Au Congrès mondial de l'intelligence artificielle 2026, presque tous les pavillons regorgent de discours d'agents intelligents. Plus de 1 10...
Au Congrès mondial de l'intelligence artificielle 2026, presque tous les pavillons regorgent de discours d'agents intelligents. Plus de 1 100 entreprises occupent plus de 100 000 mètres carrés d'espace d'exposition, et de nombreux stands affirment posséder des systèmes capables de planifier, d'agir, de collaborer et d'accomplir des tâches.
Pour le monde des affaires, une question bien plus épineuse reste discrète : lorsque l'accès aux modèles devient courant, comment un agent intelligent peut-il suffisamment comprendre un client pour soutenir les décisions relatives aux produits, au marketing, à la R&D ou au design ?
Tezign apporte une réponse sur son stand : le Modèle du Monde Subjectif, abrégé en SWM.
L'article source décrit le SWM comme une forme de "lecture de pensée" par l'IA. Cette expression est mieux comprise comme une métaphore. Le système ne lit pas réellement les pensées intimes. Il tente d'estimer les schémas stables que les gens manifestent lorsqu'ils s'expriment, expliquent leurs choix, pèsent différentes valeurs et se comportent sous contraintes.
Cette architecture soutient Atypica, l'agent de recherche IA de Tezign, utilisé pour générer et interroger des personnalités IA. Ensuite, Tezign connecte la couche de compréhension du consommateur à son Agent Générique d'Entreprise, visant à transformer les perspectives de recherche en actions commerciales.
Le modèle repose sur une observation simple mais importante : les préférences que les gens expriment verbalement ne correspondent pas toujours aux facteurs qui motivent réellement leurs décisions.
Le SWM part d'une constatation courante en psychologie du consommateur et en économie comportementale : les préférences déclarées peuvent différer systématiquement des préférences révélées.
Un client peut dire que le prix est le facteur le plus important, puis choisir à plusieurs reprises un produit plus cher en raison de la confiance, du statut, de la commodité, de la familiarité, de l'environnement social ou du risque perçu.
Les questionnaires capturent ce que les gens peuvent ou choisissent de rapporter. Un achat capture un résultat visible. Aucune de ces deux sources ne révèle nécessairement l'ensemble du processus décisionnel.
La solution proposée par Tezign est un système de modélisation hétérogène à quatre couches. Chaque couche est entraînée avec différents types de données et des objectifs distincts, puis toutes les couches fonctionnent ensemble lors de l'inférence.
Ces quatre couches sont :
Tezign présente le SWM comme une structure de modélisation des personnes, plutôt qu'un modèle de langage général plus vaste. Les grands modèles de langage restent une partie du système environnant, mais l'état de la personne ne dépend pas uniquement d'une invite demandant au modèle de "jouer" un client spécifique.
La couche d'expression utilise de grandes quantités de données linguistiques provenant de plateformes sociales et d'autres environnements de communication naturels.
Son objectif est de mapper les modèles linguistiques sur des caractéristiques démographiques et psychologiques. Le système peut analyser :
D'un point de vue technique, l'article source décrit cela comme une tâche d'apprentissage de représentations supervisé.
Le texte historique de l'utilisateur sert d'entrée, tandis que les étiquettes de profil ou d'autres attributs connus fournissent le signal de supervision. Une fois l'entraînement terminé, les utilisateurs présentant des caractéristiques connexes forment des clusters dans l'espace d'intégration.
La représentation finale sert d'ancrage de persona pour les couches suivantes.
Les entretiens approfondis contiennent des informations plus riches que les publications sur les réseaux sociaux, mais ils sont coûteux et les données sont rares. Le langage social est plus facile à collecter à grande échelle.
La méthode de Tezign utilise la couche d'expression comme un pont entre les deux. Un petit nombre de personas étudiés en profondeur peut être associé à un groupe plus large partageant des modèles de langage public similaires.
L'article source estime que cette couche n'est pas une barrière concurrentielle majeure, car les données sociales peuvent être obtenues à grande échelle. Sa valeur réside dans le fait qu'elle fournit une base de distribution pour la couche narrative, plus coûteuse.
Le langage n'est pas une fenêtre neutre révélant l'identité.
Les gens présentent des versions différentes d'eux-mêmes sur différentes plateformes, utilisent l'ironie, imitent les tendances, partagent des comptes, changent avec le temps et adaptent leur ton en fonction du public. L'inférence de caractéristiques démographiques ou psychologiques à partir du langage peut également introduire des biais et des risques pour la vie privée.
Par conséquent, les systèmes de production doivent établir des règles claires concernant :
Les intégrations peuvent estimer la similarité, mais ne peuvent pas prouver l'identité, les motivations ou le comportement futur d'une personne.
La couche narrative utilise des entretiens individuels longs.
Selon Tezign, ses données d'entraînement comprennent des dizaines de milliers d'heures d'entretiens approfondis. Un entretien typique dure une à deux heures et peut produire entre 5 000 et 20 000 caractères ou mots de contenu non structuré, selon la langue et le format de transcription.
Son objectif n'est pas la classification ordinaire ou la prédiction du mot suivant, mais la reconstruction de la structure causale temporelle derrière les décisions.
Une séquence simplifiée peut inclure :
Imaginez deux clients achetant la même machine à café haut de gamme.
L'un peut être motivé par la commodité. Un autre peut souhaiter maîtriser la qualité. Un troisième peut la considérer comme faisant partie d'une nouvelle identité après un changement d'emploi ou de déménagement.
L'achat visible est identique, mais leurs cartes de motivation sont radicalement différentes.
La théorie suggère que les entretiens réels contiennent une cohérence causale à travers les situations.
Une même personne peut décrire différents achats avec des langages différents, mais des structures motivationnelles récurrentes peuvent émerger de ces récits. Un client qui évite fortement les regrets peut manifester cette tendance lors du choix de produits électroniques, d'assurances, de voyages et de soins de santé.
Le SWM tente de reconnaître ces schémas récurrents comme des traits motivationnels.
La couche narrative est considérée comme l'actif de données le plus difficile à reproduire du système, car elle nécessite des entretiens longs, des questions minutieuses, la transcription, l'interprétation et une accumulation continue.
La théorie avance un argument fort : les données d'entretiens synthétiques échouent à ce niveau, car les personnalités virtuelles générées peuvent ne pas maintenir un état interne stable dans des contextes non pertinents.
Cette affirmation doit être comprise comme une position technique de Tezign, et non comme une limitation générale de tous les systèmes de modélisation du langage.
Les applications modernes des grands modèles de langage peuvent maintenir un état via des fenêtres de contexte, des systèmes de mémoire, des profils structurés, la récupération et des bases de données externes. Cependant, les personnalités virtuelles générées peuvent toujours donner des réponses plausibles mais manquant de l'historique comportemental cohérent d'une personne réelle.
Par conséquent, la distinction pertinente n'est pas simplement grand modèle de langage vs. non grand modèle de langage, mais plutôt :
Le SWM tente d'ancrer les personnalités virtuelles dans des entretiens observés et de les tester par rapport à des données cognitives et comportementales indépendantes.
La couche cognitive simule la manière dont une personne évalue les valeurs et les risques.
Ses données peuvent inclure :
Cette couche vise à estimer un vecteur de pondération des valeurs et des coefficients liés à la préférence au risque.
Voici donc là où le système tente de quantifier l’écart — c’est-à-dire le fossé entre ce qu’une personne déclare verbalement comme important et ce qui influence réellement ses décisions.
Par exemple, un client peut classer le développement durable très haut dans une enquête, mais privilégier systématiquement le prix et la commodité lors de ses achats. Le système ne considère pas nécessairement les résultats de l’enquête comme faux, mais estime plutôt comment les valeurs déclarées entrent en concurrence avec d’autres valeurs dans des conditions réelles.
L’objectif n’est pas simplement d’apposer une étiquette générale comme « forte conscience environnementale » ou « aversion au risque ».
Le résultat attendu se rapproche davantage d’un
profil de décision pondéré :
La couche narrative fournit des preuves sous forme de récits, tandis que la couche cognitive procède à un étalonnage structuré des priorités déclarées et inférées.
Les mesures psychométriques sont toujours incomplètes et dépendantes du contexte. Elles doivent servir à construire un modèle, et non à porter un jugement définitif ou permanent sur un individu.
La couche comportementale sert à vérifier si les trois premières couches peuvent prédire les actions réelles.
Ses intrants comprennent des données issues de jeux expérimentaux en économie, ainsi que des enregistrements réels de transactions, dans les limites légales et éthiques.
Les jeux et paramètres comportementaux mentionnés dans la source incluent :
Ces tâches placent les participants dans des conditions explicites de contrainte, les obligeant à allouer des ressources, coopérer, faire confiance, accepter des offres inégales, ou choisir entre une récompense immédiate et différée.
Les données comportementales ainsi produites peuvent être comparées aux déclarations des individus faites lors d’entretiens ou de questionnaires.
L’appariement par similarité historique fonctionne le mieux lorsque les nouvelles décisions ressemblent aux données passées.
Un nouveau produit peut ne pas avoir d’antécédent direct, et le client peut ne jamais avoir acheté ce type d’article auparavant.
La couche comportementale tente de généraliser à partir de tendances comportementales plus fondamentales. Si un profil dispose d’une aversion estimée à la perte, d’une préférence temporelle et d’une sensibilité aux normes sociales, le modèle peut utiliser ces paramètres pour simuler une réponse dans un nouveau scénario.
C’est précisément pour cette raison que la source explique pourquoi SWM est utile dans les études sur des produits en phase précoce, lorsqu’il n’existe pas encore de données historiques de vente.
Les paramètres comportementaux sont probabilistes. Ils doivent être utilisés pour estimer une distribution des réponses possibles, et non pour affirmer avec certitude le comportement d’un individu.
Une fois l’entraînement terminé, SWM maintient un état de profil conjoint contenant :
Lorsqu’un chercheur pose une nouvelle question (par exemple : « Que pensez-vous de cet emballage ? »), chaque couche contribue à une partie différente de la réponse.
La couche expressive influence le choix des mots, le ton et le style affectif.
La couche narrative récupère les motivations pertinentes et les schémas de décision passés.
La couche cognitive ajuste l’écart entre les valeurs déclarées et les priorités modélisées.
La couche comportementale injecte des tendances stables susceptibles de se transférer à des produits ou contextes inconnus.
L’effet attendu est la génération d’un profil d’IA cohérent en interne tout au long d’un entretien.
La source compare directement cette méthode avec la génération de profils par un grand modèle de langage général. Sur le plan technique…
Comparaison précise :
| Profil généré par un modèle de langage | Profil structuré selon SWM |
|---|---|
| L’état peut n’exister que dans la requête ou la session en cours | L’état du profil est explicitement représenté sur plusieurs couches de modélisation |
| Généralement optimisé pour des réponses plausibles | Vise à reproduire des schémas comportementaux mesurables |
| La cohérence dépend de la conception de la requête et de la mémoire | La cohérence est soutenue par une représentation persistante du profil |
| La validation peut être qualitative | La validation inclut une comparaison comportementale et des jeux économiques |
| Facile à créer à grande échelle | Le coût de collecte et d’étalonnage des données est plus élevé |
La différence ne réside pas dans la capacité du grand modèle de langage à maintenir un état, mais dans le fait que SWM conçoit l’état du profil comme un objet de premier ordre, mesurable, plutôt que comme un résultat implicite de la requête.
Atypica est un agent de recherche consommateurs fondé sur le modèle de monde subjectif.
Son environnement d’évaluation GameLab fait passer à des participants humains et à des profils d’IA les mêmes jeux d’économie comportementale, puis compare les décisions produites.
La plateforme comprend des formats de jeu tels que le dilemme du prisonnier et la chasse au cerf. Ces expériences testent la coopération, la trahison, la coordination, la confiance et l’adaptation stratégique sur plusieurs tours.
Une interface d’analyse distincte compare, par type de jeu, plusieurs modèles de langage et systèmes de profilage.
La source rapporte les données produit suivantes :
Le site public actuel d’Atypica indique séparément plus de 300 000 profils d’IA, plus d’un million d’entretiens, et un délai d’achèvement de la recherche en moins de 30 minutes.
Ces indicateurs sont des données produit rapportées par le fournisseur. Les documents publics examinés dans cet article ne fournissent pas suffisamment de détails méthodologiques pour reproduire de manière indépendante le chiffre de 85 % de précision.
Avant de s’appuyer sur un système de profilage pour prendre des décisions importantes, une organisation devrait se demander :
Est-ce un groupe d’évaluation ?
Ce chiffre n’a de sens que lorsque le dénominateur, le taux d’accord, l’intervalle de confiance et le scénario de déploiement sont clairs.
Decrivez votre idee une fois, et We0 AI peut generer un site vitrine, des pages et un CMS, puis vous aider a attirer clients et trafic apres le lancement.
Une génération de projet complète pour une inscription gratuite
Idéal pour essayer un flux de génération complet et voir rapidement une première ébauche de projet.
SWM est conçu pour la partie du flux de travail qui comprend le consommateur.
L’Agent Génératif d’Entreprise de Tezign vise à relier cette compréhension à l’exécution.
Ces deux systèmes forment un cycle plus large :
Le système part des objectifs métier, et non des consignes techniques.
L’entreprise peut lui demander :
La couche d’intention transforme les objectifs en tâches structurées.
La couche d’orchestration est pilotée par le modèle de raisonnement créatif de Tezign.
Tezign décrit ce modèle comme procédant d’abord par divergence : il étend plusieurs chemins possibles, puis juge, sélectionne et organise l’exécution.
Il ne converge pas immédiatement vers une réponse unique, mais évalue plusieurs combinaisons, notamment :
Le modèle choisit ensuite les outils, modèles et agents pour le chemin retenu.
La couche d’exécution fait appel à des compétences modulaires pour accomplir des tâches spécifiques.
Tezign indique disposer de plus de 400 modules de compétences, couvrant l’insight consommateur, la création de contenu, l’analyse de données, l’évaluation créative et la vérification de cohérence de marque.
Selon les documents de l’entreprise, le système peut coordonner plus de 30 modèles de base au sein d’une même tâche.
L’architecture de compétences modulaires permet à la plateforme d’acheminer différentes sous-tâches vers différents modèles, sans attendre qu’un seul modèle de base excelle dans toutes les opérations.
Le système contextuel offre une mémoire d’entreprise persistante.
Il peut organiser :
Tezign le décrit comme la source unique de connaissance de l’entreprise.
La vérité.
Son objectif est de réduire la dérive contextuelle dans les workflows longs. Les agents peuvent se référer aux normes réelles de l’organisation, plutôt que de dépendre uniquement des connaissances génériques des modèles ou des consignes saisies à nouveau.
L’article original indique que GEA a été appliqué dans les domaines de la recherche consommateurs, du marketing de contenu, de l’innovation produit et du design.
Tezign rapporte que le système :
Ces données proviennent des propres produits et supports promotionnels de Tezign.
L’idée architecturale plus large est que l’agent d’entreprise ne doit pas cesser de fonctionner après avoir généré un rapport ou un actif créatif. Il doit conserver le contexte, observer les retours et poursuivre les objectifs métier.
Cet objectif est plus ambitieux que d’ajouter une interface de modèle de langage à un logiciel existant.
Il nécessite :
Sans ces contrôles, la persistance amplifie à la fois les apprentissages efficaces et les erreurs.
L’article original estime que l’architecture à quatre couches elle-même peut être reproduite.
La barrière concurrentielle résiderait dans les données narratives accumulées : des données d’entretiens longs de plusieurs années, liées à des mesures cognitives et à des expériences comportementales.
La puissance de calcul peut entraîner les modèles plus rapidement, mais ne peut pas reconstruire instantanément dix années de données d’entretiens avec des personnes réelles.
C’est l’argument commercial central derrière SWM :
Les modèles génériques deviendront largement accessibles, tandis que le contexte propriétaire et validé restera un avantage différenciateur pour les systèmes d’entreprise.
La même logique s’applique à l’architecture GEA de Tezign. Les modèles de base peuvent être remplacés ou combinés, mais l’historique de recherche, les standards de marque, les règles de décision et les résultats accumulés de l’organisation sont plus difficiles à copier.
Cela ne signifie pas pour autant que les ensembles de données propriétaires sont naturellement avantageux.
Leur qualité dépend :
Un grand ensemble de données historiques peut devenir un actif à effet cumulatif. Mais si le processus de collecte n’est pas rigoureux, il peut aussi devenir une source d’amplification des biais.
SWM propose une architecture intéressante mêlant langage, récit, psychométrie et données comportementales.
Plusieurs questions restent cruciales pour une évaluation indépendante.
Les documents publics décrivent l’architecture et rapportent les principaux indicateurs produit, mais ne fournissent pas encore un article technique complet, des spécifications de jeu de données, des protocoles d’entraînement ou des benchmarks reproductibles.
Une évaluation indépendante aiderait à déterminer dans quels domaines cette méthode surpasse :
Les rôles calibrés pour des scénarios de décision de consommation peuvent ne pas s’appliquer aux domaines médical, financier, de l’emploi ou politique.
Le modèle doit être évalué séparément pour chaque catégorie, culture, langue et type de décision.
Lorsqu’il existe plusieurs réponses raisonnables, la simulation ne doit pas renvoyer une seule réponse définitive.
Les sorties utiles pourraient inclure :
Les simulations de consommateurs peuvent impliquer des inférences très sensibles.
Les organisations doivent savoir si les individus ont consenti à ce que leurs données d’entretien, sociales, psychologiques et transactionnelles soient collectées et modélisées. Elles ont également besoin de mécanismes de contrôle pour empêcher le système de prendre des décisions interdites ou discriminatoires.
Les rôles IA aident à générer des hypothèses, à tester des idées sous stress et à réduire le nombre d’options nécessitant des études de terrain coûteuses.
Mais ils ne doivent pas automatiquement remplacer les vrais clients dans les études à fort impact.
La participation humaine reste essentielle lorsque :
La valeur maximale des consommateurs simulés réside peut-être dans l’amélioration des questions posées aux vrais individus, plutôt que dans leur exclusion du processus de recherche.
L’article conclut par une proposition macro sur l’IA d’entreprise.
Dans la première phase de l’application, l’avantage concurrentiel venait souvent de l’accès rapide à des modèles puissants et de leur intégration.
Cet avantage se réduit. Les API de modèles de base deviennent de plus en plus interchangeables pour de nombreuses tâches standard, et les entreprises peuvent répartir le travail entre plusieurs fournisseurs.
La prochaine vague de différenciation creusera plus profondément :
SWM tente de convertir la compréhension du consommateur en un actif technologique réutilisable.
GEA tente de convertir cette compréhension en un cycle d’exécution.
Lors du WAIC, le mot-clé le plus frappant était la « lecture des pensées ». Mais le sujet le plus réaliste est moins magique et plus pragmatique : combiner multiples preuves humaines, maintenir un état de rôle clair, tester par le comportement et intégrer les résultats dans les workflows d’entreprise.
![L’image montre le stand de Tezign lors de la Conférence mondiale de l’intelligence artificielle (WAIC) 2024, avec une foule nombreuse.]
Au sommet du stand figure le logo « Tezign », accompagné de la mention « 360° Enterprise ». Au centre, un dispositif semblable à un phare arbore le nom « Tezign », avec en bas « 2024 World Artificial Intelligence Conference ». Un écran vert à côté affiche un contenu dynamique. Le stand est agrémenté de plantes vertes, et en arrière-plan on peut lire « Wenzhou Science and Technology » entre autres. Cette image correspond à la description du stand de Tezign au WAIC dans le document.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/7cc949af-95c8-4a41-81d4-75eb95468f59-83989fd9-6d02-434c-a702-8c5bbfff9571.jpeg)
Le Modèle de Monde Subjectif (Subjective World Model) est un cadre de modélisation utilisé pour analyser la manière dont les gens expriment leur identité, expliquent leurs choix, pèsent leurs valeurs et agissent sous contraintes. Ce modèle sous-tend les flux de travail d'Atypica pour la personnalité IA et la recherche sur les consommateurs.
Non. Le terme "lecture de pensée" n'est qu'une métaphore médiatique. Ce système estime les schémas psychologiques et comportementaux à partir du langage, des entretiens, des questionnaires, des expériences et d'autres données disponibles.
L'architecture en quatre couches comprend : la couche d'expression, la couche narrative, la couche cognitive et la couche comportementale. Elles représentent respectivement le style linguistique, le parcours motivationnel, l'évaluation des valeurs et des risques, ainsi que les tendances comportementales.
Les personnalités de prompts classiques reposent principalement sur des instructions et le contexte de la conversation. En revanche, les personnalités de style SWM sont construites à partir de multiples données de mesure pour créer un état explicite et persistant, et sont évaluées par des tâches comportementales.
Le GameLab est un environnement d'évaluation utilisé pour comparer les décisions des personnalités IA avec celles de participants humains dans des jeux d'économie comportementale. Son objectif est de mesurer et de calibrer la correspondance entre le comportement des personnalités et la référence humaine.
GEA signifie Generative Enterprise Agent. Il s'agit de l'architecture d'agent d'entreprise de Tezign, comprenant une couche d'intention, une orchestration de modèles de raisonnement créatif, des compétences d'agent modulaires et un système de contexte persistant.
Cette donnée provient des rapports originaux et des documents de Tezign, mais les informations publiques examinées dans cet article ne fournissent pas de protocole d'évaluation entièrement reproductible. Il est recommandé aux organisations de demander les définitions de référence, la taille de l'échantillon, les bases de référence et les résultats spécifiques au domaine.
Les personnalités IA peuvent aider à générer des hypothèses, comparer des concepts et mener des tests préliminaires fréquents. Cependant, elles ne doivent pas remplacer automatiquement les participants réels dans les contextes de recherche à fort impact, culturellement sensibles, réglementés ou sous-représentés.
Le Modèle de Monde Subjectif de Tezign tente d'améliorer la simulation des consommateurs en fusionnant quatre couches de preuves : l'expression, la narration, la cognition et le comportement. Les personnalités qui en résultent visent à maintenir un état interne stable et à répondre de manière cohérente lors de questions ultérieures et dans des situations inconnues.
Atypica transforme ce modèle en un flux de travail de recherche et utilise des jeux comportementaux pour comparer les décisions des personnalités IA avec les références humaines. Ensuite, GEA relie la compréhension du consommateur à la planification d'entreprise, à l'orchestration de modèles, aux compétences des agents et au contexte commercial persistant.
Cette architecture est prometteuse, mais sa précision fondamentale, sa transférabilité, ses mesures de protection de la vie privée et son impact commercial nécessitent tous des protocoles transparents et des évaluations indépendantes. Les résultats rapportés par les fournisseurs doivent être considérés comme des preuves pour des tests supplémentaires, et non comme des preuves universellement applicables.
L'idée centrale derrière le Modèle de Monde Subjectif n'est pas la lecture de pensée littérale – mais plutôt la tentative de transformer la compréhension du consommateur d'un prompt ponctuel en un actif d'entreprise mesurable, à état stable et durablement réutilisable.
Partez d’une phrase et obtenez un site complet en quelques minutes.
