Contexte technique
Cette nouvelle a attiré mon attention non pas à cause des grands noms, mais à cause de la pile technologique elle-même. Logical Intelligence rassemble des chercheurs pour une IA de raisonnement basée sur des modèles à base d'énergie (EBM), ce qui contourne complètement le schéma familier de prédiction du prochain token. Pour ceux qui envisagent sérieusement la mise en œuvre de l'IA, ce n'est plus une curiosité académique, mais une indication d'une architecture d'IA différente pour les tâches où les erreurs coûtent cher.
Selon l'entreprise, leur approche est construite autour de la minimisation de l'énergie dans un espace latent : non pas prédire le prochain token, mais optimiser l'ensemble de la trace de raisonnement. J'apprécie la mécanique ici. Si une solution est mauvaise, le système ne se contente pas de « continuer à écrire », mais peut itérativement ramener toute la trajectoire vers un état de plus faible énergie.
Cela contraste fortement avec la manière dont le raisonnement est actuellement extrait des LLM via l'apprentissage par renforcement (RL), les longues chaînes de pensée et les multiples cycles de génération-vérification-révision. Cela fonctionne, sans aucun doute. Mais le coût de calcul et la fragilité du pipeline sont souvent si élevés que des compromis très désagréables doivent être faits en production.
Logical Intelligence envoie un signal fort sur son ambition scientifique : le projet inclut Yann LeCun en tant que Président Fondateur et Michael Freedman en tant que Chef Mathématicien, et ils recherchent des personnes avec des publications au niveau de l'ICLR, l'ICML, NeurIPS et CVPR. Le profil étroit est également révélateur : les EBM sont une priorité, mais la diffusion, le raisonnement non-autorégressif, l'ajustement fin de LLM pour le raisonnement et le MCMC dans les espaces latents conviennent également. Cela signifie que l'équipe construit clairement un nouveau paradigme de calcul, pas un chatbot.
Je serais prudent avec les benchmarks. Les chiffres de 96 % sur des sudokus complexes et 99.4 % sur PutnamBench semblent très impressionnants, mais d'après les sources publiques disponibles en avril 2026, je ne vois aucune vérification indépendante appropriée pour eux. Le principe de l'EBRM lui-même est confirmé, mais il est préférable de garder les records spécifiques dans le dossier « intéressant, mais à vérifier manuellement » pour le moment.
Impact sur les entreprises et l'automatisation
Si cette approche décolle, les gagnants seront les équipes pour qui « ça a l'air plausible » ne suffit pas. Je parle de la vérification formelle, du code critique pour la sécurité, de l'automatisation de la conformité, des audits financiers et des calculs d'ingénierie. Dans ces domaines, l'automatisation avec l'IA est limitée non pas par l'UX, mais par la justesse prouvable.
Les perdants, curieusement, ne seront pas les LLM, mais les architectures paresseuses construites autour d'eux. Lorsque toute la pile repose sur un raisonnement autorégressif coûteux et des boucles d'auto-vérification sans fin, toute alternative avec une optimisation moins chère et plus stable a un impact économique immédiat.
Je ne parierais pas que les EBM remplaceront les LLM partout demain. Mais en tant que couche pour la vérification, le raisonnement contraint et les solutions d'IA critiques pour les entreprises, cela semble déjà sérieux. Chez Nahornyi AI Lab, nous analysons de telles bifurcations dans la pratique : où un agent LLM est suffisant, et où l'automatisation de l'IA doit être construite en mettant l'accent sur la vérifiabilité, le coût de l'erreur et la fiabilité réelle. Si vos processus ont déjà atteint ces limites, nous pouvons sereinement décomposer l'architecture et construire une solution sans pensée magique.