Tongyan Lingzhi déplace la personnalisation de l'IA des prompts vers la couche du modèle lui-même

La startup chinoise 通衍灵智 (Tongyan Lingzhi) affirme qu'il ne faut personnaliser l'IA ni avec des prompts ni avec une base de connaissances externe, mais au niveau du modèle lui-même. Le slogan de l'entreprise : passer d'« un modèle pour dix mille personnes » à « mille visages pour mille personnes ». L'extrait disponible de la publication de Jiqizhixin ne contient ni chiffres, ni tailles de modèles, ni noms de produits. Nous analysons donc la façon dont le problème est posé, ainsi que les points à vérifier lorsque ce type d'annonce arrivera dans des pilotes réels.

Un modèle brillant, mais sans mémoire propre

Le diagnostic de départ, dans l'article, est connu. Les capacités de raisonnement des LLM progressent, les fenêtres de contexte s'allongent, et les agents investissent le développement de code, l'analyse de données et les processus de production des entreprises. Mais quand l'IA passe du statut d'outil à celui d'exécutant, une question se pose : comment un moteur universel, de plus en plus intelligent mais unique, peut-il développer des capacités de long terme qui appartiennent à une personne, un projet ou une organisation précis ?

Les auteurs donnent l'exemple d'un agent d'entreprise. Il peut retrouver n'importe quel règlement et n'importe quel fragment de connaissances métier. Le texte disponible s'interrompt là, mais la logique se devine : avoir accès à l'information ne signifie pas se l'être appropriée. L'agent sait ce qui est écrit dans les documents, mais ignore comment cette équipe tranche les cas litigieux, pourquoi elle a abandonné l'architecture précédente et dont les corrections passent généralement la revue de code. Cette déduction est la mienne, tirée de la problématique posée, et non une citation.

Que signifie « personnalisation au niveau de la couche du modèle »

Aujourd'hui, la personnalisation est généralement assemblée à partir de plusieurs couches :

• instructions système et prompts ;
• recherche dans des documents (RAG) ;
• mémoire de l'agent et contexte long ;
• fine-tuning, par exemple avec des adaptateurs LoRA.

La formule « couche du modèle » du titre renvoie à la dernière option : l'expérience de l'utilisateur doit entrer dans les paramètres ou dans des composants adaptatifs, et non rester à l'extérieur sous forme de notes textuelles. Le fragment ne permet pas de comprendre comment 通衍灵智 s'y prend concrètement. Il peut s'agir d'adaptateurs, d'apprentissage continu ou d'une approche maison.

Cette approche se heurte à des difficultés d'ingénierie bien connues :

• l'oubli de ce qui a été appris auparavant lors du fine-tuning sur de nouvelles données ;
• le coût de stockage et de service de milliers de versions individuelles ;
• la confidentialité : les données d'une personne se retrouvent à l'intérieur des poids ;
• l'évaluation de la qualité, quand il n'existe pas de référence de « bonne réponse » pour une équipe donnée.

Si l'entreprise résout ne serait-ce qu'une partie de ces problèmes, sa thèse est intéressante. Sinon, ce ne sera qu'un énième beau slogan sur l'« IA personnelle ».

Ce que l'on sait de la publication

• Entreprise : 通衍灵智, Chine.
• Thèse : la personnalisation doit se faire dans le modèle, et pas seulement autour de lui.
• Échelle de personnalisation : une personne, un projet, une organisation.
• Contexte : agents pour le code, l'analytique et les processus d'entreprise.
• Non communiqués dans l'extrait disponible : architecture, benchmarks, tarifs, clients, calendrier.

Comment évaluer ce type d'annonce

Ceux qui choisissent une plateforme d'agents d'entreprise devraient demander des précisions concrètes à tout éditeur qui fait une promesse similaire. Qu'est-ce qui est mis à jour exactement : les poids, un adaptateur ou une couche de mémoire ? Peut-on revenir en arrière sur une version individuelle ? Que deviennent les données quand un salarié part ou qu'un contrat est résilié ? Comment mesure-t-on le gain par rapport à l'association « modèle de base plus RAG » ?

Cette dernière question est la clé. Les schémas de recherche couvrent déjà l'essentiel des tâches qui exigent un accès aux connaissances de l'entreprise. La personnalisation dans le modèle se justifie là où comptent le style, les décisions habituelles et le contexte de travail accumulé, autant d'éléments qui s'intègrent mal dans des documents. Tant que 通衍灵智 n'aura pas présenté de tests comparatifs, il s'agit d'une hypothèse, certes bien posée. C'est précisément à cause de cette distinction qu'il vaut la peine de suivre au jour le jour les publications de l'entreprise et les vérifications indépendantes.