Liquid AI a lance un systeme pour executer des agents AI entierement sur l'appareil

L'idée d'exécuter des modèles de langage puissants directement sur son ordinateur, sans le cloud et sans un seul octet de données envoyé vers des serveurs tiers, a longtemps été un objectif beau mais difficile à atteindre. Liquid AI semble avoir fait un pas sérieux pour le transformer en un outil fonctionnel. L'entreprise a présenté le modèle LFM2-24B-A2B et l'application de bureau qui l'accompagne LocalCowork — un système entièrement local pour exécuter des workflows d'agents au niveau entreprise.

Pour comprendre l'importance de cette sortie, il convient de rappeler le contexte. Liquid AI est une startup fondée par d'anciens élèves du MIT qui, dès le départ, a emprunté une voie non conventionnelle. Au lieu de mettre à l'échelle les architectures de transformer à la suite d'OpenAI et Google, l'équipe s'est concentrée sur les soi-disant Liquid Foundation Models — des architectures inspirées par les systèmes dynamiques et les neurosciences.

Leurs modèles se distinguent par leur compacité et leur efficacité tout en maintenant une haute qualité de génération. La notation « 24B-A2B » dans le nom du nouveau modèle indique 24 milliards de paramètres avec un mécanisme qui n'active qu'une partie d'entre eux — une approche rappelant Mixture of Experts, qui permet de réaliser les performances d'un grand modèle avec des coûts de calcul significativement plus faibles.

L'idée principale de l'ingénierie derrière LocalCowork est que toute la chaîne d'interaction de l'agent — de la réception d'une tâche à l'appel d'outils et au retour des résultats — se déroule sur l'appareil de l'utilisateur. Le Model Context Protocol, une norme ouverte initialement proposée par Anthropic pour l'interaction structurée entre les modèles de langage et les environnements logiciels, est utilisé pour coordonner entre le modèle et les outils externes. MCP permet au modèle de « comprendre » quels outils lui sont disponibles, de former des appels corrects et de traiter les résultats — tout cela sans recourir aux API cloud.

Essentiellement, c'est un orchestrateur local qui transforme un modèle de langage d'un générateur de texte en un agent numérique à part entière.

Techniquement, l'architecture est optimisée pour une latence minimale dans la distribution des outils. C'est critique pour l'utilisation pratique : si un agent dépense des secondes à chaque appel de fonction, les processus complexes en plusieurs étapes deviennent insupportablement lents. Liquid AI affirme que LFM2-24B-A2B est spécifiquement ajustée pour une prise de décision rapide sur quel outil appeler et avec quels paramètres — une tâche qui nécessite non pas tant une richesse de connaissances qu'une précision et une vitesse d'inférence logique. L'application LocalCowork est disponible en open source via le référentiel Liquid4All sur GitHub, permettant aux développeurs d'étudier l'architecture, de l'adapter à leurs besoins et de l'intégrer dans les systèmes d'entreprise existants.

Pour qui cela est-il vraiment important ? D'abord et avant tout, pour les organisations travaillant avec des données sensibles — les institutions financières, les établissements médicaux, les cabinets juridiques, les structures gouvernementales. Jusqu'à présent, ils faisaient face à un choix désagréable : soit utiliser de puissants modèles cloud et accepter que les données confidentielles quittent le périmètre de l'organisation, soit se contenter de solutions locales primitives. LocalCowork offre une troisième voie — une fonctionnalité d'agent complète sans compromis en matière de confidentialité. L'absence d'appels API signifie non seulement la protection des données, mais aussi l'indépendance vis-à-vis des services externes : le système fonctionne même sans connexion Internet.

Cette sortie s'inscrit dans une tendance plus large qui gagne de l'élan dans l'industrie. Après plusieurs années de domination incontestée de l'approche cloud, le pendule commence à se balancer en arrière. Apple Intelligence fonctionne principalement sur l'appareil. Qualcomm et Intel investissent des milliards dans les NPU pour l'inférence locale. Microsoft promeut le concept de Copilot Plus PC. Mais la plupart de ces solutions se limitent à des tâches simples — résumé, autocomplétion, classification basique. Liquid AI vise plus haut : des workflows d'agents complets avec appels d'outils, planification multi-étapes et gestion contextuelle — le tout localement.

Bien sûr, des questions subsistent. À quel point un modèle avec 24 milliards de paramètres, même avec une activation creuse, fonctionnera-t-il confortablement sur un ordinateur portable d'entreprise typique ? Quels sont exactement les workflows qui peuvent être automatisés avec une qualité acceptable ? Comment le système gère-t-il les chaînes complexes de dizaines d'appels d'outils ? Les réponses à ces questions viendront de la pratique, mais le simple fait qu'une telle solution apparaisse dans le domaine ouvert change le paysage de la discussion. La question n'est plus de savoir si l'IA privée au niveau entreprise sur l'appareil est possible, mais à quelle vitesse elle deviendra la norme.