Résumé

Nous définissons l’agence comme la capacité émergente des systèmes d’intelligence artificielle à agir en tant qu’agents autonomes, capables de découvrir activement des problèmes, de formuler des hypothèses et d’exécuter des solutions grâce à une interaction autonome avec leurs environnements et leurs outils. Cette capacité fondamentale marque le début de l’ère de l’agence en intelligence artificielle, portée par un changement industriel crucial : la nécessité pressante d’agents intelligents capables non seulement de raisonner, mais aussi d’agir concrètement. Alors que les systèmes d’IA actuels excellent dans le raisonnement et la génération de réponses, les secteurs industriels exigent désormais des agents autonomes capables d’exécuter des tâches, d’utiliser des outils et de produire des résultats tangibles dans le monde réel. À mesure que l’intelligence agente devient la caractéristique déterminante séparant les systèmes cognitifs des travailleurs productifs, le développement efficace de l’autonomie machine devient primordial. Les approches actuelles supposent que davantage de données entraînent une meilleure agence, conformément aux lois classiques d’échelle issues du modèle de langage. Nous remettons fondamentalement en question ce paradigme. LIMI (Less Is More for Intelligent Agency) démontre que l’agence suit des principes de développement radicalement différents. En se concentrant stratégiquement sur des workflows collaboratifs de développement logiciel et de recherche scientifique, nous montrons qu’une intelligence agente sophistiquée peut émerger à partir de très peu, mais de manière stratégique, d’exemples d’auto-détermination. En utilisant uniquement 78 échantillons d’entraînement soigneusement conçus, LIMI atteint un score de 73,5 % sur des benchmarks complets d’agence, surpassant de façon marquée les modèles de pointe : Kimi-K2-Instruct (24,1 %), DeepSeek-V3.1 (11,9 %), Qwen3-235B-A22B-Instruct (27,5 %) et GLM-4.5 (45,1 %). Le plus frappant reste que LIMI réalise une amélioration de 53,7 % par rapport aux modèles entraînés sur 10 000 échantillons, en atteignant une intelligence agente supérieure avec 128 fois moins d’exemples. Nos résultats établissent le Principe d’efficacité de l’agence : l’autonomie machine ne découle pas de la quantité de données, mais d’une curation stratégique de démonstrations agentes de haute qualité.