DeepSeek a tranché : le goulot d’étranglement, c’est votre attention, pas le modèle

Le 31 octobre, l’équipe DeepSeek Harness a publié une note technique intitulée Super-agent : exploration de conception vers un système d’agents plus autonome. Un prototype l’accompagnait.
L’argument démarre à un endroit inhabituel pour une entreprise de modèles. Il ne commence pas par la capacité. Il commence par une limite du côté humain : une personne peut suivre trois à cinq sessions actives avant que la qualité ne s’effondre. Lorsque vous exécutez plusieurs tâches en parallèle, vous finissez par changer de contexte manuellement et par vous rappeler quelle conversation contient quelle décision. Le plafond en mono-tâche vient du modèle. Le plafond en multitâche vient de vous.
C’est un problème de systèmes, et DeepSeek l’a traité comme tel.
Routeur et Worker
L’architecture comporte deux couches. Un routeur fonctionne en continu comme coordinateur global. Il reçoit les messages des canaux que vous utilisez déjà, notamment les discussions de groupe, GitHub et l’e-mail, et répartit les tâches. Chaque worker conserve son propre contexte et exécute en parallèle : reproduire un bug, relire une pull request, construire une fonctionnalité. Un worker peut appeler un sous-agent lorsqu’une tâche doit être répartie plus finement.
Autour de cela s’articulent quatre mécanismes : la répartition pilotée par événements avec filtrage à deux niveaux, l’interaction asynchrone multicanal, la séparation du stockage et du calcul, et un watchdog externe.

La partie pilotée par événements est là où réside l’affirmation d’autonomie. Dans l’instance interne exploitée par DeepSeek, un membre de l’équipe signalant un problème logiciel dans une discussion de groupe peut déclencher l’agent sans le mentionner. Le système reconnaît un défaut potentiel, le reproduit en arrière-plan et cherche un correctif. Personne n’a assigné cette tâche. Rien n’a attendu un prompt.
DeepSeek énumère quatre propriétés qu’il vise : continu, c’est-à-dire un seul agent à travers la messagerie instantanée et GitHub au lieu de sessions isolées ; efficace, c’est-à-dire qu’une nouvelle instruction n’attend pas que la tâche précédente soit terminée ; proactif, c’est-à-dire qu’il surveille les événements de l’environnement et agit quand quelque chose mérite attention tout en restant silencieux le reste du temps ; et persistant, c’est-à-dire toujours actif, connecté aux environnements de travail réels et capable de se remettre de défaillances pendant de longues exécutions.
L’exemple donné par l’équipe est instructif. Imaginons que vous proposiez le plan A dans une discussion, puis que vous changiez d’avis dans un commentaire de pull request et proposiez le plan B. Un agent lié à une session devrait être informé. Le Super-agent est censé le remarquer et ajuster la direction.
L’avertissement honnête
DeepSeek indique clairement qu’il s’agit d’une exploration d’ingénierie, et non de l’annonce de fonctionnalités produit. L’équipe précise aussi que la conception n’introduit aucune théorie nouvelle. Elle applique des idées classiques de systèmes, celles présentes depuis des décennies dans les systèmes d’exploitation et les systèmes distribués, à la construction d’agents.
Cette modestie est exacte et constitue aussi l’élément le plus intéressant du document. La partie difficile des agents à l’échelle, ce sont la gestion du contexte, l’ordonnancement, la reprise après défaillance et l’observabilité, autrement dit du travail d’infrastructure plutôt que du travail d’intelligence.
Les chiffres arrivés cinq jours plus tard
Le 5 novembre, la même équipe a publié des chiffres communautaires pour DeepSeek Harness. Mesurés auprès des utilisateurs de l’API officielle, les utilisateurs actifs quotidiens atteignaient 1,54 million le 4 novembre, les utilisateurs actifs mensuels atteignaient 5,48 millions, et la consommation quotidienne de tokens s’élevait à environ 92 billions.
Faites la division. Quatre-vingt-douze billions de tokens répartis entre 1,54 million d’utilisateurs actifs quotidiens représentent environ 60 millions de tokens par utilisateur actif et par jour. Aucune application de chat ne produit ce profil. Les agents, eux, si. Une seule tâche de codage à long horizon peut consommer plus de tokens en une heure qu’une personne n’en tape dans une fenêtre de chat en un mois.
Les chiffres des plugins comptent davantage pour la suite. Les plugins tiers ont atteint environ 35 000, et près de 60 % des utilisateurs actifs en ont créé ou installé au moins un. DeepSeek annonce qu’il renforcera la stabilité et la compatibilité de l’API des plugins, améliorera le modèle de sécurité des plugins et construira une place de marché officielle, avec un programme de soutien aux auteurs de plugins en préparation.
C’est un mouvement de plateforme. Une fois que les plugins sont le canal de distribution, le harness entre en concurrence sur l’écosystème plutôt que sur la seule qualité du modèle.
Pourquoi cela compte en dehors de DeepSeek
Trois éléments sont transposables à toute équipe qui exploite des agents en production.
Premièrement, l’interface est celle qui existe déjà. L’agent apparaît dans la discussion de groupe et les commentaires de pull request plutôt que d’exiger une nouvelle destination. Photoshop n’a jamais demandé aux utilisateurs d’apprendre une nouvelle application ; il vivait à l’intérieur du document. Les plateformes d’agents apprennent la même leçon.
Deuxièmement, l’attention est une ressource à limite stricte, et c’est celle que personne ne met à l’échelle. Vous pouvez acheter plus de GPU. Vous ne pouvez pas acheter davantage de la capacité d’une personne à tenir quatre fils de contexte. Chaque décision d’architecture qui déplace la coordination de l’humain vers le système récupère la ressource la plus rare de la boucle.
Troisièmement, l’auto-hébergement de la couche de coordination est là où se situe le risque opérationnel. Un agent qui agit sans être mentionné a besoin d’un watchdog, car le mode de défaillance est silencieux : il fait quelque chose de raisonnable que personne n’a demandé, à 3 h du matin, dans un dépôt qui compte.
Ce qui manque encore
Le document n’aborde pas le contrôle des coûts. Un routeur qui répartit le travail et des workers qui reproduisent des bugs selon leur propre calendrier dépenseront de l’argent de leur propre initiative. Le chiffre de 92 billions de tokens suggère que la dépense est déjà importante ; la part qui a produit un travail réellement souhaité par quelqu’un n’est pas divulguée.
Il n’aborde pas non plus le problème de la revue. Si un agent peut ouvrir une pull request en réponse à un message de chat, quelqu’un doit la relire. La formulation de DeepSeek est que les humains montent vers la fixation d’objectifs et l’acceptation. Cela fonctionne quand l’acceptation est peu coûteuse à juger. Dans la plupart des organisations d’ingénierie, juger si un correctif est correct est la partie coûteuse, et cela ne diminue pas parce que l’agent est devenu plus rapide.
La partie qui ressemble à un système d’exploitation
Si l’on retire le vocabulaire de l’IA, le document Super-agent se lit comme un article sur l’ordonnancement des tâches. Un coordinateur de longue durée reçoit des événements, les classe et répartit le travail vers des contextes isolés. Le stockage et le calcul évoluent séparément afin qu’une tâche bloquée ne retienne pas la mémoire dont une tâche active a besoin. Un watchdog externe redémarre tout ce qui cesse de signaler sa présence. Le filtrage à deux niveaux existe pour que le système ne réveille pas un humain à chaque message d’une discussion de groupe.
Ces problèmes sont résolus dans les systèmes distribués. Ils ne le sont pas dans les produits d’agents, parce que la plupart des produits d’agents ont été construits comme une session de chat à laquelle on a attaché des outils, et qu’une session de chat n’a aucune notion de travail concurrent.
La conséquence intéressante est organisationnelle. Si la couche de coordination absorbe véritablement la gestion des sessions, le rôle de la personne dans la boucle passe de l’utilisation d’un outil à l’écriture de critères d’acceptation. DeepSeek présente l’humain comme montant vers la fixation d’objectifs et la vérification. En pratique, cela signifie que la compétence qui compte passe de l’écriture de prompts à la connaissance de ce à quoi ressemble « terminé », qui est une compétence de management et bien plus difficile à enseigner.
Le résumé de DeepSeek est que cette façon de travailler pourrait devenir la norme pour la collaboration homme-machine. Le mécanisme est crédible. La question ouverte est de savoir si les organisations se réorganiseront autour d’un coordinateur qui ne dort jamais, ou si elles se contenteront de le greffer sur des processus conçus pour des personnes qui dorment, elles.
Articles associés
Une feuille de calcul communautaire de clics pour couper les publicités des Android chinois
Il ne touche pas au système, ne déverrouille rien, ne flashe rien. Il bascule un à un les interrupteurs que les fabricants ont déjà prévus. Le prix à payer, c'est la liste qu'il faut continuer d'écrire.
GPT Image 2.6 a tenu le prix des tokens et fait monter la facture
GPT Image 2.6 reprend chaque tarif au token de 2.5 et coûte malgré tout plus cher par image, parce qu'une part plus grande du travail se paie en tokens de sortie. Onze jours après le lancement, la grille tarifaire dit plus que le classement.
Quelqu'un a reconstruit IDM de l'extérieur et a écrit ce qu'il n'a pas touché
Une réimplémentation en Rust d'Internet Download Manager revendique 5 fois la vitesse et 86 langues. Le document le plus intéressant est le paragraphe qui explique comment elle a été construite sans rien copier.
Rune est un framework UI Rust conçu pour qu'un agent puisse vérifier son propre travail
Rune rend en headless, vide son arbre d'éléments et accepte des entrées scriptées, ce qui donne à un agent de codage un signal différable qu'aucune capture d'écran ne fournit. Le framework est en préversion et n'accepte pas de pull requests.