Résumé des points clés
Les assistants AI de bureau (Office Agents) des principales entreprises technologiques chinoises (Alibaba, Baidu, Tencent, ByteDance) passent collectivement à un modèle d’agrégation de modèles : elles ne se basent plus uniquement sur leurs propres grands modèles, mais intègrent également des modèles tiers tels que Zhipu et DeepSeek, permettant aux utilisateurs de choisir librement. L’objectif principal est d’inciter les utilisateurs à confier leurs tâches réelles (rédaction de rapports, création de PPT, analyse de tableaux) à l’IA, afin de collecter des données précieuses sur la décomposition des tâches, l’utilisation des outils et les retours des utilisateurs, ce qui améliorera à son tour le “système de commande” (Harness) de l’IA. Cependant, un problème majeur se pose : comment choisir le modèle le plus approprié pour chaque tâche en équilibrant efficacité, vitesse et coût ? Cette question deviendra déterminante dans la concurrence future.
I. Pourquoi les assistants AI de bureau commencent-ils à accumuler des modèles ? — L’important est d’inciter les utilisateurs à en faire usage
Auparavant, la compétition reposait sur le “quel modèle est le plus puissant”, mais avec les assistants AI de bureau, la logique a changé : il s’agit d’abord de retenir les utilisateurs et de les encourager à confier réellement leurs tâches à l’IA.
Par exemple, Qianwen Office intègre Zhipu GLM-5.3 et DeepSeek V4 Pro, tandis que Tencent WorkBuddy utilise même plusieurs gammes de modèles comme Hunyuan, Zhipu et MiniMax. Pourquoi ? Parce qu’un seul modèle ne peut pas gérer toutes les tâches : certains sont spécialisés dans la rédaction de textes, d’autres dans l’analyse de données ou la création de PPT. Plus la gamme de modèles est variée, plus les problèmes des utilisateurs sont résolus, et plus ils sont disposés à utiliser l’IA.
De plus, plus les utilisateurs utilisent l’IA, plus elle accumule de données réelles sur leurs processus de travail : par exemple, lorsqu’un utilisateur demande à l’IA de rédiger un rapport, comment celle-ci divise-t-elle la tâche en étapes (recherche d’informations → rédaction du plan → remplissage du contenu → modification) ? Quelles étapes ont échoué ? Quels ajustements ont été faits par l’utilisateur ? Ces données sont essentielles pour l’évolution de l’IA, tout comme un enseignant qui corrige les devoirs pour comprendre où les élèves se trompent et comment mieux les guider. Un dirigeant de Baidu a déclaré que les données publiques ont été entièrement mémorisées par les modèles, et que l’amélioration future de l’IA repose sur les “nouvelles connaissances générées par les humains”, dont les flux de travail réels constituent le support.
Ainsi, l’accumulation de modèles n’est pas une question de démonstration de puissance, mais d’incitation à l’utilisation, afin de créer un cercle vertueux : “utilisateurs → plus de données → meilleure IA → encore plus d’utilisations”.
II. L’agrégation ne signifie pas absence de limites — Les grandes entreprises protègent toujours leurs propres écosystèmes
Bien que toutes intègrent des modèles tiers, il est remarquable qu’il n’y ait aucun modèle directement concurrentiel dans les pools de chaque entreprise. Par exemple, Tencent WorkBuddy ne dispose pas des modèles Qianwen d’Alibaba ou Seed de ByteDance ; ByteDance TRAE Work n’a pas Hunyuan de Tencent ; et Baidu KuKuAI ne possède pas Hunyuan, Qianwen ou Seed. Pourquoi ? Parce que les grandes entreprises ne veulent pas orienter les utilisateurs vers leurs concurrents : si un utilisateur utilise un modèle concurrentiel dans leur propre assistant AI, il pourrait être attiré ailleurs. L’agrégation est donc “ouverte”, mais elle est ciblée ; les barrières écologiques subsistent.
C’est comme dans un centre commercial : vous pouvez introduire d’autres marques, mais vous ne laisserez pas les concurrents occuper vos espaces commerciaux.
III. Le routage : le défi crucial de l’agrégation — Comment choisir le modèle le plus efficace ?
Intégrer plusieurs modèles dans un assistant AI est seulement le premier pas ; le véritable défi est de choisir le bon modèle pour chaque tâche, c’est-à-dire de gérer le “routage”.
Il existe un “triangle impossible” : les modèles efficaces sont généralement coûteux (par exemple, les grands modèles sont utilisés pour les tâches complexes et coûtent plusieurs yuans par appel) ; les modèles rapides peuvent être moins performants ; les modèles bon marché ne résolvent pas toujours les problèmes complexes. Le routage consiste à trouver un équilibre entre ces trois critères :
- Pour les tâches simples (comme la création d’un résumé de réunion), utiliser des modèles bon marché et rapides pour économiser des coûts ;
- Pour les tâches complexes (comme l’analyse des données de ventes annuelles et la création de PPT), utiliser des modèles efficaces pour garantir la qualité ;
- Pour les tâches urgentes (comme la nécessité d’un plan en 10 minutes), utiliser des modèles rapides, même si cela entraîne une légère perte d’efficacité.
Pour les utilisateurs, cela concerne la qualité du résultat, le temps d’attente et le coût ; pour les entreprises, les différences de coûts entre les tâches en série peuvent être significatives (une différence de 0,1 yuán par appel peut représenter 100 000 yuans au total).
Le routage n’est donc pas simplement une question de choix de modèle, mais aussi de calcul économique et d’évaluation des résultats.
IV. La concurrence ultime : lequel a le meilleur “système de commande” ?
Les modèles peuvent être achetés ou intégrés, mais ce qui fait vraiment la différence est la capacité à organiser efficacement les tâches (décomposition des tâches, sélection des modèles, utilisation des outils, récupération en cas d’échec) : c’est le “système de commande” (Harness) de l’IA.
Par exemple, lorsque l’utilisateur demande un rapport de ventes pour le troisième trimestre, le système de commande de l’IA doit diviser la tâche en étapes (réquisition des données de ventes du Q3 → analyse des tendances de croissance → rédaction du plan du rapport → remplissage du contenu → mise en forme du PPT), puis choisir le bon modèle pour chaque étape. Si une étape échoue (par exemple, à cause d’une erreur dans la récupération des données), le système doit pouvoir se remettre automatiquement en marche.
La qualité de ce système dépend des données réelles accumulées par l’entreprise et de son expérience en matière de planification. Certaines plateformes sont plus capables de choisir le modèle le plus économique et efficace pour une tâche, tandis que d’autres ne le peuvent pas.
Ainsi, la concurrence future dans le domaine des assistants AI de bureau ne portera pas sur le nombre de modèles, mais sur l’efficacité du “système de commande”, c’est-à-dire sur la capacité de l’IA à trouver le meilleur compromis entre efficacité, vitesse et coût, afin d’offrir une meilleure expérience et des économies aux utilisateurs.
En résumé
Les assistants AI de bureau évoluent vers un modèle d’agrégation de modèles pour obtenir davantage d’utilisateurs et de données. Cependant, pour réussir, il faut d’abord résoudre les problèmes liés au choix des modèles. En fin de compte, la compétition se jouera sur l’intelligence du “système de commande” de l’IA. C’est comme tenir un restaurant : il faut d’abord présenter une variété de plats pour attirer les clients, puis apprendre à leur recommander le plat le plus adapté, et enfin compter sur l’efficacité et l’expérience de la cuisine (le système de commande) pour les retenir.