L'agent personnel n'est pas un chatbot avec des boutons. C'est la thèse défendue par Jiang Guanjun, responsable des algorithmes IA de la division Qwen d'Alibaba, lors de la conférence CNCC 2026, le 22 octobre. Pour lui, un véritable agent personnel doit combiner trois couches : le modèle, la mémoire et l'écosystème. Et c'est la deuxième qui pourrait bien décider de la suite.
Qwen n'est pas le seul à vouloir transformer son assistant en agent capable d'agir. Meta, OpenAI et Google poursuivent la même idée : un logiciel qui connaît l'utilisateur, se souvient de ses demandes et exécute des tâches dans plusieurs services. Mais Qwen a un atout que peu d'acteurs possèdent : l'écosystème d'Alibaba, avec le commerce en ligne, la livraison, le paiement, les services locaux et le cloud.
Du dialogue à l'assistant
Jiang Guanjun découpe l'évolution de l'IA en trois étapes. D'abord le dialogue : l'utilisateur pose une question, le modèle répond. Ensuite l'agent : le modèle utilise des outils et exécute une tâche. Enfin l'assistant : le système combine les compétences générales, le contexte personnel et les services extérieurs pour atteindre un objectif, et même anticiper des besoins que l'utilisateur n'a pas formulés.
Selon lui, l'IA se dirige aujourd'hui vers cette troisième étape. L'agent personnel pourrait, en théorie, résoudre « près de 100 % » des problèmes du quotidien — travail, études, vie personnelle. Le conditionnel est important : cette limite théorique dépend de la capacité du système à faire correspondre ses compétences aux chemins de résolution de chaque problème. C'est là que le modèle, la mémoire et l'écosystème interviennent.
Le modèle : 8 000 capacités « atomiques »
Qwen ne cherche pas seulement un modèle plus intelligent. Il cherche un modèle plus stable dans l'exécution. Pour cela, l'équipe a construit une carte des besoins des utilisateurs couvrant plus de 30 secteurs, et y a associé plus de 8 000 « capacités atomiques » attendues du modèle. Des experts métier participent à l'évaluation et à l'optimisation, afin de mieux comprendre les demandes réelles et les tâches complexes.
Il faut lire ce chiffre pour ce qu'il est : un référentiel interne, pas un catalogue de produits. Il sert à découper les tâches et à identifier les compétences manquantes. C'est une approche d'ingénierie classique, mais elle montre l'ampleur du travail : un agent personnel ne se contente pas de répondre ; il doit savoir faire, et savoir quand il ne sait pas.
La mémoire : le vrai différenciateur
C'est la partie la plus intéressante. Jiang Guanjun explique qu'un agent personnel doit comprendre l'utilisateur dans la durée, relier les informations anciennes aux besoins actuels, et éviter deux écueils : accumuler brutalement les conversations, ce qui produit du bruit et augmente le coût de raisonnement ; et oublier le contexte, ce qui transforme l'assistant en chatbot générique.
Qwen dit analyser les relations entre les événements pour construire une mémoire par couches, stockée et rappelée selon la force de l'association. L'exemple donné par Jiang est celui d'une personne âgée : l'IA peut relier une conversation passée sur sa pension à une question sur l'emploi de son enfant, et proposer une réponse adaptée à la situation familiale. Ce n'est pas de la simple recherche dans un historique : c'est une tentative de modéliser le contexte.
C'est aussi là que se joue la stratégie. Un modèle peut être remplacé par un autre ; une mémoire personnelle, beaucoup moins. Plus l'agent connaît l'utilisateur, plus il est utile, et plus le coût de départ est élevé. Certains analystes y voient le prochain verrou : le modèle devient une commodité, la mémoire devient la barrière. Si elle n'est pas exportable, l'utilisateur est captif de l'écosystème qui la détient.
« Ce qui vous enferme n'est pas le modèle, c'est la mémoire. » — analyse de WAKENEX, 25 octobre 2026
L'écosystème : agir, pas seulement répondre
La troisième couche est l'écosystème. Qwen veut construire un service ouvert, centré sur le modèle, qui intègre des connaissances professionnelles, des outils, des compétences métier et des agents tiers. L'objectif : connecter le commerce, la vie locale, la santé, l'éducation et d'autres services, pour que l'agent puisse exécuter des tâches complexes dans le monde réel.
La combinaison des trois couches doit produire ce que Jiang appelle un service « proactif ». La mémoire fournit le contexte personnel, le modèle identifie les besoins et planifie, l'écosystème exécute. Dans la santé, l'agent pourrait suivre un programme de rééducation et son impact sur la vie quotidienne. Dans la finance, il pourrait signaler un nouveau risque ou une opportunité. On est loin du simple résumé de documents.
Qwen Go!, la partie visible
La partie la plus concrète s'appelle Qwen Go!, un agent personnel intégré à l'application Qwen — pas une application séparée. Il est en test, avec un accès progressif. Qwen Go! peut gérer des tâches comme une demande d'indemnisation pour un vol retardé, une protection de prix sur un achat, un devis et un rendez-vous pour l'entretien d'une voiture, ou la réservation d'un terrain de sport.
Dans une démonstration rapportée par TechNode, l'agent a consulté l'historique de vols d'un utilisateur, identifié un vol retardé, tenté un appel, puis basculé vers le chat du service client. Après avoir refusé un bon d'achat, il a négocié une indemnisation en espèces de 70 yuans, transférée sur Alipay. L'utilisateur pouvait voir les actions à l'écran, intervenir ou arrêter le processus. C'est un exemple choisi par Qwen, pas un test indépendant, mais il illustre la promesse : un agent qui navigue entre les services, et pas seulement entre les phrases.
Qwen Go! a aussi lancé une fonction « Mes applications ». L'idée : décrire un besoin en langage naturel, sans coder, et laisser l'agent construire une petite application pour la vie quotidienne, le travail ou les études. Qwen observe par ailleurs une hausse d'environ 60 % de la consommation moyenne de tokens pour les tâches complexes en trois mois. Les utilisateurs demandent plus, et les tâches coûtent plus cher.
Les limites
Il faut rester prudent. La présentation de Jiang Guanjun est un discours de conférence, pas une publication scientifique. Les 8 000 capacités sont un référentiel interne, pas une preuve de performance. Qwen Go! est en test, et les exemples de vol retardé ou de protection de prix sont des démonstrations. Les sources consultées ne fournissent pas de benchmark indépendant sur la fiabilité de l'agent pour des tâches longues, imprévisibles et coûteuses.
La question de la mémoire soulève aussi des problèmes de vie privée et de portabilité. Si l'agent connaît les habitudes, les achats, la santé ou les conversations d'un utilisateur, qui contrôle ces données ? Peut-on les exporter ? Que se passe-t-il en cas de changement de fournisseur ? Qwen n'a pas détaillé publiquement ces points dans les sources consultées. C'est pourtant ce qui déterminera si l'agent personnel est un outil ou un piège.
La compétition est lancée. Les modèles se ressemblent de plus en plus sur les benchmarks ; la différence se fera sur la mémoire, l'intégration aux services et la confiance. Qwen a un écosystème et une distribution. Il lui reste à prouver que son agent est fiable, sûr et réellement portable. La bataille de l'IA ne se joue plus seulement dans le modèle. Elle se joue dans ce qu'il retient de vous.