Depuis la mi-septembre 2026, une nouvelle famille d’outils d’intelligence artificielle fait parler d’elle : les modèles de décision. Lancée par la start-up TypeSafe AI avec son modèle Jev le 15 septembre, cette approche ne cherche pas à rédiger des réponses mais à trancher : ranger un message dans la bonne catégorie, dire si une condition est remplie, attribuer un score d’urgence. Deux semaines plus tard, le 29 septembre, Ollama, l’outil de référence pour faire tourner des modèles d’IA sur ses propres machines, a intégré ces modèles dans sa version 0.35, puis a élargi leur prise en charge avec la version 0.40 début octobre. Des modèles ouverts comme Nimble, Clef ou Laya peuvent désormais fonctionner en local, sans envoyer la moindre donnée à un service extérieur.
Pour une TPE ou une PME, l’enjeu est très concret. Une bonne partie de ce que l’on attend de l’IA au quotidien n’est pas de la rédaction mais du tri : savoir à quel service transmettre une demande, repérer un e-mail suspect, prioriser les tickets du support ou vérifier qu’une saisie respecte une règle métier. Confier ces tâches à un grand modèle conversationnel revient souvent à utiliser un outil lent, coûteux et parfois imprévisible là où une réponse simple et fiable suffit. Les modèles de décision promettent l’inverse : des réponses rapides, structurées, peu gourmandes et, grâce à Ollama, traitées sur un serveur que l’entreprise maîtrise.
Modèles de décision : une IA qui choisit au lieu d’écrire
Un modèle de langage classique génère du texte mot après mot. Pour classer un message, il répond par une phrase qu’il faut ensuite analyser, en espérant qu’il ait respecté le format demandé et n’ait pas inventé de catégorie. Un modèle de décision fonctionne autrement. On lui fournit un texte à examiner, appelé « état », et une série de questions dont les réponses possibles sont fixées à l’avance par le développeur. Le modèle ne rédige rien : il calcule, en un seul passage, une probabilité pour chacune des réponses autorisées, puis renvoie la plus probable avec son score de confiance.
Trois types de questions reviennent dans tous ces outils. La question à choix permet de sélectionner une option dans une liste, par exemple le service destinataire d’une demande (comptabilité, support technique, commercial). La question oui ou non mesure la probabilité qu’une condition soit vraie, comme « ce message contient-il une demande de remboursement ? ». Enfin, la question de score place le texte sur une échelle ordonnée, typiquement un niveau d’urgence de faible à critique. Plusieurs questions peuvent être posées sur le même texte dans une seule requête, ce qui permet de router un ticket, d’en détecter la nature et d’en évaluer l’urgence d’un seul coup. Le programme garde ainsi la main sur la logique, et la réponse respecte toujours le schéma prévu : plus de réponse mal formée à rattraper ni de catégorie fantaisiste à filtrer. TypeSafe annonce de plus pour Jev des temps de réponse de 70 à 500 millisecondes.
Jev, Nimble, Clef, Laya : qui fait quoi ?
Jev est le modèle qui a lancé la catégorie. Il reste un service fermé, utilisable uniquement via l’API de TypeSafe ou de partenaires, ce qui implique d’envoyer les textes chez un prestataire américain. D’autres acteurs ont vite publié des modèles ouverts reprenant la même interface. Bespoke Labs propose Nimble, un modèle de 9 milliards de paramètres qui revendique des résultats proches de Jev sur ses propres jeux de test. Together AI a publié tev1, un modèle expérimental décliné en 4 milliards et 0,8 milliard de paramètres, la plus petite version pouvant tourner sur un simple processeur. Cloudflare a ensuite présenté Clef et Clef Flash, deux modèles open source capables d’analyser non seulement du texte mais aussi des images.
Laya, publié par Convai Innovations sous licence Apache 2.0, occupe une place à part. Avec 421 millions de paramètres seulement, il repose sur ModernBERT, une architecture de classification compacte, rapide et peu exigeante en matériel. La version de base ne traite que l’anglais, une déclinaison multilingue ayant été annoncée. Les tests publiés montrent surtout que Laya donne de bons résultats lorsqu’il a été ajusté sur des exemples proches de la tâche visée, et des résultats nettement plus faibles lorsqu’on l’utilise tel quel. Un petit modèle entraîné sur les données de l’entreprise peut donc rivaliser avec un service hébergé, au prix d’un travail de préparation.
Ollama 0.35 et 0.40 : les modèles de décision passent en local
Avec sa version 0.35, publiée le 29 septembre 2026, Ollama ajoute une nouvelle interface de programmation dédiée aux modèles de décision, distincte de celle utilisée pour la conversation. Une seule commande suffit pour télécharger un modèle comme Nimble ; l’application interroge ensuite le service local avec le texte et ses questions, et reçoit pour chacune l’option retenue, les probabilités et un indice de confiance. Lors de sa démonstration, l’équipe d’Ollama a mesuré une moyenne de 91 millisecondes par décision avec Nimble sur un ordinateur portable haut de gamme.
Les versions suivantes ont rapidement enrichi le catalogue. La 0.35.1 a ajouté Clef et Clef Flash, avec la possibilité de soumettre des images, puis la 0.40, publiée début octobre, a rendu ces modèles disponibles sur le moteur MLX, devenu le moteur par défaut sur les Mac équipés de puces Apple. Laya figure lui aussi désormais dans la bibliothèque d’Ollama, à partir de cette version 0.40. Une entreprise peut donc installer Ollama sur un serveur interne ou dédié, choisir le modèle adapté à son volume et intégrer des décisions automatiques dans ses outils sans qu’aucune donnée ne quitte son infrastructure, un atout décisif pour la confidentialité et le RGPD.
Des usages concrets pour les TPE, PME et établissements de santé
Le premier terrain d’application est le tri des demandes entrantes. Une entreprise qui reçoit chaque jour des dizaines de messages via son formulaire de contact WordPress ou sa boîte générique peut faire analyser chaque message pour l’attribuer au bon interlocuteur, signaler les urgences et écarter les sollicitations commerciales ou les tentatives d’hameçonnage. Dans Odoo, la même logique s’applique au module d’assistance : un ticket peut être routé vers la bonne équipe, marqué comme réclamation ou demande de remboursement, et classé par priorité dès sa création. Le modèle ne remplace pas la personne qui traite la demande : il lui évite les manipulations répétitives.
D’autres usages relèvent du contrôle et de la conformité. Un modèle de décision peut vérifier qu’un avis client respecte la charte de modération, qu’une fiche saisie dans un logiciel de gestion est complète, ou qu’une action proposée par un assistant automatisé est autorisée avant d’être exécutée. Dans un centre de santé ou une maison de santé pluriprofessionnelle, il peut orienter les messages administratifs ou repérer les demandes de rendez-vous urgentes, à condition que tout reste hébergé dans un environnement adapté. ACKWA, qui n’est pas lui-même certifié HDS, s’appuie pour ces projets sur OVHcloud, hébergeur certifié pour les données de santé. Enfin, ces usages restent accessibles aux petites structures grâce à la sobriété des modèles : Laya ou la petite version de tev1 se contentent d’un serveur modeste, tandis que Nimble (environ 10 Go) demande assez de mémoire graphique ou unifiée pour être chargé entièrement. Le coût devient prévisible, sans facturation à l’usage.
Limites et bonnes pratiques avant de se lancer
Ces modèles n’ont que quelques semaines d’existence. Le fait qu’un modèle de décision ne puisse pas répondre en dehors du schéma prévu ne signifie pas qu’il ne se trompe jamais : il peut tout à fait choisir la mauvaise option, avec assurance. L’indice de confiance renvoyé par Ollama mesure la concentration des probabilités, pas la justesse de la réponse. La plupart des chiffres de performance disponibles proviennent par ailleurs des éditeurs eux-mêmes, et plusieurs modèles ne sont vraiment à l’aise qu’en anglais : il faut les tester sérieusement sur des textes en français.
La bonne démarche consiste donc à partir d’un besoin précis et mesurable, puis à constituer un échantillon de cas réels déjà traités par l’équipe, qui servira de référence. On compare les décisions du modèle à celles de l’équipe, on fixe des seuils de confiance sous lesquels la demande revient à un humain, et l’on suit les résultats. La qualité des données de départ, le choix des catégories et la formulation des questions comptent souvent davantage que le modèle lui-même. Il faut aussi décider où tournera le modèle et documenter le traitement au regard du RGPD.
Mettre en place des modèles de décision avec ACKWA, à Tours
L’arrivée des modèles de décision dans Ollama ouvre une voie pragmatique pour automatiser le tri dans les petites structures, sans céder ses données. Encore faut-il identifier les processus qui en tireront vraiment profit, préparer des données propres, choisir le modèle et le matériel adaptés, puis former les équipes à un fonctionnement où l’humain garde la main sur les cas douteux. Basée à Saint-Avertin, près de Tours, ACKWA accompagne les TPE, PME et établissements de santé d’Indre-et-Loire et de Centre-Val de Loire dans ce type de projet : accompagnement pour cadrer le besoin, développement de l’intégration dans Odoo, WordPress ou une application métier, hébergement d’un serveur Ollama maîtrisé, maintenance et formation des utilisateurs. Pour étudier un premier cas d’usage, il suffit de nous écrire via la page contact, ou via le contact e-santé pour les établissements de santé.
Crédits photos : 峻贰 硫 via Pexels, This_is_Engineering via Pixabay et Onur Binay via Unsplash.