Open Source

La compétition dans l’intelligence artificielle ne se joue plus seulement sur la puissance brute des modèles. Le rapport The State of Open Source AI montre que les modèles ouverts réduisent rapidement l’écart avec les solutions fermées, notamment en matière de rapport entre performance et prix. Cette progression ne signifie pas qu’ils dominent tous les usages : les modèles propriétaires conservent certains avantages dans la gestion du contexte long, les connaissances professionnelles et la qualité de finition. Elle modifie néanmoins le cadre de décision des entreprises, pour lesquelles le prestige d’un modèle de pointe ne suffit plus à justifier sa sélection. Le rapport rappelle aussi qu’un modèle dont les poids sont téléchargeables n’est pas forcément open source. Sans données d’entraînement, recette de préparation, code de formation, informations de provenance et licence permissive, sa capacité réelle à être audité, modifié ou redistribué reste limitée. L’obstacle majeur devient alors opérationnel. Les modèles ouverts sont largement adoptés par les développeurs, mais atteignent moins souvent la production en raison des coûts d’infrastructure, des exigences de sécurité, de la maintenance, du déploiement et du manque de support. La valeur se déplace donc vers le harness, cette couche d’exécution qui organise le contexte, la mémoire, les outils, les permissions, le budget, l’observabilité et la révocation. Plus le modèle devient interchangeable, plus le système capable de choisir quand l’appeler, avec quelles données et dans quelles limites constitue un avantage durable. Cette évolution explique également l’intérêt des entreprises pour l’optionalité : posséder une copie exécutable, déployer sur une infrastructure privée et changer de fournisseur protège contre les hausses de prix, les restrictions d’accès et les changements de conditions. L’enjeu n’est donc plus seulement d’identifier le modèle le plus intelligent, mais de construire un dispositif fiable, contrôlable et capable d’agir avec des preuves.

Jev ne rédige ni texte, ni code, ni résumé. Le modèle présenté par TypeSafe se concentre sur une tâche unique : choisir parmi plusieurs réponses définies au moment de la requête, puis indiquer son niveau de confiance. Ce fonctionnement rappelle celui d’un classifieur, à une différence près : là où un filtre antispam reste spécialisé dans une décision précise, Jev se veut généraliste. Il peut sélectionner une catégorie, décider entre un remboursement et une escalade, choisir une action dans un jeu ou désigner un objet parmi plusieurs possibilités. Pour illustrer cette approche, TypeSafe lui a fait jouer à Doom à partir d’une description textuelle de la situation, sans accès direct à l’écran, à raison de dix décisions par seconde. Son intérêt ne réside pas dans une intelligence annoncée comme supérieure à celle de ChatGPT ou de Claude, mais dans sa rapidité et son faible coût. Ses réponses arrivent en quelques centaines de millisecondes, ses tokens de sortie sont gratuits et un milliard de tokens d’entrée coûte 42 dollars. Cette efficacité pourrait rendre accessibles des usages auparavant trop lents ou trop coûteux, par exemple évaluer successivement 10 000 articles afin de déterminer leur pertinence pour une question donnée. Le nom Jev renvoie au paradoxe de Jevons : lorsqu’une ressource devient plus efficace, sa consommation peut augmenter parce que de nouveaux usages apparaissent. TypeSafe applique cette idée à l’intelligence artificielle. Jev ne remplace donc pas les modèles génératifs, mais complète la boîte à outils des développeurs et des agents automatisés. Disponible en accès anticipé, il peut être testé au moyen d’une API, d’un kit Python et d’une skill pour les agents de code. Ses réponses respectent toujours le format attendu, mais elles peuvent néanmoins être erronées : l’absence de réponse mal formée ne garantit pas la justesse du choix.

OpenHuman propose une intelligence artificielle personnelle pensée pour fonctionner directement sur la machine de l’utilisateur, dans un environnement privé et sous son contrôle. Le projet défend une approche local-first qui réduit la dépendance à un service distant obligatoire et évite d’exposer systématiquement les interactions à des plateformes tierces. L’utilisateur peut poser des questions ou confier des tâches à son assistant tout en conservant un usage centré sur son propre environnement. Cette orientation répond à une attente simple : accéder à une IA personnelle sans abandonner la maîtrise de son fonctionnement. OpenHuman mise également sur la simplicité. L’application cherche à limiter les configurations avancées, les interfaces complexes et les étapes techniques inutiles. Les instructions fournies dans le dépôt accompagnent l’installation afin de permettre un démarrage rapide et une utilisation quotidienne directe. La mise en place reste guidée par des indications claires, afin que l’utilisateur puisse se concentrer sur ses échanges avec l’assistant plutôt que sur la complexité technique. L’objectif n’est donc pas de multiplier les options, mais de rendre l’accès à une intelligence artificielle locale plus clair et plus accessible. Le projet s’inscrit par ailleurs dans une logique open source. Son code est publiquement consultable, ce qui permet d’en comprendre la structure, d’examiner son fonctionnement et, si nécessaire, de l’adapter à des besoins particuliers. Cette transparence complète la promesse de contrôle local portée par l’application. Avec sa mémoire permanente annoncée dès sa présentation, OpenHuman entend inscrire l’assistant dans la durée, au plus près de son utilisateur. L’ensemble repose ainsi sur trois idées complémentaires : une IA personnelle exécutée localement, une installation guidée et une architecture ouverte. OpenHuman cherche à proposer une alternative simple aux services entièrement distants, sans imposer une dépendance extérieure pour accéder à une intelligence artificielle privée, compréhensible et directement utilisable.