Presis apporte la classification hébergée en propre à la plateforme d’agents de Boost.ai

Le 10 novembre 2026, boost.ai a annoncé le lancement de Presis, un modèle de langage hébergé en propre qui prend les décisions de classification liées aux conversations avec des agents d’IA. L’entreprise indique que, lors de tests internes, le modèle s’est révélé au moins 2,5 fois plus rapide que ceux qu’il remplace, l’écart étant particulièrement marqué aux heures de pointe et dans les applications vocales d’IA.

Presis détermine quelle partie d’un agent d’IA doit répondre, si une question relève de son champ d’application, si une réponse peut être présentée sans risque à l’utilisateur final et comment les conversations achevées doivent être examinées. Dans les déploiements vocaux, ces vérifications de routage et de sécurité doivent être terminées avant qu’une réponse puisse commencer, ce qui place directement la classification dans le parcours de réponse. Selon l’entreprise, Presis prend déjà en charge ces décisions sur la plateforme, et son déploiement plus large sur l’ensemble de celle-ci se poursuivra au cours des prochaines semaines.

Performances et infrastructure

Les tests internes de l’entreprise font état d’une baisse moyenne de 33 % du coût des jetons et d’une amélioration de la précision pour les cinq fonctionnalités de classification, allant de 0,5 à 7,9 points de pourcentage selon la fonctionnalité.

Le directeur technique Rasmus Hauch a déclaré que le fait de contrôler « chaque partie de la pile sur laquelle il fonctionne » permet au modèle spécialisé dans la classification de continuer à s’améliorer. Sa documentation de la version 14 indique que les modèles affinés sont hébergés sur des grappes de serveurs dédiées, gérées en interne, avec pour objectifs des temps de réponse faibles et une grande capacité.

Presis fonctionne sur AWS, dans la même région que celle qui héberge déjà l’instance de chaque client ; le lieu de traitement indiqué dans la documentation reste donc inchangé. AWS est déjà un sous-traitant approuvé : le modèle n’introduit donc aucun nouveau sous-traitant et ne nécessite ni modification de l’accord de traitement des données ni accord supplémentaire.

L’entreprise affirme que ce contrôle de bout en bout soustrait les décisions de routage, de périmètre et de sécurité aux risques de pannes, de délais d’attente et de variations de capacité chez les tiers.

La version 14 sépare la génération de la classification

La version 14 répartit les tâches liées aux modèles de langage de la plateforme entre la génération et la classification. GPT-5.1 est obligatoire pour les fonctionnalités intégrées de génération de texte et constitue le modèle par défaut des nouvelles actions agentiques, tandis que Presis prend en charge le composant de classification de l’orchestrateur d’agents, de l’apprentissage à partir de quelques exemples, de l’examen par IA, du détecteur de questions hors périmètre et des garde-fous système. Les clients doivent configurer GPT-5.1 avant la mise à niveau ; sans cela, la migration du système échouera.

Cette architecture réduit le choix de fournisseurs de modèles pour la classification intégrée. La prise en charge de modèles externes apportés par les clients ainsi que les options de configuration des fournisseurs sont supprimées pour ces tâches, tandis que cette possibilité reste offerte pour les actions agentiques génératives, les actions LLM et les garde-fous.

Migration et transition entre modèles

L’entreprise relie cette transition plus générale au retrait de GPT-4o, GPT-4.1, GPT-4.1-mini et GPT-4.1-nano sur Azure, prévu par Microsoft en avril 2027. Les premières fonctionnalités de migration et de test ont été introduites avec la version 12.8.3 en août 2026, et le déploiement en production des changements obligatoires de la version 14 devait commencer à la mi-octobre 2026.

Presis est le nouveau nom de Boost Native Model ; boost.ai explique que ce nom norvégien évoque la précision et la ponctualité et que ce changement n’a pas modifié le fonctionnement du modèle.

L’entreprise évalue également une approche similaire reposant sur des modèles dédiés pour les fonctionnalités génératives. Pour les clients, le compromis immédiat consiste à bénéficier d’un contrôle plus étroit de la plateforme et de gains d’efficacité rapportés, au prix d’une liberté réduite dans le choix du fournisseur pour la classification intégrée ; toute extension plus large à la génération reste à l’étude et ne constitue pas un lancement confirmé.