L’architecture de contrôle a porté le taux de réussite du modèle à 100 %
Les recherches publiées le 21 août 2026 ont montré que le principal facteur déterminant la réussite des agents d’intelligence artificielle dans les tâches complexes et de longue durée n’était pas le modèle de langage, mais l’architecture de contrôle (harness) entourant le modèle. Dans l’étude menée par des chercheurs de Nvidia, le modèle Claude Opus 5 a été soutenu par un système de contrôle développé sur mesure. Le score de performance du modèle dans l’environnement ARC-AGI-3, un test de raisonnement interactif réalisé sans instructions particulières, est passé de 30 % à 100 %.
Les modèles de langage peuvent se révéler insuffisants à eux seuls dans les processus qui dépassent les commandes textuelles et nécessitent de prendre des décisions en plusieurs étapes pendant plusieurs jours. Une étude menée par Microsoft dans le cadre de tâches de documentation, au cours de laquelle 19 grands modèles de langage différents ont été testés, avait établi que même les modèles les plus avancés entraînaient un grand nombre d’erreurs dans les documents. Des observations de terrain montrant que des agents d’intelligence artificielle autonomes dépourvus de mécanisme de contrôle pouvaient se livrer à des violations des règles ou à des luttes de pouvoir renforcent également le besoin de cette infrastructure.
Le rôle de gestionnaire de l’agent superviseur
L’architecture de contrôle appelée AVO (Agentic Variation Operators) par Nvidia prend en charge la gestion de la mémoire, le suivi du contexte et l’exécution des boucles de rétroaction. L’élément le plus important de l’architecture est constitué par le composant superviseur, positionné au-dessus de l’agent chargé d’exécuter la tâche principale. Ce système superviseur, qui intervient lorsque l’agent principal atteint une impasse ou s’engage dans un processus répétitif, réoriente le fonctionnement vers la bonne trajectoire.
Dans le test ARC-AGI-3, qui couvre des jeux 2D dépourvus d’instructions, Claude Opus 5 avait atteint un taux de réussite de 30,16 % sans aucun composant supplémentaire et obtenu le score individuel le plus élevé parmi les modèles. Les ingénieurs d’OpenAI n’ont pas pu atteindre une réussite totale, bien qu’ils aient triplé le score en modifiant les paramètres de contrôle de leurs propres modèles. Cette situation a révélé la différence créée par le composant agent superviseur.
L’importance des architectures ouvertes en matière de coûts et de sécurité
L’impact apporté par l’architecture de contrôle ne se limite pas aux taux de précision. Des recherches menées par Databricks montrent que, même lorsque le même modèle d’intelligence artificielle est utilisé, une couche de contrôle défaillante peut multiplier par 2 les coûts d’exploitation.
Un agent ne se compose pas uniquement d’une sortie API obtenue auprès du modèle.
Un agent constitue un tout qui englobe, en plus du modèle, l’architecture de l’ensemble d’outils entourant celui-ci, l’environnement d’exécution et les bibliothèques auxquelles il peut accéder.
Dans le cadre de l’écosystème open source NeMo, Nvidia cherche à offrir aux développeurs des moyens de contrôle par l’intermédiaire des outils d’infrastructure qu’elle fournit. Il est indiqué que le fait de conserver le mécanisme de contrôle flexible, plutôt que d’augmenter constamment les poids des modèles, permet d’optimiser les coûts et de réduire les risques de sécurité.