Ant Financial Science and Technology Zhongguancun Forum s'exprime : La performance des tokens sera l'indicateur clé pour mesurer la valeur de l'IA d'entreprise

L’essor fulgurant des agents d’exécution autonomes intelligents, représentés par OpenClaw, marque l’évolution accélérée des applications d’IA, passant de l’« interaction par dialogue » à l’« exécution de tâches ». Alors que les entreprises accélèrent leur adoption, elles doivent aussi faire face à de multiples défis, comme le gaspillage de puissance de calcul et la conformité en matière de sécurité. Comment permettre aux agents d’atteindre une mise en œuvre véritablement à grande échelle et durable, est devenu le sujet central d’intérêt commun dans l’industrie.

Le 26 mars, lors du Forum sur l’innovation et le développement des industries futures à Zhongguancun, le directeur général du département d’innovation technologique des grands modèles d’Alibaba Ant (Ant Group), Zhang Peng, a déclaré dans son discours que l’explosion d’OpenClaw entraînera une révolution de paradigme de l’IA au niveau de l’entreprise, et fera passer le déploiement des grands modèles dans les scénarios industriels de la « course aux paramètres » à la « compétition d’efficacité Token ».

Discours de Zhang Peng, directeur général du département d’innovation technologique des grands modèles d’Alibaba Ant, à Zhongguancun

La diffusion rapide d’agents de type OpenClaw reflète la demande du marché pour des agents d’exécution autonome, mais dans un environnement industriel réel, leur déploiement se heurte à des défis considérables : faute d’une compréhension approfondie des règles du secteur et des processus métiers, les agents, lors de l’exécution de tâches complexes, ont souvent tendance à rappeler les outils à répétition, ce qui entraîne une consommation de Tokens largement supérieure à la production réellement utile. D’après des informations, dans certains scénarios de sollicitations fréquentes, les coûts de consommation de Tokens d’OpenClaw peuvent atteindre des dizaines de fois, voire des centaines de fois, ceux d’un coût d’Agent intégré. Ce modèle de dépenses élevées pour une faible production pose un problème de durabilité dans des applications industrielles à grande échelle.

« Dans la seconde moitié du déploiement de l’industrie des grands modèles, le sujet central n’est pas la compétition sur la taille des paramètres des modèles, mais l’amélioration continue de l’efficacité des Tokens par unité. » Selon Zhang Peng, les entreprises devraient, en combinant les scénarios et les besoins réels, choisir des solutions d’IA combinant des modèles de différentes tailles, afin d’obtenir davantage de valeur métier avec des coûts de puissance de calcul plus faibles.

Prenons l’exemple du secteur financier : chaque jour, ce domaine doit traiter une immense quantité de tâches fréquentes et à faible latence — identifier rapidement les intentions, extraire les informations clés, effectuer une recherche et un tri, etc. Ces tâches exigent une forte concurrence, une réponse rapide et une grande précision. Les grands modèles de raisonnement de l’industrie, capables, peuvent être très performants, mais dans ces scénarios, ils ressemblent à « utiliser une hache de guerre pour tuer un poulet » : les coûts sont élevés, la réponse est plus lente et les ressources sont gaspillées.

« Ce dont l’industrie a réellement besoin, c’est d’implémenter des solutions d’IA offrant le meilleur rapport qualité-prix et la meilleure vitesse de réponse, tout en garantissant la spécialisation, la rigueur et la conformité. » Zhang Peng l’a déclaré. Il estime que les modèles à grands paramètres sont plus performants dans le raisonnement complexe et l’analyse approfondie, tandis que les modèles à petits paramètres, dans les scénarios de tâches fréquentes et de petite taille, offrent une latence plus faible et un meilleur rapport qualité-prix. L’industrie a besoin de solutions combinant modèles de différentes tailles pour résoudre plus efficacement et à moindre coût les problèmes des scénarios réels.

Lors du Forum de Zhongguancun, Ant a publié un modèle léger à usage financier, Ling-DT-Fin-Mini-2.5, qui est le premier modèle de la série de grands modèles Ling DT. D’après la présentation, Ling DT Fin Mini 2.5 est un modèle léger MoE, optimisé pour les scénarios de tâches à forte concurrence et à faible latence dans le domaine financier, basé sur la toute dernière architecture d’attention linéaire hybride de Ling 2.5. Tout en conservant une profondeur professionnelle, il permet de comprimer les coûts de raisonnement jusqu’à un niveau compatible avec un déploiement à grande échelle. Par rapport aux modèles généralistes de même capacité couramment utilisés dans l’industrie, il offre une vitesse de raisonnement 100 % plus rapide et réduit nettement le coût matériel pour traiter la même quantité de tâches, apportant aux institutions financières une valeur tangible en matière de réduction des coûts et d’amélioration de l’efficacité.

En fait, une fois que les agents d’IA accélèrent la pénétration des scénarios critiques de l’industrie et exécutent des tâches réelles, la combinaison de modèles de différentes tailles est devenue une tendance du secteur. Récemment, OpenAI a successivement lancé deux petits modèles, GPT‑5.4 mini et nano, mettant l’accent sur une faible latence et un bon rapport qualité-prix, comme force principale des sous-agents de couche d’exécution.

Zhang Peng indique que le développement technologique finira forcément par revenir aux exigences rationnelles de l’industrie en matière d’efficacité. Dans la prochaine phase de la compétition, l’efficacité des Tokens deviendra l’indicateur central pour mesurer la valeur de l’IA au niveau de l’entreprise. Ant continuera d’approfondir l’AGI au niveau de l’entreprise, et lancera plus avant le modèle Ling DT version Entreprise de type « Bailing » ainsi que sa version sectorielle, afin d’accélérer le déploiement à grande échelle des agents dans des scénarios complexes propres aux entreprises.

Actualités en masse, analyse précise — le tout sur l’application Sina Finance