Contexte Technique
J'ai examiné ce que Sakana AI vient de lancer, et ce n'est pas juste un autre modèle. Fugu Beta est une couche d'orchestration au-dessus de plusieurs modèles puissants qui décide qui appeler, comment diviser une tâche et quand déclencher un nouveau raisonnement. Pour ceux qui développent l'automatisation par IA, c'est plus intéressant qu'une nouvelle capture d'écran de benchmark, car le vrai problème réside généralement dans l'assemblage de plusieurs LLM, pas dans un seul.
Ils proposent actuellement deux versions : Fugu Mini pour une faible latence et Fugu Ultra pour une qualité maximale. La description suggère que les utilisateurs obtiennent une API unique au lieu d'un zoo manuel de clés, de routage et de workflows artisanaux. J'ai aimé ce point : Sakana ne vend pas une "intelligence magique", mais emballe la complexité dans une interface appropriée.
Sous le capot, l'idée est familière mais raffinée en un produit. Fugu s'appuie sur leurs recherches Trinity et Conductor, ainsi que sur la mise à l'échelle au moment de l'inférence via AB-MCTS. En termes simples, le système ne se contente pas de donner une réponse ; il peut reconnaître que sa première tentative était faible, se diversifier, faire appel à d'autres modèles et traiter la tâche plus en profondeur.
C'est là que je ne prendrais pas le marketing pour argent comptant. Il y a peu de données brutes publiques sur Fugu Beta, et certains des résultats impressionnants sont liés à des approches d'échafaudage spéciales et à des combinaisons comme o4-mini, Gemini 2.5 Pro et DeepSeek R1. Mais la direction elle-même est forte : ne pas développer un modèle géant, mais assembler une intelligence collective à partir de ceux qui existent déjà.
Qu'est-ce que cela change pour les entreprises et l'automatisation ?
Le premier effet est évident : cela abaisse la barrière à l'entrée pour une intégration d'IA complexe. Si l'orchestration fonctionne vraiment comme promis, les équipes n'auront pas besoin de concevoir manuellement la moitié de la logique pour voir des améliorations dans le codage, l'analyse et les tâches scientifiques.
Le deuxième point concerne l'architecture. Je vois de plus en plus que pour les clients, la solution gagnante n'est pas un seul "meilleur" modèle, mais une combinaison d'un modèle rapide et bon marché et d'un modèle coûteux pour le contrôle. Fugu transforme essentiellement cette approche en produit.
Mais ceux qui ont l'habitude de tout mesurer uniquement par le prix du token d'un seul modèle seront perdants. Dans un système multi-agent, ce qui compte le plus, c'est le coût par tâche résolue, la latence sous charge et la prévisibilité du routage. Cela semble génial sur le papier, mais en production, on se heurte à des limites, des délais d'attente et d'étranges cascades d'appels.
Chez Nahornyi AI Lab, nous nous spécialisons dans la résolution de ces goulots d'étranglement pratiques : déterminer où une simple combinaison de modèles suffit, et où il est temps de mettre en place un véritable développement de solutions d'IA avec routage, contrôle qualité et gestion du coût de l'erreur. Si vous avez des processus où un seul LLM atteint ses limites, nous pouvons analyser l'architecture ensemble et construire une automatisation par IA sans le cirque habituel autour des API.