Orchestration de modèles apprise
Un modèle qui ne fait pas le travail lui-même, il pilote une équipe d'autres modèles experts derrière un seul point d'accès. La répartition des tâches (qui répond, dans quel ordre, comment combiner les réponses) n'est pas codée à la main avec des règles si/sinon, elle est apprise pendant l'entraînement. Sakana AI a popularisé l'idée le 22 juin 2026 avec Sakana Fugu, un modèle d'orchestration construit sur ses recherches Trinity et Conductor (ICLR 2026). Fugu Ultra dépasse les modèles frontière sur SWE-Bench Pro (73,7% contre 69,2% pour Claude Opus 4.8) en orchestrant d'autres modèles plutôt qu'en grossissant.
Forces
- Déplace la performance de la taille du modèle vers la qualité de coordination
- L'orchestration est apprise, pas une cascade de règles si/sinon à maintenir à la main
- Un seul point d'accès compatible OpenAI, le pool de modèles reste interchangeable derrière
Limites
- Le routage caché crée une dépendance opaque : tu ne sais plus quel modèle a traité ta donnée
- Produit frontière tout neuf, le recul de production manque encore (latence, coût réel, fiabilité dans la durée)
Pour qui
- Un tech lead qui orchestre déjà des équipes d'agents et veut comprendre où va la coordination
- Un PM qui doit arbitrer un budget IA sans croire que seul le plus gros modèle compte