> Agent4Science : une plateforme expérimentale de “réseau social” pour agents IA, où ceux-ci publient, critiquent et discutent de recherche scientifique sans participation humaine directe.

Donc le phénomène est réel. L’institution est réelle. Le labo est reconnu.

Mais ça ne suffit pas à en faire un signal utile.

S'abonner maintenant

Une histoire qui se répète

En janvier 2026, Moltbook a fait le tour de la sphère tech. C’était présenté comme le premier réseau social réservé aux agents IA, sans humain. Andrej Karpathy avait qualifié ça de « chose la plus incroyable à côté du décollage de la science-fiction ». Des milliers d’agents discutaient, votaient, s’organisaient.

Sauf que la réalité était autre. Une enquête de Wiz a révélé que derrière les 1,5 million d’agents Moltbook, il y avait environ 17 000 humains. Pire : n’importe qui pouvait créer un compte agent et publier en son nom via une simple requête POST. La plateforme n’avait aucun mécanisme pour vérifier qu’un “agent” était réellement de l’IA.

> Moltbook : un réseau social conçu pour les agents IA, où ceux-ci postent, commentent et votent. Initialement promu comme un espace sans humain, il s’est avéré être principalement des humains pilotant des flottes de bots.

Leçon : quand on annonce un réseau social « sans humain », la question n’est pas seulement de savoir si des agents discutent. C’est de savoir qui décide, qui contrôle, et qui vérifie.

Agent4Science semble plus sérieux. Le labo est reconnu, la démarche est académique, et l’objectif est d’étudier les interactions entre agents. Mais le même risque existe : 150 agents qui échangent des commentaires sur des papiers générés par d’autres agents, ce n’est pas de la science validée. C’est de l’auto-cohérence en boucle.

> Auto-cohérent : quelque chose qui semble logique en interne, mais qui n’a pas été confronté à un regard extérieur critique ou à des données nouvelles.

La science fonctionne par confrontation. Même les meilleures revues par pairs humaines ont des failles. Remplacer ça par des agents qui se débattent entre eux, pourrait créer une boucle infinie sans valeur ajoutée.

—

La question de fond

Imaginons qu’on laisse 150 agents débattre de la composition chimique d’un nouveau médicament, puis décider seuls de sa formule finale.

Accepterais-tu qu’on te l’injecte sans qu’un expert humain ait vérifié leurs conclusions ? Sans essais cliniques, sans peer review humain, sans régulateur compétent ?

La réponse est probablement non.

Et cette réponse définit la limite.

Entre se faire aider par des agents IA pour accélérer des découvertes scientifiques et laisser l’IA décider seule de solutions qui s’appliqueront aux humains, il y a un gouffre. Agent4Science est une expérience du côté « aider ». Sur le papier, il y a des validations humaines dans la boucle.

S'abonner maintenant

Quand une news IA te fait lever les sourcils, pose-toi trois questions :

1. Qui l’a publié ? Une institution, un journal reconnu, un blog, ou un compte anonyme ?

2. Y a-t-il une preuve vérifiable ? Code, papier, site officiel, démo publique ?

3. Le chiffre est-il actionnable ?

Si la première question est floue et que la deuxième est non, tu peux probablement passer ton chemin, même si le chiffre est vrai.

Laissez un commentaire.

Partager

Sur le papier, ils sont spectaculaires : un orchestrateur qui coordonne plusieurs modèles d’IA derrière une seule API et qui, selon les tableaux publiés par Sakana, égalerait Fable 5 et Mythos Preview d’Anthropic. L’idée est séduisante : contourner la concentration des fournisseurs par l’intelligence collective.

Sauf que, dans la vraie vie, les premiers testeurs indépendants rapportent autre chose.

S'abonner maintenant

Fugu Ultra : le benchmark ne raconte pas l’usage

Sakana Fugu n’est pas un modèle unique. C’est un orchestrateur. Vous envoyez une requête à un point d’entrée, et Fugu décide en interne quel(s) modèle(s) appeler, comment découper la tâche, et comment synthétiser les réponses.

Le concept est pertinent. Le problème, c’est ce qu’on ne voit pas.

> Orchestrateur : un système qui choisit et enchaîne plusieurs modèles spécialisés pour répondre à une demande, sans que l’utilisateur ait à le faire lui-même.

Vous ne savez pas quels modèles sont utilisés. Vous ne savez pas combien de tokens sont brûlés rien que pour coordonner la première action. Vous ne maîtrisez pas les coûts. Pour un développeur qui utilise déjà Claude Code, OpenCode ou Hermes Agent avec des agents et des modèles choisis explicitement, Fugu ressemble à un pas en arrière : on remplace le choix technique par un acte de foi.

Et les retours terrain confirment le doute.

Ethan Mollick, qui teste beaucoup d’outils créatifs en public, a fait tourner Fugu Ultra-high sur des scènes interactives et des shaders. Résultat : près de 30 minutes d’attente, une sortie qualifiée de « fine », mais qui ne matchait pas Fable en pratique. D’autres testeurs mentionnent une consommation de tokens élevée, une latence importante et des résultats inconsistants.

Ce n’est pas un échec. C’est un rappel.

Un benchmark est une photo. L’usage réel est un film.

Quand Sakana dit « on égale Fable », elle dit en réalité : « une équipe d’autres modèles publics arrive à rivaliser avec Fable sur certaines tâches de benchmark ».
C’est déjà intéressant. Ce n’est pas ce que le titre de presse laisse entendre.
—

Ornith-1.0 : le nouveau né open-source

Pendant ce temps, DeepReinforce a sorti Ornith-1.0, une famille de modèles open-source dédiée au code. Les annonces affirment qu’il approche, voire dépasse, Claude Opus 4.7 sur certains benchmarks de programmation.

Cette fois, on a une différence majeure : les poids sont publics. Vous pouvez télécharger les versions 9B ou 35B sur Hugging Face/Ollama. Des quantifications GGUF existent pour les faire tourner localement via Ollama. Vous n’avez pas à croire sur parole.

> GGUF : un format de modèle compressé qui permet de faire tourner un LLM sur une machine locale, même sans GPU très puissant.

Là où Fugu vous demande de confiance, Ornith vous donne la clé du capot.

Naturellement, les benchmarks de DeepReinforce sont probablement sélectionnés pour mettre le modèle en valeur. Mais le point n’est pas de savoir qui a le meilleur score. Le point, c’est que vous pouvez l’intégrer dans votre workflow, le mesurer sur vos propres tâches, et voir s’il vaut mieux qu’un modèle propriétaire pour ce que vous faites.

C’est rarement le leaderboard qui décide. C’est votre terminal.

—

Prometheus : 12 milliards de dollars, combien de démonstrations ?

Jeff Bezos a levé 12 Md$ pour Prometheus, une startup censée construire un « ingénieur général artificiel » pour le monde physique. Valorisation : 41 Md$. Objectifs affichés : aérospatial, automobile, puces.

Le montant est colossal. Les démonstrations publiques, en revanche, sont quasi absentes. À ce stade, Prometheus est davantage une thèse d’investissement qu’un produit que l’on peut évaluer.

Ce n’est pas un rejet. C’est une question honnête : avant d’appeler ça un tournant de l’IA industrielle, que peut-on vraiment faire avec aujourd’hui ?

S'abonner maintenant

—

Cette semaine, deux visions se sont affrontées.

D’un côté, des annonces spectaculaires : orchestrateurs qui battent des records, modèles industriels financés à coups de milliards. De l’autre, une réalité plus terre-à-terre : lenteur, coûts non maîtrisés, manque de transparence, absence de preuves d’usage.

La leçon n’est pas que ces outils sont inutiles. C’est qu’il ne faut plus accepter un benchmark comme preuve d’adoption.

❌ Ne pas croire un score sans l’avoir testé sur sa propre tâche.

❌ Ne pas confondre « accessible via API » et « maîtrisable en production ».

✅ Dans plusieurs cas métiers, privilégier ce qu’on peut auditer, héberger, mesurer et dans d’autres, s’en remettre aux modèles fermés qui prouvent leur supériorité.

—

As-tu testé Fugu Ultra, Ornith-1.0, ou un autre modèle récent sur une tâche réelle ?

Raconte ton ressenti en commentaire. Pas le benchmark officiel : le temps d’exécution, le coût, le nombre de tentatives nécessaires, et surtout si tu referais la même chose demain.

Laissez un commentaire.

Partager

Artificial General Intelligence. L’IA qui pense comme un humain. Qui resout tout. Qui remplace tout.

C’est le fantasme. Le blockbuster. La promesse des conférences a 5 000 dollars la place.

Mais ce n’est pas la que la révolution a lieu.

LA RÉVOLUTION SILENCIEUSE

La vraie révolution est silencieuse. Elle ne fait pas de vidéos. Elle ne ressemble pas a Jarvis. Elle ne génère pas de fruits qui dansent.

Elle soigne.

Cette semaine, OpenAI et l’hopital pour enfants de Boston ont rouvert 376 cas de maladies genetiques rares. 18 diagnostics nouveaux confirmes. Des familles qui avaient tout essaye ont enfin une reponse. o3 Deep Research a lu la litterature medicale, relie les genes aux symptomes, propose des variants que les medecins n’avaient pas identifies.

Pas de spectacle. Pas de viral. Juste une preuve de plus que l’IA médicale sauve des vies dans le silence des laboratoires.

Ce n’est pas la que la révolution s’arrête.

---

LA ROBOTIQUE BASCULE

La robotique aussi change. Des robots répètent aujourd’hui des mouvements qui étaient autrefois trop complexes a programmer. Ce qui demandait des ingénieurs spécialises et des mois de calibration devient relativement simple.

Les mouvements repetitifs — saisir, placer, assembler, vérifier — sont aujourd’hui a la portée de la programmation par démonstration. Un opérateur montre le geste au robot. Le robot l’apprend. Il le reproduit. Il l’adapte.

Ce qui semblait magique il y a dix ans devient accessible. Et ça touche le travail de milliers de personnes. Pas demain. Maintenant.

---

LES AGENTS A L’ÉCHELLE

Et puis il y a les agents. Pas l’agent conversationnel qui te répond sur ChatGPT. Les vrais agents. Déployés a l’échelle.

Un expert. Une configuration longue et minutieuse. Et dix sous-agents qui exécutent en parallèle. Chacun sait ce qu’il doit faire. Chacun a ses outils. Chacun rend compte.

❌ Ce n’est pas magique. Ça ne marche pas du premier coup.

✅ Mais une fois que c’est bien fichu, un seul expert produit au niveau de dix. L’efficacité est phénoménale.

La configuration prend du temps. Il faut définir les rôles, les outils, les sorties, les garde-fous. Il faut tester, corriger, re-tester. C’est du travail d’architecte, pas de magicien.

Mais quand c’est en place, l’agent ne fatigue pas. Il ne fait pas de pause café. Il ne se trompe pas deux fois au même endroit. Il exécute.

---

LE FANTASME DE L’AGI

L’AGI est le fantasme qui distrait. On attend le super-héros. Le cerveau parfait. La machine qui pense.

Mais le vrai changement vient de l’IA appliquée avec précision la ou ça coince. Dans les hôpitaux, ou elle diagnostique ce que les médecins n’ont pas vu. Dans les usines, ou elle reproduit des gestes qui coutaient des milliers d’heures. Dans les bureaux, ou elle exécute des workflows que des équipes entières peinaient a tenir.

Ce ne sont pas des histoires de science-fiction. Ce sont des rapports d’activité. Des bilans trimestriels. Des cas cliniques.

---

LE VRAI PROBLÈME

Le vrai problème n’est pas que l’AGI n’arrive pas assez vite. Le vrai problème est que nous passons notre temps a commenter l’IA au lieu de l’utiliser.

Dix lignes sympathiques sur LinkedIn. Un thread viral sur Twitter. Une vidéo YouTube qui parle de nouvelles techno formidables.

C’est du bruit. Du bruit qui masque le signal.

Parce que les vrais benefices, ce n’est pas ce qu’on raconte. C’est ce qu’on obtient en testant, en exécutant, en se trompant, en comprenant, en se perfectionnant.

Tu peux lire 100 posts sur l’IA. Si tu n’as pas fait la moitie de l’exécution, tu n’as aucune information a toi. Rien que tu puisses utiliser dans ton domaine.

---

LA QUESTION QUI COMPTE

La révolution n’attend pas que l’AGI arrive. Elle est déjà là, dans les hôpitaux, les usines, et les workflows de ceux qui ont choisi de construire au lieu de commenter.

L’IA a-t-elle déjà eu un impact dans ton activité ?

Si oui, lequel ? Et comment tu l’améliores ?

> « Ce qui compte, ce n’est pas l’IA que tu attends. C’est l’IA que tu déploies. »

---

CE QUE JE FAIS

Je ne cherche pas l’AGI. Je cherche l’application précise.

Dans mon workflow, j’utilise des agents pour generer des videos, rediger des articles, structurer des recherches. Ce n’est pas spectaculaire. C’est du travail quotidien. Mais c’est du travail qui aurait pris dix fois plus de temps il y a un an.

Je teste chaque semaine un nouvel outil. Pas pour en parler. Pour l’utiliser. Pour voir si ça accélère mon travail. Pour comprendre ses limites. Pour intégrer ce qui marche et rejeter ce qui ne marche pas.

C’est lent. C’est discret. Ça ne fait pas de viral.

Mais c’est la que la valeur se crée. Et le fait que vous soyez en train de me lire aujourd’hui est aussi le fruit de ce travail, alors merci.

---

L’AGI est un fantasme utile. Il mobilise. Il finance. Il fait rêver.

Mais la vraie révolution est silencieuse. Elle a lieu dans les laboratoires médicaux, les chaines de production, les bureaux ordinaires. Elle est portée par ceux qui testent, qui exécutent, qui apprennent.

Ne cherche pas l’IA parfaite. Cherche l’IA que tu peux utiliser aujourd’hui. Et utilise-la.

Laissez un commentaire.

Partager