Présentation de Foundry et des nouvelles capacités

Microsoft a annoncé la mise à jour de Foundry, sa plateforme unifiée destinée à la création, au test et au déploiement d’applications d’intelligence artificielle et d’agents autonomes. La version Foundry IQ, intégrée à Microsoft IQ, propose désormais un knowledge graph d’entreprise « out of the box », capable d’ingérer l’ensemble du parc de données non structurées et applicatives d’une organisation. Cette cartographie sémantique fournit un contexte riche aux modèles, réduisant le besoin de pré‑traitement manuel et améliorant la pertinence des réponses générées.

Modèles décisionnels et MAI : architecture et performances

Parallèlement, Microsoft a rendu disponible Decision‑1.1, un modèle décisionnel conçu pour produire des réponses rapides et peu coûteuses dans des scénarios de routage, de classification ou de contrôle de workflow. Contrairement aux grands modèles de langage (LLM) qui « pensent » longuement avant de répondre, Decision‑1.1 utilise une architecture basée sur Gemma 4 26B A4 de Google, enrichie d’un support multimodal permettant l’analyse d’images dans les instructions. Le modèle délivre des scores de confiance calibrés, ce qui permet aux applications de déléguer les cas d’incertitude à des processus humains ou à des modèles plus puissants.

La famille MAI a également été élargie : MAI‑Code‑2 et MAI‑Code‑2‑Flash ciblent respectivement des charges de travail de codage complexes et à haut volume, avec un compromis explicite entre performance et coût. Les deux modèles sont accessibles sur GitHub, tandis que Code‑2‑Flash reste en prévisualisation privée dans Foundry. Au niveau de la génération d’images, MAI‑Image‑2.7 et sa version Flash offrent une netteté accrue et une cohérence visuelle, utiles pour les campagnes marketing. Enfin, MAI‑Cyber‑2‑Flash se positionne comme un modèle dédié à la cybersécurité, intégré à la solution Codename MDASH de sécurisation du code.

Boucles d’amélioration continue et observabilité

Les mises à jour introduisent des mécanismes de boucle d’apprentissage intégrés. Grâce aux capacités de transparence et d’observabilité déjà présentes, les équipes peuvent mesurer qualité, sécurité, latence et coût des agents autonomes. Des évaluations internes établissent des bases de référence (baselines) qui sont ensuite ajustées par des tests d’optimisation et des comparaisons avec des résultats réels. Microsoft a également lancé un aperçu de human annotations : des experts notent et commentent les traces d’agents selon un jugement métier, alimentant directement le processus d’amélioration. Cette approche combine le renforcement de l’apprentissage (RL) avec l’exécution du calcul, chaque itération devenant le nouveau point de référence.

Implications pour les entreprises et limites éventuelles

Pour les organisations, le regroupement de plus de 11 000 modèles (OpenAI, Anthropic, Meta, Mistral, communauté open‑source) dans un même pool, associé à un routeur de modèles et à un AI Gateway, simplifie la sélection du modèle optimal selon la tâche et les contraintes budgétaires. Cependant, la dépendance à un knowledge graph généré automatiquement peut introduire des biais si les données d’entrée sont hétérogènes ou mal étiquetées. De plus, la disponibilité en prévisualisation de certaines fonctions (annotations humaines, MAI‑Cyber‑2‑Flash) signifie que les garanties de stabilité et de conformité restent à valider dans des environnements de production. Enfin, le modèle Decision‑1.1, bien que moins cher, repose sur une base externe (Gemma) ; les organisations soucieuses de la souveraineté des données devront évaluer les implications contractuelles et de confidentialité.