Et si un agent IA plus petit qu’un modèle de frontier pouvait battre les géants d’Anthropic et d’OpenAI sur une tâche pourtant essentielle pour la science ? C’est exactement ce que vient d’annoncer TechCrunch à propos d’Inherent, une jeune pousse londonienne fondée par d’anciens de DeepMind. Leur agent baptisé Faraday a réussi à reproduire de manière autonome les résultats d’articles scientifiques publiés, sans connaître la solution à l’avance, et ce avec un modèle de seulement 27 milliards de paramètres. Dans un écosystème où tout le monde court après la taille, cette performance interroge profondément la stratégie des labos et des startups. Pour les fondateurs, les investisseurs et les équipes produit qui suivent de près l’évolution des agents IA, l’histoire d’Inherent ouvre des pistes concrètes sur l’efficacité, le goût scientifique et la collaboration homme-machine.

Une startup discrète qui sort de l’ombre avec un résultat solide

Parmi toutes les entreprises créées par d’anciens de Google DeepMind, Inherent est restée relativement discrète jusqu’à récemment. Alors que d’autres levées de fonds plus spectaculaires attirent les projecteurs sans toujours livrer de démonstrations concrètes, l’équipe londonienne a choisi une autre voie. Quelques semaines seulement après sa sortie de stealth mode et une levée de seed de 50 millions de dollars, elle a publié les premiers résultats de Faraday.

Le défi choisi n’est pas anodin. Reproduire indépendamment les conclusions d’articles scientifiques constitue un exercice classique pour les chercheurs humains. Beaucoup de doctorants commencent d’ailleurs leur parcours par ce type de travail. Faraday a non seulement réussi cette mission, mais il a dépassé des systèmes nettement plus massifs : Claude Opus 4.8 d’Anthropic et GPT-5.5 d’OpenAI. Le modèle sous-jacent, Qwen 3.6, ne compte que 27 milliards de paramètres. En termes de coûts d’entraînement et de consommation de ressources, l’écart est considérable.

Edward Hughes, co-fondateur et chief scientist, insiste cependant sur un point essentiel. L’objectif n’était pas simplement de battre les modèles frontière. Ce qui comptait vraiment, c’était la méthode employée pour y parvenir. Cette distinction change tout pour quiconque s’intéresse à la construction d’agents IA réellement utiles plutôt qu’à la course pure aux paramètres.

Au-delà de la précision : le goût de la recherche

Inherent a placé la barre plus haut que la simple exactitude des résultats. L’équipe voulait que Faraday démontre ce qu’elle appelle le goût de la recherche, ou research taste. Il s’agit de cette intuition difficile à formaliser qui permet de choisir les expériences pertinentes, de les concevoir correctement et de savoir quand une piste mérite d’être explorée plus loin.

Transmettre une compétence aussi intangible représente un défi majeur. C’est là qu’intervient le reinforcement learning. Au lieu d’enseigner à l’agent des règles explicites sur la façon dont la science se pratique, Inherent a privilégié un système de récompenses basé sur les résultats. L’idée est que cette approche généralise mieux vers l’objectif à long terme : créer un agent capable de contribuer de manière originale dans de multiples disciplines scientifiques.

Nous sommes toujours guidés par cette étoile polaire qui consiste à construire un agent scientifique IA et à imprégner nos agents de goût.

– Edward Hughes, co-fondateur et chief scientist d’Inherent

Cette orientation a aussi dicté ce que la startup a décidé de ne pas construire. Plutôt que de développer son propre outil de codage, Faraday s’appuie sur GPT-5.5 Codex d’OpenAI. La logique est simple : les scientifiques humains n’écrivent pas non plus tous leurs logiciels from scratch. Ils s’appuient sur l’existant pour se concentrer sur la science. Inherent applique le même principe à son agent.

Un coéquipier plutôt qu’un simple exécutant

La vision d’Inherent va plus loin que la performance pure. Hughes décrit le type de collaborateur qu’il préfère : quelqu’un qui revient avec des résultats inattendus et demande un avis. « J’ai été curieux de ceci, j’ai mené ces expériences. Qu’en penses-tu ? » C’est exactement le comportement que l’équipe cherche à inculquer à Faraday.

Cette posture collaborative contraste avec les agents qui se contentent de confirmer les attentes de l’utilisateur. Dans un contexte business et recherche, un outil qui sait surprendre positivement et proposer des pistes non sollicitées apporte une valeur bien supérieure. Pour les équipes marketing, produit ou R&D qui explorent l’IA générative, ce modèle de « teammate » ouvre des perspectives intéressantes sur la façon d’intégrer les agents dans les workflows quotidiens.

Le même esprit collégial se retrouve dans l’organisation de l’entreprise elle-même. Les douze collaborateurs d’Inherent travaillent tous en présentiel dans un bureau situé à King’s Cross, quartier londonien autrefois en déclin et aujourd’hui l’un des hubs IA les plus dynamiques d’Europe grâce à la présence de DeepMind.

Londres, capital de l’IA européenne ?

Hughes se montre convaincu du potentiel de Londres en matière de talent IA. La densité d’expertise y est remarquable. Pourtant, il pointe un frein structurel bien connu des fondateurs britanniques : le garden leave. Cette pratique courante au Royaume-Uni empêche un salarié qui démissionne de rejoindre ou de créer une entreprise concurrente pendant plusieurs mois. Aux États-Unis, les chercheurs ne subissent généralement pas cette contrainte, ce qui donne un avantage compétitif aux startups américaines au moment du recrutement.

Hughes a personnellement connu cette difficulté avant de pouvoir lancer Inherent avec deux autres alumni de DeepMind et un quatrième co-fondateur. Aujourd’hui, la startup prévoit de porter ses effectifs à environ 20-25 personnes d’ici la fin de l’année. Avec ses ambitions dans les world models et le contexte interne actuel chez DeepMind, Inherent pourrait devenir une destination attractive pour des talents qui envisagent un départ.

Les co-fondateurs, visibles sur les photos officielles, sont Louis Kirsch, Kaloyan Aleksiev, Tantum Collins et Edward Hughes. Leur profil commun DeepMind donne une crédibilité technique immédiate, même si la notoriété médiatique de la société restait jusqu’ici limitée.

Pourquoi la taille du modèle n’est plus le seul critère

La performance de Faraday sur Qwen 3.6 remet en question un dogme qui a dominé l’industrie ces dernières années : plus le modèle est grand, meilleure est la performance. Bien sûr, les modèles massifs conservent des avantages sur de nombreuses tâches générales. Mais pour des applications spécialisées comme la réplication de recherches, une architecture bien conçue, un training orienté reinforcement learning et un focus sur le goût scientifique semblent compenser largement le manque de paramètres.

Pour les startups et les scale-ups qui n’ont pas les moyens de financer des entraînements à plusieurs milliards de dollars, ce résultat est encourageant. Il montre qu’une approche intelligente de l’architecture agentique et des objectifs de training peut produire des résultats compétitifs. Dans un marché où les coûts d’inférence et d’entraînement pèsent lourdement sur les business models, la capacité à obtenir de la performance avec des modèles plus légers devient un avantage concurrentiel majeur.

Faraday n’est pas non plus un agent généraliste prétendant tout faire. Il est conçu pour un domaine précis. Cette spécialisation, combinée à l’utilisation d’outils externes pour le code, rappelle que les meilleurs agents de demain seront probablement des systèmes composites plutôt que des monolithes.

Les implications pour les équipes produit et marketing

Au-delà de la recherche pure, l’approche d’Inherent contient des leçons transférables. Premièrement, définir clairement le comportement souhaité de l’agent plutôt que de se contenter de métriques de précision. Deuxièmement, accepter de s’appuyer sur des outils tiers au lieu de tout reconstruire. Troisièmement, investir dans des méthodes de training qui favorisent la généralisation plutôt que la mémorisation de patterns existants.

Dans le marketing digital, la communication ou le développement produit, on voit de plus en plus d’équipes expérimenter avec des agents. Beaucoup d’entre elles se heurtent au même problème : l’agent répond correctement aux prompts attendus, mais manque d’initiative et de discernement. Le concept de research taste appliqué à d’autres domaines pourrait inspirer des systèmes qui proposent spontanément des analyses, des A/B tests ou des pistes créatives non demandées.

Imaginez un agent marketing qui, au lieu de simplement générer des variations de copy, revient avec : « J’ai testé ces trois angles supplémentaires parce qu’ils semblaient prometteurs au regard des données récentes. Voici les résultats. » Ce type de proactivité change la nature de la collaboration.

Reinforcement learning et généralisation

Le choix du reinforcement learning n’est pas anodin. En récompensant les bons résultats plutôt qu’en dictant chaque étape, Inherent parie sur une capacité d’adaptation plus large. Cette méthode a déjà prouvé son efficacité dans d’autres domaines, du jeu à la robotique. L’appliquer à la conduite de recherches scientifiques représente cependant un pas supplémentaire.

La difficulté réside dans la définition des récompenses. Comment quantifier le « goût » ? Comment encourager la curiosité productive sans ouvrir la porte à des explorations inutiles ? Ces questions techniques restent ouvertes, mais les premiers résultats de Faraday suggèrent que l’équipe a trouvé des pistes prometteuses.

Pour les labos et startups qui travaillent sur des agents spécialisés, l’expérience d’Inherent fournit un cas d’étude intéressant. Plutôt que de surcharger le modèle avec des exemples de méthodologie scientifique, ils ont misé sur un système de feedback qui laisse l’agent découvrir par lui-même ce qui fonctionne.

Le contexte concurrentiel des alumni DeepMind

DeepMind a généré une diaspora impressionnante de fondateurs. Certains ont levé des sommes considérables et attiré une attention médiatique intense. D’autres, comme Inherent, ont progressé plus discrètement tout en livrant des preuves concrètes. Dans un marché saturé de pitches et de promesses, le fait de publier des résultats mesurables constitue un différenciateur fort.

La levée de 50 millions de dollars en seed montre que les investisseurs croient au potentiel. Pourtant, la vraie validation viendra des prochaines étapes : passer de la réplication de résultats existants à la découverte de connaissances réellement nouvelles. Hughes et son équipe le savent. La réplication n’est qu’un exercice d’entraînement, un peu comme les gammes pour un musicien. L’objectif final reste la contribution originale à la science.

Quels défis restent à relever

Malgré le succès annoncé, plusieurs questions demeurent. La performance de Faraday a-t-elle été évaluée sur un ensemble représentatif d’articles ? Dans quelle mesure le modèle sous-jacent Qwen 3.6 a-t-il été affiné spécifiquement pour cette tâche ? Comment se comporte l’agent face à des papiers issus de domaines très différents ?

Inherent n’a pas encore publié de paper technique détaillé accessible au public au moment de l’annonce, ce qui est courant pour une startup à ce stade. Les prochains mois devraient apporter davantage de transparence et de benchmarks indépendants. En attendant, le signal envoyé est clair : des approches alternatives aux modèles ultra-larges méritent d’être prises au sérieux.

Un autre enjeu concerne la scalabilité de l’approche. Le reinforcement learning fonctionne bien sur des tâches où les récompenses sont relativement faciles à définir. Pour des recherches plus exploratoires, la définition de ce qui constitue un « bon » résultat devient beaucoup plus subjective. C’est précisément là que le goût scientifique, s’il peut être réellement transféré à une machine, prend toute son importance.

L’impact potentiel sur l’écosystème startup européen

Le positionnement d’Inherent à Londres renforce l’idée que l’Europe, et particulièrement le Royaume-Uni, peut produire des labos IA compétitifs. King’s Cross symbol déjà un écosystème dense. La présence de DeepMind a joué un rôle de catalyseur. Voir des alumni créer des structures ambitieuses sur place plutôt que de partir systématiquement vers la Silicon Valley est un signe positif pour le continent.

Le débat sur le garden leave mérite également d’être suivi. Si le Royaume-Uni veut rester attractif pour les talents et les fondateurs, des ajustements réglementaires ou culturels pourraient s’avérer nécessaires. Hughes a pris soin de préciser qu’il s’agissait d’une position personnelle et non d’une position officielle de la société, mais le sujet touche de nombreux entrepreneurs tech britanniques.

Ce que les fondateurs peuvent retenir

Plusieurs enseignements se dégagent de l’aventure Inherent pour quiconque construit une startup IA ou intègre des agents dans un produit :

• La taille du modèle n’est pas toujours le facteur déterminant ; l’architecture de l’agent et la méthode d’entraînement comptent énormément
• Définir un comportement souhaité (curiosité, initiative, goût) peut orienter le développement plus efficacement que de simples métriques de précision
• S’appuyer sur des outils existants plutôt que de tout reconstruire accélère le time-to-market et réduit les coûts
• Travailler en présentiel avec une petite équipe très qualifiée reste un mode de fonctionnement viable, même dans l’IA
• Publier des résultats concrets tôt crée de la crédibilité, même avec une notoriété initiale limitée

Ces principes s’appliquent aussi bien à une startup purement IA qu’à une scale-up qui cherche à intégrer des capacités d’agents dans son offre existante.

Vers des agents scientifiques véritablement créatifs

La réplication de papiers constitue une étape importante, mais le véritable test arrivera lorsque Faraday, ou ses successeurs, proposeront des hypothèses originales validées expérimentalement. C’est l’objectif affiché d’Inherent. Atteindre ce niveau de contribution scientifique autonome changerait radicalement la productivité de la recherche dans de nombreux domaines.

Les implications pour la biologie, la chimie, la physique des matériaux ou même les sciences sociales sont immenses. Un agent capable non seulement de vérifier des résultats mais aussi de générer de nouvelles pistes de recherche crédibles pourrait accélérer considérablement les cycles de découverte. Bien entendu, de nombreuses questions éthiques, méthodologiques et de validation resteront à traiter. La science repose sur la reproductibilité, la critique par les pairs et la transparence. Un agent IA devra s’intégrer dans ces processus plutôt que de les contourner.

Le rôle des world models dans la feuille de route

Inherent mentionne également des ambitions dans les world models. Ces modèles qui tentent de capturer une représentation interne du monde physique ou abstrait sont considérés par de nombreux chercheurs comme une étape importante vers des agents plus capables de raisonnement et de planification à long terme. Combiner un agent doté de goût scientifique avec une compréhension plus profonde de la dynamique du monde pourrait produire des systèmes encore plus performants.

Cette direction de recherche s’inscrit dans une tendance plus large de l’industrie. Après les grands modèles de langage purement textuels, de nombreuses équipes explorent des architectures qui intègrent une forme de simulation interne ou de prédiction d’états futurs. Faraday pourrait servir de base expérimentale pour tester ces idées dans un contexte scientifique concret.

Comment suivre les prochaines étapes

Inherent reste une entreprise jeune. Les prochains mois seront déterminants. L’augmentation des effectifs, la publication éventuelle de détails techniques, l’extension des capacités de Faraday à de nouveaux domaines scientifiques et l’évolution vers la découverte de connaissances nouvelles seront autant de jalons à observer.

Pour les investisseurs, les fondateurs et les équipes techniques qui suivent l’écosystème IA, le cas Inherent illustre une vérité simple : dans un marché saturé de modèles toujours plus grands, l’innovation peut aussi venir d’approches plus ciblées, plus efficaces et plus orientées vers un comportement collaboratif. Faraday n’est pas le plus grand modèle du moment. Il n’a pas besoin de l’être pour démontrer de la valeur.

L’annonce relayée par TechCrunch rappelle aussi que la couverture médiatique suit souvent les résultats concrets plutôt que les seules levées de fonds. En livrant une démonstration mesurable peu de temps après sa sortie de stealth, Inherent a su attirer l’attention d’une manière que de nombreuses startups mieux financées n’ont pas encore réussi.

Une leçon de sobriété technique

En définitive, l’histoire de Faraday et d’Inherent parle autant de culture d’équipe et de choix méthodologiques que de pure performance algorithmique. Une petite structure, un modèle relativement léger, un focus clair sur le goût scientifique et une volonté de collégialité : ces éléments combinés ont produit un résultat qui force le respect face aux labos les plus puissants de la planète.

Pour quiconque construit ou déploie des agents IA aujourd’hui, le message est clair. Il ne s’agit plus seulement de savoir combien de paramètres on peut entraîner. Il s’agit de savoir quel type de collaborateur on souhaite créer, comment on le forme, et avec quels outils on le complète. Inherent a choisi de construire un coéquipier curieux plutôt qu’un simple exécutant. Les premiers résultats suggèrent que ce choix était judicieux.

Alors que l’industrie continue de discuter de l’avenir des agents autonomes, des world models et de la contribution de l’IA à la science, les expériences comme celle de Faraday apportent des données concrètes plutôt que des spéculations. C’est précisément ce dont le domaine a besoin pour progresser de manière responsable et efficace. Les prochains développements de cette équipe londonienne méritent d’être suivis de près, non seulement pour leurs performances brutes, mais pour la philosophie de construction d’agents qu’ils incarnent.

Dans un secteur où la taille a longtemps été présentée comme le principal levier de progrès, voir un agent plus petit et mieux orienté surpasser des systèmes massifs sur une tâche exigeante rappelle une vérité essentielle : l’intelligence, qu’elle soit humaine ou artificielle, se mesure aussi à la qualité des questions qu’elle pose et des expériences qu’elle choisit de mener. Faraday, pour l’instant, semble avoir bien compris cette leçon.