La suspension temporaire de Claude Fable 5 aux États-Unis a rappelé un point sensible pour de nombreuses entreprises. Lorsqu’une application dépend entièrement d’un seul fournisseur d’intelligence artificielle, elle devient plus vulnérable. Une panne, un changement de politique ou une restriction réglementaire peuvent alors perturber son fonctionnement du jour au lendemain.
Plutôt que de développer un modèle toujours plus gigantesque, certains laboratoires explorent une autre voie : faire collaborer plusieurs IA spécialisées. C’est précisément l’idée défendue par Sakana AI avec Fugu, une architecture capable d’orchestrer différents modèles selon la nature de chaque tâche. Au lieu de chercher à construire une IA capable de tout faire, la startup japonaise préfère faire collaborer plusieurs modèles, chacun intervenant là où il est le plus efficace.
Qu’est-ce que Sakana Fugu ?
Fugu est une architecture d’intelligence artificielle développée par Sakana AI, une jeune entreprise fondée à Tokyo en 2023 par plusieurs chercheurs ayant notamment travaillé chez Google. Son nom n’a pas été choisi au hasard : sakana signifie « poisson » en japonais. L’entreprise s’inspire des comportements collectifs observés dans la nature, où des groupes d’individus relativement simples parviennent à accomplir des tâches complexes grâce à leur coordination.
Cette philosophie guide le développement de Fugu. Plutôt que de miser sur un modèle unique toujours plus puissant, Sakana AI cherche à faire collaborer plusieurs IA spécialisées. Chacune intervient dans le domaine où elle est la plus performante, tandis qu’un coordinateur se charge d’organiser leur travail et d’assembler leurs réponses.
Selon la nature de la demande, certains agents IA vont se concentrer sur le raisonnement, d’autres sur la programmation ou sur l’analyse de documents. D’autres effectureront la recherche d’informations ou encore la vérification des réponses. Une fois ces différentes tâches terminées, le coordinateur rassemble les résultats pour produire une réponse unique et cohérente.
Pour les développeurs, cette complexité reste invisible. Les applications continuent d’utiliser une API unique, tandis que toute la coordination est assurée par la plateforme. Il n’est donc pas nécessaire de gérer manuellement plusieurs modèles ou de modifier son application lorsqu’un nouvel agent est ajouté ou remplacé. Grâce à cette flexibilité, les entreprises peuvent faire évoluer plus facilement leur infrastructure. Elles peuvent intégrer de nouveaux modèles ou en remplacer d’anciens sans avoir à reconstruire leurs applications.
Comment fonctionne l’architecture multi-agent de Fugu ?
Ces dernières années, des solutions comme LangGraph, CrewAI ou AutoGen permettent déjà de répartir des tâches entre différents modèles de langage. La différence est que ces outils servent principalement à construire des workflows définis par les développeurs. Autrement dit, c’est généralement l’utilisateur qui décide à l’avance quels agents doivent intervenir, dans quel ordre et pour quelles tâches.
Fugu adopte une logique différente. Sa véritable originalité réside dans la manière dont les agents sont sélectionnés et coordonnés. À chaque requête, le système commence par évaluer le type de tâche à accomplir. Selon le besoin, le coordinateur sélectionne le modèle le plus adapté à la tâche. Il peut par exemple s’appuyer sur un modèle orienté raisonnement comme DeepSeek-R1, un modèle polyvalent comme Mistral Large ou un modèle ouvert comme Llama 4.
Contrairement à une chaîne de traitement entièrement définie à l’avance, cette répartition peut évoluer selon la complexité de la demande. Certains agents interviennent uniquement pour vérifier un résultat, tandis que d’autres sont sollicités pour résoudre une partie spécifique du problème. Cette organisation permet d’utiliser les ressources disponibles de manière plus ciblée, sans mobiliser systématiquement tous les modèles.
Cette approche présente aussi un avantage pratique. Un nouveau modèle plus performant peut s’ajouter à l’écosystème sans modifier le fonctionnement général de la plateforme. Et si un fournisseur devient indisponible ou moins performant, les entreprises peuvent le remplacer sans modifier leurs applications.
TRINITY et Conductor, les recherches qui servent de base à Fugu
L’architecture de Fugu s’appuie notamment sur deux projets de recherche présentés par Sakana AI à l’ICLR 2026 : TRINITY et Conductor. Ces travaux cherchent à répondre à une question simple en apparence : comment apprendre à une intelligence artificielle à organiser elle-même le travail entre plusieurs agents ?
Dans une architecture classique, les développeurs définissent généralement les rôles de chaque agent : l’un génère du code, un autre recherche des informations et un troisième vérifie les réponses. Cette méthode reste efficace, mais elle devient rapidement difficile à maintenir lorsque les tâches se complexifient.
Avec TRINITY et Conductor, Sakana AI adopte une approche plus dynamique. Au lieu de suivre un scénario entièrement prédéfini, le coordinateur apprend progressivement quelles combinaisons d’agents donnent les meilleurs résultats selon le contexte. Il peut ainsi adapter sa stratégie en fonction de la difficulté d’une requête ou des performances observées lors des traitements précédents.
How does it work?
— Sakana AI (@SakanaAILabs) June 22, 2026
Sakana Fugu is itself an LLM, trained to call various LLMs in an agent pool, including instances of itself recursively. Fugu dynamically orchestrates the world's best models to tackle complex, multi-step tasks.
As shown in this figure, Fugu is a multi-agent… pic.twitter.com/TWLcEUSHQ6
Trois versions pour des besoins différents
Sakana AI propose actuellement trois déclinaisons de Fugu, chacune pensée pour un usage spécifique. Fugu, la version standard se destine aux usages quotidiens. Elle privilégie un bon équilibre entre rapidité d’exécution, qualité des réponses et coût de fonctionnement. Elle vise les usages du quotidien : assistants conversationnels, rédaction de contenu ou aide au développement. Fugu peut s’appuyer sur des modèles comme GPT-5.5 ou Gemini 3.1 Pro.
Fugu Ultra cible les travaux qui demandent davantage de raisonnement ou plusieurs étapes d’analyse. Pour ce type de missions, les agents peuvent s’appuyer sur des modèles plus performants, notamment Claude Opus 4.8, GPT-5.5 ou Gemini 3.1 Pro. Cette version s’oriente davantage vers l’analyse de publications scientifiques, la recherche sur les brevets, les projets de science des données ou les développements logiciels avancés.
La troisième version, Fugu Cyber, est consacrée à la cybersécurité. Elle orchestre des agents spécialisés dans l’audit de code, la recherche de vulnérabilités, l’analyse de configurations ou encore la détection de menaces. Fugu Cyber est conçu pour assister les équipes de sécurité dans leurs analyses, tout en restant dans le périmètre d’intervention défini par l’utilisateur.
Sakana Fugu peut-il rivaliser avec les grands modèles ?
La version Fugu Ultra de Sakana AI obtient des résultats proches ou supérieurs à plusieurs modèles de référence sur des tests liés à la programmation, au raisonnement scientifique et à la résolution de problèmes complexes.
| Benchmark | Fugu | Fugu Ultra | Claude Opus 4.8 | GPT-5.5 | Gemini 3.1 Pro |
| SWE-Bench Pro | 59.0 | 73.7 | 69.2 | 58.6 | 54.2 |
| TerminalBench 2.1 | 80.2 | 82.1 | 74.6 | 78.2 | 70.3 |
| LiveCodeBench Pro | 87.8 | 90.8 | 84.8 | 88.4 | 82.9 |
| GPQA-D | 95.5 | 95.5 | 92.0 | 93.6 | 94.3 |
| CharXiv Reasoning | 85.1 | 86.6 | 84.2 | 84.1 | 83.3 |
Ces résultats montrent que plusieurs agents autonomes coordonnés peuvent atteindre des performances comparables à celles de modèles plus imposants sur certaines tâches. Les scores obtenus dans les benchmarks permettent de comparer les modèles dans des conditions identiques, mais ils ne représentent pas toutes les situations rencontrées en pratique.
Les limites d’une architecture distribuée
Comme toute approche basée sur plusieurs modèles, Fugu présente certaines contraintes. Le premier point concerne le temps de traitement. Une réponse nécessitant plusieurs appels entre agents peut être plus longue qu’une requête envoyée à un modèle unique.
Le coût est également un facteur à prendre en compte. Chaque modèle mobilisé représente une consommation de ressources supplémentaire, ce qui peut augmenter le coût d’une opération complexe.
Enfin, le fonctionnement d’un système multi-agent peut être plus difficile à suivre qu’un modèle unique. Lorsque plusieurs agents participent à la génération d’une réponse, il devient nécessaire de disposer de mécanismes permettant de retracer les différentes étapes du processus.
FAQ : questions fréquentes sur Sakana Fugu
Quelle est la différence entre un modèle d’IA et une architecture comme Fugu ?
Un modèle d’IA produit directement des réponses à partir de son entraînement. Fugu agit plutôt comme une couche de coordination capable d’utiliser plusieurs modèles et d’organiser leur intervention.
Quelle est la différence entre Fugu et des outils comme LangGraph ou AutoGen ?
Des outils comme LangGraph, CrewAI ou AutoGen permettent déjà de créer des systèmes multi-agents, mais avec des workflows définis à l’avance par les développeurs. Fugu cherche à automatiser davantage la sélection et la coordination des agents en fonction de la tâche à réaliser.
Est-ce que Fugu est accessible au grand public ?
Fugu est principalement une solution destinée aux développeurs et aux organisations souhaitant intégrer des systèmes d’intelligence artificielle avancés dans leurs applications. Son déploiement dépend encore des conditions d’accès définies par Sakana AI.
- Partager l'article :
Restez à la pointe de l'information avec
INTELLIGENCE-ARTIFICIELLE.COM !
