Contexte Technique
J’adore ce genre de mesures plus que les benchmarks promotionnels. Ici, une personne a simplement lancé 13 sessions parallèles de Sol Ultra en mode rapide et a obtenu un résultat très concret : moins 30 % du quota hebdomadaire en une demi-heure environ, avec 12 sessions terminées.
Pour moi, ce n’est pas une nouvelle sur un « modèle cher ». C’est une nouvelle sur l’automatisation par l’IA dans la recherche réelle, où les tokens deviennent du carburant et une mauvaise architecture IA transforme instantanément le travail en un brasier budgétaire.
D’après les données disponibles, Sol Ultra n’a pas de surcoût spécifique pour le mode rapide. Le vrai problème est ailleurs : le modèle aime paralléliser les tâches via des sous-agents, et la consommation réelle augmente non pas de quelques pourcents mais en multiples. Si votre orchestrateur est Sol Ultra, chaque bifurcation mal configurée hérite facilement du même modèle coûteux.
Et c’est là que j’ai freiné. La discussion affirmait d’abord que les paramètres des sous-agents ne sont pas réglables, mais il a ensuite été précisé : en YAML, on peut définir des préréglages de rôles, le modèle et même spécifier un mode moins cher pour certaines branches. Le problème ne vient donc pas seulement des limites du produit, mais de la manière dont l’orchestration elle-même est construite.
Si l’on fait une estimation grossière à partir des tarifs publics, Sol Ultra coûte environ 5 $ par million de tokens en entrée et 30 $ par million en sortie, le contexte long étant encore plus cher. Avec 13 sessions parallèles et une ramification active, la facture peut s’envoler à plusieurs centaines de dollars par passage. Ainsi, l’émotion « il nous faut un abonnement pour chaque 100 minutes de travail » sonne comme une hyperbole, mais elle touche au nerf du problème : un chercheur externe se heurte très vite à la réalité économique.
Impact sur les Affaires et l’Automatisation
Ma première conclusion est simple : on ne peut pas bâtir un stack de recherche sérieux sur un seul modèle premium pour toutes les étapes. Je réserverais le modèle de raisonnement coûteux aux seuls points de décision critiques, et je confierais la collecte de littérature, la classification préliminaire, l’extraction de faits et une partie des expériences à des agents moins chers.
La deuxième conclusion est moins plaisante. Ce sont les équipes qui disposent déjà d’un accès quasi illimité aux tokens, aux données et aux pipelines internes de validation d’hypothèses qui gagnent. Les chercheurs isolés et les petites équipes perdent s’ils foncent tête baissée sans une intégration IA adéquate et sans contrôle des sous-agents.
Et non, je n’adhère pas à la thèse selon laquelle « toute la science s’effondrera demain dans quelques labos ». En biomédecine, en clinique, dans le matériel et tout ce qui repose sur des expériences réelles, les tokens ne sont pas le seul goulot d’étranglement. Mais dans les domaines avec un immense espace de recherche, la concentration va s’accélérer dès maintenant, c’est visible à l’œil nu.
Chez Nahornyi AI Lab, nous résolvons précisément ces problèmes pour nos clients : où conserver un modèle fort, où réduire le coût de l’orchestration, et où remplacer complètement un passage coûteux par une automatisation sensée avec un humain dans la boucle. Si votre flux de recherche brûle déjà le budget plus vite qu’il ne produit des résultats, analysons l’architecture et concevons un développement de solution IA adapté à votre charge réelle, pas à un joli scénario de démo.