Imaginez un directeur financier en train d'examiner les dépenses trimestrielles cloud. L'équipe AI lui présente un graphique convaincant : les coûts d'inférence par jeton ont baissé de 75% d'une année sur l'autre. Les modèles sont plus rapides, les API sont moins chères et le fournisseur propose des remises sur volume. Tout semble indiquer des économies. Puis la facture arrive, et le montant total est plus élevé que celui du trimestre dernier.

Les ressources humaines connaissent actuellement une transformation profonde, passant d'un centre de coûts réactif à un moteur proactif de valeur ajoutée. Pourtant, de nombreuses organisations restent ancrées dans une approche minimaliste de l'analyse des données RH. Alors que les technologies génératives AI et les agents autonomes gagnent du terrain dans l'ensemble de l'entreprise, l'utilisation de la technologie data par les RH se limite encore souvent à la simple prévision du taux de rotation du personnel.

Red Hat a bâti une entreprise d'une valeur de 1 443,4 milliards de dollars grâce à Linux. IBM l'a rachetée. Cette transaction a confirmé une hypothèse qui tenait depuis quatre décennies : les entreprises tirant une valeur considérable du code partagé continueraient, dans leur propre intérêt, à financer les projets dont elles dépendaient. Cette hypothèse est aujourd’hui remise en question. Non pas parce que quelqu’un a décidé d’arrêter de financer l’open source. Mais parce que le secteur qui le finançait le plus — le SaaS — est en train d’être démantelé par celui qui en dépend le plus — AI.

Dans un article précédent, j'ai exploré comment huit équipes de recherche indépendantes sont parvenues à la même conclusion : au lieu de construire des systèmes de mémoire autour du modèle, il faut entraîner le modèle lui-même à gérer la mémoire comme une compétence acquise. L'entraînement post-mémoire — utilisant l'apprentissage par renforcement dans la phase post-entraînement — produit des agents qui décident quoi stocker, supprimer, consolider et récupérer, le tout optimisé en fonction de l'achèvement de la tâche.

L'entraînement post-mémoire a été un hyperfocus pour moi au cours des derniers mois. Si vous avez suivi mes écrits récents sur la gestion du contexte, les architectures de mémoire et la question récurrente de savoir pourquoi les agents se dégradent après le 50e tour, cet article est là où ces fils se rejoignent. Le schéma initial était suffisamment clair. Huit équipes de recherche indépendantes sont parvenues à la même conclusion : arrêtez de construire des systèmes de mémoire autour du modèle et entraînez le modèle lui-même à gérer la mémoire comme une compétence acquise. Cette convergence était significative.