Microsoft a fondu AI Frontiers dans Microsoft AI : John Langford part en dénonçant une stratégie centrée sur la seule taille des modèles

AI Frontiers, le groupe d’environ 50 chercheurs de Microsoft Research qui a produit le framework d’agents AutoGen et les modèles d’usage d’ordinateur Fara, n’existe plus en tant que tel. Rattaché à Microsoft AI, la division de Mustafa Suleyman, début septembre 2026, il a perdu ses dirigeants fondateurs. Le dernier à partir, John Langford, l’a annoncé le 6 novembre sur son blog dans un billet intitulé « The End of AI Frontiers ». Il y attribue l’échec du rapprochement à une direction qui mise sur la montée en taille des modèles et « résolument pas » sur la recherche.

Ce qu’était AI Frontiers

Le groupe est né en 2023, après la sortie de ChatGPT. D’après Langford, plusieurs chercheurs jugeaient alors que l’organisation habituelle de Microsoft Research, faite de projets portés par une ou deux personnes, ne tenait plus face aux moyens concentrés des autres laboratoires : une idée isolée arrivait trop tard, avec des points de comparaison trop faibles pour convaincre. AI Frontiers devait coordonner des efforts de recherche cohérents, « quelque part dans un milieu désordonné » entre la décision venue d’en haut et l’initiative des chercheurs.

La page du laboratoire, toujours en ligne, le présente comme dirigé par Ece Kamar, vice-présidente, et centré sur les agents. Elle liste parmi ses productions la famille de petits modèles Phi, les modèles Fara, AutoGen, Magentic-One, Magentic-UI et AgentInstruct. Langford ajoute que l’équipe de New York travaillait sur des capacités plus fondamentales : l’objectif d’entraînement Next Latent, l’optimiseur Dion, dérivé de Muon, et le Full-bandwidth transformer.

Notre relevé : ce que pèsent les dépôts publics du groupe

Nombre d'étoiles GitHub des dépôts AutoGen, Magentic-UI, Fara et Dion publiés par AI Frontiers, relevé du 8 novembre 2026
Étoiles GitHub des dépôts publiés par AI Frontiers. Source : API publique de GitHub, relevé DjeremIA du 8 novembre 2026.

Le nombre d’étoiles sur GitHub ne mesure pas la qualité scientifique, mais il donne une idée de la diffusion des outils publiés. Relevé effectué le 8 novembre 2026 sur l’API publique de GitHub :

DépôtCréé leÉtoilesDernière mise à jour du code
microsoft/autogen18 août 202361 74628 octobre 2026
microsoft/magentic-ui5 mai 202510 10923 septembre 2026
microsoft/fara29 octobre 20256 24922 septembre 2026
microsoft/dion29 mai 202555930 septembre 2026

Aucun de ces dépôts n’est archivé. Trois d’entre eux n’ont plus reçu de modification depuis la fin septembre, soit quelques semaines après le rattachement. AutoGen, le plus suivi, a encore été mis à jour fin octobre. Ces dates ne disent rien des intentions de Microsoft pour la suite : elles fixent seulement l’état visible des projets au moment du départ de Langford.

Septembre : le rattachement à Microsoft AI et le départ d’Ece Kamar

La chronologie publique tient en trois dates :

  • 1er septembre 2026 : la société Turing annonce le recrutement d’Ece Kamar comme directrice technique. Elle quitte Microsoft après 16 ans.
  • 14 septembre 2026 : la page du laboratoire affiche « Microsoft Research AI Frontiers is now part of Microsoft AI », avec la promesse de poursuivre « le même objectif » de recherche sur les agents et les modèles au sein de MAI.
  • 6 novembre 2026 : John Langford, chercheur fondateur du laboratoire new-yorkais de Microsoft Research et cocréateur de la bibliothèque Vowpal Wabbit, annonce son départ et la fin du groupe. Selon lui, tous les autres membres fondateurs de la direction d’AI Frontiers sont arrivés à une conclusion similaire.

Le désaccord : passage à l’échelle contre recherche

Langford ne conteste pas la logique apparente de l’opération : réunir deux organisations d’IA peut concentrer les efforts, et chacune avait de l’avance sur l’autre dans certains domaines, Microsoft AI étant « beaucoup plus grande ». Le problème, écrit-il, tient à la philosophie de la direction de Microsoft AI, issue d’Inflection, la start-up de Mustafa Suleyman dont Microsoft a recruté la plupart des équipes en 2024. Cette philosophie serait centrée sur le passage à l’échelle, avec un effort principal consacré à obtenir, produire et affiner des données.

Il reconnaît que cette stratégie a des arguments : les modèles plus gros prédisent mieux, et les retours sur investissement de la taille sont plus prévisibles que ceux de la recherche. Il la juge pourtant « mal orientée », et ajoute qu’il y avait « de nombreux signes » que Microsoft AI ne voulait pas vraiment de son équipe. Il dit n’avoir réussi à faire adopter, ni même examiner sérieusement, aucune de ses innovations pendant son passage chez Microsoft AI.

Le billet signale aussi un problème d’organisation antérieur : AI Frontiers avait ouvert à tout Microsoft Research un dépôt de code commun contenant une chaîne d’entraînement de modèles, alors que Langford dit connaître au moins quatre chantiers internes de ce type, dont trois menés hors des dépôts partagés.

L’argument chiffré : le Full-bandwidth transformer

Full-bandwidth transformer : modèles d'un milliard de paramètres, 400 milliards de jetons d'entraînement au plus, performances proches d'un modèle standard entraîné sur 1,5 fois plus de données
Les trois chiffres clés de l’article de recherche. Source : arXiv 2608.08888, 9 août 2026.

Pour illustrer ce que la recherche peut rapporter, Langford cite l’un des travaux de son équipe, publié sur arXiv le 9 août 2026 : le Full-bandwidth transformer. Dans un transformer classique, seul le jeton généré est réinjecté au pas suivant, l’état caché de la dernière couche étant abandonné. La méthode le fusionne avec le jeton et le renvoie en entrée.

Les résultats publiés portent sur des modèles d’un milliard de paramètres entraînés sur 400 milliards de jetons au plus. À ce niveau, ces modèles égalent ou approchent des transformers standards entraînés sur environ 1,5 fois plus de données, pour un surcoût de génération par jeton qualifié de négligeable. Langford va plus loin dans son billet : selon lui, des expériences menées par ByteDance sur une variante suggèrent un gain comparable à un modèle deux fois plus gros. Ces expériences ne sont pas détaillées dans le billet et ce chiffre n’a pas de publication de référence à ce jour : il reste une affirmation de l’auteur.

Pourquoi il ne retourne pas à Microsoft Research

Langford explique avoir discuté d’un retour chez Microsoft Research, puis renoncé pour deux raisons. La première : il ne voit pas de chemin pour que la recherche menée là-bas soit réellement utilisée, puisqu’il n’y est pas parvenu depuis Microsoft AI. La seconde : le contrat implicite de Microsoft Research, « faire du bon travail pour que de bonnes choses arrivent », lui paraît rompu, le groupe ayant été réorganisé « sans son consentement » malgré des résultats qu’il juge bons.

Conséquence concrète annoncée dans le billet : il n’y aura pas de stages avec l’équipe d’AI Frontiers l’an prochain. Langford ne dit pas où il part. Il précise seulement avoir « placé ses équipes au mieux » avant de quitter l’entreprise.

Les limites de ce récit

  • Le seul témoignage détaillé vient d’un dirigeant parti en désaccord. La version de Microsoft AI sur l’intégration du groupe n’est pas connue.
  • Le nombre de chercheurs restés chez Microsoft AI, et les projets qu’ils poursuivent, ne sont pas publics.
  • Le chiffre de 50 personnes vient de Langford lui-même, qui le présente comme approximatif.

La page Services présente l’audit IA de départ de DjeremIA.