Une nouvelle stratégie pour l’intelligence artificielle
TOKYO -- Le 22 juin 2026, Sakana AI a dévoilé Fugu, un service d’orchestration multi-agents qui pose une question provocatrice au secteur technologique : la prochaine avancée majeure de l’intelligence artificielle nécessite-t-elle de construire un modèle monolithique encore plus grand, ou un système plus petit et plus intelligent peut-il obtenir des résultats similaires en sachant simplement à qui s’adresser ? Fugu, qui tire son nom du mot japonais désignant le poisson-globe, incarne le pari de la start-up tokyoïte en faveur de cette dernière approche. La plateforme se comporte comme un modèle unique aux yeux du monde extérieur, tout en coordonnant en interne une équipe de systèmes d’intelligence artificielle spécialisés de pointe pour résoudre des tâches complexes.
Sommaire
L’annonce intervient à un tournant décisif pour l’adoption de l’IA générative par les entreprises. Pendant des années, les progrès ont été principalement mesurés à l’aune du nombre de paramètres, de la puissance de calcul consacrée à l’entraînement et de la course à la construction de modèles de fondation toujours plus grands. OpenAI, Anthropic, Google et d’autres ont poursuivi cette stratégie de montée en puissance avec des résultats remarquables : leurs systèmes sont capables de réussir des examens du barreau, d’écrire du code sophistiqué et de mener des raisonnements approfondis. Pourtant, cette concentration des capacités entre les mains de quelques fournisseurs américains a créé de nouvelles vulnérabilités. L’accès aux modèles les plus puissants peut être remis en cause du jour au lendemain par des restrictions à l’exportation, des changements de politique d’entreprise ou des différends géopolitiques, exposant ainsi les entreprises internationales.
Sakana AI propose une autre architecture, fondée sur l’intelligence collective. Plutôt que de tenter de rivaliser avec les laboratoires de pointe en entraînant un mastodonte d’un billion de paramètres, l’entreprise a conçu un coordinateur compact, estimé à environ 7 milliards de paramètres, qui joue le rôle de délégateur en chef. Lorsqu’un utilisateur soumet une requête via l’API de Fugu, compatible avec les normes d’OpenAI, le système analyse la tâche et y répond directement ou constitue une équipe de modèles experts chargés de sous-tâches précises. Il vérifie ensuite leurs résultats et les synthétise en une réponse cohérente. Pour le développeur, l’expérience ressemble à l’appel d’un grand modèle de langage unique. En coulisses, toute une équipe d’agents peut avoir contribué à la réponse.
Le calendrier ne pourrait guère être plus stratégique. Plus tôt en juin, Anthropic a brusquement révoqué l’accès public aux modèles Claude Mythos 5 et Claude Fable 5 à la suite d’un décret du gouvernement des États-Unis imposant des contrôles à l’exportation. La décision a suscité des remous dans la communauté des développeurs, en particulier chez les clients internationaux qui avaient conçu des flux de travail autour de ces systèmes. Sakana AI cite explicitement de telles perturbations parmi les raisons qui ont motivé la conception de Fugu, présentant le service comme une protection contre la dépendance à un fournisseur unique et comme un pas vers ce que l’entreprise appelle la souveraineté en matière d’IA.
Fondée en 2023 par David Ha, ancien chercheur chez Google Brain, et Llion Jones, coauteur de l’article fondateur de 2017 sur les transformeurs, Attention Is All You Need, Sakana AI a suscité beaucoup d’intérêt et attiré d’importants financements. Des informations publiques indiquent que de grandes banques japonaises et le fabricant de puces Nvidia ont participé à un tour de financement qui valorisait l’entreprise à environ 30 milliards de yens, donnant à la start-up les moyens de rivaliser avec des concurrents bien plus importants. Avec Fugu, l’entreprise entend démontrer que l’innovation japonaise peut remettre en question le paradigme des modèles de pointe, non pas en le copiant, mais en repensant la manière dont les capacités existantes sont combinées.
Au cœur du moteur d’orchestration
Pour comprendre Fugu, il faut dépasser l’apparente simplicité de son API. Lorsqu’une requête arrive, le système la transmet à un modèle central que Sakana AI décrit comme un chef d’orchestre entraîné par apprentissage par renforcement. Dans la plupart des cas, ce chef d’orchestre ne génère pas lui-même la réponse finale. Il joue plutôt le rôle d’un chef de chantier, analysant dynamiquement le type de tâche et attribuant des portions du travail aux agents les mieux adaptés au sein d’un ensemble interchangeable. Celui-ci comprend des modèles tiers de pointe proposés par des fournisseurs comme OpenAI, Anthropic et Google, ainsi que des instances récursives de Fugu pour les raisonnements imbriqués.
Les fondements théoriques de cette approche sont présentés dans deux articles de recherche publiés lors de la conférence internationale 2026 sur les représentations apprises (ICLR) : Trinity: An Evolved LLM Coordinator et Learning to Orchestrate Agents in Natural Language with the Conductor. Trinity introduit un cadre de calcul évolutionnaire dans lequel le coordinateur central crée et modifie à la volée des structures d’agents, auxquels il attribue des rôles tels que Thinker, Worker ou Verifier en fonction des exigences de la tâche. Les Thinkers analysent les besoins, les Workers effectuent des calculs précis et les Verifiers vérifient la cohérence et l’exactitude des résultats.
Conductor s’appuie sur cette approche et utilise l’apprentissage profond par renforcement pour entraîner le coordinateur à l’art de la délégation en langage naturel. Grâce à un entraînement poussé, le petit modèle central apprend quand déléguer plutôt que répondre directement, comment les agents doivent communiquer entre eux et comment fusionner des résultats disparates en un produit final cohérent. Il ne s’agit pas d’un flux de travail prédéfini, mais d’un système adaptatif qui découvre des stratégies de coordination par l’expérience. Cette distinction est importante : elle permet à Fugu de traiter des types de tâches inédites que ses concepteurs n’avaient pas nécessairement anticipées, au lieu de se limiter à des procédures rigides.
Du point de vue de l’ingénierie, l’une des caractéristiques les plus intrigantes de Fugu est sa capacité récursive. L’orchestrateur peut lui renvoyer des sous-tâches, créant ainsi des chaînes de raisonnement à plusieurs niveaux pour les problèmes qui nécessitent une analyse approfondie. Le coordinateur de 7 milliards de paramètres peut donc gérer des flux de travail d’une complexité arbitraire sans posséder lui-même les connaissances encyclopédiques stockées dans les centaines de milliards de paramètres des modèles de fondation de pointe. Il compense sa taille plus modeste par une intelligence organisationnelle supérieure, remettant en question l’idée dominante selon laquelle plus grand signifie toujours meilleur.
Évaluations et tests bêta
Sakana AI a accompagné le lancement de Fugu d’une série d’annonces ambitieuses sur ses performances. Sur SWE-Bench Pro, un test de référence largement reconnu qui évalue la capacité d’un système d’IA à localiser et corriger des bugs dans de véritables dépôts logiciels, Fugu Ultra aurait obtenu un score de 73,7. Selon les évaluations publiées par l’entreprise, il devance ainsi Claude 4.8 Opus, à 69,2, et GPT-5.5, à 58,6. Parmi les autres scores annoncés figurent 95,5 à GPQA-Diamond, un test de questions-réponses de niveau universitaire conçu pour résister aux recherches simples sur le Web ; 93,2 à LiveCodeBench ; 82,1 à TerminalBench 2.1, qui évalue les capacités d’administration système ; et 50,0 à Humanity’s Last Exam, un test de raisonnement réputé extrêmement difficile.
La vérification indépendante de ces chiffres reste limitée, et le secteur de l’IA a une longue histoire de résultats aux tests de référence difficiles à reproduire en conditions réelles. Les conditions de test, les techniques d’ingénierie des prompts et le nombre de tentatives autorisées peuvent tous influer sur les scores. Néanmoins, la diversité des disciplines couvertes par les rapports de l’entreprise laisse penser que l’approche par orchestration est au moins compétitive par rapport aux modèles monolithiques de pointe, voire supérieure dans certains domaines.
Les retours de près de 500 bêta-testeurs ayant utilisé Fugu pendant une longue période d’essai consacrée à des flux de travail complexes et prolongés sont peut-être plus révélateurs que les résultats aux tests. Dans le développement logiciel, les participants ont indiqué que Fugu Ultra se montrait particulièrement minutieux lors des revues de code. Un ingénieur participant à la bêta a déclaré à Sakana AI que, si les modèles de référence signalaient généralement environ trois problèmes dans une base de code donnée, Fugu en détectait plus de vingt, avec des explications détaillées et des mesures correctives.
Pour la revue de code, Fugu Ultra est meilleur que GPT-5.5. Ses réponses sont complètes et il repère les bugs qui échappent aux autres. C’est désormais le modèle auquel je confie toutes mes revues.
Au-delà du code, des équipes de cybersécurité ont déployé Fugu Ultra pour automatiser des cycles complets de tests d’intrusion. Un opérateur humain en définissait le périmètre, puis le moteur d’orchestration effectuait la reconnaissance, recherchait les vulnérabilités XSS et les injections SQL, examinait les mécanismes d’authentification et préparait un rapport final avec des éléments de preuve et des procédures précises pour renouveler les tests. Les participants à la bêta ont confirmé que le système respectait strictement ses paramètres opérationnels, évitant les actions destructrices tout en restant minutieux. Des dirigeants d’entreprise ont également souligné la stabilité de son identité, observant que Fugu conservait une identité et une ligne directrice cohérentes au fil de longues sessions, là où d’autres modèles souffraient souvent d’une dégradation du contexte.
Deux offres, une seule API
Sakana AI commercialise Fugu sous la forme de deux offres distinctes, toutes deux accessibles via un seul point de terminaison d’API compatible avec les normes d’OpenAI. Le modèle Fugu standard est optimisé pour les tâches de production à faible latence, comme les chatbots interactifs, l’assistance au codage en temps réel et les outils de revue de code tels que Codex. Il concilie performances et rapidité, ce qui le rend adapté aux applications où les utilisateurs attendent des réponses presque instantanées. Pour les organisations soumises à des règles strictes en matière de gouvernance des données ou de protection de la vie privée, l’offre standard permet d’exclure manuellement certains agents sous-jacents du mécanisme d’acheminement. Cette fonctionnalité permet aux équipes chargées de la conformité d’empêcher que des données sensibles soient transmises à certains fournisseurs tiers, sans renoncer entièrement au cadre d’orchestration.
Fugu Ultra constitue l’offre premium. Il est conçu pour fournir des réponses de qualité maximale aux tâches complexes et exigeantes qui nécessitent un raisonnement approfondi en plusieurs étapes. Parmi celles-ci figurent la reproduction d’articles universitaires, les recherches sur les brevets, les flux de travail avancés en science des données et les audits de sécurité exhaustifs. Ultra coordonne un ensemble fixe et plus vaste d’agents experts ; il n’est donc pas possible d’en exclure certains. En contrepartie, la latence et la consommation de jetons sont plus élevées, mais Sakana AI estime que le gain de précision justifie le coût pour les applications critiques. L’identifiant actuel du modèle pour cette offre est fugu-ultra-20260615.
Les tarifs reflètent la distinction entre les deux produits. Fugu Ultra coûte 5 $ par million de jetons en entrée et 30 $ par million de jetons en sortie ; ces tarifs doublent pour les contextes dépassant 272 000 jetons. Les abonnements vont de 20 à 200 $ par mois, et Sakana AI offre aux abonnés qui souscrivent avant la fin du mois de juillet 2026 un deuxième mois gratuit dans l’offre de leur choix. La consommation de jetons et les coûts associés sont indiqués pour chaque requête, ce qui permet aux équipes financières et d’ingénierie de suivre les dépenses en temps réel. À noter que le service n’est actuellement pas disponible dans l’Union européenne ni dans l’Espace économique européen, le temps que l’entreprise mette ses activités en conformité avec le règlement général sur la protection des données. Cette lacune limite la portée mondiale de la plateforme à son lancement.
La géopolitique de l’acheminement des requêtes
La proposition commerciale de Fugu dépasse le cadre de l’architecture technique et touche à la gestion des risques géopolitiques. La chaîne d’approvisionnement actuelle en IA est fortement concentrée. Un petit nombre d’entreprises américaines contrôlent l’accès aux modèles de fondation les plus performants, et leurs décisions sont de plus en plus soumises à la supervision des pouvoirs publics. Lorsque les États-Unis ont imposé en juin 2026 des restrictions à l’exportation des modèles Fable et Mythos d’Anthropic, l’épisode a servi d’avertissement aux entreprises hors des États-Unis qui avaient bâti des flux de travail essentiels autour d’un fournisseur unique. Du jour au lendemain, l’accès a disparu et les équipes chargées des achats ne disposaient d’aucune solution de remplacement immédiate.
Sakana AI présente Fugu comme une assurance contre un tel scénario. Puisque l’orchestrateur peut rediriger dynamiquement les requêtes vers d’autres fournisseurs lorsque certains deviennent indisponibles ou sont soumis à des restrictions, l’entreprise affirme que ses clients gagnent en résilience sans sacrifier les capacités. Si les modèles d’Anthropic deviennent inaccessibles, Fugu transfère la charge de travail vers OpenAI, Google ou des solutions librement accessibles. Si un nouveau modèle arrive sur le marché et excelle dans une tâche particulière, Sakana AI affirme pouvoir l’intégrer à l’ensemble sans obliger les clients à réécrire leurs applications pour les adapter à une nouvelle API. Cette architecture interchangeable offre une forme plus concrète de souveraineté en matière d’IA que nombre des débats politiques abstraits qui animent actuellement le secteur technologique.
Pour les entreprises et les institutions publiques japonaises, cette proposition trouve un écho particulier. Le Japon a fait de ses capacités nationales en matière d’IA une priorité stratégique, et s’en remettre entièrement aux technologies américaines de pointe soulève des préoccupations économiques et de sécurité nationale. Un fournisseur établi à Tokyo, qui propose une assistance locale, des options régionales de traitement des données et une approche technique différente, offre un argument de poids aux acheteurs désireux de diversifier leurs portefeuilles technologiques. La composition des investisseurs de Sakana AI, parmi lesquels figurent de grands établissements financiers japonais, renforce cette stratégie de positionnement.
Le scepticisme reste toutefois de mise. L’ensemble d’agents de Fugu dépend encore fortement des géants américains mêmes qu’il prétend contourner. Le système ne peut fournir des résultats de pointe si l’accès aux API de GPT, Claude et Gemini est entièrement coupé. Une véritable indépendance exigerait un écosystème solide de modèles nationaux ou librement accessibles capables de rivaliser avec ces systèmes ; à grande échelle, cet écosystème n’existe pas encore. Des critiques font également remarquer que Fugu est un service commercial propriétaire plutôt qu’un cadre ouvert : les clients troquent donc leur dépendance envers un fournisseur contre une dépendance envers un autre, certes doté d’un modèle économique différent.
Ce que le lancement signifie pour le développement de l’IA
Si les affirmations de Sakana AI sur les performances de Fugu résistent à un examen extérieur prolongé, les conséquences pour la recherche en intelligence artificielle pourraient être considérables. Depuis près d’une décennie, le secteur s’appuie sur une hypothèse de montée en puissance : davantage de paramètres, de données et de puissance de calcul produisent de meilleurs résultats. Cette approche a donné naissance à des systèmes véritablement impressionnants, mais elle a aussi créé des barrières à l’entrée si élevées que seules les entreprises et les administrations les plus riches peuvent participer. L’entraînement d’un modèle de fondation de pointe coûte des centaines de millions de dollars et nécessite du matériel spécialisé lui-même soumis à des restrictions à l’exportation.
Fugu ouvre une autre voie. Le service suggère qu’un modèle relativement petit, entraîné spécifiquement à la coordination plutôt qu’à l’acquisition de connaissances encyclopédiques, peut dépasser les attentes en utilisant intelligemment les ressources existantes. La concurrence se déplace ainsi de la capacité brute d’entraînement vers l’ingéniosité architecturale et l’efficacité de l’orchestration. Cela démocratise aussi l’accès à une IA performante, en ce sens qu’un routeur conçu avec soin pourrait théoriquement être développé par des organisations dont les budgets sont bien inférieurs à ceux nécessaires pour entraîner des modèles de niveau GPT à partir de zéro.
La communauté de la recherche étudie depuis longtemps les systèmes multi-agents et les mélanges d’experts, mais Fugu compte parmi les premières mises en œuvre commerciales de premier plan présentées comme une véritable alternative aux modèles monolithiques de pointe. Sa réussite ou son échec influencera probablement la décision des investisseurs en capital-risque et des entreprises d’orienter leurs financements de recherche vers les technologies d’orchestration et de coordination, plutôt que de les consacrer exclusivement à la montée en puissance des modèles de fondation. Les retours de la bêta laissent déjà penser que certains flux de travail d’entreprise, notamment ceux qui s’étendent sur de longues périodes, comme la revue de code et les audits de sécurité, pourraient être mieux pris en charge par des systèmes distribués que par des modèles sollicités en un seul appel.
Cette approche n’est évidemment pas sans compromis. Les étapes complexes de raisonnement multi-agents peuvent entraîner une latence qui rend Fugu inadapté aux applications exigeant des réponses en quelques millisecondes. Les tâches très intensives consomment également d’importants quotas de calcul, et l’opacité du mécanisme d’acheminement empêche les utilisateurs de toujours savoir quel modèle sous-jacent a traité leurs données, ce qui complique les efforts de conformité dans les secteurs réglementés. Sakana AI reconnaît ces limites, tout en affirmant que les avantages l’emportent sur les coûts pour un large éventail de tâches analytiques et d’ingénierie.
À retenir
- Sakana AI a lancé Fugu, un service d’orchestration multi-agents qui répartit les tâches entre un ensemble interchangeable de modèles d’IA de pointe, via une seule API compatible avec les normes d’OpenAI.
- Le système repose sur un modèle coordinateur compact d’environ 7 milliards de paramètres plutôt que sur un immense modèle de fondation monolithique, et s’appuie sur les recherches présentées dans les articles Trinity et Conductor de Sakana AI.
- Fugu Ultra revendique des résultats compétitifs aux tests SWE-Bench Pro, GPQA-Diamond, LiveCodeBench et à d’autres évaluations, face à des systèmes de premier plan, dont GPT-5.5 et Claude Opus 4.8.
- Deux offres sont disponibles : Fugu standard, destiné aux tâches de production à faible latence et doté de contrôles de conformité permettant d’exclure manuellement certains modèles, et Fugu Ultra, conçu pour les raisonnements complexes avec un ensemble fixe et plus vaste d’agents.
- Le lancement s’adresse aux entreprises qui cherchent à se prémunir contre la dépendance à un fournisseur et les perturbations liées aux restrictions à l’exportation, même si le service dépend toujours des API des modèles américains de pointe.
- Fugu est disponible dans le monde entier, à l’exception de l’UE et de l’EEE, dans l’attente de sa mise en conformité avec le RGPD. L’offre Ultra coûte à partir de 5 $ par million de jetons en entrée et 30 $ par million de jetons en sortie.
