Alibaba mise sur le cloud, pas sur le modèle, et cela pourrait fonctionner

Au cours des deux derniers mois, Alibaba a publié une cascade de produits et mises à jour IA qui, pris ensemble, révèlent un pari bien plus grand que n’importe quel lancement de modèle unique. L’entreprise n’essaie pas de surpasser OpenAI ou Google DeepMind en capacités brutes. Au lieu de cela, elle tisse des agents IA dans le tissu de l’ensemble de son offre cloud, opérations, données, développement, déploiement, et invite les entreprises à laisser la plateforme faire le travail. Le Qwen d'Alibaba construit un modèle pour chaque tâche…

Une approche centrée sur l’infrastructure

La pièce maîtresse de la dernière vague est StarOps, une plateforme mondiale d’exploitation et de maintenance intelligente native IA lancée en mai. Malgré son nom, StarOps est mieux comprise comme le plan de contrôle des ambitions d’Alibaba. Elle utilise de grands modèles et la technologie agentique pour transformer les opérations cloud d’une lutte réactive à une gestion autonome : les utilisateurs décrivent des objectifs en langage naturel, et la plateforme gère la planification, l’exécution et la vérification. Le piège subtil qui attend les agents IA en production

StarOps repose sur le système de produits observables d’Alibaba, ingérant quotidiennement des données à l’échelle de plusieurs pétaoctets couvrant les journaux, métriques, traces, événements et topologies. Ses quatre piliers de capacité, perception globale, orientation vers les objectifs, opérations autonomes et continuité des activités, reflètent les couches dont une grande entreprise aurait besoin pour exécuter des charges de travail IA à grande échelle sans supervision manuelle. La plateforme intègre MCP et offre un accès OpenAPI, ce qui signifie qu’elle peut s’insérer dans les flux de travail existants des entreprises plutôt que d’exiger un remplacement complet.

Évaluer la fiabilité des agents à grande échelle

L’une des révélations les plus éclairantes est venue de l’évaluation PawBench du Tongyi Lab, qui a testé 9 modèles sur 3 cadres (harnesses) avec 150 tâches, générant 4 050 cellules de test individuelles. Le résultat clé : la performance des agents n’est pas uniquement une propriété du modèle. Le cadre (harness), l’infrastructure qui relie le modèle aux outils et environnements, introduit des différences de performance mesurables, en particulier pour les modèles de taille moyenne. Claude Opus 4.6 variait de seulement 2,3 points selon les cadres, tandis qu’une variante plus petite de Qwen changeait de 11,5 points selon la configuration.

L’aperçu le plus exploitable de PawBench est que la conception du cadre, et non la capacité du modèle, est le goulot d’étranglement pour la fiabilité des agents. Le benchmark a révélé que les tâches liées aux compétences, où l’agent doit découvrir et invoquer des connaissances internes stockées, étaient systématiquement les plus difficiles, quel que soit le modèle. Cela suggère que pour les déploiements en entreprise, le cadre autour du modèle compte autant que le modèle lui-même, un point sur lequel Alibaba mise avec son histoire de plateforme intégrée. Les marketplaces d'équipe de Cursor intègrent les…

L’espace de travail : exécution jetable, mémoire durable

La plateforme AgentRun d’Alibaba, décrite en détail par l’architecte solution Rizky Andriawan, met en œuvre un principe architectural qui devient discrètement standard dans l’industrie : les agents reçoivent des espaces de travail jetables pour l’exécution, tandis que la mémoire, l’identité et les artefacts vivent à l’extérieur dans un stockage durable. Ce retournement, isolation par défaut pour les agents, persistance par exception, répond à la fois à la sécurité et au coût. AgentRun propose des modèles de bacs à sable spécialement conçus, une gouvernance des modèles et une couche mémoire qui survit au démantèlement des espaces de travail.

Le timing n’est pas accessoire. Alors que les agents passent des démos à la production, la question opérationnelle passe de « le modèle peut-il écrire du code ? » à « le modèle peut-il fonctionner en toute sécurité à côté de mes données professionnelles ? » La conception d’AgentRun gère explicitement ce risque en confinant les essais-erreurs de chaque agent dans un environnement scellé. L’entreprise conditionne en fait un consensus architectural en un service géré. Le piège subtil qui attend les agents IA en production

L’entreposage de données se dote d’un squelette agentique

L’annonce peut-être la plus conséquente pour les clients existants d’Alibaba Cloud est la trousse à outils MaxCompute Agentic. Cinq composants, un client d’exploration de données IA, un serveur MCP (MCMCP) pour l’interaction agent-données, des packs de compétences sémantiques, un SDK d’API de catalogue et une CLI, forment une infrastructure complète agent-données. Le serveur MCP applique des opérations en lecture seule côté serveur, un choix de conception qui équilibre autonomie et gouvernance des données, et il est livré pré-intégré avec des clients comme OpenClaw, Qwen Code et DataWorks Agent.

Les packs de compétences sémantiques, qui couvrent des scénarios d’exploitation système comme le diagnostic de stockage et l’analyse des coûts, signifient que les agents n’ont plus besoin d’instructions manuelles pour interroger les métadonnées ou lire les plans d’exécution. Pour une grande entreprise exploitant un entrepôt de données, ce changement pourrait réduire la charge opérationnelle de l’analytique d’un ordre de grandeur, à condition que les agents fonctionnent de manière cohérente.

Quest Mode de Qoder : le développement piloté par spécification en tant que service

Complétant les mouvements au niveau de la plateforme, l’outil de code Qoder d’Alibaba introduit Quest Mode, un flux de travail qui formalise ce que les développeurs faisaient de manière ad hoc avec les assistants de codage IA. Au lieu de coder par vibes de manière itérative, Quest Mode demande une spécification détaillée au préalable, puis laisse l’agent exécuter de manière autonome, s’auto-valider et produire un rapport de tâche. L’affirmation de gains de productivité de 10× est ambitieuse, mais le flux de travail répond à un problème réel : le coût de la révision de dizaines de modifications de code générées par IA après une longue session.

Alignement organisationnel et le Token Hub

La création en mars par Alibaba du groupe d’activité Alibaba Token Hub (ATH) sous la direction du PDG Eddie Wu fournit le squelette organisationnel de cette stratégie. En unifiant le Tongyi Laboratory, la MaaS Business Line, la Qwen Business Unit, la Wukong Business Unit et l’AI Innovation Business Unit sous une seule mission, créer, livrer et appliquer des tokens, l’entreprise supprime les frictions qui affligent souvent les grands fournisseurs de cloud tentant de coordonner entre des silos de produits. Le prochain goulot d'étranglement à mille milliards de…

Les mises à jour produit depuis lors reflètent cette cohérence. Qwen3.7-Max, un modèle doté de capacités avancées de codage agentique, s’associe à HappyHorse 1.1 pour la génération vidéo et à HappyOyster 1.0 pour les mondes interactifs. Une application Qwen grand public intègre Taobao, Alipay, Fliggy et Amap dans une interface conversationnelle unifiée. Parallèlement, l’investissement mondial dans l’infrastructure de 53 milliards de dollars, avec de nouveaux centres de données au Japon, en Malaisie, en France et au Mexique, porte le nombre total de zones à 105 dans 32 régions, fournissant le substrat pour que ces services fonctionnent en latence.

Ce que cela signifie pour le marché

La stratégie d’Alibaba diffère nettement de celle des hyperscalers occidentaux. Là où AWS et Google Cloud ont tendance à offrir des capacités IA comme des ajouts à des services existants, Alibaba intègre les agents dans le modèle opérationnel du cloud lui-même : l’exploitation et la maintenance, l’entreposage de données, le développement et l’allocation d’infrastructure deviennent tous natifs des agents. Le pari est que les entreprises, en particulier celles déjà dans l’écosystème d’Alibaba, trouveront plus facile d’adopter la plateforme dans son ensemble que d’assembler une pile comparable. Le pari open source de Meta AI vient de briser le…

Le risque est que la technologie agentique ne soit pas encore assez fiable pour des opérations critiques. Les données de PawBench montrant une variance significative dépendante du cadre, en particulier autour de l’invocation de compétences et de la recherche web, suggèrent que le déploiement en production nécessite encore un réglage minutieux. L’avantage d’Alibaba est qu’il peut ajuster simultanément le cadre, le modèle et l’espace de travail, ce qu’une intégration tierce ne peut pas faire.

La seconde moitié de 2026 testera si cette approche intégrée peut se traduire par une adoption mesurable. Alibaba a placé ses paris : infrastructure plutôt que suprématie du modèle, plateforme plutôt que solution ponctuelle, et opérations autonomes plutôt que flux de travail assistés par outils. Les résultats des 4 050 exécutions d’agents suggèrent que l’entreprise comprend la forme du défi. La question de savoir si elle peut tenir la promesse déterminera la prochaine phase de sa croissance en IA.