MagenticLite, MagenticBrain, Fara1.5 : une expérience à base d'agents optimisée pour les petits modèles

OpenAI étend son API Responses pour en faire une base pour les agents autonomes

OpenAI a annoncé une extension majeure de son API Responses, transformant cette interface en fondation dédiée à la création d'agents autonomes. Parmi les nouvelles fonctionnalités dévoilées figurent un outil shell intégré, une boucle d'exécution agentique native, un espace de travail conteneurisé hébergé par OpenAI, un mécanisme de compaction du contexte pour gérer les longues sessions, et un système de compétences réutilisables permettant de composer des agents modulaires. Cette mise à jour positionne explicitement l'API Responses comme le socle recommandé pour les workflows multi-étapes et les agents capables d'agir de manière prolongée sans intervention humaine. Pour les développeurs, ces ajouts réduisent considérablement la complexité de construire des agents fiables. Auparavant, gérer une boucle d'exécution, maintenir un contexte cohérent sur de longues chaînes d'actions ou orchestrer des outils système nécessitait une infrastructure personnalisée lourde. En intégrant ces mécanismes directement dans l'API, OpenAI abaisse la barrière d'entrée et permet à des équipes réduites de déployer des agents capables d'accomplir des tâches complexes — automatisation de code, analyse de données, interactions avec des systèmes externes — sans réinventer l'infrastructure sous-jacente. Cette annonce s'inscrit dans une course intense entre les grands acteurs de l'IA pour capter l'écosystème développeur autour de l'agentique. Anthropic pousse son SDK Claude Agent, Google déploie ses propres outils d'orchestration, et des frameworks comme LangChain ou AutoGen tentent de rester pertinents face à ces offres natives. En intégrant l'outillage directement dans son API, OpenAI cherche à fidéliser les développeurs dans son écosystème et à standardiser sa vision de ce que doit être un agent — une pression supplémentaire sur les concurrents pour accélérer leurs propres offres.

RightNow AI publie AutoKernel : un framework open source qui applique une boucle d'agents autonomes à l'optimisation des kernels GPU pour les modèles PyTorch

RightNow AI a publié AutoKernel, un framework open-source qui automatise l'optimisation des kernels GPU pour n'importe quel modèle PyTorch. Le principe est simple : soumettre un modèle avant de dormir et retrouver au matin des kernels Triton plus rapides, sans avoir à maîtriser la programmation GPU de bas niveau. Le système repose sur une boucle agentique autonome : un agent LLM modifie un fichier kernel.py, un banc de test vérifie la correction puis mesure le débit, et le résultat détermine si la modification est conservée ou annulée via un git reset. Chaque itération dure environ 90 secondes, ce qui permet de réaliser 300 à 400 expériences lors d'une session de 10 heures. L'agent suit un manuel d'optimisation en six niveaux encodé dans un document de 909 lignes, couvrant le réglage des tailles de blocs, les patterns d'accès mémoire, les optimisations de calcul comme TF32, les techniques avancées comme split-K, et les stratégies spécifiques aux architectures Hopper et Ampere de NVIDIA. L'enjeu est considérable pour l'industrie du machine learning. Optimiser un kernel GPU de haute performance exige de raisonner simultanément sur l'intensité arithmétique, la coalescence mémoire, la pression sur les registres, la synchronisation au niveau warp et la sélection des instructions tensor core, un ensemble de compétences qui prend des années à acquérir. Un seul kernel de multiplication matricielle performant peut représenter plus de 200 lignes de code CUDA ou Triton avec des dizaines de paramètres interdépendants. La suite de benchmarks KernelBench, qui évalue les grands modèles de langage sur 250 problèmes de kernels GPU, a montré que même les meilleurs modèles n'égalaient la baseline PyTorch que dans moins de 20 % des cas en génération directe. AutoKernel répond précisément à ce déficit en rendant cette expertise accessible sans spécialiste humain, ce qui pourrait accélérer significativement le développement et le déploiement de modèles d'IA. L'approche s'inspire directement du projet autoresearch d'Andrej Karpathy, dans lequel une boucle keep/revert appliquée à du code d'entraînement LLM avait permis de découvrir 20 optimisations en 700 expériences sur deux jours avec un seul GPU. AutoKernel transpose cette logique à l'espace des kernels, en substituant la loss de validation par un benchmark de correction et de débit comme fonction d'évaluation. La traçabilité est assurée par git, les résultats étant stockés dans un fichier TSV lisible directement par l'agent. Ce type de framework illustre une tendance plus large où les tâches d'ingénierie hautement spécialisées deviennent des cibles pour l'automatisation agentique, réduisant la dépendance aux rares experts en optimisation GPU à mesure que les architectures de modèles continuent d'évoluer.

💬 L'idée de laisser tourner une boucle agentique toute la nuit pour sortir des kernels Triton optimisés au matin, c'est exactement ce qu'on attendait depuis qu'on a vu Karpathy faire la même chose sur du code d'entraînement. La partie vraiment bien foutue, c'est le mécanisme d'évaluation : un benchmark de correction avant tout, et le git reset si ça régresse, ce qui évite de passer des heures à débugger des "optimisations" qui cassent tout. Pour les équipes sans expert CUDA dans les jambes, c'est une vraie bouffée d'air.

Les entreprises IA à base d'agents : concevoir pour des performances mesurables

Les agents d'intelligence artificielle semi-autonomes capables de gérer des tâches métier complexes en temps réel ne sont plus une promesse lointaine, c'est désormais une réalité opérationnelle pour certaines grandes entreprises. EdgeVerve, filiale d'Infosys spécialisée dans l'automatisation intelligente, a récemment publié un cadre de conception pour déployer ces agents à l'échelle industrielle. L'entreprise cite ses propres déploiements en production : dans un environnement financier réel piloté par un directeur financier, sept agents interconnectés ont généré en un an une amélioration de plus de 3 % des flux de trésorerie mensuels, un gain de productivité de 50 % sur les workflows concernés, un onboarding 90 % plus rapide, et un impact total de 32 millions de dollars sur la trésorerie. En maintenance immobilière, des résultats similaires ont été obtenus grâce à des agents spécialisés dans la coordination des interventions. Ces chiffres illustrent ce qui distingue un pilote réussi d'un projet abandonné : l'ancrage dans des objectifs métier mesurables dès le départ. La méthode préconisée consiste à partir des KPI organisationnels, délai de recouvrement (DSO), taux de conformité, temps moyen de résolution (MTTR), satisfaction client (NPS), pour définir les objectifs des agents, puis seulement choisir les workflows à automatiser. Les "zones grises opérationnelles", ces espaces entre les applications où subsistent encore des validations manuelles, des réconciliations et des transferts humains, représentent le prochain gisement de valeur. C'est là que les agents peuvent éliminer les frictions systémiques sans remplacer intégralement des processus formalisés. Le cadre repose sur quatre piliers : autonomie calibrée selon le niveau de risque (de la simple suggestion à l'exécution avec rollback automatique), gouvernance intégrée dès la conception avec des garde-fous stricts sur les données personnelles et réglementaires, observabilité continue via des évaluations et métriques en temps réel, et flexibilité d'intégration allant bien au-delà des seules API classiques, en incluant les flux événementiels, les connecteurs RAG pour bases documentaires, et des fallbacks RPA là où les API n'existent pas. Le risque central identifié est celui des agents "hallucinant" des actions non vérifiables par l'entreprise, d'où l'insistance sur l'idempotence, les mécanismes de retry et les schémas d'outils standardisés. Dans un contexte où de nombreuses entreprises peinent encore à sortir leurs agents du stade expérimental, ce retour d'expérience chiffré positionne EdgeVerve comme un acteur cherchant à normaliser les déploiements agentiques en environnement critique.

Deloitte : mettre à l'échelle les agents autonomes pour une vraie croissance

Deloitte appelle les grandes entreprises à dépasser le stade des chatbots pour entrer dans l'ère de ce qu'il nomme l'"intelligence autonome". Selon Prakul Sharma, directeur associé et responsable de la pratique IA chez Deloitte Consulting LLP, les organisations traversent une courbe de maturité en trois temps : l'"intelligence assistée", où l'IA aide à interpréter l'information ; l'"intelligence artificielle", où le machine learning augmente les décisions humaines ; puis l'"intelligence autonome", où les systèmes décident et agissent de façon indépendante dans des périmètres définis. Les applications d'IA générative actuelles, chatbots, résumés automatiques, assistants conversationnels, occupent encore le milieu de cette courbe. L'IA agentique en constitue le pont vers l'autonomie complète. La distinction fondamentale, selon Sharma : là où un modèle génératif produit une réponse, un système autonome poursuit un résultat en raisonnant sur un objectif, en mobilisant des outils et des données, en s'adaptant aux conditions changeantes, sans que l'humain pilote chaque étape. Pour produire une valeur économique réelle, ces systèmes doivent s'intégrer directement dans les flux générateurs de revenus ou porteurs de coûts. Deloitte illustre ce principe avec un cas concret dans les achats d'entreprise : un agent IA croise en continu les stocks de la chaîne d'approvisionnement avec les prix fournisseurs en temps réel dans un ERP, autorise automatiquement les bons de commande dans des paramètres financiers prédéfinis, et ne sollicite une validation humaine qu'en cas de déviation. Mais pour que ce scénario tienne, le système doit disposer d'une identité vérifiable dans l'ERP, accéder à des données tarifaires contractuellement opposables, et opérer dans des seuils d'approbation validés par les équipes juridiques et conformité. L'absence de l'un de ces prérequis suffit à invalider toute la démarche. L'enjeu n'est donc pas l'agent lui-même, mais l'architecture de gouvernance qui l'entoure : gestion des identités, points de contrôle humains, garde-fous formalisés. La méthode que Deloitte préconise avant tout déploiement commence par un audit décisionnel rigoureux. Sharma conseille aux dirigeants d'identifier une ou deux chaînes de valeur dont les résultats sont bloqués non par des tâches, mais par des décisions : qui détient la donnée, qui a l'autorité, où les transferts dysfonctionnent, où le jugement humain s'applique. Cet exercice localise les workflows où l'autonomie créera de la valeur économique tangible, tout en révélant les lacunes de données et de gouvernance qui ont fait échouer les pilotes précédents. Une fois ces fondations posées, couche IA et agentique, données, évaluations, identité des agents, boucles humaines, Deloitte les déploie sur une première chaîne de valeur, prouve le modèle, puis le réplique. Dans un contexte où les modèles de fondation des grands fournisseurs sont devenus des commodités quasi interchangeables, c'est désormais sur l'infrastructure amont et la gouvernance que se jouent les différences compétitives.

💬 Ce que Deloitte dit en creux, c'est que les modèles sont devenus des commodités, et que la vraie compétition se joue maintenant sur l'infrastructure : identités agents dans les systèmes, données contractuellement solides, garde-fous validés par le juridique. Sans ça, le pilote échoue, on l'a tous vu ces deux dernières années. Bon, Deloitte a clairement intérêt à vendre de la gouvernance, mais le diagnostic tient.