Face à l'explosion des coûts d'API de LLM en 2026, Gumloop s'impose en exécutant des modèles open-weight via Fireworks AI. Ce système de workflows IA hybride permet de diviser vos factures d'inférence par quatre tout en conservant une validation humaine stricte, libérant enfin le ROI de vos agents autonomes. Après plusieurs années d’expérimentation autour des agents IA, les entreprises accordent davantage d’importance au coût par exécution, au contrôle des modèles et à la traçabilité des actions. Les agents complexes peuvent enchaîner de nombreux appels de modèles et faire augmenter rapidement la consommation. Dans ce contexte, Gumloop, connu sous le nom d’AgentHub jusqu’en mai 2024, développe une plateforme destinée à construire et orchestrer des agents et des automatisations sans imposer un fournisseur de modèle unique. La société cofondée et dirigée par Max Brodeur-Urbas a annoncé le 12 mars 2026 une levée de fonds de 50 millions de dollars en Series B menée par Benchmark. Le 9 juillet 2026, Gumloop a également annoncé que Fireworks AI devenait son fournisseur d’inférence par défaut pour les modèles open-weight. Gumloop cite notamment GLM-5.2 et DeepSeek V4 Pro et indique avoir mesuré jusqu’à 72 % d’économies lors d’un test interne précis. Ce chiffre dépend du modèle remplacé, des volumes, de la longueur des contextes et des outils appelés ; il ne doit donc pas être interprété comme une réduction automatique pour tous les clients. Cette approche hybride permet de réserver les modèles frontières aux étapes qui exigent le plus de raisonnement et d’utiliser des modèles open-weight sur des opérations répétitives comme l’extraction, le routage ou la synthèse. Les équipes peuvent compléter ce pilotage avec des outils de surveillance comme AgentOps pour stopper la dérive financière et avec les tableaux d’usage intégrés à Gumloop. La trajectoire de Gumloop illustre une évolution importante : la valeur d’un projet IA ne dépend plus seulement du modèle utilisé, mais de la manière dont chaque tâche est routée, contrôlée, observée et facturée. Employer un modèle très coûteux pour une extraction simple n’est pas toujours rationnel ; inversement, remplacer mécaniquement tous les modèles frontières peut dégrader les résultats. Le protocole MCP, les nœuds générés par IA et les modèles open-weight élargissent les possibilités d’intégration, sans rendre les connecteurs classiques obsolètes du jour au lendemain. L’enjeu pour les entreprises consiste désormais à bâtir une architecture hybride : logique déterministe pour les règles stables, agents pour l’adaptation, validation humaine pour les actions sensibles et sélection du modèle selon le rapport entre qualité, latence et coût.