Microsoft : la fin d’AI Frontiers illustre le conflit entre recherche et course à la taille

Faut-il chercher de nouvelles idées ou simplement construire des modèles toujours plus gros ? Le débat agite l’intelligence artificielle depuis des années. Il vient de trouver une illustration concrète chez Microsoft. Le 6 novembre 2026, le chercheur John Langford a annoncé sur son blog la fin d'AI Frontiers, le groupe qu’il avait contribué à créer au sein de Microsoft Research. Son billet, intitulé « The End of AI Frontiers », décrit une équipe absorbée par la division Microsoft AI, puis dissoute de fait, faute de place pour la recherche dans une stratégie tournée vers la taille des modèles.

Un groupe né après ChatGPT

John Langford, spécialiste reconnu de l’apprentissage automatique et auteur de longue date du blog hunch.net, raconte qu’après la sortie de ChatGPT, en 2023, il est apparu nécessaire d’organiser la recherche différemment. Selon lui, un chercheur isolé, même avec une bonne idée, arrivait trop tard et sans résultats assez convaincants face aux moyens déployés par les autres laboratoires.

Avec plusieurs collègues, il a donc créé AI Frontiers, une sous-organisation de Microsoft Research d’environ 50 personnes, chargée de mener des efforts de recherche coordonnés. Le chercheur reconnaît des désaccords internes et un accès à la puissance de calcul souvent très limité, mais estime que le groupe a réalisé des travaux pionniers au regard de sa taille.

Des agents et des architectures nouvelles

Une grande partie du travail d’AI Frontiers portait sur les agents d’IA, ces programmes qui enchaînent des actions pour accomplir une tâche. Le groupe a notamment développé :

Le groupe avait aussi constitué un dépôt de code commun, partagé par défaut avec tout Microsoft Research, contenant notamment une chaîne complète d’entraînement de modèles. Un détail en apparence, souligne le chercheur, mais construire une telle chaîne représente un effort considérable : il affirme connaître au moins quatre projets parallèles en interne visant le même objectif.

Le rattachement à Microsoft AI

Début septembre 2026, AI Frontiers a été intégré à Microsoft AI. Sur le papier, la réorganisation pouvait se défendre : réunir deux organisations consacrées à l’IA permet de concentrer les efforts, chacune ayant de l’avance sur certains sujets.

Pour comprendre la portée de ce rapprochement, il faut rappeler l’histoire de Microsoft AI. En mars 2024, Microsoft a recruté Mustafa Suleyman et une grande partie des équipes de sa start-up Inflection AI, pour créer une division chargée des produits grand public comme Copilot. Microsoft Research, de son côté, conservait une tradition de recherche plus ouverte et de long terme, avec des publications scientifiques nombreuses.

En pratique, selon John Langford, les philosophies se sont révélées incompatibles. Il décrit la direction de Microsoft AI, issue d’Inflection, comme guidée par la mise à l’échelle, c’est-à-dire l’augmentation de la taille des modèles et des données, et « résolument pas » par la recherche. Dans un tel environnement, explique-t-il, l’essentiel de l’effort porte sur la collecte et le raffinement des données, loin des travaux de son équipe. Il ajoute qu’il existait de nombreux signes que la nouvelle direction ne souhaitait pas vraiment accueillir le groupe.

Ces propos n’engagent que leur auteur. Microsoft n’a pas réagi dans les sources consultées, et le billet ne présente que le point de vue d’une des parties.

Recherche ou taille : un débat de fond

Le chercheur reconnaît que la stratégie de mise à l’échelle n’est pas absurde. De nombreux éléments montrent que les modèles plus gros font de meilleures prédictions, et, d’un point de vue commercial, les retours d’un investissement dans la taille sont bien plus prévisibles que ceux de la recherche.

Il juge pourtant cette orientation exclusive « malavisée ». Selon lui, les gains de la recherche sont réels et importants. Il cite des expériences menées par le groupe chinois ByteDance, qui suggèrent qu’une variante de son architecture Full Bandwidth Transformer pourrait être comparable à un modèle deux fois plus gros, ce qui permettrait des économies importantes sur l’entraînement comme sur l’utilisation. « Faites le calcul », écrit-il, en rappelant que les investissements du secteur approchent les mille milliards de dollars : diviser par deux les coûts aurait une valeur considérable.

Le départ des fondateurs

John Langford indique avoir trouvé une place pour les membres de son équipe, puis avoir quitté l’entreprise. Selon lui, tous les autres membres fondateurs de la direction d’AI Frontiers semblent être arrivés à une conclusion similaire. Le groupe ne proposera pas de stages l’an prochain.

Pourquoi ne pas revenir à Microsoft Research ? Le chercheur avance deux raisons. D’abord, il ne veut pas travailler dans une entreprise où ses recherches n’ont aucune chance d’être utilisées dans des produits. Ensuite, il estime que le pacte de base du laboratoire, « faire du bon travail et de bonnes choses arrivent », est rompu : son équipe, dit-il, a fait du bon travail et a pourtant été réorganisée sans son accord. Il conclut en espérant qu’un futur Microsoft redevienne attractif pour la recherche.

Un mouvement qui dépasse Microsoft

La situation décrite n’est pas propre à Microsoft. Depuis l’essor des grands modèles de langage, plusieurs entreprises ont rapproché leurs laboratoires de recherche de leurs équipes produit, pour accélérer la commercialisation. Ce mouvement donne aux chercheurs plus de moyens de calcul, mais réduit la place des travaux plus exploratoires, dont les retombées sont incertaines et lointaines.

Les défenseurs de la recherche fondamentale rappellent que plusieurs avancées majeures de l’IA, comme l’architecture Transformer, publiée en 2017 par des chercheurs de Google, sont nées de travaux exploratoires avant de devenir le socle de toute l’industrie. Les partisans de la mise à l’échelle répondent que les progrès récents tiennent surtout à l’augmentation de la puissance de calcul et des données.

Ce que cela peut changer

Pour Microsoft, le départ de chercheurs expérimentés pourrait profiter à des concurrents ou à de jeunes entreprises, qui recrutent activement dans ce domaine. Pour l’ensemble du secteur, le témoignage de John Langford pose une question économique centrale : alors que le coût de l’entraînement et de l’utilisation des modèles devient un enjeu majeur, les entreprises qui misent tout sur la taille ne risquent-elles pas de passer à côté d’innovations capables de faire autant avec moins ? La réponse se lira dans les prochaines générations de modèles, et dans la capacité des grands modèles de langage à progresser sans voir leurs coûts exploser.