BDH-CQ : l’IA, 11 fois moins chère que ChatGPT

Et si la course à l’IA la plus puissante n’était pas d’abord une course à la taille ? C’est le pari que défend Pathway, un laboratoire américain spécialisé dans les architectures dites « post-Transformer » comprenez : des IA construites différemment de ChatGPT, Claude ou Gemini, qui reposent tous sur l’architecture Transformer. Le laboratoire vient de publier les résultats de BDH-CQ, un modèle qui tient sur une clé USB comparé à ses concurrents (150 millions de paramètres, contre plusieurs centaines de milliards pour les modèles les plus costauds) et qui parvient pourtant à raisonner correctement sur des problèmes complexes pour une fraction infime du coût habituel. Voici ce que ces résultats signifient vraiment.

🔵 POUR LES NON-INITIÉS, C’EST QUOI UN PARAMÈTRE ? Un paramètre, c’est un peu comme un curseur de réglage à l’intérieur du cerveau artificiel d’une IA. Un modèle de langage en possède des millions, voire des centaines de milliards, ajustés pendant l’entraînement pour que le système produise des réponses pertinentes. En général, plus un modèle a de paramètres, plus il est capable mais aussi plus il coûte cher à faire fonctionner, un peu comme un moteur plus gros consomme plus d’essence.

Qui est Pathway, le laboratoire derrière ce coup d’éclat ?

Pathway n’est pas une startup surgie de nulle part. Fondée par la Polonaise Zuzanna Stamirowska et Adrian Kosowski, la société est installée à Palo Alto, en plein cœur de la Silicon Valley. En août 2026, elle a bouclé un tour de financement l’amenant à une valorisation de 500 millions de dollars, avec à son capital des investisseurs comme Jonathan Frankle, le responsable scientifique en chef de Databricks. L’entreprise a également recruté Adam Kurzrok, ancien chef de produit de Gemini chez Google DeepMind, comme directeur produit, un signal que les grands noms de l’IA prennent ce laboratoire au sérieux.

Sa spécialité : une architecture baptisée BDH, pour « Dragon Hatchling » (littéralement « l’éclosion du dragon », un nom qui sonne comme un clin d’œil ludique à un domaine habitué aux acronymes austères). Présentée pour la première fois en octobre 2025, BDH s’inspire directement du fonctionnement du cerveau humain plutôt que de la mécanique du Transformer qui alimente tous les grands modèles actuels. Avant BDH-CQ, Pathway avait déjà fait parler d’elle en résolvant 97,4 % d’un lot de 250 000 grilles de Sudoku particulièrement difficiles, sans que le modèle ait besoin d’expliciter son raisonnement étape par étape ni de s’appuyer sur des outils externes.

ARC-AGI, le test qui mesure le vrai raisonnement (pas le par-cœur)

Pour évaluer BDH-CQ, Pathway s’est appuyé sur ARC-AGI-1, une référence largement respectée dans le milieu de la recherche en IA. Son principe : présenter au système une poignée d’exemples illustrant une règle visuelle cachée (par exemple, un motif de couleurs qui se transforme d’une certaine façon), puis lui demander d’appliquer cette même règle à un nouveau cas qu’il n’a jamais vu. Contrairement à un test de connaissances classique, il est très difficile de « tricher » sur ARC-AGI en ayant simplement mémorisé des réponses pendant l’entraînement : il faut réellement déduire la logique sous-jacente, une capacité que les chercheurs associent de près à l’intelligence humaine.

🔵 POUR LES NON-INITIÉS, C’EST QUOI LE « PASS@2 » ? Le score « pass@2 » signifie que le modèle a droit à deux tentatives par problème : s’il trouve la bonne réponse à l’un des deux essais, c’est compté comme une réussite. C’est une façon standard de mesurer les performances des IA sur ce type de test, qui laisse une petite marge d’erreur tout en restant exigeante.

Le chiffre qui change la donne : 0,0007 $ par tâche

Sur ARC-AGI-1, BDH-CQ obtient un score de 29,5 %. Ce n’est pas le meilleur score du marché, GPT 5.6 Luna (Low), le modèle qui fait tourner ChatGPT, atteint 34,2 %, et les ténors du secteur comme Claude Opus 5 ou Gemini 3.1 Pro grimpent jusqu’à 97-98 %. Mais c’est le prix qui change tout : Pathway a calculé un coût d’inférence, c’est-à-dire le coût de calcul nécessaire pour traiter une seule tâche, de seulement 0,0007 dollar. Le tableau ci-dessous remet ces chiffres en perspective.

Modèle	Score ARC-AGI-1	Coût par tâche	Rapport au coût de BDH-CQ
BDH-CQ (Pathway)	29,5 %	0,0007 $	Référence (1x)
GPT 5.6 Luna (Low)	34,2 %	0,008 $	11x plus cher
Qwen3 235B	Inférieur à BDH-CQ Low	≈ 0,002-0,003 $ (estimé)	3x plus cher, pour un score inférieur
Claude Opus 5	97-98 %	≈ 0,50-0,60 $	≈ 700 à 850x plus cher
Gemini 3.1 Pro	97-98 %	≈ 0,50-0,60 $	≈ 700 à 850x plus cher

Autrement dit : pour dépenser 1 dollar, vous pouvez faire tourner BDH-CQ environ 1 400 fois contre à peine 2 fois un modèle comme Claude Opus 5 ou Gemini 3.1 Pro. Le calcul de Pathway tient déjà compte de la baisse de prix de 80 % appliquée par OpenAI sur Luna le 30 juillet 2026 : même après cette remise massive, BDH-CQ reste très largement devant sur le seul critère du rapport performance/prix.

Pourquoi c’est si peu cher : la différence se joue dans la façon de « réfléchir »

Pour comprendre l’exploit, il faut regarder comment une IA construit sa réponse. La plupart des modèles de raisonnement actuels, y compris ChatGPT en mode raisonnement, fonctionnent en générant un brouillon écrit, un peu comme un élève qui pose son calcul au brouillon avant de donner le résultat final. Ce mécanisme, appelé chaîne de pensée (chain-of-thought), produit du texte intermédiaire, mot après mot (ou « jeton après jeton », pour utiliser le terme technique). Plus ce brouillon est long, plus le calcul est coûteux et plus la réponse met de temps à arriver.

BDH-CQ prend le problème à l’envers. Il réfléchit directement « dans sa tête », c’est-à-dire dans un espace interne appelé espace latent, sans rédiger ce brouillon visible. L’architecture Dragon Hatchling s’inspire du fonctionnement des neurones biologiques : un réseau de connexions locales, où l’activité se propage un peu comme dans un cerveau, avec une forme de mémoire persistante intégrée directement au modèle plutôt qu’ajoutée artificiellement par-dessus. C’est cette conception qui permet à BDH-CQ d’économiser l’essentiel du calcul habituellement consacré à écrire, puis relire, un raisonnement en toutes lettres.

Zuzanna Stamirowska, PDG de Pathway, résume la philosophie du projet : le principal frein n’a jamais été l’intelligence elle-même, mais la manière dont elle est construite.

🟡 À NOTER L’architecture BDH a été co-développée avec le soutien de NVIDIA et d’Amazon Web Services, et compte parmi ses conseillers Łukasz Kaiser, coauteur du article fondateur de 2017 qui a introduit l’architecture Transformer, celle-là même que BDH cherche aujourd’hui à dépasser. Une manière, pour Pathway, de s’assurer une forme de crédibilité scientifique face à un domaine où les annonces spectaculaires sont fréquentes.

Ce que ça change concrètement et pour qui

Cette annonce n’a rien d’anecdotique pour les entreprises qui utilisent l’IA à grande échelle. Un chatbot d’assistance client, un système de détection d’incidents de cybersécurité ou un outil de pilotage industriel en temps réel peuvent avoir besoin d’exécuter des milliers, voire des millions de raisonnements par jour. À ce volume, un coût par tâche onze fois plus faible ne représente plus quelques centimes économisés, mais potentiellement des budgets d’infrastructure divisés par dix. Amazon Web Services, partenaire technologique de Pathway, présente d’ailleurs ce résultat comme une étape vers un raisonnement avancé enfin abordable pour un usage en production et non plus seulement en phase d’expérimentation.

• Support client automatisé à grande échelle, où le volume de requêtes rend le coût unitaire décisif.
• Réponse à un incident de cybersécurité, un domaine cité explicitement par Pathway parmi ses cas d’usage visés.
• Pilotage industriel en temps réel, où des décisions doivent être prises en continu, à faible latence et à faible coût.

En clair : BDH-CQ ne va pas remplacer demain les modèles les plus puissants du marché sur les tâches qui exigent une fiabilité maximale, l’écart de score avec Claude Opus 5 ou Gemini 3.1 Pro reste considérable. Mais il ouvre une case jusque-là vide sur l’échiquier de l’IA : celle des raisonnements « suffisamment bons », produits en très grand volume, à un coût qui devient presque négligeable.

On en discute ?

Ce résultat relance un débat de fond dans la recherche en IA : faut-il continuer à empiler les paramètres et la puissance de calcul pour progresser, ou l’avenir appartient-il à des architectures plus économes, pensées différemment dès le départ ? Les deux approches vont sans doute cohabiter encore longtemps. Les très grands modèles resteront nécessaires pour les tâches qui exigent le maximum de fiabilité, mais des architectures comme BDH-CQ pourraient bien devenir la norme pour tout ce qui se compte en millions de requêtes quotidiennes, là où le coût, plus que la performance brute, finit par décider qui gagne le marché.

Source : Pathway