2x moins de calcul, -30% d’énergie, Subquadratic veut sortir les LLM de la pensée de groupe, ce qui surprend les experts

Les grands modèles de langage donnent souvent l’impression de penser de la même manière. Derrière la fluidité des réponses, un phénomène de conformisme, souvent décrit comme une pensée de groupe, pousse des systèmes pourtant différents à produire des formulations et des idées étonnamment proches. Cette homogénéité n’est pas qu’un détail de style, elle influence la créativité, la diversité des hypothèses et la capacité à contester une idée dominante dans une équipe.

Une jeune entreprise, Subquadratic, affirme s’attaquer à ce verrou. Basée à Miami, la startup est sortie de la confidentialité le mois dernier avec un modèle baptisé SubQ. Elle dit avoir résolu un goulot d’étranglement mathématique qui limitait les LLM depuis près d’une décennie, avec à la clé un modèle annoncé comme plus rapide, moins coûteux, moins énergivore, et capable de traiter beaucoup plus de texte en une seule passe.

NeurIPS met en lumière l’homogénéité de 25 modèles

Le conformisme des LLM n’est plus seulement une intuition d’utilisateurs. Une étude publiée en novembre, intitulée Artificial Hivemind, a été distinguée par le prix du meilleur article à la conférence NeurIPS. Les chercheurs ont interrogé 25 modèles différents, issus d’acteurs majeurs américains, de modèles open source chinois et d’autres familles, pour tester la diversité réelle des réponses sur un exercice volontairement simple.

Le protocole a cherché à mesurer la variété, pas la justesse. Chaque modèle a été sollicité 50 fois sur une métaphore du temps, soit 1 250 réponses au total. Le résultat a frappé par sa convergence, la grande majorité des formulations se résumant à des variations autour de le temps est une rivière ou le temps est un tisserand. Cette répétition, sur un sujet sans contrainte factuelle, illustre une tendance à retomber sur quelques images dominantes.

Cette homogénéité peut être interprétée comme un effet de l’entraînement sur des corpus massifs, où certaines métaphores reviennent fréquemment, et où l’optimisation vise souvent la réponse la plus probable. Dans ce cadre, la fluidité devient un piège, elle donne le sentiment d’une pensée riche alors qu’elle peut refléter une moyenne statistique. Le risque n’est pas seulement littéraire, il touche la capacité à proposer des angles alternatifs quand une consigne reste ouverte.

Le phénomène est aussi partout dès qu’on y prête attention, selon Kieran Browne, cofondateur et directeur technique de Springboards, cité dans l’article à l’origine de ces éléments. Son observation renvoie à une expérience commune, des réponses bien tournées, mais souvent interchangeables d’un modèle à l’autre. Pour des usages comme la stratégie, la recherche d’idées ou l’aide à la décision, cette uniformité peut réduire la valeur ajoutée, surtout quand plusieurs équipes utilisent les mêmes outils.

Subquadratic présente SubQ et revendique un goulot mathématique levé

Subquadratic se positionne précisément sur ce terrain, celui des limites structurelles des LLM. La startup, basée à Miami, explique être sortie de la confidentialité le mois dernier avec une annonce très ambitieuse, elle affirme avoir résolu un goulot d’étranglement mathématique qui freinait les grands modèles depuis près d’une décennie. Le coeur du message est clair, il ne s’agit pas d’un simple réglage, mais d’une promesse de changement de performance et d’échelle.

Son modèle, baptisé SubQ, est présenté comme plus rapide et moins coûteux que les solutions existantes, tout en consommant beaucoup moins d’énergie. Dans un secteur où les coûts d’inférence et la facture énergétique deviennent des sujets centraux, la promesse vise autant les budgets que la capacité à déployer des usages plus larges. Une baisse de consommation, si elle se vérifie, peut aussi rendre certains scénarios plus acceptables dans des environnements contraints.

La revendication la plus spectaculaire concerne le volume de texte traité en une seule passe. Subquadratic affirme que SubQ peut gérer jusqu’à douze fois plus de texte simultanément que la plupart des modèles actuels. L’entreprise évoque la possibilité d’analyser des centaines de documents, ou des bases de code entières, en une seule passe. Pour des équipes qui travaillent sur des dépôts volumineux ou des dossiers réglementaires épais, cette capacité changerait la manière de poser les questions.

La société avance aussi un argument de niveau de performance, SubQ égalerait, sur des tâches de codage, les meilleurs modèles de Google DeepMind, OpenAI et Anthropic. Il s’agit d’une comparaison forte, car elle place une startup récente au niveau des laboratoires les mieux dotés. La nuance s’impose, ces affirmations reposent sur la communication de l’entreprise, et l’évaluation indépendante, la reproductibilité et les détails de protocole seront décisifs pour juger de la portée réelle.

Traiter douze fois plus de texte change les usages en entreprise

La capacité annoncée de traiter jusqu’à douze fois plus de texte en contexte ne relève pas seulement de la performance brute. Elle ouvre des usages où l’on ne demande plus au modèle de résumer un extrait, mais de relier des éléments dispersés entre plusieurs documents. Dans une entreprise, cela peut concerner des dizaines de comptes rendus, des procédures internes, des contrats, ou une documentation technique, avec l’objectif de détecter des contradictions, des doublons ou des zones floues.

Sur le code, l’idée d’ingérer une base entière en une passe modifie la nature des questions. Plutôt que de demander que fait cette fonction, on peut viser quels modules implémentent la même logique, où sont les dépendances implicites, ou quelles parties risquent de casser si l’on change une API. Ce type d’analyse dépend fortement de la capacité à conserver un contexte large. Les modèles limités obligent souvent à découper, ce qui introduit des angles morts.

Cette évolution s’inscrit dans une tension économique. Les LLM coûtent cher à entraîner, mais aussi à utiliser, surtout quand les requêtes deviennent longues. Subquadratic insiste sur un modèle plus rapide, moins coûteux et moins énergivore. Si la promesse tient, l’effet pourrait être double, réduire la facture d’inférence et rendre possible des requêtes lourdes qui étaient jusque-là réservées à des tests ponctuels. Cela toucherait directement les équipes produit, support, conformité ou ingénierie.

Mais un contexte plus large ne garantit pas automatiquement une pensée moins uniforme. Un modèle peut lire davantage et rester prisonnier de formulations dominantes, ou privilégier des réponses consensuelles. Le gain peut surtout porter sur la couverture documentaire, pas sur l’originalité. L’enjeu est donc de savoir si l’architecture revendiquée par SubQ améliore la diversité des hypothèses, ou si elle améliore seulement la capacité à citer plus de passages. Dans les deux cas, l’entreprise devra convaincre par des démonstrations reproductibles.

La fluidité des réponses fragilise la sécurité psychologique au travail

Le problème ne se limite pas aux laboratoires, il se manifeste dans les organisations qui adoptent l’IA générative pour produire des notes, des présentations ou des recommandations. Un texte fluide peut être perçu comme une preuve de compétence, ce qui conduit certains utilisateurs à personnifier leur LLM comme un expert du sujet et à prendre ses résultats comme une parole d’évangile. Dans ce contexte, la pensée de groupe devient sociale, l’outil oriente le débat.

Des comportements typiques apparaissent, des personnes hochent la tête face à des résultats défectueux, des équipes avancent sur des idées basées sur les données sans comprendre les données, des managers supposent que modèle égale neutralité et sautent la révision. Le risque est renforcé quand le personnel junior hésite à remettre en question des supports générés par l’IA, notamment des decks présentés comme prêts à l’emploi. La facilité de production peut écraser la discussion.

Cette dynamique érode la sécurité psychologique, un concept mis en avant par les recherches d’Amy Edmondson à Harvard, présentées comme un facteur déterminant pour éviter des erreurs graves. Quand les équipes n’osent plus dire je ne suis pas sûr ou cela n’a pas de sens, le consensus s’installe. Un LLM, par sa capacité à produire une réponse assurée, peut amplifier ce biais, surtout si l’organisation valorise la vitesse plus que la vérification.

Dans ce cadre, ne vous contentez pas de donner des prompts plus intelligents devient une mise en garde opérationnelle. Les meilleures équipes ne seront pas celles qui proposent le plus vite, mais celles qui continuent de demander si cela a vraiment du sens, selon l’analyse publiée sur LinkedIn. Même si SubQ réduit des limites techniques, la gouvernance reste centrale, qui relit, qui contredit, qui valide. Sans ces garde-fous, une IA plus performante peut diffuser plus vite une idée moyenne.

Oracle décrit trois modèles de start-ups, Subquadratic vise l’infrastructure

Dans l’écosystème, toutes les start-ups d’IA ne jouent pas le même rôle. Oracle distingue trois grandes formes, celles qui créent des plateformes de LLM, comme OpenAI ou Cohere, celles qui proposent de nouveaux outils pour créer et former des LLM, comme MosaicML, et celles qui reprennent des LLM open source pour les entraîner sur des problèmes métiers. Cette typologie aide à situer une entreprise comme Subquadratic, qui met en avant une innovation de modèle et d’architecture.

Dans la pratique, Oracle souligne que la plupart des start-ups construiront leur activité autour d’un modèle développé par une autre entreprise, car la personnalisation d’un modèle existant peut être plus efficace que de concevoir, construire et entraîner à partir de zéro. Ce constat met en relief le pari de Subquadratic, proposer une alternative de modèle plutôt que se contenter d’un ajustement. Le marché est dominé par quelques acteurs, et l’entrée exige une différenciation claire.

La personnalisation reste un levier majeur pour réduire l’homogénéité dans un contexte donné. Oracle donne l’exemple d’une start-up santé qui intègre des documents ou des articles pour aider son LLM à mieux comprendre l’intention des professionnels et à proposer un langage adapté. Cette approche ne change pas forcément la pensée du modèle, mais elle modifie ses références et sa précision dans un domaine. Elle montre aussi que l’uniformité peut être atténuée par des données et des garde-fous, pas seulement par l’architecture.

Subquadratic, de son côté, met l’accent sur la vitesse, le coût, l’énergie et le contexte, avec l’idée qu’une infrastructure plus efficace rend possible d’autres méthodes de travail. Si l’on peut analyser des centaines de documents d’un coup, on peut aussi comparer des versions, tester plusieurs hypothèses, ou demander des contre-arguments en s’appuyant sur un corpus complet plutôt que sur des extraits. Mais la promesse reste à éprouver, et l’adoption dépendra autant des preuves techniques que de la capacité à s’intégrer dans des outils existants.