Contexte technique
J'ai creusé cette histoire et voici l'état des lieux : le chiffre de 800 milliards de paramètres actifs circule comme une estimation issue de discussions sur X, pas comme une annonce officielle d'Anthropic. Là, je freine tout de suite, car pour une véritable mise en œuvre de l'IA, les rumeurs sur un « modèle énorme » ne servent à rien si l'on ne sait pas ce qui est réellement accessible via l'API.
Selon des fuites plus solides, Mythos ressemble à un modèle MoE d'une taille totale d'environ 10 000 milliards de paramètres. La partie active par passage avant, d'après les récits, pourrait se situer dans une fourchette de 800 à 1 200 milliards. Cela paraît plus plausible que la simple expression « modèle de base à 800 milliards ».
Plus important encore : Mythos ne semble pas destiné à être un analogue public de masse de GPT-4, ouvert à tous. Plusieurs sources répètent la même idée : le modèle est réservé à un accès anticipé, via des canaux restreints, en raison des risques en cybersécurité. La grande question n'est donc pas seulement la puissance, mais qui pourra seulement y toucher.
Sur le prix, c'est aussi flou. J'ai vu des bruits de couloir à 25/125 dollars par million de tokens, mais cela relève encore du murmure du marché, pas d'un fait. Il est donc prématuré de comparer Mythos aux modèles de production standards sur le coût total de possession.
Ce que cela change pour les affaires et l'automatisation
Si Mythos est vraiment aussi fort, ce sont les équipes ayant besoin de scénarios lourds qui en profiteront : recherche en sécurité, code complexe, raisonnement en plusieurs étapes, pipelines d'agents avec une qualité de réponse élevée. Mais si l'accès reste restreint, la plupart des entreprises ne pourront pas simplement intégrer ce modèle dans leurs processus.
Les perdants seront ceux qui bâtissent leur feuille de route sur le buzz. Personnellement, je ne baserais pas l'automatisation par l'IA sur un modèle sans SLA clairs, sans API stable et sans prix confirmé.
En pratique, le choix est généralement plus ennuyeux et plus honnête : soit attendre un accès restreint et en accepter les risques, soit construire des solutions d'IA pour les entreprises sur des modèles déjà disponibles, avec un routage correct, une validation et une couche de repli. Chez Nahornyi AI Lab, c'est exactement le type de dilemme que nous résolvons pour nos clients : nous ne spéculons pas sur les rumeurs, nous concevons des architectures d'IA pour que l'activité ne dépende pas d'un modèle unique et tape-à-l'œil. Si vous êtes confronté à un choix similaire, mon équipe et moi pouvons vous aider à mettre en place une intégration d'IA sans magie superflue et avec une économie transparente.