Je teste des outils d’IA pour vivre — pas du genre « écris-moi un poème », mais plutôt « jette-le dans un problème réel et désordonné et vois s’il survit ». La plupart des agents ? Ils sont comme des stagiaires trop zélés : rapides, motivés, mais fragiles. Tu changes un peu l’instruction ? Ça casse. Tu ajoutes une contrainte ? Ça plante. Besoin d’adaptation en cours de route ? Bonne chance.
Puis j’ai rencontré Kimi-Researcher.
Il n’a pas juste répondu à mes questions — il a débattu avec moi. Il a questionné mes hypothèses. Il est sorti du cadre — pas au hasard, mais avec intention. Et quand il a buté ? Il n’a pas abandonné. Il a pivoté.
Ça, ce n’est pas un outil. C’est un coéquipier.
—
Ceci n’est pas du RL comme vous l’avez déjà vu
L’apprentissage par renforcement (RL) n’est pas nouveau. Mais la plupart des « agents RL » sont juste des enveloppes sophistiquées autour de modèles statiques — ils ajustent des poids, certes, mais ils ne repensent pas la stratégie.
Kimi-Researcher, si.
Je lui ai donné cette instruction : « Analyse la corrélation entre la fréquence des commits GitHub et les tours de table des startups entre 2020 et 2024. »
Au lieu de vomir un paragraphe, il a demandé :
→ « Vous voulez la corrélation par taille de repo ou par taille d’équipe ? »
→ « Dois-je exclure les tours pré-seed ? »
→ « Vous avez une méthode statistique préférée — Pearson, Spearman, ou une régression ? »
Il n’a pas supposé. Il a interrogé. Et quand j’ai dit « fais-toi plaisir », il a rédigé une méthodologie complète — stratégie d’échantillonnage, gestion des outliers, et même des suggestions de visualisations.
Le résultat ? Un PDF de 12 pages avec des graphiques, des notes de bas de page, et trois interprétations alternatives basées sur le stade de financement.
Je n’avais pas demandé ça. Il a décidé que c’était ça, « analyser ».
—
Puis il l’a exécutée. Sur de vraies données. From scratch.
Le regarder travailler, c’est comme observer un cerveau humain
+
Voici ce que j’adore — il ne fait pas que « traiter ». Il planifie.
J’ai balancé un CSV désordonné — 130 000 lignes, des colonnes sans étiquette, la moitié des dates en MM/JJ/AAAA, l’autre en JJ/MM/AAAA. Aucune instruction. Juste : « Donne-moi du sens avec ça. »
Ce qu’il a fait :
- Profilage des données — a signalé les formats incohérents, les valeurs manquantes, les outliers probables.
- Émission d’hypothèses — a deviné quelles colonnes étaient « revenu », « date », « région » en se basant sur la distribution des valeurs.
- Validation des assumptions — a lancé des stats rapides pour confirmer (ex. : « Si c’est du revenu, 95% doivent être >0 — check. »)
- Génération d’un script de nettoyage — avec des commentaires expliquant pourquoi chaque transformation était appliquée.
- Production de visuels de synthèse — pas que des barres, mais des violin plots montrant l’évolution des distributions par trimestre.
- Et ensuite — accrochez-vous — il a ajouté une note : « Colonne G assumée = ‘Région’ sur la base de motifs de strings. Validation manuelle recommandée pour les lignes 18 402–18 415 — les valeurs semblent anomaliques. »
Il n’a pas juste nettoyé des données. Il a documenté son raisonnement.
—
Il n’attend pas la permission — il prend l’initiative
Le moment qui m’a convaincue ? Je lui ai demandé de « trouver des articles récents sur l’efficacité des transformers ».
Il a retourné une revue de littérature — puis a ajouté :
« Remarqué que la plupart des articles utilisent les FLOPs comme métrique d’efficacité. Souhaitez-vous que je tracke aussi l’utilisation de la bande passante mémoire ? Des travaux récents suggèrent que c’est plus prédictif pour le déploiement edge. »
Je n’avais pas mentionné l’edge. Ni la bande passante mémoire. Il a connecté les points.
Une autre fois, il est tombé sur un article payant. Au lieu de s’arrêter, il a :
→ Vérifié arXiv pour les preprints
→ Cherché sur le site perso de l’auteur
→ Trouvé une vidéo de conférence où ils résumaient les résultats clés
→ Transcrit les 3 minutes pertinentes
→ Cité le timestamp de la vidéo
Puis m’a envoyé un message : « Accès au texte intégral impossible. Voici l’argument principal de l’auteur lors de sa conférence. Vous voulez que je leur envoie un mail pour une copie ? »
Je ne l’ai pas entraîné à faire ça. Il a inventé le processus.
—
Pourquoi l’architecture de Kimi rend cela possible
La plupart des agents « autonomes » reposent sur une structure fragile — si le modèle de base hoquette, tout l’agent s’effondre.
Kimi a construit le leur sur K2 — une bête d’un trillion de paramètres — mais avec une twist : l’activation sparse. Seulement 8 experts s’activent par token. Ce qui signifie :
- La vitesse ne chute pas avec la croissance du contexte
- Les coûts restent prévisibles
- L’agent peut réfléchir plus longtemps sans faire fondre votre budget
Ils n’ont pas juste fait un modèle plus intelligent. Ils en ont fait un durable — quelque chose que vous pouvez vraiment exécuter pendant des heures, pas des secondes.
—
Ce que cela signifie pour le travail réel
Je n’utilise pas Kimi-Researcher pour des démos. Je l’utilise en production :
- Due diligence — balancez un pitch deck de startup + des données Crunchbase → obtenez une assessment des risques + des benchmarks comparables
- Archéologie code — pointez-le vers un repo legacy → il retourne un diagramme d’architecture + les points chauds de dette technique + une feuille de route de migration
- Angles morts marché — nourrissez-le avec des transcripts d’appels aux résultats et des dépôts de brevets → il identifie des niches sous-desservies avec des estimations de TAM
- Il ne me remplace pas. Il me multiplie.
- —
Conclusion ? C’est le premier agent qui semble vivant
La plupart des outils d’IA ressemblent à des électroménagers. Kimi-Researcher ressemble à un collègue.
Il contredit. Il me surprend. Il fait des jugements — et les explique. Il n’exécute pas juste des tâches — il s’approprie les résultats.
J’ai testé des centaines d’agents. C’est le premier qui m’a manqué quand il ne tournait pas.
Ce n’est pas du hype. C’est un changement de paradigme.
—
Leave a Comment Cancel Reply