L’Observatoire AI NeoMundi est notre programme de recherche public dédié à l’évaluation continue, transparente et reproductible des systèmes d’IA générative.
Nous publions régulièrement des cartographies thermodynamiques et des observations approfondies, dont le Baromètre des IA NeoMundi, qui suit dans le temps des profils de modèles dé-identifiés sur plusieurs dimensions : stabilité, validité factuelle, densité informationnelle, signaux de risque factuel, variation sémantique et efficience coût. Ces publications mettent en évidence des tendances comportementales et des changements de régime silencieux que les benchmarks traditionnels ponctuels ne peuvent pas détecter.
L’ensemble de nos travaux repose sur des méthodologies ouvertes et des données publiques. Les scripts de génération, les protocoles de scoring et les jeux de données bruts sont publiés sur GitHub, permettant aux chercheurs, développeurs et à la communauté AI d’auditer, reproduire et s’appuyer sur nos observations.
Rapport de l’audit indépendant réalisé par Pape Malick DIOP, Data Scientist et Chercheur en Machine Learning, le 10 juin 2026. Chez NeoMundi, nous croyons que la gouvernance des systèmes génératifs ne peut reposer que sur un seul signal. C’est pourquoi nous avons sollicité un audit exploratoire externe indépendant sur nos signaux runtime : G-score, ∆G, […]
1. Chez les IA, prix, stabilité et exactitude ne vont pas toujours ensemble Nous avons mesuré 12 grands systèmes d’IA générative selon un même protocole, afin de comparer leur stabilité observable, leur validité factuelle et leur coût relatif par requête. Chaque point représente un profil observé. Axe horizontal : stabilité observable · Axe vertical :
NeoMundi Recherche publie une version publique et expurgée d’une revue méthodologique indépendante de son approche de mesure en temps réel de la stabilité de l’IA générative. La revue s’appuie sur une cohorte comparative de mai 2026 portant sur huit fournisseurs anonymisés. Elle examine ce qu’un signal en temps réel peut et ne peut pas capter,
1. MURMURATION – Recherche sur la stabilité collective runtime Les systèmes autonomes distribués savent aujourd’hui coordonner des trajectoires, répartir des tâches et maintenir des formations dynamiques à grande échelle. Mais une question critique reste largement non résolue : comment mesurer la stabilité collective d’un système multi-agent avant qu’une rupture systémique de cohésion n’émerge ? Les
