# Aditya Parameswaran expose l’IA devenue presque gratuite > Aditya Parameswaran décrit une intelligence presque gratuite et trois défis pour les systèmes de données utilisés, gérés et créés par des agents. Type : Actualité IA · Catégorie : Stratégie · Publié le 2026-10-21 · Signal IA - Order & Chaos Source : https://www.orderchaos.eu/signal-ia/actu/aditya-parameswaran-decrypte-lia-presque-gratuite Tags : agents, données, inférence, mémoire, systèmes, chatgpt, open-source, inference --- ## En résumé - Les prix d’inférence GPT-4 ont baissé d’environ 30 dollars à moins d’un dollar par million de jetons. - Les auteurs distinguent les systèmes de données pour, gérés par et créés par des agents. - Les mémoires structurées doivent filtrer les informations selon plusieurs attributs opérationnels. **Le signal :** Les prix d’inférence ont chuté jusqu’à 900 fois par an selon les repères étudiés par Aditya Parameswaran et ses collaborateurs. **Prix en baisse rapide** Le coût de capacités comparables à GPT-4 est passé d’environ 30 dollars à moins d’un dollar par million de jetons. Cette comparaison porte sur le début de 2023 et la période actuelle. Certains fournisseurs affichent désormais des tarifs inférieurs à 0,10 dollar. Les prix d’[inférence](/signal-ia/actu/amazon-bedrock-deploie-gpt-56-dans-plus-de-25-regions-aws) ont diminué entre neuf et 900 fois par an selon les références étudiées. La baisse médiane atteint presque 50 fois. Les modèles de pointe deviennent également moins chers à chaque génération. Les modèles à code ouvert suivent cette trajectoire. Aditya G. Parameswaran dirige cette réflexion avec ses collaborateurs. Il est professeur associé à l’UC Berkeley et codirige l’EPIC Data Lab. [Lire l’analyse originale](http://bair.berkeley.edu/blog/2026/07/07/intelligence-is-free-now-what/) **Trois défis pour les données** Les auteurs distinguent trois catégories de systèmes de données. Les systèmes « pour les [agents](/signal-ia/actu/parameswaran-repense-les-donnees-quand-gpt-4-devient-bon-marche) » doivent répondre à des utilisateurs qui explorent de nombreuses hypothèses. Les systèmes « gérés par des agents » doivent stocker leur état, coordonner leurs actions et gérer leurs échecs. Les systèmes « créés par des agents » doivent produire des systèmes personnalisés pour chaque charge de travail. Cette dernière capacité pose aussi un problème de vérification. Les auteurs présentent ces axes comme trois défis et opportunités liés à la baisse des coûts d’inférence. Leur analyse combine une étude du paysage et une prise de position. ## Les agents multiplient les requêtes **Requêtes spéculatives nombreuses** Un agent ne consulte pas une base comme une personne ou un outil de veille décisionnelle. Il inspecte le schéma, explore les colonnes, puis formule progressivement ses requêtes. Plusieurs agents peuvent examiner différentes portions d’un même espace d’hypothèses. Une demande utilisateur peut ainsi produire des milliers de requêtes SQL individuelles. Une analyse de cause racine peut rechercher pourquoi les ventes de café ont baissé à Berkeley. Une analyse de cohortes peut chercher les segments susceptibles de résilier au trimestre suivant. Ces tâches combinent potentiellement de nombreuses jointures, agrégations et conditions de filtrage. Sur un test texte-vers-SQL, seuls 10 à 20 % des sous-plans étaient distincts. **Optimisation du travail répété** Les mêmes expériences indiquent que 80 à 90 % des sous-requêtes répètent un travail déjà effectué. Cette redondance améliore toutefois fortement le taux de réussite lorsque les agents multiplient leurs tentatives. Les systèmes de données peuvent donc réutiliser des résultats issus de sous-plans similaires. Ils peuvent aussi fournir des réponses approximatives pour accélérer la progression. Le système pourrait diffuser les résultats intermédiaires et estimer la latence avant une requête coûteuse. Les auteurs envisagent également des interfaces par lots, avec des exigences d’approximation différentes. Des primitives de boucle inspirées des macros Jinja de dbt pourraient éviter aux agents d’énumérer chaque requête SQL. ## La mémoire structure les essaims **Mémoire plus sélective** Les fichiers Markdown, les scripts bash et les recherches par mots-clés restent utiles aux agents. Cette méthode devient cependant moins adaptée lorsque les tâches mobilisent des milliers d’agents. Les fenêtres de contexte limitées compliquent la récupération de tous les fragments pertinents. Les grandes bases de données et bases de code rendent aussi impossible la sérialisation de toutes les informations utiles. Les graphes de connaissances rencontrent une difficulté similaire lorsqu’ils ne permettent pas une recherche structurée. Une [mémoire structurée](/signal-ia/actu/gpt-4-sous-1-dollar-aditya-parameswaran-repense-les-donnees) pourrait filtrer les informations selon le module, le langage, le cadre technique et le mode d’échec. Elle pourrait aussi conserver des instructions correctives plutôt que des traces brutes contenant des erreurs. **Coordination encore ouverte** Pour un agent de données, la mémoire peut associer des colonnes, des tables, des opérations et des consignes en langage naturel. Une règle peut imposer l’année fiscale pour les opérations de date. Une autre peut recommander la colonne « product_cleaned » pour rechercher un nom de produit. Les auteurs rapprochent cette organisation d’un schéma propre à chaque application. Des milliers d’agents pourraient modifier un état partagé simultanément. Les techniques de multiversion, de copie à l’écriture, de validation unique, de CRDT et de transformation opérationnelle sont citées. Les agents doivent aussi négocier, gérer les agents retardataires et éviter les boucles d’actions compensatoires. [Profil d’Aditya Parameswaran](https://people.eecs.berkeley.edu/~adityagp/) **Vérification des systèmes générés** Les agents peuvent désormais synthétiser des systèmes de données complets pour une charge de travail donnée. Cette capacité déplace l’enjeu vers la vérification du comportement obtenu. Un système généré doit correspondre à l’intention de départ avant d’être utilisé. Les travaux évoqués relient cette question aux systèmes de données pour les agents et aux infrastructures qui les hébergent. Les auteurs décrivent aussi un socle nécessaire pour faire fonctionner des tâches longues, stocker l’état et coordonner les actions. Des solutions d’exécution durable, comme Temporal, existent déjà pour certains usages. Leur application à grande échelle avec des milliers d’agents doit encore être évaluée. Le sujet relie donc inférence, mémoire, exécution et contrôle.