BotPsy, l’agent IA local de Tether : ce qu’il faut savoir
Découvrez comment BotPsy, le modèle IA local de Tether, exécute des tâches sur téléphone, ses résultats aux tests et les limites de cette promesse.

BotPsy : le petit agent IA de Tether peut-il vraiment piloter un téléphone ?
Un assistant peut très bien expliquer une procédure ou rédiger un message. Là où ça se complique, c'est quand il faut agir dans une application, enchaîner plusieurs étapes et réagir quand quelque chose casse. C'est justement le terrain que Tether vise avec BotPsy : un modèle de 800 millions de paramètres pensé pour utiliser des outils et exécuter des tâches sur un appareil personnel.
L'entreprise dit que BotPsy fait mieux, jusqu'à 2,5 fois, que des modèles plus gros sur plusieurs tests axés sur l'usage d'outils. Le modèle s'inscrit aussi dans QVAC, un ensemble que Tether décrit comme capable de tourner localement, sans dépendre en permanence d'un service cloud. Sauf que ces résultats viennent des tests publiés par l'entreprise, et qu'un modèle téléchargeable n'est pas automatiquement un assistant « prêt à l'emploi ».
Voici donc ce que BotPsy sait faire, ce que ses scores prouvent (et ce qu'ils ne prouvent pas), et ce qui manque encore avant d'y voir une vraie alternative aux assistants connectés. Le sujet dépasse la taille du modèle : il touche à la fiabilité, à la confidentialité, et à la manière dont tout ça serait déployé concrètement.
Qu'est-ce que BotPsy et comment fonctionne cet agent IA ?
BotPsy, c'est un modèle d'intelligence artificielle de 800 millions de paramètres, développé par Tether pour exécuter des tâches en passant par des outils logiciels. L'entreprise dit qu'il repose sur l'architecture Qwen3.5-0.8B d'Alibaba, puis qu'elle l'a adaptée pour mieux gérer les appels de fonctions et l'interaction avec des applications.
Les paramètres, ce sont les valeurs apprises pendant l'entraînement. Elles donnent des indices sur les capacités d'un modèle, mais ce n'est pas une mesure complète de « l'intelligence » ou de l'utilité. Un modèle plus petit peut être plus facile à faire tourner sur une machine limitée en mémoire - ça ne veut pas dire, pour autant, qu'il sera plus rapide, plus fiable ou plus adapté à tout.
D'un chatbot qui répond à un agent qui agit
Un chatbot classique répond surtout en produisant du texte. Un agent, lui, doit choisir les outils à utiliser, formuler les bons arguments, puis organiser l'exécution. Selon la tâche, il ne se contente pas de lister des instructions : il doit enchaîner des actions dans un ordre précis.
Tether illustre ça avec un scénario de messagerie. Le Wi-Fi est coupé et la boîte de réception est saturée : BotPsy aurait alors activé la connexion, libéré de la place, puis fini l'action. Le « modèle sous-jacent », lui, aurait pu se contenter de répéter une étape qui échouait.
Le cas est simple, mais l'idée colle à une réalité : dans une vraie application, une action dépend de l'état du système (réseau, autorisations, stockage, session ouverte, etc.). Un agent utile doit intégrer ces contraintes, pas seulement comprendre la phrase de départ.
Pourquoi un modèle de 800 millions de paramètres ?
Les modèles plus gros peuvent produire des réponses plus riches et gérer des tâches plus complexes. Mais ils consomment aussi plus de ressources pour tourner. En réduisant le format, Tether vise un déploiement plus réaliste sur un téléphone ou un ordinateur personnel.
Il y a aussi une logique de spécialisation. Si le rôle principal est de choisir une fonction parmi des outils identifiés, un modèle entraîné pour ça peut être plus pertinent qu'un modèle généraliste beaucoup plus volumineux.
L'objectif, en clair, est de limiter le champ de ce qu'on demande au modèle pour améliorer l'efficacité. Dans ce cadre, BotPsy n'a pas besoin d'être « excellent partout », du moment qu'il choisit les bonnes actions et les déclenche correctement.
Le revers, c'est que des performances mesurées sur des benchmarks d'usage d'outils ne disent pas grand-chose sur la qualité pour rédiger, résumer, discuter ou répondre à des questions générales. Là encore, il faut comparer sur des tâches qui ressemblent vraiment à ce qu'on veut faire.
Que montrent les résultats de BotPsy face aux modèles plus grands ?
Dans ses évaluations, Tether indique avoir comparé cinq modèles sur six tests liés à l'usage d'outils. BotPsy obtiendrait le meilleur score dans cinq de ces six évaluations. La moyenne annoncée atteint 45 %, contre 38,8 % pour le modèle Qwen de 2 milliards de paramètres testé par l'entreprise.
Ce n'est pas insignifiant : ça rappelle que la taille, à elle seule, ne garantit pas la qualité d'un agent. Mais il faut lire ces chiffres pour ce qu'ils sont : des résultats issus d'une série de tests définis et rapportés par Tether. Ce ne sont pas une preuve générale que BotPsy serait supérieur dans tous les contextes, ni même qu'il serait « 2,5 fois meilleur » dans n'importe quelle application.
Deux évaluations, deux aspects de l'usage d'outils
Sur BFCL v4, une évaluation de la sélection et de l'exécution de fonctions dans différents scénarios, BotPsy affiche 44 %. Le modèle Qwen3.5-0.8B obtient 23,4 %, tandis que Qwen3.5-2B monte à 37,7 %.
Sur ACEBench, qui mesure notamment le choix d'une fonction et la précision des arguments, BotPsy atteint 58,7 %. Le modèle de base est à 30,1 % et le modèle de 2 milliards de paramètres à 55,4 %. Tether mentionne aussi un avantage moyen sur l'ensemble des six tests, mais les scores changent selon l'évaluation.
L'important, donc : BotPsy fait mieux que les modèles comparés par Tether sur plusieurs tests centrés sur l'usage d'outils. En revanche, ça ne permet pas de conclure qu'il « bat » tous les modèles plus grands, ni de généraliser une amélioration universelle. La relation entre nombre de paramètres et résultats dépend beaucoup du test, des outils disponibles et des données utilisées.
Comment interpréter un score de benchmark ?
Un benchmark simplifie forcément. Il donne des scénarios reproductibles pour comparer des modèles, mais une application réelle peut changer d'interface, demander des autorisations, rencontrer des erreurs réseau, et dépendre de ce que l'utilisateur attend vraiment.
Pour juger un agent comme BotPsy, il faut donc regarder plus finement que la moyenne :
- La réussite de bout en bout : est-ce que l'action finale a vraiment été exécutée ?
- La capacité à se rattraper : si une étape échoue, le modèle change-t-il de plan ?
- La précision des appels : choisit-il le bon outil, avec les bons paramètres ?
- La sécurité : demande-t-il une confirmation avant une action sensible ?
- La reproductibilité : d'autres peuvent-ils vérifier les résultats dans des conditions comparables ?
Tether n'a pas publié, dans les informations fournies, de date de sortie pour un assistant grand public. À ce stade, les benchmarks indiquent surtout une capacité prometteuse à sélectionner et enchaîner des outils - pas la certitude d'un produit utilisable au quotidien.
Que peut apporter une IA locale sur un téléphone ?
QVAC est le projet de Tether pour faire tourner des modèles d'IA sur des appareils contrôlés par leurs utilisateurs, plutôt que de dépendre d'un service centralisé. Dans cette approche, certaines opérations peuvent être faites directement sur le téléphone ou l'ordinateur. BotPsy est présenté comme un composant utile pour des usages concrets : réglages, messagerie, planification.
L'intérêt est d'abord pratique. Si un modèle peut exécuter une tâche sans envoyer chaque requête vers un serveur distant, l'application réduit sa dépendance au réseau et peut limiter certains transferts de données. Pour une entreprise européenne, ça peut aussi faciliter une partie de l'analyse des flux de données au regard du RGPD.
Local ne veut pas dire « confidentiel » automatiquement
Faire tourner localement peut aider à mieux maîtriser les données, mais ça ne suffit pas à garantir la confidentialité. Il faut regarder le produit dans son ensemble : quelles informations partent vers des serveurs, quels journaux sont conservés, quelles permissions l'application demande, et si des services tiers interviennent.
Le modèle, lui, ne garantit pas non plus la sécurité de l'application qui l'intègre. Un agent capable d'envoyer des messages ou de modifier des réglages doit disposer d'autorisations adaptées, et les actions à fort impact devraient rester sous contrôle - idéalement avec une validation quand le risque d'erreur est élevé.
Et surtout, le RGPD ne se résume pas à « cloud ou pas cloud ». Les finalités, la minimisation des données, les durées de conservation, l'information des personnes et la sécurité du traitement doivent être évaluées. Le fait que le modèle tourne localement ne remplace pas un examen réel de la conformité.
Un intérêt pour les appareils moins puissants
Un modèle compact peut rendre l'IA déployable dans plus de situations : matériel moins puissant, ou connexion instable. Ça change la donne par rapport à un assistant qui dépend d'un accès permanent à des serveurs distants.
Mais « léger » ne veut pas dire « sans contrainte ». Sur mobile, il faut composer avec la mémoire, la vitesse de calcul, l'autonomie de la batterie et la chaleur. Le logiciel doit aussi s'intégrer aux applications et aux systèmes d'exploitation. Tether a publié des versions compressées pour réduire les besoins mémoire, sans que ça suffise à confirmer des performances équivalentes sur tous les téléphones.
Pour une équipe produit, la vraie question n'est donc pas seulement « est-ce que ça tourne localement ? ». Il faut regarder le coût total : installation, maintenance, compatibilité, qualité des actions, et support. Le local peut réduire la dépendance au cloud, mais il déplace une partie du travail sur l'appareil et sur l'équipe qui maintient le tout.
Quelles sont les limites de BotPsy et de l'écosystème QVAC ?
BotPsy est disponible sous forme de poids de modèle avec une licence Apache 2.0. Concrètement, ça permet de télécharger, modifier et intégrer le modèle dans des applications, selon les termes de la licence. Tether propose aussi des versions compressées pour faciliter le déploiement local.
C'est une bonne base pour expérimenter - pas un assistant prêt à être installé par tout le monde. Pour l'instant, Tether n'a pas annoncé de date de sortie pour un produit final piloté par BotPsy. La documentation publiée ne contient pas le code ni les données d'entraînement. Résultat : un tiers ne peut pas reproduire entièrement le processus d'entraînement, même si le modèle est accessible.
L'intégration produit reste le point décisif
Un agent n'est utile que si ses outils sont bien conçus et si les erreurs sont gérées proprement. Il faut définir ce qu'il a le droit de faire, lui fournir des fonctions fiables, et vérifier que l'interface rend les actions visibles et compréhensibles. Autrement dit, le « produit » compte autant que le « modèle ».
Dans un produit de messagerie, par exemple, envoyer un message à la mauvaise personne pèse plus lourd qu'une phrase maladroite. Un système robuste doit distinguer ce qui est réversible de ce qui ne l'est pas, demander une validation quand c'est nécessaire, et laisser des traces faciles à lire de ce qu'il a fait.
Et plus le nombre d'applications et de scénarios augmente, plus la difficulté grimpe. Une démo sur des tâches prédéfinies ne garantit pas la même fiabilité dans des interfaces qui changent régulièrement. Chaque intégration demande des tests, une surveillance des échecs et, quand c'est possible, des mécanismes de retour en arrière.
QVAC s'inscrit dans une stratégie plus large de Tether
BotPsy n'est pas le seul projet d'IA présenté par Tether. En 2025, l'entreprise a décrit QVAC comme un ensemble d'outils et de modèles conçus pour fonctionner localement. Le périmètre comprend QVAC Workbench, destiné à exécuter des modèles sur un appareil, ainsi qu'un kit de développement pour créer des applications hors ligne sur mobile et ordinateur.
Tether a aussi développé QVAC MedPsy, présenté comme un système d'IA médicale tournant sur du matériel grand public. La société affirme qu'une version de 1,7 milliard de paramètres a dépassé MedGemma-27B de Google sur HealthBench Hard, un test de conversations cliniques évaluées selon des critères définis par des médecins. Comme pour BotPsy, ce résultat doit être lu dans le cadre du benchmark correspondant : ça ne suffit pas à valider un usage médical autonome.
Pour Tether, l'IA locale s'inscrit dans une stratégie plus large, aux côtés d'activités autour des stablecoins. L'entreprise a évoqué des agents capables d'interagir avec des applications et, à terme, de déclencher des paiements en Bitcoin ou en USDT. Pour l'instant, c'est une intention plus qu'une fonction annoncée de BotPsy. Un agent qui initierait un paiement aurait besoin de garde-fous encore plus stricts qu'un outil de planification.
Conclusion : un modèle prometteur, pas encore un assistant grand public
BotPsy défend une idée assez simple : pour automatiser des actions ciblées, un modèle compact et spécialisé peut parfois faire mieux qu'un modèle plus gros. Les résultats publiés par Tether méritent d'être regardés de près, parce qu'un agent doit surtout savoir choisir des outils et récupérer quand ça échoue - pas seulement produire du texte.
La prudence reste de mise. Les scores correspondent aux évaluations rapportées par l'entreprise, et disposer de poids de modèle ne remplace ni une application finalisée, ni des tests sur des appareils réels, ni des cas d'usage variés. Avant d'adopter une IA locale, particuliers comme organisations devraient vérifier les permissions, les flux de données, la fiabilité des actions et les conditions de maintenance.
BotPsy est donc un jalon technique intéressant dans l'écosystème QVAC, mais ce n'est pas encore la preuve qu'un assistant autonome et « privé » est prêt pour le quotidien. La prochaine étape décisive, ce sera un produit vérifiable, réellement utile sur du matériel courant, et conçu pour laisser l'utilisateur garder la main sur les actions sensibles.