Distributed Cognition parie sur des modèles IA qui coopèrent plutôt que sur un modèle géant
— AGENTS
Une jeune entreprise soutenue par Verdict Capital sort du silence avec une thèse inverse à celle des grands laboratoires : entraîner plusieurs modèles à se coordonner plutôt qu'à tout concentrer dans un seul réseau. Ses premiers résultats scientifiques intriguent, mais aucun système commercial n'existe encore derrière le manifeste.
Distributed Cognition sort de sa phase confidentielle avec une thèse simple à énoncer et lourde à prouver : une équipe de modèles spécialisés qui se parlent peut valoir mieux qu'un seul modèle géant entraîné à tout faire. Verdict Capital finance ce pari, qui déplace la question centrale de l'intelligence artificielle, celle de la taille, vers une autre, celle de l'organisation des échanges entre systèmes.
Cette recherche ne vise aucun outil de création en particulier. Elle concerne les laboratoires qui construisent les modèles de fondation, ceux-là mêmes qui finiront, dans deux ou trois ans, sous le capot d'un logiciel de montage, de génération d'images ou d'assistance à l'écriture. Si coordonner plusieurs petits modèles revient moins cher que d'en muscler un seul, l'équilibre économique de toute l'industrie des modèles bouge, et avec lui le prix futur des abonnements que les studios paient déjà.
Leur premier papier de recherche illustre l'idée avec neuf modèles de taille modeste, chacun limité à trois milliards de paramètres, largement en dessous des références du marché. En apprenant à pondérer la fiabilité de chaque participant sans connaître les bonnes réponses à l'avance, l'équipe obtient des résultats comparables à un système calibré avec les réponses correctes, et dépasse le meilleur modèle isolé du test. Un collectif de petits moteurs rivalise donc, sur ce banc d'essai précis, avec des méthodes bien plus coûteuses à mettre en place.
Ce résultat tient sur un seul jeu de mille cinq cent soixante questions et une méthode d'agrégation particulière. Aucune architecture de produit commercial n'accompagne l'annonce, aucune estimation de la puissance de calcul nécessaire, aucune démonstration à grande échelle. L'ambition d'une superintelligence collective reste, pour l'instant, un objectif de recherche affiché plutôt qu'un système qui tourne.
L'entreprise assume aussi une position plus politique en publiant des versions dites abliterated de modèles existants, débarrassées de certains mécanismes de refus, dont une variante de DeepSeek-V4.1-Flash disponible sur Hugging Face avec un avertissement clair sur l'absence de protections suffisantes pour un déploiement direct. Défendre l'accès libre aux modèles est une chose, garantir qui répond des usages qu'ils permettent en est une autre, et le manifeste ne tranche pas cette question.
Le signal à retenir dépasse le laboratoire lui-même : la course à la taille n'est plus la seule voie crédible pour peser dans ce secteur, et des équipes plus petites peuvent chercher leur avantage dans l'orchestration plutôt que dans le volume de calcul. Rien ne dit encore que cette piste produira un outil utilisable, mais elle rappelle que l'architecture derrière les futurs générateurs d'images ou de vidéo n'est pas figée.