Les équipes de recherche changent souvent de modèle. Une nouvelle version raisonne mieux sur les analyses difficiles, un autre modèle prend en charge le travail récurrent à moindre coût, un groupe passe d’un assistant à un autre. Chaque changement apporte quelque chose d’utile, et chacun met en péril ce que l’équipe a appris au modèle qu’elle quitte.
Cet enseignement est facile à sous-estimer, car il se constitue discrètement : une correction faite par un expert un lundi, une méthode approuvée par deux relecteurs, une limite de fonctionnement confirmée au fil d’une série d’exécutions. Cet article porte sur l’endroit où cette expérience devrait résider, sur ce qui se passe le jour où une équipe change de modèle, et sur la manière de garder la propriété de ce que vous avez construit.
Ce que votre équipe construit avec son IA
Chaque session avec un agent de recherche produit plus qu’une réponse. Une partie de ce qu’elle produit mérite d’être conservée, parce qu’il a fallu du temps d’expert, du calcul ou du temps de laboratoire pour l’établir. Dans MS Duplex, voici ce qui s’accumule à mesure que votre équipe travaille :
- Les résultats confirmés par l’équipe, chacun avec les conditions dans lesquelles il est valable
- Les corrections de vos experts, chacune avec sa raison
- Les décisions, avec les preuves sur lesquelles elles reposaient
- Les méthodes vérifiées par l’équipe, que les agents réutilisent et adaptent
- Les plans, les points de reprise et la progression des longues campagnes
- Les outils qui ont fonctionné pour chaque type de problème
Dans la plupart des configurations, presque tout cela disparaît à la fin d’une session. La transcription est peut-être enregistrée quelque part, mais la session suivante n’en part pas, et le modèle suivant ne l’a pas vue. Dans MS Duplex, tout cela s’accumule en un actif qui appartient à votre organisation, chaque élément étant conservé avec sa source, prêt pour la session, l’agent ou le modèle qui reprendra le travail.


Pourquoi l’expérience devrait se trouver à côté du modèle
Les équipes conservent ce qu’elles ont appris à leur IA à quelques endroits courants, et chacun a son utilité. Le fine-tuning intègre des connaissances dans les poids d’un modèle par un entraînement sur un jeu de données préparé. Il convient bien pour changer ce qu’un modèle sait de manière générale. Les connaissances qu’il ajoute appartiennent toutefois à ce modèle, et quand la version suivante arrive, le travail est à refaire pour elle.
Les fichiers d’instructions et les bibliothèques de prompts se transportent plus facilement, et de nombreuses équipes en tiennent un pour chaque outil qu’elles utilisent. Ils contiennent ce que quelqu’un a noté, ils ont tendance à grossir avec chaque modèle adopté par l’équipe, et il faut que quelqu’un garde chaque copie en phase avec la recherche.
MS Duplex conserve l’expérience à côté du modèle, en laissant les poids du modèle tels quels. Un résultat confirmé ou une correction d’expert est appris une fois, conservé avec ses preuves et ses conditions, et proposé au modèle que l’équipe utilise, quel qu’il soit. Changer de modèle change ce qui raisonne sur l’expérience. L’expérience elle-même reste là où elle était.
Cette séparation compte surtout quand une équipe envisage une mise à niveau. Quand l’expérience est liée à un seul modèle, une équipe a une raison d’y rester après l’arrivée d’un meilleur, parce que changer lui coûterait ce qu’il a fallu pour la construire. Quand l’expérience réside à côté du modèle, une équipe peut juger une nouvelle version sur ses mérites pour le travail qui l’attend.
Ce qui se passe le jour où vous changez de modèle
Prenons l’agent d’une équipe qui planifie des exécutions et examine des analyses sur un long projet. Des experts l’ont corrigé plusieurs fois, l’équipe a approuvé deux méthodes, et le plan a atteint son troisième point de reprise. Arrive un nouveau modèle que l’équipe veut pour ses analyses les plus difficiles. Le changement se déroule ainsi.
- L’équipe change de modèleL’agent passe au nouveau modèle, ou l’équipe passe à un autre assistant : Claude, Codex, Cursor, un autre agent qui parle MCP, ou son propre agent construit sur l’API et le Python SDK. Le changement ne touche pas à l’expérience dans MS Duplex.
- La première requête s’appuie sur ce que l’équipe a construitDès sa première requête, le nouveau modèle a à portée de main les corrections, les résultats confirmés et les méthodes approuvées, chacun avec sa source.
- Le plan repart de son point de repriseL’objectif, les décisions prises jusqu’ici et la progression sont transmis, si bien que l’agent continue à partir du troisième point de reprise et que personne n’a à réexpliquer le projet.
- Les méthodes sont vérifiées là où elles sont utiliséesLe nouveau modèle applique lui aussi les méthodes approuvées, et chacune est revérifiée là où elle est utilisée. Là où un cas diffère des conditions dans lesquelles une leçon a été confirmée, MS Duplex le signale.
- Les nouveaux résultats rejoignent la même expérienceCe que l’équipe confirme en travaillant avec le nouveau modèle est conservé avec sa source, à côté de tout ce qui précède, prêt pour le prochain modèle que l’équipe utilisera.
Il n’y a rien à réentraîner pour le nouveau modèle, car l’expérience de l’équipe réside dans MS Duplex, à côté du modèle. Le travail de l’équipe le jour du changement consiste à choisir le modèle. L’expérience suit, avec chaque source consignée.
Le bon modèle pour chaque tâche
La liberté de changer de modèle, c’est aussi la liberté d’utiliser plusieurs modèles à la fois. Les tâches diffèrent. Un modèle peut raisonner au mieux sur une analyse difficile, un autre peut convenir au travail récurrent à moindre coût, et une équipe doit être libre d’utiliser les deux sur le même projet.
Quand l’expérience se trouve dans MS Duplex, chaque modèle puise dans le même fonds. Une façon raisonnable de répartir le travail :
- Les décisions récurrentes, comme recommander les réglages de la prochaine exécution ou classer des candidats selon des critères convenus, sur un modèle choisi pour son coût
- Les analyses difficiles et les cas inhabituels sur le modèle auquel votre équipe fait le plus confiance pour un raisonnement rigoureux
- Les revues d’analyses et de conceptions dans l’assistant que préfèrent vos relecteurs
- Vos propres agents et pipelines, via l’API et le Python SDK, chacun sur le modèle adapté à sa tâche
Ce que l’un des modèles confirme est à la disposition de l’autre. Une correction qu’un expert fait en relisant avec un modèle s’applique quand l’autre modèle rencontre un cas correspondant. Une méthode vérifiée lors des analyses difficiles devient disponible pour le travail récurrent, revérifiée là où elle est utilisée.
Vos collègues bénéficient de la même liberté. Les agents que vous autorisez reprennent la même expérience, si bien qu’un chercheur qui préfère un autre assistant part de là où le reste de l’équipe s’est arrêté, et que l’agent d’un collègue peut reprendre un travail commencé par le vôtre.


Garder la propriété de ce que vous avez construit
L’expérience qu’une équipe construit avec MS Duplex appartient à son organisation, quel que soit le modèle ou le fournisseur utilisé. Elle se trouve dans un espace de stockage qui appartient à votre organisation, et vos règles décident quelles personnes et quels agents peuvent y accéder. Les personnes et les agents ne voient que ce que leur périmètre autorise, et les droits d’accès restent soumis à vos contrôles.
Elle reste organisée comme l’est votre organisation. Chaque chercheur, chaque équipe et l’organisation ont leur propre couche : les habitudes de travail d’un scientifique ou d’un ingénieur restent personnelles, ce qu’une équipe confirme est partagé avec cette équipe, et ce que l’organisation adopte comme norme s’applique partout. Vos règles décident de ce qui passe d’une couche à l’autre, et rien n’est partagé avec une autre entreprise. Changer de modèle laisse tout cela tel quel.
Elle reste aussi vérifiable. Chaque élément conserve sa source, si bien que lorsqu’un nouveau modèle fait une recommandation, votre équipe peut voir sur quelles leçons il s’est appuyé et d’où vient chacune. L’historique de ce qui a été appris, utilisé et approuvé est signé et prêt à être exporté. Si une leçon s’avère fausse, votre équipe corrige ou supprime cette seule leçon, et le changement vaut pour chaque modèle que l’équipe utilise.
Questions fréquentes
Avec quoi un nouveau modèle démarre-t-il ?
Tout ce que votre équipe a construit dans MS Duplex : les résultats confirmés avec leurs conditions, les corrections d’experts avec leurs raisons, les décisions avec leurs preuves, les méthodes vérifiées, les plans et la progression, et ce que l’équipe a appris sur ses outils. Chaque élément conserve sa source.
Entre quels assistants et agents pouvons-nous passer ?
Claude, Codex, Cursor et les autres agents qui parlent MCP se connectent directement, et vos propres agents et pipelines se connectent via l’API et le Python SDK. Votre équipe peut en utiliser plusieurs à la fois, tous s’appuyant sur la même expérience.
MS Duplex fonctionne-t-il à côté d’un modèle fine-tuné ?
Oui. Il fonctionne à côté d’un modèle fine-tuné comme d’un modèle généraliste, et fait apprendre l’un comme l’autre de votre travail. Si votre équipe fait du fine-tuning sur un modèle pour une tâche, l’expérience dans MS Duplex est là pour lui et pour la version suivante.
À qui appartient l’expérience que construit notre équipe ?
À votre organisation, quel que soit le modèle ou le fournisseur que vous utilisez. Vos règles décident quelles personnes et quels agents peuvent y accéder, et l’historique signé de ce qui a été appris, utilisé et approuvé peut être exporté.


Construit par MatterSpace
MatterSpace construit MS Duplex pour les scientifiques, les chercheurs et les ingénieurs de tous les domaines, afin que l’IA qu’ils utilisent déjà apprenne de chaque résultat qu’ils confirment.









