L'opérateur cloud d'intelligence artificielle CoreWeave Inc. a annoncé aujourd'hui le lancement d'une nouvelle offre qui donne aux entreprises la possibilité de déployer des agents d'IA capables d'apprendre et de s'améliorer de manière autonome à l'aide de données du monde réel.
Le cycle de vie actuel des agents d’IA fonctionne selon un mécanisme lent et itératif d’évaluations et de réglages précis basés sur l’examen des métriques. En effet, les grands modèles de langage d’IA générative, les « cerveaux » qui sous-tendent les agents, peuvent se comporter différemment entre les tests et les scénarios d’utilisation réels.
Après avoir observé ce cycle à maintes reprises au sein de sa propre infrastructure, CoreWeave a décidé de court-circuiter le processus en éliminant le goulot d'étranglement et en permettant aux entreprises de lancer des agents capables d'apprendre et de s'adapter sur le terrain.
« La plupart des entreprises sont coincées dans un cycle de création et de test d'agents avant même qu'ils n'atteignent de vrais utilisateurs, et ce cycle devient trop lent et trop coûteux à maintenir », a déclaré Nick Patience, vice-président et responsable des plateformes d'IA du groupe Futurum.
La nouvelle plate-forme fournit un apprentissage par renforcement sans serveur, un mécanisme par lequel les LLM sont post-formés et affinés pour plus de fiabilité. La nouvelle offre de l'entreprise repose sur un moteur qui adapte la formation aux tâches agentiques multi-tours sans obliger les entreprises à déployer leur propre infrastructure.
CoreWeave a déclaré qu'il pouvait réduire les coûts de plus de 40 % et accélérer la formation d'environ 1,4 fois sans perte de qualité. La formation et l'inférence s'exécutent toujours sur des instances distinctes, de sorte que les cycles d'itération ne se font pas concurrence. Le résultat est que ce qui a nécessité des heures de formation peut désormais être traité en quelques secondes et mis à jour en un clin d’œil.
La société a déjà construit une infrastructure cloud d’inférence et de formation d’IA à grande échelle pour prendre en charge le déploiement de modèles et d’agents. Grâce à CoreWeave Inference, les utilisateurs pourront surveiller les systèmes agents en cours et les processus de réglage fin du LLM pour maintenir des performances fiables, une flexibilité d'exécution et un comportement stable dans le trafic réel à grande échelle, même à mesure que les charges de travail augmentent.
L’ère des flottes agents prend tout son sens
Les débuts de l'ère des grands modèles de langage ont amené les chatbots, qui agissaient comme de simples interfaces conversationnelles de réveil et de réponse pour répondre aux questions, résumer des documents volumineux et offrir un va-et-vient semblable à celui d'un humain.
L’ère de l’IA agentique a apporté des capacités autonomes aux LLM, où les chatbots ont cédé la place à des logiciels « réfléchis » capables d’effectuer des tâches orientées vers des objectifs au sein des systèmes d’entreprise. Les agents peuvent décomposer les objectifs à long terme en sous-tâches et les aborder avec peu ou pas de supervision humaine. Chaque génération a été conçue pour gérer un travail de plus en plus complexe.
Selon le rapport McKinsey & Co. State of AI en 2025, environ 62 % des personnes interrogées dans le secteur ont déclaré qu'elles expérimentaient au moins des agents d'IA. Avec 88 % déclarant utiliser l'IA dans au moins une fonction commerciale, contre 78 % en 2024. Au-delà de l'expérimentation, l'état de l'ingénierie des agents 2026 de LangChain Inc. a noté que la dynamique de production est réelle. Quelque 57 % des personnes interrogées ont des agents en production, les grandes entreprises étant en tête de l'adoption et l'utilisation de plusieurs modèles sous le capot devenant la norme.
De plus en plus d'entreprises se retrouvent à travailler simultanément avec plusieurs agents qui font appel les uns aux autres pour orchestrer des tâches plus importantes. Cette complexité supplémentaire signifie que les agents sont personnalisés, exécutés sur le long terme et exploités dans des conditions changeantes où leur réglage fin des données augmente avec le nombre d'agents dans le réseau.
CoreWeave a déclaré que sa plate-forme est conçue pour permettre cette nouvelle ère en donnant aux développeurs un avantage à grande échelle. Les agents n'ont pas besoin de passer lentement de la phase de test à la production, comme ils le sont traditionnellement. Au lieu de cela, ils peuvent s’adapter, apprendre et se perfectionner dans la production. À mesure que les données et les outils métier évoluent, les flottes d’agents s’ajustent en conséquence, l’écart se réduit.
