Le 10 juillet 2026, le laboratoire Thinking Machines de Mira Murati a publié « The Future Worth Building Is Human » — un manifeste qui expose la vision du monde derrière la mission de l'entreprise. En 48 heures, il est devenu le texte de laboratoire le plus commenté de l'année, et pour une bonne raison : c'est moins un document marketing qu'un argumentaire technique et économique contre la façon dont l'IA de pointe est construite aujourd'hui.
La thèse centrale est directe. La plupart des IA utilisées aujourd'hui sont entraînées dans une poignée d'endroits, puis figées. Elles ne sont pas façonnées par les personnes qu'elles servent et n'apprennent presque rien du travail accompli ensemble. Le pari de Thinking Machines est l'inverse : une IA distribuée, personnalisable, continuellement fine-tunée par ses utilisateurs — avec des valeurs encodées dans des poids de modèle que les organisations possèdent réellement.
Cet article décortique l'argument du manifeste, les quatre directions techniques qui le sous-tendent, et ce que cette thèse signifie concrètement pour les entreprises qui décident comment adopter l'IA en 2026.
L'économie : pourquoi le savoir distribué exige une IA distribuée
Le socle intellectuel du manifeste vient de deux penseurs du XXe siècle rarement cités dans les papiers d'IA : Michael Polanyi et Friedrich Hayek.
L'observation de Polanyi, dans The Tacit Dimension (1966), est que l'essentiel du savoir-faire productif est tacite — un chef qui élabore une recette ou un commerçant qui réagence ses rayons applique une connaissance illisible pour les étrangers, impossible à consigner dans une base de données. L'argument de Hayek, dans The Use of Knowledge in Society (1945), est que la planification centralisée échoue non par manque d'intelligence des planificateurs, mais parce que le savoir productif est local, éphémère et détenu par ceux qui l'acquièrent dans leur travail.
Thinking Machines applique les deux directement à l'IA : tenter d'agréger le savoir du monde dans une intelligence centralisée se heurte au même problème structurel qu'une économie planifiée. Un modèle unique et figé, aussi capable soit-il, ne peut pas capter une connaissance générée en continu au sein de chaque organisation.
Le manifeste concède qu'il existe des domaines où l'intelligence centralisée suffit — les échecs et les mathématiques, où les objectifs sont statiques et exprimables, et où rien n'est caché. Les moteurs d'échecs s'entraînent par pur self-play ; les modèles de pointe démontrent désormais seuls des théorèmes anciens. Mais hors de ces cas particuliers, soutient le rapport, l'intelligence seule ne suffit pas : pour que l'IA bénéficie du savoir distribué, elle doit elle-même être distribuée.
L'exemple de Toyota ancre le propos. En 2014, l'entreprise célèbre pour ses usines automatisées a délibérément ramené ses artisans experts sur la chaîne. Comme l'a formulé Mitsuru Kawai, qui a mené l'initiative : « Pour être le maître de la machine, il faut avoir le savoir et les compétences pour enseigner à la machine. » Production de savoir et application de l'intelligence s'élèvent mutuellement ; elles ne sont pas substituables.
Quatre directions techniques
Le manifeste traduit sa philosophie en quatre chantiers concrets :
- Entraîner des modèles puissants, avec interaction multimodale native et personnalisation. Le laboratoire est explicite : le jugement humain doit façonner des modèles qui rivalisent à la frontière — un modèle faible mais personnalisable n'étend la volonté de personne.
- Construire des outils de propriété, y compris la capacité d'entraîner directement les poids du modèle. C'est Tinker, le produit de fine-tuning du laboratoire, désormais en disponibilité générale avec le support de modèles à mille milliards de paramètres comme Kimi K2 Thinking et l'entrée vision via Qwen3-VL — une personnalisation de niveau recherche à travers une simple boucle d'entraînement Python, sans infrastructure d'entraînement distribué à maintenir.
- Développer des modèles d'interaction qui élargissent le canal de communication entre humain et machine, pour que le jugement personnel influence en continu le travail de l'IA.
- Publier la recherche, car le pouvoir de façonner l'IA exige de comprendre en profondeur comment elle est fabriquée.
Les valeurs appartiennent aux poids, pas aux prompts
La section la plus intéressante techniquement porte sur l'endroit où l'alignement doit résider. Aujourd'hui, chaque laboratoire entraîne son prochain modèle phare en utilisant le précédent pour générer données d'entraînement et signaux de récompense. Quel que soit le caractère qui émerge de cette boucle, tout le monde reçoit le même — et chaque génération hérite des traits de son parent, élevée sur ses sorties et jugée selon ses goûts.
Le manifeste soutient qu'une spécification d'alignement unique étouffe la diversité comme une économie planifiée étouffe les signaux du marché. Son alternative : les organisations et les individus devraient encoder leurs valeurs directement dans les poids du modèle via le fine-tuning — produisant des artefacts portables (en pratique, des adaptateurs LoRA) que l'utilisateur conserve et possède.
La raison pour laquelle les prompts ne suffisent pas est subtile mais bien connue de quiconque a déployé des LLM en production : un prompt système modifie le comportement de surface tandis que les habitudes profondes restent figées. Et un modèle centralisé assez malléable pour changer en profondeur via un prompt devient une faille de sécurité, vulnérable aux attaques répétées. La personnalisation au niveau des poids contourne les deux problèmes — le comportement profond change réellement, et le changement est authentifié par celui qui contrôle le processus de fine-tuning.
L'aboutissement visé par le laboratoire est ce qu'il appelle l'alignement décentralisé : la sécurité comme propriété d'un écosystème d'IA élevées en des lieux différents, qui divergent, rivalisent et apprennent les unes des autres — plutôt qu'une spécification centrale qui devient, selon les mots du manifeste, « un foyer de pouvoir à capturer ». Le document cite même le pape Léon XIV dans Magnifica Humanitas (2026) : « Une IA plus morale ne suffit pas si cette morale est déterminée par quelques-uns. »
La critique des benchmarks : mesurer la mauvaise chose
Le manifeste vise directement la métrique de progrès favorite de l'industrie : l'horizon temporel des tâches autonomes suivi par les courbes de METR, qui mesure la durée d'une tâche logicielle qu'un modèle peut accomplir seul. Thinking Machines s'attend à ce que la progression continue sur cette courbe — mais soutient qu'elle ne mesure que ce que l'IA fait seule, pas ce que les humains et les machines accomplissent ensemble.
C'est plus qu'une querelle philosophique. Les incitations suivent les benchmarks. Un laboratoire qui optimise les horizons autonomes gagne quand ses clients externalisent des flux de travail entiers au modèle — absorbant ce qui rend chaque client distinct. Un laboratoire qui optimise la personnalisation et la collaboration gagne quand ses clients exploitent leurs avantages uniques. Le manifeste est explicite : c'est la seconde structure d'incitations que Thinking Machines a choisie.
Ce que cela signifie pour votre stratégie IA
Philosophie mise à part, le manifeste avance trois affirmations pratiques que toute entreprise évaluant l'IA devrait peser :
Posséder des poids fine-tunés devient une option réelle. Jusqu'à récemment, la personnalisation au niveau des poids de modèles de classe frontière exigeait une équipe plateforme ML. Des outils comme Tinker — et l'écosystème open-weight plus large couvert dans notre guide du fine-tuning de LLM avec LoRA et QLoRA — effondrent ce coût. Si votre avantage concurrentiel réside dans le savoir tacite de votre organisation, louer un modèle identique à celui de vos concurrents est un plafond stratégique.
La concentration des fournisseurs est un risque d'alignement, pas seulement de disponibilité. Nous avons déjà défendu la nécessité de stratégies de repli multi-modèles pour la résilience. Le manifeste ajoute une seconde raison : un modèle façonné en un seul lieu encode les valeurs de son propriétaire, pas les vôtres. Pour les organisations de la région MENA en particulier, cela fait écho à notre analyse de la souveraineté numérique et des modèles arabes — la localité des valeurs n'est pas un luxe quand les normes de votre marché diffèrent des réglages par défaut d'un laboratoire de San Francisco.
Cultiver le savoir, pas l'extraire. La ligne la plus tranchante du manifeste distingue l'IA qui aide une organisation à cultiver son savoir unique de celle qui en extrait un instantané pour le remplacer par une offre standard. Concrètement : les déploiements où vos experts corrigent, enseignent et fine-tunent le système en continu font fructifier votre avantage. Ceux qui se contentent de remplacer la production de vos experts la figent — et cèdent la capitalisation à votre fournisseur.
Les contrepoints honnêtes
Le manifeste est la vision d'une entreprise, et il s'aligne commodément avec le produit de cette entreprise. Trois réserves méritent d'être gardées en vue.
D'abord, le fine-tuning distribué a des coûts réels : chaque modèle personnalisé est un modèle à évaluer, surveiller et sécuriser, et la plupart des petites équipes peinent déjà à bien opérer un seul modèle. Ensuite, l'alignement décentralisé coupe dans les deux sens — les mêmes outils qui permettent à un hôpital d'encoder son éthique permettent à un acteur malveillant d'encoder la sienne, tension que le manifeste reconnaît via la remarque de von Neumann en 1955 selon laquelle les aspects utiles et nuisibles de la technologie ne peuvent jamais être tout à fait séparés. Enfin, les modèles centralisés figés progressent assez vite pour que « utiliser directement l'API frontière » reste le bon choix pour de nombreuses charges de travail.
Mais comme pari directionnel, le manifeste nomme quelque chose de réel : l'écart entre ce qu'offrent les modèles génériques et ce que votre organisation sait vraiment est précisément là où vit votre marge.
Conclusion
« The Future Worth Building Is Human » est le manifeste de laboratoire le plus sérieux intellectuellement de ces dernières années — ancré dans Hayek et Polanyi plutôt que dans un vague vocabulaire de sécurité, et adossé à une thèse produit cohérente : modèles puissants, propriété au niveau des poids, interfaces humain-machine élargies, recherche publiée.
Que Thinking Machines gagne son pari ou non, les questions qu'il soulève sont les bonnes pour 2026 : qui possède les poids sur lesquels tourne votre activité ? Les valeurs de qui y sont encodées ? Et votre IA fait-elle fructifier le savoir de votre organisation — ou l'extrait-elle silencieusement ?
Si vous travaillez sur ces questions pour votre propre organisation, contactez notre équipe — aider les entreprises à construire une IA qui amplifie leur avantage au lieu de l'aplatir, c'est précisément notre métier.
Sources : Thinking Machines Lab — The Future Worth Building Is Human, annonce de Mira Murati, analyse MarkTechPost