Ajax AI de PewDiePie défie le contrôle d’OpenAI avec un agent domestique privé

PewDiePie a dévoilé Ajax, un modèle d’IA de 9 milliards de paramètres destiné aux ordinateurs domestiques, après qu’OpenAI aurait banni son compte à deux reprises pendant son développement. Le projet Ajax AI de PewDiePie doit alimenter Odysseus, son espace de travail auto-hébergé pour un assistant autonome et toujours disponible.

L’annonce dessine un conflit plus net qu’un simple lancement technologique de célébrité. Ajax promet une automatisation locale et privée avec moins de refus, mais PewDiePie affirme qu’OpenAI a restreint le processus même utilisé pour l’entraîner.

Le résultat oppose le développement indépendant de modèles locaux aux contrôles imposés par les fournisseurs commerciaux d’IA. Ajax rejoint également des assistants auto-hébergés tels qu’OpenClaw et Hermes Agent de Nous Research.

Ajax n’est toutefois pas un produit achevé et testé de manière indépendante. Sa page publique indique désormais que le modèle arrivera lorsqu’il sera prêt, sans date de sortie ferme. Ses performances, sa sécurité, ses besoins matériels et son comportement en matière de confidentialité restent donc à confirmer.

Le modèle Ajax AI de PewDiePie est dévoilé, mais pas encore disponible

Ajax fait passer Odysseus d’un espace de travail neutre vis-à-vis des modèles à un projet construit autour de son propre assistant local.

PewDiePie a présenté Ajax dans une vidéo publiée autour de l’annonce du projet, le 2 octobre. Selon la page du modèle Ajax qui l’accompagne, il s’agit d’une version affinée de Qwen3.5-9B.

Un modèle affiné reçoit un entraînement supplémentaire pour adopter certains comportements ou accomplir des tâches particulières. Dans le cas d’Ajax, ces tâches sont centrées sur l’utilisation d’outils au sein de l’espace de travail Odysseus.

La page décrit Ajax comme un « agent toujours actif » capable de rechercher, naviguer sur le web, accéder aux e-mails et travailler avec un calendrier. Elle affirme aussi que ces tâches quotidiennes peuvent être réalisées de manière privée.

Cette formulation est importante, car un agent fait davantage que répondre à des questions. Il peut planifier des étapes, sélectionner des outils et agir sur des services connectés avec une supervision limitée.

La proposition de PewDiePie va donc au-delà de la discussion privée. Ajax est censé fournir la couche de raisonnement d’un assistant qui reste actif et exécute des tâches dans un environnement contrôlé par l’utilisateur.

Odysseus fournit l’espace de travail qui l’entoure. Son dépôt public décrit le projet comme auto-hébergé, ce qui signifie que les utilisateurs l’exploitent sur une infrastructure qu’ils contrôlent.

Cette combinaison sépare l’interface du modèle. Odysseus gère l’environnement de travail, tandis qu’Ajax est entraîné à naviguer parmi les outils disponibles en son sein.

Le projet marque également une évolution dans les activités publiques de PewDiePie. Felix Kjellberg reste surtout connu pour YouTube, mais il documente de plus en plus ses expérimentations en programmation, Linux et auto-hébergement.

Son audience offre à Ajax une distribution inhabituelle pour un petit projet d’IA. La plupart des modèles entraînés de manière indépendante doivent d’abord attirer l’attention des développeurs avant d’atteindre le grand public.

Ajax part de l’avantage inverse. Des millions de personnes connaissent son créateur, même si peu ont évalué le modèle ou installé son espace de travail.

L’annonce ne constitue toutefois pas une sortie générale. Selon les premiers reportages, la page Ajax affichait initialement un compte à rebours. Elle indique désormais que PewDiePie publiera le modèle lorsqu’il sera prêt.

Ce changement introduit une première réserve importante. Ajax existe comme projet de développement démontré, mais les utilisateurs potentiels ne peuvent pas encore vérifier la version publique complète décrite dans l’annonce.

PewDiePie a indiqué qu’il devait encore réaliser de l’apprentissage par renforcement, de la quantification et des tests de performance. L’apprentissage par renforcement ajuste le comportement à partir de retours, tandis que la quantification compresse un modèle afin de le faire fonctionner sur du matériel moins exigeant.

Chaque étape peut modifier le comportement du modèle final. Un modèle fonctionnel durant le développement peut différer du package finalement proposé aux utilisateurs à domicile.

Le report de la sortie est donc plus qu’un détail de calendrier. Il rend les promesses centrales d’Ajax dépendantes de la documentation, des poids téléchargeables, de tests reproductibles et d’installations réelles.

Pourquoi le bannissement d’OpenAI pour distillation est devenu l’histoire principale

Les deux bannissements de compte rapportés exposent la frontière entre la personnalisation autorisée d’un modèle et l’entraînement d’un concurrent potentiel à partir de sorties propriétaires.

PewDiePie affirme qu’OpenAI l’a banni à deux reprises pendant qu’il développait Ajax. Dans sa vidéo, il montre un e-mail qui identifierait la « distillation » comme motif de l’une des désactivations de compte.

La distillation de modèles entraîne un modèle plus petit à partir des réponses d’un modèle plus capable. Le système plus petit apprend des schémas issus de ces sorties sans reproduire l’architecture complète du modèle plus grand.

La technique n’est pas intrinsèquement interdite. OpenAI a même publié un flux de travail intégré de distillation de modèles permettant d’utiliser certaines sorties d’OpenAI pour améliorer des modèles OpenAI plus petits.

Le différend porte sur la destination de ces sorties. Les conditions publiées par OpenAI interdisent d’utiliser les sorties pour développer des modèles concurrençant OpenAI.

Selon PewDiePie, son compte a été rétabli après le premier incident. Il affirme que le second bannissement a suivi une nouvelle exécution destinée à créer des données initiales pour Ajax.

Les données initiales fournissent des exemples susceptibles d’ancrer un processus d’entraînement plus vaste. Elles peuvent inclure des prompts, des réponses privilégiées, des traces d’utilisation d’outils ou des démonstrations du comportement de raisonnement recherché.

OpenAI n’a pas publiquement fourni d’exemples issus du compte de PewDiePie. L’e-mail disponible, tel qu’il est décrit dans la vidéo et les premiers reportages, ne révèle ni la méthode de détection ni le jeu de données contesté.

L’absence de ces éléments limite toute conclusion définitive. PewDiePie présente les bannissements comme une réponse à la distillation, mais les observateurs extérieurs ne peuvent pas examiner l’activité du compte concerné ni l’examen de l’application des règles.

L’action rapportée correspond néanmoins à un conflit plus large dans le secteur. Les entreprises proposant des modèles de pointe considèrent l’extraction à grande échelle comme une préoccupation à la fois de propriété intellectuelle et de préservation de leur avance technique.

La distillation peut transférer un comportement utile vers un modèle plus petit et moins coûteux. Elle est donc précieuse pour l’efficacité, mais commercialement sensible lorsque l’enseignant et l’élève appartiennent à des fournisseurs différents.

PewDiePie présente la question selon un autre critère. Il soutient que les entreprises d’IA ont entraîné leurs systèmes sur d’énormes quantités de contenus humains existants, puis ont limité la manière dont leurs clients pouvaient réutiliser les sorties générées.

Cette critique trouve un écho chez les défenseurs des modèles ouverts. Ils se demandent si les principaux fournisseurs peuvent revendiquer un large accès aux données publiques tout en imposant des contrôles étroits sur l’expérimentation en aval.

La comparaison ne résout toutefois pas la question contractuelle. Les différends relatifs aux données d’entraînement, au droit d’auteur, à la propriété des sorties et aux conditions de service font intervenir des droits et théories juridiques différents.

Les utilisateurs peuvent posséder des sorties individuelles selon les conditions d’un fournisseur tout en acceptant des limites quant à leur utilisation. La propriété et l’usage autorisé d’un service ne sont pas toujours identiques.

Cette incertitude crée un risque pratique pour les développeurs indépendants. Un projet dépendant de l’API d’un autre fournisseur peut perdre son accès avant que son travail d’entraînement ou d’évaluation ne soit terminé.

Il peut également susciter des questions sur la provenance du jeu de données après sa sortie. Développeurs, distributeurs et utilisateurs en entreprise peuvent demander des preuves indiquant quels systèmes ont généré les exemples d’entraînement.

Pour Ajax, l’histoire du bannissement façonne désormais les attentes avant même les benchmarks. Le projet est évalué en partie comme une contestation du contrôle des fournisseurs, et non simplement comme un autre affinage de Qwen.

Cette attention aide PewDiePie à expliquer l’importance des modèles locaux. Elle rehausse aussi le niveau de transparence attendu lorsque Ajax deviendra téléchargeable.

Un agent local non censuré échange les limites du fournisseur contre la responsabilité de l’utilisateur

La suppression des refus du modèle donne davantage de contrôle aux utilisateurs, mais un agent doté d’outils peut transformer une réponse dangereuse en action externe.

La page Ajax indique que le comportement de refus du modèle a été « supprimé » afin d’offrir une expérience moins restreinte. L’ablation consiste à retirer ou à supprimer des caractéristiques apprises associées à un comportement indésirable.

PewDiePie affirme avoir utilisé un système open source appelé Heretic pour automatiser ce processus. L’objectif déclaré était de réduire les refus sans dégrader les capacités plus générales du modèle.

« Non censuré » reste une étiquette imprécise. Elle peut désigner moins de refus sur des sujets controversés, un entraînement à la sécurité moins strict ou moins de restrictions sur l’utilisation des outils.

Ces différences deviennent essentielles lorsqu’un modèle contrôle les e-mails, un navigateur ou un calendrier. Un chatbot peut produire une réponse nuisible, tandis qu’un agent peut aussi envoyer, supprimer, planifier ou divulguer des informations.

PewDiePie affirme qu’Ajax n’est pas conçu pour fournir des instructions dangereuses et exploitables. Il décrit également une limite contre la facilitation de préjudices envers autrui ou envers soi-même.

Ces déclarations suggèrent qu’Ajax conservera certaines limites comportementales. Elles montrent aussi pourquoi « non censuré » ne doit pas être interprété comme l’absence totale de restrictions.

Le véritable profil de sécurité dépendra de plus que du modèle. Odysseus devra déterminer aux outils auxquels Ajax peut accéder, quelles actions exigent une confirmation et comment les identifiants restent isolés.

Un modèle privé disposant d’autorisations de compte sans restriction peut créer un risque personnel plus important qu’un modèle hébergé aux intégrations plus limitées. L’exécution locale change la personne qui gère les garde-fous, et non la nécessité de ces garde-fous.

Les e-mails offrent un exemple simple. Un assistant pourrait résumer une boîte de réception de manière privée, tout en interprétant mal un message malveillant et en suivant les instructions qui y sont intégrées.

Cette attaque est appelée injection de prompt : un contenu non fiable tente alors de contourner les instructions prévues pour un agent. La navigation web et l’analyse de documents exposent régulièrement les agents à ce risque.

L’accès au calendrier présente des risques moindres, mais toujours significatifs. Un agent pourrait divulguer un événement privé, inviter le mauvais destinataire ou accepter une instruction dissimulée dans une page web.

Le même compromis apparaît dans l’accès aux fichiers. Le traitement local peut empêcher l’envoi de documents à un modèle distant, mais des autorisations étendues peuvent exposer tous les dossiers accessibles.

Les utilisateurs ont donc besoin de contrôles à la frontière des outils. La conception la plus robuste accorderait le minimum d’accès nécessaire et demanderait une approbation avant les actions ayant des conséquences.

Les journaux d’audit comptent également. Un utilisateur devrait pouvoir voir ce que l’agent a lu, quel outil il a sélectionné et quelles informations ont quitté la machine.

La suppression des refus au niveau du modèle ne répond pas à ces questions opérationnelles. Ajax pourrait se comporter de façon cohérente en conversation tout en restant peu fiable lors de longues chaînes d’utilisation d’outils.

Le choix par PewDiePie de Qwen3.5-9B rend l’exécution locale plus plausible que l’utilisation d’un modèle de taille comparable aux modèles de pointe. Les fichiers officiels du modèle Qwen totalisent environ 19,3 Go avant compression ultérieure.

Les versions quantifiées peuvent réduire les besoins en mémoire en représentant les poids avec moins de bits. Cela peut rendre le modèle accessible sur davantage de systèmes grand public, avec une perte de qualité potentielle.

Les exigences réelles restent à confirmer jusqu’à la sortie d’Ajax. L’adéquation matérielle dépend du format de quantification, de la longueur du contexte, du moteur d’inférence, de la charge de travail des outils et de la vitesse de réponse acceptable.

« Fonctionne à domicile » peut donc décrire plusieurs expériences. Cela peut désigner un fonctionnement fluide sur une station de travail récente, une inférence plus lente sur un ordinateur portable ou une délocalisation partielle vers d’autres équipements.

L’affirmation relative à la confidentialité exige une précision comparable. L’inférence locale protège le contenu des prompts contre un fournisseur de modèle distant, mais les recherches web, les serveurs de messagerie et les calendriers font toujours intervenir des services externes.

La télémétrie, les mises à jour, les extensions et les connecteurs tiers peuvent également transmettre des données. Une évaluation crédible de la confidentialité doit suivre l’ensemble du flux de travail, et pas seulement le modèle de langage.

Les lecteurs qui évaluent Ajax devraient distinguer trois affirmations : moins de refus, l’inférence locale et l’exécution privée des tâches. Chacune nécessite des preuves et des protections différentes.

Ajax entre dans une course déjà encombrée pour les agents IA auto-hébergés

La distinction la plus nette d’Ajax réside dans un modèle entraîné pour un seul espace de travail, tandis que les alternatives établies privilégient un choix de modèles plus large et une infrastructure d’agents mature.

OpenClaw se présente déjà comme un assistant qui s’exécute sur la machine de l’utilisateur et se connecte à la messagerie, aux calendriers, aux plateformes de communication et à d’autres outils. Il prend en charge les modèles locaux comme hébergés.

Cette approche neutre vis-à-vis des modèles réduit la dépendance à un unique modèle de langage. Les utilisateurs peuvent changer de fournisseur sans remplacer l’environnement d’agent qui l’entoure.

Hermes Agent suit une voie similaire. Nous Research décrit Hermes Agent comme un système autonome doté d’une mémoire persistante, d’outils, d’intégrations de messagerie et d’une boucle d’apprentissage.

Hermes peut fonctionner localement ou sur une infrastructure distante. Sa documentation prend également en charge plusieurs points de terminaison de modèles, offrant aux utilisateurs des choix en matière de performances, de confidentialité et de complexité opérationnelle.

Odysseus et Ajax semblent plus étroitement liés. Ajax est entraîné spécifiquement pour utiliser les outils d’Odysseus, plutôt que de servir de modèle généraliste intégré à des applications sans rapport.

Cette spécialisation peut être utile. Les modèles plus petits obtiennent souvent de meilleurs résultats lorsque les exemples d’entraînement correspondent aux schémas, outils et modes d’interaction précis qu’ils rencontrent après leur déploiement.

Un agent de calendrier n’a pas besoin de dominer tous les benchmarks académiques. Il doit identifier le bon outil, fournir des arguments valides, confirmer les actions risquées et se remettre des erreurs.

PewDiePie avait déjà décrit cet objectif au sein de la communauté Odysseus. Il mettait l’accent sur l’exécution directe d’outils pour les demandes pratiques plutôt que sur un raisonnement long orienté vers les benchmarks.

Cette orientation pourrait rendre Ajax réactif sur du matériel aux ressources limitées. Elle pourrait aussi réduire la flexibilité que les utilisateurs attendent d’un assistant généraliste.

OpenClaw et Hermes bénéficient de communautés plus vastes, d’historiques opérationnels plus longs et de catalogues d’intégrations plus étendus. Ajax bénéficie de l’alignement entre son modèle et l’espace de travail auquel il est destiné.

La comparaison dépendra en fin de compte de la fiabilité plutôt que de l’image de marque. Un agent domestique doit accomplir les actions courantes de manière répétée sans inventer de données ni modifier silencieusement l’intention de l’utilisateur.

La précision des appels d’outils sera particulièrement importante. Ajax doit sélectionner l’opération adéquate et produire des paramètres compatibles avec les interfaces d’Odysseus.

La stabilité sur la durée représente un autre défi. Un agent toujours actif doit gérer la mémoire, les tâches répétées, les identifiants expirés, les sites web changeants et les requêtes réseau échouées.

La qualité d’un modèle local peut aussi varier fortement selon la tâche. Un modèle de 9 milliards de paramètres peut gérer des flux de travail familiers tout en peinant face à des demandes ambiguës ou à des échecs inhabituels.

Les modèles hébergés plus grands offrent souvent un raisonnement plus solide et des connaissances plus étendues. Ils nécessitent également l’envoi des prompts à un fournisseur externe et l’acceptation de ses politiques d’accès.

Le marché émergent n’est donc pas un simple affrontement entre confidentialité et intelligence. Il implique le contrôle, la qualité des modèles, le matériel, la maintenance, la sécurité et la profondeur des intégrations.

Les développeurs peuvent souvent tolérer les frictions de configuration en échange de visibilité et de personnalisation. Les utilisateurs grand public s’attendent généralement à ce que les mises à jour, la gestion des identifiants et la récupération fonctionnent sans intervention technique.

L’audience de PewDiePie pourrait amener de nouveaux utilisateurs vers l’auto-hébergement. Cette opportunité augmente aussi les conséquences d’instructions d’installation peu claires ou de paramètres par défaut trop permissifs.

Des préoccupations de sécurité au sein de la communauté sont déjà apparues autour des pratiques de développement d’Odysseus. Des discussions dans le dépôt ont demandé des contrôles de publication plus stricts, des tests et une meilleure protection de la branche principale.

Ces discussions ne prouvent pas que le logiciel est dangereux. Elles montrent que les contributeurs reconnaissent les enjeux plus élevés créés lorsque des utilisateurs peu familiers installent un logiciel d’agent évoluant rapidement.

Un processus de publication stable devrait distinguer les versions examinées du développement actif. Des artefacts signés, des autorisations documentées et des builds reproductibles renforceraient davantage la confiance des utilisateurs.

Ajax a également besoin de comparaisons indépendantes avec son modèle de base. Sans elles, les lecteurs ne peuvent pas savoir si le fine-tuning a amélioré l’usage des outils ou si la suppression des refus a affaibli des capacités non liées.

Des évaluations utiles devraient inclure des tâches ordinaires, des prompts adverses, des outils défaillants et du contenu web malveillant. Un seul score de classement ne peut pas refléter ces conditions.

La comparaison la plus solide pour Ajax AI examinera donc l’ensemble du système. L’intelligence du modèle compte, mais un assistant autonome réussit grâce à une exécution fiable et à des accès contrôlés.

Ce qu’il faut surveiller avant d’installer Ajax

Ajax ne deviendra une version significative d’agent local que lorsque ses fichiers, ses évaluations et ses contrôles de sécurité pourront être examinés en dehors de la démonstration de PewDiePie.

Le premier signal est le package de modèle public. Les utilisateurs devraient rechercher des poids téléchargeables, des conditions de licence, une fiche de modèle, des options de quantification et des recommandations matérielles claires.

Une fiche de modèle devrait identifier la base Qwen, l’approche d’entraînement, les usages prévus, les limites connues et les résultats d’évaluation. Elle devrait aussi expliquer la signification de « uncensored ».

La documentation du jeu de données est importante en raison du différend avec OpenAI. Ajax n’a pas besoin de révéler chaque détail privé de son développement, mais il devrait décrire l’origine et le filtrage des exemples d’entraînement.

Ces informations aideraient les utilisateurs à évaluer à la fois l’incertitude juridique et la qualité du modèle. Elles distingueraient également les détails de développement vérifiés des affirmations faites durant une vidéo.

Le deuxième signal est constitué de tests indépendants au sein d’Odysseus. Les évaluateurs devraient tester les flux de recherche, de navigation, de messagerie, de calendrier, de mémoire et de fichiers au cours d’essais répétés.

Les tests devraient enregistrer les taux de réussite, les actions incorrectes, le comportement de confirmation et la récupération après échec. Des comparaisons avec le modèle original Qwen3.5-9B révéleraient ce que l’entraînement d’Ajax a apporté.

OpenClaw et Hermes Agent fournissent des points de référence utiles, bien que les comparaisons directes exigent des modèles et du matériel équivalents. Sinon, les capacités du modèle risquent d’être confondues avec la qualité du framework.

Les tests de sécurité devraient inclure des injections de prompts provenant d’e-mails et de pages web. Ils devraient également examiner si des informations privées peuvent circuler entre les outils sans approbation explicite.

L’entraînement d’Ajax visant à réduire les refus mérite une évaluation distincte. Les évaluateurs doivent vérifier s’il répond plus librement aux demandes bénignes sans devenir plus facile à manipuler lors de l’utilisation d’outils.

Le troisième signal est la maturité des versions d’Odysseus. Un package digne de confiance requiert des builds versionnés, une documentation d’installation, des contrôles d’autorisation, des procédures de mise à jour et un processus clair de signalement des problèmes de sécurité.

Les utilisateurs devraient savoir si les extensions exécutent du code arbitraire. Ils devraient également savoir où sont stockés les identifiants et quelles requêtes réseau sont effectuées par défaut.

Un espace de travail IA local peut renforcer la confidentialité lorsqu’il est configuré avec soin. Il peut également centraliser l’accès à des informations sensibles dans un unique processus de grande valeur.

Cette tension explique pourquoi Ajax compte au-delà de son créateur. L’IA grand public évolue de la conversation passive vers des systèmes qui surveillent le contexte et réalisent des actions.

Les fournisseurs hébergés contrôlent actuellement une grande partie de cette transition. Ils exploitent les modèles les plus puissants, fixent les règles d’utilisation et peuvent suspendre l’accès lorsque les utilisateurs franchissent des limites contractuelles.

Les projets locaux proposent une autre approche. Les utilisateurs gagnent en contrôle sur les modèles et les données, mais doivent assumer davantage de responsabilités en matière de sécurité, de mises à jour et de jugement opérationnel.

PewDiePie Ajax AI offre à cette alternative un porte-parole très visible. Les bannissements par OpenAI rendent l’argument émotionnellement convaincant, mais ils ne démontrent pas qu’Ajax est prêt pour des usages sensibles.

Le retard de la sortie pourrait profiter au projet s’il aboutit à une documentation plus claire et à des tests plus solides. Une sortie rapide générerait de l’attention, mais la fiabilité déterminera si les utilisateurs le garderont actif.

Les travailleurs du savoir devraient appliquer la même prudence qu’avec tout logiciel ayant accès aux e-mails, aux calendriers ou aux documents. Commencez avec des autorisations limitées et des données non critiques.

Les développeurs devraient examiner les journaux, le comportement réseau, les dépendances et les politiques d’outils par défaut. Ils devraient aussi tester les cas d’échec avant d’autoriser des actions sans surveillance.

Toute personne intéressée par les assistants privés peut commencer par définir quelles informations doivent rester locales. Une base de connaissances IA structurée peut clarifier les sources dont un assistant a besoin et les personnes qui devraient y accéder.

La question centrale n’est plus de savoir si un créateur peut affiner un modèle compact. Elle est de savoir si Ajax peut combiner le contrôle local avec une action fiable et auditable.

Surveillez dans cet ordre le package de publication, les tests indépendants de l’agent et les contrôles de sécurité d’Odysseus. Ensemble, ces signaux montreront si Ajax fait progresser l’IA domestique ou reste une expérience convaincante.

Si vous prévoyez d’essayer le modèle PewDiePie Ajax AI, définissez ses autorisations avant d’évaluer sa personnalité. Donnez-lui d’abord des comptes jetables et des tâches réversibles. Examinez chaque action externe jusqu’à ce que son comportement devienne prévisible. Comparez ensuite sa confidentialité, sa vitesse et son taux d’exécution avec ceux d’un assistant hébergé dans le même flux de travail. Le contrôle local a une réelle valeur, mais seulement lorsque la personne qui exploite le système comprend ce à quoi l’agent peut accéder.