ailin¹
Ailin¹

Intelligence Collective : La Nouvelle Frontière de l'IA

101 986 modèles aux capacités différentes, ensemble comme une véritable Intelligence Collective.

De la compétition à la collaboration : L’ère de l’Intelligence Collective

Chaque instant, choisir devient plus difficile, paralysant équipes et entreprises par la peur de mal choisir. Et le choix ne s'arrête jamais. Les labos livrent de nouveaux modèles de pointe simultanément, sans pause. Chaque version relance l'évaluation, les tests, la tarification. Nous appelons cela le Model Fatigue : l'épuisement de miser sur un modèle qui n'arrête pas d'expirer. Pendant ce temps, le marché inonde le monde de contenus toujours plus parfaits et toujours plus génériques. Le coût du filtrage vous est refacturé, à vous, à votre activité, dans un monde qui a appris à tout voir avec méfiance. Nous appelons cela l'AI Slop. Nous ne courons pas cette course. Nous avons changé le jeu. C'est pourquoi nous croyons, et l'avons prouvé, que la prochaine frontière de l'IA est collective.

Pas un slogan. De la science : la diversité structurée bat l'expertise solitaire. Condorcet l'a démontré. Hong et Page l'ont mesuré. Nous en avons fait un produit : des modèles qui raisonnent indépendamment, se vérifient mutuellement et convergent vers une réponse unique et auditable, à travers différentes stratégies collectives fondées sur des décennies de recherche.

Le but n'est pas d'avoir plus de modèles. C'est de faire en sorte que des intelligences différentes coopèrent mieux.

C'est l'Intelligence Collective. Le modèle n'est qu'un composant. Le collectif est l'intelligence. Ailin¹, c'est le collectif.

Ailin¹ Collective : le mécanisme derrière la preuve

Ailin¹ est née pour être l'Intelligence Collective. Le routage, la découverte, l'orchestration et la vérification sont des mécanismes qui la servent. Puisant dans 101 986 identifiants de modèles détectables, chaque requête est acheminée via l'une des 31 stratégies d'orchestration enregistrées : un modèle unique quand la vitesse prime, plusieurs modèles coordonnés pour raisonner, débattre et se vérifier mutuellement quand l'exactitude prime. Nous appelons Collective Foundation Model l'évolution du foundation model selon notre thèse d'intelligence collective : la fondation cesse d'être un modèle unique entraîné pour tout et devient le pool coordonné sous une couche de décision. C'est une architecture propriétaire, avec sa propre stack de foundation model, et la famille ailin rejoint ce pool à mesure qu'elle mûrit.

Chaque réponse collective expose la décision : quels modèles ont tourné, ce qui les a coordonnés, ce que cela a coûté. Vous n'avez pas à croire : vous vérifiez.

Foundation Model Un modèle, entraîné pour tout
Collective Foundation Model Couche de décision Pool coordonné, 101 986 identifiants La stack ailin rejoint le pool au fil de sa maturation
  • Quels modèles ont tourné
  • Quelle stratégie les a coordonnés
  • Ce qu'a coûté le collectif
Construisez avec l'Intelligence Collective

Mesuré contre les plus grands modèles du monde. En public.

Nous avons confronté le collectif à GPT-5.5-pro, Claude Opus 4.8, Gemini 3.1 Pro et Grok 4.3, noté par des réponses objectives vérifiées par machine, pas par le goût d'un juge. Résultat : le collectif a surpassé les quatre, dans une expérience auditable et reproductible. Consultez le dépôt.

⭐ Rejoignez 219 stargazers sur GitHub

Ailin¹ Collective : le moteur derrière chaque réponse

Chaque requête passe par la même cascade de routage avant qu'un seul modèle ne soit appelé, une cascade capable de mobiliser des stratégies collectives fondées sur des résultats de recherche évalués par les pairs sur la décision de groupe, dont le théorème du jury de Condorcet et le théorème de prédiction par la diversité de Hong et Page. Nommez exactement ce que vous voulez, et c'est honoré immédiatement. Ne dites rien, et la cascade décide.

L'état de l'art n'est pas une boîte noire. Ce sont deux leviers que vous contrôlez.

Cinq alias couvrent toute la gamme, du modèle unique instantané au consensus à cinq modèles. Deux champs indépendants fixent les limites : max_cost est un plafond, quality_target est un plancher. Définissez l'un, l'autre, ou les deux. Le plafond est appliqué avant tout appel de modèle ; le plancher oriente chaque décision de routage vers lui.

La plupart des plateformes vous tendent une liste de modèles et appellent cela un choix. Ailin¹ vous tend deux leviers indépendants, pas un seul curseur : la qualité que la réponse doit atteindre, et ce que vous êtes prêt à dépenser pour l'obtenir.

  • Plafonnez la dépense et laissez la qualité trouver son propre niveau.

  • Orientez vers un plancher de qualité et laissez le coût suivre la demande.

  • Fixez un corridor exact entre les deux.

Alias de routage Ailin¹ Collective, ce que chacun optimise, son coût typique et quand y recourir
Alias Optimise Coût typique À utiliser quand
ailin-auto Équilibre adapté, décidé requête par requête Normal Par défaut. Aucune contrainte au-delà d'un équilibre entre coût et qualité.
ailin-best Qualité, coût sans limite Le plus élevé Travaux où l'exactitude est critique et où le coût n'est pas la contrainte déterminante.
ailin-fast Latence, modèle unique Faible Chemins interactifs soumis à un budget de latence strict.
ailin-economy Coût, plafond strict appliqué Le plus bas Traitements de fond à haut volume
ailin-consensus Exactitude par vérification croisée indépendante Plus élevé, délibérément L'erreur silencieuse est le mode de défaillance que vous payez pour éliminer.

Chaque réponse renvoie la traçabilité de la décision dans ailin_metadata : strategy_used, models_used et cost_usd, de sorte que la décision de routage peut être vérifiée au lieu d'être tenue pour acquise.

Requête : votre client OpenAI existant, une seule ligne changée

from openai import OpenAI

client = OpenAI(
    base_url="https://api.ailin.one/v1",
    api_key="YOUR_KEY",
)

response = client.chat.completions.create(
    model="ailin-consensus",
    messages=[{"role": "user", "content": "..."}],
    extra_body={"max_cost": 0.15}
)

Réponse

{
  "ailin_metadata": {
    "strategy_used": "ailin-consensus",
    "models_used": [
      "gpt-5.5-pro",
      "claude-opus-4.8",
      "gemini-3.1-pro"
    ],
    "final_decider_model_id": "claude-opus-4.8",
    "final_decider_role": "synthesizer",
    "cost_usd": 0.0842,
    "subcalls": [
      { "model_id": "gpt-5.5-pro", "role": "voter", "cost_usd": 0.0301, "latency_ms": 1840, "success": true },
      { "model_id": "claude-opus-4.8", "role": "synthesizer", "cost_usd": 0.0288, "latency_ms": 2010, "success": true },
      { "model_id": "gemini-3.1-pro", "role": "voter", "cost_usd": 0.0253, "latency_ms": 1650, "success": true }
    ]
  }
}

Comment Ailin¹ Collective décide : la couche de décision IA

Une cascade en couches, évaluée du plus rapide au plus lent. Chaque requête se résout aussi tôt qu'elle le peut sans risque, si bien que les requêtes simples aboutissent vite tandis que les plus difficiles mobilisent les couches profondes.

Avant la cascade : le cache sémantique Un quasi-doublon d'une requête récente renvoie aussitôt la réponse mise en cache. Le triage et les six couches ci-dessous ne sont pas simplement contournés : ils sont intégralement ignorés.

  1. Routage explicite

    Vous l'avez nommé, un alias, un modèle ou une stratégie, donc cette couche résout la requête instantanément. Elle l'emporte toujours sur toutes les couches situées en dessous, et si ce que vous avez nommé ne peut pas réellement être satisfait, la requête échoue net plutôt que de retomber silencieusement sur autre chose.

  2. Triage

    Un modèle dédié lit l'intention et la complexité de la tâche et recommande une stratégie avant qu'aucun modèle du collectif ne s'exécute. Une analyse réelle, pas une table de correspondance, ce qui représente donc un véritable appel (modeste) en soi.

  3. Archive de configurations

    Se débloque après 5 résultats enregistrés

    Dès qu'au moins 5 résultats sont enregistrés pour une niche de tâche, Ailin¹ Collective réutilise ce qui a déjà fait ses preuves plutôt que de le redéterminer.

    Pas un choix unique de boîte noire : une banque de configurations d'élite suivies sur 6 axes d'optimisation, qualité, efficacité de coût, vitesse, équilibre, fiabilité, qualité par jeton, pour cette niche, de sorte que la stratégie et l'ensemble de modèles réutilisés soient ceux qui ont réellement gagné sur la dimension qui compte pour votre requête.

  4. Frontière coût / qualité / latence

    Se débloque après 3 résultats enregistrés

    Optimise directement le compromis multi-objectif (qualité, coût, vitesse, taux de réussite) dès que suffisamment d'historique existe, même sans correspondance exacte encore prouvée pour cette niche.

  5. Préférence de stratégie apprise

    Se débloque après 5 résultats enregistrés

    Un bandit Thompson Sampling pondère les stratégies selon leurs résultats réels et mesurés dans le temps, affinant les valeurs par défaut de la cascade elle-même, et s'audite lui-même : si son taux de récompense mesuré global tombe sous 95 % du meilleur instantané jamais enregistré, le bandit ramène automatiquement l'intégralité de son état appris à ce meilleur instantané connu.

  6. Heuristique de repli

    Si aucune couche précédente ne résout la requête, une heuristique déterministe et notée sélectionne la stratégie à partir du type de tâche, de la complexité et du pool de modèles disponibles. La résolution de la stratégie aboutit toujours à une décision, consignée dans strategy_used.

Après la cascade : le portail de gouvernance des coûts Quel que soit le choix des couches 1 à 6, sauf routage explicite de votre part, une dernière vérification peut encore rétrograder un choix collectif coûteux vers un modèle unique lorsque le gain estimé ne franchit pas le seuil requis. Seule une requête explicite échappe elle aussi à cette vérification.

Les couches 3 à 5 se débloquent indépendamment à mesure que l'historique d'utilisation s'accumule pour une niche de tâche, à partir de 3 résultats enregistrés pour la frontière coût/qualité/latence et jusqu'à 5 pour l'archive de configurations et le bandit de préférence apprise ; d'ici là, c'est l'heuristique déterministe et auditable de la couche 6 qui tranche chaque fois que les couches 1 et 2 ne résolvent pas la requête en premier.

31 stratégies. Chacune fondée sur la recherche.

Des dizaines de façons pour les modèles de penser ensemble, chacune auditable. Les différents problèmes exigent différentes formes de raisonnement collectif.

Aucune n'est improvisée. Chaque stratégie du catalogue correspond à un résultat précis et nommé de la recherche sur la coordination ou la décision collective, pas à une intuition interne déguisée en science.

  • consensus

    Théorème du jury de Condorcet (1785) : vote majoritaire entre 3 à 5 modèles, avec un seuil minimal de diversité pour que l'accord ne puisse pas venir de raisonnements clonés.

  • diversity-ensemble

    Théorème de prédiction par la diversité de Hong et Page (PNAS, 2004) : compose par construction une équipe qui maximise la diversité sur tous les axes.

  • debate

    Les modèles s'opposent au fil de tours structurés, avec un modérateur.

  • swarm-explore

    Exploration parallèle, sélectionnée automatiquement par le triage pour les travaux ouverts de conception et d'architecture.

  • stigmergic-refinement

    Convergence par un artefact partagé plutôt que par un vote, sélectionnée automatiquement par le triage pour la rédaction de forte complexité.

  • expert-panel

    Revue indépendante multi-rôles avant l'envoi d'une réponse, adressable directement pour les requêtes à forte exigence de vérification.

  • tri-role-collective

    Planner, Solver, Auditor : une machine à états déterministe, pas un coordinateur entraîné, qui empêche structurellement l'Auditor d'être le même modèle ou la même passe de raisonnement que celle qui vient de produire la réponse en tant que Solver.

  • +24 autres stratégies

Ce n'est pas vous qui choisissez le modèle. C'est le Collectif Ailin¹.

De la simplicité quand la tâche est simple. De la profondeur quand elle ne l'est pas. Vous fixez les bornes, le Collectif Ailin¹ décide à l'intérieur, et un champ le surpasse toujours. Les tâches créatives passent par un seul modèle, par défaut. Les tâches vérifiables passent en collectif.

Vous n'avez jamais à décider si une requête a besoin d'un modèle ou de cinq. Chaque requête passe par Ailin¹ Collective, la même cascade de routage qui se trouve derrière ailin-auto, avant qu'un seul modèle ne soit appelé. Vous savez exactement ce que vous voulez ? Nommez-le : un alias comme ailin-fast, un modèle précis, ou strategy: "single", et Ailin¹ Collective l'honore immédiatement, sans négociation, sans latence supplémentaire. Ne dites rien, et la cascade lit la tâche elle-même et choisit une forme qui lui convient. Exécuter un modèle unique via Ailin¹ n'est ni un repli ni une régression. C'est une voie de premier plan qu'Ailin¹ Collective emprunte constamment, délibérément.

Modèle unique

Une voix cohérente du début à la fin. Coût réduit, latence réduite, et exactement aussi accessible que l'alternative.

ailin-fast

Collectif multi-modèles

Des proposants indépendants travaillent en parallèle, vérifiés et réconciliés par un synthétiseur avant que vous ne voyiez une seule réponse, afin que la divergence soit interceptée avant de vous atteindre, pas après.

ailin-consensus

Qu'en est-il du travail créatif et des refactors ?

Sur les tâches objectivement vérifiables, vérifiées par machine et non par un jugement de goût, c'est le collectif qui l'emporte. Sur le travail créatif ouvert, un modèle unique bien choisi l'emporte tout aussi nettement. C'est précisément pour cela que le triage existe : la cascade ne fait pas la moyenne entre les types de tâches, elle les distingue. Le travail créatif passe en mode unique par défaut. Le travail vérifiable passe en mode collectif.

Tâches vérifiables 97 %

de précision (37 sur 38), contre 68 à 82 % pour les modèles de pointe isolés. Le vérificateur n'a jamais laissé passer une réponse fausse sur trois cycles complets.

Vous ne choisissez pas entre simple et approfondi en mémorisant quand utiliser l'un ou l'autre. Vous dites ce que vous savez, Ailin¹ Collective complète ce que vous n'avez pas dit, et la commande manuelle reste toujours à un seul champ de distance.

Construisez avec l'Intelligence Collective ⭐ Mettez une étoile à Collective Intelligence sur GitHub

Des milliers de modèles. Seuls les bons montent sur scène.

Le Collectif est l'avantage

L'accès à davantage de modèles n'est pas la percée. La percée, c'est ce qui se passe quand des intelligences différentes travaillent ensemble. Ailin¹ transforme un écosystème découvert en continu de 101 986 identifiants de modèles en un collectif, puis n'active que le sous-ensemble dont chaque stratégie a besoin.

101 986 identifiants de modèles détectables. Ce qui s'exécute est choisi pour la diversité, pas compté pour la taille.

  • Toujours à jour

    Un modèle nouvellement publié est indexé dès le cycle de découverte où il apparaît, sans attendre de cycle de publication.

  • Plein spectre

    Texte, vision, audio et embeddings dans le même catalogue, derrière le même point de terminaison.

Pourquoi l'intelligence devient plus puissante quand elle devient collective

L'IA a été construite autour de modèles individuels. La prochaine frontière est collective. Un modèle individuel peut être extraordinaire, il porte toujours sa propre architecture, son historique, ses angles morts et ses modes d'échec. L'Intelligence Collective fait que des modèles indépendants apportent des perspectives différentes, défient les hypothèses, se spécialisent, comparent des alternatives et vérifient les résultats quand la tâche le permet. Ce qui suit n'est pas une liste de souhaits : ce sont cinq mécanismes en production dès maintenant.

Un coût de modèle unique, quand cela compte

Sur les tâches qu'une machine peut vérifier, un vérificateur déterministe accepte immédiatement la bonne réponse et court-circuite le reste du collectif, si bien que le coût sur ces tâches se rapproche bien plus de celui d'un modèle unique que du reste du collectif, précisément là où l'avantage de précision du collectif est le plus fort.

Résilience

La panne d'un fournisseur n'a pas à devenir la vôtre. Le collectif contourne de lui-même les modèles dégradés et les défaillances, et chaque réponse porte toujours la traçabilité de la décision : quelle stratégie a tourné, quels modèles, et quel en a été le coût.

Diversité par construction

Fournisseur, architecture et objectif d'entraînement sont dissociés par une sélection en tourniquet (round-robin), si bien que deux modèles consécutifs dans une même exécution ne partagent jamais le même fournisseur. C'est le théorème de prédiction par la diversité de Hong et Page intégré directement dans la couche de routage, pas l'espoir que des données d'entraînement différentes finissent par diverger utilement. Cela met en évidence les angles morts ; cela ne promet pas de les effacer.

Aucun fournisseur unique ne possède votre produit

Un collectif s'étend sur plusieurs fournisseurs, de sorte que la feuille de route, les prix ou la politique d'un seul fournisseur ne définissent pas votre produit à eux seuls.

Le bon spécialiste, en temps réel

Le bon spécialiste pour la bonne tâche : raisonnement, code, vision, contexte long ou faible latence, élu en temps réel pour chaque requête.

Questions fréquentes

Des réponses directes, avec le champ, le fichier ou le chiffre derrière chacune. Si nous l'affirmons, vous pouvez le vérifier.

Intégration & bases

Oui. La surface principale (chat/completions, responses, embeddings, models) est compatible sans modification, avec un bloc additionnel ailin_metadata qui porte la traçabilité des décisions. Pointez votre client existant vers le point de terminaison Ailin¹, changez l'en-tête d'authentification, et la même forme de requête fonctionne.

Conçue pour l'Intelligence Collective, et c'est une affirmation technique précise, pas un slogan. Le routage décide où va une requête ; l'orchestration exécute une séquence que vous écrivez vous-même ; l'Intelligence Collective est la couche qui définit comment plusieurs modèles raisonnent, se vérifient mutuellement et synthétisent ensemble, le routage, l'orchestration et la vérification étant des mécanismes qui la servent. Ces mécanismes s'appuient sur des recherches nommées : le théorème de prédiction par la diversité de Hong et Page (PNAS, 2004), le théorème du jury de Condorcet (1785), et le facteur d'intelligence collective « c » de Woolley et al. (Science, 2010). Une stratégie porte même ce nom dans le code source : diversity-ensemble est livrée sous le nom « Diversity Ensemble (Page Theorem) ». Une requête active plusieurs modèles sous l'une de ces stratégies, puis renvoie une seule réponse avec la traçabilité de la décision expliquant comment elle a été obtenue.

Le catalogue actif contient 101 986 identifiants de modèles détectables, découverts en continu et étiquetés par capacité chez des dizaines de fournisseurs, jamais une liste statique retouchée à la main. Une requête unique ne les sollicite jamais tous : chaque stratégie collective n'active que le sous-ensemble dont elle a besoin, jamais le catalogue entier.

Collectif Ailin¹ & stratégies

ailin-auto (valeur par défaut équilibrée, laissez la cascade décider), ailin-best (qualité d'abord, coût sans limite), ailin-fast (latence d'abord, modèle unique), ailin-economy (coût d'abord, plafond strict appliqué), ailin-consensus (exactitude par vérification croisée indépendante). Commencez par ailin-auto. N'en choisissez un autre que si vous savez quelque chose que le routeur ignore.

Par défaut, c'est Ailin¹ qui décide, via la cascade de routage d'Ailin¹ Collective : d'abord le routage explicite si vous avez nommé quelque chose, puis le triage sinon. Vous pouvez passer outre n'importe quelle couche en fixant directement un modèle, un alias ou une stratégie, et ce choix l'emporte toujours. La plupart des intégrations n'en ont jamais besoin.

Une cascade en couches, évaluée du plus rapide au plus lent : le routage explicite si vous l'avez nommé ; le triage, qui classe la tâche et l'associe à une stratégie ; une archive de configurations qui réutilise ce qui a historiquement fonctionné pour cette niche de tâche précise ; une frontière coût/qualité/latence qui optimise directement le compromis ; et une préférence de stratégie apprise (un bandit à échantillonnage de Thompson) qui pondère les stratégies selon leurs résultats réels dans le temps. L'archive de configurations et le bandit de préférence apprise nécessitent au moins 5 résultats enregistrés pour une niche donnée avant de s'activer, et la frontière coût/qualité/latence se déverrouille dès 3 ; d'ici là, une heuristique de repli déterministe et auditable tranche, la même heuristique qui sert de filet de sécurité à chacune des couches précédentes si aucune d'elles ne résout la requête.

31 sont enregistrées dans le moteur d'orchestration, du modèle unique routé jusqu'aux essaims de neuf agents explorant un problème en parallèle. Quinze sont sélectionnables automatiquement dans la cascade de routage ; les seize autres sont uniquement explicites et ne s'exécutent que lorsque vous les nommez. Vous pouvez aussi adresser n'importe laquelle directement sous la forme <strategy>:<tier>, par exemple consensus:large, verrouillant le mécanisme exact et le palier tarifaire.

Sur l'écriture créative ouverte et la refactorisation de code, nos propres comparaisons de stratégies (sur petit échantillon) montrent qu'un modèle unique performant devance nettement le collectif complet. Sur les tâches objectivement vérifiables, cette comparaison s'inverse : une stratégie de consensus vérifiée a obtenu 37 sur 38 (97 %), contre 68 à 82 % pour les modèles de pointe testés individuellement à ses côtés. Ailin¹ n'impose pas le consensus à ces requêtes par défaut, et il ne vous enferme jamais non plus dans sa propre intuition, dans un sens comme dans l'autre : un seul champ vous donne une voix unique et cohérente (ailin-fast, strategy: "single"), et ce même champ vous donne une vérification multi-modèles indépendante (expert-panel, tri-role-collective) si c'est réellement ce que vous voulez à la place.

Coût & responsabilité

Oui, requête par requête. max_cost plafonne strictement la dépense avant qu'aucun modèle ne soit appelé ; si le coût estimé de la stratégie qui serait exécutée le dépasse, la requête échoue avec 400 strategy_budget_exceeded au lieu de dépenser en silence au-delà du budget. quality_target est le plancher associé. Chaque réponse renvoie le chiffre réel : ailin_metadata.cost_usd, avec un détail poste par poste. Les stratégies multi-modèles coûtent sensiblement plus cher qu'un modèle unique. Pour les tâches qu'une machine peut vérifier (extraction structurée, mathématiques, code avec tests, questions factuelles), cette prime disparaît presque totalement : quand le court-circuit déterministe d'une stratégie vérifiée se déclenche, notre dernier benchmark de pointe a mesuré un coût collectif d'environ 2,98 $/Mtok, soit environ 100 fois moins cher que le chemin collectif non vérifié, et du même ordre de grandeur que la tarification d'un modèle unique.

Chaque réponse porte ailin_metadata.final_decider_model_id, le modèle exact qui a produit votre réponse, ainsi que final_decider_role (primary, synthesizer, fallback ou cache) et un tableau complet subcalls[] listant chaque participant avec son propre coût, sa latence et son résultat. Si vous remontez un problème de qualité à un fournisseur, c'est cet identifiant qui compte, pas « l'API Ailin¹ ». Si vous devez reconstituer pourquoi une décision multi-modèles a abouti à ce résultat précis, activez la trace de coordination persistée : GET /v1/collective/runs/:id/trace renvoie une chronologie de chaque phase à la milliseconde près, construite de sorte qu'un client ne puisse jamais confirmer l'existence même de l'exécution d'un autre client : une recherche sur l'ID d'exécution d'un tiers renvoie le même 404 qu'une exécution qui n'a jamais existé.

Preuves & confiance

Sur un benchmark de 10 tâches objectivement vérifiables (réponses contrôlables par machine, pas un jugement de goût), exécuté 38 fois, une stratégie de consensus associée à un vérificateur déterministe a répondu correctement 37 fois sur 38 dans notre propre évaluation, contre 68 à 82 % pour les modèles de pointe individuels testés en parallèle (GPT-5.5-pro, Claude Opus 4.8, Gemini 3.1 Pro, Grok 4.3). Sur les trois cycles complets, le vérificateur n'a jamais une seule fois sélectionné une réponse objectivement fausse. Sans lui, les autres stratégies collectives retombent dans la même fourchette que les modèles phares seuls, si bien que l'avantage dépend du vérificateur, pas des modèles supplémentaires. Pour être complet : le modèle de pointe le plus fort a aussi obtenu 100 % sur le seul deuxième cycle (15 exécutions), lisez donc les 97 % à l'échelle du protocole complet à trois cycles plutôt que comme une promesse cycle par cycle. Le score rapporté peut être recalculé à partir des sorties brutes publiées et du vérificateur d'évaluation. Lancez-le vous-même plutôt que de nous croire sur parole.

Non, pas vos prompts bruts. Le pipeline d'export des données d'entraînement ne touche jamais au contenu des prompts : il exporte uniquement des métadonnées opérationnelles anonymisées (stratégie utilisée, coût, latence, scores de qualité), avec des identifiants de trace hachés via SHA-256, additionnés d'un pepper secret et tronqués à 16 caractères, et les identifiants de votre organisation et de vos utilisateurs retirés avant toute mise en préparation. Si ce pepper n'est pas configuré, la tâche d'export refuse de s'exécuter plutôt que d'exporter des données non protégées.

L'authentification, le cloisonnement des clients, l'application des quotas, le routage filtré par capacité et le traçage des requêtes s'exécutent sur chaque appel. C'est déjà en production aujourd'hui, tout comme le volet chaîne d'approvisionnement et licences : les points de terminaison de conformité AGPL section 13 (/source, /license), la provenance de version SLSA/Sigstore et un SBOM au format SPDX accompagnent chaque version publiée. Ce qui n'est pas encore fait : la certification formelle. SOC 2 et ISO 27001 sont en cours, pas certifiés, donc si vos achats ont besoin d'une attestation précise, demandez-la à votre équipe commerciale plutôt que de la déduire d'un contenu marketing, le nôtre inclus. Vous n'êtes pas non plus obligés de nous croire sur parole : le moteur de coordination derrière les chiffres de cette page est public sur github.com/ailinone/collective-intelligence (AGPL-3.0-or-later), scripts de benchmark et données brutes inclus.

L'Ère Collective de l'IA a déjà commencé

Sur des tâches vérifiables, notre consensus vérifié a obtenu 37 sur 38, contre 68 à 82 % pour des modèles de pointe isolés, et n'a jamais une seule fois choisi une réponse fausse. Ce n'est pas une promesse : c'est un benchmark publié, avec le moteur, les scripts et les données brutes ouverts à la vérification de tous. Le modèle devient un composant. Le collectif devient l'intelligence.

Ouvrir Ailin¹ Chat Demander un accès Construisez avec l'Intelligence Collective ⭐ Mettez une étoile à Collective Intelligence sur GitHub