L'actualité IA de cette semaine portait sur les agents, les benchmarks et les pipelines d'entraînement, pas sur les robots. Mais les systèmes en cause, harnais multi-agents, modèles de fondation et sandboxing censé les contenir, sont exactement les briques avec lesquelles les fabricants de robots humanoïdes construisent leurs piles d'autonomie. La leçon pour quiconque évalue les promesses IA d'un robot humanoïde : davantage d'agents, un modèle plus gros ou un harnais plus élaboré ne constituent pas une preuve de meilleures performances réelles.
L'étude qui fragilise l'argument de la « pile plus grosse »
La donnée la plus nette vient d'une étude contrôlée rapportée par The Decoder. Des chercheurs ont comparé des harnais d'agents de codage, dont Claude Code, OpenCode et mini-SWE-agent, à une simple réexécution du même dispositif. Changer de harnais n'a quasiment pas fait bouger les taux de réussite des tâches. Le coût, lui, a bougé : un harnais plus sophistiqué peut tripler le prix par tâche sans gain de réussite correspondant.
C'est un parallèle direct avec la façon dont les fournisseurs de robots humanoïdes présentent leurs logiciels d'autonomie : en citant la couche d'orchestration, le nombre d'agents ou le modèle derrière la perception et la planification. L'étude suggère que le choix du harnais et la complexité architecturale sont de mauvais prédicteurs du résultat. Le chiffre qui devrait orienter un achat, c'est le taux mesuré d'exécution des tâches, pas la sophistication du discours qui l'accompagne.
L'échelle est testée, pas prouvée
Cette semaine, Microsoft Research a publié en open source Agensh, un harnais multi-agents sans orchestrateur central, capable de passer d'un seul agent à 1 024 agents auto-organisés sur son benchmark ProgramBench, selon MarkTechPost. C'est une expérience à grande échelle sur la coordination sans contrôleur central, et une recherche légitime. Ce n'est pas, en soi, la preuve que plus d'agents produisent de meilleurs résultats dans des systèmes déployés. L'étude sur les harnais citée plus haut rend la distinction explicite : l'échelle et la complexité sont des variables à l'essai, pas des produits finis.
Où en sont réellement les modèles sous-jacents
Sur la capacité brute, Kimi K3.1 Pro de Moonshot AI a obtenu 55 points sur l'Artificial Analysis Intelligence Index, un bond de 11 points par rapport à son prédécesseur qui le place quatrième au classement général, derrière seulement trois modèles d'Anthropic et de Meta, selon The Decoder. Par ailleurs, The Next Web rapporte qu'OpenAI a supprimé l'accès internet en direct pour l'entraînement de tous ses modèles de pointe : l'entraînement s'appuie désormais sur une copie mise en cache du web plutôt que sur l'internet en temps réel. Ce sont deux évolutions réelles et mesurables dans la façon dont les modèles de fondation sont construits et classés, la couche qui alimente in fine la perception et la prise de décision d'un robot. Ni l'une ni l'autre n'indique si le logiciel d'un robot donné parvient à convertir cette avancée en exécution fiable de tâches physiques.
La couche sécurité et production progresse, mais pas partout au même rythme
Trois autres éléments montrent une pile qui mûrit par endroits et prend du retard ailleurs. Anthropic a publié en open source sandbox-runtime, un sandbox au niveau du système d'exploitation qui restreint l'accès aux fichiers et au réseau pour les agents IA, les serveurs MCP et les outils en ligne de commande, sans recourir à des conteneurs, selon MarkTechPost. TinyFish a publié une architecture de production en sept phases pour la recherche agentique, construite autour de contrats de preuve et de tentatives bornées, également relayée par MarkTechPost : un signe que l'effort d'ingénierie sérieux porte sur la discipline de production, pas sur l'échelle brute. Mais des auditeurs externes de METR et Redwood Research, présents trois semaines sur site chez OpenAI, ont relevé des lacunes importantes dans la surveillance du trafic des agents IA par l'entreprise, selon The Decoder. Même chez un laboratoire de pointe, les outils de supervision n'ont pas suivi le rythme des agents qu'ils sont censés surveiller.
La session EmTech Future de MIT Technology Review a correctement posé le problème de fond : faire passer l'IA à l'échelle suppose que les données, l'ingénierie, les plateformes, les modèles opérationnels et la gouvernance convergent en un seul système, et non en mises à niveau séparées annoncées isolément.
Ce que cela signifie pour l'achat d'un robot humanoïde
Aucune des actualités de la semaine ne porte directement sur les robots humanoïdes, mais elles décrivent exactement les composants, harnais multi-agents, modèles de fondation et sandboxing, à partir desquels le logiciel d'autonomie des robots est assemblé. Traitez le nombre d'agents, la taille du modèle et la complexité du harnais comme du discours marketing jusqu'à ce qu'un robot démontre une exécution fiable et répétée de tâches en pilote. Qu'un fournisseur affirme faire fonctionner « des centaines d'agents coordonnés » ou utiliser « le dernier modèle de pointe » ne dit rien sur la capacité du robot à plier le linge ou empiler des cartons de façon constante et sans supervision.
Les caractéristiques techniques restent utiles pour comparer les offres : notre fiche technique des humanoïdes et notre suivi des prix couvrent ce terrain, et notre classement des meilleurs robots humanoïdes liste les modèles réellement testés selon ce critère. Côté IA, un seul test compte : le succès démontré et répété des tâches, pas la sophistication du discours qui l'entoure. Jusqu'à ce qu'un fournisseur puisse le prouver, le nombre d'agents affiché sur une diapositive n'est pas une caractéristique qui justifie de payer.