté a amélioré son score F1 de 9,6 points de pourcentage Coinbase a également fait état d'un temps de réponse médian inférieur de 55 %, son modèle prenant 0,683 seconde par requête contre 1,515 seconde pour le système commercial, selon des mesures en production.

Ces résultats proviennent de tests menés par l'entreprise elle-même et non d'une évaluation indépendante des performances des modèles sur d'autres plateformes de paiement. Par conséquent, la comparaison rapportée est propre au flux d'examen des transactions de Coinbase et à ses conditions de test, plutôt qu'un classement général des modèles.

Des limites claires sur les décisions automatisées

Coinbase a indiqué que son modèle nécessite des tests continus à mesure que les schémas de fraude évoluent, avec des règles applicatives établies contrôlant le comportement du système. Cette approche rejoint l'avertissement de la société de sécurité CertiK la semaine dernière, selon lequel les agents autonomes ont besoin de limites claires et d'une responsabilité humaine. Pour le système décrit par Coinbase, la surveillance de l'efficacité des classifications à mesure que les schémas de fraude évoluent fera donc partie du fonctionnement de l'outil, aux côtés de ces règles applicatives.

Le recours à une IA spécialisée pour la prévention de la fraude intervient alors que les développeurs blockchain explorent d'autres applications de sécurité. Une découverte assistée par IA d'une faille sur le XRP Ledger a récemment conduit à la correction d'une vulnérabilité qui aurait pu permettre la création non autorisée de tokens. Par ailleurs, l'avertissement de Vitalik Buterin concernant l'IA et la sécurité des portefeuilles a suscité des inquiétudes quant à la possibilité que des systèmes avancés menacent également les protections cryptographiques existantes, tandis qu'un incident de phishing impliquant le compte social de Coldcard a montré que la sécurité des cryptomonnaies fait face à des menaces allant au-delà de la fraude transactionnelle.