Neurosymbolique, un an après : ce que la recherche de 2026 montre réellement
Il y a un an, l'argumentation restait surtout théorique
En novembre 2025, nous avons publié « The neuro-symbolic renaissance », un essai soutenant que les systèmes d'IA les plus utiles des prochaines années ne seraient pas constitués de seuls grands modèles de langage. Ils combineraient des modèles appris, performants en perception, en langage et en reconnaissance de motifs, avec une structure symbolique explicite, performante pour les règles, les contraintes, la provenance et la preuve. Nous avancions cet argument à partir de principes premiers et de notre propre expérience d'ingénierie, car c'est ainsi que Dweve est conçu : Loom, notre moteur de raisonnement, achemine le travail à travers 528 spécialistes, dont beaucoup sont des solveurs symboliques, des vérificateurs et des moteurs de règles plutôt que des réseaux de neurones, et la réponse qu'il renvoie porte la trace de ce que chaque partie a fait.
Une argumentation fondée sur des principes premiers est un point de départ raisonnable. Ce n'est pas une preuve. Il vaut donc la peine de se demander, un an plus tard, ce que la recherche publiée montre aujourd'hui. Pas les communiqués de presse, ni l'engouement général pour le mot « neurosymbolique », devenu assez à la mode pour être appliqué à presque tout. Les résultats précis, mesurés.
Deux articles de 2026 sont particulièrement utiles, car ils testent directement les affirmations centrales et rapportent des chiffres vérifiables. L'un porte sur des agents qui doivent agir dans un monde : ajouter des contraintes symboliques et de la recherche à un modèle de langage rend-il ses plans exécutables ? L'autre porte sur la réponse à des questions à partir de connaissances : construire la structure de connaissances de manière déterministe à partir de sources faisant autorité, plutôt que de l'extraire avec un modèle de langage, rend-il les réponses plus traçables ? Les deux répondent oui, avec une large marge. Et tous deux restent prudents sur ce qu'ils n'ont pas démontré, ce qui est au moins aussi instructif que ce qu'ils ont démontré.
Plausible n'est pas synonyme d'exécutable
Le premier article, « Neurosymbolic Embodied Agents » d'Albinhassan, Feng, Russo et Madhyastha, publié sur arXiv en août 2026, part d'une observation que quiconque a tenté d'utiliser un modèle de langage comme planificateur reconnaîtra. Les modèles de langage et de vision-langage, indique son résumé, « génèrent des plans incarnés plausibles mais ne garantissent pas leur exécutabilité, car leurs sorties peuvent violer la dynamique de l'environnement ou agir sur des entités incorrectement ancrées. »
La distinction entre plausible et exécutable résume tout le problème en une phrase. Un modèle à qui l'on demande de préparer une tasse de thé dans une cuisine simulée produira une séquence d'étapes qui se lit bien : aller dans la cuisine, prendre la bouilloire, la remplir, l'allumer. Mais il peut tenter de prendre une bouilloire qui n'est pas là, ou remplir une bouilloire enfermée dans un placard fermé, ou verser depuis une bouilloire qui n'a pas bouilli. Chaque étape est plausible. Le plan dans son ensemble échoue, car le modèle ne suit pas l'état du monde ni les règles selon lesquelles les actions le modifient.
L'agent décrit dans l'article décompose les tâches domestiques à long horizon en deux phases. Dans la première, un modèle de vision-langage et un dispositif d'exploration acquièrent des prédicats pertinents pour l'objectif et des liaisons d'instances à partir d'observations égocentriques et d'interactions ancrées, produisant une description symbolique de l'état initial : cette bouilloire est ici, ce placard est fermé, cette tasse est vide. Dans la seconde, un modèle de transition PDDL, description formelle des actions applicables dans quels états et de ce qu'elles modifient, « restreint le décodage aux tokens qui étendent des actions applicables. » Le modèle de langage ne peut générer que des actions que le modèle symbolique déclare possibles. Une recherche arborescente de Monte-Carlo évalue ensuite les continuations exécutables à l'aide d'une heuristique de planification indépendante du domaine.
La conséquence, selon les auteurs, est que « les plans obtenus sont exécutables par construction sous le modèle de transition, le transfert vers l'environnement étant conditionné à un ancrage visuel correct. » Cette dernière proposition est importante, et nous y revenons ci-dessous.
De petits modèles contraints surpassent un grand modèle non contraint
Les résultats sont frappants. Sur deux benchmarks standards de tâches domestiques, VirtualHome et ALFWorld, le résumé indique que « les modèles ouverts de 4B à 27B dépassent 90 % de réussite dans les deux environnements, et notre plus petit agent surpasse nettement une politique visuelle directe de 27B dans chacun d'eux ». Dans les résultats de l'article, les taux de réussite vont de 94,5 à 99,5 pour cent sur VirtualHome et de 90,3 à 97,8 pour cent sur ALFWorld selon la taille du modèle. L'agent de 4 milliards de paramètres surpasse la politique visuelle directe de 27 milliards de paramètres de 32,0 points de pourcentage sur un benchmark et de 63,4 sur l'autre.
Ce second résultat mérite d'être lu lentement. Un modèle environ sept fois plus petit, doté d'une structure explicite du monde et d'une procédure de recherche sur les actions exécutables, fait nettement mieux qu'un modèle bien plus grand à qui l'on demande d'agir directement. La différence n'est pas un réglage marginal. C'est la différence entre un système qui fonctionne la plupart du temps et un système qui, la plupart du temps, ne fonctionne pas.
Pour quiconque se préoccupe du coût, de la consommation d'énergie et de la contrôlabilité des systèmes d'IA, cela compte. Un petit modèle ouvert peut tourner sur du matériel modeste, peut être inspecté, peut être figé sur une version et peut être hébergé là où l'opérateur le choisit. Si l'ajout de structure permet à un tel modèle de surpasser un grand modèle sur des tâches qui exigent une action fiable, alors les arguments de souveraineté et d'efficacité en faveur des petits modèles se renforcent considérablement. La taille n'est pas la seule voie vers la capacité. La structure en est une autre.
Contraintes et recherche sont complémentaires, non interchangeables
Le résultat le plus intéressant, selon nous, est une ablation. Les auteurs ont testé les contraintes et la recherche séparément. Dans ALFWorld, chacune seule « résout moins d'un tiers des tâches, alors que leur combinaison en résout plus de 95 % ». Les chiffres détaillés sont de 32,3 pour cent pour les contraintes seules et de 29,2 pour cent pour la recherche seule, contre 95,5 pour cent combinées.
Voilà un résultat qu'un récit simpliste sur l'IA neurosymbolique ne prédirait pas. On pourrait s'attendre à ce que les contraintes, en empêchant les actions invalides, fassent l'essentiel du travail, et que la recherche n'apporte qu'un supplément. Ou que la recherche, en explorant de nombreux chemins, trouve de bons plans et que les contraintes ne fassent que l'accélérer. Au lieu de cela, chacune échoue seule sur la plupart des tâches, et ensemble elles réussissent sur presque toutes.
L'intuition n'est pas difficile à reconstituer. Des contraintes sans recherche garantissent que chaque étape est valide, mais ne font rien pour garantir que la séquence d'étapes valides atteigne l'objectif. Un modèle peut errer indéfiniment dans la cuisine en accomplissant des actions parfaitement légales. La recherche sans contraintes explore de nombreuses continuations, mais la plupart comportent des actions invalides : l'espace de recherche est donc dominé par des plans voués à l'échec, et l'heuristique dispose de peu de prise. Ensemble, les contraintes réduisent l'espace aux plans valides, et la recherche trouve les bons parmi eux.
Cette complémentarité constitue, selon nous, l'appui empirique le plus solide à ce jour en faveur de la thèse architecturale que nous défendions il y a un an. L'intérêt ne réside pas dans l'ajout d'un module symbolique greffé sur un module neuronal. Il réside dans une répartition précise du travail, où chaque partie fait ce qu'elle sait bien faire et compense la faiblesse de l'autre.
Moins de tokens, et des défaillances qui pointent quelque part
Deux autres résultats de l'article passent facilement inaperçus et méritent l'attention.
Le premier concerne l'efficacité. Le résumé indique que la méthode « utilise plusieurs fois moins de tokens générés que la réflexion étendue et bien moins d'images visibles par le modèle que l'interaction directe ». Dans l'article, la réduction du nombre de tokens par rapport à la réflexion étendue est annoncée comme pouvant atteindre un facteur quatre. La réflexion étendue, où un modèle rédige de longues chaînes de raisonnement avant d'agir, est la principale stratégie alternative pour améliorer la fiabilité des plans d'un modèle. Elle fonctionne dans une certaine mesure, mais elle coûte cher : chaque token de raisonnement est calculé et, sur les services hébergés, payé. Une méthode qui obtient de meilleurs résultats avec une fraction des tokens est préférable en coût et en énergie comme en taux de réussite.
Le second concerne le diagnostic. Le résumé note que « les défaillances résiduelles se localisent sur l'acquisition d'état plutôt que sur la génération de plan, sans entraînement spécialisé ». Quand l'agent échoue, c'est parce que sa représentation du monde était erronée, et non parce qu'il a mal planifié compte tenu de cette représentation. C'est exactement ce que l'on peut espérer d'un système dont les plans sont exécutables par construction. Cela indique aussi à l'ingénieur où travailler ensuite. Dans un système neuronal de bout en bout, une défaillance est souvent une propriété diffuse de l'ensemble du modèle, et le seul remède consiste à ajouter des données ou à agrandir le modèle. Dans un système factorisé, une défaillance a une adresse.
Nous estimons que la diagnosticabilité est sous-évaluée dans la recherche en IA. Un système qui échoue moins souvent, c'est bien. Un système dont les défaillances peuvent être localisées, expliquées et corrigées, c'est mieux, car on peut l'améliorer de façon délibérée et faire confiance à son comportement dans les cas où ses composants sont reconnus fiables.
Le même schéma se retrouve dans la réponse aux questions
Le second article traite d'un problème différent, avec un résultat étonnamment similaire. « Ontology-guided neuro-symbolic GraphRAG for grounded query answering », de Domenico Benfenati et Antonio Maria Rinaldi, de l'université de Naples Federico II, a été publié dans Neural Computing and Applications en octobre 2026. Il étudie la réponse aux questions sur les connaissances en cybersécurité : vulnérabilités, faiblesses, motifs d'attaque et produits concernés, issus de dépôts publics tels que CVE, CWE, CAPEC et CPE.
La comparaison porte sur deux manières de construire le graphe de connaissances sur lequel s'appuie un modèle de langage pour répondre aux questions. Dans l'approche GraphRAG largement utilisée, un modèle de langage lit du texte non structuré et en extrait des entités, des relations et des synthèses de communautés, qui servent ensuite de substrat pour la recherche documentaire. Dans l'approche des auteurs, le graphe est matérialisé de haut en bas à partir des dépôts faisant autorité, par exploration ciblée, unification de schémas guidée par ontologie et inférence symbolique fondée sur des règles, comme le chaînage transitif et l'impact produit multi-sauts. L'ontologie elle-même est dérivée de la structure du domaine des dépôts réels plutôt que synthétisée par un modèle. Le modèle de langage reçoit ensuite des éléments de preuve issus de ce graphe, selon ce que les auteurs décrivent comme un flux strictement unidirectionnel : le substrat symbolique est « entièrement déterministe, préserve la provenance et peut être inspecté de façon indépendante ».
L'audit de provenance est l'expérience la plus révélatrice. Dans le graphe guidé par ontologie, 100 % des arêtes échantillonnées étaient traçables jusqu'à des enregistrements sources faisant autorité ou à des règles d'inférence déclarées. Dans le graphe extrait par LLM, 83 % étaient traçables, et seulement 58 % reliaient des extrémités dotées d'identifiants canoniques. Cet écart se répercute sur les réponses : le système guidé par ontologie atteignait 95 % de précision de citation, contre 66 % pour la référence GraphRAG.
L'explication structurelle des auteurs est l'élément important. Dans GraphRAG avec extraction par LLM, les réponses s'appuient sur des synthèses rédigées par le même type de modèle que celui qui génère la réponse, si bien que la chaîne de provenance s'arrête à un intermédiaire neuronal au lieu d'atteindre un enregistrement faisant autorité. Une citation renvoyant à une synthèse rédigée par un modèle est une citation renvoyant à une interprétation. Une citation renvoyant à un enregistrement source, par des arêtes dont chacune est traçable jusqu'à cet enregistrement ou à une règle déclarée, est une citation renvoyant à une preuve.
Les citations ne résument pas toute la provenance
Un troisième article, plus court, paru en 2026, ajoute une complication utile. « Why Neighborhoods Matter: Traversal Context and Provenance in Agentic GraphRAG », publié sur arXiv en mai 2026, étudie des systèmes dans lesquels un agent explore un graphe de connaissances avant de répondre, puis cite un petit ensemble d'entités. Il pose la question de savoir si les citations finales suffisent à expliquer les éléments sur lesquels la réponse s'est appuyée.
Sa conclusion est que non. Les entités citées comptent généralement : les supprimer modifie sensiblement les réponses et réduit la précision. Mais les expériences montrent qu'une réponse exacte dépend aussi du parcours du graphe, de la structure du voisinage et d'entités que l'agent a visitées sans les citer. Les auteurs concluent qu'une citation fidèle « devrait aussi tenir compte du contexte du graphe et du chemin de récupération qui façonnent la réponse finale ».
Ce constat affine la leçon de l'article de Benfenati et Rinaldi. Un graphe déterministe et traçable est nécessaire pour les réponses dont on peut vérifier les éléments. Il ne suffit pas si le système n'enregistre que ce qu'il cite et non ce qu'il a lu. La provenance doit inclure le chemin, pas seulement la destination. C'est d'ailleurs la même conclusion à laquelle nous sommes parvenus côté ingénierie en concevant Knot, le journal d'événements que nous publions le 4e trimestre 2026 : le journal d'une exécution d'agent doit inclure chaque lecture et chaque étape intermédiaire, pas seulement la sortie finale, car ce sont les étapes qui expliquent la sortie.
Ce que les résultats ne montrent pas
Les deux principaux articles restent prudents sur leurs limites, et ces limites méritent d'être énoncées clairement, car l'enthousiasme suscité par un résultat tend à en effacer les conditions.
Les résultats sur les agents incarnés relèvent de la simulation. VirtualHome et ALFWorld sont des bancs d'essai bien établis, mais ce sont des environnements domestiques simulés aux dynamiques connues. La garantie que les plans sont exécutables « par construction » vaut dans le modèle de transition, c'est-à-dire dans la description symbolique du fonctionnement du monde. Si cette description est erronée ou incomplète, la garantie ne se transpose pas. Dans le monde réel, écrire un modèle de transition complet et correct est difficile, et le monde a la fâcheuse habitude d'inclure des choses que le modèle n'a pas anticipées.
Les mêmes résultats dépendent d'un ancrage visuel correct. L'article le dit explicitement. Si la phase d'exploration identifie mal un objet, ou en omet un, l'état symbolique est erroné, et un plan parfaitement exécutable dans un état faux peut échouer dans la réalité. Le constat de l'article selon lequel les échecs résiduels se concentrent sur l'acquisition de l'état est une bonne nouvelle pour le diagnostic, et rappelle aussi que la perception reste la partie difficile.
Les résultats de GraphRAG portent sur un seul domaine, la cybersécurité, où il existe des référentiels structurés faisant autorité et dotés d'identifiants stables. Beaucoup de domaines ne ressemblent pas à cela. Lorsque la connaissance réside principalement dans des documents non structurés sans identifiants canoniques, la matérialisation descendante n'est pas possible et une forme d'extraction est inévitable. La méthode de l'article montre ce qui devient possible quand de bonnes sources existent. Elle ne montre pas comment les créer là où elles n'existent pas.
L'évaluation de l'exactitude des réponses par GraphRAG a utilisé un modèle de langue comme juge, Gemini 2.5 Flash, sur quinze questions par tâche. C'est un choix raisonnable pour un article de recherche, et l'audit de provenance constitue une mesure plus directe. Les lecteurs doivent toutefois considérer les chiffres de qualité des réponses comme indicatifs plutôt que définitifs, et les chiffres de provenance comme le résultat le plus solide.
Aucune de ces limites ne remet en cause les articles. Ce sont les conditions normales d'une bonne recherche. Mais elles comptent pour quiconque serait tenté de lire « neurosymbolique » comme une solution générale. C'est un ensemble de choix architecturaux qui fonctionnent très bien lorsque leurs préconditions sont réunies : un modèle symbolique correct du domaine, un ancrage fiable de la perception dans ce modèle, et des sources faisant autorité pour la connaissance. Une grande partie du travail pratique consiste à établir ces préconditions.
Ce qui se passe après la première erreur
Les taux de réussite indiquent la fréquence à laquelle un système achève une tâche. Ils ne disent rien de son comportement lorsqu'un problème survient, question souvent plus importante pour qui doit le déployer. L'article sur l'agent incarné comporte une annexe qui y répond, et c'est l'une des parties les plus révélatrices du travail.
Les auteurs ont mesuré ce que faisaient les politiques « après le premier échec d'ancrage ou d'exécution », en rapportant la fréquence à laquelle les tâches contenaient un tel événement, la fréquence à laquelle la politique parvenait ensuite à rattraper la tâche, la fréquence à laquelle elle répétait immédiatement la requête échouée, et la fréquence à laquelle elle tombait dans une boucle d'action persistante. Les résultats des politiques visuelles directes, qui planifient sans les contraintes symboliques, sont frappants.
Dans VirtualHome, la politique directe Qwen 4B a rencontré un échec dans 64,5 % des tâches. Elle a rattrapé la tâche dans 5,4 % de ces cas, répété immédiatement la requête échouée dans 74,5 %, et fini dans une boucle persistante dans 45,5 %. Dans ALFWorld, le même modèle a rencontré un échec dans 73,9 % des tâches, rattrapé dans 1,0 % et fini dans une boucle persistante dans 94,8 %. Le plus grand modèle direct a fait mieux, comme on pouvait s'y attendre : dans VirtualHome, la politique 27B a rencontré un échec dans 29,0 % des tâches, rattrapé dans 37,9 %, répété la requête dans 8,3 % et bouclé dans 9,5 %. Dans ALFWorld, même ce modèle n'a rattrapé que 25,7 % des cas.
L'introduction de l'article explique pourquoi cela se produit. Une politique directe doit identifier les objets, suivre leur état, sélectionner les actions applicables et raisonner sur les effets différés « au sein d'un seul historique autorégressif, où ils sont libres de s'accumuler ». Les auteurs observent que « le retour d'exécution peut révéler une telle erreur après qu'elle s'est produite, mais n'empêche pas le modèle de répéter un choix invalide ou de dériver par rapport à l'état que ses propres actions ont induit. »
Cette phrase décrit un schéma que beaucoup reconnaîtront chez des agents hors du laboratoire. Un agent tente une action, elle échoue, l'erreur lui est renvoyée, et l'agent retente la même chose, ou un équivalent. Le retour d'information est une information, mais une information ne contraint pas. Un système qui traite la validité d'une action comme quelque chose à déduire, plutôt qu'à imposer, peut se voir signifier qu'il a eu tort sans être empêché de se tromper à nouveau.
L'approche contrainte change cela en faisant de l'applicabilité, selon les termes de l'article, « une contrainte maintenue tout au long de la génération et de la recherche ». Une action dont les préconditions ne sont pas remplies n'est jamais produite, il n'y a donc rien à répéter. Cela ne rend pas le système infaillible. Cela déplace l'échec ailleurs.
L'article situe ses propres échecs
Un compte rendu honnête des résultats doit dire où l'agent contraint échoue, et l'article le fait. Son planificateur symbolique ne peut planifier que sur l'état qui lui est fourni. Lorsque l'étape d'exploration visuelle manque un objet requis, écrivent les auteurs, « l'échec se propage alors parce que l'état initial ancré omet un objet requis. Il s'agit d'une limite du composant d'acquisition de l'état visuel plutôt que de la garantie d'applicabilité. »
Cette distinction compte. La garantie offerte par le système est étroite et forte : chaque action qu'il planifie est applicable dans l'état où il croit se trouver. Que cette croyance corresponde au monde dépend de la perception, et la perception est encore assurée par un modèle neuronal avec toute l'incertitude que cela implique. Les auteurs s'attendent à ce que « des améliorations de la reconnaissance visuelle et de la sélection active du point de vue devraient se transférer directement à la méthode complète », ce qui est une attente raisonnable et aussi un rappel que la partie symbolique ne peut compenser ce que la partie neuronale ne parvient pas à voir.
Pour ceux qui évaluent de tels systèmes, la leçon est de demander où s'arrête la garantie. Un système neurosymbolique offre généralement une certitude sur une partie du processus (le plan est valide, l'inférence découle des règles, la réponse est étayée par le graphe) et hérite de l'incertitude des parties qui l'alimentent. Un bon système rend cette frontière visible. Il consigne ce qu'il a perçu, ce qu'il a supposé et ce qu'il a dérivé, afin qu'un relecteur puisse dire si un échec provient du raisonnement ou de l'entrée du raisonnement.
C'est aussi pourquoi une analyse des échecs comme celle de l'annexe de l'article est si précieuse. Savoir qu'un système échoue surtout à l'ancrage plutôt qu'à la planification indique à un ingénieur où investir, et indique à un déployeur quel type de supervision est nécessaire. Un relecteur humain qui vérifie le travail d'un agent contraint devrait vérifier sa représentation du monde, pas son arithmétique.
L'étude de traversée est de petite ampleur, et elle le dit
L'article sur le contexte de parcours reste prudent quant à ses propres limites. Ses auteurs écrivent que l'étude « est limitée par la petite taille de son benchmark et par le recours à un graphe de connaissances contrôlé construit à partir de 2WikiMultiHopQA plutôt qu'à un vaste graphe de connaissances du monde réel ». Ils appellent à une évaluation « sur des jeux de données plus volumineux, des structures de graphe plus riches et des bases de connaissances propres à un domaine », ainsi qu'à des mécanismes de citation « qui exposent non seulement les entités de support finales, mais aussi le contexte de parcours pertinent ».
Cette franchise est utile. Le constat selon lequel les citations sont nécessaires mais non suffisantes pour rendre compte de la réponse d'un agent est plausible et important, mais il repose sur un cadre contrôlé. Avant d'en tirer des règles, il faudrait le reproduire sur les types de graphes qu'utilisent les systèmes réels : bases de connaissances d'entreprise, corpus réglementaires, catalogues de produits. D'ici là, mieux vaut y voir un avertissement bien conçu qu'une mesure établie.
L'avertissement mérite néanmoins d'être pris en compte. Les auteurs concluent que « la provenance dans la recherche agentique fondée sur un graphe doit être traitée comme une propriété au niveau de la trajectoire ». Pour les concepteurs de systèmes, cela signifie enregistrer le chemin, et pas seulement la destination : quelles entités ont été visitées, quelles arêtes ont été suivies, quels voisins ont été vus sans être cités. Une liste de citations est un résumé de ce chemin. Comme tout résumé, elle peut être exacte et omettre néanmoins un élément qui comptait.
Enregistrer le chemin a un coût pratique, et il faut le dire. Les enregistrements de parcours sont plus volumineux que les listes de citations, ils peuvent contenir des éléments qui n'ont jamais été montrés à l'utilisateur et exigent le même soin en matière d'accès et de conservation que tout autre journal. Mais l'alternative est pire. Lorsqu'une réponse est contestée, un système qui n'a conservé que ses citations peut montrer ce qu'il a désigné. Un système qui a conservé sa trajectoire peut montrer comment il y est parvenu, ce qui est la question que posera réellement un relecteur. Pour la recherche agentique, cette différence décidera probablement si une explication est acceptée ou simplement tolérée.
Le vieux débat sur l'explication reste d'actualité
Rien de tout cela n'est nouveau sur le fond. Le débat sur l'explication en apprentissage automatique dure depuis des années, et les résultats de 2026 s'y inscrivent plutôt qu'ils ne le remplacent.
En 2017, Finale Doshi-Velez et Been Kim faisaient observer que « malgré l'intérêt pour l'interprétabilité, il existe très peu de consensus sur ce qu'est l'apprentissage automatique interprétable et sur la manière de le mesurer ». En 2018, Cynthia Rudin soutenait que « chercher à expliquer des modèles boîtes noires, plutôt que de créer d'emblée des modèles interprétables, risque de perpétuer de mauvaises pratiques et peut causer des dommages catastrophiques à la société ». La même année, Julius Adebayo et ses collègues ont montré que certaines méthodes de saillance « sont indépendantes à la fois du modèle et du processus de génération des données », produisant des explications similaires que le modèle ait appris quelque chose ou non.
Les résultats sur la planification sous contraintes et sur GraphRAG peuvent se lire comme des éléments à l'appui de la position de Rudin dans un nouveau cadre. Lorsque le plan résulte d'une recherche sur des règles explicites, sa validité est une propriété de la manière dont il a été produit, et l'explication du choix d'une action peut se lire dans la recherche. Lorsqu'une réponse résulte du parcours d'un graphe, sa provenance est une propriété du parcours, à condition que celui-ci soit enregistré. Dans les deux cas, l'explication n'est pas l'interprétation d'un premier modèle par un second. C'est le compte rendu de ce que le premier a fait.
Ce que les résultats de 2026 apportent, c'est la preuve que ce type de système peut lui aussi être performant. On reprochait autrefois aux approches interprétables de coûter de la précision. Des résultats comme ceux-ci, où de petits modèles contraints surpassent de plus grands modèles non contraints sur des tâches structurées, ne tranchent pas cette question de façon générale. Ils montrent en revanche que, pour des tâches aux règles explicites et aux résultats vérifiables, le compromis n'est pas celui que l'on supposait.
Réfléchir plus longtemps n'a rien apporté, et le benchmark facile le masque
L'ablation des composants dans l'article sur l'agent incarné contient deux détails supplémentaires qui méritent l'attention, car ils vont à l'encontre d'idées reçues.
Le premier concerne le raisonnement étendu. Avec le modèle Qwen 27B, un simple décodage glouton atteignait 61,0 % de réussite dans VirtualHome et 15,4 % dans ALFWorld. Le même modèle en mode réflexion, avec un budget allant jusqu'à 32 768 jetons de sortie selon les paramètres de décodage indiqués dans l'article, atteignait 59,0 et 16,9 %. Laisser le modèle raisonner beaucoup plus longuement n'a pratiquement rien changé. Ajouter des contraintes d'applicabilité au décodage glouton, en revanche, a fait passer la réussite dans VirtualHome de 61,0 à 98,5 %. Selon les auteurs, cela montre que « les contraintes d'applicabilité expliquent l'essentiel du gain ».
C'est une correction utile à l'idée que davantage de jetons de raisonnement constituent un remède général aux erreurs de planification. Quand l'erreur consiste à choisir une action dont les préconditions ne sont pas remplies, une délibération interne plus poussée ne l'empêche pas de façon fiable. Une règle qui rend ces actions impossibles, si.
Le second détail concerne la difficulté du benchmark. Dans VirtualHome, la recherche non contrainte à elle seule atteignait 99,0 %, soit autant que la méthode complète, même si les auteurs précisent qu'elle y parvenait « à un coût de génération plus élevé », comme le montrent leurs figures. Un lecteur qui ne regarderait que VirtualHome pourrait conclure que la recherche suffit. ALFWorld montre le contraire : les contraintes seules atteignaient 32,3 %, la recherche non contrainte 29,2 %, et la combinaison 95,5 %. Les auteurs attribuent cet écart plus important à un problème de planification plus difficile. Les plans réussis du modèle 27B comportaient en moyenne 8,0 actions de haut niveau dans ALFWorld et 6,4 dans VirtualHome, avec des maximums de 30 et huit, et ALFWorld « introduit davantage de liaisons d'instance et de réceptacle à chaque étape ».
La leçon générale est qu'un benchmark facile peut faire paraître équivalentes deux conceptions différentes. Ce n'est que lorsque le problème devient assez long et assez contraint que les différences apparaissent. Quiconque compare des architectures d'agents devrait les tester sur des tâches au moins aussi longues et aussi fortement contraintes que celles qu'il compte déployer, et non sur les tâches les plus courtes disponibles.
Les expériences sont reproductibles par conception
Un autre aspect de l'article mérite d'être signalé, car il rejoint un thème abordé ailleurs dans cette série. Les auteurs publient intégralement leurs paramètres de décodage. Les phases contraintes de Qwen tournent à une température de 0,0. Lorsqu'un échantillonnage par noyau est utilisé, pour les exécutions supplémentaires en mode réflexion et les références incarnées, les évaluations sont répétées avec trois graines nommées : 0, 42 et 1738. La recherche est plafonnée à 250 secondes par tâche, et l'article précise que ses hyperparamètres de recherche « ont été sélectionnés empiriquement ».
Ce sont ces détails qui rendent un résultat vérifiable. Un lecteur qui veut reproduire le travail sait quels paramètres utiliser, combien d'exécutions effectuer et à quelle variation s'attendre. Ils rendent aussi les limites visibles : des hyperparamètres sélectionnés empiriquement peuvent devoir être réajustés dans d'autres environnements, et un plafond de temps signifie que certaines tâches peuvent échouer faute de temps plutôt que faute de plan. Énoncer les deux est une bonne pratique. C'est la norme que nous estimons que tout résultat publié, y compris les nôtres, devrait respecter. Un résultat que l'on ne peut pas rejouer peut rester intéressant, mais il ne peut pas encore être considéré comme fiable, et cette différence compte surtout lorsqu'il sert à justifier une conception.
Le mot devient une étiquette, il lui faut donc un test
Le succès suscite l'imitation, et « neurosymbolique » s'applique désormais à des systèmes qui ont peu en commun avec les architectures décrites dans ces articles. Un modèle de langage auquel on donne pour consigne « réfléchis étape par étape » est parfois qualifié de neurosymbolique. Tout comme un modèle qui appelle une calculatrice, un agent conversationnel doté d'un message d'accueil à base de règles, ou un système de recherche documentaire qui s'appuie sur une base de données. Chacun combine une part neuronale avec autre chose, et le mot perd tout sens s'il les englobe tous.
Nous trouvons utile d'appliquer un test simple, tiré de ce qui a fait fonctionner les résultats de 2026. Un système mérite ce mot lorsque sa part symbolique contraint ou vérifie la part neuronale d'une manière qui change ce que le système peut produire, et lorsque cette contrainte peut être inspectée.
Dans l'article sur l'agent incarné, le modèle de transition PDDL restreint le décodage aux actions applicables. Le modèle de langage ne peut littéralement pas produire d'action invalide. Voilà une contrainte qui modifie l'espace des sorties, et le modèle de transition est lisible par quiconque. Dans l'article sur GraphRAG, le graphe de connaissances est construit par des règles déclarées à partir d'enregistrements faisant autorité, et le modèle de langage ne reçoit de preuves que de ce graphe. La provenance de chaque arête peut être vérifiée. Les deux systèmes passent le test.
Une consigne qui demande à un modèle de raisonner avec soin ne le passe pas. Elle peut améliorer les sorties, mais elle ne les contraint pas, et rien en elle ne permet de vérifier ce que le modèle est autorisé à dire. Un modèle qui peut appeler une calculatrice ne le passe que partiellement : le résultat de la calculatrice est exact, mais c'est le modèle qui décide de l'appeler et de ce qu'il en fait, et rien ne l'empêche d'ignorer ce résultat ou de poser lui-même l'opération. Le test ne porte pas sur la pureté. Il porte sur l'origine des garanties.
Questions à poser à un système qui revendique le mot
Pour les organisations qui évaluent des systèmes présentés comme neurosymboliques, le test se traduit par quelques questions concrètes.
Qu'est-ce que la part symbolique empêche ? Une réponse utile nomme une classe de sorties que le système ne peut pas produire, comme des actions invalides, des affirmations non étayées ou des violations de règles, et en explique le mécanisme. Une réponse qui dit que la part symbolique « guide » ou « éclaire » le modèle, sans nommer ce qu'elle empêche, signale une garantie molle.
La part symbolique est-elle lisible ? Les règles, les contraintes, les ontologies et les modèles de transition devraient pouvoir être inspectés par les personnes qui s'appuient sur le système, au moins sous la forme pertinente pour leurs décisions. Si la couche symbolique est elle-même un composant appris et opaque, elle n'offre pas le type de garantie qui fait la valeur des conceptions neurosymboliques.
Où s'arrête la provenance ? Pour toute réponse, suivez les citations. Mènent-elles à des enregistrements sources faisant autorité, par des étapes traçables, ou à des textes intermédiaires rédigés par un modèle ? L'audit de provenance de GraphRAG est un modèle pour cette vérification.
Où sont les défaillances ? Demandez une ventilation des cas de défaillance par composant. Un système bien factorisé devrait pouvoir dire si ses défaillances proviennent de la perception, de l'ancrage, de la recherche documentaire, du raisonnement ou de la génération. Un système qui ne peut pas le dire est soit mal factorisé, soit mal mesuré.
Que conserve-t-on ? Demandez si le système enregistre le chemin suivi, y compris ce qu'il a lu et les composants qui y ont contribué, et pas seulement la réponse finale. Les conclusions de GraphRAG sur les agents montrent pourquoi cela compte.
Aucune de ces questions n'exige une expertise pointue pour être posée. Toutes distinguent les architectures qui offrent des garanties vérifiables des systèmes qui emploient le vocabulaire.
Pourquoi cela compte pour l'explication et la supervision
Ces résultats comportent une dimension réglementaire qu'il vaut la peine de souligner, car elle relie l'architecture de recherche à des obligations qui s'appliqueront à de nombreuses organisations.
L'AI Act exige beaucoup d'explications. L'article 13 impose que les systèmes à haut risque soient conçus de manière à ce que les déployeurs puissent interpréter leurs résultats et les utiliser à bon escient. L'article 14 exige que les personnes chargées de la surveillance puissent interpréter correctement les résultats du système et décider de ne pas en tenir compte, de les écarter ou de les inverser. L'article 86 accorde aux personnes concernées le droit à des explications claires et utiles sur le rôle d'un système d'IA dans certaines décisions. Ces obligations s'appliquent aux systèmes à haut risque à partir de décembre 2027 ou d'août 2028, à la suite du Digital Omnibus, mais les choix de conception qui les rendent réalisables se font dès maintenant.
Un système factorisé et neurosymbolique est bien plus facile à expliquer qu'un modèle de bout en bout, pour exactement les raisons que démontrent les articles de 2026. Lorsqu'un plan est exécutable par construction sous un modèle de transition, l'explication de la raison pour laquelle une étape a été autorisée renvoie à la règle qui l'a permise. Lorsqu'une réponse cite des arêtes traçables jusqu'à des enregistrements faisant autorité, l'explication de la raison pour laquelle une affirmation a été faite est la chaîne des enregistrements. Lorsque les défaillances se localisent sur un composant, l'explication de la raison pour laquelle le système s'est trompé nomme ce composant. Chaque explication est un énoncé portant sur quelque chose qui existe et peut être inspecté, et non une rationalisation a posteriori d'un calcul neuronal.
Cela ne rend pas l'explication triviale pour autant. Il faut toujours quelqu'un pour traduire les règles et les enregistrements en un langage qu'une personne concernée peut comprendre. Mais cela change la nature de la tâche : on passe de la reconstruction à la présentation. La reconstruction demande « qu'est-ce qui a pu produire ce résultat ? » et ne peut offrir que des hypothèses. La présentation demande « comment montrer les règles et les enregistrements qui ont produit ce résultat ? » et peut offrir des preuves. Pour la surveillance et pour le droit à l'explication, cette différence est décisive.
C'est aussi pourquoi nous pensons que les résultats en matière d'efficacité devraient intéresser les régulateurs autant que les ingénieurs. Un petit modèle contraint, moins coûteux à exécuter, est aussi un modèle moins coûteux à auditer : il peut être hébergé là où l'auditeur peut y accéder, figé sur une version pendant toute la durée d'une enquête et rejoué de manière déterministe sur les mêmes entrées. Les arguments de souveraineté, d'énergie et de responsabilité en faveur de petits systèmes structurés se révèlent être le même argument vu sous trois angles.
Ce que nous en retenons
Pour notre propre travail, les résultats de 2026 confirment trois choix de conception et en affinent un quatrième.
Ils confirment que de petits modèles dotés de structure peuvent surpasser de grands modèles qui en sont dépourvus sur des tâches exigeant de la fiabilité. C'est le postulat qui sous-tend le routage de Loom à travers 528 spécialistes : la plupart des questions trouvent leur meilleure réponse auprès du bon spécialiste, souvent un petit modèle ou un solveur symbolique, plutôt qu'auprès du plus grand modèle disponible. L'ablation sur l'agent incarné est la preuve publiée la plus claire que nous connaissions à l'appui de ce postulat pour la planification.
Ils confirment que les connaissances doivent être construites à partir de sources faisant autorité, avec des règles déclarées, et citées par leur source. La couche de connaissances de Dweve cite chaque élément de connaissance utilisé dans une réponse par nœud et par hachage de version, afin qu'un relecteur puisse suivre la citation jusqu'à l'enregistrement et à la version exacts. L'audit de provenance GraphRAG montre ce qui est perdu lorsque cette chaîne s'arrête à un intermédiaire rédigé par un modèle.
Ils confirment que l'enregistrement du chemin importe autant que celui de la réponse. La conclusion de l'article sur le GraphRAG agentique concernant les entités visitées mais non citées est exactement la raison pour laquelle Knot enregistre les lectures et les étapes intermédiaires, et la raison pour laquelle la trace de Loom montre quels spécialistes ont contribué.
Et ils aiguisent notre attention sur l'ancrage. Les deux articles situent leurs échecs restants au point où le monde, ou la source, se traduit en représentation symbolique. C'est la frontière où la perception neuronale passe le relais au raisonnement symbolique, et c'est là que l'effort de vérification doit se concentrer. Une couche symbolique qui raisonne parfaitement sur un état erroné produit une réponse fausse avec assurance. La question d'ingénierie pour l'année à venir est de savoir comment rendre cette frontière aussi vérifiable que les couches qui l'encadrent.
La renaissance, avec des chiffres
Il y a un an, affirmer que les systèmes neurosymboliques surpasseraient les modèles de langage purs sur les tâches exigeant de la fiabilité relevait de l'argument. En 2026, les chiffres sont là : plus de 90 pour cent de réussite pour de petits modèles ouverts sur la planification domestique, un agent de 4 milliards de paramètres battant une politique directe de 27 milliards de paramètres avec une large marge, des contraintes et une recherche résolvant chacune moins d'un tiers des tâches seules et plus de 95 pour cent ensemble, et chaque arête d'un graphe construit à partir d'une ontologie traçable jusqu'à sa source, contre 83 pour cent pour un graphe extrait.
Ces chiffres s'accompagnent de conditions, et ces conditions sont aussi importantes que les résultats. Mais la direction est claire. Lorsqu'un système d'IA doit être juste d'une manière vérifiable, la structure n'est pas un obstacle à la capacité. Elle en est l'une des sources.
Pourquoi la conception du benchmark compte autant que le résultat
Les deux articles comportent une leçon méthodologique plus large qui mérite une brève note, car elle concerne la manière dont tout le domaine devrait évaluer les systèmes qui se prétendent fiables.
Les deux articles mesurent autre chose que la fluidité. L'article sur l'agent incarné mesure la réussite : la tâche domestique a-t-elle été accomplie dans l'environnement ? L'article sur GraphRAG mesure la provenance : chaque arête, et chaque citation, peut-elle être rattachée à un enregistrement faisant autorité ? Ni l'un ni l'autre ne repose principalement sur le fait qu'une réponse se lise bien ou corresponde à un texte de référence. C'est significatif, car une grande partie de l'évaluation en IA récompense encore la qualité de surface. Les travaux de la série « Why Neighborhoods Matter » et la recherche évaluative associée ont avancé le même argument sous un autre angle : le recouvrement lexical avec une réponse de référence peut être élevé alors même que les preuves de cette réponse sont absentes.
Pour les organisations qui évaluent des systèmes d'IA en vue de décisions importantes, la leçon est de se demander ce qu'un benchmark mesure avant de se demander quel score un système a obtenu. Un système qui obtient un bon score sur un benchmark fondé sur la fluidité peut néanmoins produire des plans qui ne s'exécutent pas ou des réponses dont les citations ne mènent nulle part. Un système qui obtient un bon score sur l'exécutabilité ou la provenance a démontré quelque chose de plus proche de ce dont un décideur a besoin. Nous aimerions voir davantage d'évaluations d'approvisionnement conçues comme le sont ces deux articles : avec une tâche qui réussit ou échoue de manière vérifiable, et avec un audit de l'origine des preuves de chaque réponse.
Sources
- Neurosymbolic Embodied Agents, Albinhassan, Feng, Russo et Madhyastha, arXiv, août 2026. A servi de source pour le résumé cité, la méthode en deux phases, l'ablation des composants (tableau 2), les paramètres de décodage (tableau 3), les chiffres de réponse aux défaillances (tableau 10), les taux de réussite sur VirtualHome et ALFWorld, la comparaison avec une politique directe de 27B, l'ablation des contraintes et de la recherche, l'efficacité en jetons et la localisation des défaillances.
- Ontology-guided neuro-symbolic GraphRAG for grounded query answering, Domenico Benfenati et Antonio Maria Rinaldi, Neural Computing and Applications, 2026. A servi de source pour la méthode de construction, l'audit de provenance, la précision des citations et la conception de l'évaluation.
- Why Neighborhoods Matter: Traversal Context and Provenance in Agentic GraphRAG, arXiv, mai 2026. A servi de source pour le constat que les citations finales ne rendent pas compte de l'ensemble des éléments de preuve qui fondent les réponses agentiques, et pour les limites de l'étude telles qu'elles sont énoncées.
- Article 13: Transparency and provision of information to deployers, Commission européenne, AI Act Service Desk. A servi de source pour l'exigence d'interprétabilité applicable aux systèmes à haut risque.
- Article 14: Human oversight, Commission européenne, AI Act Service Desk. A servi de source pour les capacités de supervision.
- Article 86: Right to explanation of individual decision-making, Commission européenne, AI Act Service Desk. A servi de source pour le droit à l'explication.
- Towards A Rigorous Science of Interpretable Machine Learning, Finale Doshi-Velez et Been Kim, arXiv, 2017. A servi de source pour l'observation citée sur l'absence de consensus autour de l'interprétabilité.
- Stop Explaining Black Box Machine Learning Models for High Stakes Decisions and Use Interpretable Models Instead, Cynthia Rudin, arXiv, 2018. A servi de source pour l'argument cité en faveur de modèles intrinsèquement interprétables.
- Sanity Checks for Saliency Maps, Julius Adebayo et autres, arXiv, 2018. A servi de source pour le constat cité selon lequel certaines méthodes de saillance sont indépendantes du modèle et des données.