Intensif Gratuit 21–22/11Intensif gratuit de 2 jours en Vibecoding (21–22 nov, 16h00 MSK) · Cohorte 3 le 23/11S'inscrire gratuitement →Cohorte 3 (23/11)
SortieAnalyse · Sur le radarSakana AI Blog

Sakana AI lance Aquarium, une plateforme d'agents IA fondée sur une ontologie et des contrôles

Sakana AI présente Aquarium, une plateforme où les agents IA s'appuient sur le « dictionnaire » de l'entreprise : la signification des termes, les liens entre tables et documents, et les règles qui gouvernent les décisions. Cette couche, l'ontologie, est construite une seule fois puis utilisée par tous les agents. L'agent vérifie lui-même les données, décide et exécute l'action, tandis qu'un humain approuve aux endroits voulus. Le nouveau processus ne nécessite donc pas de reconnecter les données ni de réaligner les termes à chaque fois.

Traité par IA depuis Sakana AI Blog ; édité par Hamidun News
Sakana AI lance Aquarium, une plateforme d'agents IA fondée sur une ontologie et des contrôles
Source : Sakana AI Blog. Collage: Hamidun News.
Écouter l'article
Fiche synthèse et chiffres clés
ParamètreDonnées
Source primaireSakana AI Blog
Rédacteur en chef
Trois blocsontologie, gouvernance avec droits et journaux, Managed Agents
Les données ne sont pas déplacéestables et documents se connectent depuis les entrepôts existants
Chiffre clé #3L'équipe réunit des profils issus de Sakana AI, Palantir, Snowflake, Microsoft et AWS

La plupart des projets d'entreprise autour d'agents IA butent non pas sur le modèle, mais sur le travail de fond qui l'entoure. Il faut connecter les données, s'accorder sur ce que signifie « client actif » ou « paiement en retard », définir qui a le droit de faire quoi, puis refaire tout ce travail pour le processus suivant. Sakana AI a décidé de transformer cette routine en produit et a présenté Sakana Aquarium, une plateforme de création, de déploiement et de suivi d'agents.

Ce qu'il y a dans Aquarium

Le socle de la plateforme est l'ontologie. Dit simplement, il s'agit d'un dictionnaire commun et d'une cartographie de l'entreprise : quels types d'entités existent (clients, contrats, commandes), comment elles sont liées entre elles et selon quelles règles on décide à partir d'elles. Les tables, documents et autres formats se rattachent à cette carte depuis les entrepôts existants, sans transfert de données. Lorsque l'information est mise à jour, l'agent dispose d'une image fraîche.

La plateforme comporte trois composants :

  • Ontology conserve les connaissances, les règles et les données, avec leur sens et leurs liens.
  • Governance assure le contrôle. On y définit les droits d'accès et l'approbation obligatoire avant toute action. Le système enregistre sur quoi l'agent s'est appuyé et ce qu'il a finalement fait, et affiche la vitesse, la précision de travail et la consommation des modèles.
  • Managed Agents est l'environnement dans lequel les agents travaillent. Le développeur décrit le workflow : lecture des données, décision du modèle, appel de fonction, validation humaine. Ensuite, l'agent peut être déployé, et la plateforme gère son cycle de vie.

Le nom s'appuie sur une métaphore : de nombreux poissons nagent dans un même aquarium dont le milieu est bien équilibré.

Quelle utilité en pratique

L'idée centrale est la réutilisation. Les données connectées et l'ontologie constituées pour un agent servent aussi aux autres. Supposons qu'une banque ait créé un agent pour vérifier les demandes de crédit. Le suivant, par exemple celui qui prépare des propositions pour les clients, n'aura pas besoin de réexpliquer ce qu'est un « client » ni d'où en extraire les données. Tous les agents travaillent sur une même base et sont pilotés depuis un seul endroit.

Le schéma de contrôle compte aussi beaucoup pour les équipes produit. L'agent agit dans le cadre des droits qui lui sont accordés, et un humain confirme les étapes critiques. Chaque décision peut ensuite être reconstituée à partir du journal : quelles données ont été utilisées, comment le modèle a raisonné, qui a approuvé, et quel en a été le résultat. Dans les secteurs réglementés comme la finance, cet audit compte souvent davantage que les démonstrations spectaculaires.

D'où cela vient et ce qui reste inconnu

Sakana AI est connue pour des recherches qui améliorent la qualité de l'IA sans simplement augmenter la taille des modèles : mise à l'échelle au moment de l'inférence, collaboration coordonnée de plusieurs modèles, auto-amélioration. Parallèlement, l'entreprise a mené des projets appliqués dans la finance. On compte notamment un expert IA pour le crédit avec MUFG Bank, la génération automatique de propositions avec SMBC Group, et un développement conjoint avec Daiwa Securities Group.

Dans ces projets, des Forward Deployed Engineers ont analysé les données et les processus des clients, conçu les workflows, évalué les résultats et amélioré la précision. L'entreprise a constaté que la connexion des données et l'alignement des termes devaient être refaits de zéro à chaque projet. Aquarium rassemble ce travail sur une plateforme commune. Le produit est développé par des ingénieurs de Sakana AI et d'anciens de Palantir, Snowflake, Microsoft et AWS, c'est-à-dire d'entreprises qui conçoivent des plateformes de données et de leur gouvernance. L'approche par ontologie rappelle ce que fait Palantir, mais il s'agit ici de notre comparaison, et non des propos de Sakana.

Il existe aussi des limites. L'annonce ne donne ni benchmarks, ni prix, ni liste des sources de données prises en charge, ni noms des modèles utilisés dans la plateforme. Aucun cas client public avec un effet mesurable n'est présenté : Sakana promet d'en publier plus tard. D'après le texte, le produit est vendu via des missions de conseil et d'implémentation avec des FDE, et non comme un service qu'on peut tester seul. Parmi les projets, l'entreprise cite deux axes : la mise à jour de l'ontologie et des agents à partir des corrections et des décisions apparues en cours d'usage, et l'aide de l'IA dans la construction même des agents.

La conclusion pour les développeurs et les fondateurs est simple. Le marché des plateformes d'agents se déplace de la question « quel modèle choisir ? » vers « sur quoi l'agent fonde-t-il ses décisions ? » et « comment le contrôler ? ». Si vous construisez des agents pour plusieurs processus, mieux vaut anticiper dès maintenant une couche commune de définitions et de droits d'accès, sous peine de payer une nouvelle configuration à chaque projet. Quant à savoir dans quelle mesure Aquarium aide réellement au quotidien, cela ne pourra être évalué qu'à partir des premiers cas publics.

Dossier

Questions clés sur cet article

Que sait-on sur Ce qu'il y a dans Aquarium ?

Le socle de la plateforme est l'ontologie. Dit simplement, il s'agit d'un dictionnaire commun et d'une cartographie de l'entreprise : quels types d'entités existent (clients, contrats, commandes), comment elles sont liées entre elles et selon quelles règles on décide à partir d'elles. Les tables, documents et autres formats se rattachent à cette carte depuis les entrepôts existants, sans transfert de données. Lorsque l'information est mise à jour, l'agent dispose d'une image fraîche.

Que sait-on sur Quelle utilité en pratique ?

L'idée centrale est la réutilisation. Les données connectées et l'ontologie constituées pour un agent servent aussi aux autres. Supposons qu'une banque ait créé un agent pour vérifier les demandes de crédit. Le suivant, par exemple celui qui prépare des propositions pour les clients, n'aura pas besoin de réexpliquer ce qu'est un « client » ni d'où en extraire les données. Tous les agents travaillent sur une même base et sont pilotés depuis un seul endroit.

Que sait-on sur D'où cela vient et ce qui reste inconnu ?

Sakana AI est connue pour des recherches qui améliorent la qualité de l'IA sans simplement augmenter la taille des modèles : mise à l'échelle au moment de l'inférence, collaboration coordonnée de plusieurs modèles, auto-amélioration. Parallèlement, l'entreprise a mené des projets appliqués dans la finance. On compte notamment un expert IA pour le crédit avec MUFG Bank, la génération automatique de propositions avec SMBC Group, et un développement conjoint avec Daiwa Securities Group.

ZK
Zhemal Khamidun — CPO d'Alpina Digital, product manager d'AlpinaGPT. Conçoit des produits IA depuis 2019. Hamidun News est un projet personnel devenu un agrégateur en production avec plus de 6 000 lecteurs.
✦ Private AI Builders Community · Vibe Club

Ship AI Faster with Founders, Engineers & Weekly Architecture Reviews

Inside Vibe Club (hamidun.com/club) — weekly live masterminds with Zhemal Khamidun, Tech Radar, full LMS access, and 370+ production Claude Code skills.

Join Vibe Club →Explore Hamidun Academy
Qu'en pensez-vous ?
Chargement des commentaires…