Google, Amazon et Kimi resserrent leur stratégie autour d’agents plus ciblés

Google, Amazon et Moonshot AI donnent, chacun à leur manière, un aperçu de la phase suivante du marché de l’IA générative : moins de dispersion, davantage de contrôle, et des modèles pensés pour un usage plus concret. Chez Google DeepMind, les agents gérés de Gemini API gagnent des hooks d’environnement, des contrôles budgétaires et un accès gratuit sur certains projets. Côté Amazon, un recentrage de la stratégie IA est rapporté, avec l’idée de réduire plusieurs modèles au profit d’un modèle frontière multimodal plus unifié. Enfin, Kimi K3, présenté comme le plus grand modèle open-weight du moment, pousse encore l’idée d’architecture optimisée pour l’inférence. Le message est assez clair, même si les chemins divergent : la course ne se joue plus seulement sur la taille.

Des agents plus encadrés, et c’est tout sauf un détail

Google annonce que les Managed Agents de Gemini API passent par défaut sur Gemini 3.6 Flash, un modèle présenté comme équilibré pour le raisonnement, le code et l’usage d’outils. La nouveauté la plus utile, toutefois, tient aux environment hooks : ce sont des points d’exécution qui permettent de bloquer, contrôler ou auditer les appels d’outils dans le bac à sable isolé où l’agent travaille. En pratique, une équipe peut lancer un script avant ou après une action comme l’écriture d’un fichier ou l’exécution de code. Cela ouvre la porte à des garde-fous plus fins, utiles pour la conformité, la qualité ou la sécurité.

Le coût reste l’autre sujet sensible. Google ajoute des contrôles budgétaires via max_total_tokens, qui plafonnent la consommation totale d’un agent ; une fois la limite atteinte, l’exécution s’interrompt proprement avec un statut incomplete. Les agents gérés sont aussi disponibles sur des projets free tier, ce qui abaisse la barrière d’entrée pour tester des workflows autonomes. Sur le papier, cela ressemble moins à un gadget qu’à une brique d’industrialisation. Le petit côté rassurant : on peut enfin mettre une ceinture de sécurité à un agent qui voulait déjà prendre le volant.

Amazon voudrait moins de modèles, mais plus de lisibilité

Selon Business Insider, Amazon envisagerait de déprécier plusieurs modèles de son portefeuille IA, dont Premier, Omni, Canvas pour l’image et Reel pour la vidéo, au profit d’un modèle frontière multimodal unique, potentiellement sous la marque Nova. Reuters rapporte de son côté qu’un porte-parole d’Amazon a expliqué : “As with any AI portfolio, we continually evolve our model lineup based on what customers need,” puis : “We’re continuing to invest in and support the Nova models our customers rely on today. We’re also investing in the next generation of frontier model research.”

À ce stade, il s’agit d’un changement stratégique rapporté, pas d’un abandon officiel de la ligne IA maison. Mais l’orientation compte. Amazon a beaucoup investi dans l’infrastructure via AWS, tout en soutenant des partenaires comme Anthropic et OpenAI. Si la consolidation de ses modèles se confirme, l’entreprise pourrait mettre encore plus l’accent sur la fourniture d’infrastructure et l’intégration de modèles tiers, plutôt que sur la bataille du catalogue le plus large. Pour les clients AWS, ce serait une manière de gagner en clarté, même si cela réduit la diversité des options natives.

Kimi K3 pousse l’open weight dans la cour des très grands

Moonshot AI a présenté Kimi K3 comme une version industrialisée et agrandie de Kimi Linear, avec une montée en échelle de 48B à 2,8T paramètres, selon la note technique relayée par la source. Le modèle est décrit comme le plus gros modèle open-weight du moment. Son architecture s’appuie sur plusieurs choix orientés efficacité à l’inférence : LatentMoE à la place d’un MoE classique, attention latente multi-têtes, Kimi Delta Attention et suppression des couches RoPE au profit de NoPE partout. NoPE signifie ici No Positional Embeddings, c’est-à-dire l’absence d’embeddings positionnels explicites.

La pièce la plus nouvelle, selon la source, est l’attention residuals, un mécanisme qui relie les résidus entre couches avec un score d’attention pour pondérer leur contribution. Le rapport indique un gain modeste mais régulier sur la validation et les performances aval, pour un surcoût d’environ 4% en entraînement et 2% en inférence. Kimi K3 ajoute aussi un support multimodal natif. Le signal de fond est intéressant : les laboratoires ne cherchent plus seulement à empiler des paramètres, mais à réduire la facture d’usage. Le marché adore les modèles énormes ; les équipes produit, elles, préfèrent souvent ceux qui tournent sans faire fondre la facture cloud.