Pourquoi nous avons créé Fyronex Driftor

Fyronex Driftor n’est pas né de l’idée de lancer « une plateforme de trading de plus ». Le projet a commencé par une question beaucoup plus concrète : comment suivre des marchés qui ne s’arrêtent pratiquement jamais lorsque l’information utile est dispersée entre des dizaines d’outils, de graphiques, de flux de données et d’alertes ?

Au début de 2021, plusieurs futurs membres de l’équipe travaillaient déjà autour de la donnée financière, des infrastructures logicielles et de l’analyse des marchés numériques. Leur difficulté quotidienne n’était pas l’absence d’informations. C’était exactement l’inverse : il y en avait trop, provenant de sources différentes et présentées sans toujours aider l’utilisateur à comprendre ce qui méritait réellement son attention.

Les prix évoluaient en permanence. Les marchés des cryptomonnaies fonctionnaient 24 heures sur 24. Les niveaux de volatilité pouvaient changer en quelques minutes. Les indicateurs techniques pouvaient donner des lectures différentes selon l’horizon temporel observé, tandis que certaines informations importantes étaient noyées dans un volume considérable de données secondaires.

Pour préparer une décision, il fallait souvent passer d’un graphique à un autre, comparer plusieurs périodes, vérifier les variations de volume, observer la volatilité, consulter des données provenant de plusieurs marchés, configurer des alertes et replacer l’ensemble dans son contexte.

Cette fragmentation est devenue le point de départ de Fyronex Driftor.

Notre première ambition n’était pas de construire un système prétendant « prédire le marché ». Nous voulions créer un environnement capable de mieux organiser l’information, accélérer certaines tâches d’analyse et laisser à l’utilisateur suffisamment de contrôle pour comprendre ce qu’il observe et ajuster sa propre approche.

C’est cette idée qui continue de guider le développement de Fyronex Driftor aujourd’hui.

Le problème auquel nous étions confrontés

Avant Fyronex Driftor, chacun des futurs fondateurs rencontrait le même problème sous une forme différente.

Julien Morel, ingénieur logiciel spécialisé dans les systèmes de données en temps réel, travaillait alors sur des architectures capables de traiter plusieurs flux simultanément. Il constatait que la collecte de données n’était pas particulièrement difficile en soi. Le véritable défi consistait à synchroniser ces informations, à identifier les données obsolètes ou incomplètes et à les présenter suffisamment vite pour qu’elles restent utiles.

Claire Vautrin, analyste produit ayant travaillé sur des outils de visualisation financière, rencontrait un autre problème : les utilisateurs disposaient souvent de dizaines d’indicateurs, mais ne savaient pas toujours lesquels regarder en priorité. Une interface pouvait être techniquement très complète tout en rendant la décision plus difficile.

Mathieu Leroux, qui avait plusieurs années d’expérience dans la conception de systèmes d’automatisation, observait quant à lui les limites des solutions entièrement automatisées. Des règles trop rigides pouvaient fonctionner dans certaines conditions de marché et devenir beaucoup moins pertinentes lorsque la volatilité, la liquidité ou la structure du marché changeaient.

Ces expériences convergeaient vers le même constat : le problème n’était pas seulement d’avoir accès aux données, mais de pouvoir les organiser, les contextualiser et les utiliser sans perdre le contrôle du processus de décision.

Une information répartie entre trop de sources

Un utilisateur pouvait surveiller les prix sur une plateforme, consulter les indicateurs techniques sur une autre, recevoir des alertes via un service distinct et utiliser encore un autre outil pour suivre son portefeuille.

Chaque service pouvait être utile séparément, mais le passage constant d’un environnement à l’autre augmentait la charge cognitive et le risque de manquer une information importante.

Un marché crypto qui ne s’arrête pas

Contrairement à de nombreux marchés traditionnels, les marchés crypto restent actifs jour et nuit. Pour une personne qui souhaitait suivre plusieurs actifs, le monitoring manuel permanent était irréaliste.

Nous avons donc commencé à réfléchir non pas à une automatisation qui remplacerait l’utilisateur, mais à une automatisation capable de prendre en charge les tâches répétitives : surveillance de seuils, détection de variations inhabituelles, organisation des alertes et traitement de plusieurs flux de données.

Trop de signaux, pas assez de contexte

L’un des problèmes observés dès les premières recherches concernait les services de signaux.

Un signal isolé du type « hausse », « baisse », « achat » ou « vente » peut sembler simple, mais il ne dit presque rien sur les conditions dans lesquelles cette information a été produite.

Nous voulions progressivement construire un système où l’utilisateur pourrait voir davantage de contexte : évolution récente, volatilité, momentum, variation du volume, horizon temporel concerné et niveau d’incertitude associé à l’analyse.

Pourquoi les solutions existantes ne nous suffisaient pas

Avant de développer Fyronex Driftor, nous avons étudié plusieurs catégories d’outils disponibles sur le marché.

Nous n’avons pas conclu qu’ils étaient inutiles ou mal conçus. Beaucoup répondaient correctement au problème spécifique pour lequel ils avaient été créés. Ce qui nous intéressait était le vide entre ces différentes catégories de produits.

Les tableaux de bord fragmentés

Certains services permettaient de consulter énormément d’informations, mais celles-ci restaient réparties entre plusieurs écrans, fenêtres et modules.

Nous avons réalisé qu’ajouter davantage de données n’améliorait pas nécessairement l’expérience. Dans certains cas, cela ne faisait qu’augmenter le nombre de décisions intermédiaires nécessaires avant d’arriver à une conclusion.

Les outils centrés uniquement sur les graphiques

Les graphiques avancés sont utiles, mais ils ne répondent pas seuls à toutes les questions. Une variation de prix peut avoir une signification différente selon le volume, la volatilité, l’horizon temporel ou la liquidité disponible.

Nous voulions donc relier la visualisation à d’autres couches d’information plutôt que de considérer le graphique comme une fin en soi.

Les systèmes d’automatisation trop rigides

Nous avons également testé des approches fondées sur des règles entièrement prédéfinies.

Le problème est apparu rapidement : une règle peut être cohérente dans une certaine configuration de marché et devenir beaucoup moins adaptée lorsque les conditions changent.

Cela nous a conduits à privilégier des paramètres configurables et des contrôles utilisateur plutôt qu’une logique d’automatisation entièrement opaque.

Les outils utilisant l’IA sans expliquer ses limites

Nous avons aussi constaté que le terme « intelligence artificielle » était parfois présenté comme une réponse universelle.

Notre expérience nous a montré le contraire. Un modèle peut détecter des relations dans des données historiques, classifier des situations ou aider à filtrer certains signaux, mais il ne transforme pas un marché incertain en environnement prévisible.

Cette distinction allait ensuite devenir l’un des principes fondamentaux de Fyronex Driftor.

Comment l’idée de Fyronex Driftor est née

Les premières discussions structurées autour du projet ont commencé en septembre 2021.

À cette époque, Julien Morel, Claire Vautrin et Mathieu Leroux ont commencé à comparer leurs observations et à définir une hypothèse simple :

et si une plateforme pouvait réduire la fragmentation des informations sans cacher la complexité réelle des marchés ?

Fyronex Driftor a officiellement commencé comme projet de développement en février 2022.

La première équipe comptait six personnes : deux ingénieurs data, un développeur back-end, une spécialiste UX, un analyste produit et un ingénieur spécialisé dans les systèmes d’automatisation.

Avant même la création du premier prototype, plusieurs principes avaient été définis.

• Les données devaient être contextualisées plutôt que simplement accumulées.
• Les outils d’IA devaient servir d’assistance à l’analyse et non être présentés comme une source de certitude.
• L’automatisation devait rester configurable.
• Les risques devaient être visibles dans le parcours utilisateur.
• Une interface plus simple ne devait pas signifier une information moins complète.
• La qualité des données devait être prioritaire par rapport au simple volume d’informations traitées.

Les premières étapes du développement

2022 : un premier prototype centré sur les données

La première version interne de Fyronex Driftor était très différente de la plateforme actuelle.

Il ne s’agissait pas encore d’un produit destiné à des utilisateurs externes. C’était essentiellement un environnement de test permettant d’agréger plusieurs flux de données de marché et d’observer leur comportement en temps réel.

L’équipe testait notamment :

• les données de prix de plusieurs paires crypto ;
• les variations de volume ;
• les spreads observés sur différentes sources ;
• la volatilité sur plusieurs horizons temporels ;
• des indicateurs tels que les moyennes mobiles, le RSI et le MACD ;
• la cohérence temporelle entre plusieurs flux de données.

L’un des premiers problèmes rencontrés concernait la synchronisation.

Deux sources pouvaient afficher des informations légèrement différentes ou mises à jour avec quelques secondes d’écart. Lorsqu’un système tente de comparer ces données automatiquement, même un petit décalage peut produire une interprétation incorrecte.

Cette difficulté nous a appris très tôt qu’un système rapide n’est utile que si les données qu’il traite sont suffisamment cohérentes.

Les premiers tests UX

Au printemps 2022, nous avons créé une première interface permettant d’afficher simultanément plusieurs indicateurs.

Nous pensions initialement que les utilisateurs voudraient voir autant de données que possible sur un seul écran.

Les tests internes nous ont rapidement montré que cette hypothèse était mauvaise.

Les utilisateurs mettaient davantage de temps à identifier une information importante lorsque trop de widgets apparaissaient simultanément.

Nous avons alors commencé à travailler sur une approche progressive : informations essentielles visibles en premier, détails complémentaires disponibles lorsqu’ils sont nécessaires.

Fin 2022 : une bêta limitée

À partir d’octobre 2022, une première bêta limitée a été proposée à un petit groupe de testeurs comprenant des utilisateurs ayant différents niveaux d’expérience.

Cette phase nous a permis de découvrir plusieurs problèmes que les tests internes n’avaient pas révélés.

Certains utilisateurs ne comprenaient pas pourquoi deux indicateurs semblaient parfois se contredire. D’autres interprétaient une alerte comme une recommandation plutôt que comme une information nécessitant une analyse supplémentaire.

Nous avons donc commencé à ajouter davantage de contexte aux alertes et à revoir le vocabulaire utilisé dans l’interface.

Comment le produit a évolué

2023 : reconstruire le pipeline de données

Au début de 2023, nous avons entrepris une refonte importante de notre pipeline de traitement des données.

Ce qui a changé : les flux ont été séparés en plusieurs couches de validation et de normalisation.

Pourquoi : certaines données arrivaient avec des formats ou des fréquences différentes, ce qui compliquait leur comparaison.

Ce que nous avons appris : la fiabilité d’une analyse dépend directement de la qualité de sa couche de données.

Ce que cela a apporté : une meilleure cohérence des indicateurs et une réduction des incohérences entre différentes sources.

2023 : une nouvelle architecture du tableau de bord

À l’été 2023, nous avons réorganisé le tableau de bord principal.

Au lieu de montrer immédiatement tous les outils disponibles, l’interface a été structurée autour de quelques questions simples : que se passe-t-il actuellement, qu’est-ce qui a changé et quels éléments méritent une vérification supplémentaire ?

Cette évolution est directement issue de nos premiers tests UX.

2024 : développement des analyses assistées par IA

En 2024, Fyronex Driftor a commencé à intégrer plus largement des méthodes d’analyse assistée par intelligence artificielle.

Nous avons testé des modèles capables notamment de :

• classifier certaines configurations de marché ;
• identifier des changements de comportement dans les données ;
• regrouper des événements présentant des caractéristiques similaires ;
• hiérarchiser des alertes selon plusieurs paramètres ;
• résumer certaines informations quantitatives pour faciliter leur lecture.

Cette période a aussi montré les limites de cette approche.

Un modèle peut trouver une structure dans des données historiques qui ne se reproduira pas nécessairement dans le futur. Nous avons donc progressivement renforcé les avertissements, les indicateurs de contexte et les possibilités de vérification manuelle.

2024 : davantage de contrôle sur l’automatisation

Les premières configurations d’automatisation utilisaient des paramètres relativement simples.

Les retours de bêta nous ont montré que les utilisateurs expérimentés souhaitaient contrôler plus précisément les conditions d’activation, tandis que les utilisateurs moins expérimentés avaient besoin d’explications plus claires.

Nous avons donc ajouté progressivement des paramètres configurables, des limites, des seuils d’alerte et des mécanismes permettant de désactiver rapidement certaines automatisations.

2025 : environnement de démonstration et outils de risque

En 2025, nous avons consacré une partie importante du développement à l’apprentissage et à la gestion du risque.

Un environnement de démonstration a été développé afin que les utilisateurs puissent explorer les principales fonctions sans dépendre immédiatement de conditions de marché réelles.

Nous avons également renforcé la visibilité des paramètres liés au risque, notamment les seuils, les limites d’exposition configurables et les alertes liées aux variations inhabituelles.

Nous avions appris que placer ces éléments dans un menu secondaire réduisait leur utilisation. Les informations de risque ont donc été davantage intégrées au workflow principal.

2026 : explicabilité, personnalisation et fiabilité

En 2026, notre priorité est moins d’ajouter un grand nombre de fonctions que de rendre les outils existants plus compréhensibles et plus contrôlables.

Nous travaillons notamment sur la manière d’expliquer pourquoi une donnée, une alerte ou un résultat analytique apparaît dans l’interface.

Cette approche reflète l’évolution générale du projet : nous sommes passés de la question « combien d’informations pouvons-nous traiter ? » à la question « quelles informations sont réellement utiles à l’utilisateur dans ce contexte précis ? ».

Ce que nous avons appris en chemin

Plus de données ne signifie pas toujours une meilleure analyse

Nos premières interfaces étaient trop chargées.

Cette expérience nous a appris qu’une grande quantité d’informations peut devenir une nouvelle forme de bruit. Aujourd’hui, nous privilégions davantage la hiérarchisation, les filtres et la personnalisation.

L’automatisation doit rester contrôlable

Une automatisation peut réduire le nombre de tâches répétitives, mais elle ne devrait pas empêcher l’utilisateur de comprendre ce qu’elle fait.

Nous avons donc évolué vers des mécanismes permettant de définir des seuils, de modifier certains paramètres et de suspendre une fonction automatisée lorsque l’utilisateur le souhaite.

L’IA ne doit pas être présentée comme une certitude

L’une des leçons les plus importantes de notre développement concerne les limites des modèles analytiques.

Une intelligence artificielle peut reconnaître des patterns, comparer rapidement de grandes quantités d’informations ou aider à classifier différentes situations. Cela ne signifie pas qu’elle connaît l’avenir.

Les marchés peuvent être influencés par des événements inattendus, des changements de liquidité, des réactions collectives ou des informations qui n’existaient simplement pas dans les données utilisées auparavant.

La vitesse ne remplace pas la qualité des données

Un résultat produit en quelques millisecondes n’a aucune valeur si la donnée d’origine est incorrecte, obsolète ou mal synchronisée.

C’est pourquoi une partie importante du travail de Fyronex Driftor se déroule avant même l’analyse : validation, normalisation, horodatage et contrôle de cohérence.

Un débutant a besoin de contexte, pas uniquement d’un signal

Nos premiers testeurs moins expérimentés avaient parfois tendance à interpréter une alerte comme une instruction.

Nous avons donc progressivement ajouté davantage d’explications sur les facteurs observés et sur les limites de chaque type d’indicateur.

La gestion du risque doit faire partie du parcours principal

Nous avons également appris qu’un outil de risque peu visible est souvent un outil peu utilisé.

Les paramètres de risque doivent être accessibles au moment où l’utilisateur examine une situation, et non uniquement dans une section séparée de la plateforme.

Comment les retours utilisateurs façonnent Fyronex Driftor

Le feedback n’est pas traité comme un processus séparé du développement. Il alimente directement la revue produit.

Nous recueillons notamment les informations provenant :

• des demandes adressées au support ;
• des retours obtenus pendant l’onboarding ;
• des tests d’utilisabilité ;
• des demandes de nouvelles fonctionnalités ;
• des observations anonymisées sur l’utilisation de certaines fonctions ;
• des programmes bêta ;
• des problèmes récurrents identifiés par les équipes produit et support.

Exemple : trop d’alertes pendant les périodes de forte volatilité

Lors des premières versions, plusieurs utilisateurs nous ont indiqué qu’ils recevaient trop d’alertes lorsque le marché devenait particulièrement volatil.

Nous avons analysé le problème et constaté que plusieurs règles pouvaient être déclenchées successivement par une seule séquence de marché.

Nous avons alors ajouté des mécanismes de regroupement et des paramètres permettant de réduire la fréquence de certaines notifications.

Exemple : difficulté à comprendre certains résultats analytiques

D’autres utilisateurs nous ont expliqué qu’un score ou une classification n’était pas très utile sans explication supplémentaire.

Cette remarque a accéléré notre travail sur l’explicabilité. Nous avons commencé à associer davantage d’éléments de contexte aux résultats analytiques : facteurs observés, période concernée et indicateurs ayant contribué au résultat.

Exemple : besoin de personnaliser davantage le tableau de bord

Les utilisateurs ne suivent pas tous les mêmes actifs ni les mêmes indicateurs.

À la suite de demandes répétées, nous avons progressivement rendu certaines sections du dashboard personnalisables afin que chacun puisse donner davantage de priorité aux informations qu’il utilise réellement.

Comment notre approche de l’IA et de l’automatisation a changé

Lorsque nous avons commencé Fyronex Driftor, nous pensions principalement à l’IA comme à un moyen d’accélérer le traitement des données.

Cette idée reste valable, mais notre compréhension s’est affinée.

Aujourd’hui, nous considérons l’intelligence artificielle comme une technologie d’aide à la décision.

Elle peut contribuer à :

• traiter de grands volumes d’informations ;
• identifier certains patterns dans les données ;
• classifier des situations de marché ;
• hiérarchiser des signaux selon plusieurs variables ;
• accélérer certaines étapes de l’analyse ;
• réduire une partie du travail manuel répétitif.

Mais l’expérience nous a également appris ce que l’IA ne peut pas faire de manière fiable.

Elle ne peut pas garantir l’évolution future d’un actif. Elle dépend des données disponibles. Elle peut produire des interprétations incorrectes. Elle ne supprime pas la volatilité, le risque de perte ou l’incertitude propre aux marchés financiers.

Pour cette raison, Fyronex Driftor n’est pas conçu autour de la promesse d’une « intelligence artificielle qui gagne à votre place ».

Notre approche consiste plutôt à utiliser les modèles comme une couche supplémentaire d’analyse, que l’utilisateur peut combiner avec d’autres informations et avec ses propres paramètres.

Ce qu’est Fyronex Driftor aujourd’hui

En 2026, Fyronex Driftor est une plateforme technologique orientée vers l’analyse des marchés crypto et financiers, le traitement de données, les outils d’analyse assistée par IA et certaines fonctions d’automatisation configurables.

La plateforme s’adresse aussi bien aux utilisateurs qui souhaitent simplifier leur lecture des marchés qu’à ceux qui veulent organiser plusieurs sources de données dans un environnement unique.

Données et marchés suivis

Selon les sources de données disponibles et les fonctionnalités activées, Fyronex Driftor peut traiter des informations liées notamment :

• aux cryptomonnaies ;
• aux principales paires de devises ;
• aux indices de marché ;
• à certaines actions ;
• aux matières premières ;
• aux données de prix, de volume et de volatilité.

Outils analytiques

La plateforme peut intégrer des graphiques, des indicateurs techniques, des alertes personnalisables, des comparaisons temporelles et des outils destinés à structurer certaines données de marché.

Analyses assistées par IA

Les modèles peuvent aider à identifier des structures ou des variations dans de grands ensembles de données.

Ces résultats doivent être considérés comme des informations analytiques, et non comme des recommandations garanties ou des prédictions certaines.

Automatisation

Certaines tâches répétitives peuvent être automatisées selon les paramètres définis par l’utilisateur, par exemple la surveillance de conditions particulières ou le déclenchement d’alertes.

Lorsque l’exécution d’ordres ou la conservation de fonds est proposée par un service externe, ces opérations relèvent du courtier, de la plateforme d’échange ou du prestataire concerné. Fyronex Driftor reste distinct de ces services réglementés.

Ce que l’utilisateur contrôle

Nous cherchons à maintenir un niveau de contrôle direct sur les paramètres principaux : actifs suivis, seuils d’alerte, configuration du tableau de bord, paramètres de certaines automatisations et niveau d’information affiché.

Aucune configuration ne supprime cependant le risque financier associé au trading.

Nos objectifs aujourd’hui

Rendre les analyses plus compréhensibles

Nous voulons réduire la distance entre un résultat analytique et la manière dont il a été produit.

Cela signifie améliorer les explications, le contexte et la visibilité des données ayant contribué à certains résultats.

Réduire le bruit informationnel

Notre objectif n’est pas d’afficher le plus grand nombre possible de métriques.

Nous cherchons plutôt à aider l’utilisateur à organiser l’information selon ses priorités et à distinguer plus facilement les changements significatifs des fluctuations ordinaires.

Améliorer les contrôles utilisateur

Les mécanismes automatisés deviennent moins utiles lorsqu’ils sont difficiles à modifier.

Nous continuons donc à travailler sur des réglages plus clairs, des seuils plus flexibles et des moyens plus simples d’activer ou de suspendre certaines fonctions.

Renforcer les outils liés au risque

Nous voulons rendre les informations de risque plus visibles au moment où elles sont nécessaires, notamment lors des périodes de forte volatilité ou lorsqu’un paramètre défini par l’utilisateur est dépassé.

Améliorer la fiabilité du traitement des données

Une partie importante de notre travail reste invisible pour l’utilisateur : contrôle des flux, gestion des erreurs, surveillance des latences et vérification de la cohérence des données.

Cette infrastructure reste une priorité parce qu’elle influence directement la qualité de toutes les autres fonctions.

Ce que nous prévoyons d’améliorer

Notre feuille de route n’est pas une liste de promesses définitives. Certaines fonctions sont encore en phase d’étude, d’expérimentation ou d’évaluation technique.

Davantage de sources de données

Nous étudions l’intégration de sources complémentaires lorsque celles-ci peuvent réellement améliorer la qualité ou la diversité de l’analyse.

L’objectif n’est pas simplement d’augmenter le volume de données, mais d’éviter de dépendre inutilement d’une seule source.

Des tableaux de bord plus flexibles

Nous explorons de nouvelles possibilités de personnalisation afin que les utilisateurs puissent organiser plus librement les informations qu’ils consultent le plus souvent.

Des fonctions d’IA plus explicables

L’un des domaines que nous souhaitons améliorer concerne la capacité à montrer plus clairement quels facteurs ont influencé une classification ou un résultat produit par un modèle.

Des outils d’analyse de portefeuille plus détaillés

Notre roadmap comprend l’évaluation de fonctionnalités permettant de mieux visualiser la concentration, la corrélation et certaines formes d’exposition au risque.

Davantage de contrôles sur l’automatisation

Nous étudions des configurations permettant de définir plus précisément quand une fonction automatisée doit intervenir, se limiter ou s’arrêter.

Contenus pédagogiques

Nous souhaitons développer davantage de ressources expliquant non seulement comment utiliser certaines fonctionnalités, mais aussi leurs limites et les situations dans lesquelles leur interprétation demande davantage de prudence.

Accessibilité, sécurité et confidentialité

Nous continuons à évaluer des améliorations concernant l’accessibilité de l’interface, la protection des comptes, la gestion des sessions, la surveillance des comportements inhabituels et la minimisation des données nécessaires au fonctionnement du service.

Validation des modèles analytiques

Nous explorons également de nouvelles méthodes de test permettant de comparer plus rigoureusement les résultats d’un modèle dans différentes conditions de marché.

Une performance historique ne constitue pas une garantie de performance future. Les modèles doivent donc être réévalués régulièrement lorsque la structure des données ou les conditions de marché évoluent.

L’expérience est un processus continu

Pour nous, l’expérience de Fyronex Driftor ne se résume pas à une date de création ou à un nombre d’années d’existence.

Elle se trouve dans les hypothèses que nous avons dû abandonner, les interfaces que nous avons simplifiées, les systèmes que nous avons reconstruits, les erreurs identifiées pendant les tests, les remarques récurrentes des utilisateurs et la manière dont notre compréhension de l’IA et de l’automatisation est devenue plus nuancée avec le temps.

Nous avons appris qu’un produit de trading ne devient pas meilleur simplement parce qu’il traite davantage de données ou automatise davantage d’actions.

Il devient plus utile lorsqu’il permet à l’utilisateur de comprendre ce qu’il voit, de contrôler ce qu’il configure, d’identifier les limites des outils utilisés et de rester conscient du risque associé aux marchés.

Fyronex Driftor continuera donc d’évoluer autour de cette logique : observer, tester, mesurer, écouter, corriger et recommencer.