Dans cet article
La réponse courte d'abord : le 13 août 2026, Mixedbread a lancé un modèle appelé Toast 1. Ce n'est pas un modèle généraliste avec lequel on converse : c'est un agent de recherche spécialisé, dont la seule mission est de fouiller vos documents et d'en rapporter des éléments probants. Ce qui mérite l'attention d'un chef d'entreprise, ce n'est pas le nom du produit, mais ce qu'il a mis en lumière : une grande partie de ce que vous payez aujourd'hui pour l'IA part dans l'acte de chercher plutôt que dans celui de réfléchir, et séparer les deux réduit nettement les coûts tout en améliorant la qualité des réponses.
Ce qui a réellement été annoncé
Selon l'annonce officielle de l'entreprise, Toast 1 est un agent de recherche entraîné pour une seule tâche : il prend une question, la décompose en sous-requêtes, rassemble des éléments dans vos sources, les examine, puis remet un ensemble trié des contenus pertinents. Il ne rédige pas votre réponse finale ; il prépare la matière brute sur laquelle le grand modèle raisonne ensuite.
L'entreprise affirme qu'il égale ou dépasse les modèles de pointe sur la qualité de la recherche en particulier, pour un coût jusqu'à dix fois inférieur et une vitesse douze fois supérieure. Ce sont des chiffres du fournisseur, à lire comme tels, mais l'affirmation la plus importante est d'ordre architectural : il ne vous oblige pas à modifier votre installation et fonctionne sur l'index de recherche dont vous disposez déjà, sans migrer vos données ailleurs.
Le tarif de lancement annoncé est de 0,30 $ par million de tokens en entrée, 0,036 $ par million de tokens en entrée mis en cache et 0,72 $ par million de tokens en sortie. En pratique, l'entreprise estime le coût d'une requête à environ 0,016 $ à 0,023 $, avec une latence médiane de huit secondes, montant dans sa configuration de plus haute qualité à environ 0,05 $ à 0,07 $, avec une médiane de onze secondes.
Pourquoi cela compte pour un chef d'entreprise : l'économie de la recherche
Quand vous construisez un assistant sur les documents de votre entreprise, vous supposez que l'essentiel du coût se situe dans la rédaction de la réponse. C'est l'inverse. Le modèle lit des dizaines de documents pour trouver trois lignes utiles, et vous payez tout ce qu'il a lu, pas ce qu'il a utilisé. Voilà pourquoi la facture grossit à mesure que vos archives grossissent, pourquoi les réponses ralentissent, et pourquoi la bonne réponse se perd de plus en plus dans le bruit.
Ce que fait un agent de recherche spécialisé, c'est transférer ce travail lourd vers un modèle moins cher et plus rapide, entraîné précisément pour cela, puis transmettre un résultat condensé au grand modèle. Le grand modèle reste dans la boucle, mais il consacre ses capacités à ce que rien d'autre ne fait bien : comprendre, raisonner et formuler la décision.
La règle pratique : ne payez pas le prix d'un modèle de pointe pour un travail qui ressemble à celui d'un archiviste. Achetez la réflexion au modèle coûteux et la recherche au modèle bon marché.
Les chiffres de deux bancs d'essai indépendants
Les arguments marketing se discutent ; les bancs d'essai publiés sont plus clairs. Sur OfficeQA Pro v2, publié par Databricks pour mesurer l'exactitude des réponses sur quatre-vingt-dix questions portant sur des situations financières d'entreprise complexes et réalistes, GPT-5.6 Sol, avec Toast 1 disponible comme sous-agent, a atteint 70 % d'exactitude pour environ 1,15 $ par tâche. À titre de comparaison, le meilleur résultat précédent atteignait 60 % pour environ 4 $ par tâche, tandis que le même modèle sans agent de recherche n'obtenait que 33 %. L'ajout de la couche de recherche a à peu près doublé la précision tout en réduisant le coût.
Sur le banc d'essai de Harvey consacré aux connaissances des cabinets d'avocats, sur un sous-ensemble de trente-trois tâches, la qualité des réponses est restée constante tandis que la consommation de tokens passait de 80,6 millions à 47 millions grâce à la seule amélioration de la recherche, puis à 23 millions une fois l'agent de recherche spécialisé ajouté, avec deux fois moins d'échanges et une réduction des coûts de plus de 60 %.
Remarquez la leçon commune : la capacité de raisonnement du modèle n'a pas changé. C'est la qualité de la matière qui lui parvient qui a changé. C'est exactement ce que nous constatons dans les projets clients : les assistants d'entreprise qui échouent manquent rarement d'intelligence ; ils manquent d'alimentation.
Où cela se manifeste dans votre entreprise saoudienne
- Contrats et accords. Une question comme « lesquels de nos contrats autorisent une résiliation avec un préavis de trente jours ? » relève de la recherche, pas du raisonnement, et elle consomme aujourd'hui des heures de travail d'un juriste.
- Dossiers d'appel d'offres et cahiers des charges. Extraire les conditions de qualification, les pénalités et les dates de livraison de centaines de pages avant même de décider de soumissionner.
- Factures et situations de travaux. Suivre une seule ligne de coût à travers des années de documents pour trouver par où fuit la marge.
- Les archives RH. Politiques de congés, indemnités et dates d'expiration des titres de séjour dispersées entre des fichiers et des systèmes non reliés.
- Le support client. Un assistant qui répond à partir des manuels produits et des comptes rendus de réunion au lieu d'inventer une réponse.
Dans chacun de ces cas, l'actif réel que vous possédez n'est pas le modèle : ce sont les archives. Un modèle se remplace en une semaine ; des archives bien organisées ne se construisent qu'une seule fois.
Trois questions à poser avant d'acheter
Premièrement : combien me coûte une seule question, et non combien coûte l'abonnement mensuel ? Si votre fournisseur n'a pas de réponse chiffrée, vous ne savez pas ce que deviendra votre facture à grande échelle.
Deuxièmement : la couche de recherche est-elle séparée du modèle ? La séparation signifie que vous pouvez changer de grand modèle demain sans tout reconstruire, et c'est la meilleure protection contre les variations de prix des fournisseurs.
Troisièmement : où mes documents sont-ils hébergés, et en sortent-ils ? C'est une question de gouvernance avant d'être une question technique, et elle touche directement à vos obligations au titre de la loi sur la protection des données personnelles si vos archives contiennent des données de clients ou d'employés.
Notre approche chez Origami
Nous ne vendons pas un modèle en particulier, et nous ne conseillons pas à un client de lier son activité à un fournisseur parce qu'il a fait l'actualité cette semaine. Ce que nous construisons, c'est l'architecture qui fait du modèle une pièce remplaçable : une source de connaissances organisée dont vous êtes propriétaire, une couche de recherche indépendante, des autorisations claires définissant qui voit quoi, et un coût mesuré par requête plutôt que par facture mensuelle.
Si votre entreprise dispose d'archives volumineuses dont elle n'a jamais tiré parti, commencez par la question répétitive et coûteuse la plus étroite que vous ayez, et mesurez le temps et le coût avant et après. Un petit pas mesuré vaut mieux qu'un vaste programme d'IA sans aucun indicateur associé.
Sources
- Annonce officielle de Toast 1 par Mixedbread, 13 août 2026 : mixedbread.com
- Page officielle des tarifs : mixedbread.com/pricing
- Banc d'essai OfficeQA Pro v2 de Databricks : databricks.com
- Banc d'essai de Harvey sur les connaissances des cabinets d'avocats : harvey.ai
Questions fréquentes
Quelle est la différence entre un agent de recherche et le modèle avec lequel je converse ?
Un modèle généraliste est conçu pour la compréhension, le raisonnement et la rédaction des réponses. Un agent de recherche est entraîné pour une seule tâche : décomposer la question, fouiller vos documents et ne rapporter que les éléments pertinents. En général, il ne rédige pas la réponse finale ; il prépare la matière sur laquelle le grand modèle raisonne. L'avantage est que le travail lourd passe à un modèle moins cher et plus rapide.
Cela signifie-t-il que je n'ai plus besoin des grands modèles ?
Non. La logique consiste à répartir les rôles, pas à les remplacer. Le grand modèle reste chargé de la compréhension, du raisonnement et de la formulation de la décision, tandis que l'agent de recherche se charge de trouver l'information. Les bancs d'essai publiés ont montré que la combinaison des deux surpassait le grand modèle seul, pour un coût inférieur.
Dois-je transférer mes documents vers une nouvelle plateforme ?
Pas nécessairement. Toast 1 est présenté comme fonctionnant sur votre index de recherche existant, sans migration, et c'est un principe général à exiger de toute solution que vous achetez. Gardez la couche de recherche séparée du modèle, afin de pouvoir changer l'un ou l'autre plus tard sans reconstruire tout le système.
Quelle est la première étape pratique pour une entreprise saoudienne disposant d'archives volumineuses ?
Commencez par une seule question répétitive et coûteuse : extraire les clauses de résiliation des contrats, ou les conditions de qualification des dossiers d'appel d'offres. Organisez la source de connaissances qui sous-tend cette seule question, mesurez le temps et le coût avant et après la mise en service, et définissez qui a le droit de voir quoi. Si les archives contiennent des données de clients ou d'employés, examinez vos obligations au titre de la loi sur la protection des données personnelles avant toute intégration externe.
Suivez Origami sur Google
Ajoutez Origami à vos sources préférées : nos articles apparaîtront en premier pour vous dans la recherche Google et les actualités à la une.
