Microsoft Research a publié Orchard, un framework open source conçu pour rendre la formation des agents IA autonomes plus facile et plus rentable. Le framework a été publié le lundi 4 août 2026, s'appuyant sur les recherches initiales de l'entreprise publiées en mars. Cette sortie intervient alors que l'IA agentique — des systèmes capables de planifier de manière autonome, de naviguer sur le Web, d'écrire du code et d'utiliser des outils — est devenue l'un des domaines de compétition industrielle les plus actifs, les grands laboratoires et les startups se précipitant pour construire des agents capables de gérer des tâches réelles à plusieurs étapes.

Orchard est capable de former et d'évaluer des agents IA dans plusieurs domaines, notamment le codage, la navigation Web et l'utilisation d'outils. Il vise à réduire la complexité en éliminant le besoin pour les chercheurs de construire indépendamment une infrastructure de bac à sable (sandbox), des pipelines de données et des systèmes d'évaluation pour chaque modèle ou cas d'utilisation individuel — une barrière qui a historiquement mis la recherche agentique de pointe hors de portée pour de nombreuses équipes universitaires et indépendantes manquant des ressources d'ingénierie des grandes entreprises technologiques.

Dans un article de blog, Microsoft a reconnu les défis auxquels est confrontée la communauté de recherche : « S'il y a de l'enthousiasme autour des capacités de l'IA agentique, la communauté de recherche est confrontée à un goulot d'étranglement persistant. La création de systèmes agentiques de pointe nécessite souvent une infrastructure propriétaire … que la plupart des chercheurs et des praticiens ne peuvent ni accéder ni reproduire. »

Au cœur du framework se trouve Orchard Env, que Microsoft décrit comme un « environnement Kubernetes léger qui fournit des composants isolés réutilisables ». Ces composants peuvent être utilisés pour exécuter et construire des agents à grande échelle — de la collecte de données de formation aux déploiements d'apprentissage par renforcement et à l'évaluation — sans obliger les équipes à reconstruire l'architecture sous-jacente à chaque fois. En s'appuyant sur Kubernetes, une plateforme d'orchestration de conteneurs standard de l'industrie, Orchard est conçu pour être déployable sur une gamme d'infrastructures, des clusters locaux aux principaux fournisseurs de cloud.

Pour démontrer l'approche du framework, Microsoft a publié trois recettes de formation spécifiques à un domaine — Orchard-SWE, Orchard-GUI et Orchard-Claw — ainsi que les données de formation et les méthodes d'évaluation associées utilisées pour les développer. Orchard-SWE forme des agents d'ingénierie logicielle, Orchard-GUI se concentre sur la navigation dans les navigateurs Web, et Orchard-Claw traite des tâches de productivité quotidiennes. Microsoft a rapporté que les modèles formés à travers chaque recette ont produit des résultats compétitifs sur les benchmarks établis.

L'entreprise a souligné les implications plus larges de la conception ouverte du framework. « En rendant l'infrastructure sous-jacente ouverte, légère et réutilisable, Orchard réduit le coût de la recherche sur l'IA agentique », a déclaré Microsoft. « Les équipes n'ont plus besoin de construire des environnements isolés personnalisés à partir de zéro ni de dépendre de services cloud propriétaires. » L'approche open source s'aligne sur une tendance industrielle plus large dans laquelle les grands laboratoires d'IA — y compris Meta avec ses modèles Llama et Google avec plusieurs frameworks de recherche — ont publié publiquement des outils et des poids de modèles pour accélérer le progrès mené par la communauté.

Microsoft a également exposé son point de vue sur les futures directions de développement. « En regardant vers l'avenir, nous considérons la réutilisation de l'expérience de formation comme une direction prometteuse vers l'apprentissage cumulatif des agents. Au lieu de jeter les trajectoires une fois qu'une session de formation est terminée, nous les traitons comme des actifs persistants — par exemple, en les distillant en modèles de valeur réutilisables. » Ce concept d'apprentissage cumulatif — où les agents s'appuient sur l'expérience antérieure plutôt que de commencer chaque session de formation à partir de zéro — reflète des objectifs de longue date de la recherche sur l'apprentissage par renforcement, où l'efficacité des échantillons et le transfert de connaissances restent des défis ouverts.

Le framework Orchard, ainsi que sa publication de recherche associée, est disponible en tant que version open source auprès de Microsoft Research.