L'IA agentique en 2026 : Hermes, NVIDIA Nemotron et le stack de modèles ouverts

La frontière intéressante en 2026, ce n'est pas un chatbot plus gros. C'est l'agent : un modèle qui planifie, appelle des outils, lit les résultats et boucle jusqu'à ce qu'une tâche soit terminée. Le chat répond à une question ; un agent change l'état d'un système. Et dès qu'un modèle peut agir, la fiabilité cesse d'être un détail agréable et devient le produit tout entier.

Deux familles à poids ouverts sont devenues la colonne vertébrale des agents auto-hébergés — Hermes de Nous Research et Nemotron de NVIDIA. Voici pourquoi, et à quoi ressemble le stack autour d'elles.

Ce qu'« agentique » exige vraiment

Un modèle conversationnel compétent n'est pas automatiquement un agent compétent. Les agents vivent ou meurent sur un ensemble plus étroit de compétences :

• Le function calling — émettre des appels d'outils bien formés et valides selon le schéma, à chaque fois, pas la plupart du temps.
• La sortie structurée — du JSON fiable que le code environnant peut parser sans heuristiques.
• La dirigeabilité — obéir réellement au system prompt qui définit le rôle et les limites de l'agent.
• Le raisonnement dans une boucle — planifier un travail en plusieurs étapes et se rétablir quand un outil renvoie une erreur.

Un modèle qui est 2 % meilleur en culture générale mais 20 % moins bon pour émettre des appels d'outils valides est un moins bon agent. Ce seul fait explique l'essentiel du paysage des modèles ouverts.

Hermes : le cheval de trait ouvert et dirigeable

Hermes, de Nous Research, est une famille de fine-tunes construits sur des bases ouvertes comme Llama. Sa réputation repose sur trois choses qui importent à qui construit des agents : un function calling solide, une sortie structurée/JSON fiable et un alignement délibérément neutre et dirigeable — il suit ton system prompt plutôt qu'une personnalité codée en dur par un fournisseur.

Pour des agents auto-hébergés qui doivent s'insérer dans tes propres garde-fous et se comporter de façon prévisible, cette dirigeabilité est tout l'attrait. Tu définis le rôle ; le modèle s'y tient. C'est le même instinct que derrière l'exécution de modèles en local que j'ai exploré plus tôt — le contrôle sur le comportement, pas seulement sur les poids.

NVIDIA Nemotron : du raisonnement affiné pour les outils

Nemotron est la ligne de modèles ouverts de NVIDIA, et les modèles de raisonnement Llama Nemotron (en tailles Nano, Super et Ultra) sont explicitement affinés pour le travail agentique : raisonnement en plusieurs étapes et appel d'outils, avec un raisonnement que tu peux activer pour les tâches difficiles et désactiver pour les tâches bon marché. Ils sont livrés avec des poids ouverts et empaquetés en microservices NIM pour un déploiement derrière une API standard.

La famille Nemotron gagne aussi sa croûte à un endroit peu glamour : la génération de données synthétiques. Les plus grandes variantes reward et instruct sont largement utilisées pour générer et noter des données d'entraînement d'autres modèles — y compris des agents que tu pourrais fine-tuner toi-même.

Le stack autour du modèle

Le modèle représente peut-être un tiers d'un agent qui fonctionne. Le reste, c'est de l'ingénierie :

• Les schémas d'outils — des définitions de fonction serrées et bien décrites. Des schémas vagues produisent des appels vagues.
• L'orchestration — une boucle planifier/agir/observer (style ReAct), avec des limites d'étapes et des timeouts pour qu'un agent perdu échoue vite au lieu de brûler des tokens éternellement.
• Les garde-fous — valide chaque appel d'outil avant qu'il ne s'exécute ; ne laisse jamais le modèle atteindre des systèmes de production sans contrôle.
• Les evals — un jeu de référence de tâches que tu rejoues à chaque changement de modèle ou de prompt. Sans evals, tu ne fais pas de l'ingénierie, tu devines.
• L'observabilité — trace chaque étape. Quand un agent déraille à 2 h du matin, la trace est la seule chose qui te sauve.

Ouvert vs API : comment choisir

Les modèles frontière par API restent la façon la plus facile d'avoir un agent compétent qui fonctionne aujourd'hui, et pour beaucoup d'équipes c'est le bon choix. Tire vers le stack ouvert — Hermes, Nemotron — quand tu as besoin de résidence des données, d'un coût prévisible à fort volume, d'une personnalisation profonde via le fine-tuning, ou simplement de la garantie que le modèle ne changera pas sous tes pieds le trimestre prochain. Souvent, la réponse pragmatique est un mélange : un modèle frontière pour le raisonnement difficile, un modèle ouvert pour les appels fréquents et bien cadrés.

---

L'IA agentique récompense la discipline d'ingénierie ennuyeuse bien plus que le battage autour des modèles : des outils serrés, une boucle stricte, de vrais garde-fous, et des evals auxquels tu fais confiance. Choisis un modèle véritablement bon en appel d'outils — Hermes et Nemotron le sont tous les deux — et dépense ton énergie sur le harnais qui l'entoure. Si tu branches un agent sur de vraies données métier, commence là où vivent les données : le lakehouse Databricks et Fabric avec Copilot Studio.